Gonka Protocol Co-founder Anastasia: Ai Nắm Giữ Sức Mạnh Tính Toán, Người Đó Kiểm Soát Tương Lai của AI

Tóm tắt cốt lõi: Việc huấn luyện các mô hình lớn đòi hỏi phải xây dựng hoặc nâng cấp các trung tâm dữ liệu. Tuy nhiên, cơ sở hạ tầng tập trung hiện nay đang đối mặt với những giới hạn vật lý cứng nhắc. Để nâng cao năng lực cơ sở hạ tầng, AI được sử dụng để tạo ra quy mô và sản lượng thông minh lớn hơn.

Tuy nhiên, việc kiểm soát sức mạnh tính toán đang trở thành một nút quyền lực then chốt trong ngành công nghiệp AI.

Lúc này, Gonka ra đời. Giao thức Gonka là một mạng lưới toàn cầu không cần sự cho phép, bất kỳ ai cũng có thể tham gia, yêu cầu được định tuyến theo cách lập trình giữa những người tham gia phân tán. Trong cuộc trò chuyện độc quyền với 《Analytics Insight》, đồng sáng lập kiêm Giám đốc sản phẩm cấp cao của Gonka, Anastasia Matveeva, đã thảo luận về cách họ đổi mới trong phương thức tiếp cận sức mạnh tính toán để xây dựng một hệ sinh thái AI có thể kiểm soát và an toàn hơn.

Hỏi: Cuộc thảo luận của công chúng về AI thường tập trung vào vấn đề tập trung hóa của các mô hình, nhưng lại ít chú ý đến sự tập trung hóa của sức mạnh tính toán. Tại sao việc kiểm soát sức mạnh tính toán đang trở thành một nút quyền lực then chốt trong ngành công nghiệp AI? Sự tập trung này mang lại những rủi ro gì cho sự đổi mới và toàn bộ thị trường?

Trả lời: Các cuộc thảo luận công chúng thường tập trung vào mô hình vì mô hình là thứ có thể nhìn thấy. Nhưng trung tâm quyền lực thực sự nằm ở tầng sâu hơn - sức mạnh tính toán, đây là lớp nền tảng quyết định ai có thể xây dựng, triển khai và mở rộng các hệ thống AI.

Việc kiểm soát sức mạnh tính toán trở nên quan trọng vì lý do kinh tế và vật lý. Nút thắt chính của AI hiện đại không còn là thuật toán, mà là khả năng tiếp cận GPU, điện năng và dung lượng trung tâm dữ liệu.

Việc huấn luyện các mô hình lớn ngày càng đòi hỏi phải xây dựng hoặc nâng cấp các trung tâm dữ liệu. Tuy nhiên, cơ sở hạ tầng tập trung đang gặp phải giới hạn vật lý: mật độ năng lượng, ràng buộc về tản nhiệt và công suất cung cấp điện tối đa có thể chịu được tại một địa điểm duy nhất. Ngành công nghiệp đang thử nghiệm các giải pháp cực đoan - thiết kế lại chip, hệ thống tản nhiệt và các nguồn năng lượng mới.

Sự tập trung này mang lại hậu quả mang tính hệ thống.

Đầu tiên, nó thiết lập các rào cản cấu trúc đối với sự đổi mới. Việc tiếp cận sức mạnh tính toán trở thành đặc quyền của cơ sở hạ tầng, thay vì cạnh tranh dựa trên năng lực. Các nhóm nhỏ, nhà nghiên cứu độc lập và thậm chí toàn bộ khu vực bị loại trừ bởi giá cả, không gian thử nghiệm thu hẹp, đổi mới trở nên bảo thủ.

Thứ hai, sự tập trung hóa sức mạnh tính toán củng cố mô hình "trích xuất tiền thuê". AI có tiềm năng tạo ra "sự dồi dào" - trí thông minh về bản chất có thể sao chép - nhưng khi cơ sở hạ tầng nền tảng khan hiếm và bị kiểm soát, sự dồi dào này bị kìm hãm một cách nhân tạo. Thị trường chuyển hướng sang mô hình thuê bao, hiệu ứng khóa chặt và quyền định giá, thay vì giảm chi phí và khả năng tiếp cận rộng rãi.

