CryptoはAIの発展にエネルギーを与えるための7つの方向（代表的な潜在能力のあるプロジェクト付き）

原作者 | @cebillhsu

コンパイル | Golem

GPT-4、Gemini 1.5、およびMicrosoft AI PCなどのAI技術の進歩は印象的ですが、現在のAIの発展にはいくつかの問題もあります。AppWorksのWeb3研究員であるBillは、これらの問題を詳しく調査し、CryptoがAIに力を与えるための7つの方向についても探究しました。

データのトークン化

伝統的なAIトレーニングは、主にインターネット上で利用可能な公開データ、あるいはより正確にはパブリックドメインのトラフィックデータに依存しています。一部の企業がオープンなAPIを提供している以外、大部分のデータはまだ開発されていません。プライバシーが保護された状態で、より多くのデータホルダーがAIトレーニングに寄与したり、データを許可したりできるようにする方法は、重要な方向です。

しかし、この領域が直面している最大の課題は、データが計算能力と同様に標準化されにくいということです。分散型の計算能力はGPUのタイプで定量化できますが、プライベートデータの量、品質、使用状況は測定が難しいです。分散型の計算能力がERC 20のようであるならば、データセットのトークン化はERC 721のようであり、これによって流動性と市場の形成はERC 20よりも困難を伴います。

Ocean ProtocolのCompute-to-Data機能は、データの所有者がプライバシーを保護しながら個人データを販売できるようにします。 vanaはRedditユーザーにデータを集約し、AIの大規模モデルのトレーニングに販売する方法を提供します。

リソース割り当て

目前、GPUのコンピューティングパワーの需要と供給のギャップは非常に大きく、大企業が大部分のGPUリソースを独占しているため、小規模企業のモデルトレーニングのコストが非常に高くなっています。多くのチームは、コストを削減するために分散化ネットワークを通じて小規模で低利用率のGPUリソースを集中させようと努力していますが、安定したコンピューティングパワーと十分な帯域を確保するという課題に直面しています。

刺激的なRLHF

RLHF（人間のフィードバックに基づく強化学習）は、大規模モデルの改善に不可欠ですが、それには専門家のトレーニングが必要です。市場競争の激化に伴い、これらの専門家を雇用するコストも増加しています。高品質なアノテーションを維持しながらコストを削減するために、ステークとスラッシングシステムを使用することができます。データアノテーションの最大の費用の一つは、監督者による品質チェックの必要性です。しかし、数年間にわたり、ブロックチェーンは経済的なインセンティブメカニズムを利用して作業の品質を確保することに成功してきました（PoW、PoS）。良好なトークンエコノミーシステムを作成することで、RLHFのコストを効果的に削減できると信じています。

例えば、Sapien AIはTag 2 Earnを導入し、複数のgamefiギルドと協力しています。Hivemapperはトークンのインセンティブメカニズムを通じて、200万キロの道路トレーニングデータを取得しています。QuillAuditsはオープンソースのスマートコントラクト監査エージェントを導入する予定で、すべての監査人がエージェントを共同でトレーニングし報酬を得ることができます。

検証可能性

如何特定の要件やモデルに従って、コンピューティングパワープロバイダが推論タスクを実行しているかを検証する方法はありますか？ユーザーはAIモデルとその出力の真正性や正確性を検証することができません。この検証の欠如は、金融、医療、法律などの分野での不信や誤り、さらには利益の損失につながる可能性があります。

ZKP、OP、TEEなどの暗号化検証システムを使用することで、推論サービスプロバイダは出力が特定のモデルによって実行されたことを証明することができます。暗号化検証を使用する利点には、モデルプロバイダがモデルの機密性を維持できること、ユーザーがモデルの実行が正しいかどうかを検証できること、そして証明をスマートコントラクトに暗号化して集約することで、ブロックチェーンの計算能力の制限を回避できることが含まれます。また、デバイス上でAIを直接実行してパフォーマンスの問題を解決することも考えられますが、満足のいく答えはまだ見つかっていません。この領域で建設を行っているプロジェクトには、Ritual、ORA、Aizel Networkがあります。

