ผู้แต่งต้นฉบับ: Evan ⨀
คำแปลต้นฉบับ: TechFlow
การผสมผสานระหว่างการเข้ารหัสและ AI ยังอยู่ในช่วงเริ่มต้น แม้ว่าจะมีตัวแทนและโทเค็นอัจฉริยะเกิดขึ้นมากมายในตลาด แต่โปรเจ็กต์ส่วนใหญ่ก็ดูเหมือนเป็นเพียงเกมตัวเลข โดยที่ทีมต่างๆ พยายามที่จะได้ โอกาส มากที่สุดเท่าที่จะเป็นไปได้
แม้ว่า AI จะเป็นการปฏิวัติทางเทคโนโลยีของคนรุ่นเรา แต่การผสมผสาน AI เข้ากับสกุลเงินดิจิทัลยังถูกมองว่าเป็นเครื่องมือเพิ่มสภาพคล่องสำหรับการเปิดตัวตลาด AI ในช่วงเริ่มต้นอีกด้วย
จากผลที่ตามมา เราได้พบเห็นวัฏจักรต่างๆ มากมายในจุดตัดนี้ โดยเรื่องราวส่วนใหญ่ก็ประสบกับทั้งการขึ้นๆ ลงๆ ที่คล้ายๆ กัน
จะทำลายวงจรอุบาทว์นี้ได้อย่างไร?
แล้วโอกาสครั้งใหญ่ครั้งต่อไปในด้านการเข้ารหัสและ AI มาจากไหน? แอปพลิเคชันหรือโครงสร้างพื้นฐานประเภทใดที่สามารถสร้างมูลค่าและเหมาะสมกับตลาดได้อย่างแท้จริง?
บทความนี้จะพยายามสำรวจประเด็นหลักที่น่าสนใจในพื้นที่นี้ผ่านกรอบงานต่อไปนี้:
AI สามารถช่วยอุตสาหกรรมการเข้ารหัสได้อย่างไร?
อุตสาหกรรมคริปโตสามารถตอบแทน AI ได้อย่างไร?
โดยเฉพาะอย่างยิ่ง ฉันสนใจเป็นพิเศษในประเด็นที่สอง นั่นคือโอกาสใน AI แบบกระจายอำนาจ และจะแนะนำโครงการที่น่าสนใจบางโครงการ:
1. AI ช่วยเหลืออุตสาหกรรมคริปโตได้อย่างไร?
ต่อไปนี้เป็นแผนที่นิเวศวิทยาที่ครอบคลุมมากขึ้นที่จัดทำโดย CV:
https://x.com/cbventures/status/1923401975766355982/photo/1
แม้ว่าจะมีแนวทางมากมายที่ต้องสำรวจใน AI สำหรับผู้บริโภค เฟรมเวิร์กตัวแทนอัจฉริยะ และแพลตฟอร์มการเปิดใช้งาน แต่ AI กำลังส่งผลกระทบต่อประสบการณ์การเข้ารหัสในสามวิธีหลักแล้ว:
1. เครื่องมือสำหรับนักพัฒนา
คล้ายกับ Web2, AI กำลังเร่งการพัฒนาโครงการ crypto ผ่านแพลตฟอร์มแบบไม่ต้องเขียนโค้ดและแบบใช้โค้ดต่ำ (vibe-code) แอปเหล่านี้หลายตัวมีเป้าหมายคล้ายคลึงกับภาคส่วนดั้งเดิม เช่น Lovable.dev
ทีมงานเช่น @poofnew และ @tryoharaAI กำลังช่วยให้นักพัฒนาที่ไม่ใช่สายเทคนิคสามารถออนไลน์ได้อย่างรวดเร็วและทำซ้ำได้โดยไม่ต้องมีความรู้เชิงลึกเกี่ยวกับสัญญาอัจฉริยะ สิ่งนี้ไม่เพียงแต่ช่วยลดระยะเวลาในการนำโปรเจกต์ด้านคริปโตเข้าสู่ตลาดเท่านั้น แต่ยังช่วยลดอุปสรรคในการเข้าสู่ตลาดสำหรับผู้ที่เข้าใจตลาดและมีความคิดสร้างสรรค์ แม้ว่าพวกเขาจะไม่มีพื้นฐานด้านเทคนิคก็ตาม
นอกจากนี้ ส่วนอื่นๆ ของประสบการณ์นักพัฒนายังได้รับการปรับปรุง เช่น การทดสอบสัญญาอัจฉริยะและการรักษาความปลอดภัย: @AIWayfinder , @octane_security
