IOSG｜ Đâu là lối thoát cho cơ sở hạ tầng AI đồng nhất?

Nghiên cứu này nhằm mục đích khám phá lĩnh vực nào của trí tuệ nhân tạo là quan trọng nhất đối với các nhà phát triển và lĩnh vực nào có thể là cơ hội bùng nổ tiếp theo trong lĩnh vực Web3 và trí tuệ nhân tạo.

Trước khi chia sẻ quan điểm nghiên cứu mới, trước hết, chúng tôi rất vui vì đã tham gia vòng đầu tiên của RedPill  với tổng trị giá $5 triệu tôi cũng rất vui mừng về nguồn tài trợ và mong muốn được phát triển cùng RedPill !

TL;DR

Khi sự kết hợp giữa Web3 và AI trở thành một chủ đề nóng trong thế giới tiền điện tử, nền tảng của AI trong thế giới tiền điện tử Việc xây dựng cơ sở đang bùng nổ, nhưng không có nhiều ứng dụng thực sự sử dụng AI hoặc được xây dựng cho AI và vấn đề đồng nhất hóa cơ sở hạ tầng AI đang dần xuất hiện. Sự tham gia gần đây của chúng tôi vào vòng tài trợ đầu tiên của RedPill đã mang lại một số hiểu biết sâu sắc hơn.

• Các công cụ chính để xây dựng AI Dapp bao gồm quyền truy cập OpenAI phi tập trung, mạng GPU và mạng suy luận và mạng lưới đại lý.

• Sở dĩ mạng GPU phổ biến hơn "thời kỳ khai thác Bitcoin" là vì: thị trường AI lớn hơn và Tăng trưởng nhanh chóng và ổn định; AI hỗ trợ hàng triệu ứng dụng mỗi ngày; AI yêu cầu nhiều loại mô hình GPU và vị trí máy chủ đa dạng hơn;

• Mạng suy luận và mạng tác nhân có cơ sở hạ tầng tương tự nhau nhưng có trọng tâm khác nhau. Mạng suy luận chủ yếu dành cho các nhà phát triển có kinh nghiệm triển khai mô hình của riêng họ và việc chạy các mô hình không phải LLM không nhất thiết phải có GPU. Mạng lưới đại lý tập trung hơn vào LLM. Các nhà phát triển không cần mang theo mô hình của riêng mình mà tập trung nhiều hơn vào kỹ thuật nhanh chóng và cách kết nối các đại lý khác nhau. Mạng proxy luôn yêu cầu GPU hiệu suất cao.

• Các dự án cơ sở hạ tầng AI có nhiều hứa hẹn và vẫn đang triển khai các tính năng mới.

• Hầu hết các dự án mã hóa gốc vẫn đang trong giai đoạn mạng thử nghiệm, với độ ổn định kém, cấu hình phức tạp và các chức năng hạn chế. thời gian để chứng minh tính hiệu quả của chúng.

• Giả sử AI Dapp trở thành xu hướng lớn thì vẫn còn nhiều lĩnh vực chưa được khám phá như giám sát, cơ sở hạ tầng liên quan đến RAG, Web3 Các mô hình gốc, proxy phi tập trung với dữ liệu và API gốc được mã hóa tích hợp, mạng đánh giá, v.v.

• Tích hợp theo chiều dọc là một xu hướng quan trọng. Dự án cơ sở hạ tầng cố gắng cung cấp dịch vụ một cửa để đơn giản hóa công việc của các nhà phát triển AI Dapp.

• Tương lai sẽ là sự kết hợp. Một phần suy luận được thực hiện ở mặt trước và một phần được tính toán trên chuỗi, điều này cho phép cân nhắc về chi phí và khả năng xác minh.

