a16z: Thảo luận về bốn mô hình kinh doanh mới dưới sự kết hợp giữa AI và blockchain
Video gốc:Web3 with a16z, AI & Crypto
Tác giả gốc: Dan Boneh (Giáo sư tại Đại học Stanford, cố vấn nghiên cứu cấp cao về tiền điện tử a16z), tập trung vào mật mã, bảo mật máy tính và học máy; Ali Yahya (đối tác chung của tiền điện tử a16z), từng làm việc tại Google Brain và cũng là máy của Google thư viện học tập TensorFlow Một trong những người đóng góp cốt lõi.
Tổ chức biên soạn: Qianwen, ChainCatcher
Stephen King từng viết một cuốn tiểu thuyết khoa học viễn tưởng có tên “Thời đại kim cương”, trong đó có một thiết bị trí tuệ nhân tạo đóng vai trò là người cố vấn cho con người trong suốt cuộc đời của họ. Khi bạn được sinh ra, bạn được kết hợp với một AI rất hiểu bạn—biết những điều bạn thích và không thích, theo dõi bạn suốt cuộc đời, giúp bạn đưa ra quyết định và hướng bạn đi đúng hướng. Nghe thật tuyệt vời nhưng bạn không bao giờ muốn công nghệ như thế này rơi vào tay những kẻ trung gian khổng lồ. Bởi vì điều này sẽ mang lại nhiều quyền kiểm soát cho công ty, cũng như hàng loạt vấn đề về quyền riêng tư và chủ quyền.
Chúng tôi muốn công nghệ này thực sự thuộc sở hữu của tôi và đã nảy sinh tầm nhìn rằng bạn có thể làm điều đó với chuỗi khối.Bạn có thể nhúng trí tuệ nhân tạo vào hợp đồng thông minh. Giữ dữ liệu của bạn ở chế độ riêng tư với sức mạnh của bằng chứng không có kiến thức. Trong vài thập kỷ tới, công nghệ này sẽ ngày càng thông minh hơn. Bạn có thể chọn làm bất cứ điều gì bạn muốn hoặc thay đổi nó theo bất kỳ cách nào bạn muốn.
Vậy mối quan hệ giữa blockchain và trí tuệ nhân tạo là gì? Trí tuệ nhân tạo sẽ dẫn chúng ta đến thế giới nào? Hiện trạng và thách thức của trí tuệ nhân tạo là gì? Blockchain sẽ đóng vai trò gì trong quá trình này?
AI và blockchain: đọ sức với nhau
Sự phát triển của trí tuệ nhân tạo, bao gồm cả bối cảnh được mô tả trong Thời đại kim cương, vẫn luôn tồn tại và nó chỉ mới có một bước nhảy vọt gần đây.
Đầu tiên, AI phần lớn là công nghệ được điều khiển tập trung từ trên xuống.Công nghệ mã hóa là công nghệ hợp tác phi tập trung, từ dưới lên. Theo nhiều cách, tiền điện tử là một nghiên cứu về cách xây dựng một hệ thống phi tập trung cho phép con người hợp tác trên quy mô lớn mà không cần bộ điều khiển trung tâm theo đúng nghĩa. Về mặt đó, đó là cách tự nhiên để hai công nghệ này có thể kết hợp với nhau.
AI là một sự đổi mới bền vững nhằm nâng cao mô hình kinh doanh của các công ty công nghệ hiện tại và giúp họ đưa ra các quyết định từ trên xuống. Ví dụ điển hình nhất về điều này là Google, công ty có thể quyết định nội dung nào sẽ hiển thị cho người dùng trên hàng tỷ người dùng và hàng tỷ lượt xem trang. Mặt khác, tiền điện tử về cơ bản là một sự đổi mới mang tính đột phá mà mô hình kinh doanh về cơ bản là trái ngược với mô hình kinh doanh của các công ty công nghệ lớn.Vì vậy, đây là một phong trào được lãnh đạo bởi những người nổi dậy ở rìa chứ không phải bởi những người nắm quyền lực.
Do đó, trí tuệ nhân tạo có thể liên quan chặt chẽ đến tất cả các khía cạnh bảo vệ quyền riêng tư và cả hai đều thúc đẩy và tương tác với nhau. AI với tư cách là một công nghệ đã tạo ra nhiều động lực khác nhau dẫn đến ngày càng ít quyền riêng tư cho người dùng vì các công ty muốn có được tất cả dữ liệu của chúng tôi. Và các mô hình trí tuệ nhân tạo được đào tạo dựa trên ngày càng nhiều dữ liệu sẽ trở nên hiệu quả hơn. Mặt khác, AI không hoàn hảo, các mô hình có thể bị sai lệch và những sai lệch có thể dẫn đến kết quả không công bằng. Vì vậy, có rất nhiều bài viết về tính công bằng thuật toán ở giai đoạn này.
