ชื่อเดิม: การทำความเข้าใจจุดตัดของ Crypto และ AI

ผู้เขียนต้นฉบับ: ลูคัส เชยาน

การรวบรวมต้นฉบับ: Rhythm Workers, BlockBeats

สารบัญ

แนะนำ

คำอธิบายคำศัพท์แนวคิดหลัก

ปัญญาประดิษฐ์ + พาโนรามาสกุลเงินดิจิทัล

การคำนวณแบบกระจายอำนาจ

ภาพรวม

การคำนวณแบบกระจายอำนาจ

ฟิลด์แนวตั้ง

คอมพิวเตอร์ทั่วไป

ตลาดรอง

การฝึกอบรมการเรียนรู้ของเครื่องแบบกระจายอำนาจ

ปัญญาประดิษฐ์ทั่วไปแบบกระจายอำนาจ

สร้างสแต็กการประมวลผลแบบกระจายอำนาจสำหรับโมเดล AI

ผลิตภัณฑ์กระจายอำนาจอื่น ๆ

แนวโน้ม

สัญญาอัจฉริยะและการเรียนรู้ของเครื่องที่ไม่มีความรู้ (zkML)

การเรียนรู้ของเครื่องแบบไม่มีความรู้ (zkML)

โครงสร้างพื้นฐานและเครื่องมือ

โปรเซสเซอร์ร่วม

แอปพลิเคชัน

แนวโน้ม

ตัวแทนปัญญาประดิษฐ์

ผู้ให้บริการเอเจนซี่

ตัวแทน Bitcoin และ AI

แนวโน้ม

สรุปแล้ว

แนะนำ

การเกิดขึ้นของบล็อคเชนถือเป็นความก้าวหน้าที่สำคัญที่สุดอย่างหนึ่งในประวัติศาสตร์ของวิทยาการคอมพิวเตอร์ ในขณะเดียวกัน การพัฒนาปัญญาประดิษฐ์จะมีผลกระทบอย่างลึกซึ้งต่อโลกของเราอยู่แล้วหากเทคโนโลยีบล็อกเชนเป็นกระบวนทัศน์ใหม่สำหรับการชำระธุรกรรม การจัดเก็บข้อมูล และการออกแบบระบบ ปัญญาประดิษฐ์คือการปฏิวัติในการประมวลผล การวิเคราะห์ และการผลิตเนื้อหานวัตกรรมในทั้งสองอุตสาหกรรมกำลังปลดล็อกกรณีการใช้งานใหม่ๆ ที่อาจเร่งให้เกิดการนำทั้งสองอุตสาหกรรมไปใช้ในอีกไม่กี่ปีข้างหน้า รายงานนี้สำรวจการบูรณาการของสกุลเงินดิจิตอลและปัญญาประดิษฐ์ โดยมุ่งเน้นไปที่กรณีการใช้งานใหม่ที่พยายามเชื่อมช่องว่างระหว่างทั้งสองและควบคุมพลังของทั้งสอง รายงานนี้ตรวจสอบโครงการสำหรับโปรโตคอลการประมวลผลแบบกระจายอำนาจ โครงสร้างพื้นฐานการเรียนรู้ของเครื่องแบบศูนย์ความรู้ (zkML) และตัวแทนปัญญาประดิษฐ์โดยเฉพาะ

สกุลเงินดิจิทัลมอบชั้นการชำระเงินที่ไม่ได้รับอนุญาต ไร้ความน่าเชื่อถือ และประกอบได้สำหรับปัญญาประดิษฐ์สิ่งนี้จะปลดล็อกกรณีการใช้งานมากขึ้น เช่น การทำให้ฮาร์ดแวร์สามารถเข้าถึงได้มากขึ้นผ่านระบบคอมพิวเตอร์แบบกระจายอำนาจ การสร้างตัวแทนปัญญาประดิษฐ์ที่สามารถทำงานที่ซับซ้อนซึ่งต้องมีการแลกเปลี่ยนมูลค่า และการพัฒนาโซลูชันการระบุตัวตนและแหล่งที่มาเพื่อต่อสู้กับการโจมตีของ Sybil และเทคโนโลยี Deepfake (Deepfake) ปัญญาประดิษฐ์นำประโยชน์มากมายมาสู่สกุลเงินดิจิทัล ดังที่เห็นแล้วในเว็บ 2 ซึ่งรวมถึงประสบการณ์ผู้ใช้ (UX) ที่ได้รับการปรับปรุงสำหรับผู้ใช้และนักพัฒนาผ่านโมเดลภาษาขนาดใหญ่ เช่น ChatGPT และ Copilot เวอร์ชันที่ได้รับการฝึกอบรมมาเป็นพิเศษ ตลอดจนศักยภาพในการปรับปรุงฟังก์ชันการทำงานของสัญญาอัจฉริยะและระบบอัตโนมัติอย่างมีนัยสำคัญ บล็อกเชนเป็นสภาพแวดล้อมที่โปร่งใสและเต็มไปด้วยข้อมูลซึ่งจำเป็นสำหรับปัญญาประดิษฐ์ แต่พลังการประมวลผลของบล็อกเชนก็มีจำกัดเช่นกัน ซึ่งเป็นอุปสรรคสำคัญในการบูรณาการโมเดลปัญญาประดิษฐ์โดยตรง

แรงผลักดันที่อยู่เบื้องหลังการทดลองอย่างต่อเนื่องและการยอมรับในที่สุดที่จุดตัดของสกุลเงินดิจิทัลและปัญญาประดิษฐ์ เป็นสิ่งที่ผลักดันกรณีการใช้งานที่มีแนวโน้มมากที่สุดของสกุลเงินดิจิทัลจำนวนมาก นั่นคือเลเยอร์การประสานที่ไม่ได้รับอนุญาตและไร้ความน่าเชื่อถือ ซึ่งอำนวยความสะดวกในการถ่ายโอนมูลค่าได้ดียิ่งขึ้น ด้วยศักยภาพอันมหาศาล ผู้เล่นในสนามจำเป็นต้องเข้าใจวิธีการพื้นฐานที่เทคโนโลยีทั้งสองนี้มาบรรจบกัน

แนวคิดหลัก:

ในอนาคตอันใกล้นี้ (6 เดือนถึง 1 ปี) การบูรณาการของสกุลเงินดิจิทัลและ AI จะถูกครอบงำโดยแอปพลิเคชัน AI ที่เพิ่มประสิทธิภาพของนักพัฒนา การตรวจสอบสัญญาอัจฉริยะและความปลอดภัย และความรับผิดชอบของผู้ใช้ การบูรณาการเหล่านี้ไม่ได้เฉพาะเจาะจงกับสกุลเงินดิจิทัล แต่ช่วยปรับปรุงประสบการณ์สำหรับนักพัฒนาและผู้ใช้ออนไลน์

เช่นเดียวกับที่มีการขาดแคลน GPU ประสิทธิภาพสูงอย่างรุนแรง ผลิตภัณฑ์คอมพิวเตอร์แบบกระจายอำนาจกำลังพัฒนาผลิตภัณฑ์ GPU ที่ปรับแต่งโดย AI ซึ่งให้การสนับสนุนอย่างมากสำหรับการนำไปใช้

ประสบการณ์ผู้ใช้และกฎระเบียบยังคงเป็นอุปสรรคสำหรับลูกค้าคอมพิวเตอร์แบบกระจายอำนาจ อย่างไรก็ตาม การพัฒนาล่าสุดใน OpenAI และการตรวจสอบกฎระเบียบอย่างต่อเนื่องในสหรัฐอเมริกา เน้นย้ำถึงคุณค่าที่นำเสนอของเครือข่ายปัญญาประดิษฐ์แบบกระจายอำนาจที่ไม่ได้รับอนุญาต ทนต่อการเซ็นเซอร์ และกระจายอำนาจ

การบูรณาการ AI แบบออนไลน์ โดยเฉพาะอย่างยิ่งสัญญาอัจฉริยะที่สามารถใช้โมเดล AI นั้น จำเป็นต้องมีการปรับปรุงเทคโนโลยี zkML และวิธีการคำนวณอื่นๆ ที่ตรวจสอบความถูกต้องของการคำนวณแบบออฟไลน์ การขาดเครื่องมือที่ครอบคลุมและความสามารถด้านการพัฒนาและต้นทุนที่สูงเป็นอุปสรรคต่อการนำไปใช้

ตัวแทน AI เหมาะอย่างยิ่งสำหรับสกุลเงินดิจิทัล ซึ่งผู้ใช้ (หรือตัวแทนเอง) สามารถสร้างกระเป๋าเงินเพื่อทำธุรกรรมกับบริการ ตัวแทน หรือบุคคลอื่นๆ ได้ ในปัจจุบันนี้เป็นไปไม่ได้ที่จะบรรลุผลสำเร็จภายใต้ช่องทางทางการเงินแบบเดิมๆ เพื่อการนำไปใช้ในวงกว้าง จำเป็นต้องมีการผสานรวมเพิ่มเติมกับผลิตภัณฑ์ที่ไม่ใช่สกุลเงินดิจิทัล

คำอธิบายคำศัพท์:

ปัญญาประดิษฐ์ (Artificial Intelligence) ใช้คอมพิวเตอร์และเครื่องจักรเพื่อเลียนแบบการใช้เหตุผลของมนุษย์และความสามารถในการแก้ปัญหา

Neural Networks เป็นวิธีการฝึกอบรมสำหรับโมเดล AI พวกเขาประมวลผลข้อมูลอินพุตผ่านชุดของอัลกอริธึมเลเยอร์ และปรับให้เหมาะสมอย่างต่อเนื่องจนกว่าจะสร้างเอาต์พุตที่ต้องการ โครงข่ายประสาทเทียมประกอบด้วยสมการที่มีน้ำหนักที่ปรับเปลี่ยนได้ซึ่งสามารถแก้ไขได้เพื่อเปลี่ยนเอาต์พุต พวกเขาสามารถต้องการข้อมูลและการคำนวณจำนวนมากเพื่อฝึกอบรมเพื่อให้แน่ใจว่าผลลัพธ์มีความแม่นยำ นี่เป็นวิธีหนึ่งที่พบบ่อยที่สุดในการพัฒนาโมเดล AI (เช่น ChatGPT ใช้กระบวนการโครงข่ายประสาทเทียมบน Transformer)

การฝึกอบรมเป็นกระบวนการพัฒนาโครงข่ายประสาทเทียมและโมเดล AI อื่นๆ ต้องใช้ข้อมูลจำนวนมากเพื่อฝึกโมเดลให้ตีความอินพุตได้อย่างถูกต้องและสร้างเอาต์พุตที่แม่นยำ ในระหว่างกระบวนการฝึกอบรม น้ำหนักของสมการแบบจำลองจะถูกปรับเปลี่ยนอย่างต่อเนื่องจนกว่าจะได้ผลลัพธ์ที่น่าพอใจ ค่าฝึกอบรมอาจมีราคาแพงมาก ตัวอย่างเช่น ChatGPT ใช้ GPU นับหมื่นตัวในการประมวลผลข้อมูล ทีมที่มีทรัพยากรน้อยกว่ามักจะพึ่งพาผู้ให้บริการคอมพิวเตอร์โดยเฉพาะ เช่น Amazon Web Services, Azure และผู้ให้บริการ Google Cloud

การอนุมานเป็นกระบวนการของการใช้แบบจำลอง AI เพื่อให้ได้ผลลัพธ์หรือผลลัพธ์ (เช่น การใช้ ChatGPT เพื่อเขียนโครงร่างรายงานนี้) การอนุมานจะใช้ทั้งในระหว่างการฝึกอบรมและในผลิตภัณฑ์ขั้นสุดท้าย เนื่องจากค่าใช้จ่ายในการคำนวณ จึงอาจมีค่าใช้จ่ายสูงในการรันแม้หลังจากการฝึกอบรมเสร็จสิ้นแล้ว แต่มีความเข้มข้นในการคำนวณน้อยกว่าการฝึกอบรม

Zero Knowledge Proofs (ZKP) ช่วยให้สามารถตรวจสอบการอ้างสิทธิ์ได้โดยไม่ต้องเปิดเผยข้อมูลพื้นฐาน สิ่งนี้มีจุดประสงค์หลักสองประการในสกุลเงินดิจิทัล: 1. ความเป็นส่วนตัว และ 2. ความสามารถในการขยายขนาด เพื่อความเป็นส่วนตัว ผู้ใช้สามารถทำธุรกรรมโดยไม่ต้องเปิดเผยข้อมูลที่ละเอียดอ่อน เช่น จำนวน ETH ที่อยู่ในกระเป๋าเงิน สำหรับความสามารถในการขยายขนาด ช่วยให้การคำนวณนอกเครือข่ายได้รับการพิสูจน์ได้เร็วขึ้นบนเครือข่ายโดยไม่ต้องทำการคำนวณซ้ำ ซึ่งช่วยให้บล็อกเชนและแอปพลิเคชันสามารถรันการคำนวณแบบออฟไลน์ จากนั้นจึงตรวจสอบความถูกต้องแบบออนไลน์

ปัญญาประดิษฐ์ + พาโนรามาสกุลเงินดิจิทัล

โครงการที่จุดบรรจบระหว่าง AI และสกุลเงินดิจิทัล ยังคงพัฒนาโครงสร้างพื้นฐานที่จำเป็นเพื่อรองรับการโต้ตอบของ AI บนเครือข่ายในวงกว้าง

