Tiền điện tử là ảo ảnh của AI

Nguồn: Núi Zuoye Waibo

• Sự xuất hiện: khi nhiều cá thể nhỏ tương tác với nhau Một tổng thể lớn và tổng thể này thể hiện những đặc điểm mới mà các cá nhân tạo nên nó không có.Ví dụ, hiện tượng sự sống được nghiên cứu trong sinh học là một đặc điểm nổi bật của hóa học.

• Ảo giác: Mô hình có xu hướng đưa ra dữ liệu lừa đảo, đầu ra của mô hình AI trông có vẻ đúng nhưng thực chất lại sai.

Mối liên hệ giữa AI và Crypto cho thấy đặc điểm dao động băng tần rõ ràng. Sau khi AlphaGo đánh bại các kỳ thủ cờ vây chuyên nghiệp của con người vào năm 2016, thế giới mã hóa đã tự phát sinh ra Fetch. AI và những nỗ lực khác để kết hợp cả hai, kể từ khi GPT-4 xuất hiện vào năm 2023, cơn sốt AI + Crypto này đã hồi sinh, được thể hiện bằng việc phát hành WorldCoin và nhân loại dường như đang bước vào một điều không tưởng nơi AI chịu trách nhiệm về năng suất và tiền điện tử chịu trách nhiệm phân phối.

Loại cảm xúc này đạt đến đỉnh điểm sau khi OpenAI ra mắt ứng dụng video Wensheng Sora, nhưng vì là cảm xúc nên luôn có yếu tố phi lý, ít nhất Li Yizhou nằm trong số những người vô tình bị thương, chẳng hạn

• Ứng dụng cụ thể của AI và phát triển thuật toán luôn bị nhầm lẫn. Các nguyên tắc Transformer đằng sau Sora và GPT-4 là nguồn mở , nhưng bạn phải trả tiền cho OpenAI để sử dụng chúng. ;

• Sự kết hợp giữa AI và Crypto vẫn là một sáng kiến ​​của Crypto và những gã khổng lồ AI vẫn chưa có ý định rõ ràng. Ở giai đoạn này, AI có thể làm được nhiều điều hơn cho Tiền điện tử so với những gì Tiền điện tử có thể làm cho AI.

• Việc sử dụng công nghệ AI trong các ứng dụng Tiền điện tử ≠ sự tích hợp giữa AI và Tiền điện tử, chẳng hạn như con người kỹ thuật số trong chuỗi trò chơi/GameFi/Metaverse/Web3 Game/AW;

  p>

• Những gì tiền điện tử có thể làm cho sự phát triển của công nghệ AI chủ yếu là củng cố ba yếu tố thiết yếu của AI: sức mạnh tính toán, phân cấp dữ liệu và mô hình cũng như các ưu đãi mã thông báo;

p>

• WorldCoin là một phương pháp thực hành thành công khi kết hợp cả hai, zkML nằm ở điểm giao thoa kỹ thuật của AI và Crypto, và lý thuyết UBI (thu nhập cơ bản của con người) lần đầu tiên được đưa vào thực tế trên quy mô lớn.

Trong bài viết này, tôi sẽ tập trung vào việc Crypto có thể mang lại lợi ích như thế nào cho AI. Các dự án Crypto hiện tại tập trung vào ứng dụng AI chủ yếu chỉ là mánh lới quảng cáo và không thể đưa vào thảo luận.

Từ hồi quy tuyến tính đến máy biến áp

Trong một thời gian dài, trọng tâm của các chủ đề AI là liệu sự "xuất hiện" của trí tuệ nhân tạo sẽ tạo ra trí tuệ cơ học hay robot dựa trên silicon trong Nền văn minh “Ma trận”, những mối lo ngại như vậy luôn tồn tại trong mối quan hệ giữa con người và công nghệ AI, gần đây nhất là sau sự ra đời của Sora, và trước đó cũng là với GPT-4 (2023), AlphaGo (2016) và Deep Blue của IBM đánh bại cờ vua trong 1997 .

Cũng đúng là những lo lắng như vậy chưa bao giờ thành hiện thực, tốt hơn hết là bạn nên thư giãn và sắp xếp ngắn gọn cơ chế của AI.

