AIxDePIN: โอกาสใหม่อะไรจะเกิดขึ้นจากการปะทะกันของสองเพลงฮิตนี้?

ด้วยการควบคุมพลังของอัลกอริธึม พลังการประมวลผล และข้อมูล ความก้าวหน้าของเทคโนโลยี AI กำลังกำหนดขอบเขตใหม่ของการประมวลผลข้อมูลและการตัดสินใจอย่างชาญฉลาด ในเวลาเดียวกัน DePIN แสดงให้เห็นถึงการเปลี่ยนแปลงกระบวนทัศน์จากโครงสร้างพื้นฐานแบบรวมศูนย์ไปเป็นเครือข่ายแบบกระจายอำนาจที่ใช้บล็อกเชน

ในขณะที่โลกเร่งก้าวไปสู่การเปลี่ยนแปลงทางดิจิทัล AI และ DePIN (โครงสร้างพื้นฐานทางกายภาพแบบกระจายอำนาจ) ได้กลายเป็นเทคโนโลยีพื้นฐานที่ขับเคลื่อนการเปลี่ยนแปลงในอุตสาหกรรมต่างๆ การผสมผสานระหว่าง AI และ DePIN ไม่เพียงแต่ส่งเสริมการทำซ้ำทางเทคโนโลยีอย่างรวดเร็วและการใช้งานที่แพร่หลายเท่านั้น แต่ยังเปิดรูปแบบการบริการที่ปลอดภัย โปร่งใส และมีประสิทธิภาพมากขึ้น ซึ่งนำมาซึ่งการเปลี่ยนแปลงอย่างลึกซึ้งต่อเศรษฐกิจโลก

DePIN: การกระจายอำนาจย้ายจากความเป็นจริงสู่ความเป็นจริง ซึ่งเป็นแกนนำของเศรษฐกิจดิจิทัล

DePIN เป็นตัวย่อของโครงสร้างพื้นฐานทางกายภาพแบบกระจายอำนาจ ในความหมายที่แคบ DePIN ส่วนใหญ่หมายถึงเครือข่ายแบบกระจายของโครงสร้างพื้นฐานทางกายภาพแบบดั้งเดิมที่ได้รับการสนับสนุนโดยเทคโนโลยีบัญชีแยกประเภทแบบกระจาย เช่น เครือข่ายพลังงาน เครือข่ายการสื่อสาร เครือข่ายการกำหนดตำแหน่ง ฯลฯ พูดอย่างกว้าง ๆ เครือข่ายแบบกระจายทั้งหมดที่รองรับโดยอุปกรณ์ทางกายภาพสามารถเรียกว่า DePIN เช่นเครือข่ายการจัดเก็บข้อมูลและเครือข่ายคอมพิวเตอร์

แหล่งที่มาของภาพ: เมสซารี

หาก Crypto ทำให้เกิดการเปลี่ยนแปลงแบบกระจายอำนาจในระดับการเงิน DePIN ก็เป็นโซลูชันแบบกระจายอำนาจในเศรษฐกิจที่แท้จริง อาจกล่าวได้ว่าเครื่องขุด PoW นั้นเป็น DePIN ประเภทหนึ่ง ดังนั้น DePIN จึงเป็นเสาหลักของ Web3 ตั้งแต่วันแรก

องค์ประกอบสามประการของ AI ได้แก่ อัลกอริธึม พลังการประมวลผล และข้อมูล DePIN ครอบครองสองอย่างโดยเฉพาะ

โดยทั่วไปการพัฒนาปัญญาประดิษฐ์นั้นขึ้นอยู่กับองค์ประกอบหลักสามประการ: อัลกอริธึม พลังการประมวลผล และข้อมูล อัลกอริทึมหมายถึงแบบจำลองทางคณิตศาสตร์และตรรกะของโปรแกรมที่ขับเคลื่อนระบบ AI พลังการประมวลผลหมายถึงทรัพยากรการประมวลผลที่จำเป็นในการดำเนินการอัลกอริทึมเหล่านี้ และข้อมูลเป็นพื้นฐานสำหรับการฝึกอบรมและเพิ่มประสิทธิภาพโมเดล AI

