Crypto для розвитку штучного інтелекту: 7 напрямків (з представницькими потенційними проектами)

Автор оригіналу @cebillhsu

Компіляція | Golem

GPT-4, Gemini 1.5 та інші досягнення в галузі штучного інтелекту, такі як AI PC від Microsoft, вражають, проте на сьогоднішній день розвиток AI також стикається з деякими проблемами. Дослідник Web3 в AppWorks, Білл, детально вивчив ці проблеми та розглянув 7 напрямків, у яких криптовалюта може надати додаткові можливості AI.

Токенізація даних

Традиційне навчання штучного інтелекту в основному залежить від доступних в Інтернеті публічних даних, або, що більш точно, від даних про трафік у громадській сфері. За винятком декількох компаній, які надають відкриті API, більшість даних залишається невикористаними. Ключовим напрямком є забезпечення можливості більшої кількості власників даних вносити свій внесок або давати дозвіл на використання їх даних для навчання штучного інтелекту, забезпечуючи при цьому конфіденційність.

Однак, найбільшим викликом у цій галузі є стандартизація даних, яка є складнішою, ніж стандартизація обчислювальної потужності. Хоча розподілену обчислювальну потужність можна кількісно оцінити за допомогою типу GPU, обсяг, якість і використання приватних даних важко виміряти. Якщо розподілена обчислювальна потужність подібна до ERC 20, то токенізація набору даних подібна до ERC 721, що робить формування ліквідності та ринку складнішими, ніж в ERC 20.

Розширена функція Ocean Protocol Compute-to-Data дозволяє власникам даних продавати приватні дані, зберігаючи конфіденційність. vana надає спосіб агрегування даних для користувачів Reddit та продажу їх компаніям, що тренують великі моделі AI.

Розподіл ресурсів

Зараз існує велика розрив між попитом та пропозицією на обчислювальну потужність GPU. Великі компанії монополізували більшу частину ресурсів GPU, що призводить до високих витрат для невеликих компаній на навчання моделей. Багато команд працюють над зниженням витрат шляхом централізації невеликих та низько використовуваних ресурсів GPU через децентралізовану мережу, але вони все ще зіткнуться з великими викликами щодо забезпечення стабільної обчислювальної потужності та достатньої пропускної здатності.

Мотивуючий RLHF

RLHF (підсилене навчання на основі зворотного зв’язку від людей) є ключовим для вдосконалення великих моделей, але для цього потрібні кваліфіковані фахівці. Зі зростанням конкуренції на ринку також зростають витрати на найм таких фахівців. Для зниження витрат при збереженні високої якості маркування можна використовувати систему застави та конфіскації. Одним із найбільших витрат на маркування даних є необхідність перевірки якості наглядачами. Однак, протягом багатьох років блокчейн успішно використовував економічні стимули (PoW, PoS) для забезпечення якості роботи. Віримо, що створення ефективної системи економіки токенів може значно знизити витрати на RLHF.

Наприклад, Sapien AI ввів Tag 2 Earn та співпрацює з декількома гільдіями gamefi; Hivemapper за допомогою механізму заохочення токенами вже має тренувальні дані на 2 мільйони кілометрів доріг; QuillAudits планує запустити відкритий вихідний код агента для аудиту смарт-контрактів, що дозволяє всім аудиторам спільно тренувати агента та отримувати винагороду.

Перевірка можливості

Як перевірити, чи виконують постачальники обчислювальної потужності завдання інференції згідно зі специфічними вимогами або моделями? Користувач не може перевірити достовірність та точність штучної інтелектуальної моделі та її виводів. Відсутність цієї перевірки може призвести до недовіри, помилок або навіть збитків у сферах фінансів, медицини та права.

Використовуючи системи шифрування, такі як ZKP, OP та TEE, постачальники послуг розумового аналізу можуть довести, що результати були отримані за допомогою певної моделі. Переваги використання шифрування включають збереження конфіденційності моделі постачальником, можливість перевірки коректності виконання моделі користувачем та уникнення обмежень обчислювальних можливостей блокчейну шляхом включення доказів шифрування до смарт-контракту. Також можна розглянути виконання штучного інтелекту безпосередньо на пристроях для вирішення питань щодо продуктивності, проте наразі немає задовільних відповідей. В проектах, що розробляються в цій сфері, можна згадати Ritual, ORA, Aizel Network.

