Nguồn bài viết này: https://www.caseycaruso.com/thoughts/decentralized-ai
Đã biên soạn: https://twitter.com/BTCdayu
Dưới đây là các danh mục tôi thấy thú vị ở điểm giao thoa giữa crypto và trí tuệ nhân tạo.
Tôi tin rằng sự cởi mở mang lại sự đổi mới. Trong những năm gần đây, trí tuệ nhân tạo đã vượt qua vực thẳm để đạt được tiện ích và tầm ảnh hưởng toàn cầu. Vì sức mạnh tính toán tăng lên khi tài nguyên được củng cố, trí tuệ nhân tạo sẽ tự nhiên thúc đẩy sự tập trung hóa và những người có sức mạnh tính toán cao hơn sẽ dần trở nên vị trí chủ đạo. Điều này tạo ra rủi ro cho tốc độ đổi mới của chúng tôi. Tôi tin rằng phi tập trung và Web3 là những đối thủ mạnh để giữ cho AI luôn mở.
Danh sách này và các công ty mẫu này thay đổi hàng ngày. Xin đừng coi đây là nguồn thực tế mà chỉ là một bức ảnh chụp nhanh kịp thời. Nếu tôi bỏ lỡ một số công ty hoặc bạn cho rằng tôi sai, vui lòng nhắn tin cho tôi trên Twitter. Rất thích tranh luận.
Điện toán phi tập trung để đào tạo trước + tinh chỉnh
Điện toán cộng đồng (CPU + GPU)
Lập luận: Mô hình nguồn lực cộng đồng airbnb/uber có tiềm năng mở rộng sang lĩnh vực điện toán và tổng hợp điện toán thay thế vào thị trường. Các vấn đề mà điều này có thể giải quyết: 1) Điện toán rẻ hơn cho một số trường hợp sử dụng nhất định có thể xử lý một số thời gian ngừng hoạt động/độ trễ; 2) Điện toán chống kiểm duyệt cho các mô hình đào tạo có thể được quản lý/kiểm duyệt trong tương lai.
Phản đối: Điện toán nguồn lực cộng đồng không thể đạt được quy mô kinh tế; hầu hết các GPU hiệu suất cao không thuộc sở hữu của người tiêu dùng. Điện toán phi tập trung là một nghịch lý hoàn toàn; nó thực sự trái ngược với điện toán hiệu năng cao…hãy hỏi bất kỳ kỹ sư cơ sở hạ tầng/máy học nào!
Các dự án ví dụ: Akash, Render, io.net, Ritual, Hyperbolic, Gensyn
Lý luận phi tập trung
Chạy suy luận trên các mô hình mã nguồn mở theo cách phi tập trung
Lập luận: Mô hình mã nguồn mở(OS) về mặt nào đó đang tiếp cận nguồn đóng ( 1 ) và được áp dụng. Để chạy suy luận trên các mô hình hệ điều hành, hầu hết mọi người sử dụng các dịch vụ tập trung như HuggingFace hoặc Replicate, những dịch vụ này đưa ra các vấn đề về quyền riêng tư và kiểm duyệt. Một giải pháp là chạy suy luận thông qua một nhà cung cấp phi tập trung hoặc phân tán.
Phản đối: Không cần phải phân cấp lý luận vì lý luận cục bộ sẽ thắng. Hiện đã có sẵn các chip chuyên dụng có thể xử lý suy luận mô hình tham số 7b+. Điện toán biên là giải pháp của chúng tôi cho quyền riêng tư và kiểm duyệt.
Các dự án ví dụ: Ritual, gpt4all (hosted), Ollama (web2), Edgellama (Web3, P2P Ollama), Petals
Đại lý trí tuệ nhân tạo trên chuỗi
Các ứng dụng trên chuỗi sử dụng máy học
Lập luận: Các tác nhân AI (ứng dụng sử dụng AI) cần có lớp phối hợp để thực hiện các giao dịch. Việc các đại lý AI sử dụng crypto để thanh toán có thể hợp lý vì nó vốn là kỹ thuật số và rõ ràng các đại lý không thể thông qua KYC để mở tài khoản ngân hàng. Các tác nhân AI phi tập trung cũng không có rủi ro về nền tảng. Ví dụ: OpenAI vừa quyết định ngẫu nhiên thay đổi kiến trúc plug-in ChatGPT của họ, điều này đã làm hỏng plug-in Talk2Books của tôi mà không báo trước. câu chuyện có thật. Các đại lý được xây dựng trên chuỗi không có rủi ro nền tảng giống nhau.
Nhược điểm: Đại lý chưa sẵn sàng sản xuất... chút nào. BabyAGI, AutoGPT, v.v. đều là đồ chơi! Ngoài ra, đối với các khoản thanh toán, thực thể tạo tác nhân AI chỉ có thể sử dụng API Stripe mà không cần thanh toán crypto. Đối với lập luận rủi ro nền tảng, đây là một trường hợp sử dụng crypto đã cũ mà chúng tôi chưa thấy diễn ra… tại sao lần này lại khác?
