ชื่อดั้งเดิม: AI Mirage ของ Crypto

ผู้เขียนต้นฉบับ: David Han นักวิเคราะห์การวิจัยสถาบัน Coinbase

การรวบรวมต้นฉบับ: DAOSquare

ภาพรวมอย่างรวดเร็ว

แอปพลิเคชันปัญญาประดิษฐ์เข้ารหัสลับแบบกระจายอำนาจ (Crypto-AI) เผชิญกับปัญหาหลายประการในระยะสั้นถึงปานกลางซึ่งอาจเป็นอุปสรรคต่อการนำไปใช้ อย่างไรก็ตาม การเล่าเรื่องที่สร้างสรรค์เกี่ยวกับสกุลเงินดิจิทัลและปัญญาประดิษฐ์มีแนวโน้มที่จะคงการเล่าเรื่องการซื้อขายไว้ระยะหนึ่ง

ประเด็นที่สำคัญ

• จุดตัดระหว่างปัญญาประดิษฐ์ (AI) และ Crypto นั้นกว้างมาก แต่มีน้อยคนที่มักจะมีความเข้าใจอย่างลึกซึ้งเกี่ยวกับมัน เราเชื่อว่าฟิลด์ย่อยที่แตกต่างกันที่จุดตัดมีโอกาสและวงจรการพัฒนาที่แตกต่างกัน

• โดยทั่วไปเราเชื่อว่าสำหรับผลิตภัณฑ์ปัญญาประดิษฐ์ ความได้เปรียบทางการแข่งขันของการกระจายอำนาจนั้นไม่เพียงพอ แต่ยังต้องรักษาความเท่าเทียมกันในการทำงานกับฝ่ายตรงข้ามที่รวมศูนย์ในพื้นที่สำคัญอื่น ๆ

• มุมมองที่ตรงกันข้ามของเราคือศักยภาพด้านมูลค่าของโทเค็น AI จำนวนมากอาจเกินจริงเนื่องจากการที่ตลาดมุ่งเน้นไปที่อุตสาหกรรม AI อย่างกว้างขวาง และโทเค็น AI จำนวนมากอาจขาดตัวขับเคลื่อนอุปสงค์ที่ยั่งยืนในระยะสั้นถึงระยะกลาง

ในช่วงไม่กี่ปีที่ผ่านมา ความก้าวหน้าอย่างต่อเนื่องในด้านปัญญาประดิษฐ์ (โดยเฉพาะอย่างยิ่งในปัญญาประดิษฐ์เชิงกำเนิด) ได้สร้างจุดมุ่งเน้นที่แข็งแกร่งในอุตสาหกรรมปัญญาประดิษฐ์ และมอบโอกาสสำหรับโครงการ crypto ในระหว่างนั้น ก่อนหน้านี้เราได้กล่าวถึงความเป็นไปได้บางอย่างในอุตสาหกรรมในรายงานในเดือนมิถุนายน 2023 โดยสังเกตว่าเมื่อพิจารณาจากการจัดสรรเงินทุนโดยรวมของ Crypto ดูเหมือนว่าสาขาปัญญาประดิษฐ์นั้นประเมินค่าต่ำเกินไป ตั้งแต่นั้นมา สาขาปัญญาประดิษฐ์ด้านการเข้ารหัสก็เริ่มมีการพัฒนาอย่างรวดเร็ว ณ จุดนี้ เรารู้สึกว่าเป็นเรื่องสำคัญที่จะต้องเน้นถึงความท้าทายในทางปฏิบัติบางประการที่อาจขัดขวางการยอมรับอย่างกว้างขวาง

การเปลี่ยนแปลงอย่างรวดเร็วใน AI ทำให้เราระมัดระวังเกี่ยวกับการกล่าวอ้างอย่างกล้าหาญของแพลตฟอร์ม Crypto บางแห่งว่าจุดยืนที่เป็นเอกลักษณ์ของพวกเขาจะขัดขวางอุตสาหกรรมทั้งหมด ทำให้การสะสมมูลค่าในระยะยาวและยั่งยืนของโทเค็น AI ส่วนใหญ่ไม่แน่นอน โดยเฉพาะอย่างยิ่ง โดยเฉพาะอย่างยิ่งสำหรับโครงการที่มีโทเค็นคงที่ โมเดล แต่เราเชื่อว่าแนวโน้มที่เกิดขึ้นใหม่ใน AI อาจทำให้การนำนวัตกรรมที่ใช้ Crypto มาใช้ได้ยากขึ้น เนื่องจากการแข่งขันในตลาดในวงกว้างและปัจจัยด้านกฎระเบียบ

อย่างไรก็ตาม เราเชื่อว่าจุดตัดระหว่าง AI และ Crypto นั้นกว้างและมีโอกาสที่หลากหลาย การยอมรับอาจเร็วขึ้นในบางภาคส่วนย่อย แม้ว่าพื้นที่เหล่านี้จะขาดโทเค็นที่สามารถซื้อขายได้ก็ตาม อย่างไรก็ตาม สิ่งนี้ดูเหมือนจะไม่กระทบต่อความอยากของนักลงทุน เราพบว่าประสิทธิภาพของโทเค็นเข้ารหัสที่เกี่ยวข้องกับ AI นั้นได้รับแรงหนุนจากความนิยมในตลาด AI ซึ่งสามารถสนับสนุนการเคลื่อนไหวของราคาในเชิงบวกได้แม้ในวันที่การซื้อขาย Bitcoin ต่ำกว่า ดังนั้นเราจึงเชื่อว่าโทเค็นที่เกี่ยวข้องกับ AI จำนวนมากมีแนวโน้มที่จะมีการซื้อขายต่อไปเพื่อเป็นตัวแทนของความก้าวหน้าของ AI

แนวโน้มสำคัญในด้านปัญญาประดิษฐ์

ในความเห็นของเรา หนึ่งในแนวโน้มที่สำคัญที่สุดในพื้นที่ AI (ที่เกี่ยวข้องกับผลิตภัณฑ์ crypto AI) คือการสืบสานวัฒนธรรมเกี่ยวกับโมเดลโอเพ่นซอร์ส มีโมเดลมากกว่า 530,000 แบบเผยแพร่สู่สาธารณะบน Hugging Face ซึ่งเป็นแพลตฟอร์มการทำงานร่วมกันสำหรับชุมชน AI เพื่อให้นักวิจัยและผู้ใช้สามารถเรียกใช้และปรับแต่งได้ บทบาทของ Hugging Face ในการทำงานร่วมกันของ AI ก็ไม่ต่างจากการพึ่งพา Github สำหรับการโฮสต์โค้ดหรือ Discord สำหรับการจัดการชุมชน (ทั้งคู่ใช้กันอย่างแพร่หลายใน crypto) เราคิดว่าสถานการณ์นี้ไม่น่าจะเปลี่ยนแปลงได้ในอนาคตอันใกล้นี้ เว้นแต่จะมีการจัดการที่ผิดพลาดร้ายแรง