Tôi nghĩ chúng ta đang hướng tới AI, nơi dữ liệu của mọi người được tổng hợp vào quá trình đào tạo mô hình khổng lồ này để tối ưu hóa mô hình. Mặt khác, tiền điện tử lại đi theo hướng ngược lại, tăng cường quyền riêng tư cá nhân và trao quyền cho người dùng kiểm soát chủ quyền dữ liệu của họ.Có thể nói công nghệ mã hóa là công nghệ cạnh tranh với trí tuệ nhân tạo, bởi nó có thể giúp chúng ta phân biệt nội dung do con người hoặc trí tuệ nhân tạo tạo ra với nội dung phong phú. công cụ quan trọng để duy trì và bảo tồn nội dung của con người.
Tiền điện tử là miền tây hoang dã vì nó hoàn toàn không được cấp phép vì bất kỳ ai cũng có thể tham gia. Bạn phải cho rằng một số bên này có ác ý.Vì vậy, hiện nay nhu cầu lớn hơn về một số công cụ giúp bạn lọc những người chơi trung thực khỏi những người chơi không trung thực, và máy học và trí tuệ nhân tạo, như một công cụ thông minh, thực sự có thể mang lại lợi ích lớn trong vấn đề này.
Ví dụ: có những dự án sử dụng máy học để xác định các giao dịch đáng ngờ được gửi tới ví. Bằng cách này, các giao dịch này của người dùng sẽ được đánh dấu và gửi lên blockchain. Điều này hoạt động tốt để ngăn người dùng vô tình gửi tất cả số tiền của họ cho kẻ tấn công hoặc làm điều gì đó mà sau này họ sẽ hối hận. Học máy cũng có thể được sử dụng như một công cụ giúp bạn đánh giá trước những giao dịch nào cũng có thể có mev.
Giống như các mô hình LLM có thể được sử dụng để phát hiện dữ liệu giả mạo hoặc hoạt động độc hại, các mô hình này cũng có thể được sử dụng để tạo ra dữ liệu giả mạo.Ví dụ điển hình nhất là deepfake. Bạn có thể tạo video về ai đó nói điều gì đó mà họ chưa từng nói trước đây. Nhưng blockchain thực sự có thể giúp giảm bớt vấn đề này.
Ví dụ: có một dấu thời gian trên blockchain, cho thấy rằng bạn đã nói điều này điều nọ vào ngày này. Nếu ai đó làm sai lệch video thì bạn có thể sử dụng dấu thời gian để từ chối video đó.Tất cả dữ liệu này, dữ liệu thực, được ghi lại trên blockchain và có thể được sử dụng để chứng minh rằng video deepfake này thực sự là giả.Vì vậy tôi nghĩ, blockchain có thể giúp chống lại hàng giả.
Chúng ta cũng có thể dựa vào phần cứng đáng tin cậy để thực hiện việc này. Các thiết bị như máy ảnh và điện thoại của chúng ta sẽ ký các hình ảnh và video mà chúng chụp theo tiêu chuẩn. Nó được gọi là C 2 PA và chỉ định cách camera ký dữ liệu. Trên thực tế, một trong những máy ảnh của Sony hiện có thể chụp ảnh và quay video, sau đó tạo chữ ký C 2 PA trên video. Đây là một chủ đề phức tạp và chúng tôi sẽ không tập trung vào nó ở đây.
Thông thường, khi báo chí đăng ảnh, họ không đăng những bức ảnh được chụp bằng máy ảnh còn nguyên vẹn. Họ cắt xén, cấp phép cho bức ảnh. Khi bạn bắt đầu chỉnh sửa ảnh, điều đó có nghĩa là người nhận, người đọc cuối cùng và người dùng trên trình duyệt sẽ không nhìn thấy ảnh gốc và không thể thực hiện xác minh chữ ký C 2 PA.
