Автор: Махеш Рамакришнан, Винаяк Куруп, CoinDesk. Составитель: Тао Чжу, Golden Finance;

В конце июля Марк Цукерберг написал письмо, объясняющее, почему «открытый исходный код необходим для позитивного будущего ИИ», в котором он высоко оценил необходимость разработки ИИ с открытым исходным кодом. Некогда основатель-ботаник-подросток теперь стал «Цукербергом», который катается на водных лыжах, носит золотые цепи и занимается джиу-джитсу и известен как спаситель разработки моделей с открытым исходным кодом.

Но пока он и команда Meta не уточнили, как будут использоваться эти модели. Поскольку сложность модели возрастает в вычислительных требованиях, поддаемся ли мы аналогичной форме централизации, если развертывание модели контролируется небольшим количеством участников? Децентрализованный ИИ обещает решить эту проблему, но эта технология требует достижений в области ведущей в отрасли криптографии и уникальных гибридных решений.

В отличие от централизованных поставщиков облачных услуг, децентрализованный ИИ (DAI) распределяет вычислительные процессы вывода и обучения ИИ по нескольким системам, сетям и местам. При правильной реализации эти сети — децентрализованная сеть физической инфраструктуры (DePIN) — принесут преимущества с точки зрения устойчивости к цензуре, доступа к вычислениям и стоимости.

DAI сталкивается с проблемами в двух основных областях: среда искусственного интеллекта и сама децентрализованная инфраструктура. По сравнению с централизованными системами, DAI требует дополнительных мер безопасности для предотвращения несанкционированного доступа к деталям модели или кражи и копирования конфиденциальной информации. Таким образом, существует недостаточно использованная возможность для команд, которые сосредоточены на моделях с открытым исходным кодом, но осознают потенциальные недостатки производительности моделей с открытым исходным кодом по сравнению с моделями с закрытым исходным кодом.

Децентрализованные системы особенно сталкиваются с препятствиями, связанными с целостностью сети и перерасходом ресурсов. Например, распределение данных клиента по разным узлам открывает больше векторов атак. Злоумышленник может развернуть узел и проанализировать его вычисления, попытаться перехватить передачу данных между узлами или даже внести искажения, которые ухудшают производительность системы. Даже в безопасных децентрализованных моделях вывода должны быть механизмы аудита вычислительного процесса. Узлы экономят затраты ресурсов за счет выполнения неполных вычислений, а проверка осложняется отсутствием доверенного централизованного участника.

Доказательство с нулевым разглашением

Доказательства с нулевым разглашением (ZKP), хотя в настоящее время они являются непомерно вычислительными, являются одним из потенциальных решений некоторых проблем DAI. ZKP — это криптографический механизм, который позволяет одной стороне (доказывающему) убедить другую сторону (проверяющую) в истинности утверждения, не раскрывая никаких подробностей о самом заявлении, кроме его действительности. Это доказательство может быть быстро проверено другими узлами и предоставляет каждому узлу возможность доказать, что он действовал в соответствии с протоколом. Демонстрация технических различий между системой и ее реализацией (подробнее об этом позже) важна для инвесторов в этой сфере.

Централизованные вычисления ограничивают обучение модели несколькими хорошо подготовленными и богатыми ресурсами участниками. ZKP может быть частью разблокировки простоя вычислений на потребительском оборудовании; например, MacBook может использовать свою дополнительную вычислительную пропускную способность для обучения больших языковых моделей, одновременно зарабатывая токены для пользователей.

Развертывание децентрализованного обучения или вывода с использованием потребительского оборудования находится в центре внимания таких команд, как Gensyn и Inference Labs. В отличие от децентрализованных вычислительных сетей, таких как Akash или Render, сегментирование вычислений добавляет сложности, а именно проблемы с плавающей запятой; Использование простаивающих распределенных вычислительных ресурсов открывает перед небольшими разработчиками возможность тестировать и обучать свои собственные сети — при условии, что у них есть доступ к инструментам, решающим соответствующие задачи.

В настоящее время системы ZKP кажутся на четыре-шесть порядков дороже, чем локальное выполнение вычислений, что делает использование ZKP очень медленным для задач, требующих больших вычислений (например, обучение модели) или малой задержки (например, вывод модели). Для сравнения, падение на шесть порядков означает, что передовые системы (такие как Jolt a16z), работающие на чипе M3 Max, демонстрируют программы, которые в 150 раз медленнее, чем запуск их на графическом калькуляторе TI-84.

Способность ИИ обрабатывать большие объемы данных делает его совместимым с доказательствами с нулевым разглашением (ZKP), но для широкого использования ZKP необходим больший прогресс в криптографии. Продолжающаяся работа таких команд, как Irreducible (разработавшая систему доказательств и схему обязательств Binius), Gensyn, TensorOpera, Hellas и Inference Labs, станет важным шагом на пути к реализации этого видения. Однако сроки все еще слишком оптимистичны, поскольку настоящие инновации требуют времени и математических достижений.

В то же время стоит отметить и другие возможности и гибридные решения. HellasAI и другие компании разрабатывают новые способы представления моделей и вычислений, которые позволяют создавать оптимистичные сложные игры, позволяя обрабатывать только ту часть вычислений, которые необходимо обрабатывать с нулевым разглашением. Оптимистические доказательства работают только в том случае, если существует реальная угроза ставки, возможность доказать правонарушение и другие узлы системы, проверяющие вычисления. Другой метод, разработанный Inference Labs, проверяет подмножество запросов, где узел обязуется создать ZKP с депозитом, но предоставляет доказательства только в том случае, если клиент сначала оспорит его.

Подвести итог

Децентрализованное обучение и выводы ИИ послужат защитой от того, чтобы несколько крупных игроков консолидировали власть и одновременно открыли доступ к ранее недоступным вычислениям. ZKP будет неотъемлемой частью реализации этого видения. Ваш компьютер сможет зарабатывать вам реальные деньги, даже не осознавая этого, используя дополнительную вычислительную мощность в фоновом режиме. Краткое доказательство того, что вычисления были выполнены правильно, сделало бы ненужным доверие, которым пользуются крупнейшие поставщики облачных услуг, и позволило бы вычислительным сетям с более мелкими поставщиками привлекать корпоративных клиентов.

Хотя доказательства с нулевым разглашением откроют это будущее и станут важной частью не только вычислительных сетей (как и концепция Ethereum об однослотовой окончательности), их вычислительные издержки остаются препятствием. Гибридное решение, которое сочетает в себе механику теории игр оптимистических игр с выборочным использованием доказательств с нулевым разглашением, является лучшим решением и, вероятно, станет повсеместной связующей точкой, пока ZKP не станет быстрее.

Как для местных, так и для иностранных инвесторов в криптовалюту понимание ценности и проблем децентрализованных систем искусственного интеллекта имеет решающее значение для эффективного использования капитала. У команды должны быть ответы на вопросы о вычислительных доказательствах узлов и избыточности сети. Кроме того, как мы наблюдали во многих проектах DePIN, децентрализация происходит со временем, и очень важно, чтобы у команды был четкий план для достижения этой цели. Решение проблем, связанных с вычислениями DePIN, имеет решающее значение для возврата контроля частным лицам и небольшим разработчикам — это важная часть сохранения наших систем открытыми, бесплатными и устойчивыми к цензуре.