โมเดลที่มีอยู่ใน Hugging Face มีตั้งแต่โมเดลภาษาขนาดใหญ่ (LLM) ไปจนถึงโมเดลรูปภาพและวิดีโอ และมาจากผู้เล่นรายใหญ่ในอุตสาหกรรม เช่น OpenAI, Meta และ Google รวมถึงนักพัฒนาอิสระ โมเดลภาษาโอเพ่นซอร์สบางรุ่นมีข้อได้เปรียบด้านประสิทธิภาพที่ดีกว่าโมเดลโอเพ่นซอร์สที่ล้ำสมัยในแง่ของปริมาณงาน (ในขณะที่ยังคงคุณภาพเอาต์พุตที่เทียบเคียงได้) ซึ่งทำให้มั่นใจได้ถึงระดับการแข่งขันระหว่างโอเพ่นซอร์สและโมเดลเชิงพาณิชย์ (ดูรูปที่ 1 ) . ที่สำคัญ เราเชื่อว่าระบบนิเวศโอเพ่นซอร์สที่มีชีวิตชีวานี้ เมื่อรวมกับภาคการค้าที่มีการแข่งขันสูง ได้ขับเคลื่อนอุตสาหกรรมที่โมเดลที่มีประสิทธิภาพต่ำกว่าจะถูกขับออกจากการแข่งขัน

แนวโน้มที่สองคือคุณภาพที่เพิ่มขึ้นและความคุ้มทุนของโมเดลขนาดเล็ก (ซึ่งถูกเน้นในการศึกษา LLM ย้อนกลับไปในปี 2020 และล่าสุดในรายงานจาก MIcrosoft) ซึ่งสอดคล้องกับวัฒนธรรมโอเพ่นซอร์สด้วย วิเคราะห์เพื่อเปิดใช้งานเพิ่มเติม อนาคตของโมเดล AI ประสิทธิภาพสูงที่ทำงานในพื้นที่ ในการวัดประสิทธิภาพบางอย่าง โมเดลโอเพ่นซอร์สที่ได้รับการปรับแต่งอย่างละเอียดบางรุ่นอาจมีประสิทธิภาพเหนือกว่าโมเดลโอเพ่นซอร์สชั้นนำอีกด้วย ในโลกเช่นนี้ โมเดล AI บางรุ่นสามารถทำงานในพื้นที่ได้ เพื่อเพิ่มการกระจายอำนาจให้สูงสุด แน่นอนว่าบริษัทเทคโนโลยีที่มีอยู่จะยังคงฝึกอบรมและใช้งานโมเดลขนาดใหญ่บนคลาวด์ต่อไป แต่จะต้องมีข้อเสียในด้านการออกแบบระหว่างทั้งสอง

นอกจากนี้ เนื่องจากความซับซ้อนที่เพิ่มขึ้นของงานในการเปรียบเทียบแบบจำลอง AI (รวมถึงการปนเปื้อนของข้อมูลและขอบเขตการทดสอบที่แตกต่างกัน) เราเชื่อว่าผลลัพธ์ของแบบจำลองที่สร้างขึ้นในท้ายที่สุดอาจได้รับการประเมินที่ดีที่สุดโดยผู้ใช้ปลายทางในตลาดเสรี ในความเป็นจริง มีเครื่องมือสำหรับผู้ใช้ปลายทางอยู่แล้วในการเปรียบเทียบผลลัพธ์ของแบบจำลองแบบเทียบเคียงกัน และยังมีบริษัทที่ทำการเปรียบเทียบที่ให้บริการที่คล้ายคลึงกันอีกด้วย ความยากในการสร้างเกณฑ์มาตรฐานปัญญาประดิษฐ์สามารถเห็นได้จากเกณฑ์มาตรฐาน LLM แบบเปิดที่หลากหลายมากขึ้น ซึ่งรวมถึง MMLU, HellaSwag, TriviaQA, BoolQ เป็นต้น ซึ่งแต่ละเกณฑ์จะทดสอบกรณีการใช้งานที่แตกต่างกัน เช่น การใช้เหตุผลเชิงสามัญสำนึก หัวข้อทางวิชาการ และคำถามต่างๆ รูปแบบ ฯลฯ

แนวโน้มที่สามที่เราสังเกตเห็นในพื้นที่ AI คือแพลตฟอร์มที่มีอยู่ซึ่งมีการล็อคอินผู้ใช้อย่างรุนแรงหรือปัญหาทางธุรกิจที่เฉพาะเจาะจงสามารถได้รับประโยชน์อย่างไม่สมส่วนจากการบูรณาการ AI ตัวอย่างเช่น การผสานรวม Github Copilot เข้ากับโปรแกรมแก้ไขโค้ดช่วยปรับปรุงสภาพแวดล้อมของนักพัฒนาที่มีประสิทธิภาพอยู่แล้ว การฝังอินเทอร์เฟซ AI ลงในเครื่องมืออื่นๆ เช่น ไคลเอนต์อีเมล สเปรดชีต ซอฟต์แวร์การจัดการลูกค้าสัมพันธ์ ฯลฯ ยังเป็นกรณีการใช้งานทั่วไปสำหรับ AI (เช่น ผู้ช่วย AI ของ Klarna สามารถทำงานได้กับตัวแทนเต็มเวลา 700 คน)

อย่างไรก็ตาม สิ่งสำคัญที่ควรทราบคือในหลายสถานการณ์เหล่านี้ โมเดล AI จะไม่สร้างแพลตฟอร์มใหม่ แต่เพียงปรับปรุงแพลตฟอร์มที่มีอยู่เท่านั้น โมเดล AI อื่นๆ ที่ปรับปรุงกระบวนการทางธุรกิจแบบดั้งเดิม (เช่น Metas Lattice คืนประสิทธิภาพการโฆษณาหลังจากที่ Apple เปิดตัว App Tracking Transparency) ก็มักจะอาศัยข้อมูลที่เป็นกรรมสิทธิ์และระบบปิด เนื่องจากโมเดล AI ประเภทเหล่านี้ได้รับการบูรณาการในแนวตั้งเข้ากับผลิตภัณฑ์หลักและใช้ข้อมูลที่เป็นกรรมสิทธิ์ จึงมีแนวโน้มที่จะยังคงเป็นแหล่งข้อมูลแบบปิด

ในโลกของฮาร์ดแวร์และคอมพิวเตอร์ AI เราเห็นแนวโน้มที่เกี่ยวข้องอีกสองประการ ประการแรกคือการเปลี่ยนแปลงการใช้งานคอมพิวเตอร์จากการฝึกอบรมไปสู่การอนุมาน นั่นคือ เมื่อมีการพัฒนาโมเดลปัญญาประดิษฐ์เป็นครั้งแรก ทรัพยากรคอมพิวเตอร์จำนวนมหาศาลจะถูกนำมาใช้เพื่อ ฝึก โมเดลด้วยการป้อนชุดข้อมูลขนาดใหญ่ ตอนนี้ได้ย้ายไปยังการปรับใช้โมเดลและการสืบค้นโมเดลแล้ว