ตลาดคอมพิวเตอร์แบบกระจายอำนาจกำลังเกิดขึ้นเพื่อจัดหาฮาร์ดแวร์กายภาพจำนวนมาก โดยเฉพาะ GPU สำหรับการฝึกอบรมและการอนุมานโมเดลปัญญาประดิษฐ์ ตลาดสองฝ่ายเหล่านี้เชื่อมโยงผู้ที่เช่าและต้องการเช่าทรัพยากรคอมพิวเตอร์ อำนวยความสะดวกในการถ่ายโอนมูลค่าและการตรวจสอบความถูกต้องของการคำนวณ ภายในการประมวลผลแบบกระจายอำนาจ มีหมวดหมู่ย่อยหลายประเภทที่นำเสนอฟังก์ชันเพิ่มเติม นอกเหนือจากตลาดสองด้านแล้ว รายงานนี้จะตรวจสอบผู้ให้บริการการฝึกอบรมการเรียนรู้ของเครื่องที่เชี่ยวชาญในการฝึกอบรมที่ตรวจสอบได้และการปรับแต่งผลลัพธ์อย่างละเอียด รวมถึงโครงการที่อุทิศให้กับการเชื่อมต่อการคำนวณและการสร้างแบบจำลองเพื่อให้บรรลุปัญญาประดิษฐ์ทั่วไป หรือที่มักเรียกกันว่า เครือข่ายแรงจูงใจอัจฉริยะ .

zkML เป็นประเด็นหลักที่ต้องการมอบโมเดลเอาท์พุตแบบออนไลน์ที่ตรวจสอบได้ในราคาที่คุ้มค่าและทันท่วงที โปรเจ็กต์เหล่านี้ช่วยให้แอปพลิเคชันต่างๆ จัดการกับคำขอการประมวลผลจำนวนมากนอกเครือข่ายได้ จากนั้นจึงเผยแพร่เอาต์พุตแบบออนไลน์ที่ตรวจสอบได้ ซึ่งพิสูจน์ได้ว่างานนอกเครือข่ายนั้นสมบูรณ์และแม่นยำ zkML มีราคาแพงและใช้เวลานานในกรณีปัจจุบัน แต่มีการใช้เป็นโซลูชันมากขึ้น เห็นได้จากจำนวนการผสานรวมที่เพิ่มขึ้นระหว่างผู้ให้บริการ zkML และ DeFi/เกมที่ต้องการใช้ประโยชน์จากโมเดล AI

ทรัพยากรการประมวลผลที่เพียงพอและความสามารถในการตรวจสอบการคำนวณแบบออนไลน์เปิดประตูสู่ตัวแทน AI แบบออนไลน์ ตัวแทนคือโมเดลที่ได้รับการฝึกอบรมให้ดำเนินการตามคำขอในนามของผู้ใช้ ตัวแทนมอบโอกาสที่ดีในการปรับปรุงประสบการณ์ออนไลน์อย่างมีนัยสำคัญ ทำให้ผู้ใช้สามารถทำธุรกรรมที่ซับซ้อนได้ด้วยการพูดคุยกับแชทบอท อย่างไรก็ตาม สำหรับตอนนี้ โครงการตัวแทนยังคงมุ่งเน้นไปที่การพัฒนาโครงสร้างพื้นฐานและเครื่องมือเพื่อให้สามารถปรับใช้ได้ง่ายและรวดเร็ว

การคำนวณแบบกระจายอำนาจ

ภาพรวม

ปัญญาประดิษฐ์ต้องการทรัพยากรการประมวลผลจำนวนมหาศาล ทั้งสำหรับโมเดลการฝึกอบรมและการดำเนินการอนุมาน ในช่วงทศวรรษที่ผ่านมา ความต้องการด้านการคำนวณเพิ่มขึ้นอย่างมากเนื่องจากแบบจำลองมีความซับซ้อนมากขึ้น ตัวอย่างเช่น OpenAI พบว่าระหว่างปี 2012 ถึง 2018 ข้อกำหนดในการคำนวณของโมเดลเพิ่มขึ้นสองเท่าจากสองเท่าทุกๆ สองปีเป็นสองเท่าทุกๆ สามเดือนครึ่ง สิ่งนี้นำไปสู่ความต้องการ GPU ที่เพิ่มสูงขึ้น โดยนักขุดสกุลเงินดิจิทัลบางรายถึงกับใช้ประโยชน์จาก GPU ของตนเพื่อให้บริการประมวลผลบนคลาวด์ ในขณะที่การแข่งขันในการเข้าถึงทรัพยากรการประมวลผลเพิ่มขึ้นและต้นทุนเพิ่มขึ้น หลายโครงการกำลังใช้ประโยชน์จากสกุลเงินดิจิทัลเพื่อมอบโซลูชันการประมวลผลแบบกระจายอำนาจ พวกเขาเสนอการประมวลผลตามความต้องการในราคาที่แข่งขันได้ เพื่อให้ทีมสามารถฝึกอบรมและใช้งานโมเดลได้ ในบางกรณี ข้อเสียเปรียบอาจเป็นเรื่องประสิทธิภาพและความปลอดภัย

ฮาร์ดแวร์ระดับไฮเอนด์ เช่น GPU อันล้ำสมัยที่ผลิตโดย Nvidia นั้นเป็นที่ต้องการสูง ในเดือนกันยายน Tether ได้เข้าถือหุ้นใน Northern Data ของบริษัทขุด Bitcoin ของเยอรมนี โดยมีรายงานว่าจ่ายเงิน 420 ล้านดอลลาร์เพื่อซื้อ GPU H 100 จำนวน 10,000 ตัว ซึ่งเป็นหนึ่งใน GPU ที่ทันสมัยที่สุดที่ใช้สำหรับการฝึกอบรม AI ระยะเวลาในการรอเพื่อให้ได้ฮาร์ดแวร์ที่ดีที่สุดคืออย่างน้อยหกเดือน และในหลายกรณีก็นานกว่านั้น ที่เลวร้ายกว่านั้น บริษัทต่างๆ มักจะต้องทำสัญญาระยะยาวเพื่อซื้อทรัพยากรคอมพิวเตอร์ที่พวกเขาอาจไม่ได้ใช้ด้วยซ้ำ สิ่งนี้สามารถนำไปสู่สถานการณ์ที่มีทรัพยากรการคำนวณอยู่ แต่ไม่มีในตลาด ระบบคอมพิวเตอร์แบบกระจายอำนาจช่วยแก้ไขความไร้ประสิทธิภาพของตลาดเหล่านี้โดยการสร้างตลาดรองที่ช่วยให้เจ้าของทรัพยากรคอมพิวเตอร์สามารถเช่าทรัพยากรส่วนเกินในราคาที่แข่งขันได้ตลอดเวลา เพื่อเพิ่มอุปทานใหม่

นอกเหนือจากราคาที่แข่งขันได้และการเข้าถึงได้ คุณค่าสำคัญของการประมวลผลแบบกระจายอำนาจคือการต่อต้านการเซ็นเซอร์ การพัฒนาปัญญาประดิษฐ์ที่ล้ำสมัยถูกครอบงำมากขึ้นโดยบริษัทเทคโนโลยีขนาดใหญ่ที่มีพลังการประมวลผลที่เหนือชั้นและการเข้าถึงข้อมูล ประเด็นสำคัญประการหนึ่งที่ได้รับการเน้นย้ำเป็นครั้งแรกในรายงานดัชนี AI ประจำปี 2023 ก็คือ อุตสาหกรรมกำลังก้าวไปไกลกว่าแวดวงวิชาการ โดยมุ่งความสนใจไปที่การควบคุมในมือของผู้นำเทคโนโลยีจำนวนไม่มาก เมื่อพูดถึงการพัฒนาโมเดล AI สิ่งนี้ทำให้เกิดความกังวลว่าพวกเขาจะมีอิทธิพลเกินขนาดในการกำหนดบรรทัดฐานและค่านิยมที่เป็นรากฐานของโมเดล AI หรือไม่ โดยเฉพาะอย่างยิ่งหลังจากที่บริษัทเทคโนโลยีเหล่านี้ผลักดันมาตรการด้านกฎระเบียบเพื่อจำกัดการพัฒนา AI ที่พวกเขาไม่สามารถควบคุมได้

สนามแนวตั้งการคำนวณแบบกระจายอำนาจ

โมเดลการประมวลผลแบบกระจายอำนาจหลายรูปแบบได้เกิดขึ้นในช่วงไม่กี่ปีที่ผ่านมา โดยแต่ละโมเดลมีการเน้นและข้อดีข้อเสียของตัวเอง

คอมพิวเตอร์ทั่วไป

โปรเจ็กต์ต่างๆ เช่น Akash, io.net, iExec และ Cudos เป็นแอปพลิเคชันการประมวลผลแบบกระจายอำนาจ ซึ่งนอกเหนือจากข้อมูลและโซลูชันการประมวลผลทั่วไปแล้ว ยังมอบหรือจะมอบทรัพยากรการประมวลผลเฉพาะในเร็วๆ นี้สำหรับการฝึกอบรมและการอนุมาน AI โดยเฉพาะ

ปัจจุบัน Akash เป็นแพลตฟอร์ม ซูเปอร์คลาวด์ แบบโอเพนซอร์สเต็มรูปแบบเพียงแห่งเดียว เป็นเครือข่าย PoS ที่ใช้ Cosmos SDK โทเค็นดั้งเดิมของ Akash หรือ AKT ใช้เพื่อรักษาความปลอดภัยเครือข่าย ทำหน้าที่เป็นรูปแบบการชำระเงิน และสร้างแรงจูงใจให้มีส่วนร่วม Akash เปิดตัวเมนเน็ตแรกในปี 2020 โดยมุ่งเน้นไปที่การให้บริการตลาดการประมวลผลบนคลาวด์ที่ไม่ได้รับอนุญาต โดยเริ่มแรกให้บริการพื้นที่เก็บข้อมูลและบริการเช่า CPU ในเดือนมิถุนายน 2023 Akash ได้เปิดตัว testnet ใหม่ที่เน้นไปที่ GPU และเปิดตัว GPU mainnet ในเดือนกันยายน ทำให้ผู้ใช้สามารถเช่า GPU สำหรับการฝึกอบรม AI และการอนุมานได้

มีผู้มีบทบาทหลักสองคนในระบบนิเวศของ Akash ได้แก่ ผู้เช่าและผู้ให้บริการ ผู้เช่าคือผู้ใช้เครือข่าย Akash ที่ต้องการซื้อทรัพยากรคอมพิวเตอร์ ผู้ให้บริการคือผู้ให้บริการทรัพยากรคอมพิวเตอร์ เพื่อให้ตรงกับผู้เช่าและผู้ให้บริการ Akash อาศัยกระบวนการประมูลแบบย้อนกลับ ผู้เช่าส่งความต้องการด้านการประมวลผลของตน โดยพวกเขาสามารถระบุเงื่อนไขบางอย่างได้ เช่น ตำแหน่งของเซิร์ฟเวอร์หรือประเภทของฮาร์ดแวร์ในการดำเนินการประมวลผล ตลอดจนจำนวนเงินที่พวกเขายินดีจ่าย ผู้ให้บริการจะส่งราคาที่ขอและผู้เสนอราคาต่ำสุดจะได้รับงาน

เครื่องมือตรวจสอบความถูกต้องของ Akash จะรักษาความสมบูรณ์ของเครือข่าย ชุดเครื่องมือตรวจสอบปัจจุบันจำกัดไว้ที่ 100 ชุด โดยมีแผนจะค่อยๆ เพิ่มขึ้นเมื่อเวลาผ่านไป ใครๆ ก็สามารถเป็นผู้ตรวจสอบความถูกต้องได้โดยการวางเดิมพัน AKT มากกว่าเครื่องมือตรวจสอบความถูกต้องในปัจจุบันที่มีจำนวนเงินน้อยที่สุด ผู้ถือ AKT ยังสามารถมอบหมาย AKT ของตนให้กับผู้ตรวจสอบได้ ค่าธรรมเนียมการทำธุรกรรมของเครือข่ายและรางวัลบล็อคจะแจกจ่ายใน AKT นอกจากนี้ สำหรับการเช่าแต่ละครั้ง เครือข่าย Akash จะเรียกเก็บ ค่าธรรมเนียมการจัดการ ในอัตราที่ชุมชนกำหนดและแจกจ่ายให้กับผู้ถือ AKT

ตลาดรอง

ตลาดคอมพิวเตอร์แบบกระจายอำนาจมีเป้าหมายเพื่อเติมเต็มความไร้ประสิทธิภาพในตลาดคอมพิวเตอร์ที่มีอยู่ ข้อจำกัดด้านอุปทานทำให้บริษัทต่างๆ กักตุนทรัพยากรการประมวลผลมากกว่าที่พวกเขาอาจต้องการ และอุปทานก็มีข้อจำกัดเพิ่มเติมเนื่องจากรูปแบบของสัญญากับผู้ให้บริการระบบคลาวด์ ลูกค้าเหล่านี้ถูกผูกมัดในสัญญาระยะยาว แม้ว่าอาจไม่จำเป็นต้องใช้อย่างต่อเนื่องก็ตาม แพลตฟอร์มการประมวลผลแบบกระจายอำนาจจะปลดล็อกอุปทานใหม่ ช่วยให้ทุกคนในโลกที่ต้องการทรัพยากรการประมวลผลสามารถเป็นผู้ให้บริการได้

ยังไม่ชัดเจนว่าความต้องการ GPU สำหรับการฝึกอบรม AI ที่เพิ่มขึ้นจะส่งผลต่อการใช้งานเครือข่าย Akash ในระยะยาวหรือไม่ Akash ให้บริการตลาดสำหรับ CPU มานานแล้ว เช่น เสนอบริการที่คล้ายกับทางเลือกแบบรวมศูนย์พร้อมส่วนลด 70-80% อย่างไรก็ตาม ราคาที่ต่ำกว่าไม่ได้นำไปสู่การนำไปใช้อย่างมีนัยสำคัญ กิจกรรมการเช่าซื้อบนเครือข่ายลดระดับลง โดยการใช้ทรัพยากรการประมวลผลโดยเฉลี่ยในไตรมาสที่สองของปี 2566 อยู่ที่เพียง 33% การใช้หน่วยความจำที่ 16% และการใช้พื้นที่จัดเก็บข้อมูลที่ 13% แม้ว่าสิ่งเหล่านี้จะเป็นตัวชี้วัดที่น่าประทับใจสำหรับการนำ on-chain มาใช้ (สำหรับการอ้างอิง Filecoin ผู้ให้บริการพื้นที่จัดเก็บข้อมูลชั้นนำมีอัตราการใช้พื้นที่จัดเก็บข้อมูลที่ 12.6% ในไตรมาสที่ 3 ปี 2023) แต่ก็แสดงให้เห็นว่าอุปทานยังคงเกินความต้องการสำหรับผลิตภัณฑ์เหล่านี้