   Nguồn: IOSG 

• 

Giới thiệu

• Sự kết hợp giữa Web3 và AI là xu hướng hiện nay lĩnh vực mã hóa một trong những chủ đề được nhắc đến nhiều nhất. Các nhà phát triển tài năng đang xây dựng cơ sở hạ tầng AI cho thế giới tiền điện tử, nỗ lực mang lại trí thông minh cho các hợp đồng thông minh. Xây dựng AI dApp là một nhiệm vụ cực kỳ phức tạp, với các nhà phát triển xử lý dữ liệu, mô hình, sức mạnh tính toán, vận hành, triển khai và tích hợp với chuỗi khối. Để đáp ứng những nhu cầu này, những người sáng lập Web3 đã phát triển nhiều giải pháp sơ bộ, chẳng hạn như mạng GPU, chú thích dữ liệu cộng đồng, mô hình do cộng đồng đào tạo, suy luận và đào tạo AI có thể kiểm chứng cũng như các cửa hàng đại lý.

• Trong bối cảnh cơ sở hạ tầng đang bùng nổ này, không có nhiều ứng dụng thực sự tận dụng AI hoặc được xây dựng cho AI. Khi các nhà phát triển tìm kiếm các hướng dẫn phát triển AI dApp, họ nhận thấy rằng không có nhiều hướng dẫn liên quan đến cơ sở hạ tầng AI mã hóa gốc. Hầu hết các hướng dẫn chỉ liên quan đến việc gọi API OpenAI ở giao diện người dùng.

  Nguồn: IOSG Ventures

• 

• Ứng dụng hiện tại không tận dụng được tối đa lợi thế của khối có các tính năng phi tập trung và có thể xác minh được của chuỗi, nhưng điều này sẽ sớm thay đổi. Giờ đây, hầu hết cơ sở hạ tầng AI tập trung vào tiền điện tử đã ra mắt mạng thử nghiệm và có kế hoạch vận hành chính thức chúng trong vòng 6 tháng tới.

• Nghiên cứu này sẽ nêu chi tiết các công cụ chính có sẵn trong cơ sở hạ tầng trí tuệ nhân tạo trong không gian tiền điện tử. Hãy chuẩn bị cho khoảnh khắc GPT-3.5 của thế giới tiền điện tử!

1. RedPill: Cung cấp ủy quyền phi tập trung cho OpenAI

Như đã đề cập ở trên Khoản đầu tư của chúng tôi vào RedPill là một điểm giới thiệu tốt.

OpenAI có một số mô hình mạnh mẽ đẳng cấp thế giới, chẳng hạn như GPT-4-vision, GPT-4-turbo và GPT-4o, lý tưởng cho việc xây dựng các hệ thống tiên tiến trí tuệ nhân tạo Dapps ưa thích.

Các nhà phát triển có thể gọi API OpenAI thông qua giao diện oracle hoặc giao diện người dùng để tích hợp nó vào dApps.

RedPill tích hợp API OpenAI từ các nhà phát triển khác nhau trong một giao diện để cung cấp cho người dùng toàn cầu các dịch vụ trí tuệ nhân tạo nhanh chóng, tiết kiệm và có thể kiểm chứng, từ đó hiện thực hóa Dân chủ hóa các tài nguyên mô hình AI hàng đầu. Thuật toán định tuyến của RedPill hướng các yêu cầu của nhà phát triển đến một người đóng góp duy nhất. Các yêu cầu API sẽ được thực thi thông qua mạng phân phối của nó, do đó bỏ qua mọi hạn chế có thể có từ OpenAI, giải quyết một số vấn đề phổ biến mà các nhà phát triển tiền điện tử gặp phải, chẳng hạn như:

• < p style="text-align: left;">TPM bị giới hạn (mã thông báo mỗi phút): Các tài khoản mới bị hạn chế sử dụng mã thông báo và không thể đáp ứng nhu cầu phổ biến và nhu cầu về dApps dựa vào AI.

• Hạn chế truy cập: Một số mô hình được giới hạn ở các tài khoản mới hoặc một số tài khoản nhất định các quốc gia Hạn chế truy cập được đặt.