Nvidia เปิดเผยในการรายงานผลประกอบการเมื่อเดือนกุมภาพันธ์ 2567 ว่าประมาณ 40% ของธุรกิจของพวกเขาเป็นการอนุมาน และ Sataya Nadella ได้แสดงความคิดเห็นที่คล้ายกันระหว่างการเรียกรายได้ของ Microsoft ในเดือนมกราคม โดยตั้งข้อสังเกตว่าการใช้งาน Azure AI ส่วนใหญ่ ของพวกเขามีไว้เพื่อการอนุมาน ในขณะที่แนวโน้มนี้ยังคงดำเนินต่อไป เราเชื่อว่าหน่วยงานที่ต้องการสร้างรายได้จากโมเดลของตนจะจัดลำดับความสำคัญของแพลตฟอร์มที่สามารถรันโมเดลของตนได้อย่างน่าเชื่อถือในลักษณะที่ปลอดภัยและพร้อมสำหรับการผลิต

แนวโน้มสำคัญประการที่สองที่เราเห็นคือแนวการแข่งขันโดยรอบสถาปัตยกรรมฮาร์ดแวร์ โปรเซสเซอร์ H 200 ของ Nvidia จะวางจำหน่ายในไตรมาสที่สองของปี 2024 และประสิทธิภาพของ B 100 รุ่นต่อไปคาดว่าจะเพิ่มขึ้นเป็นสองเท่า นอกจากนี้ การสนับสนุนอย่างต่อเนื่องของ Google สำหรับหน่วยประมวลผลเทนเซอร์ (TPU) ของตนเองและหน่วยประมวลผลภาษา (LPU) ใหม่ของ Groq อาจเพิ่มส่วนแบ่งการตลาดในพื้นที่นี้ในปีต่อ ๆ ไป (ดูรูปที่ 2) การพัฒนาเหล่านี้มีแนวโน้มที่จะเปลี่ยนไดนามิกด้านต้นทุนของอุตสาหกรรม AI และอาจเป็นประโยชน์ต่อผู้ให้บริการระบบคลาวด์ที่สามารถปรับตัวได้อย่างรวดเร็ว จัดซื้อฮาร์ดแวร์ในวงกว้าง และติดตั้งเครือข่ายทางกายภาพและเครื่องมือการพัฒนาที่เกี่ยวข้อง

โดยรวมแล้วสาขาปัญญาประดิษฐ์เป็นสาขาที่กำลังเติบโตและพัฒนาอย่างรวดเร็ว เป็นเวลาไม่ถึงหนึ่งปีครึ่งแล้วนับตั้งแต่ ChatGPT เข้าสู่ตลาดครั้งแรกในเดือนพฤศจิกายน 2565 (แม้ว่ารุ่น GPT-3 พื้นฐานจะมีมาตั้งแต่เดือนมิถุนายน 2563) และการพัฒนาอย่างรวดเร็วของสาขานี้นับแต่นั้นมาก็น่าประหลาดใจ แม้ว่าโมเดล AI เชิงสร้างสรรค์จะมีอคติอยู่บ้าง แต่เราก็เริ่มเห็นผลลัพธ์ของการอยู่รอดที่เหมาะสมที่สุดของตลาดแล้ว (โดยไม่สนใจโมเดลที่มีประสิทธิภาพต่ำกว่าและหันไปหาทางเลือกที่ดีกว่า) การเติบโตอย่างรวดเร็วของอุตสาหกรรมและกฎระเบียบที่กำลังจะเกิดขึ้นหมายความว่าในขณะที่โซลูชั่นใหม่ ๆ จะยังคงออกสู่ตลาด ปัญหาของอุตสาหกรรมก็จะเปลี่ยนไปเช่นกัน

ชุดมาตรการที่มักกล่าวกันว่า “การกระจายอำนาจช่วยแก้ปัญหา [แทรกปัญหา]” ดูเหมือนจะเป็นเอกฉันท์ แต่ในมุมมองของเรา ยังเร็วเกินไปสำหรับพื้นที่ที่มีการสร้างสรรค์นวัตกรรมอย่างรวดเร็วเช่นนี้ และยังช่วยแก้ไขปัญหาการรวมศูนย์ที่อาจไม่จำเป็นอยู่ล่วงหน้าอีกด้วย ความจริงก็คืออุตสาหกรรม AI มีการกระจายอำนาจในเทคโนโลยีและธุรกิจแนวดิ่งมากมายอยู่แล้ว ผ่านการแข่งขันระหว่างบริษัทต่างๆ มากมายและโครงการโอเพ่นซอร์ส นอกจากนี้ ทั้งในระดับทางเทคนิคและทางสังคม โปรโตคอลแบบกระจายอำนาจอย่างแท้จริงมีกระบวนการตัดสินใจและความเห็นเป็นเอกฉันท์ช้ากว่าโปรโตคอลแบบรวมศูนย์มาก สิ่งนี้อาจเป็นอุปสรรคต่อการค้นหาผลิตภัณฑ์ที่สมดุลระหว่างการกระจายอำนาจและความสามารถในการแข่งขันในขั้นตอนของการพัฒนา AI ที่กล่าวว่าเราคิดว่ามีการทำงานร่วมกันที่มีความหมายระหว่าง crypto และปัญญาประดิษฐ์ แต่จะใช้เวลานานกว่านี้

กำหนดขอบเขตโอกาส

พูดกว้างๆ เราแบ่งจุดตัดของ AI และ Crypto ออกเป็นสองประเภทกว้างๆ ประการแรกคือกรณีการใช้งานผลิตภัณฑ์ AI เพื่อปรับปรุงอุตสาหกรรม crypto ซึ่งรวมถึงสถานการณ์จำลองสำหรับการสร้างธุรกรรมที่มนุษย์สามารถอ่านได้ การปรับปรุงการวิเคราะห์ข้อมูลบล็อกเชน และการใช้เอาต์พุตโมเดลในโปรโตคอลที่ไม่ได้รับอนุญาต ประเภทที่สองคือกรณีการใช้งานที่มีจุดมุ่งหมายเพื่อทำลายกระบวนการ AI แบบดั้งเดิมด้วยวิธีการกระจายอำนาจของ Crypto ในการคำนวณ การตรวจสอบ การระบุตัวตน ฯลฯ

ในมุมมองของเรา ในหมวดหมู่เดิม กรณีการใช้งานในสถานการณ์เหล่านั้นที่สอดคล้องกับธุรกิจมีความชัดเจน และเราเชื่อว่าถึงแม้จะมีความท้าทายทางเทคนิคที่สำคัญยังคงอยู่ แต่ในระยะยาวพวกเขาจะได้รับประโยชน์จากโมเดลการให้เหตุผลแบบออนไลน์ที่ซับซ้อนมากขึ้น . จะยังคงมีโอกาสอยู่ในที่เกิดเหตุ โมเดล AI แบบรวมศูนย์สามารถปรับปรุงสกุลเงินดิจิทัลได้เช่นเดียวกับอุตสาหกรรมที่เน้นเทคโนโลยีอื่นๆ เช่น เครื่องมือสำหรับนักพัฒนา การตรวจสอบโค้ด และการแปลภาษามนุษย์เป็นการดำเนินการแบบออนไลน์ แต่การลงทุนในปัจจุบันในพื้นที่นี้มักจะเป็นของบริษัทเอกชนผ่านทางการร่วมลงทุน จึงมักถูกตลาดสาธารณะละเลย

