Автор: Цинь Цзинчун
В предыдущей статье мы обсудили, как децентрализованный искусственный интеллект становится ключевым компонентом реализации ценностного интернета Web3, и отметили, что AO + Arweave благодаря своим технологическим преимуществам, таким как постоянное хранение, сверхпараллельные вычисления и возможность верификации, обеспечивает идеальную инфраструктуру для этой экосистемы. В данной статье мы дальше сосредоточимся на технических деталях AO + Arweave, сравним их с основными децентрализованными платформами, раскроем их уникальные преимущества в поддержке развития искусственного интеллекта и обсудим их взаимосвязь с вертикальными проектами децентрализованного искусственного интеллекта.
В последние годы с развитием технологии и повышением потребности в обучении крупных моделей искусственного интеллекта децентрализованная инфраструктура искусственного интеллекта постепенно становится объектом обсуждения в отрасли. Традиционные централизованные вычислительные платформы, хотя и постоянно улучшают вычислительные мощности, но также проявляют ограничения в виде монополизации данных и высоких затрат на хранение. Напротив, децентрализованная платформа не только способна снизить затраты на хранение, но также может обеспечить невозможность подделки данных и вычислений через механизмы децентрализованной проверки, что играет важную роль в ключевых этапах обучения, рассуждения и проверки моделей искусственного интеллекта. Кроме того, в настоящее время в Web3 существует фрагментация данных, низкая эффективность организаций DAO, плохая совместимость между платформами и т. д., поэтому необходимо дальнейшее развитие путем интеграции с децентрализованным искусственным интеллектом!
Эта статья сравнивает преимущества и недостатки различных основных платформ с точки зрения ограничений памяти, хранения данных, возможностей параллельных вычислений и проверяемости, а также подробно обсуждает, почему система AO+Arweave проявляет явное конкурентное преимущество в области децентрализованных искусственных интеллектов.
Один. Сравнительный анализ платформ: почему AO+Arweave уникальны
1.1 Требования к памяти и вычислительной мощности
С увеличением масштаба моделей искусственного интеллекта объем памяти и вычислительная мощность становятся ключевыми показателями способностей платформы. Например, для запуска относительно небольшой модели, такой как Llama-3-8 B, требуется как минимум 12 ГБ памяти; в то время как модели, такие как GPT-4, с параметрами более чем в триллион, требуют поразительных ресурсов памяти и вычислений. В процессе обучения необходимо полностью использовать параллельные вычислительные возможности для выполнения большого количества операций матричного умножения, обратного распространения и синхронизации параметров.
- **AO+Arweave ：**AO через свои параллельные вычислительные блоки (CU) и модель актора способен разбивать задачи на несколько подзадач и выполнять их параллельно, обеспечивая мелкозернистое параллельное планирование. Такая архитектура позволяет не только полностью использовать параллельные преимущества таких аппаратных средств, как GPU, во время обучения, но и значительно повысить эффективность в ключевых моментах, таких как планирование задач, синхронизация параметров и обновление градиента.
- ICP: Хотя поддомены ICP поддерживают определенную степень параллельных вычислений, при выполнении в рамках единого контейнера они могут обеспечивать только грубую параллельность, что затрудняет удовлетворение требований по диспетчеризации мелкозернистых задач в крупномасштабном обучении моделей и, таким образом, приводит к недостаточной общей эффективности.
Ethereum и Base Chain: оба используют однопоточную модель выполнения и спроектированы для децентрализованных приложений и смарт-контрактов и не обладают высокой параллельной вычислительной мощностью, необходимой для обучения, запуска и проверки сложных моделей ИИ.
Потребность в вычислительной мощности и рыночная конкуренция
С учетом популярности проектов типа Deepseek, порог владения крупными моделями для обучения постоянно снижается, что может привести к увеличению числа малых и средних компаний, желающих участвовать в конкуренции, что в свою очередь приведет к дефициту вычислительных ресурсов на рынке. В таких условиях инфраструктуры децентрализованной вычислительной мощности с распределенной параллельной вычислительной способностью, подобной AO, будет все более востребовано. AO в сочетании с Arweave в качестве инфраструктуры децентрализованного искусственного интеллекта станет ключевой опорой для реализации ценностного интернета Web3.