Chúng tôi bắt đầu từ hồi quy tuyến tính, thực ra là phương trình tuyến tính của một biến. Ví dụ, cơ chế giảm cân của Jia Ling có thể được tóm tắt như sau. x và y lần lượt biểu thị mối quan hệ giữa năng lượng nạp vào và cân nặng, tức là càng ăn nhiều thì đương nhiên càng béo, muốn giảm cân thì phải ăn ít đi.

Tuy nhiên, điều này sẽ nảy sinh một số vấn đề, thứ nhất là chiều cao và cân nặng của con người có giới hạn sinh lý, những người khổng lồ cao 3 mét và những quý cô nặng nghìn cân không dễ xuất hiện nên việc xem xét các tình huống là vô nghĩa. thứ hai, việc chỉ ăn ít và tập thể dục nhiều hơn là không tuân thủ các nguyên tắc giảm cân khoa học, nghiêm trọng sẽ gây hại cho cơ thể.

Chúng tôi giới thiệu chỉ số BMI (Chỉ số khối cơ thể), là cân nặng chia cho bình phương chiều cao để đo lường mối quan hệ hợp lý giữa hai chỉ số, đồng thời đo lường mối quan hệ giữa chiều cao và cân nặng thông qua ba yếu tố: ăn, ngủ và tập thể dục . Mối quan hệ, vì vậy chúng ta cần ba tham số và hai đầu ra. Rõ ràng hồi quy tuyến tính là không đủ, vì vậy mạng lưới thần kinh đã ra đời. Đúng như tên gọi, mạng lưới thần kinh bắt chước cấu trúc của bộ não con người. Bạn càng nghĩ nhiều lần thì càng nhiều có thể hợp lý. Hãy suy nghĩ kỹ trước khi hành động. , tăng số lần bạn suy nghĩ sâu sắc, tức là học sâu (tôi nói theo cách xa vời, miễn là mọi người hiểu ý)

Tuy nhiên, việc đào sâu các lớp không phải là vô tận. Trần nhà vẫn tồn tại. Khi đạt tới một giá trị quan trọng nhất định, hiệu ứng có thể trở nên tồi tệ hơn. Vì vậy, chúng ta cần hiểu mối quan hệ giữa các thông tin hiện có một cách hợp lý hơn. Chẳng hạn, việc hiểu sâu sắc hơn mối quan hệ chi tiết hơn giữa chiều cao và cân nặng là rất quan trọng, để tìm ra những yếu tố trước đây chưa từng được phát hiện, hoặc nếu Gia Lăng tìm được một huấn luyện viên hàng đầu nhưng lại xấu hổ nói muốn giảm cân, thì huấn luyện viên cần phải tìm hiểu Gia Lăng, điều đó có ý nghĩa gì?

Trong kịch bản này, Jia Ling và huấn luyện viên hình thành mã hóa và giải mã đối thủ, vượt qua và v.v. Ý nghĩa thể hiện ý nghĩa thực sự của cả hai bên, nhưng không giống như câu nói thẳng thắn “Tôi muốn giảm cân và tặng quà cho huấn luyện viên”, ý định thực sự của cả hai bên đều được che giấu bởi “ý nghĩa”.

Chúng tôi nhận thấy rằng nếu hai bên quay đi quay lại đủ số lần thì ý nghĩa của từng “nghĩa” sẽ dễ đoán hơn, đồng thời mối quan hệ giữa từng nghĩa với Giả Linh và huấn luyện viên sẽ ngày càng trở nên rõ ràng hơn.

Mô hình này nếu được mở rộng thì đó là mô hình ngôn ngữ lớn (LLM) theo nghĩa phổ thông, nói chính xác hơn là mô hình ngôn ngữ lớn, nó xem xét mối quan hệ ngữ cảnh giữa từ và câu. Tuy nhiên Hiện tại, các mô hình lớn đã được mở rộng và có thể tham gia vào các cảnh như hình ảnh và video.

Trong phổ AI, dù là hồi quy tuyến tính đơn giản hay Transformer cực kỳ phức tạp thì nó cũng là một loại thuật toán hoặc mô hình, ngoài ra còn có hai yếu tố: sức mạnh tính toán và dữ liệu.

