a16z: สำรวจโมเดลธุรกิจใหม่สี่โมเดลโดยอาศัยการบูรณาการ AI และบล็อกเชน

วิดีโอต้นฉบับ:Web3 with a16z, AI & Crypto

ผู้เขียนต้นฉบับ: Dan Boneh (ศาสตราจารย์ที่มหาวิทยาลัยสแตนฟอร์ด ที่ปรึกษาการวิจัยอาวุโสของ a16z crypto) มุ่งเน้นไปที่การเข้ารหัส ความปลอดภัยของคอมพิวเตอร์ และการเรียนรู้ของเครื่อง Ali Yahya (หุ้นส่วนทั่วไปของ a16z crypto) ซึ่งทำงานที่ Google Brain และยังเป็นเครื่องของ Google อีกด้วย ห้องสมุดการเรียนรู้ TensorFlow หนึ่งในผู้มีส่วนร่วมหลัก

จัดระเบียบและคอมไพล์: Qianwen, ChainCatcher

สตีเฟน คิงเคยเขียนนิยายวิทยาศาสตร์เรื่อง The Diamond Age ซึ่งมีอุปกรณ์ปัญญาประดิษฐ์ที่ทำหน้าที่เป็นที่ปรึกษาให้กับผู้คนตลอดชีวิต เมื่อคุณเกิด คุณจะถูกจับคู่กับ AI ที่รู้จักคุณเป็นอย่างดี รู้ว่าคุณชอบและไม่ชอบ ติดตามคุณไปตลอดชีวิต ช่วยคุณตัดสินใจ และนำทางคุณไปในทิศทางที่ถูกต้อง ฟังดูดี แต่คุณคงไม่อยากให้เทคโนโลยีแบบนี้ตกไปอยู่ในมือของพ่อค้าคนกลางรายใหญ่ เพราะสิ่งนี้จะนำการควบคุมมาสู่บริษัทอย่างมาก เช่นเดียวกับปัญหาความเป็นส่วนตัวและอธิปไตยหลายประการ

เราต้องการให้เทคโนโลยีนี้เป็นของฉันอย่างแท้จริง และมีวิสัยทัศน์ที่คุณสามารถทำได้ด้วยบล็อกเชนคุณสามารถฝังปัญญาประดิษฐ์ไว้ในสัญญาอัจฉริยะได้ รักษาข้อมูลของคุณให้เป็นส่วนตัวด้วยพลังของการพิสูจน์ความรู้แบบศูนย์ ในอีกไม่กี่ทศวรรษข้างหน้า เทคโนโลยีนี้จะฉลาดขึ้นเรื่อยๆ เท่านั้น คุณสามารถเลือกทำสิ่งที่คุณต้องการหรือเปลี่ยนแปลงตามที่คุณต้องการ

แล้วความสัมพันธ์ระหว่างบล็อคเชนกับปัญญาประดิษฐ์คืออะไร? ปัญญาประดิษฐ์จะนำเราไปสู่โลกแบบไหน? สถานะปัจจุบันและความท้าทายของปัญญาประดิษฐ์คืออะไร? บล็อกเชนจะมีบทบาทอย่างไรในกระบวนการนี้?

AI และบล็อคเชน: แข่งขันกัน

การพัฒนาปัญญาประดิษฐ์ รวมถึงฉากที่อธิบายไว้ใน ยุคเพชร นั้นมีอยู่เสมอ และเพิ่งมีประสบการณ์แบบก้าวกระโดดเมื่อไม่นานมานี้

ประการแรก AI ส่วนใหญ่เป็นเทคโนโลยีที่ควบคุมจากบนลงล่างและควบคุมจากส่วนกลางเทคโนโลยีการเข้ารหัสเป็นเทคโนโลยีความร่วมมือแบบกระจายอำนาจจากล่างขึ้นบน ในหลาย ๆ ด้าน สกุลเงินดิจิทัลคือการศึกษาวิธีสร้างระบบกระจายอำนาจที่ช่วยให้เกิดความร่วมมือของมนุษย์ในวงกว้างโดยไม่ต้องมีผู้ควบคุมจากส่วนกลางในความหมายที่แท้จริง ในแง่นี้ มันเป็นวิธีธรรมชาติที่เทคโนโลยีทั้งสองนี้สามารถมารวมกันได้

AI เป็นนวัตกรรมที่ยั่งยืนซึ่งปรับปรุงรูปแบบธุรกิจของบริษัทเทคโนโลยีปัจจุบัน และช่วยให้พวกเขาตัดสินใจจากบนลงล่าง ตัวอย่างที่ดีที่สุดคือ Google ซึ่งสามารถตัดสินใจได้ว่าเนื้อหาใดที่จะนำเสนอต่อผู้ใช้จากผู้ใช้นับพันล้านรายและการดูหน้าเว็บนับพันล้านครั้ง ในทางกลับกัน สกุลเงินดิจิทัลถือเป็นนวัตกรรมที่ก่อให้เกิดการเปลี่ยนแปลง โดยพื้นฐานแล้วรูปแบบธุรกิจขัดแย้งกับบริษัทเทคโนโลยีขนาดใหญ่นี่คือการเคลื่อนไหวที่นำโดยกลุ่มกบฏ ไม่ใช่โดยผู้มีอำนาจ

ดังนั้นปัญญาประดิษฐ์อาจเกี่ยวข้องอย่างใกล้ชิดกับการคุ้มครองความเป็นส่วนตัวทุกด้าน และทั้งสองส่งเสริมและโต้ตอบซึ่งกันและกัน AI ในฐานะเทคโนโลยีได้สร้างแรงจูงใจมากมายที่นำไปสู่ความเป็นส่วนตัวของผู้ใช้น้อยลงเรื่อยๆ เนื่องจากบริษัทต่างๆ ต้องการได้รับข้อมูลทั้งหมดของเรา และแบบจำลองปัญญาประดิษฐ์ที่ได้รับการฝึกอบรมเกี่ยวกับข้อมูลมากขึ้นเรื่อยๆ ก็จะมีประสิทธิภาพมากขึ้น ในทางกลับกัน AI ไม่ได้สมบูรณ์แบบ โมเดลอาจมีอคติได้ และอคติอาจนำไปสู่ผลลัพธ์ที่ไม่ยุติธรรม ดังนั้นจึงมีเอกสารจำนวนมากเกี่ยวกับความเป็นธรรมของอัลกอริทึมในขั้นตอนนี้