1.2 Хранение данных и экономическая эффективность
Хранение данных - еще один важнейший показатель. Традиционные блокчейн-платформы, такие как Ethereum, из-за крайне высокой стоимости хранения на цепи обычно могут использоваться только для хранения ключевых метаданных, а масштабное хранение данных переносится на решения вроде IPFS или Filecoin, работающие вне цепи.
- Платформа Ethereum: зависит от внешнего хранилища (например, IPFS, Filecoin) для хранения большинства данных. Хотя это обеспечивает непреодолимость данных, высокая стоимость записи на цепочке делает невозможным прямое хранение большого объема данных на цепочке.
- **AO+Arweave：**Используя возможности постоянного и недорогого хранения данных Arweave, обеспечивается долгосрочное архивирование и невозможность подделки данных. Для массовых данных, таких как данные обучения моделей и параметры моделей, а также журналы обучения, Arweave гарантирует не только безопасность данных, но и оказывает значительную поддержку для управления жизненным циклом моделей. В то же время, AO может напрямую обращаться к данным, хранящимся в Arweave, и создавать полный цикл экономики данных, чтобы способствовать внедрению и применению технологии искусственного интеллекта в Web3.
- Другие платформы (Solana, ICP): Хотя Solana оптимизировала хранение состояния с помощью модели учетных записей, масштабное хранение данных все еще требует решений вне цепи; в то время как ICP использует встроенное хранилище контейнеров, поддерживает динамическое масштабирование, но для долгосрочного хранения данных требуется постоянная оплата Циклов, что делает его экономически более сложным.
1.3 Важность параллельных вычислений
Во время обучения крупномасштабных моделей искусственного интеллекта параллельная обработка вычислительно интенсивных задач является ключом к повышению эффективности. Разделение большого количества матричных операций на несколько параллельных задач может значительно снизить временные затраты, а также обеспечить полное использование ресурсов, таких как GPU.
- **AO ：**AO с помощью независимой системы координации вычислительных задач и передачи сообщений достигает мелкозернистого параллельного вычисления. Его акторная модель поддерживает разделение отдельной задачи на миллионы дочерних процессов и эффективное взаимодействие между несколькими узлами. Такая архитектура особенно подходит для обучения больших моделей и распределенных вычислительных сценариев, теоретически обеспечивая очень высокую пропускную способность (TPS), хотя на практике она ограничена вводом-выводом и другими факторами, но все же значительно превышает традиционные однопоточные платформы.
Ethereum и Base Chain: Из-за однопоточной модели выполнения EVM они не могут удовлетворить требования сложных параллельных вычислений и не могут удовлетворить требования обучения больших моделей ИИ.
- Solana и ICP: Хотя среда выполнения Sealevel в Solana поддерживает параллельное выполнение многопоточных операций, но гранулярность параллелизма относительно грубая, в то время как в ICP основной упор все еще делается на однопоточное выполнение в одном контейнере, что приводит к явным узким местам при обработке экстремально параллельных задач.
1.4 Проверяемость и доверие системы
Одним из крупных преимуществ децентрализованной платформы является способность значительно повысить достоверность данных и вычислительных результатов через глобальное соглашение и недоступный для изменений механизм хранения.
- Ethereum: С помощью экосистемы глобального консенсуса и доказательства нулевого знания (ZKP) обеспечивается высокая прозрачность и верифицируемость выполнения смарт-контрактов и хранения данных, однако соответствующие затраты на верификацию высоки.
- AO+Arweave： AO хранит все вычисления в цифровом виде на Arweave и, используя «детерминированную виртуальную машину», обеспечивает возможность воспроизведения результатов, создавая полную цепочку проверки. Такая архитектура не только повышает проверяемость результатов вычислений, но и укрепляет общее доверие к системе, обеспечивая мощную защиту для обучения и рассуждения моделей искусственного интеллекта.