2. ประสบการณ์ผู้ใช้
แม้ว่าพื้นที่ของสกุลเงินดิจิทัลจะมีความก้าวหน้าอย่างมากในเรื่องของการใช้งานจริงและประสบการณ์การใช้งานกระเป๋าเงิน (เช่น Bridge, Sphere Pay, Turnkey, Privy) แต่ประสบการณ์การใช้งานของผู้ใช้สกุลเงินดิจิทัลหลัก (UX) ยังคงไม่เปลี่ยนแปลงในเชิงคุณภาพ ผู้ใช้ยังคงต้องนำทางบล็อคเชนที่ซับซ้อนด้วยตนเองและดำเนินธุรกรรมหลายขั้นตอน
ตัวแทนอัจฉริยะ AI กำลังเปลี่ยนแปลงสถานการณ์นี้และกลายเป็นชั้นการโต้ตอบใหม่:
การค้นหาและการค้นพบ: ทีมต่างๆ กำลังแข่งขันกันสร้างบางอย่างเช่น ความสับสนสำหรับบล็อคเชน อินเทอร์เฟซภาษาธรรมชาติแบบแชทเหล่านี้ช่วยให้ผู้ใช้ค้นหาข้อมูลตลาด (อัลฟา) ได้อย่างง่ายดาย ทำความเข้าใจสัญญาอัจฉริยะ และวิเคราะห์พฤติกรรมบนเชนโดยไม่ต้องเจาะลึกข้อมูลธุรกรรมดิบ
โอกาสที่ใหญ่กว่านั้นคือตัวแทนอัจฉริยะสามารถกลายเป็นช่องทางให้ผู้ใช้ค้นพบโครงการใหม่ โอกาสในการสร้างรายได้ และโทเค็น ในลักษณะเดียวกับที่ Kaito ช่วยให้โครงการต่างๆ ได้รับความสนใจมากขึ้นในแพลตฟอร์มสตาร์ทอัพของตน ตัวแทนจะสามารถเข้าใจพฤติกรรมของผู้ใช้และนำเสนอเนื้อหาที่ผู้ใช้ต้องการให้กับพวกเขาได้ล่วงหน้า การทำเช่นนี้ไม่เพียงแต่จะสร้างรูปแบบธุรกิจที่ยั่งยืนเท่านั้น แต่ยังมีศักยภาพที่จะทำกำไรได้จากการแบ่งปันรายได้หรือค่าธรรมเนียมจากพันธมิตรอีกด้วย
การดำเนินการตามเจตนา: แทนที่จะคลิกผ่านหลายหน้าจอ ผู้ใช้สามารถแสดงเจตนาของตนได้อย่างง่ายดาย (เช่น แปลง ETH มูลค่า 1,000 ดอลลาร์เป็นสกุลเงินดิจิทัลที่มีเสถียรภาพซึ่งมีผลตอบแทนสูงที่สุด) และตัวแทนก็สามารถดำเนินการธุรกรรมที่ซับซ้อนและหลายขั้นตอนได้โดยอัตโนมัติ
การป้องกันข้อผิดพลาด: AI ยังสามารถป้องกันความผิดพลาดทั่วไปได้ เช่น การป้อนจำนวนเงินธุรกรรมผิด การซื้อโทเค็นหลอกลวง หรือการอนุมัติสัญญาที่เป็นอันตราย
ข้อมูลเพิ่มเติมเกี่ยวกับวิธีการที่ Hey Anon ทำ DeFAI โดยอัตโนมัติ :
3. เครื่องมือการซื้อขายและระบบอัตโนมัติ DeFi
ในปัจจุบัน ทีมต่างๆ มากมายกำลังแข่งขันกันพัฒนาตัวแทนอัจฉริยะเพื่อช่วยให้ผู้ใช้รับสัญญาณการซื้อขายที่ชาญฉลาดมากขึ้น ซื้อขายในนามของพวกเขา หรือเพิ่มประสิทธิภาพและจัดการกลยุทธ์
การเพิ่มประสิทธิภาพรายได้
ตัวแทนสามารถเคลื่อนย้ายเงินโดยอัตโนมัติระหว่างโปรโตคอลการให้กู้ยืม การแลกเปลี่ยนแบบกระจายอำนาจ (DEX) และโอกาสในการทำฟาร์มตามการเปลี่ยนแปลงของอัตราดอกเบี้ยและโปรไฟล์ความเสี่ยง
การดำเนินการซื้อขาย