Bằng cách sử dụng cùng một mã yêu cầu nhưng thay đổi tên máy chủ, các nhà phát triển có thể đạt được chi phí thấp, khả năng mở rộng cao và cách truy cập không giới hạn Các mô hình OpenAI.

2. Mạng GPU

Ngoài việc sử dụng API của OpenAI, nhiều nhà phát triển chọn lưu trữ mô hình của riêng họ tại nhà. Họ có thể dựa vào các mạng GPU phi tập trung, chẳng hạn như io.net, Aethir, Akash và các mạng phổ biến khác, để xây dựng các cụm GPU cũng như triển khai và chạy nhiều mô hình nguồn mở hoặc nội bộ mạnh mẽ khác nhau.

Mạng GPU phi tập trung như vậy có thể tận dụng sức mạnh tính toán của các cá nhân hoặc trung tâm dữ liệu nhỏ để cung cấp cấu hình linh hoạt, nhiều tùy chọn vị trí máy chủ hơn và chi phí thấp hơn cho phép. các nhà phát triển có thể dễ dàng thực hiện các thử nghiệm liên quan đến AI trong ngân sách hạn chế. Tuy nhiên, do tính chất phi tập trung nên các mạng GPU như vậy có những hạn chế nhất định về chức năng, khả năng sử dụng và quyền riêng tư dữ liệu.

Nhu cầu GPU đã bùng nổ trong vài tháng qua, vượt qua sự bùng nổ khai thác Bitcoin trước đó. Nguyên nhân của hiện tượng này bao gồm:

• Số lượng khách hàng mục tiêu đã tăng lên và mạng lưới GPU hiện đang phục vụ các nhà phát triển AI, số lượng của họ không những lớn mà còn trung thành hơn và sẽ không bị ảnh hưởng bởi biến động giá tiền điện tử.

• So với thiết bị dành riêng cho khai thác, GPU phi tập trung cung cấp nhiều mẫu và thông số kỹ thuật hơn, đồng thời có thể đáp ứng tốt hơn các yêu cầu của iez. Đặc biệt, xử lý mô hình lớn đòi hỏi VRAM cao hơn, trong khi các tác vụ nhỏ hơn có tùy chọn GPU phù hợp hơn. Đồng thời, GPU phi tập trung có thể phục vụ người dùng cuối ở cự ly gần và giảm độ trễ.

• Công nghệ ngày càng hoàn thiện và mạng GPU dựa vào các chuỗi khối tốc độ cao như giải quyết Solana, công nghệ ảo hóa Docker và Ray các cụm tính toán.

• Về lợi tức đầu tư, thị trường AI đang mở rộng và có nhiều cơ hội để phát triển các ứng dụng và mô hình mới. Lợi nhuận kỳ vọng trên mô hình H100 là 60-70%, trong khi việc khai thác Bitcoin phức tạp hơn, người chiến thắng sẽ nhận được tất cả và sản lượng bị hạn chế.

• Các công ty khai thác bitcoin như Iris Energy, Core Scientific và Bitdeer cũng đã bắt đầu hỗ trợ mạng GPU, cung cấp dịch vụ AI và tích cực hỗ trợ mua GPU được thiết kế dành riêng cho AI, chẳng hạn như H100.

Đề xuất: Dành cho các nhà phát triển Web2 không quan tâm nhiều đến SLA, io.net mang lại trải nghiệm đơn giản, dễ sử dụng, một sự lựa chọn tiết kiệm chi phí.

3. Mạng suy luận

Đây là cốt lõi của cơ sở hạ tầng AI gốc tiền điện tử. Nó sẽ hỗ trợ hàng tỷ hoạt động suy luận AI trong tương lai. Nhiều AI layer1 hoặc layer2 cung cấp cho các nhà phát triển khả năng thực hiện suy luận AI ngay trên chuỗi. Dẫn đầu thị trường bao gồm Ritual, Valence và Fetch.ai.

