多維度解析DePIN如何助力人工智能？
原文來源：Portal Ventures原文來源：Catrina
原文來源：Filecoin Network
過去，初創企業憑藉其速度、靈活度和創業文化，擺脫組織慣性桎梏，長期引領著技術創新。然而，這一切被人工智能時代改寫。迄今為止，突破性AI 產品的締造者都是諸如Microsoft 的OpenAI、Nvidia、Google 甚至Meta 這樣的傳統科技巨頭。
發生了什麼？為什麼這一次巨頭贏過了初創？初創企業可以寫出優秀代碼，但與科技巨頭相比，它們面臨多種阻礙：
計算成本居高不下
AI 發展存在反向凸角：由於缺少必要的方針，圍繞AI 社會影響的擔憂和不確定性阻礙了創新
AI 黑盒問題
大型科技公司建立的“數據護城河”形成進入壁壘
那麼，為什麼需要區塊鏈技術出場？它與人工智能的交集在哪？雖然不能一次性解決所有問題，但Web3中的分佈式物理基礎設施網絡（DePIN）降低
降低驗證
驗證創作者和人格
填補AI 民主和透明度
設置下文中：
下文中：
“web3”指下一代互聯網，區塊鏈技術與其他現有技術是其有機組成。
“區塊鏈”一級標題
“加密”一級標題
一、降低基礎設施成本（計算和存儲）
每一波技術創新的引子都是某種昂貴的東西變得廉價到可以浪費。
——社會的技術債務和軟件的古騰堡時刻，來自SK Ventures
基礎設施的可負擔性有多重要（人工智能的基礎設施指計算、傳輸和存儲數據的硬件成本），圖片描述圖片描述
來源：Carlota Perez 的技術革命理論
安裝階段和和和“推動式”市場推廣（GTM）策略為特徵，因為客戶不了解新技術的價值主張。
部署階段以基礎設施供應的大量增加為特徵，降低拉新門檻，並採用“拉動式”市場推廣（GTM）策略，表明產品市場匹配度高，客戶期待更多尚未成型的產品。
問題問題
問題
當前物理基礎設施領域主要由垂直一體化寡頭壟斷，包括AWS、GCP、Azure、Nvidia、Cloudflare、Akamai 等，行業利潤率高，據估計AWS 在商品化計算硬件上的毛利率為61%。所以AI 領域、尤其是LLM 領域的新進入者要面對及其高昂的計算成本。
ChatGPT 一次訓練的成本估計在4 百萬美元，硬件推理運營成本約70 萬美元/天。
Bloom 第二版可能需要花費1000 萬美元進行訓練和重新訓練。
解決方案圖片描述
解決方案
解決方案
DePIN 網絡如Filecoin（起源於2014 年的DePIN 先驅，專注集合互聯網級硬件，服務於分佈式數據存儲）、Bacalhau、Gensyn.ai、Render Network、ExaBits（用於匹配CPU/GPU 供需的協調層）可以通過以下三個方面節約75% 至90% +的基礎設施成本：
1. 推動供應曲線，激發市場競爭
DePIN 為硬件供應商成為服務提供商提供了平等機會。它創建了一個人人可以作為“礦工”加入，用CPU/GPU 或存儲能力可換取經濟報酬的市場，從而給現有提供商帶來競爭。
雖然像AWS 這樣的公司無疑在用戶界面、運營和垂直整合方面享有17 年的先發優勢，但是DePIN 吸引了無法接受中心化供應商客定價的新戶群。就像Ebay 不直接與Bloomingdale 競爭，而是提供更經濟的替代品來滿足類似需求，分佈式存儲網絡並不取代中心化供應商，而是旨在服務於價格敏感的用戶群體。
2.通過加密經濟設計促進市場經濟平衡
DePIN 創建的補貼機制能引導硬件供應者參與網絡，從而降低最終用戶的成本。究其原理，我們可以看看AWS 和Filecoin 在Web2和Web3中存儲提供者的成本和收入。
