Tác giả gốc |
Biên dịch Golem |
Sự tiến bộ của các công nghệ AI như GPT-4, Gemini 1.5 và Microsoft AI PC rất ấn tượng, nhưng sự phát triển hiện tại của AI vẫn đang gặp phải một số vấn đề. Bill, nhà nghiên cứu Web3 tại AppWorks, đã nghiên cứu sâu các vấn đề và thảo luận về cách Crypto có thể giải quyết. trợ giúp 7 hướng trao quyền cho AI.
Mã thông báo dữ liệu
Việc đào tạo AI truyền thống chủ yếu dựa vào dữ liệu công khai có sẵn trên Internet, hay chính xác hơn là dữ liệu lưu lượng truy cập trong phạm vi công cộng. Ngoại trừ một số công ty cung cấp API mở, hầu hết dữ liệu vẫn chưa được khai thác. Làm cách nào để cho phép nhiều chủ sở hữu dữ liệu hơn đóng góp hoặc ủy quyền dữ liệu của họ cho hoạt động đào tạo AI trong khi vẫn đảm bảo quyền riêng tư được bảo vệ là hướng đi chính.
Tuy nhiên, thách thức lớn nhất mà lĩnh vực này phải đối mặt là dữ liệu khó tiêu chuẩn hóa như sức mạnh tính toán. Mặc dù sức mạnh tính toán phân tán có thể được định lượng theo loại GPU nhưng số lượng, chất lượng và mức sử dụng dữ liệu riêng tư rất khó đo lường. Nếu sức mạnh tính toán phân tán giống như ERC 20 thì việc mã hóa tập dữ liệu giống như ERC 721, khiến tính thanh khoản và hình thành thị trường trở nên khó khăn hơn ERC 20.
Tính năng Điện toán thành dữ liệu của Ocean Protocol cho phép chủ sở hữu dữ liệu bán dữ liệu riêng tư đồng thời bảo vệ quyền riêng tư. Vana cung cấp cho người dùng Reddit cách tổng hợp dữ liệu và bán dữ liệu đó cho các công ty đào tạo các mô hình AI lớn.
Phân bổ nguồn lực
Hiện tại, có một khoảng cách rất lớn giữa cung và cầu sức mạnh tính toán GPU và các công ty lớn độc quyền hầu hết tài nguyên GPU, khiến chi phí đào tạo mô hình cho các công ty nhỏ rất cao. Nhiều nhóm đang nỗ lực giảm chi phí bằng cách tập trung tài nguyên GPU có mức sử dụng cao, quy mô nhỏ thông qua các mạng phi tập trung, nhưng họ vẫn phải đối mặt với những thách thức lớn trong việc đảm bảo sức mạnh tính toán ổn định và đủ băng thông.
RLHF động lực
RLHF (học tăng cường dựa trên phản hồi của con người) rất quan trọng để cải thiện các mô hình lớn, nhưng nó đòi hỏi phải được đào tạo chuyên môn. Khi sự cạnh tranh trên thị trường tăng lên, chi phí thuê những chuyên gia này cũng tăng theo. Để giảm chi phí trong khi vẫn duy trì chú thích chất lượng cao, có thể sử dụng hệ thống đặt cược và cắt giảm. Một trong những chi phí lớn nhất của việc chú thích dữ liệu là cần có người giám sát kiểm tra chất lượng. Tuy nhiên, trong những năm qua, blockchain đã sử dụng thành công các cơ chế khuyến khích kinh tế để đảm bảo chất lượng công việc (PoW, PoS) và người ta tin rằng việc tạo ra một hệ thống kinh tế mã thông báo tốt có thể giảm chi phí của RLHF một cách hiệu quả.
Ví dụ: Sapien AI đã giới thiệu Tag 2 Earn và hợp tác với nhiều hiệp hội gamefi; Hivemapper có 2 triệu km dữ liệu đào tạo đường bộ thông qua cơ chế khuyến khích mã thông báo QuillAudits có kế hoạch ra mắt một đại lý kiểm tra hợp đồng thông minh nguồn mở, cho phép tất cả các kiểm toán viên cùng đào tạo; đại lý và nhận được tiền thưởng.
Khả năng kiểm chứng
Làm cách nào để xác minh xem nhà cung cấp năng lượng tính toán có thực hiện các tác vụ suy luận theo yêu cầu hoặc mô hình cụ thể hay không? Người dùng không thể xác minh tính xác thực và chính xác của mô hình AI cũng như đầu ra của nó. Việc thiếu khả năng xác minh này có thể dẫn đến sự ngờ vực, sai sót và thậm chí gây tổn hại trong các lĩnh vực như tài chính, y tế và luật pháp.
Bằng cách sử dụng các hệ thống xác minh mật mã như ZKP, OP và TEE, các nhà cung cấp dịch vụ suy luận có thể chứng minh rằng đầu ra được thực hiện bởi một mô hình cụ thể. Lợi ích của việc sử dụng xác minh bằng mật mã bao gồm việc nhà cung cấp mô hình có thể duy trì tính bảo mật của mô hình, người dùng có thể xác minh rằng việc thực thi mô hình là chính xác và việc tích hợp mật mã bằng chứng vào hợp đồng thông minh có thể tránh được những hạn chế về sức mạnh tính toán của chuỗi khối. Đồng thời, bạn cũng có thể cân nhắc việc chạy AI trực tiếp trên thiết bị để giải quyết các vấn đề về hiệu năng, nhưng cho đến nay chúng ta vẫn chưa thấy câu trả lời thỏa đáng. Các dự án xây dựng trong lĩnh vực này bao gồm Ritual, ORA và Aizel Network.