องค์ประกอบใดในสามองค์ประกอบที่สำคัญที่สุด? ก่อนการเกิดขึ้นของ chatGPT ผู้คนมักจะคิดว่ามันเป็นอัลกอริทึม ไม่เช่นนั้นการประชุมทางวิชาการและรายงานวารสารจะไม่เต็มไปด้วยการปรับแต่งอัลกอริทึมทีละรายการ แต่เมื่อ chatGPT และ LLM โมเดลภาษาขนาดใหญ่ที่สนับสนุนความชาญฉลาดถูกเปิดเผย ผู้คนเริ่มตระหนักถึงความสำคัญของสองรูปแบบหลัง พลังการประมวลผลขนาดใหญ่เป็นข้อกำหนดเบื้องต้นสำหรับการเกิดแบบจำลอง คุณภาพและความหลากหลายของข้อมูลมีความสำคัญอย่างยิ่งต่อการสร้างระบบ AI ที่แข็งแกร่งและมีประสิทธิภาพ ในการเปรียบเทียบ ข้อกำหนดสำหรับอัลกอริธึมไม่ได้เรียกร้องมากเหมือนเมื่อก่อนอีกต่อไป

ในยุคของโมเดลขนาดใหญ่ AI ได้เปลี่ยนจากการปรับแต่งอย่างละเอียดไปสู่การใช้กำลังดุร้าย โดยมีความต้องการพลังการประมวลผลและข้อมูลเพิ่มมากขึ้น DePIN สามารถให้ข้อมูลดังกล่าวได้ สิ่งจูงใจด้านโทเค็นจะใช้ประโยชน์จากตลาดหางยาว ซึ่งพลังการประมวลผลและการจัดเก็บข้อมูลระดับผู้บริโภคจำนวนมากจะกลายเป็นสิ่งบำรุงที่ดีที่สุดสำหรับโมเดลขนาดใหญ่

การกระจายอำนาจของ AI ไม่ใช่ทางเลือก แต่เป็นสิ่งจำเป็น

แน่นอนว่า บางคนอาจถามว่าเหตุใดจึงเลือก DePIN เหนือบริการแบบรวมศูนย์ ในเมื่อทั้งพลังการคำนวณและข้อมูลมีอยู่ในศูนย์ข้อมูล AWS และยิ่งกว่านั้น AWS ยังมีประสิทธิภาพเหนือกว่า DePIN ในแง่ของความเสถียรและประสบการณ์ผู้ใช้

คำพูดนี้ย่อมมีเหตุผลของมัน ท้ายที่สุดแล้ว เมื่อพิจารณาจากสถานการณ์ปัจจุบัน โมเดลขนาดใหญ่เกือบทั้งหมดได้รับการพัฒนาทั้งทางตรงและทางอ้อมโดยบริษัทอินเทอร์เน็ตขนาดใหญ่ เบื้องหลัง chatGPT คือ Microsoft และเบื้องหลัง Gemini คือ Google ในประเทศจีน บริษัทอินเทอร์เน็ตรายใหญ่เกือบทุกแห่งมีโมเดลขนาดใหญ่ ทำไมเป็นอย่างนั้น? เนื่องจากมีเพียงบริษัทอินเทอร์เน็ตขนาดใหญ่เท่านั้นที่มีพลังในการคำนวณซึ่งได้รับการสนับสนุนจากข้อมูลคุณภาพสูงและทรัพยากรทางการเงินที่แข็งแกร่ง แต่นี่ไม่ถูกต้อง ผู้คนไม่ต้องการถูกครอบงำโดยยักษ์ใหญ่ทางอินเทอร์เน็ตอีกต่อไป

ในด้านหนึ่ง AI แบบรวมศูนย์มีความเสี่ยงด้านความเป็นส่วนตัวของข้อมูลและความปลอดภัย และอาจอยู่ภายใต้การเซ็นเซอร์และการควบคุม ในทางกลับกัน AI ที่ผลิตโดยบริษัทอินเทอร์เน็ตยักษ์ใหญ่จะเสริมสร้างการพึ่งพาของผู้คน นำไปสู่การกระจุกตัวของตลาด และเพิ่มอุปสรรคต่อนวัตกรรม

