暗号はAIの幻想である

コンピューティングパワーは、自作とクラウドコンピューティングパワーリースの2つのモードに分かれています。 GPUハードウェアは現在NVIDIAが独占しており、CUDAライブラリは旧来のHuangによって長年準備されてきました。現在、ハードウェアとソフトウェアのエコシステムが独占しており、マイクロソフトのAzure、Google Cloud、AWSなどのクラウドサービスベンダーによるコンピューティングパワーリースがそれに続きます。

モデルは、フレームワークとアルゴリズムの2つに分けることができ、モデルの戦いは、GoogleのTensorFlowが先で、MetaのPyTorchが後という形で幕を閉じましたが、TransFomerを出したGoogleも、PyTorchを持つMetaも、商用化ではOpenAIに徐々に遅れをとっています。しかし、GoogleもPyTorchを持つMetaも、商用化ではOpenAIに徐々に遅れをとっているが、その実力はまだまだ侮れない。アルゴリズムは今のところTransformerが主流で、各種ビッグモデルはデータソースやオープンボリュームの詳細が中心。center;">AI in action

前述のように、AIには幅広い用途があり、Vitalik氏が挙げたようなコード修正も長い間使われてきました。では、別の視点から見てみると、CryptoはAIのために何ができるのでしょうか?CryptoがAIのためにできることは、分散型データマーケットプレイス、分散型演算プラットフォームなど、主に非技術的な分野に集中している。分散型LLMではいくつかの実践があるが、AIでCryptoコードを分析することは、ブロックチェーン上でAIモデルを大規模に実行することとは全く同じではないことに注意。を組み合わせることだ。

Cryproは生産とインセンティブにおいてまだ優れており、CryptoでAIの生産パラダイムを変える必要はありません。 CryptoはAIのワークフローに統合される合理的な選択肢であり、AIはCryptoに力を与えます。

1. DePIN のデータ収集のような非中央集権的なデータ生産、およびチェーン上のデータのオープン性は、金融分析、セキュリティ分析、およびトレーニングデータに使用できる取引データの鉱山を保持しています;

2. 分散化された前処理プラットフォーム、従来の前処理トレーニングにはスケール不可能な技術的障壁はなく、ヨーロッパやアメリカの大きなモデルの背後には、第三世界の手作業によるアノテーターの激しい労働があります;

3. 分散化された演算プラットフォーム、個人の帯域幅やGPU演算能力などのソフトウェアやハードウェアリソースの分散化されたインセンティブと使用;

   zkML、従来のデータ非感覚化、その他のプライバシー手段は、問題に対する完全な解決策ではありません。zkMLはデータポインタを隠すことができるだけでなく、オープンソースやクローズドソースのモデルの信憑性や妥当性を効果的に評価することができます。

これら4つの視点は、私が思いつくシナリオです。CryptoはAIのイネーブラになり得る、AIは普遍的なツールである、AI  For。Cryptoの分野やプロジェクトが繰り返されることはなく、自分で勉強することができる。

Cryptoを見つけることができ、Cryptoは現在、主に暗号化、プライバシー保護と経済設計の役割を果たす唯一のzkMLの技術的な組み合わせでいくつかの試みを持っている、ここでは、脳内の穴を開くことができます、ソラナTPSの将来は本当に10万 +に実行することができます場合は、Filecoinとソラナ完璧な言葉と組み合わせることで、チェーンのLLM環境を作成することはできません、これは本当のLLM環境を作成することができますので、本物のLLM環境を作成することができます。FilecoinとSolanaの組み合わせが完璧であれば、オンチェーンLLM環境を作ることができ、本物のオンチェーンAIを作り出し、現在のCryptoとAIの対等でない関係を変えることができるのでしょうか？

Web3がAIのワークフローに加わる

NVIDIA RTX 4090グラフィックカードがハードカレンシーであり、現在、東欧の大国の1つにとっては入手困難であることは言うまでもありませんが、より深刻なのは、個人、小規模企業、学術組織もグラフィックカードの危機を経験していることです。結局のところ、大手商業企業は急所プレイヤーなのですが、もし自己購入やクラウドベンダー以外の第三の道が開かれるのであれば、それは明らかです。実際のビジネス価値は、純粋な誇大広告から抜け出して、「Web3を使わなければ、プロジェクトの運営を維持できない」という論理になるはずで、これがWeb3 For AIの正しい姿勢である。