AI สามารถดำเนินกลยุทธ์ได้ดีกว่าผู้ค้ามนุษย์ด้วยการประมวลผลข้อมูลตลาดได้เร็วกว่า จัดการอารมณ์ และปฏิบัติตามกรอบงานที่ตั้งไว้ล่วงหน้า
การจัดการพอร์ตโฟลิโอ
ตัวแทนจะสามารถปรับสมดุลของพอร์ตโฟลิโอ บริหารจัดการความเสี่ยง และคว้าโอกาสในการเก็งกำไรระหว่างเครือข่ายและโปรโตคอลที่แตกต่างกัน
หากตัวแทนสามารถจัดการเงินได้อย่างแท้จริงและสม่ำเสมอดีกว่ามนุษย์ ก็อาจเป็นการปรับปรุงระดับหนึ่งเมื่อเทียบกับตัวแทน DeFi AI ที่มีอยู่ ในปัจจุบัน DeFi AI ช่วยให้ผู้ใช้สามารถดำเนินการตามความตั้งใจที่ตั้งใจไว้เป็นหลัก ซึ่งจะนำไปสู่การบริหารจัดการกองทุนโดยอัตโนมัติเต็มรูปแบบ อย่างไรก็ตาม การยอมรับของผู้ใช้ต่อการเปลี่ยนแปลงนี้มีความคล้ายคลึงกับกระบวนการส่งเสริมการขายรถยนต์ไฟฟ้า และยังคงมีช่องว่างความไว้วางใจขนาดใหญ่ก่อนการตรวจสอบขนาดใหญ่ แต่หากประสบความสำเร็จ เทคโนโลยีนี้จะมีศักยภาพในการดึงดูดมูลค่าสูงสุดในสาขานี้ได้
ใครคือผู้ชนะในสาขานี้?
แม้ว่าแอปพลิเคชันแบบสแตนด์อโลนบางตัวอาจมีข้อได้เปรียบในการจัดจำหน่าย แต่มีแนวโน้มมากกว่าที่โปรโตคอลที่มีอยู่จะบูรณาการเทคโนโลยี AI โดยตรง:
DEX (การแลกเปลี่ยนแบบกระจายอำนาจ) : ช่วยให้การกำหนดเส้นทางชาญฉลาดยิ่งขึ้นและการป้องกันการฉ้อโกง
ข้อตกลงการกู้ยืม : ปรับผลตอบแทนโดยอัตโนมัติตามโปรไฟล์ความเสี่ยงของผู้ใช้ และชำระเงินกู้คืนเมื่อปัจจัยสุขภาพสินเชื่อลดลงต่ำกว่ามาตรฐานที่กำหนด ช่วยลดความเสี่ยงในการชำระบัญชี
กระเป๋าเงิน : พัฒนาไปเป็นผู้ช่วย AI ที่เข้าใจเจตนาของผู้ใช้
แพลตฟอร์มการซื้อขาย : มอบเครื่องมือที่ช่วยด้วย AI เพื่อช่วยให้ผู้ใช้ยึดมั่นกับกลยุทธ์การซื้อขายของตน
แนวโน้มสุดท้าย
อินเทอร์เฟซการเข้ารหัสจะพัฒนาเพื่อรวม AI เชิงสนทนาที่สามารถเข้าใจเป้าหมายทางการเงินของผู้ใช้และดำเนินการอย่างมีประสิทธิภาพมากกว่าที่ผู้ใช้จะดำเนินการได้ด้วยตนเอง
2. การเข้ารหัสช่วย AI: อนาคตของ AI แบบกระจายอำนาจ
ในความคิดของฉัน สกุลเงินดิจิทัลมีศักยภาพที่จะช่วย AI ได้มากกว่าที่ AI ช่วยเหลือสกุลเงินดิจิทัล ทีมงานที่ทำงานเกี่ยวกับ AI แบบกระจายอำนาจกำลังสำรวจคำถามพื้นฐานและเชิงปฏิบัติที่สุดบางส่วนเกี่ยวกับอนาคตของ AI:
สามารถพัฒนาโมเดลที่ล้ำสมัยได้โดยไม่ต้องพึ่งพาการลงทุนจำนวนมหาศาลจากยักษ์ใหญ่ด้านเทคโนโลยีแบบรวมศูนย์หรือไม่
เป็นไปได้หรือไม่ที่จะประสานทรัพยากรคอมพิวเตอร์ที่กระจายอยู่ทั่วโลกเพื่อฝึกอบรมโมเดลหรือสร้างข้อมูลอย่างมีประสิทธิภาพ
จะเกิดอะไรขึ้นถ้าเทคโนโลยีที่ทรงพลังที่สุดของมนุษยชาติถูกควบคุมโดยบริษัทเพียงไม่กี่แห่ง?