Câu hỏi đặt ra là, làm cách nào để người dùng xác nhận rằng hình ảnh họ đang xem thực sự được ký hiệu chính xác bởi camera C 2 PA? Đây là lúc công nghệ ZK xuất hiện, bạn có thể chứng minh rằng hình ảnh đã chỉnh sửa thực sự là kết quả của việc lấy mẫu xuống và chia tỷ lệ thang độ xám của một hình ảnh được ký chính xác. Bằng cách này, chúng ta có thể thay thế chữ ký C 2 PA bằng bằng chứng zk đơn giản và có được sự tương ứng một-một với những hình ảnh này. Hiện tại, độc giả vẫn có thể khẳng định những gì mình đang nhìn thấy là hình ảnh thật. Vì vậy, công nghệ zk có thể được sử dụng để chống lại thông tin này.
Blockchain phá vỡ trò chơi như thế nào?
Trí tuệ nhân tạo thực chất là một công nghệ tập trung. Nó được hưởng lợi phần lớn từ tính kinh tế theo quy mô, vì mọi thứ sẽ hiệu quả hơn nhiều khi sử dụng một trung tâm dữ liệu duy nhất. Ngoài ra, dữ liệu, mô hình học máy, tài năng học máy, v.v. thường được kiểm soát bởi một số ít công ty công nghệ,
Vậy làm cách nào để phá vỡ tình trạng này? Tiền điện tử có thể giúp chúng ta phân cấp AI bằng cách sử dụng các công nghệ như ZKML,Nó có thể được áp dụng trong các trung tâm dữ liệu, cơ sở dữ liệu và các mô hình học máy. Ví dụ, về mặt điện toán, sử dụng bằng chứng không có kiến thức, người dùng có thể chứng minh rằng quá trình thực hiện suy luận hoặc huấn luyện mô hình là chính xác.
Bằng cách đó, bạn có thể thuê ngoài quy trình này cho một cộng đồng lớn. Theo quy trình phân tán này, bất kỳ ai có GPU đều có thể đóng góp sức mạnh tính toán cho mạng và đào tạo các mô hình theo cách này mà không cần phải phụ thuộc vào một trung tâm dữ liệu lớn, nơi tập trung tất cả các GPU.
Từ góc độ kinh tế,Cho dù điều này có ý nghĩa là không chắc chắn. Nhưng ít nhất với sự khuyến khích phù hợp, có thể đạt được cái đuôi dài.Bạn có thể tận dụng tất cả các khả năng có thể có của GPU. Việc tất cả những người này đóng góp sức mạnh tính toán cho việc đào tạo mô hình hoặc chạy suy luận sẽ thay thế các công ty công nghệ lớn đang kiểm soát mọi thứ. Để đạt được điều này, nhiều vấn đề kỹ thuật quan trọng khác nhau phải được giải quyết. Trên thực tế, một công ty có tên Nvidia đang xây dựng một thị trường điện toán GPU phi tập trung, chủ yếu dành cho việc đào tạo các mô hình machine learning. Trong thị trường này, bất kỳ ai cũng có thể đóng góp sức mạnh tính toán GPU của riêng mình. Mặt khác, bất kỳ ai cũng có thể tận dụng mọi tính toán có trong mạng để đào tạo các mô hình học máy lớn của họ. Đây sẽ là giải pháp thay thế cho các công ty công nghệ lớn tập trung như openai, google, siêu dữ liệu, v.v.
Người ta có thể tưởng tượng ra tình huống Alice có một hình mẫu mà cô ấy muốn bảo vệ. Cô ấy muốn gửi mô hình cho Bob ở dạng mã hóa. Bob hiện nhận được mô hình được mã hóa và cần chạy dữ liệu của riêng mình trên mô hình được mã hóa. làm như thế nào? Sau đó sử dụng cái gọi là mã hóa đồng cấu hoàn toàn để tính toán dữ liệu được mã hóa. Nếu người dùng có mô hình được mã hóa và dữ liệu văn bản gốc thì mô hình được mã hóa có thể chạy trên dữ liệu văn bản gốc và có thể nhận và thu được kết quả được mã hóa. Bạn gửi lại kết quả được mã hóa cho Alice và cô ấy có thể giải mã nó và xem kết quả bằng văn bản gốc.
Đây thực sự là công nghệ đã tồn tại. Câu hỏi đặt ra là, công nghệ hiện tại hoạt động tốt với các mô hình cỡ trung bình, liệu chúng ta có thể mở rộng quy mô lên các mô hình lớn hơn không?Đây là một thách thức khá lớn và đòi hỏi sự nỗ lực của nhiều doanh nghiệp hơn nữa.