データのソース：GrassとDePIN Automotive Family Bucket

GrassはWyndによって提供されています。Grassは、ネットワークデータを取得・配布するためのオープンなチャネルである。 データを収集・販売するのとは異なり、Grassはデータをクレンジングし、検証することで、ますますクローズドになるネットワーク環境を回避し、AIモデルに直接接続して、直接使用可能なデータセットを提供することを望んでいる。Grassは、AIモデルに直接接続し、直接使用可能なデータセットを提供することを望んでいる。このデータセットは、AIモデルの特定のニーズを満たすために、大規模な手作業による微調整などの特殊な処理を必要とする。

これを発展させ、Grassはデータを販売するという問題を解決したいと考えている。一方、Web3のDePINドメインは、AIが必要とするデータを生産している。主に自動車の自動運転に焦点を当てており、従来は相手が自分でデータを蓄積する必要があったが、DIMOやHivemapperなどのプロジェクトは、自動車の上で直接実行され、自動車の運転や道路データに関するより多くの情報を収集している。道路データ。

過去、自動運転、車識別技術と高精度地図は2つの部分で必要とされ、高精度地図やその他の情報は、長い間、四次元地図などの企業によって蓄積され、事実上の業界の障壁を形成しており、後発企業が道路を曲げる代わりに、Web3データの助けを借りて追い抜く機会があれば。

データ前処理：AIに奴隷にされた人間を解放する

人工知能は、手作業によるラベリングと知的アルゴリズムに分けることができ、ケニアやフィリピンなどの第三世界は、手作業によるラベリングなど、価値曲線の最低部分を担っており、欧米のAI前処理企業が収益の大部分を占め、それをAI研究開発企業に売却することができる。

AIの発展に伴い、より多くの企業がこの部分に注力しており、データラベリングの単価は競争の下でますます低くなっている。 この部分は主にデータのラベリングであり、CAPTCHAの識別に似ており、技術的な閾値はなく、0.01人民元という超低価格さえある。画像出典：https://aim.baidu.com/product/0793f1f1-f1cb-4f9f-b3a7-ef31335bd7f0

このような状況において、Public AIなどのWeb3データ注釈プラットフォームもまた、実際の商業市場を持っている。しかし、Scale AIのような成熟した企業のアノテーション技術は信頼できる品質を保証している一方で、分散型データアノテーションプラットフォームの品質をどのようにコントロールするか、また、無分別な関係者を禁止するかは絶対に必要なことであり、これは本質的にC2B2Bの企業サービスであり、純粋なデータの規模と量は企業を納得させるものではないことに注意してください。量では企業を納得させることはできません。

ハードウェアの自由：Render NetworkとBittensor

ビットコインの採掘機とは異なり、現時点ではWeb3 AI専用のハードウェアは存在せず、既存の演算および計算プラットフォームはすべて、成熟したハードウェアをCryptoのインセンティブレイヤーに重ね合わせて変換したものであり、本質的にDePINドメインに分類できることに留意する必要があります。DePINドメインですが、データソースプロジェクトとは異なるので、ここに書かれたAIワークフローに従います。

Render Networkは「古いプロジェクト」であり、完全にAIに対応しているわけではなく、Renderという名前が示すように、最初はレンダリングに特化したもので、GPUがそれほどクレイジーではなかったが、市場機会が生まれつつあり、GPUグラフィックス市場、特にハイエンドグラフィックスカードがNVIDIAのGPU独占に支配されていた2017年に運用を開始した。ハイエンドグラフィックスカードはNVIDIAに独占されており、高価格がレンダリング、AI、メタ宇宙ユーザーへのアクセスを妨げているため、需要側と供給側の間にチャンネルを構築できれば、自転車シェアリングのような経済モデルを確立できる可能性がある。