Глибина фальсифікації

З появою виробничого штучного інтелекту, люди все більше звертають увагу на проблему глибокого фейкового контенту (DeepFake). Однак швидкість розвитку технології глибокого фейку перевищує швидкість розвитку технології виявлення, тому виявлення глибоких фейків стає все складнішим завданням. Хоча цифрові технології водяного знака (наприклад, C2PA) можуть допомогти розпізнати глибокий фейк, вони також мають свої обмеження, оскільки змінені зображення були змодифіковані, і громадськість не може перевірити підпис на оригінальному зображенні, що робить перевірку дуже складною.

Блокчейн технологія може вирішити проблему глибокої фальсифікації за допомогою різних методів. Апаратне підтвердження може використовувати камеру з захистом від втручання, щоб вбудувати шифроване підтвердження в кожне початкове фото для перевірки його автентичності. Блокчейн має незмінність, що дозволяє додавати зображення з метаданими до блоків з мітками часу, щоб запобігти фальсифікації та перевірити його початкове джерело. Крім того, можна використовувати гаманець, щоб додавати шифрований підпис до опублікованих повідомлень для перевірки авторства, а інфраструктура KYC на основі zk технології може пов’язати гаманець з перевіреним ідентифікатором, забезпечуючи захист приватності користувача. З економічної точки зору, автор повинен бути покараним за публікацію фальшивої інформації, а користувачі можуть отримувати винагороду за виявлення фальшивої інформації.

Numbers Protocol працює в цій галузі протягом багатьох років; інструменти верифікації Fox News базуються на блокчейні Polygon і дозволяють користувачам знаходити статті та отримувати пов’язані дані з блокчейну.

Приватність

Коли вхідні дані AI моделі стосуються конфіденційної інформації в галузі фінансів, охорони здоров’я та права, важливо забезпечити захист приватності даних під час використання. Гомоморфне шифрування (FHE) дозволяє обробляти дані без розшифрування, що забезпечує захист приватності при використанні моделі LLM. Робочий процес наступний:

1. Користувач розпочинає процес розуміння на локальному пристрої і зупиняється після завершення початкового рівня. Цей початковий рівень не включається в модель, яку спільно використовується з сервером;
2. Клієнт шифрує проміжні операції та пересилає їх серверу;
3. Сервер застосовує частковий механізм уваги до цих зашифрованих даних і надсилає результат назад клієнту;
4. Клієнт розшифровує результати та продовжує розрахунки локально. Через цей метод FHE забезпечує захист приватності користувача під час всього процесу обробки даних.

Zama будує рішення повного гомоморфного шифрування (FHE) і недавно залучила 73 мільйони доларів фінансування для підтримки розробки.

AI агент

AI агенти мають майбутнє, і якщо AI агенти зможуть мати активи та здійснювати угоди, яким буде майбутнє? Ймовірно, люди перейдуть від використання загальних великих моделей для допомоги прийняттю рішень до делегування завдань спеціалізованим агентам.

Ці агенти будуть співпрацювати один з одним, так само як раціональні економічні взаємини можуть підвищити спроможність людей до співпраці, додавання економічних відносин до агентів штучного інтелекту також може підвищити їх ефективність. Готовий переклад: “Блокчейн може стати майданчиком для експерименту з цим концептом. Наприклад, Colony випробовує цю ідею через гру, надаючи гаманець штучному інтелекту або реальним гравцям для здійснення угод з іншими агентами з метою досягнення певних цілей.”

Заключення

Більшість проблем, насправді, пов’язані з відкритим джерелом штучного інтелекту. Щоб забезпечити те, що ця дуже важлива технологія не буде монополізована кількома компаніями протягом наступних десяти років, система економіки токенів може швидко використовувати децентралізовані обчислювальні ресурси та набори навчальних даних, щоб скоротити різницю ресурсів між відкритим та закритим джерелами штучного інтелекту. Блокчейн може відстежувати навчання та використання штучного інтелекту для досягнення кращого управління даними, а шифрування може забезпечити довіру в епоху після штучного інтелекту, щоб боротися з проблемами глибокого фейкового та захисту приватності.

Додаткове читання

Огляд AI потужність Crypto напрямків та протоколів