Nói một cách đơn giản, AI là thông lượng of data, một cỗ máy thực hiện các phép tính và rút ra kết quả, nhưng so với các vật thể vật lý như robot, AI ảo hơn. Xét về sức mạnh tính toán, dữ liệu và mô hình, quy trình vận hành thương mại hiện tại của Web2 như sau:

• Dữ liệu được chia thành dữ liệu công khai, dữ liệu thuộc sở hữu của công ty và dữ liệu thương mại. Dữ liệu này yêu cầu chú thích chuyên nghiệp và các bước xử lý trước khác trước khi có thể sử dụng .Ví dụ, công ty Scal AI cung cấp nó cho các công ty AI chính thống hiện nay. , NVIDIA là công ty duy nhất về phần cứng GPU và thư viện CUDA Lao Huang cũng đã chuẩn bị trong nhiều năm. Hiện tại, một công ty thống trị hệ sinh thái phần mềm và phần cứng, tiếp theo là cho thuê năng lượng máy tính từ các nhà cung cấp dịch vụ đám mây, chẳng hạn như Azure của Microsoft, Google Cloud và AWS, nhiều trong số đó cung cấp sức mạnh tính toán toàn diện và chức năng triển khai mô hình;

• Các mô hình có thể được chia thành hai loại: khung và thuật toán. TensorFlow của Google có trước, PyTorch của Meta có trước, nhưng dù là Google đề xuất TransFomer hay PyTorch thì Meta đang dần tụt hậu so với OpenAI về mặt thương mại hóa nhưng sức mạnh của nó vẫn không thể coi thường, Transformer hiện đang là thuật toán thống trị và đa dạng. các mô hình lớn chủ yếu tập trung vào nguồn dữ liệu và chi tiết.

Như đã đề cập trước đó, AI có phạm vi ứng dụng rất rộng các lĩnh vực, chẳng hạn như Sửa mã mà Vitalik đề cập đã được đưa vào sử dụng. Nếu nhìn từ một góc độ khác, những gì Crypto có thể làm cho AI chủ yếu tập trung vào các lĩnh vực phi kỹ thuật, chẳng hạn như thị trường dữ liệu phi tập trung, nền tảng điện toán phi tập trung, v.v. Có một số thực tiễn trong LLM tập trung, nhưng cần lưu ý rằng việc sử dụng AI để phân tích mã Crypto và chạy các mô hình AI trên quy mô lớn trên blockchain hoàn toàn không giống nhau và việc thêm một số yếu tố Crypto vào AI ​​mô hình khó có thể hoàn hảo.

Crypro vẫn sản xuất và tạo động lực tốt hơn. Không cần dùng Crypto để thay đổi mạnh mẽ mô hình sản xuất của AI. Điều này nhằm bày tỏ sự tiếc nuối khi đưa ra từ mới và dùng búa để tìm đinh. Việc Crypto tích hợp vào quy trình làm việc của AI và AI trao quyền cho Crypto là một lựa chọn hợp lý. Sau đây là những điểm kết hợp khả thi mà tôi đã tóm tắt:

1. Sản xuất dữ liệu phi tập trung, chẳng hạn như thu thập dữ liệu của DePIN và tính mở của dữ liệu trên chuỗi, chứa lượng dữ liệu giao dịch phong phú, có thể được sử dụng để phân tích tài chính, phân tích bảo mật và dữ liệu đào tạo;

   < /li>

2. Nền tảng tiền xử lý phi tập trung, đào tạo trước truyền thống không có rào cản kỹ thuật không thể vượt qua, nhưng đằng sau các mô hình lớn của châu Âu và Mỹ là cường độ lao động cao của những người chú thích thủ công thuộc thế giới thứ ba ;< /p>

3. Nền tảng sức mạnh tính toán phi tập trung, khuyến khích và sử dụng phi tập trung các tài nguyên phần mềm và phần cứng như băng thông cá nhân, sức mạnh tính toán GPU;

4. < p>zkML, các phương pháp bảo mật truyền thống như giải mẫn cảm dữ liệu không thể giải quyết vấn đề một cách hoàn hảo. zkML có thể che giấu tính định hướng của dữ liệu và cũng có thể đánh giá một cách hiệu quả tính xác thực và hiệu quả của các mô hình nguồn mở và nguồn đóng;

Bốn góc độ này là những kịch bản mà tôi có thể nghĩ ra để Crypto có thể trao quyền cho AI. AI là một công cụ phổ quát. Các lĩnh vực và dự án của AI  For Crypto sẽ không được mô tả chi tiết. Bạn có thể tự nghiên cứu.