ฉันคิดว่าเรากำลังมุ่งหน้าไปสู่เส้นทางสู่ AI ซึ่งข้อมูลของทุกคนจะถูกรวมเข้ากับการฝึกอบรมโมเดลขนาดใหญ่เหล่านี้เพื่อปรับโมเดลให้เหมาะสมที่สุด ในทางกลับกัน สกุลเงินดิจิทัลมีการเคลื่อนไหวไปในทิศทางตรงกันข้าม เพิ่มความเป็นส่วนตัวและให้อำนาจแก่ผู้ใช้ในการควบคุมอธิปไตยของข้อมูลของตนกล่าวได้ว่าเทคโนโลยีการเข้ารหัสเป็นเทคโนโลยีที่แข่งขันกับปัญญาประดิษฐ์เนื่องจากสามารถช่วยให้เราแยกแยะเนื้อหาที่สร้างโดยมนุษย์หรือปัญญาประดิษฐ์จากเนื้อหาที่หลากหลายได้ ในโลกที่เนื้อหาที่สร้างโดยปัญญาประดิษฐ์ท่วมท้นเทคโนโลยีการเข้ารหัสจะกลายเป็น เครื่องมือสำคัญในการดูแลรักษาและรักษาเนื้อหาของมนุษย์

Cryptocurrency นั้นเป็นดินแดนตะวันตกเพราะมันไม่ได้รับอนุญาตโดยสิ้นเชิงเพราะใคร ๆ ก็สามารถเข้าร่วมได้ คุณต้องถือว่าฝ่ายเหล่านี้บางฝ่ายเป็นอันตรายดังนั้น ขณะนี้จึงมีความต้องการเครื่องมือบางอย่างมากขึ้นเพื่อช่วยคุณกรองผู้เล่นที่ซื่อสัตย์ออกจากผู้เล่นที่ไม่ซื่อสัตย์ และการเรียนรู้ของเครื่องและปัญญาประดิษฐ์ในฐานะเครื่องมืออัจฉริยะจะเป็นประโยชน์อย่างยิ่งในเรื่องนี้

ตัวอย่างเช่น มีโปรเจ็กต์ที่ใช้การเรียนรู้ของเครื่องเพื่อระบุธุรกรรมที่น่าสงสัยที่ส่งไปยังกระเป๋าเงิน ด้วยวิธีนี้ ธุรกรรมของผู้ใช้เหล่านี้จะถูกทำเครื่องหมายและส่งไปยังบล็อกเชน วิธีนี้ใช้ได้ผลดีเพื่อป้องกันไม่ให้ผู้ใช้ส่งเงินทั้งหมดของตนไปยังผู้โจมตีโดยไม่ตั้งใจ หรือทำสิ่งที่พวกเขาจะต้องเสียใจในภายหลัง แมชชีนเลิร์นนิงยังสามารถใช้เป็นเครื่องมือในการช่วยคุณตัดสินล่วงหน้าว่าธุรกรรมใดอาจมี mev ด้วย

เช่นเดียวกับที่โมเดล LLM สามารถใช้ตรวจจับข้อมูลปลอมหรือกิจกรรมที่เป็นอันตรายได้ ในทางกลับกัน โมเดลเหล่านี้ก็สามารถนำมาใช้เพื่อสร้างข้อมูลปลอมได้เช่นกันตัวอย่างที่พบบ่อยที่สุดคือ Deepfake คุณสามารถสร้างวิดีโอของบุคคลที่พูดสิ่งที่พวกเขาไม่เคยพูดมาก่อนได้ แต่บล็อคเชนสามารถช่วยบรรเทาปัญหานี้ได้จริง

ตัวอย่างเช่น มีการประทับเวลาบนบล็อกเชน ซึ่งแสดงว่าคุณพูดเช่นนั้นและเช่นนั้นในวันที่นี้ หากมีคนปลอมแปลงวิดีโอ คุณสามารถใช้การประทับเวลาเพื่อปฏิเสธได้ข้อมูลทั้งหมดนี้ซึ่งเป็นข้อมูลจริงจริง จะถูกบันทึกไว้ในบล็อกเชน และสามารถใช้เพื่อพิสูจน์ว่าวิดีโอ Deepfake นี้เป็นของปลอมจริงๆดังนั้นฉันคิดว่าบล็อคเชนอาจช่วยต่อสู้กับการปลอมแปลงได้
นอกจากนี้เรายังสามารถพึ่งพาฮาร์ดแวร์ที่เชื่อถือได้ในการดำเนินการนี้ อุปกรณ์เช่นกล้องและโทรศัพท์ของเราลงนามในรูปภาพและวิดีโอที่ถ่ายเป็นมาตรฐาน ซึ่งเรียกว่า C 2 PA และระบุว่ากล้องจะลงนามข้อมูลอย่างไร ในความเป็นจริง กล้องตัวหนึ่งของ Sony สามารถถ่ายภาพและวิดีโอได้แล้ว จากนั้นสร้างลายเซ็น C 2 PA บนวิดีโอ นี่เป็นหัวข้อที่ซับซ้อนและเราจะไม่พูดถึงมันที่นี่

โดยปกติแล้ว เมื่อหนังสือพิมพ์เผยแพร่รูปภาพ พวกเขาจะไม่เผยแพร่ภาพที่ถ่ายจากกล้องเหมือนเดิม พวกเขาทำการครอบตัด และให้สิทธิ์อนุญาตกับรูปภาพ เมื่อคุณเริ่มแก้ไขรูปภาพ หมายความว่าผู้รับ ผู้อ่านคนสุดท้าย และผู้ใช้บนเบราว์เซอร์จะไม่เห็นรูปภาพต้นฉบับ และไม่สามารถดำเนินการตรวจสอบลายเซ็น C 2 PA ได้

คำถามคือ ผู้ใช้จะยืนยันได้อย่างไรว่าภาพที่ตนเห็นได้รับการลงนามอย่างถูกต้องจากกล้อง C 2 PA นี่คือที่มาของเทคนิค ZK คุณสามารถพิสูจน์ได้ว่ารูปภาพที่แก้ไขนั้นจริงๆ แล้วเป็นผลมาจากการลดขนาดตัวอย่างและการปรับสเกลสีเทาของรูปภาพที่เซ็นชื่ออย่างถูกต้อง ด้วยวิธีนี้ เราสามารถแทนที่ลายเซ็น C 2 PA ด้วยหลักฐาน zk แบบง่ายๆ และโต้ตอบแบบหนึ่งต่อหนึ่งกับรูปภาพเหล่านี้ ในตอนนี้ผู้อ่านยังคงยืนยันได้ว่าสิ่งที่พวกเขาเห็นคือภาพจริง ดังนั้นจึงสามารถใช้เทคโนโลยี zk เพื่อต่อต้านข้อมูลนี้ได้

blockchain ทำลายเกมได้อย่างไร?