อย่างไรก็ตาม สิ่งที่ไม่แน่นอนสำหรับเราคือการนำเสนอคุณค่าของประเภทที่สอง (เช่น Crypto จะขัดขวางภูมิทัศน์ AI ที่มีอยู่) ความท้าทายประเภทหลังเข้ามาแทนที่ลักษณะทางเทคนิค (ซึ่งโดยทั่วไปเราเชื่อว่าสามารถแก้ไขได้ในระยะยาว) และเป็นการต่อสู้ที่ยากลำบากกับตลาดในวงกว้างและหน่วยงานด้านกฎระเบียบ อย่างไรก็ตาม ความจริงก็คือความสนใจล่าสุดเกี่ยวกับ AI + Crypto ส่วนใหญ่มุ่งเน้นไปที่หมวดหมู่นี้ เนื่องจากกรณีการใช้งานเหล่านี้เหมาะกว่าสำหรับการสร้างโทเค็นสภาพคล่อง นี่คือจุดสนใจของเราในส่วนถัดไป ใน Crypto มีโทเค็นสภาพคล่องค่อนข้างน้อยที่เกี่ยวข้องกับเครื่องมือ AI แบบรวมศูนย์ (ในขณะนี้)

บทบาทของ Crypto ใน AI

เพื่อให้ง่ายขึ้น เราจะวิเคราะห์ผลกระทบที่อาจเกิดขึ้นของ Crypto ต่อ AI ผ่านสี่ขั้นตอนหลักของกระบวนการ AI ซึ่งได้แก่:

(1) การรวบรวม การจัดเก็บ และการประมวลผล (2) การฝึกโมเดลและการอนุมาน (3) การตรวจสอบเอาต์พุตโมเดล (4) การติดตามเอาต์พุตโมเดล AI โครงการ crypto-AI ใหม่จำนวนหนึ่งได้เกิดขึ้นในพื้นที่เหล่านี้ แม้ว่าเราจะเชื่อว่าในระยะสั้นถึงระยะกลาง หลายๆ โครงการจะเผชิญกับความท้าทายที่สำคัญในการสร้างฝั่งอุปสงค์ เช่นเดียวกับการแข่งขันที่รุนแรงจากบริษัทที่รวมศูนย์และโซลูชันโอเพ่นซอร์ส

ข้อมูลที่เป็นกรรมสิทธิ์

ข้อมูลเป็นรากฐานของโมเดล AI ทั้งหมด และอาจเป็นตัวสร้างความแตกต่างที่สำคัญในประสิทธิภาพของโมเดล AI ระดับมืออาชีพ ข้อมูลบล็อกเชนในอดีตนั้นเป็นแหล่งข้อมูลใหม่และสมบูรณ์สำหรับโมเดล และบางโครงการ (เช่น Grass) ยังมีเป้าหมายที่จะใช้ประโยชน์จากแรงจูงใจของ Crypto เพื่อรับชุดข้อมูลใหม่จากอินเทอร์เน็ตแบบเปิด ในเรื่องนี้ Crypto มีโอกาสที่จะจัดเตรียมชุดข้อมูลเฉพาะอุตสาหกรรมและกระตุ้นให้เกิดการสร้างชุดข้อมูลอันมีค่าใหม่ (ข้อตกลงลิขสิทธิ์ข้อมูลประจำปีล่าสุดของ Reddit มูลค่า 60 ล้านดอลลาร์กับ Google บ่งบอกถึงการเติบโตในอนาคตในการสร้างรายได้จากชุดข้อมูล)

รุ่นแรกๆ จำนวนมาก (เช่น GPT-3) ใช้ชุดข้อมูลแบบเปิดผสมกัน เช่น CommonCrawl, WebText 2, Books และ Wikipedia และชุดข้อมูลที่คล้ายคลึงกันนั้นมีให้ใช้งานฟรีบน Hugging Face (ปัจจุบันมีตัวเลือกมากกว่า 110,000 รายการ) อย่างไรก็ตาม เพื่อปกป้องผลประโยชน์ทางการค้า โมเดลโอเพนซอร์ซที่เพิ่งเปิดตัวจำนวนมากไม่ได้เปิดเผยชุดข้อมูลการฝึกอบรมขั้นสุดท้ายต่อสาธารณะ เราเชื่อว่าแนวโน้มของชุดข้อมูลที่เป็นกรรมสิทธิ์ โดยเฉพาะอย่างยิ่งภายในโมเดลธุรกิจ จะยังคงดำเนินต่อไปและนำไปสู่การเพิ่มความสำคัญของการให้สิทธิ์ใช้งานข้อมูล

ตลาดข้อมูลแบบรวมศูนย์ที่มีอยู่กำลังช่วยลดช่องว่างระหว่างผู้ให้บริการข้อมูลและผู้บริโภค และเราเชื่อว่าสิ่งนี้จะสร้างพื้นที่โอกาสสำหรับโซลูชันตลาดข้อมูลแบบกระจายอำนาจที่เกิดขึ้นใหม่ ท่ามกลางแคตตาล็อกข้อมูลโอเพ่นซอร์สและคู่แข่งระดับองค์กร หากไม่มีการสนับสนุนโครงสร้างทางกฎหมาย ตลาดข้อมูลที่มีการกระจายอำนาจล้วนๆ จะต้องสร้างอินเทอร์เฟซและช่องทางข้อมูลที่เป็นมาตรฐาน ตรวจสอบความสมบูรณ์ของข้อมูลและการกำหนดค่า และแก้ไขปัญหาการเริ่มเย็นของผลิตภัณฑ์ นอกจากนี้ยังจำเป็นต้องสร้างสมดุลระหว่างสิ่งจูงใจโทเค็นระหว่างผู้เข้าร่วมตลาด

นอกจากนี้ โซลูชันการจัดเก็บข้อมูลแบบกระจายอำนาจอาจพบช่องทางในอุตสาหกรรม AI ในที่สุด แม้ว่าเราจะเชื่อว่ายังมีความท้าทายอย่างมากในเรื่องนี้ ในด้านหนึ่ง ช่องทางในการเผยแพร่ชุดข้อมูลโอเพ่นซอร์สมีอยู่แล้วและมีการใช้กันอย่างแพร่หลาย ในทางกลับกัน เจ้าของชุดข้อมูลที่เป็นกรรมสิทธิ์หลายรายมีข้อกำหนดด้านความปลอดภัยและการปฏิบัติตามข้อกำหนดที่เข้มงวด ขณะนี้ยังไม่มีแนวทางด้านกฎระเบียบสำหรับการโฮสต์ข้อมูลที่ละเอียดอ่อนบนแพลตฟอร์มการจัดเก็บข้อมูลแบบกระจายอำนาจ เช่น Filecoin และ Arweave ในความเป็นจริง องค์กรหลายแห่งยังคงเปลี่ยนจากเซิร์ฟเวอร์ภายในองค์กรไปเป็นผู้ให้บริการพื้นที่จัดเก็บข้อมูลบนคลาวด์แบบรวมศูนย์ ในระดับเทคนิค ลักษณะการกระจายอำนาจของเครือข่ายเหล่านี้ยังไม่สอดคล้องกับปัญหาระดับภูมิภาคและข้อกำหนดไซโลข้อมูลทางกายภาพสำหรับการจัดเก็บข้อมูลที่ละเอียดอ่อน

