ผู้เขียนต้นฉบับ |. @cebillhsu

รวบรวม | . โกเลม

ความก้าวหน้าของเทคโนโลยี AI เช่น GPT-4, Gemini 1.5 และ Microsoft AI PC นั้นน่าประทับใจ แต่การพัฒนา AI ในปัจจุบันยังคงประสบปัญหาอยู่บ้าง Bill นักวิจัย Web3 ที่ AppWorks ศึกษาปัญหาในเชิงลึกและหารือเกี่ยวกับวิธีที่ Crypto สามารถช่วยได้ 7 ทิศทางของการเสริมพลัง AI

การสร้างโทเค็นข้อมูล

การฝึกอบรม AI แบบดั้งเดิมอาศัยข้อมูลที่เปิดเผยต่อสาธารณะบนอินเทอร์เน็ตเป็นหลัก หรือถ้าให้เจาะจงกว่านั้นคือข้อมูลการรับส่งข้อมูลที่เป็นสาธารณสมบัติ ยกเว้นบริษัทบางแห่งที่เสนอ API แบบเปิด ข้อมูลส่วนใหญ่ยังคงไม่ถูกนำไปใช้ วิธีเปิดใช้งานผู้ถือข้อมูลมากขึ้นเพื่อสนับสนุนหรืออนุญาตข้อมูลของตนสำหรับการฝึกอบรม AI ในขณะเดียวกันก็ทำให้มั่นใจว่าความเป็นส่วนตัวได้รับการปกป้องเป็นทิศทางสำคัญ

อย่างไรก็ตาม ความท้าทายที่ใหญ่ที่สุดที่สาขานี้เผชิญอยู่ก็คือข้อมูลนั้นยากที่จะสร้างมาตรฐาน เช่น พลังการประมวลผล แม้ว่าพลังการประมวลผลแบบกระจายสามารถวัดปริมาณตามประเภทของ GPU แต่ปริมาณ คุณภาพ และการใช้ข้อมูลส่วนตัวนั้นวัดได้ยาก หากพลังการประมวลผลแบบกระจายเป็นเหมือน ERC 20 โทเค็นของชุดข้อมูลก็จะเหมือนกับ ERC 721 ซึ่งทำให้สภาพคล่องและการสร้างตลาดมีความท้าทายมากกว่า ERC 20

คุณสมบัติ Compute-to-Data ของ Ocean Protocol ช่วยให้เจ้าของข้อมูลสามารถขายข้อมูลส่วนตัวไปพร้อมกับปกป้องความเป็นส่วนตัวได้ Vana เสนอวิธีให้ผู้ใช้ Reddit รวบรวมข้อมูลและขายให้กับบริษัทที่ฝึกโมเดล AI ขนาดใหญ่

การจัดสรรทรัพยากร

ปัจจุบัน มีช่องว่างขนาดใหญ่ระหว่างอุปสงค์และอุปทานของพลังประมวลผล GPU และบริษัทขนาดใหญ่ก็ผูกขาดทรัพยากร GPU ส่วนใหญ่ ซึ่งทำให้โมเดลการฝึกอบรมมีราคาแพงมากสำหรับบริษัทขนาดเล็ก หลายทีมกำลังทำงานอย่างหนักเพื่อลดต้นทุนโดยเน้นทรัพยากร GPU ขนาดเล็กที่มีการใช้งานสูงผ่านเครือข่ายแบบกระจายอำนาจ แต่พวกเขายังคงเผชิญกับความท้าทายที่สำคัญในการรับรองพลังการประมวลผลที่เสถียรและแบนด์วิธที่เพียงพอ

แรงจูงใจ RLHF

RLHF (การเรียนรู้แบบเสริมกำลังตามความคิดเห็นของมนุษย์) มีความสำคัญอย่างยิ่งในการปรับปรุงโมเดลขนาดใหญ่ แต่ต้องมีการฝึกอบรมจากผู้เชี่ยวชาญ เมื่อการแข่งขันในตลาดเพิ่มมากขึ้น ค่าใช้จ่ายในการจ้างผู้เชี่ยวชาญเหล่านี้ก็เพิ่มขึ้นเช่นกัน เพื่อลดต้นทุนในขณะที่รักษาคำอธิบายประกอบให้มีคุณภาพสูง สามารถใช้ระบบการปักหลักและสแลชได้ ค่าใช้จ่ายที่ใหญ่ที่สุดประการหนึ่งในการทำคำอธิบายประกอบข้อมูลคือการที่หัวหน้างานต้องตรวจสอบคุณภาพ อย่างไรก็ตาม ในช่วงหลายปีที่ผ่านมา blockchain ประสบความสำเร็จในการใช้กลไกแรงจูงใจทางเศรษฐกิจเพื่อรับประกันคุณภาพของงาน (PoW, PoS) และเชื่อว่าการสร้างระบบเศรษฐกิจโทเค็นที่ดีสามารถลดต้นทุนของ RLHF ได้อย่างมีประสิทธิภาพ

