OpenAI 4o đã phát hành, hãy nói về quan điểm về AI+blockchain

Tác giả: B Nguồn: X, @bonnazhu 

Với việc phát hành phiên bản OpenAI 4o gần đây, Hãy cùng nhau nói về quan điểm của bạn về AI+blockchain:

Làn sóng AI tổng quát do OpenAI dẫn đầu đã một mình thúc đẩy ba khía cạnh chính là dữ liệu, lưu trữ và điện toán. phát triển của một ngành. Từ đó trở đi, AI sẽ trở thành khách hàng quan trọng nhất của họ trong mười hoặc thậm chí nhiều thập kỷ tới. Một chuỗi phục vụ tốt AI, sau đó sử dụng AI để phục vụ khách hàng và ứng dụng trong các ngành công nghiệp hạ nguồn khác nhau đang dần hình thành. lớp giữa và công cụ:

Đầu tiên, AI thúc đẩy nhu cầu về cơ sở hạ tầng thượng nguồn:

1) Tính toán: Bao gồm thiết kế và sản xuất chip, dịch vụ điện toán đám mây, trung tâm dữ liệu, cơ sở hạ tầng mạng/điện, v.v.

Liên kết này tập trung vào vật lý, đào tạo AI và kết quả nhu cầu đầu ra Nó tiêu tốn rất nhiều năng lượng tính toán, điện và tài nguyên mạng, và hiệu suất của chip là chìa khóa quyết định hiệu quả và mức tiêu thụ năng lượng. Điều này quyết định cách các công ty thiết kế chip như Nvidia và AMD, các xưởng đúc wafer như TSMC và. Samsung, Google, Microsoft, Amazon và những gã khổng lồ công nghệ khác với hoạt động kinh doanh điện toán đám mây và trung tâm dữ liệu sẽ giành được giá trị lớn nhất trong vòng này.

Nhưng blockchain không phải không có công dụng của nó. Hiện tại, sự độc quyền về sức mạnh tính toán là rất rõ ràng. Rất khó để tìm được card GPU hiệu suất cao hoặc bạn phải trả phí cao để có được các dịch vụ liên quan từ các nhà cung cấp điện toán đám mây. Ngoài ra, do vấn đề địa chính trị, doanh số bán chip. lệnh cấm và các lý do khác, sức mạnh tính toán bị hạn chế về mặt địa lý. Việc phân phối cũng tập trung. Sự lan tỏa nhu cầu do sự mất cân bằng này gây ra đã khiến điện toán phi tập trung trở thành một trong những lĩnh vực blockchain thu được lợi ích thực sự trong làn sóng AI này. Có rất nhiều dự án trong lĩnh vực này, các dự án mới liên tục xuất hiện và sự cạnh tranh sẽ rất khốc liệt, chẳng hạn như @akashnet_@rendernetwork @gensynai @NodeAIETH @exa_bits @ionet @fluence_project @gpunet @nosana_ai v.v.

Tuy nhiên, do mâu thuẫn giữa những hạn chế về hiệu suất của chính mạng blockchain và tải tính toán cao của máy học, nên việc học sâu phức tạp phải được thực hiện- chuỗi, sau đó Kết quả được chuyển vào chuỗi. Cách xác minh xem nhà cung cấp năng lượng điện toán có thực hiện các nhiệm vụ đào tạo theo yêu cầu hay không là một điểm khó khăn và việc tính toán yêu cầu sử dụng dữ liệu và mô hình, điều này có thể gây ra các vấn đề tiềm ẩn về quyền riêng tư. Lúc này, sức mạnh của ZK (bằng chứng không có kiến ​​thức) trở nên rõ ràng. Hiện đã có nhiều dự án khám phá ZK để phục vụ AI, chẳng hạn như  @bagel_network @gizatechxyz @ModulusLabs  Tất cả đều nhằm mục đích tạo ra một nền tảng nơi các nhà phát triển có thể triển khai các mô hình AI và sử dụng ZK để hiệu chỉnh quá trình suy luận và đào tạo AI . Học máy ZK là một nền tảng học máy thử nghiệm, trong khi  @ezklxyz  là trình tạo và xác minh ZKP tập trung vào việc phục vụ AI và @Ingo_zk  đang nghiên cứu khả năng tăng tốc phần cứng thế hệ ZKP.