แม้ว่าการเปรียบเทียบราคาระหว่างโซลูชันการจัดเก็บข้อมูลแบบกระจายอำนาจกับผู้ให้บริการคลาวด์ที่จัดตั้งขึ้นยังแสดงให้เห็นว่าตัวเลือกแบบกระจายอำนาจอาจมีราคาถูกกว่าในแง่ของหน่วยจัดเก็บข้อมูลเดียว แต่เราเชื่อว่าสิ่งนี้จะพลาดปัญหาที่ใหญ่กว่านี้ ประการแรก มีค่าใช้จ่ายล่วงหน้าในการย้ายระบบระหว่างผู้จำหน่ายที่ต้องนำมาพิจารณา นอกเหนือจากค่าใช้จ่ายในการดำเนินงานอย่างต่อเนื่อง ประการที่สอง แพลตฟอร์มการจัดเก็บข้อมูลแบบกระจายอำนาจที่ใช้ Crypto จำเป็นต้องจับคู่เครื่องมือและการผสานรวมที่ดีกว่าที่ได้รับจากระบบคลาวด์ที่เติบโตเต็มที่ที่พัฒนาขึ้นในช่วงสองทศวรรษที่ผ่านมา จากมุมมองการดำเนินธุรกิจ โซลูชันระบบคลาวด์สามารถคาดการณ์ได้ง่ายกว่าในเรื่องต้นทุน และมาพร้อมกับภาระผูกพันตามสัญญาและทีมสนับสนุนเฉพาะ รวมถึงกลุ่มนักพัฒนาที่มีความสามารถจำนวนมาก

นอกจากนี้ยังเป็นที่น่าสังเกตว่าการเปรียบเทียบคร่าวๆ กับผู้ให้บริการคลาวด์ สามรายใหญ่ (AWS, Google Cloud Platform และ Microsoft Azure) นั้นไม่สมบูรณ์ มีบริษัทคลาวด์ราคาประหยัดหลายสิบแห่งที่แย่งชิงส่วนแบ่งการตลาดด้วยการนำเสนอเซิร์ฟเวอร์พื้นฐานและบริการอื่น ๆ ที่ราคาถูกกว่า ในมุมมองของเรา พวกเขาคือคู่แข่งหลักที่แท้จริงสำหรับผู้บริโภคที่คำนึงถึงต้นทุนในระยะเวลาอันใกล้นี้ ที่กล่าวว่านวัตกรรมล่าสุดเช่นการประมวลผลข้อมูลของ Filecoin และสภาพแวดล้อมการประมวลผล ao ของ Arweave อาจมีบทบาทในโครงการนวัตกรรมที่กำลังจะเกิดขึ้นซึ่งมักใช้ชุดข้อมูลที่ละเอียดอ่อนน้อยกว่าหรือมีความอ่อนไหวต่อต้นทุนมากที่สุด ลงซัพพลายเออร์

ดังนั้นในขณะที่มีพื้นที่ว่างสำหรับผลิตภัณฑ์ Crypto ใหม่ในพื้นที่ข้อมูล แต่เราเชื่อว่าความก้าวหน้าในระยะสั้นจะเกิดขึ้นเมื่อพวกเขาสามารถสร้างคุณค่าที่เป็นเอกลักษณ์ได้ ในมุมมองของเรา พื้นที่ที่ผลิตภัณฑ์ที่มีการกระจายอำนาจแข่งขันกันแบบเผชิญหน้ากับคู่แข่งแบบดั้งเดิมและโอเพ่นซอร์สจะใช้เวลานานกว่าในการสร้างความก้าวหน้าที่สำคัญ

แบบจำลองการฝึกอบรมและการอนุมาน

ฟิลด์การคำนวณแบบกระจายอำนาจ (DeComp) ใน Crypto ยังมีจุดมุ่งหมายที่จะเป็นทางเลือกแทนการประมวลผลแบบคลาวด์แบบรวมศูนย์ ส่วนหนึ่งเนื่องมาจากปัญหาอุปทาน GPU ที่มีอยู่ วิธีแก้ปัญหาหนึ่งที่นำเสนอสำหรับการขาดแคลนนี้ ซึ่งใช้โดยโปรโตคอล เช่น Akash และ Render คือการบูรณาการทรัพยากรการประมวลผลที่ไม่ได้ใช้งานเข้ากับเครือข่ายแบบรวมศูนย์ ซึ่งจะช่วยลดต้นทุนของผู้ให้บริการคลาวด์แบบรวมศูนย์ ตามตัวบ่งชี้เบื้องต้น โครงการดังกล่าวดูเหมือนว่าจะมีการเติบโตทั้งจากผู้ใช้และผู้ขาย ตัวอย่างเช่น Akash ได้เพิ่มจำนวนผู้เช่าที่ใช้งานอยู่เป็นสามเท่า (เช่น จำนวนผู้ใช้) เมื่อเทียบเป็นรายปี (ดูรูปที่ 3) สาเหตุหลักมาจากการใช้ทรัพยากรพื้นที่จัดเก็บและการประมวลผลที่เพิ่มขึ้น

อย่างไรก็ตาม นับตั้งแต่จุดสูงสุดในเดือนธันวาคม 2023 ค่าธรรมเนียมที่จ่ายให้กับเครือข่ายได้ลดลงจริง ๆ เนื่องจากอุปทานของ GPU ที่มีอยู่แซงหน้าความต้องการทรัพยากรเหล่านี้ที่เพิ่มขึ้น กล่าวคือ เนื่องจากมีผู้ให้บริการเข้าร่วมเครือข่ายมากขึ้น จำนวน GPU ที่เช่า (ซึ่งดูเหมือนจะเป็นตัวขับเคลื่อนรายได้ที่ใหญ่ที่สุดตามสัดส่วน) ก็ลดลง (ดูรูปที่ 4) สำหรับเครือข่ายที่การกำหนดราคาด้วยคอมพิวเตอร์สามารถเปลี่ยนแปลงได้ตามการเปลี่ยนแปลงของอุปสงค์และอุปทาน ยังไม่ชัดเจนว่าความต้องการโทเค็นเนทิฟที่ขับเคลื่อนด้วยการใช้งานอย่างยั่งยืนและยั่งยืนจะมาจากไหนหากการเติบโตของด้านอุปทานมีมากกว่าการเติบโตด้านอุปสงค์ เราเชื่อว่าโมเดลโทเค็นนี้อาจจำเป็นต้องได้รับการตรวจสอบอีกครั้งในอนาคตเพื่อเพิ่มประสิทธิภาพการเปลี่ยนแปลงของตลาด แม้ว่าผลกระทบระยะยาวของการเปลี่ยนแปลงดังกล่าวจะไม่ชัดเจนในขณะนี้

