7 Direções de Cripto Capacitando o Desenvolvimento de IA (com Projetos Potenciais Representativos)

Autor do texto | @cebillhsu

Compilação | Golem

Os avanços em tecnologias de IA como GPT-4, Gemini 1.5 e o AI PC da Microsoft são impressionantes, mas ainda há alguns problemas com o desenvolvimento de IA, e Bill, um pesquisador Web3 da AppWorks, mergulha nos problemas e explora 7 direções de como Cripto pode capacitar a IA.

Dados tokenização

O treinamento tradicional de IA depende principalmente de dados públicos disponíveis na internet, ou mais precisamente, dados de tráfego de domínio público. Além de algumas empresas que fornecem APIs abertas, a maioria dos dados ainda não foi explorada. Como permitir que mais suporte de dados contribua ou autorize o uso de seus dados para treinamento de IA, garantindo a proteção da privacidade, é uma direção-chave.

No entanto, o maior desafio enfrentado nesse campo é que os dados são difíceis de serem padronizados da mesma forma que a capacidade de computação. Embora a capacidade de computação distribuída possa ser quantificada por meio de tipos de GPU, a quantidade, qualidade e uso de dados privados são difíceis de serem avaliados. Se a capacidade de computação distribuída é semelhante ao ERC 20, então a tokenização do conjunto de dados é semelhante ao ERC 721, o que torna a liquidez e a formação do mercado mais desafiadoras do que o ERC 20.

O recurso Compute-to-Data da Ocean Protocol permite que os proprietários de dados vendam dados privados enquanto protegem a privacidade. Vana oferece aos usuários do Reddit uma maneira de agregar dados e vendê-los para empresas que treinam grandes modelos de IA.

Alocação de recursos

Atualmente, há uma grande lacuna entre a oferta e a demanda de poder de computação da GPU. As grandes empresas monopolizam a maior parte dos recursos de GPU, o que torna o custo de treinar modelos muito alto para as pequenas empresas. Muitas equipes estão trabalhando duro para reduzir os custos, reunindo recursos de GPU de pequena escala e baixa utilização por meio de uma rede descentralizada, mas ainda enfrentam grandes desafios para garantir a estabilidade do poder de computação e largura de banda adequada.

RLHF motivador

A RLHF (aprendizagem por reforço baseada no feedback humano) é essencial para melhorar modelos de grande dimensão, mas requer formação por parte de profissionais. À medida que o mercado se torna mais competitivo, aumenta também o custo de contratação desses profissionais. Para Gota custos, mantendo anotações de alta qualidade, podem ser usados sistemas de staking e corte. Uma das maiores despesas da anotação de dados é a necessidade de os supervisores verificarem a qualidade. No entanto, ao longo de longo anos, Blockchain têm utilizado com sucesso incentivos económicos para garantir a qualidade do trabalho (PoW, PoS), acreditando que a criação de um bom sistema económico Token pode efetivamente Gota o custo da RLHF.

Por exemplo, a Sapien AI introduziu o Tag 2 Earn e colaborou com várias guildas gamefi; A Hivemapper possui dados de treinamento de 2 milhões de quilômetros de estradas por meio de um mecanismo de incentivo de token; A QuillAudits planeja lançar um agente de auditoria de contrato inteligente de código aberto, permitindo que todos os auditores treinem o agente em conjunto e recebam recompensas.

Verificabilidade

Como verificar se o fornecedor de poder de computação está executando tarefas de inferência de acordo com requisitos ou modelos específicos? Os usuários não podem verificar a autenticidade e precisão do modelo de IA e de suas saídas. Essa falta de verificabilidade pode levar à desconfiança, erros e até mesmo prejuízos nos setores financeiro, médico e jurídico.

Usando sistemas de verificação criptográfica como ZKP, OP e TEE, provedores de serviços de inferência podem provar que as saídas foram executadas por um modelo específico. Os benefícios da verificação criptográfica incluem a manutenção da confidencialidade do modelo pelo provedor, a capacidade dos usuários de verificar a correta execução do modelo e evitar as limitações de capacidade de computação da blockchain ao agregar as provas criptográficas em contratos inteligentes. Também é possível considerar a execução de IA diretamente nos dispositivos para resolver problemas de desempenho, mas até agora não vimos uma resposta satisfatória. Projetos que estão construindo nessa área incluem Ritual, ORA e Aizel Network.