Có thể thấy rằng Crypto hiện chủ yếu đóng vai trò mã hóa, bảo vệ quyền riêng tư và thiết kế kinh tế. Điểm tích hợp kỹ thuật duy nhất là zkML. Có một số nỗ lực. Tại đây bạn có thể mở mang trí tưởng tượng của mình. Nếu Solana TPS thực sự có thể đạt tới 10 trong tương lai Mười nghìn +, nếu Filecoin và Solana được kết hợp hoàn hảo, liệu môi trường LLM trên chuỗi có thể được tạo ra hay không, điều này có thể tạo ra AI trên chuỗi thực sự và thay đổi mối quan hệ bất bình đẳng hiện tại giữa Tiền điện tử và AI, và tình trạng của hai người?

Web3 tham gia quy trình làm việc của AI

Không cần phải nói, card đồ họa Nvidia RTX 4090 là một loại tiền cứng, hiện rất khó có được ở một quốc gia phương Đông rộng lớn. Nhưng nghiêm trọng hơn, các cá nhân và doanh nghiệp nhỏ Các công ty và tổ chức học thuật cũng gặp phải cuộc khủng hoảng card đồ họa. Suy cho cùng, các công ty thương mại lớn mới là những người chơi kiếm tiền. Nếu có thể mở ra con đường thứ ba bên cạnh việc tự mua và các nhà cung cấp đám mây, rõ ràng nó sẽ có giá trị thương mại thực sự và thoát khỏi sự thuần túy Hype, logic hợp lý phải là "nếu Web3 không được sử dụng, dự án không thể được duy trì." Đây là quan điểm đúng đắn của Web3 For AI.

Nguồn dữ liệu: Grass và DePIN Automotive Family Bucket strong>

Grass được ra mắt bởi Wynd Network. Wynd Network là một thị trường bán băng thông nhàn rỗi. Grass là một kênh phân phối và thu thập dữ liệu mạng mở. Khác với việc thu thập và bán dữ liệu đơn giản, Grass có khả năng chuyển đổi dữ liệu thành các chức năng Dọn dẹp và xác minh để tránh môi trường mạng ngày càng khép kín. Không chỉ vậy, Grass hy vọng có thể kết nối trực tiếp với mô hình AI và cung cấp cho nó các bộ dữ liệu có thể sử dụng trực tiếp. Các bộ dữ liệu AI yêu cầu xử lý chuyên nghiệp, chẳng hạn như một bộ dữ liệu lớn số lượng tinh chỉnh thủ công nhằm đáp ứng nhu cầu đặc biệt của các mô hình AI.

Để mở rộng, Grass muốn giải quyết vấn đề bán dữ liệu và trường DePIN của Web3 có thể tạo ra dữ liệu mà AI yêu cầu, chủ yếu tập trung vào việc lái ô tô tự động. dữ liệu của chính họ, trong khi các dự án như DIMO và Hivemapper chạy trực tiếp trên ô tô, thu thập ngày càng nhiều thông tin lái xe ô tô và dữ liệu đường bộ.

Trước đây, lái xe tự động yêu cầu công nghệ nhận dạng phương tiện và bản đồ có độ chính xác cao. Những thông tin như bản đồ có độ chính xác cao đã được các công ty như NavInfo tích lũy trong một thời gian dài, hình thành nên một ngành công nghiệp trên thực tế rào cản Nếu người đến sau Với sự trợ giúp của dữ liệu Web3, sẽ có cơ hội vượt qua các góc cua.