ปัญญาประดิษฐ์ถือเป็นเทคโนโลยีแบบรวมศูนย์โดยพื้นฐานแล้ว โดยส่วนใหญ่แล้วจะได้รับประโยชน์จากการประหยัดต่อขนาด เนื่องจากสิ่งต่างๆ มีประสิทธิภาพมากกว่าหากเรียกใช้จากศูนย์ข้อมูลเพียงแห่งเดียว นอกจากนี้ ข้อมูล โมเดลการเรียนรู้ของเครื่องจักร ความสามารถในการเรียนรู้ของเครื่องจักร ฯลฯ มักจะถูกควบคุมโดยบริษัทเทคโนโลยีจำนวนไม่มาก
แล้วจะทำลายสถานการณ์ได้อย่างไร? สกุลเงินดิจิตอลสามารถช่วยเรากระจายอำนาจ AI โดยใช้เทคโนโลยีเช่น ZKMLสามารถนำไปใช้ในศูนย์ข้อมูล ฐานข้อมูล และโมเดลการเรียนรู้ของเครื่องได้ ตัวอย่างเช่น ในแง่ของการคำนวณ การใช้การพิสูจน์ความรู้แบบศูนย์ ผู้ใช้สามารถพิสูจน์ได้ว่ากระบวนการของการอนุมานหรือการฝึกอบรมแบบจำลองนั้นถูกต้อง

ด้วยวิธีนี้ คุณสามารถจ้างบุคคลภายนอกกระบวนการให้กับชุมชนขนาดใหญ่ได้ ภายใต้กระบวนการแบบกระจายนี้ ใครก็ตามที่มี GPU สามารถสนับสนุนพลังการประมวลผลให้กับเครือข่ายและฝึกฝนโมเดลด้วยวิธีนี้ โดยไม่ต้องพึ่งพาศูนย์ข้อมูลขนาดใหญ่ที่ GPU ทั้งหมดกระจุกตัวอยู่

จากมุมมองทางเศรษฐกิจสิ่งนี้สมเหตุสมผลหรือไม่นั้นไม่แน่นอน แต่อย่างน้อยด้วยแรงจูงใจที่ถูกต้องก็สามารถบรรลุหางยาวได้คุณสามารถใช้ประโยชน์จากความสามารถของ GPU ที่เป็นไปได้ทั้งหมด การให้คนเหล่านี้มีส่วนร่วมในการใช้พลังการประมวลผลเพื่อสร้างโมเดลการฝึกอบรมหรือการอนุมานจะเข้ามาแทนที่บริษัทเทคโนโลยีขนาดใหญ่ที่ควบคุมทุกสิ่งทุกอย่าง เพื่อให้บรรลุเป้าหมายนี้ จะต้องแก้ไขปัญหาทางเทคนิคที่สำคัญต่างๆ ในความเป็นจริง บริษัทที่ชื่อว่า Nvidia กำลังสร้างตลาดคอมพิวเตอร์ GPU แบบกระจายอำนาจ ซึ่งส่วนใหญ่ใช้สำหรับฝึกอบรมโมเดลการเรียนรู้ของเครื่อง ในตลาดนี้ ใครๆ ก็สามารถสนับสนุนพลังการประมวลผล GPU ของตนเองได้ ในทางกลับกัน ใครๆ ก็สามารถใช้ประโยชน์จากการคำนวณใดๆ ที่มีอยู่ในเครือข่ายเพื่อฝึกฝนโมเดลแมชชีนเลิร์นนิงขนาดใหญ่ของตนได้ นี่จะเป็นทางเลือกแทนบริษัทเทคโนโลยีขนาดใหญ่แบบรวมศูนย์ เช่น openai, google, metadata เป็นต้น

ใครๆ ก็สามารถจินตนาการถึงสถานการณ์ที่อลิซมีนางแบบที่เธอต้องการปกป้องได้ เธอต้องการส่งโมเดลไปให้ Bob ในรูปแบบที่เข้ารหัส ตอนนี้ Bob ได้รับโมเดลที่เข้ารหัสแล้วและจำเป็นต้องเรียกใช้ข้อมูลของเขาเองในโมเดลที่เข้ารหัส วิธีการทำเช่นนี้? จากนั้นใช้สิ่งที่เรียกว่าการเข้ารหัสโฮโมมอร์ฟิกอย่างสมบูรณ์เพื่อคำนวณข้อมูลที่เข้ารหัส หากผู้ใช้มีโมเดลที่เข้ารหัสและข้อมูลข้อความธรรมดา โมเดลที่เข้ารหัสก็สามารถรันบนข้อมูลข้อความธรรมดาได้ และสามารถรับและรับผลลัพธ์ที่เข้ารหัสได้ คุณส่งผลที่เข้ารหัสกลับไปยัง Alice และเธอสามารถถอดรหัสและดูผลลัพธ์ที่เป็นข้อความธรรมดาได้

นี่คือเทคโนโลยีที่มีอยู่แล้วจริงๆ คำถามคือ เทคโนโลยีในปัจจุบันทำงานได้ดีกับโมเดลขนาดกลาง เราสามารถขยายเป็นโมเดลที่ใหญ่ขึ้นได้หรือไม่นี่ถือเป็นความท้าทายและต้องใช้ความพยายามของบริษัทอื่นๆ อีกหลายแห่ง