เป็นเวลากว่าครึ่งปีแล้วที่ Akash เปิดตัวเครือข่าย GPU และยังเร็วเกินไปที่จะวัดการใช้งานในระยะยาวอย่างแม่นยำ จากสัญญาณของความต้องการ การใช้งาน GPU จึงมีค่าเฉลี่ย 44% จนถึงปัจจุบัน ซึ่งสูงกว่า CPU หน่วยความจำ และพื้นที่จัดเก็บข้อมูล สาเหตุหลักมาจากความต้องการ GPU คุณภาพสูงสุด เช่น A 100s โดยที่ GPU คุณภาพสูงมากกว่า 90% ได้ถูกเช่าไปแล้ว

การจ่ายเงินรายวันของ Akash ก็เพิ่มขึ้นเช่นกัน เกือบสองเท่าของสิ่งที่เคยเป็นก่อนการถือกำเนิดของ GPU ส่วนหนึ่งเกิดจากการใช้บริการอื่นๆ ที่เพิ่มขึ้น โดยเฉพาะ CPU แต่ส่วนใหญ่เกิดจาก GPU ใหม่

ราคาสามารถเทียบเคียงได้ (หรือในบางกรณีอาจแพงกว่าด้วยซ้ำ) กับคู่แข่งแบบรวมศูนย์ เช่น Lambda Cloud และ Vast.ai ความต้องการอย่างมากสำหรับ GPU ระดับบนสุด เช่น H 100 และ A 100 หมายความว่าเจ้าของอุปกรณ์ส่วนใหญ่แทบไม่สนใจที่จะเปิดตัวในตลาดที่เผชิญกับราคาที่แข่งขันได้

แม้จะมีความตื่นเต้นในช่วงแรก แต่ก็ยังมีอุปสรรคในการนำไปใช้ (อธิบายเพิ่มเติมด้านล่าง) เครือข่ายคอมพิวเตอร์แบบกระจายอำนาจจำเป็นต้องทำมากกว่านี้เพื่อสร้างอุปสงค์และอุปทาน และทีมงานกำลังทดลองวิธีดึงดูดผู้ใช้ใหม่ให้ดีขึ้น ตัวอย่างเช่น ในต้นปี 2024 Akash ผ่านข้อเสนอ 240 เพื่อเพิ่มการเปิดตัว AKT จากผู้ให้บริการ GPU และจูงใจให้เกิดอุปทานมากขึ้น โดยเฉพาะการกำหนดเป้าหมายไปที่ GPU ระดับไฮเอนด์ ทีมงานยังดำเนินการเปิดตัวโมเดลการพิสูจน์แนวคิดเพื่อสาธิตความสามารถแบบเรียลไทม์ของเครือข่ายแก่ผู้ใช้ที่มีศักยภาพ Akash กำลังฝึกฝนโมเดลพื้นฐานของตนเอง และได้เปิดตัวแชทบอทและผลิตภัณฑ์สร้างรูปภาพที่ใช้ Akash GPU เพื่อสร้างเอาต์พุต ในทำนองเดียวกัน io.net ได้พัฒนาโมเดลการแพร่กระจายที่เสถียร และกำลังเปิดตัวความสามารถเครือข่ายใหม่ เพื่อจำลองประสิทธิภาพและขนาดของศูนย์ข้อมูล GPU แบบเดิมได้ดียิ่งขึ้น

การฝึกอบรมการเรียนรู้ของเครื่องแบบกระจายอำนาจ

นอกเหนือจากแพลตฟอร์มคอมพิวเตอร์อเนกประสงค์ที่สามารถตอบสนองความต้องการของปัญญาประดิษฐ์แล้ว ยังมีผู้ให้บริการ AI GPU เฉพาะอีกหลายรายที่มุ่งเน้นไปที่การฝึกอบรมโมเดลการเรียนรู้ของเครื่อง ตัวอย่างเช่น Gensyn คือ การประสานงานด้านพลังและฮาร์ดแวร์เพื่อสร้างปัญญาโดยรวม โดยให้เหตุผลว่า หากมีใครต้องการฝึกอบรมบางสิ่งบางอย่าง และมีคนเต็มใจที่จะฝึกอบรมสิ่งนั้น ก็ควรอนุญาตให้มีการฝึกอบรมได้

โปรโตคอลมีบทบาทหลักสี่บทบาท ได้แก่ ผู้ส่ง ผู้แก้ปัญหา ผู้ตรวจสอบ และผู้แจ้งเบาะแส ผู้ส่งส่งงานพร้อมคำขอการฝึกอบรมไปยังเครือข่าย งานเหล่านี้รวมถึงวัตถุประสงค์การฝึกอบรม แบบจำลองที่จะฝึกอบรม และข้อมูลการฝึกอบรม ในส่วนหนึ่งของขั้นตอนการยื่นคำร้อง ผู้ส่งจะต้องชำระค่าธรรมเนียมล่วงหน้าเพื่อครอบคลุมต้นทุนการคำนวณโดยประมาณของตัวแก้ปัญหา

เมื่อส่งแล้ว งานจะถูกมอบหมายให้กับนักแก้ปัญหาซึ่งจะดำเนินการฝึกอบรมแบบจำลองจริง จากนั้นนักแก้ปัญหาจะส่งงานที่เสร็จสมบูรณ์ไปยังผู้ตรวจสอบ ซึ่งมีหน้าที่ตรวจสอบว่าการฝึกอบรมเสร็จสมบูรณ์อย่างถูกต้อง ผู้แจ้งเบาะแสมีหน้าที่รับผิดชอบในการตรวจสอบให้แน่ใจว่าผู้ตรวจสอบดำเนินการอย่างซื่อสัตย์ เพื่อจูงใจผู้แจ้งเบาะแสให้เข้าร่วมในเครือข่าย Gensyn วางแผนที่จะแสดงหลักฐานข้อผิดพลาดโดยเจตนาเป็นประจำเพื่อให้รางวัลแก่ผู้แจ้งเบาะแสที่ดักจับได้

นอกเหนือจากการให้บริการการประมวลผลสำหรับงานที่เกี่ยวข้องกับ AI แล้ว คุณค่าที่สำคัญของ Gensyn คือระบบการตรวจสอบ ซึ่งยังอยู่ระหว่างการพัฒนา การตรวจสอบความถูกต้องเป็นสิ่งจำเป็นเพื่อให้แน่ใจว่าการคำนวณภายนอกที่ดำเนินการโดยผู้ให้บริการ GPU นั้นถูกต้อง (เช่น เพื่อให้แน่ใจว่าโมเดลของผู้ใช้ได้รับการฝึกฝนในแบบที่พวกเขาต้องการ) Gensyn ใช้แนวทางที่ไม่เหมือนใครในการแก้ปัญหานี้ โดยใช้ประโยชน์จากวิธีการตรวจสอบใหม่ที่เรียกว่า การพิสูจน์การเรียนรู้ความน่าจะเป็น โปรโตคอลการกำหนดตำแหน่งตามกราฟ และเกมจูงใจสไตล์ Truebit นี่คือโหมดการแก้ปัญหาในแง่ดีที่ช่วยให้ตัวตรวจสอบยืนยันว่าโปรแกรมแก้ปัญหาได้รันแบบจำลองอย่างถูกต้องโดยไม่ต้องรันใหม่ทั้งหมด ซึ่งเป็นกระบวนการที่มีราคาแพงและไม่มีประสิทธิภาพ

นอกเหนือจากแนวทางการตรวจสอบที่เป็นนวัตกรรมแล้ว Gensyn ยังอ้างว่ามีความคุ้มค่าเมื่อเทียบกับทางเลือกแบบรวมศูนย์และคู่แข่งด้าน crypto โดยเสนอการฝึกอบรม ML ที่ถูกกว่า AWS ถึง 80% ในขณะที่มีประสิทธิภาพเหนือกว่า Truebit โครงการที่คล้ายกันในการทดสอบ

คงต้องรอดูกันต่อไปว่าผลลัพธ์เบื้องต้นเหล่านี้สามารถจำลองแบบในวงกว้างในเครือข่ายแบบกระจายอำนาจได้หรือไม่ Gensyn หวังที่จะใช้ประโยชน์จากทรัพยากรการประมวลผลส่วนเกินจากผู้ให้บริการ เช่น ศูนย์ข้อมูลขนาดเล็ก ผู้ใช้ทั่วไป และแม้แต่ในอนาคตอุปกรณ์เคลื่อนที่ขนาดเล็ก เช่น โทรศัพท์มือถือ อย่างไรก็ตาม ดังที่ทีม Gensyn ยอมรับเองว่า การพึ่งพาผู้ให้บริการประมวลผลที่แตกต่างกันทำให้เกิดความท้าทายใหม่ๆ หลายประการ

สำหรับผู้ให้บริการแบบรวมศูนย์ เช่น Google Cloud และ Coreweave การคำนวณมีราคาแพง ในขณะที่การสื่อสาร (แบนด์วิดท์และเวลาแฝง) ระหว่างการคำนวณนั้นมีราคาถูก ระบบเหล่านี้ได้รับการออกแบบมาเพื่อให้สามารถสื่อสารระหว่างฮาร์ดแวร์ได้โดยเร็วที่สุด Gensyn พลิกเฟรมเวิร์กนี้ไปที่หัวของมัน โดยลดต้นทุนการคำนวณโดยทำให้ทุกคนในโลกสามารถจัดเตรียม GPU ได้ แต่การสื่อสารที่เพิ่มขึ้นเนื่องจากเครือข่ายต้องประสานงานการประมวลผลผ่านฮาร์ดแวร์ที่กระจายอำนาจและต่างกันซึ่งอยู่ในสถานที่ห่างไกล Gensyn ยังไม่ออก แต่แสดงให้เห็นถึงสิ่งที่เป็นไปได้เมื่อสร้างโปรโตคอลการฝึกอบรมการเรียนรู้ของเครื่องแบบกระจายอำนาจ

ปัญญาประดิษฐ์ทั่วไปแบบกระจายอำนาจ

แพลตฟอร์มคอมพิวเตอร์แบบกระจายอำนาจยังเปิดประตูสู่การออกแบบความเป็นไปได้ในการสร้างปัญญาประดิษฐ์อีกด้วย Bittensor เป็นโปรโตคอลการประมวลผลแบบกระจายอำนาจที่สร้างขึ้นบน Substrate ที่พยายามตอบคำถาม เราจะเปลี่ยนปัญญาประดิษฐ์ให้เป็นแนวทางการทำงานร่วมกันได้อย่างไร Bittensor มีเป้าหมายที่จะกระจายอำนาจและจำหน่ายผลิตภัณฑ์ปัญญาประดิษฐ์ โปรโตคอลนี้เปิดตัวในปี 2564 โดยมีเป้าหมายเพื่อควบคุมพลังของโมเดลการเรียนรู้ของเครื่องที่ทำงานร่วมกัน เพื่อทำซ้ำอย่างต่อเนื่องและสร้างปัญญาประดิษฐ์ที่ดีขึ้น

Bittensor ได้รับแรงบันดาลใจจาก Bitcoin อุปทานของสกุลเงินท้องถิ่น TAO อยู่ที่ 21 ล้านและมีวงจรการลดลงครึ่งหนึ่งเป็นเวลาสี่ปี (การลดลงครึ่งหนึ่งครั้งแรกจะเกิดขึ้นในปี 2568) แทนที่จะใช้ Proof of Work เพื่อสร้างตัวเลขสุ่มที่ถูกต้องและรับรางวัลบล็อค Bittensor อาศัย Proof of Intelligence โดยกำหนดให้นักขุดใช้โมเดลที่สามารถสร้างเอาต์พุตสำหรับการร้องขออนุมาน

เครือข่ายสิ่งจูงใจอัจฉริยะ

ในตอนแรก Bittensor อาศัยโมเดล Mix of Experts (MoE) เพื่อสร้างเอาต์พุต เมื่อมีการส่งคำขอการอนุมาน แทนที่จะอาศัยโมเดลทั่วไป โมเดล MoE จะส่งคำขอการอนุมานไปยังโมเดลที่แม่นยำที่สุดสำหรับประเภทอินพุตเฉพาะ สามารถเปรียบเทียบได้กับเมื่อสร้างบ้าน โดยจ้างผู้เชี่ยวชาญหลายคนเพื่อจัดการด้านต่างๆ ของกระบวนการก่อสร้าง (เช่น สถาปนิก วิศวกร ช่างทาสี คนงานก่อสร้าง ฯลฯ...) MoE ใช้สิ่งนี้กับโมเดลการเรียนรู้ของเครื่อง โดยพยายามใช้ประโยชน์จากเอาท์พุตของโมเดลต่างๆ โดยขึ้นอยู่กับอินพุต ดังที่ Ala Shaabana ผู้ก่อตั้ง Bittensor อธิบาย มันเหมือนกับ การพูดคุยกับกลุ่มคนฉลาด แทนที่จะคุยกับคนคนเดียวเพื่อให้ได้คำตอบที่ดีที่สุด เนื่องจากความท้าทายในการรับรองเส้นทางที่ถูกต้อง การซิงโครไนซ์ข้อความกับโมเดลที่ถูกต้อง และแรงจูงใจ แนวทางนี้จึงถูกระงับไว้จนกว่าโครงการจะมีความสมบูรณ์มากขึ้น

