الذكاء الاصطناعي اللامركزي: سيناريوهات التطبيق ومخزون المشروع الرئيسي

المؤلف: كيسي، شريك الاستثمار النموذجي؛ الترجمة: Golden Finance xiaozou

أعتقد أن الانفتاح يجلب الابتكار. في السنوات الأخيرة، حقق الذكاء الاصطناعي تطورا سريعا وأصبح له فائدة وتأثير عالمي. نظرًا لأن قوة الحوسبة تزداد مع تكامل الموارد، فمن الطبيعي أن يؤدي الذكاء الاصطناعي إلى ظهور مشاكل مركزية، وسيهيمن الطرف الذي يتمتع بقدرة حاسوبية أقوى تدريجيًا. وهذا سوف يعيق وتيرة الابتكار لدينا. أعتقد أن اللامركزية وWeb3 منافسان قويان لإبقاء الذكاء الاصطناعي مفتوحًا.

1، الحوسبة اللامركزية للتدريب المسبق والضبط الدقيق

حوسبة التعهيد الجماعي (وحدات المعالجة المركزية + وحدات معالجة الرسومات)

التعليقات الداعمة: يمكن توسيع نموذج موارد التعهيد الجماعي لـ airbnb/uber في مجال الحوسبة ، سيتم تجميع موارد الحوسبة الخاملة في السوق. قد يعالج هذا مشكلات مثل توفير موارد حوسبة أرخص لحالات استخدام معينة (التعامل مع بعض حالات الفشل في وقت التوقف عن العمل/زمن الاستجابة) واستخدام موارد حوسبة مقاومة للرقابة لتدريب النماذج التي قد يتم تنظيمها أو حظرها في المستقبل.

اعتراض: لا يمكن للحوسبة الجماعية أن تحقق وفورات الحجم؛ فمعظم وحدات معالجة الرسوميات عالية الأداء ليست مملوكة للمستهلكين. الحوسبة اللامركزية هي مفارقة كاملة، فهي في الواقع عكس الحوسبة عالية الأداء... فقط اسأل أي مهندس بنية تحتية/تعلم آلي إذا كنت لا تصدقني!

أمثلة المشروع: Akash، Render، io.net، Ritual، Hyperbolic، Gensyn

2، الاستدلال اللامركزي

تشغيل الاستدلال النموذجي مفتوح المصدر بطريقة لامركزية

التعليقات الداعمة: يقترب نموذج المصدر المفتوح (OS) من نموذج المصدر المغلق في بعض الجوانب ويكتسب المزيد والمزيد من الاعتماد. يستخدم معظم الأشخاص خدمات مركزية مثل HuggingFace أو Replicate لتشغيل استدلال نموذج نظام التشغيل، مما يثير مخاوف تتعلق بالخصوصية والرقابة. أحد الحلول هو تشغيل الاستدلال من خلال مزود لامركزي أو موزع.

اعتراض: ليست هناك حاجة إلى لامركزية الاستدلال، فالاستدلال المحلي سيكون هو الفائز النهائي. يتم الآن إصدار الرقائق المتخصصة التي يمكنها التعامل مع استدلال نموذج المعلمة 7b+. إن الحوسبة المتطورة هي الحل الذي نقدمه لمقاومة الخصوصية والرقابة.

أمثلة المشروع: Ritual، gpt4all (مستضاف)، Ollama (web2)، Edgellama (Web3، P2P Ollama)، Petals

3، على السلسلةAIذكي

استخدام التعلم الآلي قيد التشغيل -chainالتطبيقات

تعليقات الدعم: يحتاج وكلاء الذكاء الاصطناعي (التطبيقات التي تستخدم الذكاء الاصطناعي) إلى طبقة تنسيق لإجراء المعاملات. بالنسبة لوكلاء الذكاء الاصطناعي، من الطبيعي استخدام العملة المشفرة للدفع، لأنها تقنية رقمية بحد ذاتها، ومن الواضح أن الوكلاء لا يمكنهم فتح حسابات مصرفية من خلال شهادة KYC. لا يواجه وكلاء الذكاء الاصطناعي البشري اللامركزي حتى الآن مخاطر النظام الأساسي. على سبيل المثال، يمكن أن تقرر OpenAI فجأة تغيير بنية المكون الإضافي ChatGPT، مما قد يؤدي إلى تعطيل المكون الإضافي Talk2Books الخاص بي، دون أي إشعار مسبق. هذا يحدث حقا. لا يواجه الوكلاء الذين تم إنشاؤهم في السلسلة مثل هذه المخاطر على النظام الأساسي.

اعتراض: الوكلاء ليسوا جاهزين للإنتاج... على الإطلاق. BabyAGI وAutoGPT وما إلى ذلك كلها ألعاب!بالإضافة إلى ذلك، بالنسبة للمدفوعات، يمكن للكيان الذي ينشئ وكيل الذكاء الاصطناعي استخدام Stripe API دون دفعات مشفرة. أما بالنسبة لحجة مخاطر النظام الأساسي، فهي حالة استخدام مبتذلة للعملات المشفرة التي لم نشهد تنفيذها بعد... لماذا تختلف هذه المرة؟

Project أمثلة ： AI Arena وMyShell وOperator.io وFetch.ai

4 ومصادر البيانات والنماذج

الإدارة المستقلة وجمع القيمة للبيانات ونماذج التعلم الآلي

التعليقات الداعمة: يجب أن تنتمي ملكية البيانات إلى الشخص الذي قام بإنشاء مستخدمي البيانات، وليس الشركات التي تقوم بجمع البيانات. تعد البيانات المورد الأكثر قيمة في العصر الرقمي، ولكنها تحتكرها شركات التكنولوجيا الكبرى ولها أداء مالي ضعيف. إن شبكة الويب شديدة التخصيص قادمة، وتتطلب بيانات ونماذج محمولة. سنقوم بنقل بياناتنا ونماذجنا من تطبيق إلى آخر عبر الإنترنت، تمامًا كما ننقل محافظ العملات المشفرة الخاصة بنا بين التطبيقات اللامركزية (dapps) المختلفة. تشكل مصادر البيانات مشكلة كبيرة، خاصة وأن الاحتيال أصبح أكثر خطورة، وحتى بايدن اعترف بذلك. قد تكون بنية Blockchain هي الحل الأفضل للغز مصدر البيانات.