Các mạng này khác nhau ở những điểm sau:

1. Hiệu suất (độ trễ, thời gian tính toán)

2. Các mô hình được hỗ trợ

< li >

Khả năng xác minh

3. Giá (chi phí tiêu thụ trên chuỗi, chi phí lý luận)

4. Kinh nghiệm phát triển

3.1 Mục tiêu

Lý tưởng nhất là các nhà phát triển có thể dễ dàng truy cập nó từ mọi nơi, thông qua bất kỳ hình thức chứng minh nào. không gặp trở ngại trong quá trình hội nhập.

Mạng suy luận cung cấp tất cả hỗ trợ cơ bản mà nhà phát triển yêu cầu, bao gồm tạo và xác minh bằng chứng theo yêu cầu, thực hiện tính toán suy luận, chuyển tiếp và xác minh dữ liệu suy luận, Cung cấp Web2 và Giao diện Web3, triển khai mô hình bằng một cú nhấp chuột, giám sát hệ thống, vận hành chuỗi chéo, tích hợp đồng bộ và các chức năng thực thi theo lịch trình.

Nguồn: IOSG Ventures

Với những khả năng này, nhà phát triển có thể tích hợp liền mạch các dịch vụ suy luận vào hợp đồng thông minh hiện có của họ. Ví dụ: khi xây dựng bot giao dịch DeFi, các bot này sẽ sử dụng mô hình học máy để tìm cơ hội mua và bán cho các cặp giao dịch cụ thể và thực hiện các chiến lược giao dịch tương ứng trên nền tảng giao dịch cơ bản.

Trong một thế giới hoàn toàn lý tưởng, tất cả cơ sở hạ tầng sẽ được lưu trữ trên đám mây. Các nhà phát triển chỉ cần tải lên các mô hình chiến lược giao dịch của họ ở định dạng phổ biến như đèn pin, sau đó mạng suy luận lưu trữ và phục vụ mô hình cho các truy vấn Web2 và Web3.

Sau khi hoàn tất tất cả các bước triển khai mô hình, nhà phát triển có thể gọi trực tiếp suy luận mô hình thông qua API Web3 hoặc hợp đồng thông minh. Mạng suy luận sẽ liên tục thực hiện các chiến lược giao dịch này và đưa kết quả trở lại hợp đồng thông minh cơ bản. Nếu nhà phát triển quản lý một lượng lớn quỹ cộng đồng thì cũng cần phải cung cấp xác minh kết quả suy luận. Sau khi nhận được kết quả suy luận, hợp đồng thông minh sẽ tiến hành giao dịch dựa trên những kết quả này.

Nguồn: IOSG Ventures

    3.1.1 Không đồng bộ so với Đồng bộ

< p style="text-align: left;">Về mặt lý thuyết, các hoạt động suy luận được thực hiện không đồng bộ có thể dẫn đến hiệu suất tốt hơn, tuy nhiên, cách tiếp cận này có thể gây bất tiện trong trải nghiệm phát triển;

Khi sử dụng phương pháp không đồng bộ, trước tiên các nhà phát triển cần gửi nhiệm vụ tới hợp đồng thông minh của mạng suy luận. Khi nhiệm vụ suy luận hoàn thành, hợp đồng thông minh của mạng suy luận sẽ trả về kết quả. Trong mô hình lập trình này, logic được chia thành hai phần: gọi suy luận và xử lý kết quả suy luận.

Nguồn: IOSG Ventures

Tình hình trở nên tồi tệ hơn nếu nhà phát triển có các lệnh gọi suy luận lồng nhau và nhiều logic điều khiển.

Nguồn: IOSG Ventures

Mô hình lập trình không đồng bộ gây khó khăn cho việc tích hợp với các hợp đồng thông minh hiện có. Điều này đòi hỏi các nhà phát triển phải viết nhiều mã bổ sung, xử lý lỗi và quản lý các phần phụ thuộc.