Profundidade Falsa

Com o surgimento da IA de produção, as pessoas estão cada vez mais preocupadas com o problema de DeepFake. No entanto, a velocidade de avanço da tecnologia de DeepFake é mais rápida do que a tecnologia de detecção, tornando a detecção de DeepFake cada vez mais difícil. Embora a tecnologia de marca d’água digital (como C2PA) possa ajudar a identificar DeepFake, ela também tem suas limitações, pois as imagens processadas foram modificadas e o público não pode verificar as assinaturas nas imagens originais, tornando a verificação muito difícil.

A tecnologia Blockchain pode resolver o problema de profundidade de falsificação de várias maneiras. A autenticação de hardware pode usar câmeras com chips à prova de adulteração para incorporar uma prova de criptografia em cada foto original, a fim de verificar a autenticidade da imagem. A Blockchain é imutável e permite adicionar imagens com metadados a blocos com carimbos de data/hora, prevenindo adulterações e verificando a origem original. Além disso, um cartão pode ser anexado às postagens publicadas para verificar a identidade do autor do conteúdo com uma assinatura criptografada. A infraestrutura KYC baseada em tecnologia zk pode vincular a carteira à identidade verificada, protegendo a privacidade do usuário. Do ponto de vista do incentivo econômico, os autores devem ser punidos por postar informações falsas, enquanto os usuários podem ser recompensados ​​por identificar informações falsas.

A Numbers Protocol trabalha neste campo há muitos anos; A ferramenta de verificação da Fox News é baseada no Polygon Blockchain, permitindo que os usuários encontrem artigos e recuperem dados relevantes do Blockchain.

Privacidade

Quando as informações sensíveis das áreas financeira, de saúde e jurídica estão envolvidas como entrada do modelo de IA, é extremamente importante proteger a privacidade dos dados durante o uso. A criptografia homomórfica (FHE) permite o processamento dos dados sem a necessidade de descriptografá-los, garantindo a privacidade ao utilizar o modelo LLM. O fluxo de trabalho é o seguinte:

1. O usuário inicia o processo de inferência no dispositivo local e para após completar a camada inicial. Essa camada inicial não é incluída no modelo compartilhado com o servidor;
2. O cliente criptografa as operações intermediárias e as encaminha para o servidor;
3. O servidor processa os dados criptografados com alguma atenção parcial (mecanismo de atenção) e envia o resultado de volta para o cliente;
4. Resultados de descriptografia do cliente e continuam a inferência localmente. Através desse método, o FHE garante a proteção da privacidade dos dados do usuário durante todo o processo de tratamento.

Zama está construindo uma solução de encriptação totalmente homomórfica (FHE) e recentemente concluiu uma rodada de financiamento de 73 milhões de dólares para apoiar o desenvolvimento.

Agentes de IA

A ideia de agentes de IA é muito futurista. Como seria o futuro se os agentes de IA pudessem possuir ativos e fazer transações? As pessoas podem mudar de usar modelos genéricos de grande escala para tomar decisões auxiliadas para atribuir tarefas a agentes especializados.

Esses agentes colaboram uns com os outros, assim como relacionamentos econômicos adequados podem aumentar a capacidade de colaboração humana, adicionar relacionamentos econômicos aos agentes de IA também pode aumentar sua eficiência. A blockchain pode ser um campo de testes para esse conceito. Por exemplo, a Colony está experimentando essa ideia através de jogos, fornecendo uma carteira para agentes de IA para negociar com outros agentes ou jogadores reais para alcançar objetivos específicos.

Conclusão

A maioria dos problemas está relacionada à IA de código aberto. Para garantir que essa tecnologia tão importante nos próximos dez anos não seja monopolizada por algumas empresas, um sistema econômico de tokens pode aproveitar rapidamente recursos de computação descentralizados e conjuntos de dados de treinamento para reduzir a lacuna de recursos entre a IA de código aberto e a IA proprietária. A blockchain pode rastrear o treinamento e a inferência da IA para alcançar uma melhor governança de dados, enquanto a criptografia pode garantir confiança na era pós-IA, lidando com deepfakes e problemas de privacidade.

Leitura relacionada

Uma visão geral de como a IA impulsiona a implementação da Crypto e as direções e protocolos envolvidos.