Crypto donne une impulsion au développement de l'IA dans sept domaines clés (avec des projets représentatifs de leur potentiel).

“Auteur original | @cebillhsu”

Compilation | Golem

Les progrès dans les technologies d’IA telles que GPT-4, Gemini 1.5 et le PC IA de Microsoft sont impressionnants, mais il y a encore quelques problèmes avec le développement de l’IA, et Bill, chercheur Web3 chez AppWorks, se penche sur les problèmes et explore 7 directions sur la façon dont Crypto peut renforcer l’IA.

Tokenisation des données

La formation traditionnelle de l’IA dépend principalement des données publiques disponibles sur Internet, ou plus précisément des données de trafic dans le domaine public. Mis à part quelques entreprises fournissant des API ouvertes, la plupart des données restent inexploitées. Comment permettre à davantage de détenteurs de données de contribuer ou d’autoriser leurs données à être utilisées pour la formation de l’IA tout en garantissant la protection de la vie privée est une direction clé.

Cependant, le plus grand défi dans ce domaine est que les données sont difficiles à normaliser, comme la puissance de calcul. Bien que la puissance de calcul distribuée puisse être quantifiée par le type de GPU, il est difficile de mesurer la quantité, la qualité et l’utilisation des données privées. Si la puissance de calcul distribuée est similaire à ERC 20, la tokenisation de l’ensemble de données est similaire à ERC 721, ce qui rend la liquidité et la formation du marché plus difficiles que ERC 20.

Ocean Protocol’s Compute-to-Data feature allows data owners to sell private data while protecting privacy. vana provides a method for Reddit users to aggregate data and sell it to companies that train AI large models.

Allocation des ressources

Actuellement, il existe une grande pénurie entre l’offre et la demande de puissance de calcul GPU. Les grandes entreprises monopolisent la plupart des ressources GPU, ce qui rend le coût de formation des modèles très élevé pour les petites entreprises. De nombreuses équipes s’efforcent de réduire les coûts en utilisant des ressources GPU de petite taille et à faible utilisation via un réseau décentralisé, mais elles sont toujours confrontées à des défis importants pour garantir la stabilité de la puissance de calcul et la disponibilité de la bande passante.

RLHF incitatif

Le RLHF (reinforcement learning based on human feedback) est essentiel pour améliorer les grands modèles, mais il nécessite une formation par des professionnels. À mesure que le marché devient plus concurrentiel, le coût d’embauche de ces professionnels augmente également. Pour réduire les coûts de goutte tout en conservant des annotations de haute qualité, des systèmes de jalonnement et de slashing peuvent être utilisés. L’une des dépenses les plus importantes de l’annotation des données est la nécessité pour les superviseurs de vérifier la qualité. Cependant, pendant de longues années, la Blockchain a utilisé avec succès des incitations économiques pour assurer la qualité du travail (PoW, PoS), estimant que la création d’un bon système économique Jeton peut effectivement faire goutte au coût du RLHF.

Par exemple, Sapien AI a introduit Tag 2 Earn et a collaboré avec plusieurs guildes gamefi ; Hivemapper a déjà collecté des données d’entraînement pour 2 millions de kilomètres de routes grâce à un mécanisme d’incitation par jeton ; QuillAudits prévoit de lancer un agent d’audit de contrats intelligents en open source, permettant à tous les auditeurs de s’entraîner ensemble et de recevoir des récompenses.

Vérifiabilité

Comment vérifier si un fournisseur de puissance de calcul exécute des tâches d’inférence conformément à des exigences ou modèles spécifiques ? Les utilisateurs ne peuvent pas vérifier l’authenticité et l’exactitude des modèles d’IA et de leurs sorties. Ce manque de vérifiabilité peut entraîner un manque de confiance, des erreurs et même des dommages dans des domaines tels que la finance, la santé et le droit.

En utilisant des systèmes de validation cryptographiques tels que ZKP, OP et TEE, les prestataires de services de raisonnement peuvent prouver que les sorties sont exécutées à l’aide d’un modèle spécifique. Les avantages de l’utilisation de la validation cryptographique incluent la confidentialité du modèle pour le fournisseur, la capacité des utilisateurs à vérifier l’exécution du modèle, et la possibilité de regrouper les preuves cryptographiques dans des contrats intelligents pour contourner les limitations de puissance de calcul de la blockchain. Il est également possible de résoudre les problèmes de performance en exécutant directement l’IA sur l’appareil, mais jusqu’à présent, aucune réponse satisfaisante n’a été trouvée. Les projets qui travaillent dans ce domaine sont Ritual, ORA et Aizel Network.

