Orijinal yazar @cebillhsu
Golem'i derleyin |
GPT-4, Gemini 1.5 ve Microsoft AI PC gibi yapay zeka teknolojilerindeki ilerleme etkileyici, ancak yapay zekanın mevcut gelişimi hala bazı sorunlarla karşı karşıya. AppWorks'te bir Web3 araştırmacısı olan Bill, sorunları derinlemesine inceledi ve Crypto'nun nasıl yapabileceğini tartıştı. Yapay zekayı güçlendirmenin 7 yönüne yardımcı olun.
Veri Tokenizasyonu
Geleneksel yapay zeka eğitimi esas olarak internette mevcut olan genel verilere veya daha kesin olarak kamuya açık alandaki trafik verilerine dayanır. Açık API'ler sağlayan birkaç şirket dışında çoğu veri kullanılmadan kalıyor. Gizliliğin korunmasını sağlarken daha fazla veri sahibinin AI eğitimine katkıda bulunmasını veya verilerini yetkilendirmesini nasıl sağlayacağımız önemli bir yöndür.
Ancak bu alanın karşılaştığı en büyük zorluk, bilgi işlem gücü gibi verilerin standartlaştırılmasının zor olmasıdır. Dağıtılmış bilgi işlem gücü GPU türüne göre ölçülebilirken, özel verilerin miktarını, kalitesini ve kullanımını ölçmek zordur. Dağıtılmış hesaplama gücü ERC 20 gibi ise veri setinin tokenizasyonu ERC 721 gibi olur, bu da likidite ve piyasa oluşumunu ERC 20'ye göre daha zorlu hale getirir.
Ocean Protokolünün Veri İşleme özelliği, veri sahiplerinin gizliliği korurken özel verileri satmasına olanak tanır. Vana, Reddit kullanıcılarına veri toplama ve bunları büyük yapay zeka modellerini eğiten şirketlere satma yolu sunuyor.
Kaynak tahsisi
Şu anda, GPU hesaplama gücünün arz ve talebi arasında büyük bir boşluk var ve büyük şirketler GPU kaynaklarının çoğunu tekeline alıyor, bu da küçük şirketler için eğitim modellerinin maliyetini çok yüksek hale getiriyor. Pek çok ekip, küçük ölçekli, yüksek kullanımlı GPU kaynaklarını merkezi olmayan ağlar aracılığıyla yoğunlaştırarak maliyetleri azaltmak için çok çalışıyor, ancak hâlâ istikrarlı bilgi işlem gücü ve yeterli bant genişliği sağlama konusunda büyük zorluklarla karşı karşıyalar.
Motivasyonel RLHF
RLHF (insan geri bildirimine dayalı takviyeli öğrenme), büyük modellerin geliştirilmesi için çok önemlidir, ancak uzman eğitimi gerektirir. Piyasadaki rekabet arttıkça bu profesyonelleri işe almanın maliyeti de artıyor. Yüksek kaliteli açıklamayı korurken maliyetleri azaltmak için bir kazıklama ve kesme sistemi kullanılabilir. Veri açıklamasının en büyük masraflarından biri, denetçilerin kaliteyi kontrol etme ihtiyacıdır. Bununla birlikte, yıllar geçtikçe blockchain, işin kalitesini (PoW, PoS) sağlamak için ekonomik teşvik mekanizmalarını başarıyla kullandı ve iyi bir token ekonomik sistemi oluşturmanın RLHF'nin maliyetini etkili bir şekilde azaltabileceğine inanılıyor.
Örneğin Sapien AI, Tag 2 Earn'ü piyasaya sürdü ve birden fazla gamefi loncasıyla işbirliği yaptı; Hivemapper, bir token teşvik mekanizması aracılığıyla 2 milyon kilometrelik yol eğitimi verisine sahip; QuillAudits, tüm denetçilerin ortak eğitim almasına olanak tanıyan bir açık kaynaklı akıllı sözleşme denetim aracısı başlatmayı planlıyor. temsilci ve ödüllendirilin.
Doğrulanabilirlik
Bilgi işlem gücü sağlayıcısının çıkarım görevlerini belirli gereksinimlere veya modellere göre gerçekleştirip gerçekleştirmediği nasıl doğrulanır? Kullanıcılar yapay zeka modelinin ve çıktısının orijinalliğini ve doğruluğunu doğrulayamaz. Bu doğrulanabilirlik eksikliği, finans, sağlık ve hukuk gibi alanlarda güvensizliğe, hatalara ve hatta zarara yol açabilir.