Tiền xử lý dữ liệu: giải phóng con người bị nô lệ bởi AI

Trí tuệ nhân tạo có thể được chia thành hai phần: ghi nhãn thủ công và thuật toán thông minh. vì Kenya và các khu vực như Philippines chịu trách nhiệm dán nhãn thủ công cho phần thấp nhất của đường đồng giá trị, trong khi các công ty tiền xử lý AI của châu Âu và Mỹ chiếm phần lớn doanh thu rồi bán cho các công ty R&D AI.

Với sự phát triển của AI, ngày càng có nhiều công ty để mắt đến lĩnh vực kinh doanh này. Dưới sự cạnh tranh, đơn giá ghi nhãn dữ liệu ngày càng thấp. Phần kinh doanh này chủ yếu là ghi nhãn dữ liệu, tương tự để xác định mã xác minh. Không có ngưỡng kỹ thuật cho công việc và giá thậm chí còn thấp tới 0,01 RMB.

Trong trường hợp này, chẳng hạn như Public Web3 Các nền tảng chú thích dữ liệu như AI cũng có thị trường thương mại thực tế, liên kết các công ty AI và nhân viên chú thích dữ liệu, đồng thời sử dụng các hệ thống khuyến khích để thay thế mô hình cạnh tranh thương mại thuần túy giá rẻ. AI quy mô đảm bảo chất lượng đáng tin cậy và Cách kiểm soát chất lượng của nền tảng chú thích dữ liệu phi tập trung và cấm các bên dựng tóc gáy là hoàn toàn cần thiết. Về bản chất, đây là dịch vụ doanh nghiệp C2B2B. Quy mô và số lượng dữ liệu thuần túy không thể thuyết phục được doanh nghiệp.

Tự do về phần cứng: Mạng kết xuất và Bittensor

Cần lưu ý rằng không giống như các máy khai thác Bitcoin, hiện tại không có phần cứng Web3 AI chuyên dụng và phần cứng hiện có sức mạnh tính toán Nền tảng điện toán được chuyển đổi từ phần cứng trưởng thành với lớp khuyến khích Crypto. Về bản chất, nó có thể được tóm tắt là trường DePIN, nhưng nó khác với dự án nguồn dữ liệu nên được viết ở đây theo quy trình làm việc của AI .

Render Network là một "dự án cũ" và chưa được chuẩn bị hoàn toàn cho AI. Nó lần đầu tiên được dành riêng cho công việc kết xuất, giống như tên gọi của Render. Nó bắt đầu hoạt động vào năm 2017. Vào thời điểm đó, GPU là không quá điên rồ, nhưng đã có những cơ hội thị trường. Dần dần xuất hiện rằng thị trường card đồ họa GPU, đặc biệt là card đồ họa cao cấp, bị NVIDIA độc quyền. Giá cao cản trở sự gia nhập của người dùng kết xuất, AI và metaverse. Nếu một kênh có thể được xây dựng trên cả hai mặt cung và cầu, khi đó một mô hình kinh tế tương tự như xe đạp dùng chung sẽ có cơ hội được hình thành.

Và tài nguyên GPU không yêu cầu bàn giao phần cứng thực tế, chỉ có thể phân bổ tài nguyên phần mềm. Điều đáng nói hơn là Render Network đã chuyển sang hệ sinh thái Solana vào năm 2023, từ bỏ Polygon và Solana không chọn Quyết định chuyển sang sử dụng GPU của Time đã được chứng minh là một bước đi đúng đắn, để sử dụng và phân bổ GPU thì mạng tốc độ cao là điều cần thiết.

Nếu Render Network là một dự án cũ thì Bittensor đang ở thời kỳ đỉnh cao.