มีสองบทบาทหลักในเครือข่าย Bittensor: ผู้ตรวจสอบและนักขุด ผู้ตรวจสอบมีหน้าที่รับผิดชอบในการส่งคำขออนุมานไปยังนักขุด ตรวจสอบผลลัพธ์ และจัดอันดับตามคุณภาพของการตอบสนอง เพื่อให้แน่ใจว่าการจัดอันดับมีความน่าเชื่อถือ ผู้ตรวจสอบความถูกต้องจะได้รับคะแนน vtrust โดยพิจารณาจากความสอดคล้องของการจัดอันดับกับการจัดอันดับของผู้ตรวจสอบรายอื่นๆ ยิ่งคะแนน vtrust ของผู้ตรวจสอบความถูกต้องสูงเท่าใด พวกเขาก็จะสามารถรับ TAO ได้มากขึ้นเท่านั้น สิ่งนี้มีจุดประสงค์เพื่อส่งเสริมให้ผู้ตรวจสอบบรรลุฉันทามติเกี่ยวกับการจัดอันดับโมเดลเมื่อเวลาผ่านไป เนื่องจากยิ่งผู้ตรวจสอบความถูกต้องบรรลุฉันทามติในการจัดอันดับโมเดลมากเท่าใด คะแนน vtrust แต่ละรายการก็จะยิ่งสูงขึ้นเท่านั้น

นักขุดหรือที่รู้จักกันในชื่อเซิร์ฟเวอร์ คือผู้เข้าร่วมเครือข่ายที่ใช้โมเดลการเรียนรู้ของเครื่องจริง นักขุดแข่งขันกันเองเพื่อให้ได้ผลลัพธ์ที่แม่นยำที่สุดสำหรับการสืบค้นที่กำหนด และยิ่งผลลัพธ์มีความแม่นยำมากเท่าใด พวกเขาจะได้รับ TAO มากขึ้นเท่านั้น นักขุดสามารถสร้างเอาต์พุตเหล่านี้ได้ตามต้องการ ตัวอย่างเช่น ในสถานการณ์ในอนาคต เป็นไปได้ทั้งหมดสำหรับนักขุด Bittensor ที่จะฝึกฝนโมเดลบน Gensyn ล่วงหน้า จากนั้นจึงนำไปใช้เพื่อรับ TAO

การโต้ตอบส่วนใหญ่ในปัจจุบันเกิดขึ้นโดยตรงระหว่างผู้ตรวจสอบและนักขุด เครื่องมือตรวจสอบจะส่งข้อมูลอินพุตไปยังนักขุดและขอเอาต์พุต (เช่น ฝึกโมเดล) เมื่อผู้ตรวจสอบตรวจสอบค้นหาผู้ขุดในเครือข่ายและได้รับคำตอบ จากนั้นพวกเขาจะจัดอันดับผู้ตรวจสอบและส่งการจัดอันดับไปยังเครือข่าย

การโต้ตอบระหว่างเครื่องมือตรวจสอบความถูกต้อง (อาศัย PoS) และนักขุด (อาศัย Proof of Model ซึ่งเป็นรูปแบบของ PoW) เรียกว่าฉันทามติของ Yuma ได้รับการออกแบบมาเพื่อส่งเสริมให้นักขุดสร้างผลลัพธ์ที่ดีที่สุดเพื่อรับ TAO และเพื่อส่งเสริมให้ผู้ตรวจสอบความถูกต้องจัดอันดับเอาต์พุตของนักขุดอย่างแม่นยำเพื่อรับคะแนน vtrust ที่สูงขึ้น และเพิ่มรางวัล TAO ของพวกเขา สร้างกลไกที่เป็นเอกฉันท์ของเครือข่าย

ซับเน็ตและแอปพลิเคชัน

ดังที่ได้กล่าวไว้ข้างต้น การโต้ตอบกับ Bittensor ส่วนใหญ่รวมถึงเครื่องมือตรวจสอบความถูกต้องที่ส่งคำขอไปยังนักขุดและประเมินผลลัพธ์ของพวกเขา อย่างไรก็ตาม เนื่องจากคุณภาพของนักขุดที่มีส่วนร่วมดีขึ้น และปัญญาประดิษฐ์โดยรวมของเครือข่ายเติบโตขึ้น Bittensor จะสร้างเลเยอร์แอปพลิเคชันที่ด้านบนของสแต็กที่มีอยู่ ซึ่งช่วยให้นักพัฒนาสามารถสร้างแอปพลิเคชันที่สืบค้นเครือข่าย Bittensor

ในเดือนตุลาคม ปี 2023 ด้วยการอัพเกรด Revolution Bittensor ได้เสร็จสิ้นขั้นตอนสำคัญในการบรรลุเป้าหมายนี้ โดยการแนะนำซับเน็ต ซับเน็ตเป็นเครือข่ายอิสระบน Bittensor ที่ส่งเสริมพฤติกรรมเฉพาะ Revolution เปิดเครือข่ายให้กับทุกคนที่สนใจสร้างซับเน็ต ในช่วงหลายเดือนนับตั้งแต่เปิดตัว มีการเปิดตัวซับเน็ตมากกว่า 32 ซับเน็ต ซึ่งรวมถึงซับเน็ตสำหรับข้อความแจ้ง การคัดลอกข้อมูล การสร้างและจัดเก็บรูปภาพ และอื่นๆ เมื่อเครือข่ายย่อยเติบโตและพร้อมสำหรับผลิตภัณฑ์ ผู้สร้างเครือข่ายย่อยจะสร้างการรวมแอปพลิเคชันที่ช่วยให้ทีมสามารถสร้างแอปพลิเคชันที่สืบค้นเครือข่ายย่อยเฉพาะได้ แอปพลิเคชันบางตัว (แชทบอท โปรแกรมสร้างรูปภาพ บอทตอบกลับทวีต ตลาดการทำนาย) มีอยู่แล้วในปัจจุบัน แต่นอกเหนือจากเงินช่วยเหลือจากมูลนิธิ Bittensor แล้ว ไม่มีแรงจูงใจอย่างเป็นทางการสำหรับผู้ตรวจสอบความถูกต้องในการยอมรับและส่งต่อคำถามเหล่านี้

เพื่อให้คำอธิบายที่ชัดเจนยิ่งขึ้น รูปภาพด้านล่างเป็นตัวอย่างของสิ่งที่แอปพลิเคชันที่ผสานรวม Bittensor ทำงาน

ซับเน็ตได้รับ TAO ตามประสิทธิภาพที่ประเมินโดยเครือข่ายรูท เครือข่ายรูทตั้งอยู่ด้านบนของซับเน็ตทั้งหมด และทำหน้าที่เป็นซับเน็ตประเภทพิเศษ และได้รับการจัดการโดยผู้ตรวจสอบเครือข่ายย่อยที่ใหญ่ที่สุด 64 รายบนพื้นฐานการแชร์ เครื่องมือตรวจสอบเครือข่ายรูทจะจัดอันดับเครือข่ายย่อยตามประสิทธิภาพและจัดสรร TAO ให้กับเครือข่ายย่อยเป็นประจำ ด้วยวิธีนี้แต่ละเครือข่ายย่อยจะทำหน้าที่เป็นตัวขุดสำหรับเครือข่ายรูท

โอกาสของ Bittensor

Bittensor ยังคงเผชิญกับความเจ็บปวดที่เพิ่มมากขึ้นในขณะที่ขยายขีดความสามารถของโปรโตคอลเพื่อจูงใจให้เกิดการสร้างข่าวกรองข้ามเครือข่ายย่อยหลาย ๆ อัน นักขุดยังคงคิดค้นวิธีใหม่ในการโจมตีเครือข่ายเพื่อรับ TAO มากขึ้น เช่น โดยการปรับเปลี่ยนผลลัพธ์ของการอนุมานที่มีคะแนนสูงเล็กน้อยซึ่งดำเนินการโดยโมเดลของพวกเขา จากนั้นจึงส่งรูปแบบต่างๆ ที่หลากหลาย ข้อเสนอการกำกับดูแลที่ส่งผลกระทบต่อเครือข่ายทั้งหมดสามารถส่งและดำเนินการได้โดย Triumvirate ซึ่งประกอบด้วยผู้มีส่วนได้ส่วนเสียของมูลนิธิ Opentensor ทั้งหมด (เป็นที่น่าสังเกตว่าข้อเสนอต้องได้รับการอนุมัติจากผู้ตรวจสอบความถูกต้องของ Bittensor ก่อนนำไปใช้) เศรษฐศาสตร์โทเค็นของโครงการได้รับการปรับปรุงเพื่อปรับปรุงสิ่งจูงใจสำหรับการใช้งาน TAO ภายในเครือข่ายย่อย โครงการนี้ยังได้รับความนิยมอย่างรวดเร็วจากแนวทางที่เป็นเอกลักษณ์ และ CEO ของ HuggingFace ซึ่งเป็นเว็บไซต์ปัญญาประดิษฐ์ที่ได้รับความนิยมมากที่สุดกล่าวว่า Bittensor ควรเพิ่มทรัพยากรลงในเว็บไซต์

ในบทความล่าสุดชื่อ Bittensor Paradigm ที่เผยแพร่โดยนักพัฒนาหลัก ทีมงานได้สะกดวิสัยทัศน์ของพวกเขาสำหรับ Bittensor ที่จะพัฒนาไปสู่ ​​ผู้ไม่เชื่อเรื่องพระเจ้ากับสิ่งที่ถูกวัด ในที่สุด ตามทฤษฎี สิ่งนี้อาจทำให้ Bittensor พัฒนาเครือข่ายย่อยที่จูงใจให้เกิดพฤติกรรมทุกประเภท ซึ่งทั้งหมดนี้ขับเคลื่อนโดย TAO อย่างไรก็ตาม ยังมีข้อจำกัดในทางปฏิบัติที่สำคัญอยู่ โดยสิ่งสำคัญคือการพิสูจน์ว่าเครือข่ายเหล่านี้สามารถขยายขนาดเพื่อจัดการกับกระบวนการที่หลากหลายดังกล่าวได้ และแรงจูงใจเบื้องหลังจะขับเคลื่อนความก้าวหน้าเกินกว่าที่การรวมศูนย์จะสามารถให้ได้

สร้างสแต็กการประมวลผลแบบกระจายอำนาจสำหรับโมเดล AI

ส่วนข้างต้นกำหนดกรอบการทำงานสำหรับโปรโตคอลการประมวลผลปัญญาประดิษฐ์แบบกระจายอำนาจประเภทต่างๆ ที่ได้รับการพัฒนา แม้ว่าพวกเขาจะยังอยู่ในช่วงเริ่มต้นของการพัฒนาและการนำไปใช้ แต่ก็เป็นรากฐานสำหรับระบบนิเวศที่อาจเอื้อต่อการสร้าง บล็อคการสร้าง AI ในท้ายที่สุด เช่นเดียวกับแนวคิด DeFi Lego ความสามารถในการประกอบกันของบล็อกเชนที่ไม่ได้รับอนุญาตจะเปิดโอกาสให้แต่ละโปรโตคอลสร้างขึ้นจากโปรโตคอลอื่นๆ ทำให้เกิดระบบนิเวศ AI แบบกระจายอำนาจที่ครอบคลุมมากขึ้น

ตัวอย่างเช่น นี่เป็นวิธีหนึ่งที่ Akash, Gensyn และ Bittensor อาจโต้ตอบกันเพื่อตอบสนองต่อคำขออนุมาน

เพื่อให้ชัดเจน นี่เป็นเพียงตัวอย่างสิ่งที่อาจเกิดขึ้นในอนาคต และไม่ใช่ภาพสะท้อนของระบบนิเวศในปัจจุบัน พันธมิตรที่มีอยู่ หรือผลลัพธ์ที่เป็นไปได้ ปัจจุบัน ข้อจำกัดด้านความสามารถในการทำงานร่วมกันและข้อควรพิจารณาอื่นๆ ที่อธิบายไว้ด้านล่างจำกัดความเป็นไปได้ในการบูรณาการอย่างมาก นอกจากนี้ การกระจายตัวของสภาพคล่องและความจำเป็นในการใช้โทเค็นหลายรายการอาจส่งผลเสียต่อประสบการณ์ผู้ใช้ ซึ่ง Akash และผู้ก่อตั้ง Bittensor ชี้ให้เห็น

ผลิตภัณฑ์กระจายอำนาจอื่น ๆ

นอกเหนือจากการประมวลผลแล้ว ยังมีบริการโครงสร้างพื้นฐานแบบกระจายอำนาจอื่นๆ อีกมากมายเพื่อรองรับระบบนิเวศปัญญาประดิษฐ์ที่เกิดขึ้นใหม่ของสกุลเงินดิจิทัล การแสดงรายการทั้งหมดอยู่นอกเหนือขอบเขตของรายงานนี้ แต่ตัวอย่างที่น่าสนใจและเป็นตัวแทนบางส่วนได้แก่:

มหาสมุทร: ตลาดข้อมูลแบบกระจายอำนาจ ผู้ใช้สามารถสร้าง NFT ข้อมูลที่แสดงถึงข้อมูลของตนและซื้อโดยใช้โทเค็นข้อมูล ผู้ใช้สามารถสร้างรายได้และเป็นเจ้าของข้อมูลได้มากขึ้น ในขณะเดียวกันก็ให้ทีมที่ทำงานเกี่ยวกับการพัฒนา AI และโมเดลการฝึกอบรมสามารถเข้าถึงข้อมูลที่ต้องการได้

Grass: ตลาดแบนด์วิธแบบกระจายอำนาจ ผู้ใช้สามารถขายแบนด์วิธส่วนเกินให้กับบริษัทปัญญาประดิษฐ์ที่ใช้แบนด์วิดท์ดังกล่าวเพื่อดึงข้อมูลจากอินเทอร์เน็ต ตลาดถูกสร้างขึ้นบนเครือข่าย Wynd ซึ่งไม่เพียงแต่ช่วยให้บุคคลสร้างรายได้จากแบนด์วิธของตนเท่านั้น แต่ยังช่วยให้ผู้ซื้อแบนด์วิธมีมุมมองที่หลากหลายมากขึ้นเกี่ยวกับสิ่งที่ผู้ใช้แต่ละรายเห็นทางออนไลน์ (เนื่องจากบุคคลทั่วไปใช้อินเทอร์เน็ตเพื่อเข้าถึง โดยปกติแล้วสำหรับที่อยู่ IP เฉพาะของตน) ).

