Crypto memiliki 7 arah yang memberdayakan perkembangan AI (termasuk proyek potensial yang mewakili).

Penulis asli | @cebillhsu

编译 | Golem -> Kompilasi | Golem

GPT-4, Gemini 1.5, dan kemajuan teknologi AI seperti Microsoft AI PC sangat mengesankan, tetapi saat ini perkembangan AI juga menghadapi beberapa masalah. Peneliti Web3 dari AppWorks, Bill, telah melakukan penelitian mendalam tentang masalah tersebut, dan membahas 7 arah bagaimana Crypto dapat memberdayakan AI.

Data tokenisasi

Pendekatan tradisional untuk pelatihan AI secara utama bergantung pada data publik yang tersedia di internet, atau dengan kata lain, data lalu lintas di domain publik. Selain sedikit perusahaan yang menyediakan API terbuka, sebagian besar data masih belum dimanfaatkan. Bagaimana cara agar lebih banyak pemegang data dapat berkontribusi atau memberikan izin untuk menggunakan data mereka dalam pelatihan AI, dengan menjaga privasi tetap terlindungi, adalah salah satu arah yang krusial.

Namun, tantangan terbesar dalam bidang ini adalah sulitnya mengstandardisasi data seperti halnya kemampuan komputasi. Meskipun kemampuan komputasi terdistribusi dapat diukur dengan jenis GPU, jumlah, kualitas, dan penggunaan data pribadi sulit diukur. Jika kemampuan komputasi terdistribusi seperti ERC 20, maka tokenisasi kumpulan data akan mirip dengan ERC 721, yang membuat likuiditas dan pembentukan pasar lebih menantang daripada ERC 20.

Fitur Compute-to-Data Ocean Protocol memungkinkan pemilik data untuk menjual data pribadi sambil melindungi privasi. vana memberi pengguna Reddit cara untuk mengumpulkan data dan menjualnya ke perusahaan yang melatih model AI besar.

Distribusi Sumber Daya

Saat ini, terdapat kesenjangan besar antara penawaran dan permintaan daya komputasi GPU. Perusahaan-perusahaan besar mendominasi sebagian besar sumber daya GPU, sehingga biaya pelatihan model bagi perusahaan-perusahaan kecil menjadi sangat tinggi. Banyak tim berusaha untuk mengurangi biaya dengan mengumpulkan sumber daya GPU berukuran kecil dan jarang digunakan melalui jaringan desentralisasi, namun mereka masih menghadapi tantangan besar dalam menjaga stabilitas daya komputasi dan ketersediaan bandwidth.

Insentif RLHF

RLHF (Reinforcement Learning from Human Feedback) sangat penting untuk meningkatkan model skala besar, tetapi ini membutuhkan para profesional untuk melatihnya. Dengan meningkatnya persaingan pasar, biaya untuk mempekerjakan para profesional ini juga meningkat. Untuk mengurangi biaya sambil tetap mempertahankan kualitas anotasi yang tinggi, dapat digunakan sistem staking dan slashing. Salah satu pengeluaran terbesar dalam anotasi data adalah kebutuhan akan supervisor untuk memeriksa kualitasnya. Namun, selama bertahun-tahun, teknologi blockchain telah berhasil menggunakan mekanisme insentif ekonomi untuk memastikan kualitas pekerjaan (PoW, PoS). Kami percaya bahwa menciptakan sistem ekonomi token yang baik dapat efektif mengurangi biaya RLHF.

01928374656574839201

Misalnya, Sapien AI telah memperkenalkan Tag 2 Earn dan bekerja sama dengan beberapa guild gamefi; Hivemapper telah memiliki data pelatihan jalan sepanjang 2 juta kilometer melalui mekanisme insentif token; QuillAudits berencana untuk meluncurkan agen audit smart contract yang sumber terbuka, memungkinkan semua auditor untuk berkolaborasi dalam melatih agen dan mendapatkan imbalan.

Verifikabilitas

Bagaimana cara memverifikasi apakah penyedia daya komputasi menjalankan tugas inferensi sesuai dengan kebutuhan atau model tertentu? Pengguna tidak dapat memverifikasi keaslian dan keakuratan model AI serta outputnya. Kekurangan verifikasi ini dapat menyebabkan ketidakpercayaan, kesalahan, dan bahkan kerugian kepentingan dalam bidang keuangan, medis, dan hukum.

Menggunakan sistem verifikasi enkripsi seperti ZKP, OP, dan TEE, penyedia layanan inferensi dapat membuktikan bahwa output dieksekusi melalui model tertentu. Manfaat menggunakan verifikasi enkripsi termasuk pemeliharaan kerahasiaan model oleh penyedia model, kemampuan pengguna untuk memverifikasi kebenaran eksekusi model, dan kemampuan untuk menggabungkan bukti enkripsi ke dalam smart contract untuk menghindari batasan kapabilitas komputasi blockchain. Alternatifnya, juga bisa dipertimbangkan menjalankan AI langsung pada perangkat untuk mengatasi masalah kinerja, namun belum ada jawaban yang memuaskan hingga saat ini. Beberapa proyek yang sedang dikembangkan di bidang ini adalah Ritual, ORA, dan Aizel Network.