ในระดับเทคนิค โซลูชันการประมวลผลแบบกระจายอำนาจยังเผชิญกับความท้าทายจากข้อจำกัดแบนด์วิธของเครือข่าย สำหรับโมเดลขนาดใหญ่ที่ต้องมีการฝึกอบรมแบบหลายโหนด เลเยอร์โครงสร้างพื้นฐานเครือข่ายทางกายภาพจะมีบทบาทสำคัญ ความเร็วการถ่ายโอนข้อมูล ค่าใช้จ่ายในการซิงโครไนซ์ และการสนับสนุนอัลกอริธึมการฝึกอบรมแบบกระจายบางอย่าง หมายความว่าจำเป็นต้องมีการกำหนดค่าเครือข่ายเฉพาะและการสื่อสารเครือข่ายแบบกำหนดเอง (เช่น InfiniBand) เพื่ออำนวยความสะดวกในการดำเนินการที่มีประสิทธิภาพ ทำให้ยากต่อการนำไปใช้ในลักษณะกระจายอำนาจเมื่อขนาดคลัสเตอร์เกินช่วงที่กำหนด

โดยรวมแล้ว เราเชื่อว่าความสำเร็จในระยะยาวของการประมวลผลแบบกระจายอำนาจ (และพื้นที่เก็บข้อมูล) ต้องเผชิญกับการแข่งขันที่รุนแรงจากผู้ให้บริการคลาวด์แบบรวมศูนย์ ในมุมมองของเรา การนำไปใช้ใดๆ ก็ตามจะเป็นกระบวนการระยะยาว อย่างน้อยก็อ้างอิงถึงวงจรการรับใช้บริการคลาวด์ เนื่องจากความซับซ้อนทางเทคนิคที่เพิ่มขึ้นของการพัฒนาเว็บแบบกระจายอำนาจ บวกกับการขาดทีมพัฒนาและการขายที่สามารถปรับขนาดได้ในลักษณะเดียวกัน เราเชื่อว่าการดำเนินการตามวิสัยทัศน์การประมวลผลแบบกระจายอำนาจอย่างเต็มที่จะเป็นการเดินทางที่ยากลำบาก

แบบจำลองการรับรองความถูกต้องและความน่าเชื่อถือ

เนื่องจากโมเดล AI มีความสำคัญมากขึ้นในชีวิตของเรา จึงมีความกังวลเกี่ยวกับคุณภาพและความลำเอียงของผลลัพธ์มากขึ้น โครงการเข้ารหัสลับบางโครงการมุ่งหวังที่จะค้นหาวิธีแก้ปัญหาแบบกระจายอำนาจตามตลาดโดยใช้ประโยชน์จากชุดอัลกอริธึมเพื่อประเมินผลลัพธ์ประเภทต่างๆ อย่างไรก็ตาม ความท้าทายที่กล่าวมาข้างต้นเกี่ยวกับการเปรียบเทียบโมเดล ตลอดจนต้นทุน ปริมาณงาน และการแลกเปลี่ยนด้านคุณภาพที่ชัดเจน ทำให้การแข่งขันเผชิญหน้ากันเป็นเรื่องที่ท้าทาย BitTensor หนึ่งในสกุลเงินดิจิทัลที่เน้น AI ที่ใหญ่ที่สุดในหมวดหมู่นี้ มีเป้าหมายเพื่อแก้ไขปัญหานี้ แม้ว่าจะยังมีความท้าทายทางเทคนิคบางประการที่อาจขัดขวางการยอมรับอย่างกว้างขวาง (ดูภาคผนวก 1)

นอกจากนี้ การอนุมานแบบจำลองที่ไม่น่าเชื่อถือ (เช่น การพิสูจน์ว่าผลลัพธ์ของแบบจำลองนั้นถูกสร้างขึ้นจริงโดยแบบจำลองที่อ้างสิทธิ์) เป็นอีกหนึ่งงานวิจัยเชิงรุกของ Crypto x AI อย่างไรก็ตาม เราเชื่อว่าเมื่อขนาดของโมเดลโอเพ่นซอร์สลดลง โซลูชันเหล่านี้อาจเผชิญกับความท้าทายในแง่ของความต้องการ ในโลกที่สามารถดาวน์โหลดและรันโมเดลในเครื่องได้ โดยที่มีการตรวจสอบความสมบูรณ์ของเนื้อหาด้วยวิธีแฮชไฟล์/เช็คซัมที่กำหนดไว้ บทบาทของการอนุมานที่ไม่เชื่อถือก็ไม่ค่อยชัดเจน เป็นเรื่องจริงที่ LLM จำนวนมากยังไม่สามารถฝึกฝนและรันบนอุปกรณ์น้ำหนักเบา เช่น โทรศัพท์มือถือได้ แต่คอมพิวเตอร์เดสก์ท็อปที่ทรงพลัง (เช่น ที่ใช้สำหรับเกมระดับไฮเอนด์) สามารถใช้เพื่อรันโมเดลประสิทธิภาพสูงหลายตัวได้แล้ว

แหล่งข้อมูลและเอกลักษณ์

เนื่องจากผลลัพธ์ของ Generative AI เริ่มแยกไม่ออกจากมนุษย์มากขึ้นเรื่อยๆ ความสำคัญของการติดตามสิ่งที่ AI สร้างขึ้นจึงเข้ามามุ่งเน้น GPT-4 ผ่านการทดสอบทัวริงเร็วกว่า GPT-3.5 ถึง 3 เท่า และเราเกือบจะแน่ใจว่าวันหนึ่งไม่ไกลเกินไป เราจะไม่สามารถแยกแยะบุคลิกในโลกออนไลน์จากเครื่องจักรหรือมนุษย์จริงๆ ได้ ในโลกเช่นนี้ การกำหนดความเป็นมนุษย์ของผู้ใช้ออนไลน์และการใส่ลายน้ำให้กับเนื้อหาที่สร้างโดย AI จะกลายเป็นความสามารถที่สำคัญ

ตัวระบุแบบกระจายอำนาจและกลไกการพิสูจน์ความเป็นบุคคล เช่น Worldcoin มีจุดมุ่งหมายเพื่อแก้ไขปัญหาเดิม โดยระบุตัวมนุษย์บนเครือข่าย ในทำนองเดียวกัน การเผยแพร่ข้อมูลแฮชไปยังบล็อกเชนสามารถช่วยแหล่งที่มาของข้อมูลได้โดยการตรวจสอบอายุและแหล่งที่มาของเนื้อหา อย่างไรก็ตาม เช่นเดียวกับหัวข้อก่อนหน้านี้ เราเชื่อว่าความเป็นไปได้ของโซลูชันที่ใช้ Crypto จะต้องได้รับการชั่งน้ำหนักเทียบกับทางเลือกแบบรวมศูนย์

บางประเทศ เช่น จีน เชื่อมโยงบุคคลในโลกออนไลน์เข้ากับฐานข้อมูลที่รัฐบาลควบคุม แม้ว่าโลกส่วนใหญ่จะมีการรวมศูนย์น้อยกว่า แต่กลุ่มผู้ให้บริการ KYC ก็สามารถเสนอโซลูชันการพิสูจน์บุคลิกภาพที่ไม่ขึ้นอยู่กับเทคโนโลยีบล็อกเชน (อาจมีลักษณะคล้ายกับหน่วยงานออกใบรับรองที่เชื่อถือได้ ซึ่งเป็นรากฐานสำคัญของความปลอดภัยทางอินเทอร์เน็ตในปัจจุบัน) นอกจากนี้ยังมีการวิจัยอย่างต่อเนื่องเกี่ยวกับลายน้ำ AI เพื่อฝังสัญญาณที่ซ่อนอยู่ในข้อความและรูปภาพเพื่อให้อัลกอริธึมสามารถตรวจจับได้ว่าเนื้อหานั้นถูกสร้างขึ้นโดย AI หรือไม่ บริษัท AI ชั้นนำหลายแห่ง รวมถึง Microsoft, Anthropic และ Amazon ต่างให้คำมั่นต่อสาธารณะที่จะเพิ่มลายน้ำดังกล่าวให้กับเนื้อหาที่พวกเขาสร้างขึ้น