HiveMapper: สร้างผลิตภัณฑ์การทำแผนที่แบบกระจายอำนาจซึ่งประกอบด้วยข้อมูลที่รวบรวมจากผู้ขับขี่รถยนต์ HiveMapper อาศัยปัญญาประดิษฐ์ในการตีความภาพที่รวบรวมโดยกล้องแดชบอร์ดในรถยนต์ของผู้ใช้ และให้รางวัลแก่ผู้ใช้ที่ช่วยปรับปรุงโมเดล AI ผ่านการตอบรับการเรียนรู้ของมนุษย์เสริม (RHLF)

โดยรวมแล้ว สิ่งเหล่านี้ชี้ให้เห็นถึงโอกาสที่ไม่มีที่สิ้นสุดในการสำรวจโมเดลตลาดแบบกระจายอำนาจที่รองรับโมเดล AI หรือเพื่อสนับสนุนโครงสร้างพื้นฐานโดยรอบที่จำเป็นในการพัฒนาโมเดลเหล่านี้ ปัจจุบัน โครงการเหล่านี้ส่วนใหญ่อยู่ในขั้นตอนการพิสูจน์แนวคิด และต้องการการวิจัยและพัฒนาเพิ่มเติมเพื่อพิสูจน์ว่าสามารถให้บริการ AI ที่ครอบคลุมในระดับที่ต้องการได้

แนวโน้ม

ผลิตภัณฑ์คอมพิวเตอร์แบบกระจายอำนาจยังอยู่ในช่วงเริ่มต้นของการพัฒนา พวกเขาเพิ่งเริ่มใช้พลังการประมวลผลที่ล้ำสมัยเพื่อฝึกฝนโมเดล AI ที่ทรงพลังที่สุดในการผลิต เพื่อให้ได้ส่วนแบ่งการตลาดที่มีความหมาย พวกเขาจำเป็นต้องแสดงให้เห็นถึงข้อได้เปรียบที่แท้จริงเหนือทางเลือกแบบรวมศูนย์ ปัจจัยกระตุ้นที่เป็นไปได้สำหรับการยอมรับในวงกว้าง ได้แก่:

อุปสงค์และอุปทานของ GPU การขาดแคลน GPU บวกกับความต้องการด้านคอมพิวเตอร์ที่เพิ่มขึ้นอย่างรวดเร็ว ทำให้เกิดการแข่งขันสำหรับ GPU OpenAI จำกัดการใช้แพลตฟอร์มเนื่องจากมี GPU ที่จำกัด แพลตฟอร์มอย่าง Akash และ Gensyn สามารถมอบทางเลือกที่คุ้มค่าแก่ทีมที่ต้องการการประมวลผลประสิทธิภาพสูง 6-12 เดือนข้างหน้าเป็นโอกาสพิเศษสำหรับผู้ให้บริการคอมพิวเตอร์แบบกระจายอำนาจในการดึงดูดผู้ใช้ใหม่ เนื่องจากผู้ใช้เหล่านี้ถูกบังคับให้พิจารณาโซลูชันแบบกระจายอำนาจ เมื่อรวมกับโมเดลโอเพ่นซอร์สที่มีประสิทธิภาพมากขึ้น (เช่น LLaMA 2 ของ Meta) ผู้ใช้จะไม่เผชิญกับอุปสรรคเดียวกันในการปรับใช้โมเดลที่ได้รับการปรับแต่งอย่างมีประสิทธิภาพอีกต่อไป ซึ่งทำให้ทรัพยากรการประมวลผลกลายเป็นคอขวดที่สำคัญ อย่างไรก็ตาม การมีอยู่ของแพลตฟอร์มนั้นไม่สามารถรับประกันได้ว่าจะมีทรัพยากรคอมพิวเตอร์เพียงพอและความต้องการที่สอดคล้องกันจากผู้บริโภค การซื้อ GPU ระดับไฮเอนด์ยังคงเป็นเรื่องยาก และราคาไม่ใช่ปัจจัยหลักในด้านอุปสงค์เสมอไป แพลตฟอร์มเหล่านี้จะถูกท้าทายให้แสดงให้เห็นถึงประโยชน์ที่แท้จริงของการใช้คอมพิวเตอร์แบบกระจายอำนาจ ไม่ว่าจะเพราะต้นทุน การต่อต้านการเซ็นเซอร์ ระยะเวลาและความยืดหยุ่น หรือความสามารถในการใช้งาน เพื่อสะสมผู้ใช้ที่เหนียวแน่น ข้อตกลงเหล่านี้จึงต้องดำเนินการอย่างรวดเร็ว อัตราการลงทุนและสร้างโครงสร้างพื้นฐาน GPU นั้นน่าทึ่งมาก

การกำกับดูแล กฎระเบียบยังคงเป็นอุปสรรคสำคัญต่อการเคลื่อนไหวทางคอมพิวเตอร์แบบกระจายอำนาจ ในระยะสั้น การขาดกฎระเบียบที่ชัดเจนทำให้ผู้ให้บริการและผู้ใช้เผชิญกับความเสี่ยงที่อาจเกิดขึ้นในการใช้บริการเหล่านี้ จะเกิดอะไรขึ้นหากผู้ให้บริการจัดทำการคำนวณโดยไม่ได้ตั้งใจหรือผู้ซื้อซื้อการคำนวณจากนิติบุคคลที่ถูกคว่ำบาตร ผู้ใช้อาจไม่เต็มใจที่จะใช้แพลตฟอร์มแบบกระจายอำนาจที่ขาดการควบคุมและการกำกับดูแลจากหน่วยงานแบบรวมศูนย์ โปรโตคอลได้พยายามบรรเทาข้อกังวลเหล่านี้ด้วยการรวมการควบคุมเข้ากับแพลตฟอร์มหรือจัดให้มีตัวกรองสำหรับผู้ให้บริการคอมพิวเตอร์ที่รู้จักเท่านั้น (เช่น การให้ข้อมูล KYC) แต่เป็นแนวทางที่แข็งแกร่งกว่าในการปกป้องความเป็นส่วนตัว ในขณะเดียวกันก็รับรองว่าจำเป็นต้องมีการปฏิบัติตามข้อกำหนดเพื่อส่งเสริมการยอมรับ ในระยะสั้น เราอาจเห็นการเกิดขึ้นของ KYC และแพลตฟอร์มที่ปฏิบัติตามกฎระเบียบซึ่งจำกัดการใช้โปรโตคอลเพื่อแก้ไขปัญหาเหล่านี้

ทบทวน. กฎระเบียบทำงานได้ทั้งสองทาง และผู้ให้บริการคอมพิวเตอร์แบบกระจายอำนาจอาจได้รับประโยชน์จากการดำเนินการเพื่อจำกัดการใช้ปัญญาประดิษฐ์ นอกเหนือจากคำสั่งผู้บริหารแล้ว Sam Altman ผู้ก่อตั้ง OpenAI ยังได้ให้การเป็นพยานต่อหน้าสภาคองเกรส โดยเน้นย้ำถึงความจำเป็นสำหรับหน่วยงานกำกับดูแลที่ออกใบอนุญาตสำหรับการพัฒนาปัญญาประดิษฐ์ การอภิปรายเกี่ยวกับกฎระเบียบของ AI เพิ่งเริ่มต้น แต่ความพยายามที่จะจำกัดการใช้ AI หรือการเซ็นเซอร์ ก็สามารถเร่งการนำแพลตฟอร์มที่กระจายอำนาจไปใช้ได้โดยปราศจากอุปสรรคเหล่านี้ การเปลี่ยนแปลงความเป็นผู้นำของ OpenAI เมื่อเดือนพฤศจิกายนปีที่แล้วเป็นหลักฐานเพิ่มเติมถึงความเสี่ยงในการมอบอำนาจในการตัดสินใจให้กับโมเดล AI ที่ทรงพลังที่สุดที่มีอยู่แก่คนเพียงไม่กี่คน นอกจากนี้ โมเดล AI ทั้งหมดจำเป็นต้องสะท้อนถึงอคติของผู้สร้าง ไม่ว่าจะโดยตั้งใจหรือไม่ก็ตาม วิธีหนึ่งในการกำจัดอคติเหล่านี้คือการสร้างโมเดลที่เปิดกว้างที่สุดเท่าที่จะเป็นไปได้เพื่อการปรับแต่งและการฝึกอบรมอย่างละเอียด เพื่อให้มั่นใจว่าทุกคนจากทุกที่สามารถใช้โมเดลที่มีอคติต่างๆ ได้

ความเป็นส่วนตัวของข้อมูล เมื่อรวมเข้ากับโซลูชันข้อมูลภายนอกและความเป็นส่วนตัวที่ให้ผู้ใช้มีอิสระในข้อมูล การประมวลผลแบบกระจายอำนาจอาจกลายเป็นสิ่งที่น่าสนใจมากกว่าทางเลือกอื่น Samsung ประสบปัญหานี้เมื่อตระหนักว่าวิศวกรใช้ ChatGPT เพื่อช่วยในการออกแบบชิปและปล่อยข้อมูลที่ละเอียดอ่อนไปยัง ChatGPT Phala Network และ iExec อ้างว่ามอบโซนแยกความปลอดภัย SGX แก่ผู้ใช้เพื่อปกป้องข้อมูลผู้ใช้ และกำลังดำเนินการวิจัยเกี่ยวกับการเข้ารหัสแบบโฮโมมอร์ฟิกอย่างสมบูรณ์ เพื่อปลดล็อกการประมวลผลแบบกระจายอำนาจเพิ่มเติมที่รับประกันความเป็นส่วนตัว เมื่อ AI ถูกรวมเข้ากับชีวิตของเรามากขึ้น ผู้ใช้จะให้ความสำคัญกับความสามารถในการรันโมเดลบนแอปพลิเคชันที่มีคุณสมบัติการรักษาความเป็นส่วนตัวมากขึ้น ผู้ใช้ยังต้องการความสามารถในการปรับใช้ความสามารถในการประกอบข้อมูลเพื่อให้สามารถย้ายข้อมูลจากแบบจำลองหนึ่งไปยังอีกแบบจำลองหนึ่งได้อย่างราบรื่น

ประสบการณ์ผู้ใช้ (UX) ประสบการณ์ผู้ใช้ยังคงเป็นอุปสรรคสำคัญในการปรับใช้แอปพลิเคชัน crypto และโครงสร้างพื้นฐานทุกประเภทในวงกว้าง โซลูชันการประมวลผลแบบกระจายอำนาจก็ไม่มีข้อยกเว้น และในบางกรณีก็รุนแรงขึ้นเนื่องจากความจำเป็นที่นักพัฒนาจะต้องเข้าใจการเข้ารหัสและปัญญาประดิษฐ์ พื้นที่ที่ต้องการการปรับปรุงมีตั้งแต่การเริ่มใช้งานและการโต้ตอบกับบล็อกเชน ไปจนถึงการให้ผลลัพธ์คุณภาพสูงเช่นเดียวกับผู้นำตลาดในปัจจุบัน สิ่งนี้ชัดเจนเพราะโปรโตคอลการประมวลผลแบบกระจายอำนาจที่ทำงานอยู่จำนวนมากนำเสนอโซลูชั่นที่ถูกกว่า แต่ใช้งานเป็นประจำได้ยาก

สัญญาอัจฉริยะและการเรียนรู้ของเครื่องที่ไม่มีความรู้ (zkML)

สัญญาอัจฉริยะเป็นหนึ่งในแกนหลักของระบบนิเวศบล็อคเชน ภายใต้เงื่อนไขบางประการ สิ่งเหล่านี้จะทำให้เป็นอัตโนมัติและลดหรือขจัดความจำเป็นสำหรับบุคคลที่สามที่เชื่อถือได้ ทำให้เกิดการสร้างแอปพลิเคชันกระจายอำนาจที่ซับซ้อนเหมือนกับที่เห็นใน DeFi อย่างไรก็ตาม ในตอนนี้ สัญญาอัจฉริยะยังคงมีฟังก์ชันการทำงานที่จำกัด เนื่องจากจะดำเนินการตามพารามิเตอร์ที่กำหนดไว้ล่วงหน้า ซึ่งจะต้องได้รับการอัปเดต

ตัวอย่างเช่น โปรโตคอลการให้ยืมสัญญาอัจฉริยะจะควบคุมเมื่อโพซิชั่นถูกชำระบัญชีตามอัตราส่วนสินเชื่อต่อมูลค่าที่แน่นอน ในสภาพแวดล้อมแบบไดนามิกที่ความเสี่ยงเปลี่ยนแปลงอยู่ตลอดเวลา สัญญาอัจฉริยะเหล่านี้ต้องได้รับการอัปเดตอย่างต่อเนื่องเพื่อคำนึงถึงการเปลี่ยนแปลงในการยอมรับความเสี่ยง ซึ่งสร้างความท้าทายสำหรับสัญญาที่จัดการผ่านกระบวนการกระจายอำนาจ ตัวอย่างเช่น DAO ที่อาศัยกระบวนการกำกับดูแลแบบกระจายอำนาจอาจไม่สามารถตอบสนองต่อความเสี่ยงเชิงระบบได้ทันเวลา

สัญญาอัจฉริยะที่รวมปัญญาประดิษฐ์ (เช่น โมเดลการเรียนรู้ของเครื่อง) เป็นวิธีหนึ่งที่เป็นไปได้ในการปรับปรุงฟังก์ชันการทำงาน ความปลอดภัย และประสิทธิภาพ ในขณะเดียวกันก็ปรับปรุงประสบการณ์ผู้ใช้โดยรวม อย่างไรก็ตาม การบูรณาการเหล่านี้ยังทำให้เกิดความเสี่ยงเพิ่มเติม เนื่องจากไม่มีทางใดที่จะรับประกันได้ว่าโมเดลที่รองรับสัญญาอัจฉริยะเหล่านี้จะไม่ถูกโจมตีหรือเป็นสาเหตุสำหรับสถานการณ์หางยาว (โมเดลนั้นยากในการฝึกอย่างฉาวโฉ่เนื่องจากขาดการป้อนข้อมูล)