สถานะ ความท้าทาย และสิ่งจูงใจ

ฉันคิดว่ามันเกี่ยวกับการกระจายอำนาจในการคำนวณ ปัญหาแรกคือปัญหาการตรวจสอบ ซึ่งคุณสามารถแก้ไขได้ด้วย ZK แต่ในปัจจุบันเทคนิคเหล่านี้สามารถรองรับได้เฉพาะรุ่นที่เล็กกว่าเท่านั้น ความท้าทายที่เราเผชิญคือประสิทธิภาพของการเข้ารหัสลับแบบดั้งเดิมเหล่านี้ยังไม่เพียงพอสำหรับการฝึกหรือการอนุมานโมเดลที่มีขนาดใหญ่มาก จึงมีงานจำนวนมากที่เกิดขึ้นเพื่อปรับปรุงประสิทธิภาพของกระบวนการพิสูจน์เพื่อให้สามารถพิสูจน์ปริมาณงานที่ใหญ่ขึ้นเรื่อยๆ ได้อย่างมีประสิทธิภาพ
ในเวลาเดียวกัน บางบริษัทยังใช้เทคโนโลยีอื่นๆ ที่นอกเหนือไปจากการเข้ารหัสอีกด้วย แทนที่จะใช้เทคนิคที่มีลักษณะเป็นทฤษฎีเกม พวกเขาปล่อยให้คนที่มีอิสระมากขึ้นมาทำงานแทน มันเป็นแนวทางเชิงทฤษฎีเกมและมองโลกในแง่ดีซึ่งไม่ต้องพึ่งพาการเข้ารหัส แต่ยังคงสอดคล้องกับเป้าหมายที่ใหญ่กว่าในการกระจายอำนาจ AI หรือช่วยสร้างระบบนิเวศของ AI นี่คือเป้าหมายที่เสนอโดยบริษัทต่างๆ เช่น openai

ปัญหาใหญ่ประการที่สองคือปัญหาระบบแบบกระจาย เช่น คุณจะประสานงานชุมชนขนาดใหญ่เพื่อสนับสนุน gp ให้กับเครือข่ายที่ให้ความรู้สึกเหมือนเป็นโปรแกรมคอมพิวเตอร์แบบครบวงจรที่บูรณาการได้อย่างไร จะมีความท้าทายมากมาย เช่น วิธีแบ่งย่อยปริมาณงานของการเรียนรู้ของเครื่องด้วยวิธีที่สมเหตุสมผล และกำหนดปริมาณงานที่แตกต่างกันให้กับโหนดต่างๆ ของเครือข่าย และวิธีทำงานทั้งหมดนี้อย่างมีประสิทธิภาพ

โดยทั่วไปเทคนิคในปัจจุบันสามารถนำไปใช้กับโมเดลขนาดกลางได้ แต่ไม่สามารถนำไปใช้กับโมเดลที่มีขนาดใหญ่ถึง gpt 3 หรือ gpt 4 ได้ แน่นอนว่าเรามีวิธีการอื่น ตัวอย่างเช่น เราสามารถให้คนหลายคนฝึกและเปรียบเทียบผลลัพธ์ได้ ดังนั้นจึงมีแรงจูงใจทางทฤษฎีเกม จูงใจให้คนไม่โกง หากมีคนโกง คนอื่นอาจบ่นว่าคำนวณผลการฝึกไม่ถูกต้อง ด้วยวิธีนี้คนที่โกงจะไม่ได้รับเงิน
นอกจากนี้เรายังสามารถกระจายแหล่งข้อมูลในชุมชนเพื่อฝึกอบรมโมเดลแมชชีนเลิร์นนิงขนาดใหญ่ได้ ในทำนองเดียวกัน เรายังสามารถรวบรวมข้อมูลทั้งหมดและฝึกอบรมโมเดลด้วยตนเอง แทนที่จะเป็นองค์กรแบบรวมศูนย์ สิ่งนี้สามารถทำได้โดยการสร้างตลาดประเภทหนึ่ง สิ่งนี้คล้ายกับตลาดคอมพิวเตอร์ที่เราเพิ่งอธิบายไป

นอกจากนี้เรายังสามารถพิจารณาสิ่งนี้ในแง่ของสิ่งจูงใจ การสนับสนุนให้ผู้คนมีส่วนร่วมในข้อมูลใหม่ไปยังชุดข้อมูลขนาดใหญ่ ซึ่งจะนำไปใช้ในการฝึกโมเดล ความยากที่นี่คล้ายกับความท้าทายในการตรวจสอบ คุณต้องตรวจสอบอีกครั้งว่าข้อมูลที่ผู้คนมีส่วนร่วมนั้นเป็นข้อมูลที่ดีจริงๆ ข้อมูลไม่ซ้ำกันหรือเป็นขยะที่สร้างขึ้นแบบสุ่ม และไม่ได้สร้างขึ้นอย่างไม่น่าเชื่อถือแต่อย่างใด

นอกจากนี้ ตรวจสอบให้แน่ใจว่าข้อมูลไม่ล้มล้างโมเดลในทางใดทางหนึ่ง ไม่เช่นนั้นประสิทธิภาพของโมเดลจะแย่ลงเรื่อยๆ บางทีเราอาจต้องพึ่งพาการผสมผสานระหว่างโซลูชันด้านเทคนิคและโซลูชันทางสังคม ซึ่งในกรณีนี้ คุณสามารถสร้างความน่าเชื่อถือด้วยการวัดไซต์บางประเภทที่สมาชิกชุมชนสามารถเข้าถึงได้ เพื่อที่เมื่อพวกเขาให้ข้อมูล ข้อมูลก็ยิ่งมากขึ้น กลายเป็นมากขึ้น น่าเชื่อถือ

มิฉะนั้นจะใช้เวลานานมากในการกระจายข้อมูลให้ครอบคลุมอย่างแท้จริง หนึ่งในความท้าทายของการเรียนรู้ของเครื่องก็คือโมเดลสามารถครอบคลุมเฉพาะการกระจายที่ชุดข้อมูลการฝึกอบรมสามารถเข้าถึงได้เท่านั้น หากมีอินพุตบางอย่างที่อยู่นอกเหนือการกระจายข้อมูลการฝึก โมเดลของคุณอาจมีพฤติกรรมที่คาดเดาไม่ได้โดยสิ้นเชิง เพื่อให้โมเดลทำงานได้ดีบน Edge Case จุดข้อมูล Black Swan หรือการป้อนข้อมูลที่อาจพบได้ในโลกแห่งความเป็นจริง เราจำเป็นต้องมีชุดข้อมูลที่ครอบคลุมมากที่สุด