客戶獲得降價：DePIN 網絡營造了競爭性市場，引入Bertrand 式競爭，從而降低客戶支付費用。相比之下，AWS EC 2 需要約55% 的利潤率和31% 的總體利潤率來維持運營。 DePIN 網絡提供的也是也是新的收入來源。在Filecoin 的背景下，存儲提供者託管越多真實數據越能獲得區塊獎勵（代幣）。因此，存儲提供者有動力吸引更多客戶達成交易增加收入。幾個新興計算DePIN 網絡的代幣結構仍未公開，但很可能遵循類似模式。類似網絡包括：
Bacalhau：將計算引入數據存儲位置的協調層，避免移動大量數據。
exaBITS：服務於AI 和計算密集型應用程序的分佈式計算網絡。
Gensyn.ai：深度學習模型計算協議。
3. 降低間接成本：Bacalhau、exaBITS 等DePIN 網絡以及IPFS/內容尋址存儲的優勢包括：
釋放潛在數據的可用性：由於傳輸大型數據集的帶寬成本高，目前大量數據未被開發，比如體育場館產生的大量事件數據。 DePIN 項目可以現場處理數據並僅傳輸有意義的輸出，發掘潛在數據的可用性。
降低運營成本：通過本地獲取數據來降低數據輸入、傳輸和導入/導出成本。
最小化敏感數據共享中的人工作業：如果醫院A 和B 需要將各自患者的敏感數據進行組合分析，它們可以使用Bacalhau 協調GPU 算力，直接在本地處理敏感數據，而不必通過繁瑣的行政流程與對方進行個人身份信息（PII）交換。
無需重計算基礎數據集：這篇文章這篇文章。
問題一級標題
問題
問題
一份近期調研顯示，50% 的AI 學者認為AI 給人類帶來毀滅性傷害的可能性超過10% 。
比如，在
比如，在圖片描述圖片描述
來源：Bloomberg
值得注意的是，AI的社會影響力遠不止虛假博客、對話和圖像帶來的問題：
2024 年美國大選期間，AI 生成的deepfake 競選內容首次達到了以假亂真的效果。
參議員Elizabeth Warren 的一段視頻經過編輯，讓她“說”出了"共和黨人不應該被允許投票"這樣的話（已闢謠）。
語音合成的拜登的聲音批評跨性別女性。
一群藝術家對Midjourney 和Stability AI 提起了集體訴訟，指控其未經授權使用藝術家的作品來訓練AI，侵犯版權並威脅藝術家生計。
AI 生成的由The Weeknd 和Drake 合唱的歌曲“Heart on My Sleeve”在流媒體平台上走紅，但隨後被下架。當新技術在沒有規範的情況下進入主流，就會造成諸多問題，解決方案
解決方案
解決方案
利用加密鏈上來源證明進行人格證明和創作者證明
讓區塊鏈技術真正發揮作用——作為一個包含不可篡改鏈上歷史記錄的分佈式賬本，數字內容的真實性可以通過內容加密證明得到驗證。
數字簽名作為創作者證明和人格證明
要識別deepfake，可用原始內容創作者獨有的數字簽名生成加密證明，簽名可以使用只有創作者知曉的私鑰創建，並可由對所有人公開的公鑰進行驗證。有了簽名就可以證明內容是由原始創作者創建，不論創建者是人類還是AI，還可以驗證授權或未授權的對內容的更改。
利用IPFS 和默克爾樹進行真實性證明
IPFS 是使用內容尋址和默克爾樹引用大型數據集的分佈式協議。為了證明文件內容收到、更改，會生成一個默克爾證明，即一串哈希，顯示特定的數據塊在默克爾樹中的位置。每次更改，都會在默克爾樹中增加一個哈希，提供了文件修改的證明。
加密方案的痛點是激勵機制，畢竟，識別出deepfake 製造者雖然能減少負面社會影響，但不會帶來同等的經濟利益。這份責任很可能落在Twitter、Meta、Google 等主流媒體分發平台上，事實也的確如此。那麼我們為什麼需要區塊鏈？