Tình trạng, thách thức và ưu đãi
Tôi nghĩ đó là về sự phân quyền trong điện toán. Đầu tiên là vấn đề xác minh mà bạn có thể giải quyết bằng ZK, nhưng hiện tại các kỹ thuật này chỉ có thể xử lý các mô hình nhỏ hơn. Thách thức mà chúng tôi gặp phải là hiệu suất của các mật mã nguyên thủy này không đủ để đào tạo hoặc suy luận các mô hình rất lớn. Vì vậy, có rất nhiều công việc đang được thực hiện để cải thiện hiệu suất của quá trình chứng minh sao cho khối lượng công việc ngày càng lớn hơn có thể được chứng minh một cách hiệu quả.
Đồng thời, một số công ty cũng đang sử dụng các công nghệ khác vượt xa khả năng mã hóa. Thay vào đó, bằng cách sử dụng các kỹ thuật mang tính chất lý thuyết trò chơi, họ để nhiều người độc lập hơn thực hiện công việc. Đó là một cách tiếp cận lạc quan, mang tính lý thuyết trò chơi, không dựa vào mật mã nhưng vẫn phù hợp với mục tiêu lớn hơn là phân quyền AI hoặc giúp tạo ra một hệ sinh thái AI. Đây là mục tiêu được đề xuất bởi các công ty như openai.
Vấn đề lớn thứ hai là vấn đề hệ thống phân tán. Giống như, làm cách nào để bạn điều phối một cộng đồng lớn để đóng góp gp vào một mạng giống như một nền tảng điện toán thống nhất, tích hợp? Sẽ có nhiều thách thức, chẳng hạn như làm thế nào để chia nhỏ khối lượng công việc của máy học một cách hợp lý và phân công các khối lượng công việc khác nhau cho các nút khác nhau của mạng cũng như cách thực hiện tất cả công việc này một cách hiệu quả.
Các kỹ thuật hiện tại về cơ bản có thể áp dụng được cho các mô hình cỡ trung bình, nhưng không thể áp dụng cho các mô hình lớn như gpt 3 hay gpt 4. Tất nhiên, chúng tôi có những phương pháp khác. Ví dụ: chúng tôi có thể yêu cầu nhiều người đào tạo và so sánh kết quả, do đó có động cơ khuyến khích theo lý thuyết trò chơi. Khuyến khích mọi người không gian lận. Nếu ai đó gian lận, những người khác có thể phàn nàn rằng họ đã tính sai kết quả luyện tập. Bằng cách đó, những người gian lận sẽ không được trả tiền.
Chúng tôi cũng có thể phân cấp các nguồn dữ liệu trong cộng đồng để đào tạo các mô hình học máy lớn. Tương tự, chúng ta cũng có thể tự mình thu thập tất cả dữ liệu và đào tạo mô hình thay vì một tổ chức tập trung. Điều này có thể đạt được bằng cách tạo ra một loại thị trường. Điều này tương tự như thị trường máy tính mà chúng tôi vừa mô tả.
Chúng ta cũng có thể xem xét nó dưới góc độ khuyến khích, khuyến khích mọi người đóng góp dữ liệu mới vào một tập dữ liệu lớn, sau đó được sử dụng để đào tạo các mô hình. Độ khó ở đây cũng tương tự như thử thách xác minh. Bạn phải bằng cách nào đó xác minh rằng dữ liệu mà mọi người đóng góp là dữ liệu thực sự tốt. Dữ liệu không trùng lặp hay rác được tạo ngẫu nhiên cũng như không được tạo ra không xác thực bằng cách nào đó.
Ngoài ra, hãy đảm bảo dữ liệu không phá hủy mô hình theo một cách nào đó, nếu không hiệu suất của mô hình sẽ thực sự ngày càng tệ hơn. Có lẽ chúng ta phải dựa vào sự kết hợp giữa các giải pháp kỹ thuật và giải pháp xã hội, trong trường hợp đó, bạn cũng có thể tạo dựng uy tín bằng một số loại số liệu trang web mà các thành viên trong cộng đồng có quyền truy cập để khi họ đóng góp dữ liệu, hóa ra còn nhiều hơn nữa. đáng tin cậy.
Nếu không, sẽ mất rất nhiều thời gian để thực sự đạt được mức phân phối dữ liệu phù hợp. Một trong những thách thức của học máy là mô hình chỉ có thể thực sự bao quát được phân bố mà tập dữ liệu huấn luyện có thể tiếp cận. Nếu có một số đầu vào nằm ngoài phạm vi phân phối của dữ liệu huấn luyện, mô hình của bạn thực sự có thể hoạt động hoàn toàn không thể đoán trước được. Để mô hình hoạt động tốt trong các trường hợp biên, điểm dữ liệu thiên nga đen hoặc dữ liệu đầu vào có thể gặp trong thế giới thực, chúng ta cần một tập dữ liệu toàn diện nhất có thể.