Thứ ba, nó mang lại sự dễ tổn thương mang tính hệ thống. Khi sức mạnh tính toán tiên tiến tập trung ở một số ít nhà vận hành và vị trí địa lý, các biến động về quy định, chính trị hoặc vật lý sẽ ảnh hưởng đến toàn bộ hệ sinh thái AI. Sự phụ thuộc trở thành cấu trúc, chứ không phải là tùy chọn.

Quan trọng hơn, sức mạnh tính toán không trung lập. Ai kiểm soát sức mạnh tính toán, người đó sẽ quyết định một cách ngầm định điều gì là khả thi, được phép và bền vững về mặt kinh tế. Khi sự kiểm soát đó được tập trung hóa, quản trị AI sẽ được hình thành theo mặc định, thay vì được thiết kế.

Rủi ro không chỉ là độc quyền, mà là sự bóp méo lâu dài trong quỹ đạo phát triển của AI: ít người xây dựng hơn, tính đa dạng ứng dụng thấp hơn, đổi mới phần cứng chậm hơn và cơ sở hạ tầng không thể đáp ứng được tham vọng của các mô hình thế hệ tiếp theo.

Do đó, sức mạnh tính toán phải được coi là cơ sở hạ tầng nền tảng - một kiến trúc có thể mở rộng về mặt kinh tế và vật lý, rất quan trọng đối với tương lai của AI.

Hỏi: Nhiều nền tảng sức mạnh tính toán AI - dù tập trung hay phi tập trung - đều tuyên bố hiệu quả. Khi đánh giá hiệu quả của hệ thống sức mạnh tính toán AI, các chỉ số thực sự quan trọng là gì? Những mô hình này thường gặp phải những hạn chế thực tế ở những khía cạnh nào?

Trả lời: Hiệu quả tính toán thường được coi là một khái niệm tiếp thị. Trên thực tế, chỉ có một số ít chỉ số cụ thể thực sự quan trọng, bao gồm hiệu suất phía người dùng, hiệu quả hoạt động của nhà cung cấp và cấu trúc khuyến khích chi phối cả hai.

Đối với người dùng, hiệu quả có nghĩa là tốc độ và tính minh bạch về chi phí.

Tốc độ đề cập đến độ trễ dưới nhu cầu thực tế. Các trung tâm tập trung thường có lợi thế do vị trí vật lý đồng đặt. Nhưng kiến trúc phi tập trung cũng có thể đạt được hiệu suất tương tự nếu blockchain chỉ đóng vai trò là lớp bảo mật và không tham gia vào đường dẫn thực thi thời gian thực. Miễn là yêu cầu được xử lý ngoài chuỗi, bản thân giao thức sẽ không làm tăng độ trễ.

Tính minh bạch về chi phí cũng rất quan trọng. Mặc dù "chi phí mỗi token" là KPI phổ biến, nhưng tính toàn vẹn của mô hình thường thiếu minh bạch. Trong môi trường tập trung, sản phẩm có thể là một hộp đen. Trong thời gian cao điểm, nhà cung cấp có thể điều chỉnh cấu hình mô hình để duy trì lợi nhuận, những thay đổi này thường không thể nhìn thấy nhưng có thể ảnh hưởng đến chất lượng đầu ra. Hiệu quả thực sự đòi hỏi định giá phản ánh độ chính xác tính toán nhất quán.

Đối với nhà cung cấp, hiệu quả là sự cân bằng giữa mức độ sử dụng GPU và tính linh hoạt.

Các nhà khai thác tập trung hoạt động xuất sắc về mức độ sử dụng, GPU trong môi trường đồng đặt có thể chạy gần hết công suất, nhưng thiếu tính linh hoạt, phải chịu chi phí nhàn rỗi trong thời gian nhu cầu thấp.

Các mạng phi tập trung hy sinh một phần mức độ sử dụng để đổi lấy tính linh hoạt, nhưng phải giảm thiểu chi phí đồng thuận và xác minh, cho phép sức mạnh tính toán được phân bổ lại giữa các khối lượng công việc khác nhau theo nhu cầu.

Quan trọng nhất là thiết kế khuyến khích.

