AI phi tập trung và bằng chứng không có kiến ​​thức có thể dân chủ hóa điện toán như thế nào

Tác giả: Mahesh Ramakrishnan, Vinayak Kurup, CoinDesk; Người biên dịch: Tao Zhu, Golden Finance

Vào cuối tháng 7, Mark Zuckerberg đã viết một lá thư giải thích lý do tại sao “nguồn mở là điều cần thiết cho một tương lai AI tích cực”, trong đó ông ca ngợi sự cần thiết phải phát triển AI nguồn mở. Người sáng lập tuổi teen ngốc nghếch một thời giờ đã trở thành "Zuckerberg", người trượt nước, đeo dây chuyền vàng và tập jujitsu, đồng thời được biết đến như vị cứu tinh cho sự phát triển mô hình nguồn mở.

Nhưng cho đến nay, anh và nhóm Meta vẫn chưa nêu chi tiết cách thức triển khai các mô hình này. Khi độ phức tạp của mô hình tăng lên trong các yêu cầu tính toán, liệu chúng ta có chịu khuất phục trước một hình thức tập trung tương tự nếu việc triển khai mô hình được kiểm soát bởi một số ít tác nhân không? AI phi tập trung hứa hẹn sẽ giải quyết được thách thức này, nhưng công nghệ này đòi hỏi những tiến bộ về mật mã hàng đầu trong ngành và các giải pháp kết hợp độc đáo.

Không giống như các nhà cung cấp đám mây tập trung, AI phi tập trung (DAI) phân phối các quy trình tính toán suy luận và đào tạo AI trên nhiều hệ thống, mạng và địa điểm. Nếu được triển khai đúng cách, các mạng này—mạng cơ sở hạ tầng vật lý phi tập trung (DePIN)—sẽ mang lại lợi ích về khả năng chống kiểm duyệt, khả năng truy cập máy tính và chi phí.

DAI phải đối mặt với những thách thức trong hai lĩnh vực chính: môi trường AI và cơ sở hạ tầng phi tập trung. So với các hệ thống tập trung, DAI yêu cầu các biện pháp bảo vệ bổ sung để ngăn chặn truy cập trái phép vào các chi tiết mô hình hoặc hành vi trộm cắp và sao chép thông tin độc quyền. Do đó, có một cơ hội chưa được khai thác triệt để đối với các nhóm tập trung vào các mô hình nguồn mở nhưng nhận ra những nhược điểm tiềm ẩn về hiệu suất của các mô hình nguồn mở so với các mô hình nguồn đóng.

Các hệ thống phi tập trung đặc biệt phải đối mặt với những trở ngại liên quan đến tính toàn vẹn của mạng và chi phí tài nguyên. Ví dụ: việc phân phối dữ liệu khách hàng trên các nút khác nhau sẽ tạo ra nhiều vectơ tấn công hơn. Kẻ tấn công có thể quay một nút và phân tích các tính toán của nó, cố gắng chặn việc truyền dữ liệu giữa các nút hoặc thậm chí đưa ra các thành kiến ​​làm giảm hiệu suất hệ thống. Ngay cả trong các mô hình suy luận phi tập trung an toàn cũng phải có cơ chế kiểm tra quá trình tính toán. Các nút tiết kiệm chi phí tài nguyên bằng cách hiển thị các phép tính không đầy đủ và việc xác minh rất phức tạp do thiếu người tham gia tập trung đáng tin cậy.

Không có bằng chứng kiến ​​thức

Bằng chứng không có kiến ​​thức (ZKP), mặc dù hiện bị cấm về mặt tính toán nhưng lại là một giải pháp tiềm năng cho một số thách thức của DAI. ZKP là một cơ chế mật mã cho phép một bên (người chứng minh) thuyết phục một bên khác (người xác minh) ​​về tính xác thực của một tuyên bố mà không tiết lộ bất kỳ chi tiết nào về chính tuyên bố đó, ngoại trừ tính hợp lệ của nó. Bằng chứng này có thể được các nút khác xác minh nhanh chóng và cung cấp cho mỗi nút một cách để chứng minh rằng nó hoạt động phù hợp với giao thức. Việc thể hiện sự khác biệt về mặt kỹ thuật giữa hệ thống và việc triển khai nó (sẽ nói thêm về điều này sau) là điều quan trọng đối với các nhà đầu tư trong lĩnh vực này.

Điện toán tập trung giới hạn việc đào tạo mô hình cho một số ít người tham gia có vị trí tốt và giàu tài nguyên. ZKP có thể là một phần trong việc giải phóng tính toán nhàn rỗi trên phần cứng của người tiêu dùng; ví dụ: MacBook có thể sử dụng băng thông tính toán bổ sung của nó để giúp đào tạo các mô hình ngôn ngữ lớn đồng thời kiếm được mã thông báo cho người dùng.