Vì vậy, nếu bạn có loại thị trường mở, phi tập trung cung cấp dữ liệu cho các tập dữ liệu, bạn có thể nhờ bất kỳ ai trên thế giới có dữ liệu duy nhất đóng góp dữ liệu đó vào mạng, đó là cách tốt hơn nhiều. Bởi vì nếu bạn cố gắng làm điều đó với tư cách là một công ty trung tâm, bạn sẽ không có cách nào biết được ai sở hữu dữ liệu. Vì vậy, nếu bạn có thể tạo động lực để những người này tiếp tục và cung cấp dữ liệu đó, thì tôi nghĩ bạn thực sự có thể có được mức độ bao phủ tốt hơn đáng kể về dữ liệu đuôi dài.
Vì vậy, chúng tôi phải có cơ chế nào đó để đảm bảo dữ liệu bạn cung cấp là có thật. Một cách là dựa vào phần cứng đáng tin cậy, để cảm biến tự nhúng một số phần cứng đáng tin cậy và chúng tôi chỉ tin tưởng dữ liệu được phần cứng ký chính xác. Nếu không, chúng ta phải có các cơ chế khác để phân biệt tính xác thực của dữ liệu.
Hiện tại có hai xu hướng quan trọng trong học máy. Đầu tiên, các phương pháp đo lường hiệu suất cho các mô hình học máy không ngừng được cải tiến nhưng vẫn đang ở giai đoạn đầu và thực tế rất khó để biết mô hình khác hoạt động tốt như thế nào. Một xu hướng khác là chúng ta đang ngày càng giải thích rõ hơn cách thức hoạt động của các mô hình.
Vì vậy, dựa trên hai điểm này, đến một lúc nào đó, tôi có thể hiểu được tác động của tập dữ liệu đến hiệu suất của mô hình học máy. Nếu chúng ta có thể hiểu liệu các tập dữ liệu do bên thứ ba đóng góp có góp phần vào hiệu suất của các mô hình học máy hay không, thì chúng ta có thể khen thưởng sự đóng góp này và tạo động lực cho sự tồn tại của thị trường này.
Hãy tưởng tượng nếu bạn có thể tạo ra một thị trường mở để mọi người đóng góp các mô hình đã được đào tạo để giải quyết một loại vấn đề cụ thể hoặc nếu bạn tạo một hợp đồng thông minh với một số loại thử nghiệm được nhúng trong đó và nếu ai đó có thể cung cấp một mô hình bằng cách sử dụng zkml, và chứng minh rằng mô hình giải quyết được bài kiểm tra, đó là một kịch bản kết quả. Giờ đây, bạn đã có những công cụ cần thiết để tạo ra một thị trường được khuyến khích khi mọi người đóng góp các mô hình máy học để giải quyết một số vấn đề nhất định.
AI và mã hóa hình thành mô hình kinh doanh như thế nào?
Tôi nghĩ tầm nhìn đằng sau sự giao thoa giữa tiền điện tử và trí tuệ nhân tạo là bạn có thể tạo một bộ giao thức phân phối giá trị thu được từ công nghệ trí tuệ nhân tạo mới này cho nhiều người hơn và mọi người đều có thể đóng góp và mọi người đều có thể chia sẻ Lợi ích của công nghệ mới này .
Vì vậy, những người có thể thu lợi nhuận sẽ là những người đóng góp sức mạnh tính toán, những người đóng góp dữ liệu hoặc những người đóng góp các mô hình học máy mới vào mạng, để các mô hình học máy tốt hơn có thể được đào tạo để giải quyết các vấn đề quan trọng hơn.
Phía cầu của mạng cũng có thể được hưởng lợi. Họ sử dụng mạng này làm cơ sở hạ tầng để đào tạo các mô hình học máy của riêng họ. Có lẽ mô hình của họ có thể đóng góp vào điều gì đó thú vị, chẳng hạn như công cụ trò chuyện thế hệ tiếp theo. Trong những mô hình này, vì các công ty này sẽ có mô hình kinh doanh của riêng mình nên bản thân họ sẽ có thể thúc đẩy việc nắm bắt giá trị.
Ai xây dựng mạng lưới này cũng được hưởng lợi. Ví dụ: tạo mã thông báo cho mạng sẽ được phân phối cho cộng đồng. Tất cả những người này sẽ có quyền sở hữu chung đối với mạng phi tập trung này để tính toán dữ liệu và mô hình, đồng thời cũng có thể nắm bắt một số giá trị của tất cả hoạt động kinh tế diễn ra thông qua mạng này.