ที่มา: https://www.gensyn.ai/

มนุษยชาติไม่ควรต้องการมาร์ติน ลูเธอร์ในยุค AI อีกต่อไป ผู้คนควรมีสิทธิที่จะพูดคุยกับพระเจ้าโดยตรง

DePIN จากมุมมองทางธุรกิจ: การลดต้นทุนและการเพิ่มประสิทธิภาพเป็นสิ่งสำคัญ

แม้จะมองข้ามข้อถกเถียงระหว่างการกระจายอำนาจและค่าการรวมศูนย์ จากมุมมองทางธุรกิจ การใช้ DePIN สำหรับ AI ก็ยังมีข้อดีอยู่

ประการแรก สิ่งสำคัญคือต้องรับรู้ว่าแม้ว่าอินเทอร์เน็ตยักษ์ใหญ่จะควบคุมทรัพยากรกราฟิกการ์ดระดับไฮเอนด์จำนวนมาก แต่การรวมกันของกราฟิกการ์ดระดับผู้บริโภคที่อยู่ในมือของแต่ละบุคคลยังคงสามารถสร้างเครือข่ายพลังการประมวลผลที่สำคัญ ที่เรียกว่าหางยาว ผลกระทบของพลังการคำนวณ กราฟิกการ์ดระดับผู้บริโภคเหล่านี้มักจะมีอัตราการไม่ได้ใช้งานสูง ตราบใดที่สิ่งจูงใจจาก DePIN เกินกว่าค่าไฟฟ้า ผู้ใช้ก็มีแรงจูงใจที่จะมอบพลังการประมวลผลให้กับเครือข่าย นอกจากนี้ เมื่อผู้ใช้จัดการโครงสร้างพื้นฐานทางกายภาพด้วยตนเอง เครือข่าย DePIN จึงไม่แบกรับต้นทุนการดำเนินงานที่ซัพพลายเออร์ที่รวมศูนย์ไม่สามารถหลีกเลี่ยงได้ และสามารถมุ่งเน้นไปที่การออกแบบโปรโตคอลเพียงอย่างเดียว

สำหรับข้อมูล เครือข่าย DePIN สามารถปลดล็อกศักยภาพการใช้งานข้อมูลและลดต้นทุนการส่งข้อมูลผ่านการประมวลผลแบบเอดจ์และวิธีการอื่นๆ นอกจากนี้ เครือข่ายการจัดเก็บข้อมูลแบบกระจายส่วนใหญ่ยังมีความสามารถในการขจัดข้อมูลซ้ำซ้อนอัตโนมัติ ซึ่งช่วยลดความจำเป็นในการล้างข้อมูลอย่างกว้างขวางในการฝึกอบรม AI

สุดท้ายนี้ เศรษฐศาสตร์ Crypto ที่ DePIN นำมานั้นช่วยเพิ่มความทนทานต่อข้อผิดพลาดของระบบและมีศักยภาพในการบรรลุสถานการณ์ที่ได้ประโยชน์ทั้งสองฝ่ายสำหรับผู้ให้บริการ ผู้บริโภค และแพลตฟอร์ม

ภาพจาก: ยูซีแอลเอ

ในกรณีที่คุณไม่เชื่อ การวิจัยล่าสุดของ UCLA แสดงให้เห็นว่าการใช้การประมวลผลแบบกระจายอำนาจให้ประสิทธิภาพที่ดีกว่าคลัสเตอร์ GPU แบบเดิมถึง 2.75 เท่าในราคาเท่าเดิม โดยเฉพาะเร็วขึ้น 1.22 เท่า และถูกกว่า 4.83 เท่า

เส้นทางข้างหน้าที่ยากลำบาก: AIxDePIN จะเผชิญกับความท้าทายอะไรบ้าง?