การเรียนรู้ของเครื่องแบบไม่มีความรู้ (zkML)

การเรียนรู้ของเครื่องต้องใช้ทรัพยากรการประมวลผลจำนวนมากเพื่อรันโมเดลที่ซับซ้อน ซึ่งทำให้เป็นไปไม่ได้ที่โมเดล AI จะรันโดยตรงภายในสัญญาอัจฉริยะได้ เนื่องจากมีค่าใช้จ่ายสูง ตัวอย่างเช่น โปรโตคอล DeFi มอบฟังก์ชันการทำงานของโมเดลการเพิ่มประสิทธิภาพรายได้ให้กับผู้ใช้ แต่หากพวกเขาพยายามรันโมเดลบนเชน พวกเขาจะต้องจ่ายค่าธรรมเนียมก๊าซที่สูง ทางออกหนึ่งคือการเพิ่มพลังการประมวลผลของบล็อกเชนที่ซ่อนอยู่ อย่างไรก็ตาม สิ่งนี้ยังจะเพิ่มภาระในการตรวจสอบโหนดของ chain อีกด้วย ซึ่งอาจทำให้คุณสมบัติการกระจายอำนาจอ่อนแอลง ด้วยเหตุนี้ หลายๆ โปรเจ็กต์จึงกำลังสำรวจวิธีใช้ zkML เพื่อตรวจสอบเอาต์พุตในลักษณะที่ไม่ได้รับอนุญาตและไม่เชื่อถือ โดยไม่ต้องใช้การคำนวณแบบออนเชนที่เข้มข้น

ตัวอย่างทั่วไปที่แสดงให้เห็นถึงประโยชน์ของ zkML คือเมื่อผู้ใช้ต้องการให้ผู้อื่นเรียกใช้ข้อมูลผ่านโมเดล และตรวจสอบว่าคู่สัญญาของตนกำลังใช้โมเดลที่ถูกต้องจริงๆ บางทีนักพัฒนาอาจใช้ผู้ให้บริการคอมพิวเตอร์แบบกระจายอำนาจเพื่อฝึกอบรมโมเดลของตน และกังวลว่าผู้ให้บริการกำลังพยายามประหยัดต้นทุนโดยใช้โมเดลที่ราคาถูกกว่า แต่ผลลัพธ์ที่ได้แทบจะสังเกตไม่เห็นเลย zkML ช่วยให้ผู้ให้บริการคอมพิวเตอร์เรียกใช้ข้อมูลผ่านโมเดลของตน จากนั้นสร้างข้อพิสูจน์ที่สามารถตรวจสอบได้ทางออนไลน์ว่าเอาต์พุตของโมเดลนั้นถูกต้องสำหรับอินพุตที่กำหนด ในกรณีนี้ ผู้ให้บริการโมเดลจะมีข้อได้เปรียบเพิ่มเติมคือสามารถจัดเตรียมโมเดลของตนได้โดยไม่ต้องเปิดเผยน้ำหนักพื้นฐานที่สร้างผลลัพธ์

สิ่งที่ตรงกันข้ามก็สามารถเกิดขึ้นได้เช่นกัน หากผู้ใช้ต้องการเรียกใช้โมเดลที่ใช้ข้อมูลของตน แต่ไม่ต้องการให้โปรเจ็กต์ที่ให้โมเดลเข้าถึงข้อมูลของตนได้เนื่องจากข้อกังวลด้านความเป็นส่วนตัว (เช่น การตรวจสุขภาพหรือข้อมูลทางธุรกิจที่เป็นกรรมสิทธิ์) ผู้ใช้สามารถเรียกใช้บน โมเดลข้อมูลโดยไม่ต้องแชร์ และตรวจสอบว่าพวกเขาใช้โมเดลที่ถูกต้องพร้อมทั้งแสดงหลักฐานด้วย ความเป็นไปได้เหล่านี้ขยายพื้นที่การออกแบบสำหรับการบูรณาการปัญญาประดิษฐ์และความสามารถของสัญญาอัจฉริยะได้อย่างมาก โดยการแก้ไขข้อจำกัดด้านการคำนวณที่มีข้อจำกัด

โครงสร้างพื้นฐานและเครื่องมือ

เมื่อพิจารณาถึงสถานะเริ่มต้นของฟิลด์ zkML การพัฒนาจึงมุ่งเน้นไปที่การสร้างโครงสร้างพื้นฐานและเครื่องมือที่จำเป็นสำหรับทีมในการแปลงโมเดลและเอาต์พุตให้เป็นข้อพิสูจน์ที่สามารถตรวจสอบได้ทางออนไลน์ ผลิตภัณฑ์เหล่านี้เป็นนามธรรมของการพัฒนาด้านความรู้เป็นศูนย์ให้มากที่สุดเท่าที่จะเป็นไปได้

สองโปรเจ็กต์ EZKL และ Giza สร้างจากเครื่องมือเหล่านี้โดยจัดเตรียมการพิสูจน์ที่ตรวจสอบได้ของการดำเนินการโมเดลการเรียนรู้ของเครื่อง ทั้งสองทีมช่วยทีมสร้างโมเดลการเรียนรู้ของเครื่องเพื่อให้แน่ใจว่าโมเดลเหล่านั้นสามารถทำงานได้ในลักษณะที่สามารถตรวจสอบผลลัพธ์แบบออนไลน์ได้โดยไม่ต้องเชื่อถือ ทั้งสองโปรเจ็กต์ใช้ Open Neural Network Exchange (ONNX) เพื่อแปลงโมเดล Machine Learning ที่เขียนในภาษาทั่วไป เช่น TensorFlow และ Pytorch ให้อยู่ในรูปแบบมาตรฐาน จากนั้น เมื่อดำเนินการแล้ว ก็จะส่งออกเวอร์ชันของโมเดลเหล่านี้ รวมถึงสร้าง zk-proofs ด้วย EZKL เป็นโอเพ่นซอร์สและสร้าง zk-SNARKS ในขณะที่ Giza เป็นโอเพ่นซอร์สและสร้าง zk-STARKS ปัจจุบันทั้งสองโครงการนี้เข้ากันได้กับ EVM เท่านั้น

ในช่วงไม่กี่เดือนที่ผ่านมา EZKL มีความก้าวหน้าอย่างมากในการปรับปรุงโซลูชัน zkML โดยมุ่งเน้นที่การลดต้นทุน ปรับปรุงความปลอดภัย และเร่งการสร้างหลักฐานเป็นหลัก ตัวอย่างเช่น ในเดือนพฤศจิกายน พ.ศ. 2566 EZKL ได้รวมไลบรารี GPU แบบโอเพ่นซอร์สใหม่ ซึ่งลดเวลาการพิสูจน์โดยรวมลง 35% และในเดือนมกราคม EZKL ได้ประกาศเปิดตัว Lilith ซึ่งเป็นโซลูชันซอฟต์แวร์สำหรับการพิสูจน์โดยใช้ EZKL ระบบจะรวมคลัสเตอร์การประมวลผลประสิทธิภาพสูงและพิกัดพร้อมกัน งาน Giza มีความโดดเด่นตรงที่ นอกเหนือจากการจัดหาเครื่องมือสำหรับการสร้างแบบจำลองการเรียนรู้ของเครื่องที่ตรวจสอบได้ พวกเขาวางแผนที่จะใช้ Hugging Face ที่เทียบเท่ากับ web3 เปิดตลาดผู้ใช้สำหรับการทำงานร่วมกันของ zkML และการแบ่งปันโมเดล และในที่สุดก็บูรณาการผลิตภัณฑ์คอมพิวเตอร์แบบกระจายอำนาจ ในเดือนมกราคม EZKL เผยแพร่การประเมินเกณฑ์มาตรฐานโดยเปรียบเทียบประสิทธิภาพของ EZKL, Giza และ RiscZero (ตามที่กล่าวไว้ด้านล่าง) EZKL แสดงเวลาการพิสูจน์ที่เร็วขึ้นและการใช้หน่วยความจำ

นอกจากนี้ Modulus Labs ยังพัฒนาเทคโนโลยีป้องกัน zk ใหม่ที่ออกแบบมาสำหรับโมเดลปัญญาประดิษฐ์โดยเฉพาะ โมดูลัสตีพิมพ์บทความชื่อ ต้นทุนของหน่วยสืบราชการลับ (หมายถึงต้นทุนที่สูงมากในการใช้งานโมเดล AI บนเชน) เปรียบเทียบระบบ zk-proofs ที่มีอยู่ในขณะนั้นเพื่อระบุความสามารถ zk -proofs ของโมเดล AI ที่ได้รับการปรับปรุงและปัญหาคอขวด บทความที่ตีพิมพ์ในเดือนมกราคม พ.ศ. 2566 แสดงให้เห็นว่าโซลูชันที่มีอยู่มีราคาแพงและมีประสิทธิภาพเกินกว่าจะเปิดใช้งานแอปพลิเคชัน AI ขนาดใหญ่ได้ จากการวิจัยเบื้องต้น Modulus ได้เปิดตัว Remainder ในเดือนพฤศจิกายน ซึ่งเป็นเครื่องพิสูจน์ความรู้แบบมืออาชีพที่สร้างขึ้นเพื่อลดต้นทุนโมเดล AI และเวลาในการพิสูจน์โดยเฉพาะ โดยมีเป้าหมายเพื่อทำให้โครงการต่างๆ สามารถรวมโมเดลเข้ากับระบบได้ในวงกว้างในสัญญาอัจฉริยะ . งานของพวกเขาเป็นแบบปิดและดังนั้นจึงไม่สามารถเปรียบเทียบกับโซลูชันข้างต้นได้ แต่ได้รับการกล่าวถึงเมื่อเร็วๆ นี้ในบล็อกโพสต์ของ Vitalik เกี่ยวกับการเข้ารหัสและปัญญาประดิษฐ์

การพัฒนาเครื่องมือและโครงสร้างพื้นฐานมีความสำคัญอย่างยิ่งต่อการเติบโตในอนาคตของฟิลด์ zkML เนื่องจากจะช่วยลดแรงเสียดทานที่จำเป็นสำหรับทีมในการปรับใช้วงจร zk สำหรับการคำนวณนอกเชนที่ตรวจสอบได้อย่างมาก การสร้างอินเทอร์เฟซที่ปลอดภัยที่ช่วยให้นักพัฒนาที่ไม่ใช่เจ้าของภาษาเข้ารหัสที่ทำงานในด้านการเรียนรู้ของเครื่องเพื่อนำโมเดลของตนแบบออนไลน์มาใช้ จะช่วยเพิ่มการทดลองกับแอปพลิเคชันด้วยกรณีการใช้งานที่แปลกใหม่อย่างแท้จริง เครื่องมือนี้ยังช่วยแก้ปัญหาอุปสรรคสำคัญในการนำ zkML ไปใช้ในวงกว้าง ซึ่งก็คือการขาดนักพัฒนาที่มีความรู้และความสนใจในจุดตัดระหว่างความรู้เป็นศูนย์ การเรียนรู้ของเครื่อง และการเข้ารหัส

โปรเซสเซอร์ร่วม

โซลูชันอื่นๆ ที่อยู่ระหว่างการพัฒนา เรียกว่า โปรเซสเซอร์ร่วม ได้แก่ RiscZero, Axiom และ Ritual คำว่า ตัวประมวลผลร่วม ส่วนใหญ่มีความหมาย - เครือข่ายเหล่านี้มีบทบาทที่แตกต่างกันมากมาย รวมถึงการตรวจสอบการคำนวณแบบออฟไลน์แบบออนไลน์ เช่นเดียวกับ EZKL, Giza และ Modulus เป้าหมายของพวกเขาคือการสรุปกระบวนการสร้างการพิสูจน์ความรู้เป็นศูนย์อย่างสมบูรณ์ ดังนั้นจึงสร้างเครื่องเสมือนที่มีความรู้เป็นศูนย์ซึ่งสามารถรันโปรแกรมนอกเครือข่ายและสร้างการพิสูจน์สำหรับการตรวจสอบแบบออนไลน์ได้ RiscZero และ Axiom สามารถรองรับโมเดล AI ธรรมดาได้ เนื่องจากเป็นตัวประมวลผลร่วมทั่วไปมากกว่า ในขณะที่ Ritual สร้างขึ้นเพื่อใช้กับโมเดล AI โดยเฉพาะ

Infernet เป็นอินสแตนซ์แรกของ Ritual และรวม Infernet SDK ที่ช่วยให้นักพัฒนาสามารถส่งคำขอการอนุมานไปยังเครือข่าย และเลือกรับเอาต์พุตและการพิสูจน์เมื่อส่งคืน โหนด Infernet ได้รับการร้องขอเหล่านี้ ประมวลผลการคำนวณแบบออฟไลน์ และส่งคืนเอาต์พุต ตัวอย่างเช่น DAO สามารถสร้างกระบวนการเพื่อให้แน่ใจว่าข้อเสนอการกำกับดูแลใหม่ทั้งหมดตรงตามข้อกำหนดเบื้องต้นบางประการก่อนที่จะส่ง แต่ละครั้งที่มีการส่งข้อเสนอใหม่ สัญญาการกำกับดูแลจะทริกเกอร์คำขอการอนุมานผ่าน Infernet โดยเรียกโมเดล AI ที่ผ่านการฝึกอบรมด้านการกำกับดูแลเฉพาะของ DAO แบบจำลองจะตรวจสอบข้อเสนอเพื่อให้แน่ใจว่ามีการส่งเงื่อนไขที่จำเป็นทั้งหมดแล้ว และส่งคืนผลลัพธ์และใบรับรองที่อนุมัติหรือปฏิเสธการส่งข้อเสนอ