Như bạn có thể tưởng tượng, mọi giao dịch đi qua mạng này, mọi phương thức thanh toán trả phí tính toán, phí dữ liệu hoặc phí mô hình, đều có thể bị tính một khoản phí được chuyển vào kho bạc do toàn bộ mạng kiểm soát. Người nắm giữ mã thông báo cùng sở hữu mạng. Đây thực chất là mô hình kinh doanh của chính mạng lưới.
AI tăng cường bảo mật mã
Nhiều người nghe có lẽ đã nghe nói đến co-pilot, một công cụ dùng để tạo mã. Bạn có thể thử các công cụ đồng tạo này để viết các hợp đồng vững chắc hoặc mã mật mã. Điều tôi muốn nhấn mạnh là làm như vậy thực sự rất nguy hiểm. Bởi vì nhiều khi, khi bạn cố chạy, các hệ thống này thực sự tạo ra mã hoạt động nhưng không an toàn.
Trên thực tế, gần đây chúng tôi đã viết một bài báo về vấn đề này, trong đó nói rằng nếu bạn cố gắng nhờ một phi công phụ viết một hàm mã hóa đơn giản, thì nó sẽ cung cấp hàm mã hóa chính xác. Tuy nhiên, nó sử dụng chế độ hoạt động không chính xác, vì vậy bạn sẽ sử dụng chế độ mã hóa không an toàn.
Bạn có thể hỏi, tại sao điều này lại xảy ra? Một trong những lý do là các mô hình này về cơ bản được đào tạo từ mã có sẵn, chúng được đào tạo trong kho github. Nhiều kho lưu trữ github thực sự dễ bị tấn công bởi các cuộc tấn công khác nhau. Do đó, các mã mà các mô hình này học được đang hoạt động nhưng không an toàn. Nó giống như rác thải kém chất lượng tạo ra rác thải. Vì vậy, tôi hy vọng rằng mọi người sẽ cẩn thận khi tạo mã bằng cách sử dụng các mô hình tổng quát này, kiểm tra kỹ xem mã có thực sự làm những gì nó phải làm và thực hiện nó một cách an toàn hay không.
Bạn có thể sử dụng các mô hình trí tuệ nhân tạo, kết hợp với các công cụ khác để tạo mã, đảm bảo toàn bộ quá trình không có lỗi. Ví dụ: một ý tưởng là sử dụng mô hình llm để tạo thông số kỹ thuật cho hệ thống xác minh chính thức và yêu cầu llm tạo thông số kỹ thuật cho công cụ xác minh chính thức. Sau đó, yêu cầu cùng một phiên bản của llm tạo ra một chương trình phù hợp với đặc tả, sau đó sử dụng công cụ xác minh chính thức để xem liệu chương trình có thực sự tuân thủ đặc tả hay không. Nếu có lỗ hổng, công cụ sẽ phát hiện lỗ hổng đó. Những lỗi này có thể được phản hồi lại cho llm dưới dạng phản hồi và lý tưởng nhất là llm có thể sửa đổi công việc của nó và sau đó tạo ra một phiên bản mã chính xác khác.
Cuối cùng, nếu bạn lặp lại, bạn sẽ có một đoạn mã lý tưởng nhất là đáp ứng chính xác giá trị trả về này và chính thức xác minh rằng nó cũng đáp ứng giá trị trả về này. Và vì con người có thể đọc được vết lùi nên bạn có thể xem qua vết lùi và thấy rằng đây chính là chương trình tôi muốn viết. Trên thực tế, đã có nhiều người đang cố gắng đánh giá khả năng của LLM trong việc tìm ra lỗi phần mềm, chẳng hạn như hợp đồng thông minh Unity, C và C plus.
Vì vậy, liệu chúng ta có đang đạt đến mức mà mã do LLM tạo ra ít có khả năng chứa lỗi hơn mã do con người tạo ra không? Ví dụ, khi nói về xe tự lái, điều chúng ta quan tâm là liệu nó có ít khả năng va chạm hơn người lái xe không? Tôi nghĩ xu hướng này sẽ ngày càng mạnh mẽ hơn và được tích hợp nhiều hơn vào các chuỗi công cụ hiện có.