デプスフェイク

生産型AIの登場に伴い、ディープフェイクの問題に人々の関心が高まっています。しかし、ディープフェイク技術の進歩は検出技術よりも速く、そのためディープフェイクの検出はますます困難になっています。C2PAなどのデジタルウォーターマーク技術はディープフェイクの識別に役立つかもしれませんが、加工された画像はすでに変更されており、一般の人々は元の画像の署名を検証することができず、加工後の画像だけで検証することは非常に困難になります。

ブロックチェーン技術は、デプスフェイク問題をさまざまな方法で解決することができます。ハードウェア認証では、改ざん防止チップカメラを使用して、各元の写真に暗号化証明を埋め込み、画像の真正性を検証します。ブロックチェーンは改ざんできない性質を持ち、タイムスタンプ付きのブロックにメタデータ付きの画像を追加することで改ざんを防止し、元のソースを検証します。さらに、ウォレットを使用して、公開された投稿に暗号化署名を添付し、投稿内容の作者の身元を検証することができます。zkテクノロジーに基づくKYCインフラストラクチャは、ウォレットと検証済みの身元を結び付け、ユーザーのプライバシーを保護します。経済的なインセンティブの観点から、虚偽の情報を発信した場合、作者は罰せられるべきであり、ユーザーは虚偽の情報を識別することで報酬を得ることができます。

Numbers Protocolは、この分野で長年にわたり取り組んできました。Fox Newsの検証ツールは、Polygonブロックチェーンを基にしており、ユーザーはブロックチェーンから記事を検索し、関連データを取得することができます。

プライバシー

当 AI モデルの入力には、金融、医療、法律などの敏感情報が含まれる場合、使用中にデータプライバシーを保護することが非常に重要です。同型暗号化（FHE）を使用すると、データを複合化せずに処理することができ、LLM モデルを使用する際にプライバシーを保護することができます。以下は作業の手順です。

1. ユーザーはローカルデバイスで推論プロセスを開始し、初期のレイヤーの完了後に停止します。この初期のレイヤーはサーバーと共有されるモデルに含まれていません。
2. クライアントは中間操作を暗号化し、サーバーに転送します。
3. サーバーは、この暗号化されたデータに対して部分的なアテンションメカニズム処理を実行し、結果をクライアントに送り返します。
4. クライアントは結果を復号化し、ローカルで推論を続行します。 FHEは、ユーザーデータのプライバシーを処理全体で保護することを保証します。

Zamaは全同型暗号化（FHE）ソリューションの構築を進めており、最近、開発を支援するために7300万ドルの資金調達を完了しました。

AI 代理 -> AI 代理

AIエージェントのアイデアは非常に未来的です。AIエージェントが資産を持ち、取引を行うことができれば、将来はどのようなものになるでしょうか？人々は一般的な大規模モデルを使用して意思決定を補助するのではなく、専門のエージェントにタスクを割り当てる方向にシフトするかもしれません。

これらのエージェントは相互に協力し、合理的な経済関係が人間の協力能力を向上させるように、AIエージェントに経済関係を追加することで彼らの効率を向上させることができます。 区块链はこの概念の実験場となる可能性があります。例えば、Colonyはゲームを通じてこのアイデアを試しており、AIエージェントにウォレットを提供して特定の目標を達成するために他のエージェントや実際のプレーヤーと取引することができます。

結論

多くの問題は実際にはオープンソースAIに関連しています。将来の10年にわたってこの重要な技術が少数の企業によって独占されないようにするため、トークンエコノミーシステムは分散化された計算リソースとトレーニングデータセットを迅速に活用し、オープンソースAIとクローズドソースAIのリソース差を縮小することができます。ブロックチェーンはAIのトレーニングと推論を追跡することで、より良いデータガバナンスを実現し、暗号化技術はAI後の信頼性とディープフェイクやプライバシー保護の問題に対処することができます。

関連記事

一文でAIが暗号通貨の実用化に与える影響とプロトコルの方向性をまとめました。