ในปีหน้า ทีม Ritual วางแผนที่จะเปิดตัวฟีเจอร์เพิ่มเติมที่ประกอบเป็นเลเยอร์โครงสร้างพื้นฐานที่เรียกว่า Ritual Superchain หลายรายการที่กล่าวถึงก่อนหน้านี้สามารถเสียบเข้ากับ Ritual ในฐานะผู้ให้บริการได้ ปัจจุบัน ทีม Ritual ได้รวมเข้ากับ EZKL เพื่อสร้างหลักฐาน และเร็วๆ นี้อาจจะเพิ่มฟังก์ชันการทำงานจากผู้ให้บริการชั้นนำอื่นๆ โหนด Infernet บน Ritual ยังสามารถใช้ Akash หรือ io.net GPU และโมเดลคิวรีที่ได้รับการฝึกบนซับเน็ต Bittensor เป้าหมายสูงสุดของพวกเขาคือการเป็นผู้ให้บริการโครงสร้างพื้นฐาน AI แบบเปิดที่สามารถให้บริการแมชชีนเลิร์นนิงและงานที่เกี่ยวข้องกับ AI อื่นๆ สำหรับงานใดๆ บนเครือข่ายใดก็ได้

แอปพลิเคชัน

zkML ช่วยปรับความขัดแย้งระหว่างบล็อกเชนและปัญญาประดิษฐ์ แบบแรกมีทรัพยากรจำกัดโดยธรรมชาติ และแบบหลังต้องใช้คอมพิวเตอร์และข้อมูลจำนวนมาก ดังที่หนึ่งในผู้ก่อตั้ง Giza กล่าวว่า: กรณีการใช้งานมีมากมาย... มันเหมือนกับการถามว่ามีกรณีการใช้งานใดบ้างสำหรับสัญญาอัจฉริยะในยุคแรก ๆ ของ Ethereum... เรากำลังขยายกรณีการใช้งานสำหรับสัญญาอัจฉริยะ อย่างไรก็ตาม ตามที่กล่าวมาข้างต้น เน้นย้ำว่าการพัฒนาในปัจจุบันเน้นไปที่ระดับเครื่องมือและโครงสร้างพื้นฐานเป็นหลัก แอปพลิเคชันยังอยู่ในขั้นสำรวจ และความท้าทายสำหรับทีมคือการแสดงให้เห็นว่าคุณค่าของการนำโมเดลไปใช้โดยใช้ zkML นั้นมีมากกว่าความซับซ้อนและต้นทุนในการทำเช่นนั้น

แอปพลิเคชันบางส่วนในปัจจุบัน ได้แก่:

เดไฟ. zkML ขยาย DeFi โดยปรับปรุงการทำงานของสัญญาอัจฉริยะ โปรโตคอล DeFi ให้ข้อมูลจำนวนมากที่ตรวจสอบได้และไม่เปลี่ยนรูปสำหรับโมเดลการเรียนรู้ของเครื่อง ซึ่งสามารถใช้เพื่อสร้างผลตอบแทนหรือกลยุทธ์การซื้อขาย การวิเคราะห์ความเสี่ยง UX และอื่นๆ ตัวอย่างเช่น Giza ร่วมมือกับ Yearn Finance เพื่อสร้างเครื่องมือประเมินความเสี่ยงอัตโนมัติแบบพิสูจน์แนวคิดสำหรับ v3 vault ใหม่ของ Yearn Modulus Labs ร่วมมือกับ Lyra Finance เพื่อรวมการเรียนรู้ของเครื่องเข้ากับ AMM ของตน ร่วมมือกับ Ion Protocol สำหรับแบบจำลองความเสี่ยงของผู้ตรวจสอบ และช่วย Upshot ตรวจสอบฟีดข้อมูลราคา NFT ที่ใช้ AI โปรโตคอลเช่น NOYA (ซึ่งใช้ประโยชน์จาก EZKL) และ Mozaic นำเสนอการเข้าถึงโมเดลนอกเครือข่ายที่เป็นกรรมสิทธิ์ ทำให้ผู้ใช้สามารถเจาะเข้าไปในกลุ่มปืน APY อัตโนมัติ ในขณะที่สามารถตรวจสอบอินพุตข้อมูลและการพิสูจน์ออนไลน์ได้ Spectral Finance กำลังสร้างกลไกการให้คะแนนเครดิตแบบออนไลน์เพื่อคาดการณ์ความเป็นไปได้ที่ผู้กู้แบบ Compound หรือ Aave จะผิดนัดชำระหนี้ ผลิตภัณฑ์ที่เรียกว่า De-Ai-Fi เหล่านี้คาดว่าจะแพร่หลายมากขึ้นในอีกไม่กี่ปีข้างหน้า ต้องขอบคุณ zkML

เกม. Blockchain ได้รับการพิจารณามานานแล้วว่าพร้อมสำหรับการขัดขวางและเพิ่มประสิทธิภาพการเล่นเกม zkML ทำให้สามารถใช้ปัญญาประดิษฐ์สำหรับการเล่นเกมออนไลน์ได้ Modulus Labs ได้นำการพิสูจน์แนวคิดสำหรับเกมออนไลน์แบบง่ายๆ Leela vs the World เป็นเกมหมากรุกทฤษฎีเกมที่ผู้ใช้แข่งขันกับโมเดลหมากรุก AI zkML ตรวจสอบว่าทุกย่างก้าวของ Leela ทำงานตามโมเดลที่ใช้ในเกม ในทำนองเดียวกัน ทีมงานได้สร้างการแข่งขันร้องเพลงแบบง่ายๆ และโอเอกซ์แบบออนไลน์โดยใช้เฟรมเวิร์ก EZKL คาร์ทริดจ์กำลังใช้ประโยชน์จาก Giza เพื่อให้ทีมสามารถปรับใช้เกมแบบออนไลน์ได้ทั้งหมด โดยเมื่อเร็ว ๆ นี้ได้เปิดตัวเกมขับรถด้วย AI แบบง่าย ๆ ซึ่งผู้ใช้แข่งขันกันเพื่อสร้างโมเดลที่ดีกว่าซึ่งช่วยให้รถยนต์สามารถหลีกเลี่ยงอุปสรรคได้ แม้ว่าจะเรียบง่าย แต่การพิสูจน์แนวคิดเหล่านี้ชี้ไปที่การใช้งานในอนาคตของการตรวจสอบออนไลน์ที่ซับซ้อนมากขึ้น เช่น การโต้ตอบทางเศรษฐกิจของเกมกับตัวละคร NPC ขั้นสูงใน AI Arena เกมที่คล้ายกับ Super Mario ผู้เล่นฝึกฝนนักรบของตัวเองแล้วปรับใช้เป็น AI โมเดลที่จะต่อสู้

ตัวตน การติดตามได้ และความเป็นส่วนตัว การเข้ารหัสได้ถูกนำมาใช้เป็นเครื่องมือในการตรวจสอบความถูกต้องและต่อสู้กับเนื้อหาที่สร้าง/จัดการโดย AI และ Deepfakes ที่เพิ่มขึ้นเรื่อยๆ zkML สามารถพัฒนาความพยายามเหล่านี้ได้ WorldCoin เป็นโซลูชั่นพิสูจน์บุคลิกภาพที่กำหนดให้ผู้ใช้สแกนม่านตาเพื่อสร้าง ID ที่ไม่ซ้ำใคร ในอนาคต ID ไบโอเมตริกซ์สามารถจัดเก็บไว้ในอุปกรณ์ส่วนบุคคลได้โดยใช้การเข้ารหัส โดยมีโมเดลที่จำเป็นใช้ในการตรวจสอบข้อมูลไบโอเมตริกซ์เหล่านี้ในเครื่อง ผู้ใช้สามารถแสดงหลักฐานข้อมูลไบโอเมตริกซ์ของตนได้โดยไม่ต้องเปิดเผยตัวตน จึงต่อต้านการโจมตีของ Sybil ในขณะเดียวกันก็รับประกันความเป็นส่วนตัว นอกจากนี้ยังสามารถนำไปใช้กับการอนุมานอื่นๆ ที่จำเป็นต้องมีความเป็นส่วนตัว เช่น การใช้แบบจำลองในการวิเคราะห์ข้อมูล/รูปภาพทางการแพทย์เพื่อตรวจหาโรค ตรวจสอบตัวตนของแต่ละบุคคล และพัฒนาอัลกอริธึมการจับคู่ในแอปหาคู่ หรือสำหรับสถาบันประกันภัยและสถาบันสินเชื่อที่ต้องมีการตรวจสอบข้อมูลทางการเงิน

แนวโน้ม

zkML ยังอยู่ในขั้นทดลอง โดยโปรเจ็กต์ส่วนใหญ่มุ่งเน้นไปที่การสร้างโครงสร้างพื้นฐานต้นแบบและการพิสูจน์แนวคิด ความท้าทายในปัจจุบัน ได้แก่ ต้นทุนในการคำนวณ ข้อจำกัดของหน่วยความจำ ความซับซ้อนของโมเดล เครื่องมือและโครงสร้างพื้นฐานที่จำกัด และความสามารถในการพัฒนา กล่าวโดยสรุป ยังมีงานอีกมากที่ต้องทำก่อนที่ zkML จะสามารถบรรลุขนาดที่จำเป็นสำหรับผลิตภัณฑ์อุปโภคบริโภคได้

อย่างไรก็ตาม เมื่อขอบเขตข้อมูลกว้างขึ้นและข้อจำกัดเหล่านี้ได้รับการแก้ไขแล้ว zkML จะกลายเป็นองค์ประกอบสำคัญของการบูรณาการ AI และการเข้ารหัส โดยแก่นแท้แล้ว zkML สัญญาว่าจะสามารถนำการคำนวณแบบ on-chain แบบ off-chain มาใช้ในทุกขนาด ในขณะเดียวกันก็รักษาระดับความปลอดภัยที่เท่าเดิมหรือใกล้เคียงกับการรับประกันความปลอดภัยแบบเดียวกับที่รันการคำนวณแบบ on-chain อย่างไรก็ตาม จนกว่าวิสัยทัศน์นี้จะเป็นจริง ผู้ใช้เทคโนโลยีในช่วงแรกๆ จะยังคงต้องชั่งน้ำหนักความเป็นส่วนตัวและความปลอดภัยของ zkML กับประสิทธิภาพของทางเลือกอื่น

ตัวแทนปัญญาประดิษฐ์

หนึ่งในการบูรณาการที่น่าตื่นเต้นที่สุดของปัญญาประดิษฐ์และสกุลเงินดิจิตอลคือการทดลองอย่างต่อเนื่องกับตัวแทนปัญญาประดิษฐ์ เจ้าหน้าที่คือหุ่นยนต์อัตโนมัติที่สามารถรับ ตีความ และดำเนินงานโดยใช้โมเดล AI ตัวแทนสามารถเป็นอะไรก็ได้ตั้งแต่การมีผู้ช่วยส่วนตัวที่พร้อมเสมอและปรับให้เหมาะสมตามความต้องการของคุณ ไปจนถึงการจ้างตัวแทนทางการเงินเพื่อจัดการและปรับพอร์ตการลงทุนตามความเสี่ยงที่ผู้ใช้ยอมรับ

พร็อกซีและสกุลเงินดิจิทัลเข้ากันได้ดี เนื่องจากสกุลเงินดิจิทัลมีโครงสร้างพื้นฐานการชำระเงินที่ไม่ได้รับอนุญาตและไม่น่าเชื่อถือ เมื่อการฝึกอบรมเสร็จสิ้น เจ้าหน้าที่จะมีกระเป๋าสตางค์เพื่อให้สามารถทำธุรกรรมด้วยสัญญาอัจฉริยะได้ด้วยตนเอง ตัวอย่างเช่น ในปัจจุบัน ตัวแทนธรรมดาสามารถค้นหาข้อมูลบนอินเทอร์เน็ต จากนั้นซื้อขายในตลาดการคาดการณ์ตามแบบจำลอง

ผู้ให้บริการเอเจนซี่

Morpheus เป็นหนึ่งในโปรเจ็กต์พร็อกซีโอเพ่นซอร์สล่าสุดที่เปิดตัวในปี 2024 บน Ethereum และ Arbitrum เอกสารไวท์เปเปอร์ของบริษัทได้รับการตีพิมพ์โดยไม่เปิดเผยชื่อในเดือนกันยายน พ.ศ. 2566 ซึ่งเป็นพื้นฐานสำหรับชุมชนในการก่อตั้งและสร้าง (รวมถึงบุคคลที่มีชื่อเสียงอย่าง Erik Vorhees) เอกสารไวท์เปเปอร์ประกอบด้วย Smart Agent Protocol ที่ดาวน์โหลดได้ ซึ่งเป็น LLM แบบโอเพ่นซอร์สที่สามารถรันในเครื่องได้ จัดการโดยกระเป๋าสตางค์ของผู้ใช้ และโต้ตอบกับสัญญาอัจฉริยะ ใช้การจัดอันดับสัญญาอัจฉริยะเพื่อช่วยให้ตัวแทนพิจารณาว่าสัญญาอัจฉริยะใดที่ปลอดภัยในการโต้ตอบตามเกณฑ์ เช่น จำนวนธุรกรรมที่ประมวลผล

เอกสารไวท์เปเปอร์ยังจัดเตรียมกรอบการทำงานสำหรับการสร้างเครือข่าย Morpheus เช่น โครงสร้างสิ่งจูงใจและโครงสร้างพื้นฐานที่จำเป็นในการใช้โปรโตคอลตัวแทนอัจฉริยะ ซึ่งรวมถึงการจูงใจผู้มีส่วนร่วมให้สร้างอินเทอร์เฟซสำหรับฟรอนต์เอนด์ที่โต้ตอบกับเอเจนต์ จัดหา API สำหรับนักพัฒนาเพื่อสร้างแอปพลิเคชันที่สามารถเสียบเข้ากับเอเจนต์เพื่อให้โต้ตอบซึ่งกันและกัน และจัดหาโซลูชันคลาวด์สำหรับผู้ใช้เพื่อให้พวกเขาสามารถใช้ความสามารถของ การรันเอเจนต์บนอุปกรณ์ Edge การคำนวณและการจัดเก็บข้อมูลที่จำเป็น เงินทุนเริ่มแรกสำหรับโครงการนี้ริเริ่มขึ้นในช่วงต้นไตรมาสที่ 2 ปี 2567 โดยคาดว่าจะเปิดตัวโปรโตคอลเต็มรูปแบบในเวลานั้น