เราเลือกที่จะไปดวงจันทร์และทำสิ่งอื่นในทศวรรษนี้ ไม่ใช่เพราะมันง่าย แต่เพราะมันยาก — จอห์น ฟิตซ์เจอรัลด์ เคนเนดี้

การใช้พื้นที่เก็บข้อมูลแบบกระจายและการประมวลผลแบบกระจายของ DePIN เพื่อสร้างโมเดล AI ที่ไม่น่าเชื่อถือยังคงมีความท้าทายมากมาย

การตรวจสอบการทำงาน

โดยพื้นฐานแล้ว ทั้งการคำนวณโมเดลการเรียนรู้เชิงลึกและการขุด PoW เป็นรูปแบบหนึ่งของการคำนวณทั่วไป โดยมีการเปลี่ยนแปลงสัญญาณพื้นฐานระหว่างวงจรเกต ในระดับมหภาค การขุด PoW ถือเป็น “การคำนวณที่ไร้ประโยชน์” โดยพยายามค้นหาค่าแฮชที่มีคำนำหน้าเป็น n ศูนย์ ผ่านการสร้างตัวเลขสุ่มจำนวนนับไม่ถ้วนและการคำนวณฟังก์ชันแฮช ในทางกลับกัน การคำนวณการเรียนรู้เชิงลึกคือ “การคำนวณที่มีประโยชน์” ซึ่งคำนวณค่าพารามิเตอร์ของแต่ละเลเยอร์ในการเรียนรู้เชิงลึกผ่านการเผยแพร่ไปข้างหน้าและย้อนกลับ จึงเป็นการสร้างแบบจำลอง AI ที่มีประสิทธิภาพ

ความจริงก็คือ “การคำนวณที่ไร้ประโยชน์” เช่น การขุด PoW ใช้ฟังก์ชันแฮช การคำนวณภาพจากภาพต้นฉบับนั้นง่าย แต่การคำนวณภาพต้นฉบับจากภาพนั้นเป็นเรื่องยาก ดังนั้นใครๆ ก็สามารถตรวจสอบความถูกต้องของการคำนวณได้อย่างง่ายดายและรวดเร็ว สำหรับการคำนวณโมเดลการเรียนรู้เชิงลึก เนื่องจากโครงสร้างแบบลำดับชั้น ผลลัพธ์ของแต่ละเลเยอร์จึงถูกใช้เป็นอินพุตของเลเยอร์ถัดไป ดังนั้นการตรวจสอบความถูกต้องของการคำนวณจึงต้องดำเนินการก่อนหน้านี้ทั้งหมด และไม่สามารถตรวจสอบได้ง่ายและมีประสิทธิภาพ

ภาพจาก: AWS

การตรวจสอบการทำงานเป็นสิ่งสำคัญมาก มิฉะนั้นผู้ให้บริการการคำนวณจะไม่สามารถคำนวณได้เลยและส่งผลการสุ่มส่ง

แนวคิดหนึ่งคือการให้เซิร์ฟเวอร์ที่แตกต่างกันทำงานด้านคอมพิวเตอร์เดียวกัน และตรวจสอบประสิทธิภาพของงานโดยทำซ้ำการดำเนินการและตรวจสอบว่าเหมือนกันหรือไม่ อย่างไรก็ตาม การคำนวณแบบจำลองส่วนใหญ่ไม่สามารถกำหนดได้ และผลลัพธ์เดียวกันนั้นไม่สามารถทำซ้ำได้แม้จะอยู่ภายใต้สภาพแวดล้อมการประมวลผลเดียวกันทุกประการ และจะมีความคล้ายคลึงกันในแง่สถิติเท่านั้น นอกจากนี้ การนับซ้ำจะส่งผลให้ต้นทุนเพิ่มขึ้นอย่างรวดเร็ว ซึ่งไม่สอดคล้องกับเป้าหมายหลักของ DePIN ในการลดต้นทุนและเพิ่มประสิทธิภาพ