ดังนั้น หากคุณมีตลาดแบบเปิดและกระจายอำนาจที่ให้ข้อมูลสำหรับชุดข้อมูล คุณสามารถให้ใครก็ได้ในโลกที่มีข้อมูลเฉพาะตัวร่วมให้ข้อมูลนั้นกับเครือข่าย ซึ่งเป็นวิธีที่ดีกว่ามาก เพราะถ้าคุณพยายามทำในฐานะบริษัทกลาง คุณจะไม่มีทางรู้ได้เลยว่าใครเป็นเจ้าของข้อมูล ดังนั้นหากคุณสามารถสร้างแรงจูงใจให้คนเหล่านี้ออกมาให้ข้อมูลนั้นได้ ฉันคิดว่าคุณจะได้รับความครอบคลุมของข้อมูลหางยาวที่ดีขึ้นอย่างมาก

ดังนั้นเราจึงต้องมีกลไกเพื่อให้แน่ใจว่าข้อมูลที่คุณให้มานั้นเป็นข้อมูลจริง วิธีหนึ่งคือการพึ่งพาฮาร์ดแวร์ที่เชื่อถือได้ ปล่อยให้เซ็นเซอร์ฝังฮาร์ดแวร์ที่เชื่อถือได้บางส่วน และเราเชื่อถือเฉพาะข้อมูลที่ฮาร์ดแวร์ลงนามอย่างถูกต้องเท่านั้น มิฉะนั้น เราจะต้องมีกลไกอื่นในการแยกแยะความถูกต้องของข้อมูล
ปัจจุบัน Machine Learning มีแนวโน้มสำคัญอยู่ 2 ประการ ประการแรก วิธีการวัดประสิทธิภาพของโมเดลการเรียนรู้ของเครื่องได้รับการปรับปรุงอย่างต่อเนื่อง แต่ยังอยู่ในช่วงเริ่มต้น และเป็นเรื่องยากในทางปฏิบัติที่จะทราบว่าโมเดลอื่นทำงานได้ดีเพียงใด แนวโน้มอีกประการหนึ่งคือ เรากำลังเริ่มอธิบายวิธีการทำงานของโมเดลได้ดีขึ้น

จากจุดสองจุดนี้ ในบางจุด ฉันอาจเข้าใจผลกระทบของชุดข้อมูลที่มีต่อประสิทธิภาพของโมเดลการเรียนรู้ของเครื่องได้ หากเราสามารถเข้าใจได้ว่าชุดข้อมูลที่บุคคลที่สามมีส่วนสนับสนุนประสิทธิภาพของโมเดลการเรียนรู้ของเครื่องหรือไม่ เราก็สามารถให้รางวัลแก่การมีส่วนร่วมนี้และสร้างแรงผลักดันในการดำรงอยู่ของตลาดนี้ได้
ลองนึกภาพว่าคุณสามารถสร้างตลาดแบบเปิดสำหรับผู้คนเพื่อสนับสนุนโมเดลที่ผ่านการฝึกอบรมเพื่อแก้ไขปัญหาเฉพาะประเภท หรือหากคุณสร้างสัญญาอัจฉริยะที่มีการทดสอบบางประเภทฝังอยู่ในนั้น และหากมีใครสามารถจัดหาโมเดลโดยใช้ zkml และพิสูจน์ได้ การที่โมเดลสามารถแก้การทดสอบได้ถือเป็นการจบเกม ตอนนี้คุณมีเครื่องมือที่จำเป็นในการสร้างตลาดกลางที่จูงใจเมื่อผู้คนสนับสนุนโมเดลการเรียนรู้ของเครื่องที่ช่วยแก้ปัญหาบางอย่าง

AI และการเข้ารหัสสร้างโมเดลธุรกิจได้อย่างไร

ฉันคิดว่าวิสัยทัศน์เบื้องหลังจุดตัดของสกุลเงินดิจิตอลและปัญญาประดิษฐ์คือคุณสามารถสร้างชุดโปรโตคอลที่กระจายคุณค่าที่ได้รับจากเทคโนโลยีปัญญาประดิษฐ์ใหม่นี้ให้กับผู้คนมากขึ้น และทุกคนสามารถมีส่วนร่วมและทุกคนสามารถแบ่งปันประโยชน์ของเทคโนโลยีใหม่นี้ .

ดังนั้นผู้ที่จะสามารถทำกำไรได้คือผู้ที่มีส่วนร่วมในพลังการประมวลผล ผู้ที่มีส่วนร่วมในข้อมูล หรือผู้ที่สนับสนุนโมเดลการเรียนรู้ของเครื่องใหม่บนเครือข่าย เพื่อให้สามารถฝึกอบรมโมเดลการเรียนรู้ของเครื่องที่ดีขึ้นเพื่อแก้ไขปัญหาที่สำคัญกว่าได้

ด้านอุปสงค์ของเครือข่ายก็สามารถได้รับประโยชน์เช่นกัน พวกเขาใช้เครือข่ายนี้เป็นโครงสร้างพื้นฐานสำหรับการฝึกอบรมโมเดลการเรียนรู้ของเครื่องของตนเอง บางทีโมเดลของพวกเขาอาจมีส่วนทำให้เกิดสิ่งที่น่าสนใจ เช่น เครื่องมือแชทแห่งยุคถัดไป ในรูปแบบเหล่านี้ เนื่องจากบริษัทเหล่านี้จะมีโมเดลธุรกิจของตนเอง พวกเขาจึงสามารถขับเคลื่อนการจับมูลค่าได้ด้วยตนเอง

ใครก็ตามที่สร้างเครือข่ายนี้ก็ได้รับประโยชน์เช่นกัน ตัวอย่างเช่น สร้างโทเค็นสำหรับเครือข่ายที่จะแจกจ่ายให้กับชุมชน คนเหล่านี้ทั้งหมดจะเป็นเจ้าของร่วมกันในเครือข่ายการกระจายอำนาจสำหรับข้อมูลและแบบจำลองในการคำนวณ และยังสามารถบันทึกมูลค่าบางส่วนของกิจกรรมทางเศรษฐกิจทั้งหมดที่เกิดขึ้นผ่านเครือข่ายนี้

