Nghiên cứu AI phi tập trung: Khái niệm, kiến ​​trúc và tổng quan ngành về AI phi tập trung

Giới thiệu

Trong thời đại kỹ thuật số, trí tuệ nhân tạo (AI) đã trở thành động lực Là động lực chủ chốt trong đổi mới công nghệ và tiến bộ xã hội. Sự phát triển của AI không chỉ là tiến bộ công nghệ mà còn là sự mở rộng trí tuệ của con người. AI là chủ đề nóng nhất trong ngành đầu tư mạo hiểm và thị trường vốn trong thời gian qua.

Với sự phát triển của công nghệ blockchain, AI phi tập trung (Decentralized AI) đã xuất hiện. Bài viết này sẽ giải thích cho các bạn định nghĩa và cách hiểu về Kiến trúc AI phi tập trung. nó phối hợp với ngành công nghiệp AI.

Định nghĩa và kiến ​​trúc của AI phi tập trung

AI phi tập trung sử dụng tài nguyên điện toán và lưu trữ dữ liệu phi tập trung để đào tạo và sử dụng các mô hình AI theo cách phân tán, tăng cường quyền riêng tư và bảo mật. Kiến trúc chính bốn lớp của nó bao gồm:

Lớp mô hình:Hỗ trợ phát triển, chia sẻ và giao dịch mô hình AI phi tập trung, thúc đẩy hợp tác và đổi mới trên khắp thế giới. Các dự án tiêu biểu ở cấp độ này là Bittensor, sử dụng công nghệ chuỗi khối để tạo ra nền tảng cộng tác và chia sẻ mô hình AI toàn cầu.

→ Lớp đào tạo: Sử dụng hợp đồng thông minh và công nghệ phi tập trung để giảm chi phí đào tạo mô hình AI và đơn giản hóa quy trình, Nâng cao hiệu quả đào tạo. Thách thức ở cấp độ này là làm thế nào để sử dụng hiệu quả các tài nguyên điện toán phân tán để đào tạo mô hình hiệu quả.

^ Lớp dữ liệu: Sử dụng công nghệ blockchain để lưu trữ và quản lý dữ liệu, đảm bảo tính bảo mật và không bị giả mạo dữ liệu, đồng thời mang lại cho người dùng hoàn toàn kiểm soátdữ liệu của họ. Các ứng dụng ở cấp độ này bao gồm thị trường dữ liệu phi tập trung, cho phép giao dịch minh bạch và xác nhận quyền sở hữu dữ liệu thông qua công nghệ blockchain.

→ Lớp điện toán: Cung cấp tài nguyên điện toán phân tán thông qua nền tảng điện toán GPU phi tập trung và hỗ trợ băng thông, Hỗ trợ đào tạo và suy luận hiệu quả của các mô hình AI. Những tiến bộ công nghệ ở cấp độ này, chẳng hạn như điện toán biên và mạng GPU phân tán, cung cấp các giải pháp mới cho việc đào tạo và suy luận của các mô hình AI.

Dự án đại diện AI phi tập trung

Đánh giá ngành AI phi tập trung: lớp mô hình< /p>< p style="văn bản-căn chỉnh: left;">Lớp mô hình: Số lượng tham số mô hình lớn tăng theo cấp số nhân và hiệu suất của mô hình được cải thiện đáng kể, nhưng lợi ích từ việc mở rộng hơn nữa quy mô mô hình đang giảm dần. Xu hướng này đòi hỏi chúng ta phải suy nghĩ lại về hướng phát triển của các mô hình AI và cách giảm chi phí cũng như mức tiêu thụ tài nguyên trong khi vẫn duy trì hiệu suất.

Việc phát triển các mô hình AI lớn tuân theo "quy luật tỷ lệ", tức là có một mối quan hệ nhất định giữa hiệu suất mô hình và thang đo tham số, kích thước tập dữ liệu và lượng tính toán.

Khi một mô hình mở rộng đến một kích thước nhất định, hiệu suất của nó đối với một tác vụ cụ thể đột nhiên được cải thiện đáng kể. Khi số lượng tham số mô hình lớn tăng lên, việc cải thiện hiệu suất mô hình sẽ giảm dần. Cách cân bằng giữa quy mô tham số và hiệu suất mô hình sẽ là chìa khóa cho sự phát triển trong tương lai.