เครือข่ายโครงสร้างพื้นฐานอัตโนมัติแบบกระจายอำนาจ (DAIN) เป็นโปรโตคอลโครงสร้างพื้นฐานตัวแทนใหม่ที่สร้างเศรษฐกิจแบบตัวแทนต่อตัวแทนบน Solana เป้าหมายของ DAIN คือการอนุญาตให้ตัวแทนจากองค์กรต่างๆ สามารถโต้ตอบกันได้อย่างราบรื่นผ่าน API ทั่วไป ซึ่งจะเป็นการเปิดพื้นที่การออกแบบสำหรับตัวแทน AI อย่างมาก โดยมุ่งเน้นไปที่การใช้ตัวแทนที่สามารถโต้ตอบกับผลิตภัณฑ์ web2 และ web3 ในเดือนมกราคม DAIN ได้ประกาศความร่วมมือครั้งแรกกับ Asset Shield เพื่อให้ผู้ใช้สามารถเพิ่ม ผู้ลงนามพร็อกซี ลงในลายเซ็นหลายลายเซ็นของตน ซึ่งสามารถตีความธุรกรรมและอนุมัติ/ปฏิเสธตามกฎที่กำหนดโดยผู้ใช้

Fetch.AI เป็นหนึ่งในโปรโตคอลเอเจนต์ปัญญาประดิษฐ์ตัวแรกๆ ที่ถูกปรับใช้ และได้พัฒนาระบบนิเวศสำหรับการสร้าง ปรับใช้ และใช้งานเอเจนต์ออนไลน์โดยใช้โทเค็น FET และกระเป๋าเงิน Fetch.AI โปรโตคอลนี้มีชุดเครื่องมือและแอพพลิเคชั่นที่ครอบคลุมสำหรับการทำงานกับพรอกซี รวมถึงฟังก์ชันในกระเป๋าเงินเพื่อโต้ตอบกับพร็อกซีและคำสั่งปัญหา

Autonolas ก่อตั้งขึ้นโดยอดีตสมาชิกของทีม Fetch เป็นตลาดเปิดสำหรับการสร้างและใช้งานตัวแทนปัญญาประดิษฐ์แบบกระจายอำนาจ Autonolas ยังมอบชุดเครื่องมือสำหรับนักพัฒนาในการสร้างเอเจนต์ AI ที่โฮสต์นอกเครือข่าย โดยมีความสามารถในการเชื่อมต่อกับเครือข่ายต่างๆ รวมถึง Polygon, Ethereum, Gnosis Chain และ Solana ปัจจุบันพวกเขามีผลิตภัณฑ์พิสูจน์แนวคิดพร็อกซีที่ใช้งานอยู่จำนวนหนึ่ง รวมถึงผลิตภัณฑ์สำหรับตลาดการคาดการณ์และการกำกับดูแล DAO

SingularityNet กำลังสร้างตลาดที่กระจายอำนาจสำหรับตัวแทน AI ซึ่งผู้คนสามารถใช้งานตัวแทน AI ที่มุ่งเน้นในพื้นที่เฉพาะได้ และบุคคลอื่นหรือตัวแทนสามารถจ้างตัวแทนเหล่านี้เพื่อทำงานที่ซับซ้อนได้ โปรเจ็กต์อื่นๆ เช่น AlteredStateMachine กำลังสร้างการผสานรวมเอเจนต์ AI กับ NFT ผู้ใช้สร้าง NFT ด้วยคุณสมบัติแบบสุ่มที่ให้ข้อดีและข้อเสียสำหรับงานที่แตกต่างกัน ตัวแทนเหล่านี้สามารถได้รับการฝึกอบรมเพื่อปรับปรุงคุณสมบัติบางอย่าง ใช้ในเกม DeFi หรือเป็นผู้ช่วยเสมือน และทำธุรกรรมกับผู้ใช้รายอื่น

โดยรวมแล้ว โครงการเหล่านี้มองเห็นระบบนิเวศในอนาคตของตัวแทนที่ทำงานร่วมกันไม่เพียงแต่ปฏิบัติงานเท่านั้น แต่ยังช่วยสร้างปัญญาประดิษฐ์ทั่วไปอีกด้วย เอเจนต์ที่มีความซับซ้อนอย่างแท้จริงจะสามารถทำงานใดๆ ของผู้ใช้ได้โดยอัตโนมัติ ตัวอย่างเช่น แทนที่จะตรวจสอบให้แน่ใจว่าตัวแทนได้รวม API ภายนอก (เช่น เว็บไซต์จองการเดินทาง) เพื่อใช้งาน ตัวแทนที่เป็นอิสระโดยสมบูรณ์จะสามารถทราบวิธีจ้างตัวแทนรายอื่นเพื่อรวม API จากนั้น ปฏิบัติงาน จากมุมมองของผู้ใช้ ไม่จำเป็นต้องตรวจสอบว่าตัวแทนสามารถปฏิบัติงานได้หรือไม่ เนื่องจากตัวแทนสามารถระบุได้ด้วยตัวเอง

ตัวแทน Bitcoin และ AI

ในเดือนกรกฎาคม ปี 2023 Lightning Labs ได้เปิดตัวโซลูชันที่พิสูจน์แนวคิดสำหรับการใช้พรอกซีบน Lightning Network ที่เรียกว่า LangChain Bitcoin Suite ผลิตภัณฑ์นี้น่าสนใจเป็นพิเศษเนื่องจากมีจุดมุ่งหมายเพื่อแก้ไขปัญหาที่กำลังเติบโตในโลกของ Web 2 - การเกตติ้ง (จำกัดการเข้าถึง) เว็บแอปพลิเคชันและบริการ API ที่มีราคาแพง

LangChain แก้ปัญหานี้ด้วยการมอบชุดเครื่องมือแก่นักพัฒนาที่ช่วยให้ตัวแทนสามารถซื้อ ขาย และถือ Bitcoin ได้ เช่นเดียวกับการสืบค้นคีย์ API และส่งไมโครเพย์เมนท์ สำหรับช่องทางการชำระเงินแบบเดิมๆ การชำระเงินแบบไมโครเพย์เมนต์เล็กๆ น้อยๆ นั้นโดยพื้นฐานแล้วไม่สามารถทำได้เนื่องจากปัญหาด้านค่าธรรมเนียม ในขณะที่บน Lightning Network ตัวแทนสามารถส่งไมโครเพย์เมนต์แบบไม่จำกัดได้ทุกวัน และจ่ายเพียงค่าธรรมเนียมขั้นต่ำเท่านั้น เมื่อรวมกับเฟรมเวิร์ก API การวัดการชำระเงิน L 402 ของ LangChain จะช่วยให้บริษัทต่างๆ สามารถปรับค่าธรรมเนียมการใช้งานสำหรับ API ของตนตามการเพิ่มขึ้นและลดการใช้งาน แทนที่จะตั้งค่าแถบต้นทุนเดียว

ในอนาคตที่กิจกรรมออนไลน์ถูกครอบงำโดยการมีปฏิสัมพันธ์ระหว่างตัวแทนถึงตัวแทน สิ่งที่กล่าวมาข้างต้นจะมีความจำเป็นเพื่อให้แน่ใจว่าตัวแทนสามารถโต้ตอบซึ่งกันและกันในลักษณะที่ไม่แพงจนเกินไป นี่เป็นตัวอย่างเบื้องต้นของวิธีที่ตัวแทนสามารถนำไปใช้กับระบบการชำระเงินที่ไม่ได้รับอนุญาตและคุ้มต้นทุน ซึ่งเปิดโอกาสสำหรับตลาดใหม่และปฏิสัมพันธ์ทางเศรษฐกิจ

แนวโน้ม

พื้นที่หน่วยงานยังอยู่ในช่วงเริ่มต้น

โปรเจ็กต์เพิ่งเริ่มเปิดตัวเอเจนต์เชิงฟังก์ชันที่สามารถจัดการงานง่ายๆ โดยใช้โครงสร้างพื้นฐาน ซึ่งโดยทั่วไปแล้วจะมีให้เฉพาะนักพัฒนาและผู้ใช้ที่มีประสบการณ์เท่านั้น

อย่างไรก็ตาม หนึ่งในผลกระทบที่ใหญ่ที่สุดที่ตัวแทน AI จะมีต่อพื้นที่ crypto เมื่อเวลาผ่านไปคือการปรับปรุงประสบการณ์ผู้ใช้ในทุกแนวดิ่ง ธุรกรรมจะเริ่มเปลี่ยนจากการคลิกเป็นข้อความ และผู้ใช้จะสามารถโต้ตอบกับตัวแทนออนไลน์ผ่านโมเดลภาษาขนาดใหญ่ (LLM) มีทีมอย่าง Dawn Wallet ที่ได้เปิดตัว chatbot wallets เพื่อให้ผู้ใช้สามารถโต้ตอบออนไลน์ได้

นอกจากนี้ ยังไม่มีความชัดเจนว่าพรอกซีจะทำงานอย่างไรใน Web 2.0 เนื่องจากระบบรางทางการเงินต้องอาศัยสถาบันการเงินที่ได้รับการควบคุมซึ่งไม่สามารถดำเนินการได้ตลอด 24 ชั่วโมงทุกวัน และเปิดใช้งานธุรกรรมข้ามพรมแดนได้อย่างราบรื่น ตามที่ Lyn Alden เน้นย้ำ ช่องทาง crypto มีความน่าสนใจเป็นพิเศษเมื่อเทียบกับบัตรเครดิต เนื่องจากไม่มีการคืนเงินและความสามารถในการประมวลผลธุรกรรมขนาดเล็ก อย่างไรก็ตาม หากตัวแทนกลายเป็นเรื่องปกติมากขึ้น ผู้ให้บริการการชำระเงินและแอปพลิเคชันที่มีอยู่อาจดำเนินการอย่างรวดเร็วเพื่อใช้โครงสร้างพื้นฐานที่จำเป็นเพื่อให้สามารถดำเนินการบนช่องทางทางการเงินที่มีอยู่ ซึ่งจะช่วยลดประโยชน์บางประการของการใช้สกุลเงินดิจิทัล

ในปัจจุบัน ตัวแทนอาจถูกจำกัดไว้เฉพาะธุรกรรมสกุลเงินดิจิทัลที่กำหนด โดยที่อินพุตที่กำหนดจะรับประกันเอาต์พุตที่กำหนด โมเดลของการใช้ประโยชน์จากความสามารถของเอเจนต์เหล่านี้เพื่อดำเนินงานที่ซับซ้อน เช่นเดียวกับเครื่องมือในการขยายขอบเขตของงานที่สามารถทำได้ จำเป็นต้องมีการพัฒนาเพิ่มเติม เพื่อให้พร็อกซีสกุลเงินดิจิทัลมีประโยชน์นอกเหนือจากกรณีการใช้งานสกุลเงินดิจิทัลแบบออนไลน์แบบใหม่ จำเป็นต้องมีการบูรณาการและการยอมรับสกุลเงินดิจิทัลในวงกว้างขึ้นเพื่อเป็นรูปแบบการชำระเงิน รวมถึงความชัดเจนด้านกฎระเบียบ อย่างไรก็ตาม เมื่อองค์ประกอบเหล่านี้พัฒนาไป ตัวแทนจะกลายเป็นหนึ่งในผู้บริโภครายใหญ่ที่สุดของโซลูชันการประมวลผลแบบกระจายอำนาจและ zkML ที่กล่าวถึงข้างต้น โดยรับและแก้ไขงานใดๆ ในลักษณะที่เป็นอิสระและไม่ได้กำหนดไว้

สรุปแล้ว

ปัญญาประดิษฐ์นำนวัตกรรมแบบเดียวกันมาสู่สกุลเงินดิจิทัลที่เราเห็นแล้วใน Web2 ซึ่งปรับปรุงทุกอย่างตั้งแต่การพัฒนาโครงสร้างพื้นฐานไปจนถึงประสบการณ์ผู้ใช้และการใช้งาน อย่างไรก็ตาม โครงการยังอยู่ในช่วงเริ่มต้น และในระยะสั้น การบูรณาการของ crypto และ AI จะถูกครอบงำโดยการบูรณาการแบบ off-chain

ผลิตภัณฑ์เช่น Copilot จะ เพิ่มประสิทธิภาพการพัฒนา 10 เท่า และด้วยความร่วมมือกับบริษัทใหญ่ ๆ เช่น Microsoft, แอปพลิเคชัน Layer 1 และ DeFi กำลังเปิดตัวแพลตฟอร์มการพัฒนาที่ได้รับความช่วยเหลือจาก AI บริษัทต่างๆ เช่น Cub 3.ai และ Test Machine กำลังพัฒนาปัญญาประดิษฐ์สำหรับการตรวจสอบสัญญาอัจฉริยะและการตรวจสอบภัยคุกคามแบบเรียลไทม์เพื่อเพิ่มความปลอดภัยบนเครือข่าย แชทบอท LLM ได้รับการฝึกอบรมโดยใช้ข้อมูลออนไลน์ ไฟล์โปรโตคอล และแอปพลิเคชัน เพื่อให้ผู้ใช้มีการใช้งานและประสบการณ์ผู้ใช้ที่ดียิ่งขึ้น

สำหรับการบูรณาการขั้นสูงยิ่งขึ้น เพื่อใช้ประโยชน์จากเทคโนโลยีพื้นฐานของ crypto อย่างแท้จริง ความท้าทายคือการพิสูจน์ว่าการใช้โซลูชัน AI แบบออนไลน์นั้นมีความเป็นไปได้ทางเทคนิคและเป็นไปได้ในเชิงเศรษฐกิจในวงกว้าง การพัฒนาในการประมวลผลแบบกระจายอำนาจ, zkML และเอเจนต์ AI ล้วนชี้ให้เห็นถึงแนวดิ่งที่มีแนวโน้มดี ซึ่งเป็นการวางรากฐานสำหรับอนาคตที่สกุลเงินดิจิทัลและ AI มีความเกี่ยวพันกันอย่างลึกซึ้ง

ลิงค์เดิม