ดังที่คุณสามารถจินตนาการได้ ทุกธุรกรรมที่ผ่านเครือข่ายนี้ ทุกวิธีการชำระเงินที่ชำระค่าคำนวณ ข้อมูล หรือแบบจำลอง มีแนวโน้มที่จะถูกเรียกเก็บค่าธรรมเนียมซึ่งเข้าไปในห้องนิรภัยที่ควบคุมโดยเครือข่ายทั้งหมด ผู้ถือโทเค็นเป็นเจ้าของเครือข่ายร่วมกัน นี่คือรูปแบบธุรกิจของเครือข่ายนั่นเอง

AI ช่วยเพิ่มความปลอดภัยของโค้ด

ผู้ฟังหลายคนคงเคยได้ยินเกี่ยวกับ co-pilot ซึ่งเป็นเครื่องมือที่ใช้ในการสร้างโค้ด คุณสามารถลองใช้เครื่องมือสร้างร่วมเหล่านี้เพื่อเขียนสัญญาที่มั่นคงหรือโค้ดการเข้ารหัส สิ่งที่ผมอยากเน้นย้ำก็คือการทำเช่นนั้นเป็นสิ่งที่อันตรายมากจริงๆ เพราะหลายครั้งเมื่อคุณพยายามเรียกใช้ ระบบเหล่านี้จะสร้างโค้ดที่ใช้งานได้จริงแต่ไม่ปลอดภัย

ที่จริงแล้ว เราเพิ่งเขียนรายงานเกี่ยวกับปัญหานี้ ซึ่งระบุว่าหากคุณพยายามให้นักบินร่วมเขียนฟังก์ชันการเข้ารหัสแบบง่าย ก็จะให้ฟังก์ชันการเข้ารหัสที่ถูกต้อง แต่ใช้โหมดการทำงานที่ไม่ถูกต้อง ดังนั้นคุณจึงจบลงด้วยโหมดการเข้ารหัสที่ไม่ปลอดภัย

คุณอาจถามว่าทำไมสิ่งนี้ถึงเกิดขึ้น? สาเหตุหนึ่งก็คือ โมเดลเหล่านี้ได้รับการฝึกฝนโดยทั่วไปจากโค้ดที่มีอยู่ และได้รับการฝึกฝนในพื้นที่เก็บข้อมูล GitHub พื้นที่เก็บข้อมูล GitHub หลายแห่งเสี่ยงต่อการถูกโจมตีหลายประเภท ดังนั้นรหัสที่เรียนรู้จากโมเดลเหล่านี้จึงใช้งานได้ แต่ไม่ปลอดภัย ก็เหมือนกับขยะคุณภาพต่ำที่ทำให้เกิดขยะ ดังนั้นฉันหวังว่าผู้คนจะระมัดระวังในการสร้างโค้ดโดยใช้โมเดลกำเนิดเหล่านี้ ตรวจสอบอีกครั้งว่าโค้ดกำลังทำสิ่งที่ควรจะทำจริงๆ และปลอดภัย

คุณสามารถใช้โมเดลปัญญาประดิษฐ์ร่วมกับเครื่องมืออื่นๆ เพื่อสร้างโค้ดได้ เพื่อให้แน่ใจว่ากระบวนการทั้งหมดปราศจากข้อผิดพลาด ตัวอย่างเช่น แนวคิดหนึ่งคือการใช้แบบจำลอง llm เพื่อสร้างข้อกำหนดสำหรับระบบการตรวจสอบอย่างเป็นทางการ และขอให้ llm สร้างข้อกำหนดสำหรับเครื่องมือตรวจสอบอย่างเป็นทางการ จากนั้น ขอให้อินสแตนซ์เดียวกันของ llm สร้างโปรแกรมที่สอดคล้องกับข้อกำหนด จากนั้นใช้เครื่องมือตรวจสอบอย่างเป็นทางการเพื่อดูว่าโปรแกรมเป็นไปตามข้อกำหนดจริงหรือไม่ หากมีช่องโหว่เครื่องมือจะตรวจจับได้ ข้อผิดพลาดเหล่านี้สามารถส่งกลับไปยัง llm เพื่อเป็นคำติชมได้ และตามหลักการแล้ว llm สามารถปรับเปลี่ยนงานและสร้างโค้ดเวอร์ชันอื่นที่ถูกต้องขึ้นมาได้

ในท้ายที่สุด หากคุณวนซ้ำ คุณจะได้โค้ดชิ้นหนึ่งที่ตรงกับค่าที่ส่งคืนนี้ทุกประการ และตรวจสอบอย่างเป็นทางการว่าสอดคล้องกับค่าที่ส่งคืนนี้ด้วย และเนื่องจากมนุษย์สามารถอ่านย้อนรอยได้ คุณจึงสามารถตรวจดูรอยหลังและเห็นว่านี่คือโปรแกรมที่ฉันต้องการเขียน จริงๆ แล้ว มีคนจำนวนมากที่พยายามประเมินความสามารถของ LLM ในการค้นหาจุดบกพร่องของซอฟต์แวร์ เช่น Unity smart Contract, C และ C plus

เรากำลังมาถึงจุดที่โค้ดที่สร้างโดย LLM มีแนวโน้มที่จะมีข้อบกพร่องน้อยกว่าโค้ดที่มนุษย์สร้างขึ้นหรือไม่? ตัวอย่างเช่น เมื่อเราพูดถึงการขับขี่แบบอัตโนมัติ สิ่งที่เราสนใจคือ มีโอกาสเกิดอุบัติเหตุน้อยกว่าคนขับหรือไม่? ฉันคิดว่าเทรนด์นี้จะแข็งแกร่งขึ้นและบูรณาการเข้ากับ toolchains ที่มีอยู่ได้มากขึ้นเท่านั้น

คุณสามารถรวมเข้ากับห่วงโซ่เครื่องมือการตรวจสอบอย่างเป็นทางการ และคุณสามารถรวมเข้ากับเครื่องมืออื่นๆ ได้ เช่น เครื่องมือที่กล่าวมาข้างต้นที่จะตรวจสอบปัญหาการจัดการหน่วยความจำ คุณยังสามารถรวมเข้ากับการทดสอบหน่วยและชุดเครื่องมือทดสอบการรวมระบบของคุณ เพื่อให้ llm ไม่เพียงแค่ทำงานในสุญญากาศเท่านั้น ได้รับการตอบรับแบบเรียลไทม์จากเครื่องมืออื่นๆ ที่เชื่อมต่อกับความจริงภาคพื้นดิน