Chúng tôi nhận thấy rằng sự cạnh tranh về giá API đối với các mẫu AI lớn ngày càng gay gắt và nhiều nhà sản xuất đã giảm giá để tăng thị phần. Tuy nhiên, với sự đồng nhất hóa hiệu suất của mô hình lớn, tính bền vững của doanh thu API cũng đang gặp phải những nghi ngờ. Làm thế nào để duy trì mức độ gắn bó của người dùng cao và tăng doanh thu sẽ là một thách thức lớn trong tương lai.

Việc áp dụng các mô hình phía cuối sẽ đạt được bằng cách giảm độ chính xác của dữ liệu và áp dụng kiến ​​trúc mô hình chuyên gia lai (MoE). Công nghệ lượng tử hóa mô hình nén dữ liệu dấu phẩy động 32 bit thành 8 bit, giảm đáng kể kích thước mô hình và mức tiêu thụ bộ nhớ. Bằng cách này, các mô hình có thể chạy hiệu quả trên các thiết bị đầu cuối, thúc đẩy việc phổ biến hơn nữa công nghệ AI.

Tóm tắt: Blockchain giúp lớp mô hình cải thiện tính minh bạch, sự cộng tác và sự tham gia của người dùng trong các mô hình AI.

Đánh giá ngành AI tập trung: lớp đào tạo

Lớp đào tạo: Đào tạo mô hình lớn yêu cầu băng thông cao và giao tiếp có độ trễ thấp và có thể thực hiện các nỗ lực mô hình lớn trên mạng điện toán phi tập trung. Thách thức ở cấp độ này là làm thế nào để tối ưu hóa việc phân bổ tài nguyên máy tính và truyền thông để đạt được việc đào tạo mô hình hiệu quả hơn.

Mạng điện toán phi tập trung có tiềm năng nhất định trong việc đào tạo mô hình lớn. Bất chấp thách thức về chi phí liên lạc quá mức, hiệu quả đào tạo có thể được cải thiện đáng kể bằng cách tối ưu hóa thuật toán lập lịch và nén lượng dữ liệu được truyền. Tuy nhiên, cách khắc phục độ trễ mạng và tắc nghẽn truyền dữ liệu trong môi trường thực tế vẫn là vấn đề chính mà hoạt động đào tạo phi tập trung phải đối mặt.

Để giải quyết nút thắt của việc đào tạo mô hình lớn trong mạng máy tính phi tập trung, chúng tôi có thể sử dụng các công nghệ như nén dữ liệu, tối ưu hóa lịch trình cũng như cập nhật và đồng bộ hóa cục bộ. Những phương pháp này có thểgiảm chi phí liên lạc và cải thiện hiệu quả đào tạo, khiến mạng máy tính phi tập trung trở thành lựa chọn khả thitrong đào tạo mô hình lớn.

Học máy không có kiến ​​thức (zkML) kết hợp các bằng chứng không có kiến ​​thức và kỹ thuật học máy để cho phép xác thực và suy luận mô hình mà không làm lộ dữ liệu đào tạo và chi tiết mô hình. Công nghệ này đặc biệt phù hợp với các ngành có yêu cầu bảo mật dữ liệu cao như y tế, tài chính và có thể đảm bảo quyền riêng tư dữ liệu đồng thời xác minh tính chính xác và độ tin cậy của các mô hình AI.

Đánh giá ngành AI phi tập trung: lớp dữ liệu

Quyền riêng tư và bảo mật dữ liệu Trở thành vấn đề then chốt trong sự phát triển của AI. Công nghệ lưu trữ và xử lý dữ liệu phi tập trung cung cấp những ý tưởng mới để giải quyết những vấn đề này.

Lưu trữ dữ liệu, lập chỉ mục dữ liệu và ứng dụng dữ liệu đều là những liên kết chính để đảm bảo hoạt động bình thường của hệ thống AI phi tập trung. Các nền tảng lưu trữ phi tập trung như Filecoin và Arweave cung cấp các giải pháp mới về bảo mật dữ liệu và bảo vệ quyền riêng tư, đồng thời giảm chi phí lưu trữ

Hộp lưu trữ phi tập trung:

• Kể từ năm 2020, quy mô lưu trữ dữ liệu của Arweave đã phát triển nhanh chóng, chủ yếu được thúc đẩy bởi thị trường NFT và nhu cầu ứng dụng Web3. Thông qua Arweave, người dùng có thể đạt được khả năng lưu trữ dữ liệu vĩnh viễn phi tập trung, giải quyết vấn đề lưu trữ dữ liệu lâu dài.

• Dự án AO nâng cao hơn nữa hệ sinh thái Arweave, cung cấp cho người dùng sức mạnh tính toán mạnh mẽ hơn và nhiều kịch bản ứng dụng hơn.