Triển khai hoạt động đào tạo hoặc suy luận phi tập trung bằng cách sử dụng phần cứng dành cho người tiêu dùng là trọng tâm của các nhóm như Gensyn và Inference Labs; không giống như các mạng điện toán phi tập trung như Akash hay Render, phân mảnh điện toán làm tăng thêm độ phức tạp, cụ thể là các vấn đề về dấu phẩy động. Việc tận dụng các tài nguyên điện toán phân tán nhàn rỗi sẽ mở ra cơ hội cho các nhà phát triển nhỏ thử nghiệm và đào tạo mạng của riêng họ—miễn là họ có quyền truy cập vào các công cụ giải quyết các thách thức liên quan.

Hiện tại, các hệ thống ZKP dường như đắt hơn bốn đến sáu bậc so với việc chạy tính toán cục bộ, khiến việc sử dụng ZKP rất chậm đối với các tác vụ yêu cầu tính toán cao (chẳng hạn như đào tạo mô hình) hoặc độ trễ thấp (chẳng hạn như suy luận mô hình). Để so sánh, mức giảm sáu bậc có nghĩa là các hệ thống tiên tiến (như Jolt của a16z) chạy trên chip M3 Max sẽ thể hiện các chương trình chậm hơn 150 lần so với chạy trên máy tính vẽ đồ thị TI-84.

Khả năng xử lý lượng lớn dữ liệu của AI khiến nó tương thích với các bằng chứng không có kiến ​​thức (ZKP), nhưng cần có nhiều tiến bộ hơn về mật mã trước khi ZKP có thể được sử dụng rộng rãi. Công việc đang được thực hiện bởi các nhóm như Irreducible (người đã thiết kế hệ thống chứng minh và sơ đồ cam kết Binius), Gensyn, TensorOpera, Hellas và Inference Labs sẽ là một bước quan trọng để hiện thực hóa tầm nhìn này. Tuy nhiên, mốc thời gian vẫn còn quá lạc quan, vì sự đổi mới thực sự đòi hỏi thời gian và những tiến bộ về mặt toán học.

Đồng thời, cần lưu ý các khả năng và giải pháp kết hợp khác. HellasAI và các công ty khác đang phát triển các cách biểu diễn mô hình và tính toán mới cho phép các trò chơi thử thách lạc quan, chỉ cho phép tập hợp con các tính toán cần được xử lý trong điều kiện không có kiến ​​thức. Bằng chứng lạc quan chỉ hoạt động nếu có mối đe dọa đáng tin cậy về việc đặt cược, khả năng chứng minh hành vi sai trái và các nút khác trong hệ thống đang kiểm tra tính toán. Một phương pháp khác do Inference Labs phát triển sẽ xác thực một tập hợp con các truy vấn, trong đó nút cam kết tạo ZKP bằng tiền gửi nhưng chỉ cung cấp bằng chứng nếu khách hàng thách thức nó lần đầu tiên.

Tóm tắt

Đào tạo và suy luận AI phi tập trung sẽ đóng vai trò như một biện pháp bảo vệ chống lại một số người chơi lớn đang củng cố quyền lực trong khi mở khóa điện toán không thể tiếp cận trước đây. ZKP sẽ không thể thiếu để hiện thực hóa tầm nhìn này. Máy tính của bạn sẽ có thể giúp bạn kiếm được tiền thật mà bạn không hề nhận ra bằng cách sử dụng sức mạnh xử lý bổ sung ở chế độ nền. Bằng chứng ngắn gọn rằng các tính toán được thực hiện chính xác sẽ khiến việc khai thác lòng tin của các nhà cung cấp đám mây lớn nhất trở nên không cần thiết, cho phép các mạng máy tính với các nhà cung cấp nhỏ hơn thu hút khách hàng doanh nghiệp.

Mặc dù các bằng chứng không có kiến ​​thức sẽ tạo điều kiện cho tương lai này và trở thành một phần quan trọng không chỉ của các mạng tính toán (như tầm nhìn của Ethereum về tính hữu hạn của một khe cắm), nhưng chi phí tính toán của chúng vẫn là một trở ngại. Một giải pháp kết hợp kết hợp cơ chế lý thuyết trò chơi của các trò chơi lạc quan với việc sử dụng có chọn lọc các bằng chứng không có kiến ​​thức là một giải pháp tốt hơn và có thể sẽ trở thành điểm cầu nối phổ biến cho đến khi ZKP trở nên nhanh hơn.

Đối với cả các nhà đầu tư tiền điện tử bản địa và không phải bản địa, việc hiểu được giá trị và thách thức của hệ thống AI phi tập trung là rất quan trọng để triển khai vốn một cách hiệu quả. Nhóm cần có câu trả lời cho các câu hỏi về bằng chứng tính toán nút và dự phòng mạng. Ngoài ra, như chúng tôi đã quan sát thấy trong nhiều dự án DePIN, quá trình phân quyền diễn ra theo thời gian và điều quan trọng là nhóm phải có kế hoạch rõ ràng để đạt được tầm nhìn này. Việc giải quyết các thách thức liên quan đến điện toán DePIN là rất quan trọng để trao lại quyền kiểm soát cho các cá nhân và nhà phát triển nhỏ—một phần thiết yếu để giữ cho hệ thống của chúng tôi luôn mở, miễn phí và chống kiểm duyệt.