Tương đối, lập trình đồng bộ mang lại trực quan hơn cho các nhà phát triển, nhưng nó gây ra các vấn đề về thời gian phản hồi và thiết kế chuỗi khối. Ví dụ: nếu dữ liệu đầu vào đang thay đổi nhanh chóng như thời gian khối hoặc giá, thì dữ liệu đó không còn mới sau khi quá trình suy luận hoàn tất, điều này có thể khiến việc thực thi hợp đồng thông minh bị khôi phục trong một số trường hợp nhất định. Hãy tưởng tượng bạn đặt một giao dịch ở mức giá đã lỗi thời.

Nguồn: IOSG Ventures

Hầu hết cơ sở hạ tầng AI sử dụng quy trình xử lý không đồng bộ, nhưng Valence đang cố gắng giải quyết những vấn đề này.

3.2 Thực tế

Trên thực tế, nhiều Các mạng suy luận mới vẫn đang trong giai đoạn thử nghiệm, chẳng hạn như mạng Ritual. Theo các tài liệu công khai của họ, các mạng này hiện có chức năng hạn chế (các chức năng như xác minh và chứng thực chưa trực tuyến). Hiện tại, họ không cung cấp cơ sở hạ tầng đám mây để hỗ trợ tính toán AI trên chuỗi mà thay vào đó cung cấp một khuôn khổ để tính toán AI tự lưu trữ và chuyển kết quả trên chuỗi.

Đây là kiến ​​trúc chạy AIGC NFT. Mô hình phổ biến tạo ra NFT và tải chúng lên Arweave. Mạng suy luận sẽ sử dụng địa chỉ Arweave này để đúc NFT trên chuỗi.

Nguồn: IOSG Ventures

Quy trình này rất phức tạp và các nhà phát triển cần phải tự triển khai và duy trì hầu hết cơ sở hạ tầng, chẳng hạn như dịch vụ tùy chỉnh logic Nút nghi thức, nút Khuếch tán ổn định và hợp đồng thông minh NFT.

Đề xuất:Mạng suy luận hiện tại khá phức tạp trong việc tích hợp và triển khai các mô hình tùy chỉnh và ở giai đoạn này hầu hết các mạng vẫn có chức năng Xác thực không được hỗ trợ. Việc áp dụng công nghệ AI vào front-end sẽ mang đến cho các nhà phát triển sự lựa chọn tương đối đơn giản. Nếu bạn thực sự cần khả năng xác thực, nhà cung cấp ZKML Giza là một lựa chọn tốt.

4. Mạng đại lý

Mạng đại lý cho phép người dùng dễ dàng tùy chỉnh các đại lý. Mạng như vậy bao gồm các thực thể hoặc hợp đồng thông minh có thể tự động thực hiện các nhiệm vụ, liên lạc với nhau và tương tác với mạng blockchain mà không cần sự can thiệp trực tiếp của con người. Nó chủ yếu nhắm vào công nghệ LLM. Ví dụ: nó có thể cung cấp cho chatbot GPT kiến ​​thức chuyên sâu về Ethereum. Các công cụ hiện tại dành cho loại chatbot này tương đối hạn chế và các nhà phát triển chưa thể phát triển các ứng dụng phức tạp dựa trên chúng.

Nguồn: IOSG Ventures

Nhưng trong tương lai, mạng lưới đại lý sẽ cung cấp nhiều công cụ hơn cho các đại lý sử dụng, không chỉ kiến ​​thức mà còn cả gọi API bên ngoài, khả năng thực hiện các tác vụ cụ thể, v.v. Các nhà phát triển sẽ có thể kết nối nhiều tác nhân với nhau để xây dựng quy trình công việc. Ví dụ: viết một hợp đồng thông minh Solidity bao gồm nhiều tác nhân chuyên biệt, bao gồm tác nhân thiết kế giao thức, tác nhân phát triển Solidity, tác nhân đánh giá bảo mật mã và tác nhân triển khai Solidity.