Trong trang này, chúng tôi so sánh hai dự án lưu trữ phi tập trung là Arweave và Filecoin. Arweave cho phép lưu trữ vĩnh viễn thông qua thanh toán một lần, trong khi Filecoin áp dụng mô hình thanh toán hàng tháng và tập trung vào việc cung cấp các dịch vụ lưu trữ linh hoạt. Cả hai đều có lợi thế riêng về kiến ​​trúc kỹ thuật, quy mô kinh doanh và định vị thị trường, người dùng có thể lựa chọn giải pháp phù hợp dựa trên nhu cầu cụ thể.

Đánh giá ngành AI phi tập trung: lớp sức mạnh điện toán

< strong>Lớp sức mạnh điện toán: Khi độ phức tạp của các mô hình AI tăng lên, nhu cầu về tài nguyên máy tính cũng tăng lên. Sự xuất hiện của các mạng năng lượng điện toán phi tập trung cung cấp các phương pháp phân bổ nguồn lực mới cho việc đào tạo và lý luận về các mô hình AI.

Mạng điện toán phi tập trung (cũng như mạng điện toán chuyên dụng dành cho đào tạo và suy luận) hiện là những lĩnh vực năng động nhất và phát triển nhanh nhất trên con đường DeAI. Điều này phù hợp với việc các nhà cung cấp cơ sở hạ tầng trong thế giới thực đang khai thác thành quả phong phú của chuỗi ngành AI. Khi tình trạng thiếu tài nguyên máy tính như GPU tiếp tục xảy ra, các nhà sản xuất thiết bị phần cứng tài nguyên máy tính đã bước vào lĩnh vực này.

AethirTrường hợp:

Mô hình kinh doanh: thị trường hai mặt cho thuê năng lượng điện toán

• Thị trường điện toán phi tập trung, về cơ bản sử dụng Web3 Công nghệ mở rộng ý tưởng về điện toán lưới thành một môi trường không cần sự tin cậy, được khuyến khích về mặt tài chính. Bằng cách khuyến khích các nhà cung cấp tài nguyên như CPU ​​và GPU đóng góp sức mạnh tính toán nhàn rỗi cho mạng phi tập trung, một thị trường dịch vụ sức mạnh tính toán phi tập trung ở một quy mô nhất định sẽ được hình thành và nó sẽ kết nối những người có nhu cầu về tài nguyên sức mạnh tính toán (chẳng hạn như; Nhà cung cấp mô hình), cung cấp cho họ tài nguyên dịch vụ điện toán với chi phí thấp hơn và theo cách linh hoạt hơn. Thị trường điện toán phi tập trung cũng là một thách thức đối với các nhà cung cấp dịch vụ đám mây độc quyền tập trung.

• Thị trường điện toán phi tập trung có thể được phân chia thêm tùy theo loại dịch vụ của nó: mục đích chung và mục đích đặc biệt. Mạng máy tính chung hoạt động giống như một đám mây phi tập trung, cung cấp tài nguyên máy tính cho nhiều ứng dụng khác nhau. Mạng máy tính chuyên dụng chủ yếu là mạng máy tính được xây dựng có mục đích, được thiết kế riêng cho các trường hợp sử dụng cụ thể. Ví dụ: Mạng kết xuất là mạng điện toán chuyên dụng tập trung vào khối lượng công việc hiển thị; Gensyn là mạng điện toán chuyên dụng tập trung vào đào tạo mô hình ML và io.net là một ví dụ về mạng điện toán có mục đích chung.

• Đối với DeAI, một thách thức quan trọng mà các mô hình đào tạo trên cơ sở hạ tầng phi tập trung phải đối mặt là sức mạnh tính toán quy mô lớn và các hạn chế về băng thông cũng như độ trễ cao do sử dụng phần cứng không đồng nhất từ ​​các nhà cung cấp khác nhau trên khắp thế giới. Do đó,Mạng điện toán AI chuyên dụng có thể cung cấp các chức năng phù hợp với AI hơn mạng điện toán đa năng. Hiện tại, đào tạo tập trung các mô hình ML vẫn là dự án hiệu quả và ổn định nhất, nhưng điều này đặt ra yêu cầu rất cao về nguồn vốn của bên dự án.

Kết luận

Phân cấpAI như một xu hướng công nghệ mới nổi đang dần thể hiện ưu điểm của mình về quyền riêng tư dữ liệu, tính bảo mật và hiệu quả về chi phí. Trong bài viết tiếp theo, chúng ta sẽ thảo luận về những rủi ro và thách thức màAI phi tập trung phải đối mặt, cũng như hướng phát triển trong tương lai.