Kedalaman Palsu

Dengan munculnya AI produksi, orang semakin memperhatikan masalah DeepFake. Namun, perkembangan teknologi DeepFake berjalan lebih cepat daripada teknologi deteksi, sehingga deteksi DeepFake menjadi semakin sulit. Meskipun teknologi watermark digital (seperti C2PA) dapat membantu mengidentifikasi DeepFake, tetapi mereka juga memiliki keterbatasan karena gambar yang sudah diproses telah diubah, sehingga masyarakat tidak bisa memverifikasi tanda tangan pada gambar asli, dan verifikasi akan menjadi sangat sulit.

Teknologi Blockchain dapat mengatasi masalah pemalsuan kedalaman dengan berbagai cara. Autentikasi perangkat keras dapat menggunakan chip kamera anti-pemalsuan untuk menyematkan bukti enkripsi dalam setiap foto asli untuk memverifikasi keaslian gambar. Blockchain memiliki ketahanan terhadap perubahan, memungkinkan gambar dengan metadata ditambahkan ke blok dengan timestamp untuk mencegah pemalsuan dan memverifikasi sumber asli. Selain itu, dompet dapat menggunakan tanda tangan enkripsi yang terlampir pada posting yang dipublikasikan untuk memverifikasi identitas penulis konten, sementara infrastruktur KYC berbasis teknologi zk dapat mengaitkan dompet dengan identitas yang terverifikasi, sambil melindungi privasi pengguna. Dalam hal insentif ekonomi, penulis harus dihukum karena mempublikasikan informasi palsu, sementara pengguna dapat mendapatkan imbalan dengan mengidentifikasi informasi palsu.

01928374656574839201

Numbers Protocol telah bekerja keras di bidang ini selama bertahun-tahun; alat verifikasi Fox News didasarkan pada blockchain Polygon, yang memungkinkan pengguna untuk mencari artikel dan mengambil data terkait dari blockchain.

Privasi

Saat memasukkan model AI yang melibatkan informasi sensitif di bidang keuangan, perawatan kesehatan, dan hukum, penting untuk melindungi privasi data yang digunakan. Enkripsi Homomorfik (FHE) dapat memproses data tanpa dekripsi, sehingga melindungi privasi saat menggunakan model LLM. Alur kerjanya sebagai berikut:

1. Pengguna mulai proses inferensi di perangkat lokal dan berhenti setelah selesai dengan lapisan awal. Lapisan awal ini tidak termasuk dalam model yang dibagikan dengan server;
2. Klien mengenkripsi operasi tengah dan mengirimkannya ke server;
3. Server melakukan pemrosesan mekanisme perhatian (attention mechanism) pada data enkripsi ini, dan mengirimkan hasilnya kembali ke klien;
4. Hasil dekripsi klien dan melanjutkan penalaran secara lokal. Melalui pendekatan ini, FHE memastikan perlindungan privasi data pengguna selama seluruh proses pengolahan.

Zama sedang membangun solusi Enkripsi Homomorfik Penuh (FHE) dan baru-baru ini berhasil mengumpulkan dana sebesar 73 juta dolar untuk mendukung pengembangan.

AI Agen

AI agen memiliki ide yang sangat futuristik. Bagaimana jika AI agen memiliki aset dan dapat melakukan perdagangan di masa depan? Mungkin orang-orang akan beralih dari menggunakan model besar yang umum untuk membantu pengambilan keputusan menjadi mendistribusikan tugas kepada agen khusus.

Ini adalah terjemahan dari kalimat tersebut: “Para agen ini akan bekerja sama, seperti hubungan ekonomi yang wajar dapat meningkatkan kemampuan kerjasama manusia, menambahkan hubungan ekonomi bagi agen AI juga dapat meningkatkan efisiensi mereka.” Blockchain dapat menjadi tempat percobaan untuk konsep ini. Misalnya, Colony sedang menguji gagasan ini melalui permainan, dengan memberikan dompet kepada agen AI untuk melakukan transaksi dengan agen lain atau pemain nyata guna mencapai tujuan tertentu.

Kesimpulan

Kebanyakan masalah sebenarnya terkait dengan AI sumber terbuka. Untuk memastikan teknologi yang begitu penting ini tidak dikuasai oleh sedikit perusahaan dalam sepuluh tahun mendatang, sistem ekonomi token dapat dengan cepat memanfaatkan sumber daya komputasi dan kumpulan data terdesentralisasi untuk menyusutkan kesenjangan sumber daya antara AI sumber terbuka dan tertutup. Blockchain dapat melacak pelatihan dan penalaran AI untuk mencapai tata kelola data yang lebih baik, sementara teknologi enkripsi dapat memastikan kepercayaan era pasca AI dengan mengatasi masalah pemalsuan mendalam dan perlindungan privasi.

Bacaan Terkait

Satu artikel yang merangkum arah Crypto yang didukung AI dan protokol.