Nguồn: IOSG Ventures

Chúng tôi điều phối sự hợp tác của các nhân viên này thông qua việc sử dụng lời nhắc và kịch bản.

Một số ví dụ về mạng proxy bao gồm Flock.ai, Myshell, Theoriq.

Được đề xuất: Hầu hết các tổng đài viên ngày nay đều có chức năng tương đối hạn chế. Đối với một số trường hợp sử dụng nhất định, proxy Web2 được phục vụ tốt hơn và có các công cụ điều phối hoàn thiện như Langchain, Llamaindex.

5. Sự khác biệt giữa mạng đại lý và mạng suy luận

Mạng đại lý tập trung nhiều hơn vào LLM và cung cấp các dịch vụ như Công cụ Langchain để tích hợp nhiều tác nhân. Thông thường, các nhà phát triển không cần phải tự phát triển các mô hình học máy và mạng đại lý đã đơn giản hóa quá trình phát triển và triển khai mô hình. Họ chỉ cần liên kết các tác nhân và công cụ cần thiết. Trong hầu hết các trường hợp, người dùng cuối sẽ trực tiếp sử dụng các proxy này.

Mạng suy luận là cơ sở hạ tầng hỗ trợ cho mạng đại lý. Nó cung cấp cho các nhà phát triển quyền truy cập cấp thấp hơn. Trong trường hợp bình thường, người dùng cuối không trực tiếp sử dụng mạng suy luận. Các nhà phát triển cần triển khai các mô hình của riêng họ, không giới hạn ở LLM và họ có thể sử dụng chúng thông qua các điểm truy cập ngoài chuỗi hoặc trên chuỗi.

Mạng đại lý và mạng suy luận không phải là những sản phẩm hoàn toàn độc lập. Chúng tôi đã bắt đầu thấy một số sản phẩm tích hợp theo chiều dọc. Chúng cung cấp cả khả năng tác nhân và suy luận vì cả hai chức năng đều dựa trên cơ sở hạ tầng tương tự.

6. Cơ hội mới地< /strong>

Ngoài suy luận mô hình, đào tạo và mạng lưới đại lý, còn có nhiều lĩnh vực mới đáng khám phá trong lĩnh vực web3:

• Bộ dữ liệu: Làm cách nào để biến dữ liệu blockchain thành bộ dữ liệu có thể sử dụng được cho máy học? Những gì các nhà phát triển máy học cần là dữ liệu cụ thể và mang tính thời sự hơn. Ví dụ: Giza cung cấp một số bộ dữ liệu chất lượng cao liên quan đến DeFi dành riêng cho đào tạo máy học. Dữ liệu lý tưởng phải vượt xa dữ liệu dạng bảng đơn giản và bao gồm dữ liệu đồ họa có thể mô tả các tương tác trong thế giới blockchain. Hiện tại, chúng ta vẫn chưa đủ về mặt này. Hiện tại có những dự án đang giải quyết vấn đề này bằng cách khen thưởng các cá nhân tạo ra các bộ dữ liệu mới, chẳng hạn như Bagel và Sahara, hứa hẹn bảo vệ quyền riêng tư của dữ liệu cá nhân.

• Lưu trữ mẫu: Một số mẫu có kích thước lớn, làm thế nào để lưu trữ và phân phối chúng. Và việc kiểm soát phiên bản của các mô hình này là chìa khóa, liên quan đến hiệu suất và chi phí của việc học máy trên chuỗi. Trong lĩnh vực này, các dự án tiên phong như Filecoin, AR và 0g đã có những tiến bộ.

• Đào tạo mô hình: Đào tạo mô hình phân tán và có thể kiểm chứng là một vấn đề. Gensyn, Bittensor, Flock và Allora đã đạt được những tiến bộ đáng kể.