Отношения взаимодополняемости между AO+Arweave и вертикальным проектом децентрализованного искусственного интеллекта
В области децентрализованных технологий искусственного интеллекта вертикальные проекты, такие как Bittensor, Fetch.ai, Eliza и GameFi, активно исследуют собственные сценарии использования. AO+Arweave в качестве инфраструктурной платформы обладает преимуществами в обеспечении эффективных распределенных вычислительных мощностей, постоянного хранения данных и возможности аудита всей цепочки, что может обеспечить необходимую базовую поддержку для этих вертикальных проектов.
2.1 Пример технической взаимозаменяемости
Участники Bittensor должны вносить вычислительную мощность для обучения моделей искусственного интеллекта, что предъявляет очень высокие требования к параллельным вычислительным ресурсам и хранению данных. Суперпараллельная вычислительная архитектура AO позволяет множеству узлов одновременно выполнять задачи обучения в одной и той же сети и быстро обмениваться параметрами модели и промежуточными результатами через открытый механизм передачи сообщений, тем самым избегая узких мест, вызванных последовательным выполнением традиционных блокчейнов. Эта архитектура без блокировок не только увеличивает скорость обновления моделей, но также значительно повышает общую производительность обучения.
В то же время, предоставляемое Arweave постоянное хранение обеспечивает идеальное хранилище для ключевых данных, весов модели и результатов оценки производительности. Большие наборы данных, создаваемые в процессе обучения, могут быть немедленно записаны в Arweave; благодаря своей неизменяемости, любой новый узел может получить доступ к самым свежим данным обучения и снимкам модели, что гарантирует совместное обучение участников сети на основе общих данных. Это сочетание упрощает процесс распространения данных и обеспечивает прозрачные и надежные основания для управления версиями модели и проверки результатов, обеспечивая Bittensor сети эффективность вычислений, близкую к централизованной кластеризации, что значительно повышает производительность децентрализованного машинного обучения.
- Автономные экономические агенты (AEAs) Fetch.ai:
В системе сотрудничества множественных агентов Fetch.ai комбинация AO+Arweave также может продемонстрировать выдающийся синергетический эффект. Fetch.ai создал децентрализованную платформу, позволяющую автономным агентам (Agents) сотрудничать на цепи для осуществления экономической деятельности. Такие приложения требуют одновременной обработки большого количества агентов, работающих параллельно, и обмена данными, что требует высокой вычислительной и коммуникационной мощности. AO обеспечивает высокопроизводительную среду выполнения для Fetch.ai, где каждый автономный агент может рассматриваться как независимая вычислительная единица в сети AO, и несколько агентов могут параллельно выполнять сложные вычисления и логику принятия решений на разных узлах, не блокируя друг друга. Механизм открытой передачи сообщений дополнительно оптимизирует коммуникацию между агентами: агенты могут асинхронно обмениваться информацией через цепочку сообщений, инициировать действия, тем самым избегая проблем задержек, связанных с обновлением глобального состояния в традиционных цепочках блоков. При поддержке AO сотни и тысячи агентов Fetch.ai могут обмениваться информацией в реальном времени, конкурировать и сотрудничать, имитируя ритм экономической деятельности, близкий к реальному миру.
В то же время, возможность постоянного хранения Arweave дает Fetch.ai возможность обмена данными и сохранения знаний, каждый агент в процессе работы может отправлять или собирать важные данные (такие как информация о рынке, журналы взаимодействия, протоколы и т. д.) в Arweave для сохранения, создавая постоянную общедоступную память, которую другие агенты или пользователи могут извлекать в любое время, не завися от надежности централизованных серверов. Это гарантирует публичную прозрачность записей о сотрудничестве между агентами - например, условия предоставления услуг или котировки сделок, размещенные одним агентом в Arweave, становятся общедоступной записью, которую все участники признают, не будут потеряны из-за сбоев узлов или злонамеренных изменений. Благодаря высокой параллельности вычислений AO и доверенному хранению в Arweave, мультиагентные системы Fetch.ai способны добиться невиданной до сих пор глубины совместной работы на цепочке.