Các dự án ví dụ: AI Arena , MyShell, Operator.io, Fetch.ai
Nguồn dữ liệu và mô hình
Tự quản lý dữ liệu và mô hình học máy của bạn để thu thập giá trị mà chúng tạo ra
Lập luận: Dữ liệu phải thuộc sở hữu của người dùng đã tạo ra dữ liệu chứ không phải công ty đã thu thập dữ liệu. Dữ liệu là tài nguyên quý giá nhất trong thời đại kỹ thuật số, nhưng nó bị các công ty công nghệ lớn độc quyền và có nguồn tài chính kém. Web siêu cá nhân hóa đang xuất hiện và yêu cầu dữ liệu và mô hình di động. Chúng tôi sẽ di chuyển dữ liệu và mô hình từ ứng dụng này sang ứng dụng khác qua Internet, giống như chúng tôi chuyển ví tiền crypto từ dapp này sang dapp khác. Nguồn dữ liệu, và đặc biệt là độ sâu của hành vi lừa đảo, là một vấn đề lớn, và ngay cả Biden cũng thừa nhận điều đó. Kiến trúc blockchain có thể là giải pháp tốt nhất cho thách thức về nguồn gốc dữ liệu.
Nhược điểm: Không ai quan tâm đến việc sở hữu dữ liệu hoặc quyền riêng tư của họ. Chúng tôi thấy điều này hết lần này đến lần khác với sở thích của người dùng. Kiểm tra trạng thái đăng ký trên Facebook/Instagram! Cuối cùng, mọi người sẽ tín nhiệm dữ liệu ML của OpenAI. Chúng ta hãy thực tế.
Các dự án ví dụ: Vana , Rainfall
Các ứng dụng khích lệ token (ví dụ: các ứng dụng đồng hành)
Hãy xem xét Character.ai bằng cách sử dụng token crypto
Lập luận: Khích lệ token crypto rất hiệu quả trong việc hướng dẫn mạng lưới và hành vi. Chúng ta sẽ thấy các ứng dụng tập trung vào AI tận dụng cơ chế này. Một thị trường hấp dẫn có thể là những người bạn đồng hành của AI, mà chúng tôi tin rằng sẽ là thị trường có hàng nghìn tỷ AI bản địa. Vào năm 2022, Hoa Kỳ sẽ chi hơn 130 tỷ ĐÔ LA cho thú cưng; bạn đồng hành của AI là thú cưng 2.0. Chúng tôi đã thấy các ứng dụng đồng hành AI đạt PMF, với thời gian phiên trung bình của Character.ai vượt quá 1 giờ. Chúng tôi sẽ không ngạc nhiên khi thấy các nền tảng khích lệ crypto chiếm thị thị phần ở đây và trong các ngành ứng dụng AI khác.
Lập luận phản bác: Đây chỉ là phần mở rộng của cơn hưng cảm đầu crypto và sẽ không tạo ra tác dụng lâu dài. Mã thông báo là CAC của Web 3.0. Chẳng phải chúng ta đã học được bài học từ Axie Infinity sao?
Các dự án ví dụ: MyShell , Deva
MLOps khích lệ token (ví dụ: đào tạo, RLHF, suy luận)
Hãy xem xét ScalAI với phần thưởng token crypto
Lập luận: Khích lệ crypto có thể được sử dụng trong suốt quy trình làm việc của máy học để khích lệ các hành động như tối ưu hóa tỷ trọng, tinh chỉnh, RLHF – trong đó con người đánh giá đầu ra của mô hình để tinh chỉnh thêm.
Nhược điểm: MLOps là một trường hợp sử dụng tồi cho phần thưởng crypto vì chất lượng quá quan trọng. Mặc dù token crypto rất tốt trong khích lệ hành vi của người tiêu dùng khi entropy được chấp nhận, nhưng chúng lại kém trong việc điều phối hành vi khi chất lượng và độ chính xác là rất quan trọng.
Các dự án ví dụ: BitTensor, Ritual
Xác minh trên chuỗi (ZKML)
Chứng minh những mô hình nào chạy hiệu quả trên chuỗi và kết nối với thế giới crypto
Lập luận: Khả năng xác minh mô hình trên chuỗi sẽ mở ra khả năng kết hợp, nghĩa là bạn có thể tận dụng các kết quả đầu ra trên DeFi và crypto. Năm năm nữa, khi chúng ta có những người đại diện chạy các mô hình bác sĩ cho chúng ta thay vì đến gặp bác sĩ, chúng ta sẽ cần một số phương pháp để xác thực kiến thức của họ và chính xác những mô hình nào đã được sử dụng trong chẩn đoán. Khả năng kiểm chứng của mô hình tương tự như danh tiếng trí tuệ.
Phản đối: Không ai cần xác minh mô hình nào đang được chạy. Đây là mối quan tâm ít nhất của chúng tôi. Chúng tôi đang đặt xe trước con ngựa. Không ai chạy llama2 và lo lắng về việc chạy các mô hình khác nhau trong nền. Đây là vấn đề mà crypto(Zero Knowledge (ZK)) đang tìm cách giải quyết và hậu quả của việc ZK nhận được quá nhiều sự cường điệu và rủi ro tư mạo hiểm.
Dự án ví dụ: Modulus Labs, UpShot, EZKL