答案是區塊鏈的加密簽名和真實性證明更加有效、可驗證和確定。目前，檢測deepfake 的過程主要通過機器學習算法（如Meta 的“Deepfake Detection Challenge”、Google 的“Asymmetric Numeral Systems” (ANS)和c 2 pa：https://c 2 pa.org/）來識別視覺內容中的規律和異常，但時常不夠準確，落後於deepfake 發展速度。一般需要人工審核來確定真實性，低效且昂貴。
如果有一天每條內容都有加密簽名，每個人都能可驗證地證明創作來源，標記篡改或偽造行為，那我們將迎來美麗的世界。
問題一級標題
問題
問題
今天的AI 是由專有數據和專有算法構成的黑盒。大型科技公司LLM 的封閉性扼殺了我眼中的“AI 民主”，即每個開發者甚至用戶都能為LLM 模型貢獻相關文章相關文章相關文章）。
AI 民主=可視性（能看到輸入模型的數據和算法）解決方案解決方案
解決方案
對於
目前——
對於客戶：
單向接收LLM 輸出
對於
對於開發者：
可組合性低
ETL 數據處理不可追溯，難復現
數據貢獻來源僅限於數據所有機構
閉源模型只能通過API 付費訪問
分享數據輸出缺乏可驗證性，數據科學家80% 的時間用於低端數據清洗
對於
對於客戶：
用戶可提供反饋（比如偏見、內容審核、針對輸出的顆粒度反饋）作為微調依據
對於
對於開發者：
分佈式數據管理層：眾包重複耗時的數據標記等數據準備工作
可視性&組合&微調算法的能力，借助可驗證源（可以看到所有改動的防篡改歷史記錄）
數據主權（通過內容尋址/IPFS 實現）和算法主權（例如Urbit 實現了數據和算法的點對點組合和可移植性）
加速LLM 創新，從基礎開源模型的各種變體中加速LLM 創新。
可複現訓練數據輸出，通過區塊鏈對過去ETL 操作和查詢的不可變記錄（如Kamu）實現。
一級標題
問題
問題
今天，最有價值的消費者數據為大型科技公司的專有資產，構成其核心商業壁壘。科技巨頭沒有動力將這些數據與外部方共享。
那麼，為什麼我們不能直接從數據創造者或用戶那裡獲取數據呢？為什麼我們不能把數據變成公共資源，貢獻數據將數據開源化供數據科學家使用？
簡單來說是因為缺乏激勵機制和協調機制。維護數據和執行ETL（提取、轉換和加載）是一大筆間接成本。事實上，僅數據存儲就將在2030 年成為價值7770 億美元的行業，這還不包括計算成本。沒有人會無償承擔數據處理的工作和成本。
Web3引入了解決方案。
解決方案
Web3引入了名為“dataDAO”的新機制，促進了AI 模型所有者和數據貢獻者之間的收入再分配，為眾包數據貢獻創建了激勵層。由於篇幅限制，此處不會展開，想要了解可閱讀下方兩篇文章：
How DataDAO works/DataDAO 原理，作者是Protocol Labs 的HQ Han
How data contribution and monetization works in web3/web3數據貢獻和變現如何運作，我在這篇深入討論了dataDAO 的機制、欠缺和機遇
總的來說，DePIN 另闢蹊徑，為推動Web3和AI 創新提供了新的硬件能源。儘管科技巨頭主導了AI 行業，但新興參與者可以利用區塊鏈技術加入競爭：DePIN 網絡降低准入門檻的方式包括降低計算成本；區塊鏈的可驗證和分佈式特性使真正的開放式AI成為可能；dataDAO 等創新機制激勵數據貢獻；區塊鏈的不可變性和防篡改特性提供了創造者身份證明，打消人們對AI 負面社會影響的擔憂。