ฉันขอแนะนำให้คุณอ่าน บทความ ของ @yb_effect เกี่ยวกับ Decentralized AI (DeAI) อย่างยิ่ง เพื่อเจาะลึกในพื้นที่นี้มากยิ่งขึ้น
เพียงแค่ผิวเผิน คลื่นลูกต่อไปของการผสมผสานระหว่างการเข้ารหัสและ AI น่าจะมาจากทีม AI ในสถาบันการศึกษาที่นำโดยงานวิจัย ทีมเหล่านี้ส่วนใหญ่มาจากชุมชน AI โอเพนซอร์ส พวกเขามีความเข้าใจอย่างลึกซึ้งถึงความสำคัญเชิงปฏิบัติและคุณค่าเชิงปรัชญาของ AI แบบกระจายอำนาจและเชื่อว่านี่เป็นวิธีที่ดีที่สุดในการปรับขนาด AI
ปัญหาปัจจุบันที่ AI ต้องเผชิญคืออะไร?
ในปี 2560 เอกสารสำคัญเรื่อง Attention Is All You Need ได้เสนอสถาปัตยกรรม Transformer ซึ่งสามารถแก้ไขปัญหาสำคัญในด้านการเรียนรู้เชิงลึกมาหลายทศวรรษ นับตั้งแต่ที่ ChatGPT เผยแพร่สู่สาธารณะในปี 2019 สถาปัตยกรรม Transformer ก็ได้กลายเป็นพื้นฐานของโมเดลภาษาขนาดใหญ่ (LLM) ส่วนใหญ่ และได้กระตุ้นให้เกิดการแข่งขันด้านพลังการประมวลผลอย่างมากมาย
นับตั้งแต่นั้นมา พลังการประมวลผลที่จำเป็นสำหรับการฝึกอบรม AI ได้เพิ่มขึ้นสี่เท่าทุกปี สิ่งนี้ทำให้เกิดการรวมอำนาจในระดับสูงในการพัฒนา AI เนื่องจากการฝึกอบรมเบื้องต้นนั้นอาศัย GPU ที่มีประสิทธิภาพสูงกว่า ซึ่งเป็นทรัพยากรที่อยู่ในมือของบริษัทเทคโนโลยียักษ์ใหญ่เพียงเท่านั้น
จากมุมมองทางอุดมการณ์ AI แบบรวมศูนย์เป็นปัญหา เนื่องจากเครื่องมือที่ทรงพลังที่สุดของมนุษยชาติอาจถูกผู้ให้ทุนควบคุมหรือถอดออกได้ตลอดเวลา ดังนั้น แม้ว่าทีมงานโอเพ่นซอร์สจะไม่สามารถแข่งขันกับความก้าวหน้าในแล็บรวมศูนย์ได้โดยตรง แต่การพยายามท้าทายพลวัตนั้นก็ยังมีความสำคัญ
การเข้ารหัสเป็นรากฐานสำหรับการสร้างแบบจำลองเปิดของการประสานงานทางเศรษฐกิจ แต่ก่อนที่เราจะบรรลุเป้าหมายนี้ เราก็ต้องตอบคำถามก่อนว่า นอกเหนือจากการตอบสนองอุดมคติแล้ว AI แบบกระจายอำนาจยังสามารถแก้ไขได้ในทางปฏิบัติด้านใดบ้าง? เหตุใดการให้ผู้คนทำงานร่วมกันจึงมีความสำคัญมาก?
โชคดีที่ทีมงานที่ทำงานในพื้นที่นี้มีแนวคิดที่ปฏิบัติจริงมาก โอเพ่นซอร์สเป็นตัวแทนของแนวคิดหลักเกี่ยวกับการขยายขนาดของเทคโนโลยี โดยการทำงานร่วมกันเป็นกลุ่มเล็กๆ แต่ละทีมจะปรับค่าสูงสุดในพื้นที่ของตนเองให้เหมาะสมและสร้างต่อยอดจากค่าดังกล่าว จนในที่สุด ก็จะบรรลุค่าสูงสุดในระดับโลกได้เร็วกว่าวิธีการแบบรวมศูนย์ที่จำกัดด้วยขนาดและความเฉื่อยของสถาบันของตนเอง
ในเวลาเดียวกัน โดยเฉพาะอย่างยิ่งในสาขา AI โอเพนซอร์สยังเป็นเงื่อนไขที่จำเป็นสำหรับการสร้างสติปัญญา สติปัญญาแบบนี้ไม่ใช่เรื่องของศีลธรรม แต่สามารถปรับให้เข้ากับบทบาทและบุคลิกภาพที่แตกต่างกันที่บุคคลมอบให้ได้