Bạn có thể tích hợp nó vào chuỗi công cụ xác minh chính thức và bạn có thể tích hợp nó vào các công cụ khác, chẳng hạn như các công cụ kiểm tra vấn đề quản lý bộ nhớ nói trên. Bạn cũng có thể tích hợp nó vào chuỗi công cụ kiểm tra tích hợp và kiểm tra đơn vị của mình để llm không chỉ hoạt động trong chân không. Nó nhận được phản hồi theo thời gian thực từ các công cụ khác kết nối nó với sự thật thực tế.
Tôi nghĩ rằng bằng cách kết hợp các mô hình học máy rất lớn được đào tạo bằng cách sử dụng tất cả dữ liệu trên thế giới, kết hợp với các công cụ khác này, có thể tạo ra các chương trình tính toán tốt hơn các lập trình viên con người. Ngay cả khi họ vẫn mắc sai lầm, họ có thể chỉ là siêu nhân. Đây sẽ là một thời điểm quan trọng trong công nghệ phần mềm.
Trí tuệ nhân tạo và đồ thị xã hội
Một khả năng khác là chúng ta có thể xây dựng các mạng xã hội phi tập trung thực sự hoạt động rất giống Weibo, nhưng biểu đồ xã hội thực sự hoàn toàn trên chuỗi. Nó gần giống như một sản phẩm công cộng mà bất cứ ai cũng có thể xây dựng trên đó. Với tư cách là người dùng, bạn kiểm soát mình là ai trên biểu đồ xã hội. Bạn kiểm soát dữ liệu của mình, người bạn theo dõi và ai có thể theo dõi bạn. Ngoài ra, có rất nhiều công ty xây dựng cổng thông tin trong biểu đồ xã hội cung cấp cho người dùng những trải nghiệm như twitter, instagram, tích tắc hoặc bất kỳ thứ gì khác mà họ muốn xây dựng.
Nhưng tất cả đều được xây dựng trên cùng một biểu đồ xã hội và không ai sở hữu nó, cũng như không có công ty công nghệ trị giá hàng tỷ đô la nào ở giữa kiểm soát hoàn toàn nó.
Đó là một thế giới thú vị bởi vì nó có nghĩa là nó có thể sôi động hơn, nó có thể có một hệ sinh thái gồm nhiều người cùng nhau xây dựng. Mọi người dùng đều có nhiều quyền kiểm soát hơn đối với những gì họ nhìn thấy và làm trên nền tảng.
Nhưng đồng thời người dùng cũng cần lọc tín hiệu khỏi nhiễu. Ví dụ: cần phát triển một thuật toán đề xuất hợp lý để lọc tất cả nội dung và hiển thị cho bạn những nguồn tin tức mà bạn thực sự muốn xem. Điều này sẽ mở ra cánh cửa cho toàn bộ thị trường, một sân chơi của những người chơi cung cấp dịch vụ. Bạn có thể sử dụng thuật toán, sử dụng thuật toán dựa trên AI để quản lý nội dung cho mình. Với tư cách là người dùng, bạn có thể quyết định xem có nên sử dụng một thuật toán cụ thể hay không, có thể là thuật toán do Twitter thiết lập hoặc thuật toán nào khác. Nhưng tương tự, bạn cũng cần những công cụ như học máy để giúp bạn sàng lọc tiếng ồn, giúp bạn phân tích tất cả thông tin rác trong một thế giới nơi các mô hình tổng quát có thể tạo ra tất cả thông tin rác trên thế giới.
Tại sao bằng chứng của con người lại quan trọng?
Một câu hỏi rất thích hợp là làm thế nào để bạn chứng minh rằng bạn thực sự là con người trong một thế giới tràn ngập nội dung giả tạo?
Sinh trắc học là một hướng khả thi, một trong những dự án có tên World Coin (World Coin), sử dụng quét võng mạc làm thông tin sinh trắc học để xác minh rằng bạn là người thật, để đảm bảo rằng bạn thực sự là một người sống chứ không chỉ là một con mắt. hình chụp. Hệ thống này có phần cứng bảo mật rất khó giả mạo, vì vậy bằng chứng xuất hiện ở đầu bên kia, bằng chứng không có kiến thức che dấu sinh trắc học thực tế của bạn, rất khó giả mạo theo cách này.
Trên Internet, không ai biết bạn là robot. Vì vậy, tôi đoán đó là lúc dự án Bằng chứng về Nhân loại trở nên thực sự quan trọng, bởi vì việc biết bạn đang tương tác với robot hay con người sẽ thực sự quan trọng. Nếu bạn không có bằng chứng của con người thì bạn không thể biết một địa chỉ thuộc về một người hay một nhóm người hay 10.000 địa chỉ thực sự thuộc về một người hay họ chỉ giả vờ là 10.000 người khác.