また、GPUリソースは物理的にハードウェアに引き渡す必要はなく、ソフトウェアリソースのみを展開することができます。 2023年にRender NetworkがPolygonを捨ててSolanaエコシステムに切り替えたことは注目に値しますが、Solanaが回復していないタイミングでの離反は正しい行動であったことが証明され、高速ネットワークはGPUの利用と流通に必要不可欠なものです。GPUの使用と配布のための必需品。

レンダーネットワークが古いとすれば、Bittensorは新しい。

BitTensorはBokaの上に構築されており、その目標は、経済的インセンティブを通じてAIモデルを訓練することであり、ノードがAIモデルを最も低いエラーまたは最も高い効率で訓練できるかどうかを競うもので、古典的なAIのオンチェイニングプロセスに沿ったCryptoプロジェクトでもありますが、実際の訓練プロセスでは依然としてNVIDIA GPUと従来のプラットフォームが必要であり、全体としてはKaggleのような競技プラットフォームに似ています。全体的な結果は、Kaggleのような競争プラットフォームと似ています。

zkMLとUBI：ワールドコインのAB面

Zero Knowledge Machine Learning（zkML）は、AIモデルのトレーニングプロセスにzkテクノロジーを導入することで、データ漏洩、プライバシー障害、モデル検証の問題を解決します。最初の2つは理解しやすく、zkで暗号化されたデータでも学習は可能ですが、個人情報やプライベートなデータが漏れることはありません。

モデル検証とは、特定のクローズドソースモデルを評価する問題である。 zkを使えば、目標値を設定し、計算プロセスを公開することなく結果を検証することで、クローズドソースモデルが自分自身を証明することができる。

ワールドコインは、zkML主流プロジェクトの初期構想者であるだけでなく、UBI（ヒューマン・ベーシック・インカム）のファンでもあります。UBIでは、AIの将来的な生産性が人間のニーズの上限をはるかに超えることが想定されており、そのため真の問題はAIの恩恵を公平に分配することにあり、UBIのアイデアは$WLDトークンを通じてグローバルユーザーと共有されるため、公平性の原則に従うためには実在する人物の生体認証で行われなければなりません。つまり、公平性の原則に従うためには、本物の人間の生体認証が重要なのだ。

もちろん、zkMLとUBIはまだ実験の初期段階ですが、十分に興味深いので、今後も注目していきたいと思います。

結論

AI開発は、TransformerやLLMを代表として、線形回帰やニューラルネットワークなど、ルートの開発が徐々にボトルネックに達するでしょう。

AIは知恵の出現の種かもしれないが、現在、錯覚の問題は非常に深刻であり、実際、CryptoがAIの錯覚を変えることができるという現在の思考は一種の自信であるだけでなく、一種の標準的な錯覚であることがわかります、Cryptoの加盟は技術的に錯覚の問題を解決することは困難であるが、少なくとも、現状を変更するために、公平性、透明性の観点から開始することができます。

参考文献：

1. OpenAI."GPT-4 Technical Report", 2023; arXiv:2303.08774.

2. Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, Illia Polosukhin."Attention Is All You Need", 2017; arXiv:1706.03762.

3. Jared Kaplan, Sam McCandlish, Tom Henighan, Tom B. Brown, Benjamin Chess, Rewon Child, Scott Gray, Alec Radford, Jeffrey Wu, Dario

4. Hao Liu, Wilson Yan, Matei Zaharia, Pieter Abbeel: "World Model on Million-Length Video AndLanguage With RingAttention", 2024; arXiv:2402.08268.

5. Max Roser (2022) - "The brief history of artificial intelligence: The world has changed fast - what might be next?"OurWorldInData.orgにてオンライン公開。 Retrieved from: 'https://ourworldindata.org/brief-history-of-ai' [Online Resource]

6. ゼロ知識機械学習（ZKML）の紹介です。

7. 暗号とAIの接点を理解する

8. 草はAIのデータ層

9. 草はAIのデータ層

10. Bittensor: ピアツーピアのインテリジェンス市場