ในทางปฏิบัติ โอเพ่นซอร์สสามารถเปิดประตูสู่การสร้างสรรค์นวัตกรรมที่แก้ไขข้อจำกัดด้านโครงสร้างพื้นฐานบางประการได้
การขาดแคลนทรัพยากรคอมพิวเตอร์
การฝึกอบรมโมเดล AI ต้องมีโครงสร้างพื้นฐานด้านพลังงานจำนวนมหาศาล ปัจจุบันมีโครงการต่างๆ อยู่หลายโครงการเพื่อสร้างศูนย์ข้อมูลขนาดตั้งแต่ 1 ถึง 5 กิกะวัตต์ อย่างไรก็ตาม การขยายตัวอย่างต่อเนื่องของโมเดลชั้นนำจะต้องใช้พลังงานเกินกว่าที่ศูนย์ข้อมูลเพียงแห่งเดียวจะมอบให้ได้ ถึงขนาดเทียบได้กับการใช้พลังงานของเมืองทั้งเมืองเลยทีเดียว ปัญหาไม่ได้อยู่ที่ผลผลิตพลังงานเท่านั้น แต่ยังรวมถึงข้อจำกัดทางกายภาพของศูนย์ข้อมูลเพียงแห่งเดียวด้วย
แม้จะเกินช่วงก่อนการฝึกอบรมของโมเดลอนุมานล้ำสมัยเหล่านี้แล้ว ค่าใช้จ่ายของช่วงอนุมานก็จะเพิ่มขึ้นอย่างมากเนื่องมาจากการเกิดขึ้นของโมเดลอนุมานและ DeepSeek ใหม่ๆ ตามที่ทีมงาน @fortytwonetwork กล่าวไว้:
“ต่างจากโมเดลภาษาขนาดใหญ่แบบดั้งเดิม (LLM) โมเดลอนุมานให้ความสำคัญกับการสร้างการตอบสนองที่ชาญฉลาดมากขึ้นโดยจัดสรรเวลาการประมวลผลมากขึ้น อย่างไรก็ตาม การเปลี่ยนแปลงนี้มาพร้อมกับการแลกเปลี่ยน: ทรัพยากรคอมพิวเตอร์เดียวกันสามารถประมวลผลคำขอได้น้อยลงเท่านั้น เพื่อให้เกิดการปรับปรุงที่สำคัญเหล่านี้ โมเดลจำเป็นต้องมีเวลา คิด มากขึ้น ซึ่งทำให้ทรัพยากรคอมพิวเตอร์ขาดแคลนมากขึ้นไปอีก
การขาดแคลนทรัพยากรคอมพิวเตอร์นั้นเห็นได้ชัดมากแล้ว ตัวอย่างเช่น OpenAI จำกัดการเรียกใช้ API ไว้ที่ 10,000 ครั้งต่อนาที ซึ่งมีผลให้แอปพลิเคชัน AI สามารถให้บริการผู้ใช้พร้อมๆ กันได้เพียงประมาณ 3,000 รายเท่านั้น แม้แต่โครงการที่มีความทะเยอทะยานอย่าง Stargate ซึ่งเป็นโครงการโครงสร้างพื้นฐาน AI มูลค่า 5 แสนล้านดอลลาร์ที่ประธานาธิบดีทรัมป์ประกาศไปเมื่อไม่นานนี้ อาจช่วยบรรเทาปัญหาได้ชั่วคราวเท่านั้น
ตามทฤษฎี Paradox ของ Jevons ประสิทธิภาพที่เพิ่มขึ้นมักนำไปสู่การใช้ทรัพยากรที่เพิ่มขึ้นเนื่องจากความต้องการที่เพิ่มขึ้น เนื่องจากโมเดล AI มีประสิทธิภาพและมีประสิทธิภาพมากขึ้น ความต้องการในการประมวลผลจึงมีแนวโน้มที่จะเพิ่มสูงขึ้นเนื่องจากกรณีการใช้งานใหม่ๆ และการนำไปใช้ในวงกว้างมากขึ้น -
แล้วการเข้ารหัสมาจากไหน? บล็อคเชนสามารถช่วยการค้นหาและพัฒนา AI ได้อย่างแท้จริงและมีคุณค่าได้อย่างไร