ตัวอย่างเช่น Sapien AI ได้เปิดตัว Tag 2 Earn และร่วมมือกับสมาคม gamefi หลายแห่ง Hivemapper มีข้อมูลการฝึกอบรมสำหรับถนนระยะทาง 2 ล้านกิโลเมตรผ่านกลไกจูงใจโทเค็น QuillAudits วางแผนที่จะเปิดตัวตัวแทนตรวจสอบสัญญาอัจฉริยะแบบโอเพ่นซอร์ส ฝึกฝนตัวแทนและรับรางวัล

การตรวจสอบความถูกต้อง

จะตรวจสอบได้อย่างไรว่าผู้ให้บริการพลังประมวลผลดำเนินการอนุมานตามข้อกำหนดหรือรุ่นเฉพาะหรือไม่ ผู้ใช้ไม่สามารถตรวจสอบความถูกต้องและแม่นยำของโมเดล AI และผลลัพธ์ได้ การขาดความสามารถในการตรวจสอบนี้สามารถนำไปสู่ความไม่ไว้วางใจ ข้อผิดพลาด และแม้กระทั่งความเสียหายในด้านต่างๆ เช่น การเงิน การดูแลสุขภาพ และกฎหมาย

การใช้ระบบการตรวจสอบการเข้ารหัสเช่น ZKP, OP และ TEE ผู้ให้บริการการอนุมานสามารถพิสูจน์ได้ว่าเอาต์พุตนั้นดำเนินการโดยโมเดลเฉพาะ ประโยชน์ของการใช้การตรวจสอบการเข้ารหัส ได้แก่ ผู้ให้บริการโมเดลสามารถรักษาความลับของโมเดลได้ ผู้ใช้สามารถตรวจสอบว่าการดำเนินการของโมเดลนั้นถูกต้อง และการผสานรวมการเข้ารหัสเชิงพิสูจน์เข้ากับสัญญาอัจฉริยะสามารถหลีกเลี่ยงข้อจำกัดของพลังการประมวลผลของบล็อกเชนได้ ในเวลาเดียวกัน คุณยังสามารถพิจารณาเรียกใช้ AI บนอุปกรณ์ได้โดยตรงเพื่อแก้ไขปัญหาด้านประสิทธิภาพ แต่จนถึงขณะนี้ยังไม่มีคำตอบที่น่าพอใจ โปรเจ็กต์ที่อยู่ระหว่างการก่อสร้างในสาขานี้ ได้แก่ Ritual , ORA และ Aizel Network

ล้ำลึก

ด้วยการเกิดขึ้นของ Production AI ผู้คนจึงให้ความสนใจกับปัญหาของ Deepfake มากขึ้นเรื่อยๆ อย่างไรก็ตาม เทคโนโลยี Deepfake มีความก้าวหน้าเร็วกว่าเทคโนโลยีการตรวจจับ ดังนั้นการตรวจจับ Deepfake จึงกลายเป็นเรื่องยากมากขึ้น แม้ว่าเทคโนโลยีลายน้ำดิจิทัล (เช่น C2PA) สามารถช่วยระบุ Deepfakes ได้ แต่ก็มีข้อจำกัดเช่นกัน เนื่องจากรูปภาพที่ประมวลผลได้รับการแก้ไขแล้ว และสาธารณะไม่สามารถตรวจสอบลายเซ็นบนรูปภาพต้นฉบับได้ การตรวจสอบจะกลายเป็นเรื่องยากมาก .

เทคโนโลยีบล็อคเชนสามารถแก้ปัญหาการปลอมแปลงได้หลายวิธี การรับรองความถูกต้องด้วยฮาร์ดแวร์สามารถใช้กล้องชิปป้องกันการงัดแงะเพื่อฝังหลักฐานการเข้ารหัสไว้ในภาพถ่ายต้นฉบับแต่ละภาพเพื่อตรวจสอบความถูกต้องของภาพ บล็อคเชนไม่เปลี่ยนรูป ทำให้สามารถเพิ่มรูปภาพที่มีข้อมูลเมตาลงในบล็อกที่มีการประทับเวลาได้ ป้องกันการปลอมแปลงและตรวจสอบแหล่งที่มาดั้งเดิม นอกจากนี้ กระเป๋าเงินยังสามารถใช้เพื่อแนบลายเซ็นเข้ารหัสในโพสต์ที่เผยแพร่เพื่อตรวจสอบการประพันธ์เนื้อหาที่เผยแพร่ และโครงสร้างพื้นฐาน KYC ที่ใช้เทคโนโลยี zk สามารถผูกกระเป๋าเงินกับข้อมูลประจำตัวที่ได้รับการยืนยันในขณะที่ปกป้องความเป็นส่วนตัวของผู้ใช้ จากมุมมองของสิ่งจูงใจทางเศรษฐกิจ ผู้เขียนควรถูกลงโทษสำหรับการเผยแพร่ข้อมูลที่เป็นเท็จ และผู้ใช้สามารถได้รับรางวัลจากการระบุข้อมูลที่เป็นเท็จ