Điều này rất quan trọng trong quản trị. Nếu mọi người tham gia vào hệ thống quản trị có thể chứng minh rằng họ thực sự là con người và họ có thể chứng minh rằng họ là con người theo một cách riêng vì họ chỉ có một bộ nhãn cầu, thì hệ thống quản trị sẽ công bằng hơn và ít hơn. tùy theo số tiền lớn nhất bị khóa trong một hợp đồng thông minh nhất định).
AI và nghệ thuật
Các mô hình AI có nghĩa là chúng ta sẽ sống trong một thế giới có vô số phương tiện truyền thông, một thế giới mà các cộng đồng xung quanh bất kỳ một phương tiện cụ thể nào hoặc những câu chuyện xung quanh một phương tiện nhất định sẽ ngày càng trở nên quan trọng.
Ví dụ: Sound.xyz đang xây dựng một nền tảng phát nhạc phi tập trung cho phép các nghệ sĩ, nhạc sĩ tải nhạc lên và sau đó kết nối trực tiếp với cộng đồng của chúng tôi bằng cách bán NFT cho họ. Ví dụ: bạn có thể nhận xét về một bản nhạc trên trang web sound dot xyz để những người khác chơi bài hát đó cũng có thể xem nhận xét đó. Điều này tương tự như tính năng Sound Cloud trước đây. Hành động mua NFT cũng đang hỗ trợ các nghệ sĩ, giúp họ phát triển bền vững và tạo ra nhiều tác phẩm âm nhạc hơn. Nhưng cái hay của tất cả là nó thực sự mang lại cho các nghệ sĩ một nền tảng để thực sự gắn kết với cộng đồng. Nghệ sĩ là nghệ sĩ của mọi người.
Vì những gì tiền điện tử làm ở đây, bạn có thể tạo một cộng đồng xung quanh một bản nhạc sẽ không tồn tại nếu một bản nhạc chỉ được tạo ra bởi mô hình học máy mà không có bất kỳ yếu tố con người nào.
Phần lớn âm nhạc mà chúng ta sắp tiếp xúc sẽ hoàn toàn do AI tạo ra và các công cụ để xây dựng cộng đồng cũng như kể những câu chuyện xung quanh nghệ thuật, âm nhạc và các loại phương tiện truyền thông khác sẽ thực sự trở nên hữu ích. quan trọng là tập hợp những gì chúng ta thực sự quan tâm và thực sự muốn đầu tư vào và Phương tiện truyền thông cần thời gian tương tác sẽ khác với các phương tiện truyền thông khác nói chung.
Có thể có một số sự phối hợp giữa cả hai, vì nhiều âm nhạc sẽ được nâng cao hoặc tạo ra bởi trí tuệ nhân tạo. Nhưng nếu cũng có yếu tố con người tham gia, chẳng hạn, người sáng tạo sử dụng công cụ AI để tạo ra một bản nhạc mới, họ có chữ ký âm thanh riêng, họ có trang nghệ sĩ riêng, họ có cộng đồng riêng, họ có người theo dõi riêng. .
Giờ đây, có sự kết hợp giữa hai thế giới và bạn có âm nhạc hay nhất vì AI mang đến cho bạn siêu năng lực. Nhưng đồng thời, bạn cũng có các yếu tố và câu chuyện con người được phối hợp và kích hoạt thông qua công nghệ mã hóa cho phép bạn tập hợp tất cả những người này lại với nhau trên một nền tảng.
Đó chắc chắn là một thế giới hoàn toàn mới khi nói đến việc tạo nội dung. Vậy làm thế nào để chúng ta phân biệt giữa nghệ thuật do con người tạo ra và nghệ thuật do máy tạo ra cần được hỗ trợ?
Điều này thực sự mở ra cánh cửa cho nghệ thuật tập thể, nghệ thuật xuất hiện thông qua quá trình sáng tạo của cả một cộng đồng chứ không phải của một nghệ sĩ đơn lẻ. Đã có những dự án thực hiện việc này trong đó cộng đồng tác động đến chuỗi thông qua một số quy trình bỏ phiếu, tạo ra tác phẩm nghệ thuật dựa trên tín hiệu từ các mô hình học máy. Có thể bạn tạo ra không phải một tác phẩm nghệ thuật mà là mười nghìn tác phẩm. Sau đó, bạn sử dụng một mô hình học máy khác, cũng được đào tạo dựa trên phản hồi từ cộng đồng, để chọn ra mô hình tốt nhất trong số 10.000 mô hình đó.