Ngoài ra, mức tiêu thụ năng lượng do AI tạo ra (bao gồm mức tiêu thụ năng lượng do tính toán và mức tiêu thụ năng lượng do tản nhiệt) cũng khá đáng kinh ngạc. Người ta nói rằng khi OpenAI đào tạo GPT-6, lưới điện của Microsoft đã sụp đổ. Khi các gã khổng lồ lớn tiếp tục tăng cường đầu tư vào các trung tâm dữ liệu AI (trong đó OpenAI có kế hoạch hợp tác với Microsoft để chi 100 tỷ USD để xây dựng siêu máy tính mang tên Stargate), mức tiêu thụ năng lượng sẽ chỉ tăng theo cấp số nhân. Tuy nhiên, chu kỳ xây dựng và cải tạo cơ sở hạ tầng mạng/điện rất chậm và ở các quốc gia như Hoa Kỳ, hầu hết đất đai đều thuộc sở hữu tư nhân và việc mở rộng lưới điện cũng như cơ sở hạ tầng liên quan cần có sự đồng ý của tư nhân. Làm thế nào để thúc đẩy các cá nhân tư nhân tham gia vào việc mở rộng cơ sở hạ tầng hoặc giảm bớt sự phụ thuộc và gánh nặng của họ vào lưới điện, có thể là một vấn đề quan trọng trong tương lai #DePin. Tất nhiên, ngoài sức mạnh, băng thông ổn định cũng là một trong những yêu cầu cơ sở hạ tầng quan trọng đối với AI. Hầu hết các trung tâm dữ liệu đều có xu hướng được xây dựng gần các ISP (Nhà cung cấp dịch vụ Internet). . Cách sử dụng #DePin để giải quyết vấn đề không phù hợp này cũng là một hướng đi đáng mong đợi.

2) Dữ liệu: bao gồm thu thập dữ liệu, chú thích/xử lý dữ liệu và giao dịch/ủy quyền dữ liệu.

Mặc dù dữ liệu là "thức ăn" của AI nhưng hầu hết các mô hình học máy chỉ có thể sử dụng dữ liệu có cấu trúc đã qua xử lý. Hiện nay, nguồn dữ liệu được sử dụng cho machine learning rất rộng và hầu hết là dữ liệu công cộng phi cấu trúc và phân tán, do đó cần rất nhiều thời gian và công sức để thu thập và xử lý những dữ liệu này. Đây thực sự là một công việc đòi hỏi nhiều lao động, nhưng nó cũng là một liên kết mà nền kinh tế chuỗi khối và mã thông báo có thể dễ dàng tham gia. Hiện tại, những người chính thực hiện hoạt động kinh doanh hợp đồng phụ thu thập và xử lý dữ liệu này là @getgrass_io @PublicAI_ @AITProtocol  ;Một số ít người này. những ngôi nhà.

Tuy nhiên, cần lưu ý rằng với sự xuất hiện của các kiến ​​trúc mô hình học máy mới, sự phụ thuộc vào dữ liệu có cấu trúc sẽ thay đổi. Các kiến ​​trúc kỹ thuật mới như mô hình học tự giám sát, GAN, VAE và đào tạo trước có thể sử dụng trực tiếp dữ liệu phi cấu trúc để học sâu, bỏ qua các liên kết xử lý và làm sạch dữ liệu, điều này sẽ có tác động nhất định đến nhu cầu về các nền tảng sử dụng nhiều lao động.

Ngoài ra, dữ liệu có thể được thu thập công khai chỉ là phần nổi của tảng băng dữ liệu trên thế giới thực sự nằm trong tay một lượng lớn dữ liệu. của các tổ chức tư nhân hoặc người dùng cá nhân Ngoại trừ một số doanh nghiệp, Ngoại trừ API công khai cho phép gọi điện, hầu hết dữ liệu vẫn chưa được kích hoạt. Làm thế nào để cho phép nhiều chủ sở hữu dữ liệu hơn đóng góp/ủy quyền dữ liệu của họ đồng thời bảo vệ tốt quyền riêng tư là một hướng đi quan trọng. Đã từng có nhiều nền tảng dành cho giao dịch dữ liệu phi tập trung, nhưng vì họ gặp khó khăn trong việc tìm kiếm các bên có nhu cầu về dữ liệu nên sau nhiều đợt sóng, về cơ bản chỉ một số nền tảng như  @oceanprotocol  tồn tại được. Mô hình điện toán thành dữ liệu cho phép người dùng dữ liệu thực hiện các phép tính trực tiếp trên tập dữ liệu của người chia sẻ dữ liệu mà không làm lộ dữ liệu, điều này giải quyết chính xác điểm yếu về quyền riêng tư này.