giả sâu
Với sự xuất hiện của AI sản xuất, mọi người ngày càng chú ý hơn đến vấn đề làm giả sâu (DeepFake). Tuy nhiên, công nghệ deepfake đang tiến bộ nhanh hơn công nghệ phát hiện nên việc phát hiện deepfake ngày càng trở nên khó khăn. Mặc dù các công nghệ đóng dấu kỹ thuật số (như C 2 PA) có thể giúp xác định hàng giả sâu nhưng chúng cũng có những hạn chế vì hình ảnh đã xử lý đã bị sửa đổi và công chúng không thể xác minh chữ ký trên ảnh gốc. Chỉ với hình ảnh đã xử lý, việc xác minh sẽ trở thành chữ ký. đã rất khó khăn.
Công nghệ chuỗi khối có thể giải quyết vấn đề deepfake theo một số cách. Xác thực phần cứng có thể sử dụng camera chip chống giả mạo để nhúng bằng chứng mật mã vào mỗi ảnh gốc nhằm xác minh tính xác thực của ảnh. Chuỗi khối là bất biến, cho phép thêm hình ảnh có siêu dữ liệu vào các khối được đánh dấu thời gian, ngăn chặn việc giả mạo và xác minh nguồn gốc. Ngoài ra, ví có thể được sử dụng để đính kèm chữ ký mật mã vào các bài đăng đã xuất bản nhằm xác minh quyền tác giả của nội dung đã xuất bản và cơ sở hạ tầng KYC dựa trên công nghệ zk có thể liên kết ví với danh tính đã được xác minh đồng thời bảo vệ quyền riêng tư của người dùng. Từ góc độ khuyến khích kinh tế, tác giả phải bị trừng phạt vì xuất bản thông tin sai lệch và người dùng có thể được khen thưởng nếu xác định được thông tin sai lệch.
Numbers Protocol đã hoạt động trong không gian này trong nhiều năm; Công cụ xác minh của Fox News dựa trên chuỗi khối Polygon, cho phép người dùng tìm các bài viết và truy xuất dữ liệu liên quan từ chuỗi khối.
sự riêng tư
Khi các mô hình AI được cung cấp thông tin nhạy cảm trong các lĩnh vực như tài chính, y tế và luật, việc bảo vệ quyền riêng tư dữ liệu trong khi sử dụng là vô cùng quan trọng. Mã hóa đồng hình (FHE) có thể xử lý dữ liệu mà không cần giải mã, từ đó bảo vệ quyền riêng tư khi sử dụng mô hình LLM. Quy trình làm việc như sau:
Người dùng bắt đầu quá trình suy luận trên thiết bị cục bộ và dừng lại sau khi hoàn thành lớp ban đầu. Lớp ban đầu này không có trong mô hình được chia sẻ với máy chủ;
Máy khách mã hóa các hoạt động trung gian và chuyển tiếp chúng đến máy chủ;
Máy chủ thực hiện xử lý cơ chế chú ý một phần trên dữ liệu được mã hóa này và gửi kết quả lại cho máy khách;
Máy khách giải mã kết quả và tiếp tục suy luận cục bộ. Bằng cách này, FHE đảm bảo rằng quyền riêng tư của dữ liệu người dùng được bảo vệ trong toàn bộ quá trình xử lý.
Zama đang xây dựng một giải pháp mã hóa đồng cấu hoàn toàn (FHE) và gần đây đã huy động được 73 triệu USD tài trợ để hỗ trợ phát triển.
đặc vụ AI
Ý tưởng về các đại lý AI rất tương lai sẽ như thế nào nếu các đại lý AI có thể sở hữu tài sản và thực hiện các giao dịch? Có thể có sự chuyển đổi từ việc sử dụng các mô hình lớn có mục đích chung để hỗ trợ việc ra quyết định sang giao nhiệm vụ cho các cơ quan chuyên môn.
Các tác nhân này sẽ cộng tác với nhau và cũng giống như các mối quan hệ kinh tế lành mạnh có thể cải thiện sự hợp tác của con người, việc bổ sung các mối quan hệ kinh tế cho các tác nhân AI cũng có thể cải thiện hiệu quả của chúng. Blockchain có thể là nơi thử nghiệm khái niệm này. Ví dụ: Colony đang thử nghiệm ý tưởng này thông qua trò chơi, cung cấp ví cho các tác nhân AI giao dịch với các tác nhân khác hoặc người chơi thực để đạt được các mục tiêu cụ thể.
Phần kết luận
Hầu hết các câu hỏi thực sự liên quan đến AI nguồn mở. Để đảm bảo rằng một công nghệ quan trọng như vậy sẽ không bị một số công ty độc quyền trong thập kỷ tới, hệ thống kinh tế mã thông báo có thể nhanh chóng sử dụng các tài nguyên máy tính phi tập trung và bộ dữ liệu đào tạo, thu hẹp khoảng cách tài nguyên giữa AI nguồn mở và AI nguồn đóng. Blockchain có thể theo dõi hoạt động đào tạo và suy luận của AI để quản trị dữ liệu tốt hơn, trong khi mật mã có thể đảm bảo niềm tin trong thời kỳ hậu AI và giải quyết các vấn đề về deepfake và bảo vệ quyền riêng tư.
Đọc liên quan
Một bài viết đề cập đến các hướng dẫn và giao thức triển khai tiền điện tử được hỗ trợ bởi AI