นอกจากนี้ ผู้ให้บริการเนื้อหาที่มีอยู่หลายรายได้รับความไว้วางใจให้เก็บบันทึกข้อมูลเมตาของเนื้อหาที่เข้มงวดเพื่อเหตุผลด้านการปฏิบัติตามข้อกำหนด เป็นผลให้ผู้ใช้มักจะเชื่อถือข้อมูลเมตาที่เกี่ยวข้องกับโพสต์บนโซเชียลมีเดีย (แม้ว่าจะไม่ใช่ภาพหน้าจอ) แม้ว่าจะถูกเก็บไว้ที่ส่วนกลางก็ตาม สิ่งสำคัญที่ควรทราบในที่นี้ก็คือโซลูชันที่มาและการระบุตัวตนของข้อมูลที่ใช้ Crypto จะต้องรวมเข้ากับแพลตฟอร์มผู้ใช้เพื่อให้มีประสิทธิภาพในวงกว้าง ดังนั้น แม้ว่าโซลูชันที่ใช้ Crypto จะมีความเป็นไปได้ทางเทคนิคในแง่ของการพิสูจน์ตัวตนและแหล่งที่มาของข้อมูล แต่เรายังเชื่อว่าการนำไปใช้นั้นไม่ได้ถูกกำหนดไว้ และท้ายที่สุดจะขึ้นอยู่กับข้อกำหนดทางธุรกิจ การปฏิบัติตามข้อกำหนด และกฎระเบียบ

การซื้อขายคำบรรยาย AI

แม้จะมีปัญหาข้างต้น แต่โทเค็น AI จำนวนมากก็มีประสิทธิภาพเหนือกว่า Bitcoin และ Ethereum รวมถึงหุ้น AI รายใหญ่ เช่น Nvidia และ Microsoft โดยเริ่มตั้งแต่ไตรมาสที่ 4 ปี 2366 เราเชื่อว่านี่เป็นเพราะโดยทั่วไปแล้วโทเค็น AI จะได้รับประโยชน์จากประสิทธิภาพที่สัมพันธ์กันของตลาด Crypto ในวงกว้างและความคลั่งไคล้ของ AI ที่เกี่ยวข้อง (ดูภาคผนวก 2) ดังนั้น แม้ว่าราคา Bitcoin จะลดลง แต่โทเค็นที่เน้น AI จะพบกับความผันผวนของราคาที่สูงขึ้น ทำให้เกิดความผันผวนที่สูงขึ้นในช่วงขาลงของ Bitcoin รูปที่ 5 แสดงประสิทธิภาพของโทเค็น AI ในวันที่ Bitcoin มีการซื้อขายลดลง

โดยรวมแล้ว เรายังคงเชื่อว่าตัวขับเคลื่อนอุปสงค์ที่ยั่งยืนในระยะสั้นจำนวนมากหายไปจากการซื้อขายแบบเล่าเรื่องด้วย AI การขาดการคาดการณ์และตัวชี้วัดการยอมรับที่ชัดเจนทำให้เกิดการคาดเดาแบบมีม ซึ่งในความเห็นของเราอาจไม่ยั่งยืนในระยะยาว ในที่สุดราคาและอรรถประโยชน์จะมาบรรจบกัน และคำถามเปิดคือต้องใช้เวลานานแค่ไหน และอรรถประโยชน์จะเพิ่มขึ้นเพื่อให้ตรงกับราคาหรือในทางกลับกัน ที่กล่าวว่า เราคิดว่าตลาด crypto ที่สร้างสรรค์ที่ยั่งยืนและมีประสิทธิภาพเหนือกว่าอุตสาหกรรม AI มีแนวโน้มที่จะรักษาคำบรรยาย AI crypto ที่แข็งแกร่งมาระยะหนึ่งแล้ว

สรุปแล้ว

บทบาทของ Crypto ใน AI ไม่ได้อยู่ในสุญญากาศ แพลตฟอร์มการกระจายอำนาจใด ๆ แข่งขันกับทางเลือกแบบรวมศูนย์ที่มีอยู่ และจะต้องได้รับการวิเคราะห์ภายในบริบทของธุรกิจที่กว้างขึ้นและข้อกำหนดด้านกฎระเบียบ ดังนั้นเราจึงเชื่อว่าการเปลี่ยนผู้ให้บริการแบบรวมศูนย์เพื่อ การกระจายอำนาจ นั้นไม่เพียงพอที่จะขับเคลื่อนการยอมรับของตลาดที่มีความหมาย โมเดล AI เจนเนอเรชั่นมีมาสองสามปีแล้วและยังคงรักษาระดับการกระจายอำนาจไว้ได้เนื่องจากการแข่งขันในตลาดและซอฟต์แวร์โอเพ่นซอร์ส

ประเด็นสำคัญที่เกิดซ้ำในรายงานนี้คือโซลูชันที่ใช้การเข้ารหัสลับ แม้ว่ามักจะเป็นไปได้ในทางเทคนิค แต่ก็ยังต้องมีการทำงานที่สำคัญเพื่อให้เกิดความเท่าเทียมกันในการทำงานกับแพลตฟอร์มแบบรวมศูนย์มากขึ้นและสมมติว่าแพลตฟอร์มเหล่านั้นจะไม่นิ่งในช่วงเวลานี้ ในความเป็นจริง การพัฒนาแบบรวมศูนย์มักจะเร็วกว่าการพัฒนาแบบกระจายอำนาจ เนื่องจากกลไกที่เป็นเอกฉันท์ ซึ่งอาจก่อให้เกิดความท้าทายในสาขาที่มีการพัฒนาอย่างรวดเร็ว เช่น ปัญญาประดิษฐ์

ด้วยเหตุนี้ เราจึงเชื่อว่าการทับซ้อนระหว่าง AI และสกุลเงินดิจิทัลยังอยู่ในช่วงเริ่มต้น และมีแนวโน้มที่จะเปลี่ยนแปลงอย่างรวดเร็วในอีกไม่กี่ปีข้างหน้า เนื่องจากปัญญาประดิษฐ์ในวงกว้างพัฒนาขึ้น อนาคตของ AI แบบกระจายอำนาจที่คนใน Crypto หลายคนมองเห็นนั้นยังไม่รับประกันว่าจะเป็นจริง ที่จริงแล้ว อนาคตของอุตสาหกรรม AI นั้นส่วนใหญ่ยังไม่มีการกำหนดแน่ชัด ดังนั้นเราจึงเชื่อว่าเป็นการระมัดระวังที่จะสำรวจตลาดดังกล่าวอย่างระมัดระวัง และเจาะลึกลงไปว่าโซลูชันที่ใช้สกุลเงินดิจิทัลอาจเสนอทางเลือกที่ดีกว่าอย่างมีความหมายได้อย่างไร หรืออย่างน้อยก็เข้าใจเรื่องราวการซื้อขายที่ซ่อนอยู่ ดังนั้นเราจึงคิดว่าเป็นการระมัดระวังที่จะทำผิดพลาดในตลาดเช่นนี้และเจาะลึกลงไปว่าโซลูชันที่ใช้ Crypto สามารถเสนอทางเลือกที่เหนือกว่าที่มีความหมายได้อย่างแท้จริงหรืออย่างน้อยก็เข้าใจการเล่าเรื่องธุรกรรมที่ซ่อนอยู่