เทคโนโลยี Crypto นำเสนอแนวทางที่แตกต่างโดยพื้นฐาน: การกระจายทั่วโลก + การฝึกอบรมแบบกระจายอำนาจและการประสานงานทางเศรษฐกิจ แทนที่จะสร้างศูนย์ข้อมูลใหม่ จะง่ายกว่ามากในการใช้ประโยชน์จาก GPU หลายล้านตัวที่มีอยู่แล้ว ไม่ว่าจะเป็นในแท่นขุดเกม อุปกรณ์ขุดคริปโต และเซิร์ฟเวอร์ขององค์กร ซึ่งส่วนใหญ่ไม่ได้ใช้งานเลย ในทำนองเดียวกัน บล็อคเชนสามารถเปิดใช้การใช้เหตุผลแบบกระจายอำนาจโดยใช้ประโยชน์จากทรัพยากรคอมพิวเตอร์ที่ไม่ได้ใช้งานบนอุปกรณ์ผู้บริโภค
ปัญหาหลักประการหนึ่งที่การฝึกอบรมแบบกระจายต้องเผชิญคือความล่าช้า นอกเหนือจากองค์ประกอบการเข้ารหัสแล้ว ทีมงานเช่น Prime Intellect และ Nous ยังทำงานเกี่ยวกับความก้าวหน้าทางเทคโนโลยีที่ช่วยลดความต้องการการสื่อสารของ GPU:
DiLoCo (Prime Intellect): การนำ Prime Intellect ไปใช้งานช่วยลดข้อกำหนดในการสื่อสารลงได้ 500 เท่า ช่วยให้สามารถฝึกอบรมข้ามทวีปได้ และสามารถใช้ประโยชน์จากการประมวลผลได้ 90-95%
DisTrO/DeMo (Nous Research): กลุ่มผลิตภัณฑ์เพิ่มประสิทธิภาพของ Nous Research สามารถลดความต้องการในการสื่อสารได้ถึง 857 เท่าด้วยเทคโนโลยีการบีบอัดการแปลงโคไซน์แบบไม่ต่อเนื่อง
อย่างไรก็ตาม กลไกการประสานงานแบบดั้งเดิมไม่สามารถแก้ไขปัญหาความไว้วางใจที่เกิดขึ้นโดยธรรมชาติในหลักสูตรฝึกอบรม AI แบบกระจายอำนาจได้ และลักษณะเฉพาะโดยธรรมชาติของบล็อคเชนอาจพบความเหมาะสมระหว่างผลิตภัณฑ์กับตลาด (PMF) ที่นี่:
การตรวจสอบและการทนทานต่อข้อผิดพลาด: การฝึกอบรมแบบกระจายอำนาจต้องเผชิญกับความท้าทายจากผู้เข้าร่วมที่ส่งการคำนวณที่เป็นอันตรายหรือผิดพลาด การเข้ารหัสจัดให้มีระบบการตรวจสอบด้วยการเข้ารหัส (เช่น TOPLOC ของ Prime Intellect) เช่นเดียวกับกลไกการลงโทษทางเศรษฐกิจเพื่อป้องกันพฤติกรรมที่ไม่ดี
การมีส่วนร่วมโดยไม่ต้องขออนุญาต: แตกต่างจากโครงการการประมวลผลแบบกระจายแบบดั้งเดิมที่ต้องมีกระบวนการอนุมัติ การเข้ารหัสช่วยให้สามารถมีส่วนร่วมได้โดยไม่ต้องขออนุญาตอย่างแท้จริง ใครก็ตามที่มีทรัพยากรคอมพิวเตอร์ที่ไม่ได้ใช้งานสามารถเข้าร่วมและเริ่มสร้างรายได้ทันที โดยเพิ่มทรัพยากรที่มีอยู่ให้สูงสุด
การจัดแนวทางจูงใจทางเศรษฐกิจ: กลไกจูงใจแบบ Blockchain จะช่วยจัดแนวทางผลประโยชน์ของเจ้าของ GPU แต่ละคนให้สอดคล้องกับเป้าหมายการฝึกอบรมแบบรวม ทำให้ทรัพยากรคอมพิวเตอร์ที่ไม่ได้ใช้งานก่อนหน้านี้มีประสิทธิผลทางเศรษฐกิจ
เมื่อพิจารณาเช่นนี้ ทีมงานในกลุ่ม AI แบบกระจายอำนาจจะแก้ไขปัญหาการขยายขนาดของ AI และใช้บล็อคเชนได้อย่างไร จุดพิสูจน์มีอะไรบ้าง?