Çıkarım hizmeti sağlayıcıları, ZKP, OP ve TEE gibi kriptografik doğrulama sistemlerini kullanarak, çıktıların belirli bir model tarafından gerçekleştirildiğini kanıtlayabilir. Kriptografik doğrulama kullanmanın faydaları arasında model sağlayıcıların model gizliliğini koruyabilmesi, kullanıcıların model uygulamasının doğru olduğunu doğrulayabilmesi ve kanıt kriptografisinin akıllı sözleşmelere entegre edilmesinin blockchain'in bilgi işlem gücünün sınırlamalarını aşabilmesi yer alıyor. Aynı zamanda performans sorunlarını çözmek için yapay zekayı doğrudan cihaz tarafında çalıştırmayı da düşünebilirsiniz ancak şu ana kadar bu alanda inşa edilen projeler arasında Ritual, ORA ve Aizel Network yer alıyor.
derin sahte
Üretim yapay zekasının ortaya çıkmasıyla birlikte insanlar derin sahtekarlıklar (DeepFake) konusuna giderek daha fazla önem veriyor. Ancak deepfake teknolojisi, algılama teknolojisinden daha hızlı ilerliyor, dolayısıyla deepfake'leri tespit etmek giderek zorlaşıyor. Her ne kadar dijital filigran teknolojileri (C 2 PA gibi) derin sahtekarlıkları tespit etmeye yardımcı olsa da, işlenen görüntü değiştirilmiş olduğundan ve orijinal görüntüdeki imzayı kamuoyu doğrulayamadığı için bunların da sınırlamaları vardır. çok zordu.
Blockchain teknolojisi deepfake sorununu çeşitli şekillerde çözebilir. Donanım kimlik doğrulaması, görüntünün gerçekliğini doğrulamak amacıyla her orijinal fotoğrafa kriptografik kanıt eklemek için kurcalamaya dayanıklı çip kameraları kullanabilir. Blok zinciri değişmezdir ve meta veri içeren görüntülerin zaman damgalı bloklara eklenmesine olanak tanır, kurcalamayı önler ve orijinal kaynağı doğrular. Ek olarak, yayınlanan içeriğin yazarlığını doğrulamak amacıyla yayınlanan gönderilere kriptografik imzalar eklemek için cüzdanlar kullanılabilir ve zk teknolojisine dayalı KYC altyapısı, kullanıcı gizliliğini korurken cüzdanları doğrulanmış kimliklere bağlayabilir. Ekonomik teşvikler açısından bakıldığında, yazarlar yanlış bilgi yayımladıkları için cezalandırılmalı, kullanıcılar ise yanlış bilgileri tespit ettikleri için ödüllendirilmelidir.
Numbers Protokolü yıllardır bu alanda çalışıyor; Fox News'un doğrulama aracı Polygon blok zincirini temel alıyor ve kullanıcıların makaleleri bulmasına ve ilgili verileri blok zincirinden almasına olanak tanıyor.
mahremiyet
Yapay zeka modelleri finans, sağlık, hukuk gibi alanlarda hassas bilgilerle beslendiğinde, onu kullanırken veri gizliliğini korumak son derece önemlidir. Homomorfik şifreleme (FHE), verileri şifresini çözmeden işleyebilir, böylece LLM modellerini kullanırken gizliliği korur.
Kullanıcı, yerel cihazda çıkarım işlemini başlatır ve ilk katmanı tamamladıktan sonra durur. Bu başlangıç katmanı, sunucuyla paylaşılan modele dahil değildir;
İstemci ara işlemleri şifreler ve bunları sunucuya iletir;
Sunucu bu şifrelenmiş veriler üzerinde kısmi dikkat mekanizması işlemi gerçekleştirir ve sonucu istemciye geri gönderir;
İstemci sonuçların şifresini çözer ve çıkarımı yerel olarak sürdürür. Bu şekilde FHE, kullanıcı verilerinin gizliliğinin tüm işleme süreci boyunca korunmasını sağlar.
Zama, tamamen homomorfik bir şifreleme (FHE) çözümü geliştiriyor ve yakın zamanda geliştirmeyi desteklemek için 73 milyon dolar fon topladı.
Yapay zeka ajanı
Yapay zeka temsilcilerinin fikri oldukça fütüristik. Yapay zeka temsilcileri varlıklara sahip olabilir ve işlem gerçekleştirebilirse gelecek nasıl olacak? Karar almaya yardımcı olmak için genel amaçlı büyük modellerin kullanılmasından, görevlerin uzman temsilcilere atanmasına doğru bir geçiş olabilir.
Bu temsilciler birbirleriyle işbirliği yapacak ve sağlam ekonomik ilişkiler insan işbirliğini geliştirebileceği gibi, yapay zeka temsilcilerine ekonomik ilişkiler eklemek de verimliliklerini artırabilir. Blockchain bu konsept için bir test alanı olabilir. Örneğin Colony, yapay zeka ajanlarının belirli hedeflere ulaşmak için diğer ajanlarla veya gerçek oyuncularla işlem yapması için cüzdanlar sağlayarak bu fikri oyunlar aracılığıyla deniyor.
Çözüm
Soruların çoğu aslında açık kaynak yapay zeka ile ilgili. Böylesine önemli bir teknolojinin önümüzdeki on yılda birkaç şirketin tekelinde kalmamasını sağlamak için, token ekonomik sistemi merkezi olmayan bilgi işlem kaynaklarını ve eğitim veri kümelerini hızlı bir şekilde kullanarak açık kaynak ve kapalı kaynak yapay zeka arasındaki kaynak açığını daraltabilir. Blockchain, daha iyi veri yönetimi için yapay zeka eğitimini ve çıkarımlarını izleyebilir; kriptografi ise yapay zeka sonrası dönemde güveni sağlayabilir ve derin sahtekarlıkları ve gizlilik koruma sorunlarını çözebilir.
İlgili Okumalar
Yapay zeka destekli Kripto uygulama talimatlarını ve protokollerini ele alan bir makale