- Система многопрокси Eliza:
Традиционные чат-боты на основе искусственного интеллекта обычно зависят от облачных вычислений для обработки естественного языка и использования базы данных для долгосрочного хранения диалогов или пользовательских предпочтений. С помощью высокопроизводительных вычислений AO цепной интеллектуальный помощник может распределить модули задач (например, понимание языка, генерация диалогов, анализ эмоций) на несколько узлов для параллельной обработки, что позволяет быстро реагировать даже при одновременном запросе большого количества пользователей. Механизм передачи сообщений AO обеспечивает эффективное совместное взаимодействие модулей: например, модуль понимания языка извлекает семантику и передает результаты генерации диалогов через асинхронные сообщения, обеспечивая плавный поток диалога в децентрализованной архитектуре. В то же время, Arweave выступает в роли «долговременного хранилища памяти» Eliza: все записи взаимодействия пользователей, предпочтения и новые знания, полученные помощником, могут быть зашифрованы и сохранены навсегда, что позволяет при последующем взаимодействии снова использовать контекст из предыдущих взаимодействий и обеспечивает последовательные персонализированные ответы. Постоянное хранение предотвращает потерю данных в централизованных службах или утрату памяти при миграции учетной записи, а также обеспечивает историческую поддержку данных для непрерывного обучения модели искусственного интеллекта, что позволяет цепному искусственному помощнику становиться «умнее» с увеличением использования.
- Приложение для реального времени GameFi:
В децентрализованных играх (GameFi) важную роль играют взаимодополняющие особенности AO и Arweave. Традиционные массовые многопользовательские онлайн-игры (MMO) зависят от централизованных серверов для одновременных вычислений и хранения состояний, что противоречит идеологии децентрализации блокчейна. AO предлагает распределить логику игры и физические задачи моделирования по децентрализованной сети для параллельной обработки: например, виртуальный мир на цепочке, сценарии моделирования различных областей, принятие решений НПС и события взаимодействия игроков могут одновременно вычисляться узлами и обмениваться сообщениями для обеспечения полноты виртуального мира. Эта архитектура отбрасывает узкие места одиночных серверов, обеспечивая линейное масштабирование вычислительных ресурсов с ростом числа игроков и плавный игровой процесс.
В то же время Arweave обеспечивает постоянное хранение для игр: ключевые состояния (такие как изменения карты, данные игроков) и важные события (такие как получение редких предметов, развитие сюжета) регулярно фиксируются в цепочке для доказательств; метаданные игровых активов (такие как скины персонажей, NFT-предметы) и медийный контент также хранятся непосредственно, гарантируя постоянное владение и защиту от изменений. Даже после обновления системы или замены узлов сохраненные Arweave исторические состояния могут быть восстановлены, обеспечивая сохранность игровых достижений и имущества от технических изменений: никто из игроков не хочет, чтобы эти данные вдруг исчезли, подобные события уже случались ранее, например: много лет назад Виталик Бутерин был яростно разочарован, когда Blizzard внезапно убрали у магов в World of Warcraft способность к сосанию жизни. Кроме того, постоянное хранение позволяет игровому сообществу вносить свой вклад в историю игры, обеспечивая долгосрочное хранение всех важных событий в цепочке. Сочетая в себе высокую производительность AO и постоянное хранение Arweave, такая децентрализованная игровая архитектура успешно преодолевает узкие места традиционных моделей в производительности и долговечности данных.
!
2.2 Интеграция и взаимодополнение экосистем
AO+Arweave не только обеспечивает инфраструктурную поддержку для проектов по искусственному интеллекту в вертикальных отраслях, но также стремится создать открытую, разнообразную и связанную децентрализованную экосистему искусственного интеллекта. По сравнению с проектами, уделенными только одной области, экосистема AO+Arweave имеет более широкий охват и больше сценариев применения. Ее целью является создание полной цепочки ценности, охватывающей данные, алгоритмы, модели и вычислительную мощность. Только в такой огромной экосистеме можно действительно раскрыть потенциал активов данных Web3 и сформировать здоровую, устойчивую децентрализованную экономику искусственного интеллекта.
Третье, Web3 - интернет ценностей и постоянное хранение ценностей
Приход в эпоху Web3.0 свидетельствует о том, что активы данных станут самым важным ресурсом в Интернете. Подобно хранению «цифрового золота» в сети биткоина, предоставляемая Arweave услуга постоянного хранения обеспечивает долгосрочное сохранение и невозможность подделки ценных активов данных. В настоящее время монополия интернет-гигантов на данные пользователей делает сложным проявление ценности персональных данных, а в эпоху Web3 пользователи будут обладать правом собственности на данные, и обмен данными будет эффективно осуществляться через механизм поощрения токенами.