1. Prime Intellect : การฝึกอบรมแบบกระจายและกระจายอำนาจ
DiLoCo : ลดความต้องการด้านการสื่อสารได้ถึง 500 เท่า ทำให้การฝึกอบรมข้ามทวีปเป็นไปได้
PCCL : จัดการการเป็นสมาชิกแบบไดนามิก ความล้มเหลวของโหนด และบรรลุความเร็วในการสื่อสารข้ามทวีปที่ 45 Gbit/s
ขณะนี้กำลังมีการฝึกโมเดลพารามิเตอร์ 32 พันล้านรายการในโหนดเวิร์กเกอร์ที่กระจายอยู่ทั่วโลก
บรรลุอัตราการใช้ประโยชน์การประมวลผล 90-95% ในสภาพแวดล้อมการผลิต
ผลลัพธ์: ฝึกอบรม INTELLECT-1 (พารามิเตอร์ 10 พันล้านตัว) และ INTELLECT-2 (พารามิเตอร์ 32 พันล้านตัว) ได้สำเร็จ ทำให้สามารถฝึกอบรมโมเดลขนาดใหญ่ได้ในทุกทวีป
2. Nous Research : การฝึกอบรมแบบกระจายอำนาจและการเพิ่มประสิทธิภาพการสื่อสาร
DisTrO/DeMo : ความต้องการด้านการสื่อสารลดลง 857 เท่า โดยใช้เทคโนโลยี Discrete Cosine Transform
Psyche Network : ใช้กลไกการประสานงานบล็อคเชนเพื่อให้มีการทนทานต่อข้อผิดพลาดและกลไกสร้างแรงจูงใจในการเปิดใช้งานทรัพยากรคอมพิวเตอร์
แบบฝึกหัดก่อนการฝึกอบรมที่ใหญ่ที่สุดบนอินเทอร์เน็ต เสร็จสิ้นเรียบร้อยแล้ว ซึ่งก็คือ การฝึก Consilience (พารามิเตอร์ 40 พันล้านตัว)
3. Pluralis: การเรียนรู้โปรโตคอลและการจำลองแบบคู่ขนาน
Pluralis มีแนวทางที่แตกต่างจาก AI โอเพนซอร์สแบบดั้งเดิม เรียกว่า Protocol Learning ไม่เหมือนกับแนวทางการใช้ข้อมูลแบบคู่ขนานที่ใช้โดยโครงการฝึกอบรมแบบกระจายอำนาจอื่นๆ (เช่น Prime Intellect และ Nous) Pluralis เชื่อว่าการใช้ข้อมูลแบบคู่ขนานนั้นมีข้อบกพร่องทางเศรษฐกิจ และการพึ่งพาการรวบรวมทรัพยากรคอมพิวเตอร์เพียงอย่างเดียวไม่เพียงพอที่จะตอบสนองความต้องการของการฝึกอบรมแบบจำลองที่ล้ำสมัย ตัวอย่างเช่น Llama 3 (พารามิเตอร์ 400 พันล้านตัว) ต้องใช้ GPU H100 ขนาด 80GB จำนวน 16,000 ตัวในการฝึกอบรม
ที่มา : ลิงค์
แนวคิดหลักของ การเรียนรู้ผ่านโปรโตคอล คือการแนะนำกลไกการจับมูลค่าที่แท้จริงสำหรับผู้ฝึกสอนโมเดล ดังนั้นจึงรวบรวมทรัพยากรคอมพิวเตอร์ที่จำเป็นสำหรับการฝึกอบรมขนาดใหญ่ ทำได้โดยการจัดสรรการเป็นเจ้าของโมเดลบางส่วนตามสัดส่วนการสนับสนุนการฝึกอบรม ในสถาปัตยกรรมนี้ เครือข่ายประสาทได้รับการฝึกอบรมในลักษณะร่วมมือกัน แต่ชุดน้ำหนักที่สมบูรณ์ไม่สามารถดึงออกมาได้โดยผู้เข้าร่วมเพียงคนเดียว (เรียกว่า โมเดลโปรโตคอล ) ในการตั้งค่านี้ ต้นทุนการคำนวณสำหรับผู้เข้าร่วมใดๆ เพื่อรับน้ำหนักโมเดลเต็มรูปแบบจะเกินต้นทุนของการฝึกโมเดลใหม่
โหมดการทำงานที่เฉพาะเจาะจงของการเรียนรู้โปรโตคอลมีดังนี้:
การแบ่งส่วนของแบบจำลอง: ผู้เข้าร่วมแต่ละคนถือเพียงชิ้นส่วนบางส่วนของแบบจำลอง แทนที่จะถือน้ำหนักทั้งหมด
การฝึกอบรมแบบร่วมมือกัน: กระบวนการฝึกอบรมต้องผ่านการเปิดใช้งานระหว่างผู้เข้าร่วมโดยไม่ให้ใครเห็นโมเดลแบบสมบูรณ์
