Crypto для развития AI: 7 основных направлений (с примерами перспективных проектов)

автор оригинала | @cebillhsu

Компиляция | Голем

GPT-4, Gemini 1.5 и прогресс AI-технологий, таких как Microsoft AI PC, впечатляют, но в настоящее время развитию AI также присущи некоторые проблемы. Исследователь Web3 в AppWorks, Билл, тщательно изучил эти проблемы и обсудил 7 направлений того, как криптовалюта может усилить AI.

Токенизация данных

Традиционное обучение искусственного интеллекта в основном зависит от общедоступных данных, доступных в Интернете, или, более точно, от данных общественного сектора. За исключением нескольких компаний, предоставляющих открытые API, большинство данных до сих пор не были разработаны. Как обеспечить возможность большему числу владельцев данных вносить вклад или авторизовывать использование своих данных для обучения искусственного интеллекта, при условии защиты конфиденциальности, является ключевым направлением.

Однако, самая большая проблема в этой области заключается в том, что данные сложно стандартизировать, как это делается с вычислительной мощностью. В то время как распределенная вычислительная мощность может быть измерена с использованием типов GPU, количество, качество и использование личных данных сложно измерить. Если распределенная вычислительная мощность подобна ERC 20, то токенизация набора данных аналогична ERC 721, что делает создание ликвидности и рынка более сложными, чем в случае ERC 20.

Особенность Compute-to-Data в Ocean Protocol заключается в том, что она позволяет владельцам данных продавать свои частные данные, сохраняя при этом конфиденциальность. vana предоставляет пользователям Reddit возможность агрегировать данные и продавать их компаниям, которые обучаются на больших моделях искусственного интеллекта.

Распределение ресурсов

В настоящее время существует большой дефицит вычислительной мощности GPU, так как крупные компании контролируют большую часть ресурсов GPU, что приводит к высоким затратам для небольших компаний на обучение моделей. Многие команды пытаются снизить затраты, используя слабоиспользуемые ресурсы GPU в децентрализованной сети малых масштабов, но они все еще сталкиваются с большими трудностями в обеспечении стабильной вычислительной мощности и достаточной пропускной способности.

Мотивационный RLHF

RLHF (reinforcement learning based on human feedback) is crucial for improving large-scale models, but it requires professional training. With the intensification of market competition, the cost of hiring these professionals is also increasing. To reduce costs while maintaining high-quality annotations, the pledge and forfeiture system can be used. One of the biggest expenses in data annotation is the need for supervisors to check the quality. However, over the years, blockchain has successfully used economic incentives mechanisms to ensure work quality (PoW, PoS). It is believed that creating a good token economy system can effectively reduce the cost of RLHF.

Например, Sapien AI уже внедрила Tag 2 Earn и сотрудничает с несколькими гильдиями gamefi; Hivemapper с помощью механизма стимулирования с токенами уже имеет данные о тренировке на 2 миллионах километров дороги; QuillAudits планирует запустить агентство по аудиту открытых исходных кодов смарт-контрактов, позволяя всем аудиторам обучать агента вместе и получать награды.

Проверяемость

Как проверить, выполняет ли поставщик вычислительной мощности задачи вывода по конкретным требованиям или моделям? Пользователь не может проверить достоверность и точность искусственного интеллекта и его выводов. Отсутствие такой возможности проверки может привести к недоверию, ошибкам и даже ущербу интересам в области финансов, медицины и права.

Используя системы шифрования, такие как ZKP, OP и TEE, поставщики сервисов рассуждения могут доказать, что вывод осуществляется с помощью определенной модели. Преимущества использования шифрования для проверки включают возможность поставщиков моделей поддерживать конфиденциальность модели, возможность пользователя проверить правильность выполнения модели, а также обход ограничений вычислительных мощностей блокчейна путем включения шифрования в умный контракт. Также можно рассмотреть возможность выполнения ИИ непосредственно на устройстве для решения проблем производительности, но до сих пор не было удовлетворительного ответа. Проекты, работающие в этой области, включают Ritual, ORA, Aizel Network.