Numbers Protocol ทำงานในพื้นที่นี้มาหลายปีแล้ว เครื่องมือตรวจสอบของ Fox News ใช้บล็อกเชนรูปหลายเหลี่ยม ช่วยให้ผู้ใช้สามารถค้นหาบทความและดึงข้อมูลที่เกี่ยวข้องจากบล็อกเชน

ความเป็นส่วนตัว

เมื่อโมเดล AI ได้รับข้อมูลที่ละเอียดอ่อนในด้านต่างๆ เช่น การเงิน การดูแลสุขภาพ และกฎหมาย การปกป้องความเป็นส่วนตัวของข้อมูลขณะใช้งานก็มีความสำคัญอย่างยิ่งเช่นกัน การเข้ารหัสแบบ Homomorphic (FHE) สามารถประมวลผลข้อมูลได้โดยไม่ต้องถอดรหัส ดังนั้นจึงปกป้องความเป็นส่วนตัวเมื่อใช้โมเดล LLM ขั้นตอนการทำงานจะเป็นดังนี้:

1. ผู้ใช้เริ่มกระบวนการอนุมานบนอุปกรณ์ภายในเครื่องและหยุดหลังจากเสร็จสิ้นเลเยอร์เริ่มต้นแล้ว เลเยอร์เริ่มต้นนี้ไม่รวมอยู่ในโมเดลที่แชร์กับเซิร์ฟเวอร์

2. ไคลเอนต์เข้ารหัสการดำเนินการระดับกลางและส่งต่อไปยังเซิร์ฟเวอร์

3. เซิร์ฟเวอร์ดำเนินการประมวลผลกลไกความสนใจบางส่วนกับข้อมูลที่เข้ารหัสนี้ และส่งผลลัพธ์กลับไปยังไคลเอนต์

4. ไคลเอนต์ถอดรหัสผลลัพธ์และอนุมานต่อไปในเครื่อง ด้วยวิธีนี้ FHE ช่วยให้มั่นใจได้ว่าความเป็นส่วนตัวของข้อมูลผู้ใช้ได้รับการปกป้องตลอดกระบวนการประมวลผลทั้งหมด

Zama กำลังสร้างโซลูชันการเข้ารหัสโฮโมมอร์ฟิก (FHE) เต็มรูปแบบ และเพิ่งระดมทุนได้ 73 ล้านดอลลาร์เพื่อสนับสนุนการพัฒนา

ตัวแทนเอไอ

แนวคิดของตัวแทน AI นั้นล้ำสมัยมาก อนาคตจะเป็นอย่างไรหากตัวแทน AI สามารถเป็นเจ้าของทรัพย์สินและทำธุรกรรมได้? อาจมีการเปลี่ยนแปลงจากการใช้แบบจำลองขนาดใหญ่เพื่อวัตถุประสงค์ทั่วไปเพื่อช่วยในการตัดสินใจในการมอบหมายงานให้กับตัวแทนเฉพาะทาง

ตัวแทนเหล่านี้จะทำงานร่วมกัน และความสัมพันธ์ทางเศรษฐกิจที่ดีจะปรับปรุงความสามารถของมนุษย์ในการทำงานร่วมกันฉันใด การเพิ่มความสัมพันธ์ทางเศรษฐกิจให้กับตัวแทน AI ก็สามารถปรับปรุงประสิทธิภาพของพวกเขาได้ฉันใด Blockchain อาจเป็นพื้นที่ทดสอบสำหรับแนวคิดนี้ ตัวอย่างเช่น Colony กำลังทดลองใช้แนวคิดนี้ผ่านเกม โดยจัดหากระเป๋าเงินสำหรับตัวแทน AI เพื่อทำธุรกรรมกับตัวแทนอื่นหรือผู้เล่นจริงเพื่อให้บรรลุเป้าหมายที่เฉพาะเจาะจง

บทสรุป

คำถามส่วนใหญ่เกี่ยวข้องกับ AI แบบโอเพ่นซอร์สจริงๆ เพื่อให้แน่ใจว่าเทคโนโลยีที่สำคัญดังกล่าวจะไม่ถูกผูกขาดโดยบริษัทเพียงไม่กี่แห่งในทศวรรษหน้า ระบบเศรษฐกิจโทเค็นสามารถใช้ทรัพยากรการประมวลผลแบบกระจายอำนาจและชุดข้อมูลการฝึกอบรมได้อย่างรวดเร็ว ช่วยลดช่องว่างของทรัพยากรระหว่าง AI แบบโอเพ่นซอร์สและ AI แบบปิด บล็อกเชนสามารถติดตามการฝึกอบรม AI และการอนุมานเพื่อให้บรรลุการกำกับดูแลข้อมูลที่ดีขึ้น ในขณะที่เทคโนโลยีการเข้ารหัสสามารถรับประกันความไว้วางใจในยุคหลัง AI และจัดการกับปัญหาการปลอมแปลงเชิงลึกและการปกป้องความเป็นส่วนตัว

การอ่านที่เกี่ยวข้อง

บทความที่รวบรวมทิศทางและโปรโตคอลการใช้งาน Crypto ที่เสริมพลังด้วย AI