3) Lưu trữ: bao gồm cơ sở dữ liệu (database), hệ thống sao lưu/lưu trữ dữ liệu (storage)

Dữ liệu được các mô hình học sâu sử dụng trong quá trình đào tạo và suy luận hầu hết được lấy từ cơ sở dữ liệu hoặc hệ thống sao lưu lưu trữ dữ liệu. Cơ sở dữ liệu và hệ thống sao lưu/lưu trữ có thể được hiểu là "tủ lạnh", nhưng cơ sở dữ liệu và hệ thống sao lưu/lưu trữ thực sự khác nhau. Cơ sở dữ liệu và hệ thống sao lưu/lưu trữ trước đây tập trung vào quản lý và cần hỗ trợ việc đọc và ghi thường xuyên, cũng như các truy vấn phức tạp (như SQL) và. Các nhà đầu tư sau này tập trung vào việc sao lưu và lưu trữ quy mô lớn, lâu dài và cần đảm bảo quyền riêng tư, bảo mật và bất biến.

Cơ sở dữ liệu và bộ lưu trữ bổ sung cho nhau và cùng phục vụ cho việc học sâu của AI. Một tình huống điển hình là: dữ liệu được trích xuất từ ​​cơ sở dữ liệu, được xử lý trước và làm sạch rồi chuyển đổi thành dữ liệu. mô hình phù hợp, định dạng đào tạo, dữ liệu đã xử lý có thể được lưu trữ trong bộ lưu trữ phi tập trung để đảm bảo an toàn dữ liệu. Trong giai đoạn đào tạo mô hình, dữ liệu đào tạo được đọc từ bộ lưu trữ phi tập trung và đào tạo mô hình được thực hiện. Dữ liệu trung gian và các tham số mô hình được tạo trong quá trình đào tạo có thể được lưu trữ trong cơ sở dữ liệu để truy cập, tinh chỉnh và cập nhật nhanh chóng.

Lĩnh vực này là lợi thế của blockchain, @ArweaveEco @Filecoin @storj @Sia__Foundation tất cả đều nằm trong hướng này, thậm chí  được phân loại, nhưng người ta ngày càng cảm thấy rằng @ArweaveEco  là giải pháp phù hợp nhất để phục vụ AI: mô hình lưu trữ vĩnh viễn thanh toán một lần, được bổ sung bởi nhiều dự án cơ sở dữ liệu trong hệ sinh thái và mạng điện toán AO kiến ​​trúc song song mới được phát hành thích ứng hoàn hảo đáp ứng nhu cầu của các tác vụ đa luồng trong học sâu, điều này giúp nó có khả năng hỗ trợ tốt việc triển khai học máy.

Thứ hai, hiệu suất của AI xác định giới hạn trên của các ứng dụng hạ nguồn:

Mặc dù AI có hoặc Có ít nhiều ứng dụng trong lĩnh vực công nghiệp và nông nghiệp (2B), nhưng những đột phá mà chúng ta thấy ở vòng này chủ yếu là các ứng dụng 2C dựa trên mô hình ngôn ngữ lớn (LLM). Chúng ta có thể chia các ứng dụng này thành hai loại chính:

Danh mục đầu tiên thực ra chỉ là hiện thân của một mô hình ngôn ngữ lớn, chẳng hạn như một số nền tảng AIGC, tạo ra người dùng dựa trên hướng dẫn của người dùng, kết quả mong muốn, nhưng hiệu suất của loại ứng dụng này chủ yếu phụ thuộc vào mô hình AI được sử dụng và mô hình LLM chính được các gã khổng lồ độc quyền nên sự khác biệt giữa các ứng dụng thường nhỏ và hào tương đối. thu hẹp; loại còn lại là Sử dụng các mô hình AI để cải thiện chức năng và trải nghiệm người dùng của các sản phẩm hiện có, chẳng hạn như công cụ tìm kiếm, trò chơi, v.v. đã bổ sung các khả năng AI, bao gồm @_kaitoai @ScopeProtocol @EchelonFND

Ngoài ra, làn sóng Generative AI cũng đã thúc đẩy một hệ sinh thái ứng dụng mới - AI Agent, tức là một robot thông minh, có khả năng thực hiện nhiệm vụ một cách độc lập và đưa ra quyết định dựa trên ý định của người dùng. Bản chất của AI Agent là bổ sung thêm logic thực thi và xử lý phức tạp hơn dựa trên mô hình LLM để nó có thể phục vụ các tình huống ứng dụng khác nhau. Trên thực tế, nguyên mẫu của loại Đại lý này đã tồn tại trong lĩnh vực tiền điện tử, chẳng hạn như bot thanh lý các giao thức cho vay DeFi và bot chênh lệch giá của các nền tảng giao dịch phi tập trung. Mặc dù các DeFi Bot này có một số đặc điểm của robot thông minh, nhưng chúng hoàn toàn hoạt động trên chuỗi và không hỗ trợ hành vi ngoài chuỗi. Vì dựa trên hợp đồng thông minh nên chúng yêu cầu các tác nhân kích hoạt bên ngoài để bắt đầu.