• Giám sát: Vì lý luận mô hình được thực hiện cả trong và ngoài chain, Nếu có điều gì đó xảy ra, chúng tôi cần cơ sở hạ tầng mới để giúp các nhà phát triển web3 theo dõi việc sử dụng mô hình và phát hiện kịp thời các vấn đề và sai lệch có thể xảy ra. Với các công cụ giám sát phù hợp, nhà phát triển máy học web3 có thể điều chỉnh kịp thời và liên tục tối ưu hóa độ chính xác của mô hình.

• Cơ sở hạ tầng RAG: RAG phân tán yêu cầu môi trường cơ sở hạ tầng hoàn toàn mới, có yêu cầu cao hơn về lưu trữ, điện toán nhúng và cơ sở dữ liệu vector, đồng thời đảm bảo quyền riêng tư và bảo mật dữ liệu. Điều này rất khác so với cơ sở hạ tầng AI Web3 hiện tại vốn chủ yếu dựa vào các bên thứ ba để hoàn thiện RAG, chẳng hạn như Firstbatch và Bagel.

• Các mô hình được tùy chỉnh cho Web3: Không phải tất cả các mô hình đều phù hợp với Web3 kịch bản. Trong hầu hết các trường hợp, mô hình cần được đào tạo lại để thích ứng với các ứng dụng cụ thể như dự đoán và đề xuất giá. Khi cơ sở hạ tầng AI phát triển mạnh mẽ, chúng tôi mong đợi sẽ có thêm nhiều mô hình gốc web3 phục vụ các ứng dụng AI trong tương lai. Ví dụ: Pond đang phát triển blockchain GNN cho nhiều tình huống khác nhau như dự đoán giá, khuyến nghị, phát hiện gian lận và chống rửa tiền.

• Đánh giá mạng: Đánh giá các tác nhân khi không có phản hồi của con người Đó là không dễ. Khi các công cụ tạo đại lý trở nên phổ biến hơn, vô số đại lý sẽ xuất hiện trên thị trường. Điều này đòi hỏi một hệ thống thể hiện khả năng của các tác nhân này và giúp người dùng xác định tác nhân nào hoạt động tốt nhất trong một tình huống cụ thể. Ví dụ: Neuronets là người chơi trong không gian này.

• Cơ chế đồng thuận: Đối với các nhiệm vụ AI, PoS không nhất thiết phải là sự lựa chọn tốt nhất. Độ phức tạp tính toán, khó xác minh và thiếu sự chắc chắn là những thách thức chính mà PoS phải đối mặt. Bittensor tạo ra một cơ chế đồng thuận thông minh mới để thưởng cho các nút trong mạng đóng góp cho các mô hình và đầu ra máy học.

7. Tầm nhìn tương lai

Chúng tôi hiện đang quan sát xu hướng phát triển của ngành dọc hội nhập . Bằng cách xây dựng lớp điện toán cơ bản, mạng có thể cung cấp hỗ trợ cho nhiều tác vụ học máy khác nhau, bao gồm các dịch vụ đào tạo, suy luận và mạng tác nhân. Mô hình này nhằm cung cấp giải pháp toàn diện cho các nhà phát triển máy học Web3.

Hiện tại, suy luận trên chuỗi, mặc dù tốn kém và chậm, nhưng mang lại khả năng xác minh và tích hợp tuyệt vời với các hệ thống phụ trợ như hợp đồng thông minh. Tôi nghĩ tương lai sẽ là các ứng dụng lai. Một phần của quá trình xử lý lý luận sẽ được thực hiện trên giao diện người dùng hoặc ngoài chuỗi, trong khi những lý do đưa ra quyết định quan trọng đó sẽ được hoàn thành trên chuỗi. Mô hình này đã được sử dụng trên các thiết bị di động. Bằng cách tận dụng bản chất của thiết bị di động, nó có thể nhanh chóng chạy cục bộ các mô hình nhỏ và chuyển các tác vụ phức tạp hơn lên đám mây để tận dụng khả năng xử lý LLM lớn hơn.