Свойства средства сбережения:
Arweave реализует мощные возможности горизонтального масштабирования через технологии Blockweave, SPoRA и привязки, особенно хорошо себя показывая в сценариях массового хранения данных. Эта особенность позволяет Arweave не только выполнять задачи по постоянному хранению данных, но также надежно поддерживать управление интеллектуальной собственностью, торговлю данными и управление жизненным циклом моделей искусственного интеллекта.
- Экономика данных активов:
Цифровые активы - это основа ценности Интернета ценностей Web3. В будущем персональные данные, параметры модели, журналы обучения и т. д. станут ценными активами, которые будут эффективно циркулировать через механизмы стимулирования токенов, подтверждения данных и т. д. AO+Arweave - это инфраструктура, построенная на этой концепции, целью которой является обеспечение эффективного канала циркуляции цифровых активов и непрерывное внедрение жизненной силы в экосистему Web3.
!
Четыре. Риски и вызовы, а также перспективы в будущем
Несмотря на то, что AO+Arweave технически проявляет множество преимуществ, в процессе практической реализации все еще сталкивается с следующими вызовами:
- Сложность экономической модели
Экономическая модель AO должна глубоко интегрироваться с экономической системой токенов AR, чтобы обеспечить низкозатратное хранение данных и эффективную передачу данных. Этот процесс включает стимулирование и наказание множества узлов (таких как MU, SU, CU) и должен быть сбалансирован гибким механизмом согласования SIV для обеспечения безопасности, экономичности и масштабируемости. При реальной реализации проекта важно серьезно рассмотреть, как сбалансировать количество узлов и потребности в ресурсах, избежать простоя ресурсов или недостаточной прибыли.
- Недостаточное развитие децентрализованной модели и рынка алгоритмов
Текущая экосистема AO+Arweave в основном сосредотачивается на хранении данных и поддержке вычислительных мощностей, пока не сформировалась полноценная децентрализованная модель и рынок алгоритмов. Без стабильных поставщиков моделей развитие искусственного интеллекта в экосистеме будет ограничено. Поэтому рекомендуется поддерживать проекты децентрализованного рынка моделей через экосистемические фонды, создавая тем самым высокие барьеры к конкуренции и долгосрочные защитные стены.
Несмотря на множество вызовов, с постепенным наступлением эпохи Web3.0, право собственности и циркуляция данных активов будут стимулировать перестройку всей ценностной системы интернета. AO+Arweave, как пионер инфраструктуры, имеет потенциал сыграть ключевую роль в этой трансформации, содействуя созданию децентрализованной экосистемы и ценностного интернета Web3.
Вывод
Проведя детальное сравнительное аналитическое исследование по четырем аспектам: общей памяти, хранению данных, параллельным вычислениям и проверке, мы пришли к выводу, что AO+Arweave проявляет заметные преимущества в поддержке децентрализованных задач по искусственному интеллекту, особенно в области удовлетворения потребностей в обучении крупномасштабных моделей искусственного интеллекта, снижения затрат на хранение и повышения доверия к системе. В то же время AO+Arweave не только обеспечивает мощную инфраструктурную поддержку для вертикальных проектов децентрализованного искусственного интеллекта, но также обладает потенциалом для создания полноценной экосистемы искусственного интеллекта, тем самым способствуя формированию замкнутого круга деятельности в рамках Web3 для данных в качестве активов и вызывая тем самым более глубокие изменения.
Ожидается, что в будущем, с постоянным совершенствованием экономической модели, постепенным расширением экологических масштабов и углублением междоменного сотрудничества, AO+Arweave+AI станет важной опорой Интернета ценностей Web3, привнося новые изменения в подтверждение активов данных, обмен ценностями и децентрализованные приложения. Несмотря на то, что в процессе внедрения все еще существуют определенные риски и проблемы, именно благодаря непрерывным пробам и ошибкам, а также оптимизации, технология и экология в конечном итоге приведут к прорывам.