Trong trường hợp không có AI, một tập hợp các mạng quản lý bên ngoài hiện được sử dụng để kết nối ngoài chuỗi và trên chuỗi. Ví dụ: lời tiên tri về giá là. một ví dụ điển hình như vậy, và @thekeep3r cũng là một ví dụ. Sự xuất hiện của AI Agent đã đưa ra một ý tưởng mới, đó là robot thông minh có thể tự hoàn thành công việc đó và thực hiện tự động hóa. Mục tiêu chính của Tác nhân AI trên chuỗi là: @autonolas @MorpheusAIs ; trong khi mục tiêu của Tác nhân AI tổng quát hơn là:  @chainml_ @Fetch_ai ; và tương tác giữa người và máy tính là: @myshell_ai  @virtuals_io @The_Delysium Các đặc điểm của loại Tác nhân này là nhân cách hóa, mang lại giá trị cảm xúc và có không gian tưởng tượng để sử dụng trong nhiều trò chơi và siêu vũ trụ khác nhau.

Thứ ba, được viết ở cuối:

AI thực sự là một câu chuyện tổng hợp. Nó xuất hiện. , kết nối một số lĩnh vực tiền điện tử ban đầu bị cô lập hoặc thậm chí không thể tìm thấy sự hội tụ của thị trường. Hiện tại, AI vẫn đang trong thời đại đầu tư cơ sở hạ tầng quy mô lớn. Các lĩnh vực thượng nguồn như dữ liệu, lưu trữ và điện toán là những ngành được hưởng lợi trực tiếp và liên tục nhất. Chúng nhạy cảm hơn với sự phát triển của AI và có độ chắc chắn cao hơn.

Nhưng đối với các nhà đầu tư trong ngành này, rủi ro là phần lớn cổ tức có thể không nằm ở thị trường tiền điện tử. Hiện tại, hiệu ứng AI trong thị trường tiền điện tử. Thị trường tiền tệ vẫn đến từ truyền thống Hiệu ứng lan tỏa do mất cân bằng cung cầu thị trường có thể chỉ là đầu cơ thuần túy. Đối với các ứng dụng hạ nguồn, trần hiệu suất phụ thuộc vào mô hình AI và mô hình AI vẫn đang trong quá trình lặp lại liên tục, điểm tích hợp giữa AI và sản phẩm vẫn đang được khám phá và chưa phù hợp với thị trường được xác minh, điều này làm cho các biến số trong tương lai của các ứng dụng hạ nguồn tương đối không chắc chắn. Lớn, độ chắc chắn không cao bằng khu vực thượng nguồn.

Tất nhiên, có những dự án như @bittensor_ và @ritualnet. Tôi nghĩ nó nên được gọi là dự án nền tảng sinh thái AI. Họ không chỉ tập trung vào một phần hoạt động kinh doanh thượng nguồn hoặc hạ nguồn nhất định, mà thông qua việc thiết kế kiến ​​trúc và cơ chế kinh tế, nhiều nhà cung cấp dịch vụ thượng nguồn và hạ nguồn khác nhau có thể truy cập và triển khai vào nền tảng hoặc chuỗi của họ để đạt được cái gọi là hợp tác trí tuệ nhân tạo. Các dự án này có triển vọng lớn, nhưng các vấn đề về nắm bắt nhu cầu hiện đang gặp phải ở thượng nguồn và hạ nguồn của blockchain AI cũng sẽ ảnh hưởng đến chúng và mức định giá của chúng tương đối cao. Tuy nhiên, rủi ro khi đặt cược vào các nền tảng này sẽ tương đối nhỏ so với việc đặt cược vào một dự án cụ thể.

Trong ngắn hạn, liệu blockchain có thể tiếp tục hưởng lợi từ cổ tức AI hay không vẫn còn phụ thuộc vào sự mất cân đối cung cầu trong lĩnh vực thượng nguồn, đặc biệt là tình trạng thiếu nguồn cung tiếp tục diễn ra. Tuy nhiên, trong trung và dài hạn, khả năng xác minh, không giả mạo và khuyến khích mã thông báo của blockchain thực sự có thể mang lại những khả năng mới cho AI. Trong số đó, bằng chứng không có kiến ​​thức là một công cụ mạnh mẽ không chỉ có thể bảo vệ quyền riêng tư mà còn có thể đạt được. xác minh đáng tin cậy, giải quyết hoàn hảo vấn đề blockchain phục vụ các yêu cầu tính toán cao của AI deep learning trong điều kiện hạn chế về hiệu suất.