ฉันคิดว่าการรวมโมเดลการเรียนรู้ของเครื่องขนาดใหญ่มากที่ได้รับการฝึกฝนโดยใช้ข้อมูลทั้งหมดในโลก ควบคู่ไปกับเครื่องมืออื่นๆ เหล่านี้ อาจเป็นไปได้ที่จะสร้างโปรแกรมคำนวณได้ดีกว่าโปรแกรมเมอร์ของมนุษย์ แม้ว่าพวกเขาจะยังทำผิดพลาดอยู่ แต่พวกเขาก็อาจเป็นยอดมนุษย์ได้ นี่จะเป็นช่วงเวลาสำคัญในวิศวกรรมซอฟต์แวร์

ปัญญาประดิษฐ์และกราฟสังคม

ความเป็นไปได้อีกอย่างหนึ่งก็คือ เราอาจสามารถสร้างเครือข่ายโซเชียลแบบกระจายอำนาจที่มีพฤติกรรมเหมือนกับ Weibo ได้มาก แต่กราฟทางสังคมนั้นจริงๆ แล้วเป็นเครือข่ายออนไลน์ทั้งหมด มันเกือบจะเหมือนกับผลิตภัณฑ์สาธารณะที่ใครๆ ก็สามารถสร้างขึ้นมาได้ ในฐานะผู้ใช้ คุณสามารถควบคุมได้ว่าคุณเป็นใครบนกราฟโซเชียล คุณควบคุมข้อมูลของคุณ คนที่คุณติดตาม และผู้ที่สามารถติดตามคุณได้ นอกจากนี้ ยังมีบริษัทจำนวนมากที่สร้างพอร์ทัลในกราฟโซเชียลที่ให้ผู้ใช้ได้รับประสบการณ์ เช่น Twitter, Instagram, Tick Tock หรืออะไรก็ตามที่พวกเขาต้องการที่จะสร้าง

แต่ทั้งหมดถูกสร้างขึ้นบนกราฟโซเชียลเดียวกัน และไม่มีใครเป็นเจ้าของ และไม่มีบริษัทเทคโนโลยีระดับกลางมูลค่าหลายพันล้านดอลลาร์รายใดที่ควบคุมมันได้อย่างเต็มที่

มันเป็นโลกที่น่าตื่นเต้นเพราะมันหมายความว่ามันจะมีชีวิตชีวามากขึ้น มันสามารถมีระบบนิเวศที่ผู้คนสร้างขึ้นด้วยกันได้ ผู้ใช้ทุกคนสามารถควบคุมสิ่งที่พวกเขาเห็นและทำบนแพลตฟอร์มได้มากขึ้น

แต่ในขณะเดียวกันผู้ใช้ก็ต้องกรองสัญญาณจากเสียงรบกวนด้วย ตัวอย่างเช่น จำเป็นต้องพัฒนาอัลกอริธึมการแนะนำที่สมเหตุสมผลเพื่อกรองเนื้อหาทั้งหมดและแสดงแหล่งข่าวที่คุณต้องการรับชมจริงๆ สิ่งนี้จะเปิดประตูสู่ตลาดทั้งหมดซึ่งเป็นสนามแข่งขันของผู้เล่นที่ให้บริการ คุณสามารถใช้อัลกอริธึม ใช้อัลกอริธึมที่ใช้ AI เพื่อดูแลจัดการเนื้อหาให้กับคุณได้ ในฐานะผู้ใช้ คุณสามารถตัดสินใจได้ว่าจะใช้อัลกอริธึมเฉพาะหรือไม่ อาจเป็นอัลกอริธึมที่สร้างโดย Twitter หรืออย่างอื่น แต่เท่าเทียมกัน คุณยังต้องมีเครื่องมือ เช่น การเรียนรู้ของเครื่อง เพื่อช่วยคุณกรองสัญญาณรบกวน เพื่อช่วยคุณแยกวิเคราะห์ข้อมูลขยะทั้งหมดในโลกที่แบบจำลองกำเนิดสามารถสร้างข้อมูลขยะทั้งหมดในโลกได้

เหตุใดการพิสูจน์ของมนุษย์จึงมีความสำคัญ

คำถามที่เกี่ยวข้องมากคือคุณจะพิสูจน์ได้อย่างไรว่าคุณเป็นมนุษย์จริงๆ ในโลกที่เต็มไปด้วยเนื้อหาปลอมๆ

ไบโอเมตริกซ์เป็นทิศทางหนึ่งที่เป็นไปได้ หนึ่งในโครงการที่เรียกว่า เหรียญโลก (World Coin) ซึ่งใช้การสแกนจอประสาทตาเป็นข้อมูลไบโอเมตริกซ์เพื่อยืนยันว่าคุณเป็นคนจริง เพื่อให้แน่ใจว่าคุณเป็นคนที่มีชีวิตจริงๆ ไม่ใช่แค่ดวงตา รูปถ่าย. ระบบนี้มีฮาร์ดแวร์ที่ปลอดภัยซึ่งยากต่อการปลอมแปลง ดังนั้นหลักฐานที่ออกมาอีกด้านหนึ่ง ซึ่งเป็นหลักฐานที่ไม่มีความรู้ซึ่งปกปิดข้อมูลชีวมาตรที่แท้จริงของคุณ จึงเป็นเรื่องยากมากที่จะปลอมแปลงด้วยวิธีนี้

บนอินเทอร์เน็ต ไม่มีใครรู้ว่าคุณเป็นหุ่นยนต์ ฉันเดาว่านั่นคือจุดที่โครงการ Proof of Humanity มีความสำคัญมาก เนื่องจากการรู้ว่าคุณกำลังโต้ตอบกับหุ่นยนต์หรือมนุษย์จะมีความสำคัญมาก หากคุณไม่มีหลักฐานที่เป็นมนุษย์ คุณจะไม่สามารถบอกได้ว่าที่อยู่นั้นเป็นของคนๆ เดียว หรือเป็นกลุ่ม หรือที่อยู่ 10,000 แห่งเป็นของคนๆ เดียวจริงๆ หรือไม่ หรือหากที่อยู่เหล่านั้นแกล้งทำเป็น 10,000 แห่ง ผู้คนที่หลากหลาย.