Глубина подделки

С появлением AI в производстве все больше людей обращают внимание на проблему глубокой фейков (DeepFake). Однако скорость развития технологии глубокого фейка превышает скорость развития технологии обнаружения, поэтому обнаружение глубокого фейка становится все сложнее. Хотя технология цифрового водяного знака (например, C 2 PA) может помочь распознать глубокий фейк, они также имеют свои ограничения, так как обработанные изображения уже были изменены, и публика не может проверить подпись на исходном изображении, только через обработанное изображение, проверка становится очень сложной.

Блокчейн технология может решить проблему глубокого фальсификации различными способами. Аппаратная аутентификация может использовать камеру с защищенной от подделок микросхемой для внедрения в каждое оригинальное фото зашифрованного подтверждения, чтобы проверить подлинность изображения. Блокчейн обладает неизменяемостью, позволяя добавлять изображения с метаданными в блоки с отметками времени, предотвращая подделку и проверяя их источник. Кроме того, можно использовать кошелек для прикрепления криптографической подписи к опубликованным сообщениям, чтобы проверить авторство публикуемого контента. Инфраструктура KYC на основе zk технологии может связать кошелек с проверенной личностью, защищая при этом конфиденциальность пользователей. С экономической точки зрения, авторы должны быть наказаны за публикацию ложной информации, в то время как пользователи могут быть вознаграждены за распознавание ложной информации.

Numbers Protocol в течение многих лет активно работает в этой области; инструменты проверки Fox News основаны на блокчейне Polygon и позволяют пользователям искать статьи и извлекать связанные данные из блокчейна.

Конфиденциальность

Когда входные данные модели искусственного интеллекта содержат конфиденциальную информацию в таких областях, как финансы, здравоохранение и право, защита конфиденциальности данных также является крайне важной. Гомоморфное шифрование (FHE) позволяет обрабатывать данные без расшифровки, тем самым обеспечивая конфиденциальность при использовании модели LLM. Рабочий процесс следующий:

1. Пользователь начинает процесс рассуждения на локальном устройстве и останавливается после завершения начального слоя. Этот начальный слой не включается в модель, которая общается с сервером;
2. Клиент шифрует промежуточную операцию и пересылает ее на сервер;
3. Сервер выполняет частичную обработку механизма шифрования этих данных и отправляет результат обратно клиенту;
4. Клиент расшифровывает результат и продолжает рассуждения локально. Через этот способ FHE обеспечивает защиту конфиденциальности данных пользователей на протяжении всего процесса обработки.

Zama строит решение для полностью гомоморфного шифрования (FHE) и недавно завершила привлечение 73 миллиона долларов для поддержки разработки.

ИИ-агенты

AI агенты представляют собой будущую концепцию. Каким будет будущее, если у AI агентов есть собственные активы и они могут совершать сделки? Люди, возможно, перейдут от использования общих моделей для поддержки принятия решений к делегированию задач специализированным агентам.

Эти агенты будут взаимодействовать друг с другом, подобно тому, как разумные экономические отношения способны улучшить способность людей к сотрудничеству, добавление экономических отношений для агентов ИИ также может повысить их эффективность. Китайский упрощенный: 区块链可以成为这一概念的试验场地。例如， Colony正在通过游戏试验这一想法，为 AI 代理提供钱包，以便与其他代理或真实玩家进行交易以实现特定目标。

Русский: Блокчейн может стать площадкой для экспериментов с этой концепцией. Например, Colony проводит игровые эксперименты с использованием кошельков для AI-агентов, чтобы они могли взаимодействовать с другими агентами или реальными игроками и достигать определенных целей.

Заключение

Большинство проблем на самом деле связаны с открытым исходным кодом искусственного интеллекта. Чтобы гарантировать, что эту важную технологию не монополизируют несколько компаний в ближайшие десять лет, токеномическая система может быстро использовать децентрализованные вычислительные ресурсы и наборы данных для обучения, сокращая разрыв в ресурсах между открытым и закрытым искусственным интеллектом. Блокчейн может отслеживать обучение и вывод искусственного интеллекта для обеспечения лучшего управления данными, а шифрование может обеспечить доверие в эпоху после искусственного интеллекта, справляться с проблемами глубокой фейковой информации и защиты конфиденциальности.

Материалы по теме

Одна статья обозревает направления и протоколы внедрения криптовалют на основе искусственного интеллекта.