ภาคผนวก 1: BitTensor

BitTensor จูงใจตลาดข่าวกรองที่แตกต่างกันทั่วทั้ง 32 เครือข่ายย่อย สิ่งนี้มีจุดมุ่งหมายเพื่อแก้ไขปัญหาบางประการเกี่ยวกับการเปรียบเทียบประสิทธิภาพโดยการทำให้เจ้าของเครือข่ายย่อยสามารถสร้างข้อจำกัดเหมือนเกมเพื่อดึงข้อมูลจากผู้ให้บริการข้อมูล ตัวอย่างเช่น ซับเน็ตเรือธง 1 มุ่งเน้นไปที่ข้อความแจ้งเตือนและสร้างแรงจูงใจให้นักขุดที่ “สร้างการตอบสนองที่ดีที่สุดตามการแจ้งเตือนที่ส่งโดยผู้ตรวจสอบความถูกต้องของเครือข่ายย่อยในเครือข่ายย่อยนั้น” นั่นคือให้รางวัลแก่นักขุดที่สามารถสร้างการตอบกลับข้อความที่ดีที่สุดสำหรับพรอมต์ที่กำหนด โดยพิจารณาจากผู้ตรวจสอบความถูกต้องรายอื่นในซับเน็ตนั้น สิ่งนี้ทำให้เกิดเศรษฐกิจอัจฉริยะที่ผู้เข้าร่วมเครือข่ายพยายามสร้างแบบจำลองในตลาดต่างๆ

อย่างไรก็ตาม กลไกการตรวจสอบและการให้รางวัลนี้ยังอยู่ในช่วงเริ่มต้นและเสี่ยงต่อการโจมตีของฝ่ายตรงข้าม โดยเฉพาะอย่างยิ่งหากแบบจำลองได้รับการประเมินโดยใช้แบบจำลองอื่นที่มีอคติ (แม้ว่าจะมีความคืบหน้าในพื้นที่นี้โดยใช้ข้อมูลสังเคราะห์ใหม่สำหรับการประเมินเครือข่ายย่อยบางแห่ง) . นี่เป็นเรื่องจริงโดยเฉพาะอย่างยิ่งสำหรับผลลัพธ์ที่ คลุมเครือ เช่น ภาษาและศิลปะ ซึ่งการวัดการประเมินผลอาจเป็นแบบอัตนัย ซึ่งนำไปสู่การวัดประสิทธิภาพแบบจำลองที่หลากหลาย

ตัวอย่างเช่น ในทางปฏิบัติ กลไกการตรวจสอบของ BitTensor สำหรับซับเน็ต 1 ต้องการ:

เครื่องมือตรวจสอบจะสร้างคำตอบอ้างอิงตั้งแต่หนึ่งคำตอบขึ้นไป และคำตอบของนักขุดทั้งหมดจะถูกเปรียบเทียบ ผู้ที่มีคำตอบคล้ายกันมากที่สุดสำหรับการอ้างอิงจะได้รับรางวัลสูงสุดและท้ายที่สุดคือสิ่งจูงใจที่ยิ่งใหญ่ที่สุด

อัลกอริธึมความคล้ายคลึงในปัจจุบันใช้การผสมผสานระหว่างตัวอักษรสตริงและการจับคู่ความหมายเป็นพื้นฐานในการให้รางวัล แต่เป็นเรื่องยากที่จะบันทึกการตั้งค่าสไตล์ที่แตกต่างกันด้วยชุดคำตอบอ้างอิงที่จำกัด

ไม่ชัดเจนว่าโมเดลที่เกิดจากโครงสร้างสิ่งจูงใจของ BitTensor จะมีประสิทธิภาพเหนือกว่าโมเดลแบบรวมศูนย์ในท้ายที่สุดหรือไม่ (หรือโมเดลที่มีประสิทธิภาพสูงสุดจะย้ายไปที่ BitTensor หรือไม่) หรือจะสามารถรองรับการแลกเปลี่ยนอื่นๆ เช่น ขนาดโมเดลและต้นทุนการคำนวณพื้นฐานได้อย่างไร ตลาดที่ผู้ใช้มีอิสระในการเลือกแบบจำลองที่เหมาะสมกับความต้องการของตนอาจสามารถบรรลุการจัดสรรทรัพยากรที่คล้ายคลึงกันผ่าน มือที่มองไม่เห็น อย่างไรก็ตาม BitTensor พยายามที่จะแก้ไขปัญหาที่ท้าทายมากในพื้นที่ปัญหาที่ขยายตัวอยู่ตลอดเวลา

ภาคผนวก 2: WorldCoin

บางทีตัวอย่างที่ชัดเจนที่สุดของโทเค็น AI ตามความนิยมของตลาดปัญญาประดิษฐ์ก็คือ Worldcoin เปิดตัวการอัปเกรด World ID 2.0 เมื่อวันที่ 13 ธันวาคม 2023 โดยได้รับความสนใจเพียงเล็กน้อย แต่หลังจากที่ Sam Altman โปรโมต Worldcoin ในวันที่ 15 ธันวาคม ก็เพิ่มขึ้น 50% (การเก็งกำไรเกี่ยวกับอนาคตของ Worldcoin ยังคงถูกปีศาจ ส่วนหนึ่งเป็นเพราะ Sam Altman เป็นผู้ร่วมก่อตั้ง Tools for Humanity ซึ่งเป็นผู้พัฒนาที่อยู่เบื้องหลัง Worldcoin ในทำนองเดียวกัน การเปิดตัว Sora ของ OpenAI เมื่อวันที่ 15 กุมภาพันธ์ 2024 ทำให้ราคาของมันเพิ่มขึ้นเกือบสามเท่า แม้ว่า ไม่มีประกาศที่เกี่ยวข้องบน Twitter หรือบล็อกของ Worldcoin (ดูรูปที่ 6) ณ เวลาแถลงข่าว Worldcoin มีมูลค่า 80 พันล้านดอลลาร์ซึ่งใกล้เคียงกับการประเมินมูลค่า 86 พันล้านดอลลาร์ของ OpenAI เมื่อวันที่ 16 กุมภาพันธ์ (นี่คือบริษัทที่มีรายได้ต่อปี มูลค่า 2 พันล้านดอลลาร์)

เข้าสู่ระบบ https://dao2.io เพื่อติดตามข้อมูล ข้อมูลเชิงลึก และการวิจัยล่าสุดจากสื่อและสถาบันสำคัญๆ ทั่วโลก

เข้าร่วมชุมชน DAOSquare และเรียนรู้เกี่ยวกับการพัฒนาล่าสุดของศูนย์บ่มเพาะ DAOSquare