Khi phần thưởng được liên kết với khối lượng công việc AI nhanh hơn, rẻ hơn và có thể xác minh được, việc tối ưu hóa trở thành cấu trúc. Những người tham gia được khuyến khích nâng cao hiệu quả phần cứng, giảm độ trễ, thử nghiệm các chip chuyên dụng.

Ngược lại, nếu phần thưởng hoặc trọng số quản trị chủ yếu liên quan đến việc nắm giữ vốn, hướng tối ưu hóa sẽ lệch khỏi hiệu suất cơ sở hạ tầng, sự kém hiệu quả sẽ bị củng cố.

Trong Gonka, hiệu quả được nhúng vào lớp giao thức: gần 100% sức mạnh tính toán được sử dụng cho khối lượng công việc AI thực tế (chủ yếu là suy luận). Phần thưởng và trọng số quản trị dựa trên đóng góp sức mạnh tính toán được đo lường, chứ không phải việc nắm giữ vốn.

Hiệu quả thực sự chỉ xuất hiện khi phần lớn sức mạnh tính toán được sử dụng cho các nhiệm vụ thực tế, các khuyến khích thưởng cho đóng góp đã được xác minh và chi phí nội bộ không tăng mất kiểm soát theo quy mô mạng.

Hỏi: Các mạng sức mạnh tính toán AI phi tập trung có khả năng sử dụng phần lớn sức mạnh tính toán cho khối lượng công việc AI thực tế, thay vì duy trì bản thân mạng không? Các lựa chọn kiến trúc then chốt là gì?

Trả lời: Điều này là có thể - nhưng với điều kiện coi chi phí là ràng buộc kiến trúc cốt lõi, chứ không phải là sản phẩm phụ tất yếu của phi tập trung hóa.

Hầu hết các mạng sức mạnh tính toán phi tập trung sử dụng nhiều tài nguyên để duy trì sự đồng thuận và bảo mật, thay vì khối lượng công việc AI. Điều này là do công việc sản xuất và cơ chế bảo mật bị tách rời, dẫn đến tính toán trùng lặp.

Để phần lớn sức mạnh tính toán được sử dụng cho các nhiệm vụ AI thực tế, cần một số nguyên tắc chính:

Thứ nhất, cơ chế bảo mật và đo lường phải là "giới hạn thời gian", chứ không phải chạy liên tục. Cơ chế chứng minh nên tập trung vào các chu kỳ ngắn rõ ràng, thay vì tiêu tốn tài nguyên liên tục. Trong Gonka, điều này được thực hiện thông qua Sprint (chu kỳ có cấu trúc, giới hạn thời gian). Ngoài chu kỳ, tài nguyên phần cứng có thể được sử dụng cho khối lượng công việc AI thực tế.

Thứ hai, giảm sự trùng lặp bằng cách điều chỉnh động việc xác minh có chọn lọc và dựa trên uy tín, thay vì xác minh hoàn toàn sao chép cho mỗi nhiệm vụ. Công việc của người tham gia mới có thể được xác minh 100%; khi uy tín được thiết lập, tỷ lệ xác minh có thể giảm xuống khoảng 1%. Tổng tỷ lệ sức mạnh tính toán xác minh có thể được kiểm soát dưới khoảng 10%, đồng thời duy trì bảo mật.

Những người tham gia cố gắng gian lận sẽ không nhận được phần thưởng, do đó gian lận trở nên không hợp lý về mặt kinh tế.

Thứ ba, phần thưởng và trọng số quản trị phải được liên kết với đóng góp sức mạnh tính toán đã được xác minh, chứ không phải việc nắm giữ vốn.

Khi sự đồng thuận được nhẹ hóa, xác minh tự thích ứng và khuyến khích phù hợp với tính toán sản xuất, sức mạnh tính toán phi tập trung mới thực sự phục vụ được khối lượng công việc thực tế.

Hỏi: Các mạng sức mạnh tính toán AI phi tập trung thường nhấn mạnh sự tham gia mở, nhưng yêu cầu cơ sở hạ tầng có thể tạo ra rào cản gia nhập cao. Làm thế nào một hệ thống như vậy có thể mở rộng quy mô trong khi vẫn giữ được khả năng tiếp cận đối với những người tham gia