BitTensor được xây dựng trên Polkadot. Mục tiêu của nó là đào tạo các mô hình AI thông qua các khuyến khích kinh tế và cạnh tranh xem mỗi nút có thể huấn luyện mô hình AI với lỗi nhỏ nhất hay hiệu quả cao nhất hay không. Nó còn hơn thế nữa phù hợp với quy trình AI cổ điển trên chuỗi Dự án tiền điện tử, nhưng quy trình đào tạo thực sự vẫn yêu cầu GPU NVIDIA và nền tảng truyền thống, nhìn chung tương tự như các nền tảng cạnh tranh như Kaggle.

zkML và UBI: Mặt AB của Worldcoin

Học máy không kiến ​​thức (zkML) giải quyết vấn đề này bằng cách đưa công nghệ zk vào AI ​​Quá trình đào tạo mô hình Các vấn đề về rò rỉ dữ liệu, lỗi quyền riêng tư và xác minh mô hình rất dễ hiểu. Hai vấn đề đầu tiên rất dễ hiểu. Dữ liệu được mã hóa ZK vẫn có thể được đào tạo, nhưng dữ liệu cá nhân hoặc riêng tư sẽ không còn bị rò rỉ nữa.

Xác minh mô hình đề cập đến vấn đề đánh giá của một số mô hình nguồn đóng nhất định. Với sự hỗ trợ của công nghệ zk, có thể đặt một giá trị mục tiêu nhất định, sau đó mô hình nguồn đóng có thể chứng minh khả năng của mình bằng cách xác minh kết quả , và Không cần tiết lộ quá trình tính toán.

Worldcoin không chỉ là một dự án chính thống ban đầu hình dung ra zkML mà còn là dự án hỗ trợ UBI (Thu nhập cơ bản của con người). Theo tầm nhìn của nó, năng suất của AI trong tương lai sẽ vượt xa giới hạn trên của con người nhu cầu, do đó vấn đề thực sự Để phân phối công bằng các lợi ích của AI, khái niệm UBI sẽ được chia sẻ với người dùng toàn cầu thông qua mã thông báo $WLD, vì vậy việc nhận dạng sinh trắc học người thật phải được thực hiện để tuân theo nguyên tắc công bằng.

Tất nhiên, zkML và UBI hiện tại vẫn đang trong giai đoạn thử nghiệm ban đầu, nhưng chúng đủ thú vị để tôi tiếp tục chú ý.

Kết luận

Sự phát triển của AI, tiêu biểu là Transformer và LLM, sẽ dần rơi vào tình trạng tắc nghẽn, cũng giống như hồi quy tuyến tính và mạng lưới thần kinh, xét cho cùng thì không thể tăng mô hình tham số không giới hạn, hoặc nếu lượng dữ liệu tiếp tục tăng thì lợi nhuận cận biên sẽ giảm dần.

AI có thể là người chơi hạt giống nổi lên bằng trí tuệ, nhưng hiện nay vấn đề ảo tưởng rất nghiêm trọng. Trên thực tế, có thể thấy ảo tưởng hiện nay rằng Crypto có thể thay đổi AI là một loại tự tin, và nó cũng là một ảo tưởng tiêu chuẩn. Việc bổ sung Crypto rất khó để giải quyết vấn đề ảo tưởng về mặt kỹ thuật, nhưng ít nhất nó có thể thay đổi một số hiện trạng từ góc độ công bằng và minh bạch.

Tài liệu tham khảo:

1. < span style="font-size: 14px;">OpenAI: “Báo cáo kỹ thuật GPT-4”, 2023; arXiv:2303.08774.

2. Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, Illia Polosukhin: “Tất cả những gì bạn cần là sự chú ý ", 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 Amodei: "Quy luật mở rộng quy mô cho mô hình ngôn ngữ thần kinh", 2020; arXiv:2001.08361.

4. Hao Liu, Wilson Yan, Matei Zaharia, Pieter Abbeel: " Mô hình thế giới về video và ngôn ngữ dài một triệu USD có RingAttention", 2024; arXiv:2402.08268.

5. Max Roser (2022) - “Lịch sử tóm tắt về trí tuệ nhân tạo: Thế giới đã thay đổi nhanh chóng – điều gì có thể xảy ra tiếp theo?” Xuất bản trực tuyến tại OurWorldInData.org. Lấy từ: 'https: / /ourworldindata.org/brief-history-of-ai' [Tài nguyên trực tuyến]

6. Giới thiệu về máy học không kiến ​​thức (ZKML)

7. Tìm hiểu về sự giao thoa giữa tiền điện tử và AI

8. Cỏ là Lớp dữ liệu của AI

9. Bittensor: Thị trường thông minh ngang hàng