แนวคิดอีกประเภทหนึ่งคือกลไกในแง่ดี ซึ่งถือว่าในแง่ดีว่าผลลัพธ์ได้รับการคำนวณอย่างถูกต้อง และอนุญาตให้ใครก็ตามสามารถตรวจสอบผลลัพธ์ของการคำนวณได้ หากพบข้อผิดพลาดสามารถส่งหลักฐานการฉ้อโกงได้ โปรโตคอลจะลงโทษผู้ฉ้อโกงและให้รางวัลแก่ผู้แจ้งเบาะแส

การทำให้ขนานกัน

ดังที่ได้กล่าวไว้ก่อนหน้านี้ DePIN ใช้ประโยชน์จากตลาดพลังงานประมวลผลสำหรับผู้บริโภคระยะยาวเป็นหลัก ซึ่งหมายความว่าพลังการประมวลผลที่ได้รับจากอุปกรณ์เครื่องเดียวนั้นค่อนข้างจำกัด สำหรับโมเดล AI ขนาดใหญ่ การฝึกบนอุปกรณ์เครื่องเดียวจะใช้เวลานานมากและต้องใช้การทำงานแบบขนานเพื่อลดระยะเวลาการฝึก

ปัญหาหลักในการฝึกอบรมการเรียนรู้เชิงลึกแบบคู่ขนานนั้นอยู่ที่การพึ่งพาระหว่างงานก่อนหน้าและงานต่อๆ ไป ซึ่งทำให้การทำแบบคู่ขนานทำได้ยาก

ในปัจจุบัน การฝึกอบรมการเรียนรู้เชิงลึกแบบขนานนั้นส่วนใหญ่แบ่งออกเป็นความเท่าเทียมของข้อมูลและความเท่าเทียมของแบบจำลอง

ความเท่าเทียมของข้อมูลหมายถึงการกระจายข้อมูลไปยังเครื่องหลายเครื่อง แต่ละเครื่องจะบันทึกพารามิเตอร์ทั้งหมดของโมเดล ใช้ข้อมูลในตัวเครื่องสำหรับการฝึก และสุดท้ายจะรวมพารามิเตอร์ของแต่ละเครื่อง ความขนานของข้อมูลทำงานได้ดีเมื่อมีข้อมูลจำนวนมาก แต่ต้องมีการสื่อสารแบบซิงโครนัสเพื่อรวมพารามิเตอร์

ความขนานของโมเดลหมายความว่าเมื่อขนาดของโมเดลใหญ่เกินกว่าที่จะใส่ลงในเครื่องเดียว โมเดลสามารถแบ่งออกเป็นหลายเครื่องได้ และเครื่องแต่ละเครื่องจะบันทึกพารามิเตอร์ส่วนหนึ่งของโมเดลไว้ การแพร่กระจายไปข้างหน้าและย้อนกลับจำเป็นต้องมีการสื่อสารระหว่างเครื่องที่แตกต่างกัน ความขนานของโมเดลมีข้อดีเมื่อโมเดลมีขนาดใหญ่ แต่ค่าใช้จ่ายในการสื่อสารระหว่างการแพร่กระจายไปข้างหน้าและข้างหลังนั้นมีมาก

ข้อมูลการไล่ระดับสีระหว่างเลเยอร์ต่างๆ สามารถแบ่งออกเป็นการอัปเดตแบบซิงโครนัสและการอัปเดตแบบอะซิงโครนัส การอัปเดตแบบซิงโครนัสนั้นง่ายและตรงไปตรงมา แต่จะเพิ่มเวลารอ อัลกอริธึมการอัพเดตแบบอะซิงโครนัสมีเวลารอสั้น แต่จะทำให้เกิดปัญหาด้านความเสถียร