اعتراض: لا أحد يهتم بامتلاك بياناته أو خصوصيته. لقد رأينا هذا مرارًا وتكرارًا مع تفضيلات المستخدم. ما عليك سوى إلقاء نظرة على عدد الاشتراكات على Facebook/Instagram! في نهاية المطاف، سيثق الناس في OpenAI فيما يتعلق ببيانات التعلم الآلي الخاصة بهم. لنواجه الأمر.

أمثلة المشروع: Vana، Rainfall

5، الجيل حوافز العملاتالتطبيقات (مثلالتطبيقات المصاحبة)

ImagineCharacter.ai >الحصول على مكافآت الرموز المميزة للتشفير

التعليقات الداعمة: تعتبر حوافز الرموز المميزة للتشفير فعالة جدًا في تمهيد الشبكات والسلوكيات. سنرى عددًا كبيرًا من التطبيقات التي تركز على الذكاء الاصطناعي تتبنى هذه الآلية. يعد رفقاء الذكاء الاصطناعي سوقًا مقنعًا، ونعتقد أن هذه المنطقة ستكون سوقًا محلية للذكاء الاصطناعي تبلغ قيمتها عدة تريليونات من الدولارات. في عام 2022، سينفق الأمريكيون أكثر من 130 مليار دولار أمريكي على الحيوانات الأليفة؛ والتطبيقات المصاحبة للذكاء الاصطناعي هي حيوانات أليفة 2.0. لقد رأينا بالفعل أن التطبيقات المصاحبة للذكاء الاصطناعي قد حققت ملاءمة لسوق المنتج، حيث بلغ متوسط ​​مدة الجلسة على Character.ai أكثر من ساعة واحدة. لن نتفاجأ عندما نرى منصة محفزة بالعملات المشفرة تستحوذ على حصة سوقية في هذا القطاع وغيره من قطاعات تطبيقات الذكاء الاصطناعي.

اعتراض: هذا مجرد امتداد لهوس المضاربة في العملات المشفرة ولن يدوم. الرموز هي تكلفة اكتساب العميل للويب 3.0. ألم نتعلم درسًا من Axie Infinity؟

أمثلة على المشاريع: MyShell، Deva

6، Generation عمليات التعلم الآلي المحفزة بالعملة المعدنية (مثل التدريب،RLHF، والاستدلال)

تخيلScaleAI باستخدام التشفير الرموز المميزة مكافآت العملات

التعليقات الداعمة: يمكن استخدام حوافز العملات المشفرة في جميع أنحاء سير عمل التعلم الآلي لتحفيز السلوكيات مثل تحسين الأوزان والضبط الدقيق وRLHF وما إلى ذلك - مع الحكم البشري، يتم إخراج النموذج لمزيد من الضبط الدقيق.

اعتراض: تعد MLOps (عمليات التعلم الآلي) حالة استخدام سيئة لمكافآت العملة المشفرة لأن الجودة مهمة للغاية. في حين أن الرموز المشفرة جيدة في تحفيز سلوك المستهلك عندما لا يكون هناك مشكلة في الإنتروبيا، إلا أنها ليست جيدة في تنسيق السلوك عندما تكون الجودة والدقة أمرًا بالغ الأهمية.

أمثلة المشروع: BitTensor، Ritual

7، سلسلة إمكانية التحقق على السلسلة (ZKML)

إثبات النماذج التي يمكن تشغيلها بشكل فعال على السلسلة والتوصيل إلى عالم العملات المشفرة

الدعم: ستؤدي إمكانية التحقق من النموذج على السلسلة إلى فتح إمكانية التركيب، مما يعني أنه يمكنك الاستفادة من المخرجات المدمجة في حقلي DeFi والتشفير. في غضون 5 سنوات، عندما يكون لدينا وكلاء يديرون نماذج طبية لفحص أجسادنا دون الحاجة إلى الذهاب إلى المستشفى لرؤية الطبيب، سنحتاج إلى طريقة ما للتحقق من صحة معرفتهم والنموذج الذي تم استخدامه لتشخيصهم. إن إمكانية التحقق من النموذج تشبه سمعة الذكاء.

اعتراض: لا يحتاج أحد إلى التحقق من النموذج الذي يتم تشغيله. وهذا أقل ما يقلقنا. نحن نضع العربة أمام الحصان. لا أحد يقوم بتشغيل llama2 دون خوف من تشغيل النماذج الأخرى في الخلفية. هذا نتيجة لحقيقة أن التشفير (براهين المعرفة الصفرية) يسعى عمدًا إلى إيجاد مشكلة لحلها، والضجيج المحيط ببراهين المعرفة الصفرية (ZK) يجذب الكثير من تمويل رأس المال الاستثماري.

أمثلة على المشاريع: Modulus Labs، UpShot، EZKL