Автор: Давид і Голіаф
Переклад: Шеньчао TechFlow
На даний момент, обчислення та навчальні етапи в AI-індустрії в основному контролюються централізованими гігантами Web2. Ці компанії, завдяки своїй потужній капітальній силі, передовим апаратним забезпеченням та величезним обсягам даних, займають домінуючу позицію. Хоча ця ситуація може продовжуватися при розробці найпотужніших універсальних моделей машинного навчання (ML), для середніх або кастомізованих моделей мережа Web3 може поступово стати більш економічно вигідним та доступним джерелом обчислювальних ресурсів.
Так само, коли попит на виведення перевищує можливості особистих крайових пристроїв, деякі споживачі можуть обрати мережу Web3 для отримання менш цензурованого та більш різноманітного виходу. На відміну від спроби повністю зруйнувати весь технологічний стек AI, учасники Web3 повинні більше зосередитися на цих сегментах і максимально використати свої унікальні переваги в антицензурності, прозорості та соціальній верифікації.
Ресурси апаратного забезпечення, необхідні для навчання наступного покоління базових моделей (таких як GPT або BERT), є дефіцитними та дорогими, попит на найпотужніші чіпи залишатиметься вищим за пропозицію. Ця дефіцитність ресурсів призводить до концентрації апаратного забезпечення в руках небагатьох великокапіталовкладних підприємств, які використовують це обладнання для навчання та комерціалізації найпродуктивніших та найскладніших базових моделей.
Однак швидкість оновлення апаратного забезпечення дуже висока. Отже, як будуть використовуватись застарілі моделі середнього або низького класу?
Ці апаратні засоби, ймовірно, будуть використовуватися для навчання простіших або більш цільових моделей. Відповідне співвідношення різних категорій моделей з різними апаратними засобами може забезпечити оптимальну конфігурацію ресурсів. У цьому випадку протокол Web3 може зіграти ключову роль, координуючи доступ до різноманітних, низькозатратних обчислювальних ресурсів. Наприклад, споживачі можуть використовувати прості моделі середнього класу, навчання яких базується на особистих наборах даних, і лише при виконанні більш складних завдань обирати висококласні моделі, які були навчені та розміщені централізованими підприємствами, при цьому забезпечуючи прихованість особистості користувача та шифрування даних запитів.
Окрім проблеми ефективності, занепокоєння щодо упередженості та потенційної цензури в централізованих моделях також зростає. Середовище Web3 славиться своєю прозорістю та можливістю верифікації, здатне надавати навчальну підтримку для моделей, які були проігноровані Web2 або вважалися занадто чутливими. Ці моделі, хоча й можуть не бути конкурентоспроможними за продуктивністю та інноваціями, все ж мають важливе значення для певних соціальних груп. Таким чином, протокол Web3 може створити унікальний ринок, надаючи більш відкриті, надійні та антицензурні послуги навчання моделей.
Спочатку централізовані та децентралізовані підходи можуть співіснувати, кожен обслуговуючи різні випадки використання. Однак, з постійним поліпшенням досвіду розробників та сумісності платформ у Web3, а також поступовим проявом мережевого ефекту відкритого штучного інтелекту, Web3 може зрештою почати змагатися в ключових сферах централізованих підприємств. Особливо коли споживачі все більше усвідомлюють обмеження централізованих моделей, переваги Web3 стануть ще більш виразними.
Окрім навчання моделей середнього класу або спеціалізованих моделей, учасники Web3 також мають перевагу у наданні більш прозорих та гнучких рішень для виведення. Децентралізовані послуги виведення можуть приносити різноманітні переваги, такі як нульовий час простою, модульне комбінування моделей, публічна оцінка продуктивності моделей та більш різноманітний, безцензурний вихід. Ці послуги також можуть ефективно уникнути проблеми "прив'язки до постачальника", з якою стикаються споживачі, залежні від небагатьох централізованих постачальників. Як і в навчанні моделей, конкурентні переваги децентралізованого шару виведення полягають не в самій обчислювальній потужності, а в рішенні деяких давно існуючих проблем, таких як непрозорість параметрів налаштування закритого коду, брак верифікації та високі витрати.
Ден Ольшанський висловив дуже перспективну ідею створення через мережу маршрутизації виведення AI POKT більше можливостей для дослідників та інженерів AI, щоб вони могли втілити свої дослідження в практику та отримувати додатковий дохід через кастомізовані моделі машинного навчання (ML) або штучного інтелекту (AI). Що більш важливо, ця мережа, об'єднуючи результати виведення з різних джерел (включаючи децентралізованих та централізованих постачальників), може сприяти більш справедливій конкуренції на ринку виведення послуг.
Хоча оптимістичні прогнози вважають, що весь технологічний стек AI в майбутньому може повністю перейти на ланцюг, наразі ця мета все ще стикається з величезними викликами концентрації даних і обчислювальних ресурсів, оскільки ці ресурси надають існуючим гігантам значну конкурентну перевагу. Однак децентралізовані координаційні та обчислювальні мережі демонструють унікальну цінність у наданні більш персоналізованих, економічних, відкритих для конкуренції та антицензурних AI-сервісів. Зосередившись на найбільш критичних сегментах цих цінностей, Web3 може створити власні конкурентні бар'єри, забезпечивши спільний розвиток найзначніших технологій епохи в різних напрямках, на користь ширшого кола зацікавлених сторін, а не для монополії небагатьох традиційних гігантів.
Наостанок, я хотів би особливо подякувати всім членам команди Placeholder Investment, а також Кайлу Самані з Multicoin Capital, Ананду Айєру з Canonical VC, Кеккаку Вонгу з Nectar AI, Альпіну Юкселоглу з Osmosis Labs та Кемерону Денісу з NEAR Foundation за їхні відгуки та цінні коментарі під час написання цієї статті.