Deepfake

Avec l’émergence de l’IA de production, les deepfakes deviennent de plus en plus préoccupants. Cependant, la vitesse de progression de la technologie des deepfakes dépasse celle des techniques de détection, rendant ainsi la détection de plus en plus difficile. Bien que des techniques de tatouage numérique telles que le C2PA puissent aider à identifier les deepfakes, elles ont également leurs limites, car les images altérées ne permettent pas de vérifier la signature sur l’image d’origine, rendant ainsi la vérification très difficile.

La technologie de la blockchain peut résoudre le problème de la contrefaçon en profondeur de plusieurs manières. L’authentification matérielle peut utiliser une puce de caméra anti-altération pour intégrer une preuve de chiffrement dans chaque photo d’origine afin de vérifier l’authenticité de l’image. La blockchain est immuable et permet d’ajouter des images avec des métadonnées dans des blocs avec des horodatages pour empêcher toute altération et vérifier l’origine d’origine. De plus, un portefeuille peut attacher une signature cryptée à un message publié pour vérifier l’identité de l’auteur du contenu. Une infrastructure KYC basée sur la technologie zk peut lier le portefeuille à une identité vérifiée tout en protégeant la vie privée de l’utilisateur. Du point de vue des incitations économiques, les auteurs doivent être punis pour avoir publié de fausses informations, tandis que les utilisateurs peuvent être récompensés pour avoir identifié de fausses informations.

Numbers Protocol a travaillé dans ce domaine depuis de nombreuses années ; l’outil de vérification de Fox News est basé sur la blockchain Polygon, permettant aux utilisateurs de rechercher des articles et d’accéder aux données connexes à partir de la blockchain.

Confidentialité

Lorsque les modèles d’IA traitent des informations sensibles dans des domaines tels que la finance, les soins de santé et le droit, il est également essentiel de protéger la confidentialité des données. Le chiffrement homomorphique (FHE) permet de traiter les données sans les déchiffrer, ce qui permet de protéger la confidentialité lors de l’utilisation du modèle LLM. Le flux de travail est le suivant :

1. L’utilisateur lance le processus d’inférence sur son appareil local et s’arrête après avoir terminé la couche initiale. Cette couche initiale n’est pas incluse dans le modèle partagé avec le serveur ;
2. Le client chiffre les opérations intermédiaires et les transmet au serveur ;
3. Le serveur traite ces données chiffrées avec une mécanisme d’attention partielle et envoie les résultats au client ;
4. Le résultat de déchiffrement du client est utilisé localement pour continuer le raisonnement. Par le biais de cette méthode, FHE garantit la protection de la confidentialité des données de l’utilisateur tout au long du processus de traitement.

Zama est en train de développer une solution de chiffrement homomorphe complet (FHE) et a récemment levé 73 millions de dollars pour soutenir le développement.

Agent d’IA

Les idées d’agents d’IA sont très futuristes. Comment serait l’avenir si les agents d’IA peuvent posséder des actifs et effectuer des transactions ? Les gens pourraient passer de l’utilisation de modèles génériques de grande envergure pour prendre des décisions à déléguer des tâches à des agents spécialisés.

Ces agents collaboreront les uns avec les autres, tout comme des relations économiques raisonnables peuvent améliorer les capacités de coopération humaine, l’ajout de relations économiques aux agents d’IA peut également améliorer leur efficacité. La blockchain peut devenir un terrain d’expérimentation pour ce concept. Par exemple, Colony teste cette idée à travers un jeu en fournissant un portefeuille aux agents d’IA pour qu’ils puissent effectuer des transactions avec d’autres agents ou de véritables joueurs afin d’atteindre des objectifs spécifiques.

Conclusion

La plupart des problèmes sont en fait liés à l’IA open source. Afin de garantir que cette technologie essentielle ne soit pas monopolisée par quelques entreprises au cours des dix prochaines années, un système économique de jetons peut rapidement exploiter les ressources de calcul décentralisées et les ensembles de données d’entraînement pour réduire l’écart de ressources entre l’IA open source et l’IA propriétaire. La blockchain peut suivre l’entraînement et le raisonnement de l’IA pour une meilleure gouvernance des données, tandis que la cryptographie peut garantir la confiance dans l’ère post-IA et aborder les problèmes de deepfakes et de protection de la vie privée.

Lecture connexe

Un article examine la direction et le protocole de l’atterrissage crypto activé par l’IA