ข้อมูลรับรองการใช้เหตุผล: การใช้เหตุผลต้องใช้ข้อมูลรับรองซึ่งจะกระจายตามการมีส่วนร่วมในการฝึกอบรมของผู้เข้าร่วม ด้วยวิธีนี้ ผู้สนับสนุนสามารถสร้างรายได้จากการใช้งานโมเดลจริงได้
ความสำคัญของการเรียนรู้โปรโตคอลคือการเปลี่ยนโมเดลให้เป็นทรัพยากรหรือสินค้าทางเศรษฐกิจ ทำให้สามารถแปลงเป็นเงินได้อย่างเต็มที่ การเรียนรู้โปรโตคอลด้วยวิธีนี้จึงมีแนวโน้มที่จะบรรลุระดับการคำนวณที่จำเป็นต่อการรองรับงานการฝึกอบรมที่มีการแข่งขันอย่างแท้จริง Pluralis ผสมผสานความยั่งยืนของการพัฒนาแบบปิดซอร์ส (เช่น ผลตอบแทนที่มีเสถียรภาพจากการเปิดตัวโมเดลแบบปิดซอร์ส) เข้ากับข้อได้เปรียบของการทำงานร่วมกันแบบโอเพนซอร์ส มอบความเป็นไปได้ใหม่ๆ ให้กับการพัฒนา AI แบบกระจายอำนาจ
สี่สิบสอง: การใช้เหตุผลแบบฝูงกระจายอำนาจ
ที่มา : ลิงค์
ในขณะที่ทีมอื่นๆ มุ่งเน้นไปที่ความท้าทายในการฝึกอบรมแบบกระจายและกระจายอำนาจ Fortytwo มุ่งเน้นไปที่การใช้เหตุผลแบบกระจายอำนาจ โดยแก้ปัญหาทรัพยากรคอมพิวเตอร์ที่ขาดแคลนในขั้นตอนการคิดหาเหตุผลผ่านปัญญาประดิษฐ์
Fortytwo กล่าวถึงปัญหาที่เพิ่มมากขึ้นของความขาดแคลนการประมวลผลโดยรอบการอนุมาน เพื่อใช้ประโยชน์จากพลังการประมวลผลที่ไม่ได้ใช้งานบนฮาร์ดแวร์ของผู้บริโภค เช่น MacBook Air ที่มีชิป M2 Fortytwo จึงเชื่อมต่อโมเดลภาษาขนาดเล็กเฉพาะทางเข้ากับเครือข่าย
เครือข่ายสี่สิบสองมีโมเดลภาษาเล็ก ๆ หลายภาษา โดยโหนดเหล่านี้ทำงานร่วมกันเพื่อประเมินการมีส่วนร่วมของกันและกัน ส่งผลให้ประสิทธิภาพของเครือข่ายเพิ่มขึ้นผ่านการประเมินแบบเพียร์ทูเพียร์ การตอบสนองขั้นสุดท้ายที่สร้างขึ้นจะขึ้นอยู่กับการสนับสนุนอันทรงคุณค่าที่สุดจากเครือข่ายซึ่งให้การสนับสนุนประสิทธิภาพการอนุมาน
ที่น่าสนใจคือ แนวทางเครือข่ายอนุมานของ Fortytwo สามารถใช้เสริมโครงการฝึกอบรมแบบกระจาย/กระจายอำนาจได้ ลองจินตนาการถึงสถานการณ์ในอนาคตที่โมเดลภาษาขนาดเล็ก (SLM) ที่ทำงานบนโหนด Fortytwo อาจเป็นโมเดลที่ได้รับการฝึกด้วย Prime Intellect , Nous หรือ Pluralis โครงการฝึกอบรมแบบกระจายเหล่านี้ทำงานร่วมกันเพื่อสร้างโมเดลรากฐานโอเพ่นซอร์ส ซึ่งจากนั้นจะได้รับการปรับแต่งให้เหมาะกับโดเมนเฉพาะ และในท้ายที่สุดจะประสานงานกันผ่านเครือข่ายของ Fortytwo เพื่อดำเนินการงานการใช้เหตุผลให้เสร็จสมบูรณ์
สรุป
โอกาสครั้งใหญ่ครั้งต่อไปในด้านสกุลเงินดิจิทัลและ AI ไม่ใช่โทเค็นเพื่อการเก็งกำไรอีกต่อไป แต่เป็นโครงสร้างพื้นฐานที่สามารถขับเคลื่อนการพัฒนา AI ได้อย่างแท้จริง ในปัจจุบัน ปัญหาคอขวดในการขยายตัวที่ AI แบบรวมศูนย์ต้องเผชิญนั้นสอดคล้องกับข้อได้เปรียบหลักของสาขาการเข้ารหัสในด้านการประสานงานทรัพยากรระดับโลกและการจัดแนวทางจูงใจทางเศรษฐกิจ
AI แบบกระจายอำนาจเปิดจักรวาลคู่ขนานที่ไม่เพียงขยายความเป็นไปได้ของสถาปัตยกรรม AI เท่านั้น แต่ยังสำรวจขอบเขตเทคโนโลยีที่มีศักยภาพมากขึ้นด้วยการรวมเสรีภาพในการทดลองเข้ากับทรัพยากรจริง