นี่เป็นสิ่งสำคัญในการกำกับดูแล ถ้าผู้เข้าร่วมในระบบธรรมาภิบาลทุกคนพิสูจน์ได้ว่าเป็นมนุษย์จริงๆ และพิสูจน์ได้ว่าเป็นมนุษย์ด้วยวิธีเฉพาะตัว เพราะพวกเขามีดวงตาเพียงชุดเดียว ระบบธรรมาภิบาลก็จะยุติธรรมมากขึ้น และจะไม่ จากนั้น chaebolization (ขึ้นอยู่กับการตั้งค่าจำนวนเงินสูงสุดที่ถูกล็อคไว้ในสัญญาอัจฉริยะ)

AI และศิลปะ

แบบจำลอง AI หมายความว่าเราจะอยู่ในโลกแห่งความอุดมสมบูรณ์ของสื่ออย่างไม่มีที่สิ้นสุด โลกที่ชุมชนที่อยู่รอบสื่อใดสื่อหนึ่งหรือเรื่องราวที่อยู่รอบสื่อนั้น ๆ จะมีความสำคัญมากขึ้น

ตัวอย่างเช่น Sound.xyz กำลังสร้างแพลตฟอร์มการสตรีมเพลงแบบกระจายอำนาจที่ช่วยให้ศิลปิน นักดนตรีสามารถอัปโหลดเพลง จากนั้นเชื่อมต่อกับชุมชนของเราโดยตรงด้วยการขาย NFT ให้พวกเขา ตัวอย่างเช่น คุณสามารถแสดงความคิดเห็นเกี่ยวกับแทร็กบนเว็บไซต์เสียง dot xyz เพื่อให้คนอื่นๆ ที่เล่นเพลงสามารถเห็นความคิดเห็นได้เช่นกัน สิ่งนี้คล้ายกับฟีเจอร์ Sound Cloud ก่อนหน้า การซื้อ NFT ยังเป็นการสนับสนุนศิลปิน ช่วยให้พวกเขาบรรลุการพัฒนาที่ยั่งยืนและสร้างผลงานเพลงมากขึ้น แต่ข้อดีก็คือมันทำให้ศิลปินมีเวทีในการมีส่วนร่วมกับชุมชนอย่างแท้จริง ศิลปินก็คือศิลปินของทุกคน

เนื่องจากสิ่งที่สกุลเงินดิจิทัลทำที่นี่ คุณสามารถสร้างชุมชนเกี่ยวกับชิ้นส่วนของดนตรีที่ไม่มีอยู่จริงได้หากชิ้นส่วนของเพลงถูกสร้างขึ้นโดยโมเดลการเรียนรู้ของเครื่องโดยไม่มีองค์ประกอบของมนุษย์

เพลงจำนวนมากที่เราจะเปิดเผยจะถูกสร้างขึ้นโดย AI ทั้งหมด และเครื่องมือในการสร้างชุมชนและบอกเล่าเรื่องราวเกี่ยวกับงานศิลปะ ดนตรี และสื่อประเภทอื่นๆ จะเป็นจริงๆ ที่สำคัญคือนำสิ่งที่เราใส่ใจและอยากลงทุนจริงๆ มารวมกัน และสื่อที่ต้องใช้เวลาในการมีส่วนร่วมก็แตกต่างจากสื่ออื่นๆ ทั่วๆ ไป

อาจมีการทำงานร่วมกันบางอย่างระหว่างทั้งสอง เนื่องจากเพลงจำนวนมากจะได้รับการปรับปรุงหรือสร้างขึ้นโดยปัญญาประดิษฐ์ แต่ถ้ายังมีองค์ประกอบของมนุษย์อยู่ด้วย เช่น ผู้สร้างใช้เครื่องมือ AI เพื่อสร้างเพลงชิ้นใหม่ พวกเขามีลายเซ็นเสียงของตัวเอง พวกเขามีหน้าศิลปินของตัวเอง พวกเขามีชุมชนของตัวเอง พวกเขามีผู้ติดตามของตัวเอง .

ขณะนี้ มีการทำงานร่วมกันระหว่างสองโลก และคุณมีเพลงที่ดีที่สุดเพราะ AI ให้พลังแก่คุณด้วยพลังพิเศษ แต่ในขณะเดียวกัน คุณยังมีองค์ประกอบของมนุษย์และเรื่องราวที่ประสานงานและเปิดใช้งานผ่านเทคโนโลยีการเข้ารหัสที่ช่วยให้คุณรวบรวมผู้คนเหล่านี้ทั้งหมดมารวมกันบนแพลตฟอร์มเดียว

มันเป็นโลกใหม่อย่างแน่นอนเมื่อพูดถึงการสร้างเนื้อหา แล้วเราจะแยกความแตกต่างระหว่างงานศิลปะที่มนุษย์สร้างขึ้นและงานศิลปะที่สร้างโดยเครื่องจักรที่ต้องการการสนับสนุนได้อย่างไร

นี่เป็นการเปิดประตูสู่งานศิลปะรวม ซึ่งเป็นงานศิลปะที่ผุดขึ้นมาผ่านกระบวนการสร้างสรรค์ของชุมชนทั้งหมด แทนที่จะเป็นศิลปินเพียงคนเดียว มีโครงการที่ทำสิ่งนี้อยู่แล้วโดยที่ชุมชนมีอิทธิพลต่อห่วงโซ่ผ่านขั้นตอนการลงคะแนนเสียง โดยสร้างงานศิลปะตามสัญญาณจากโมเดลการเรียนรู้ของเครื่อง บางทีคุณอาจไม่ได้สร้างงานศิลปะเพียงชิ้นเดียว แต่สร้างเป็นหมื่นชิ้น จากนั้นคุณใช้โมเดลแมชชีนเลิร์นนิงอื่นที่ได้รับการฝึกอบรมตามความคิดเห็นจากชุมชน เพื่อเลือกโมเดลที่ดีที่สุดจาก 10,000 โมเดลเหล่านั้น