ภาพจาก: มหาวิทยาลัยสแตนฟอร์ด การเรียนรู้เชิงลึกแบบขนานและแบบกระจาย

ความเป็นส่วนตัว

แนวโน้มระดับโลกในการปกป้องความเป็นส่วนตัวกำลังเพิ่มสูงขึ้น และรัฐบาลทั่วโลกกำลังเสริมสร้างความเข้มแข็งในการปกป้องความปลอดภัยความเป็นส่วนตัวของข้อมูลส่วนบุคคล แม้ว่า AI จะใช้ชุดข้อมูลสาธารณะอย่างกว้างขวาง แต่สิ่งที่ทำให้โมเดล AI ที่แตกต่างกันมีความแตกต่างอย่างแท้จริงก็คือข้อมูลผู้ใช้ที่เป็นกรรมสิทธิ์ของแต่ละองค์กร

จะได้รับประโยชน์จากข้อมูลที่เป็นกรรมสิทธิ์ในระหว่างการฝึกอบรมโดยไม่เปิดเผยความเป็นส่วนตัวได้อย่างไร จะแน่ใจได้อย่างไรว่าพารามิเตอร์ของโมเดล AI ที่สร้างขึ้นจะไม่รั่วไหล

ความเป็นส่วนตัว ความเป็นส่วนตัวของข้อมูล และความเป็นส่วนตัวของโมเดลมีสองด้าน ความเป็นส่วนตัวของข้อมูลปกป้องผู้ใช้ ในขณะที่ความเป็นส่วนตัวของโมเดลปกป้ององค์กรที่สร้างโมเดล ในสถานการณ์ปัจจุบัน ความเป็นส่วนตัวของข้อมูลมีความสำคัญมากกว่าความเป็นส่วนตัวของแบบจำลอง

มีการพยายามแก้ไขปัญหาต่างๆ มากมายเพื่อแก้ไขปัญหาความเป็นส่วนตัว การเรียนรู้แบบสมาพันธ์รับประกันความเป็นส่วนตัวของข้อมูลโดยการฝึกอบรมที่แหล่งที่มาของข้อมูล เก็บข้อมูลไว้ในเครื่อง และการส่งพารามิเตอร์โมเดล และการพิสูจน์ความรู้ที่เป็นศูนย์อาจกลายเป็นดาวรุ่งพุ่งแรง

การวิเคราะห์กรณี: โครงการคุณภาพสูงในตลาดมีอะไรบ้าง?

เกนซิน

Gensyn คือเครือข่ายคอมพิวเตอร์แบบกระจายที่ออกแบบมาเพื่อการฝึกโมเดล AI เครือข่ายใช้บล็อกเชนแบบเลเยอร์หนึ่งที่ใช้ Polkadot เพื่อตรวจสอบการดำเนินงานที่เหมาะสมของงานการเรียนรู้เชิงลึกและทริกเกอร์การชำระเงินผ่านคำสั่ง ก่อตั้งขึ้นในปี 2563 และเปิดเผยการระดมทุน Series A มูลค่า 43 ล้านดอลลาร์ในเดือนมิถุนายน 2566 โดยมี a16z เป็นผู้นำในการลงทุน

Gensyn ใช้ข้อมูลเมตาของกระบวนการปรับให้เหมาะสมตามการไล่ระดับสีเพื่อสร้างใบรับรองของงานที่ดำเนินการ ซึ่งดำเนินการอย่างต่อเนื่องโดยโปรโตคอลที่มีความแม่นยำบนกราฟแบบหลายเม็ดและตัวประเมินข้ามเพื่อให้งานตรวจสอบความถูกต้องสามารถรันซ้ำและเปรียบเทียบเพื่อความสอดคล้องกัน และท้ายที่สุดโดยลูกโซ่ ยืนยันด้วยตัวเองเพื่อให้แน่ใจว่าการคำนวณมีความถูกต้อง เพื่อเสริมสร้างความน่าเชื่อถือในการตรวจสอบการทำงาน Gensyn แนะนำการปักหลักเพื่อสร้างแรงจูงใจ

ผู้เข้าร่วมในระบบมีสี่ประเภท ได้แก่ ผู้ส่ง ผู้แก้ปัญหา ผู้ตรวจสอบ และผู้แจ้งเบาะแส

• ผู้ส่งคือผู้ใช้ปลายทางของระบบที่จัดเตรียมงานที่จะคำนวณและได้รับค่าตอบแทนสำหรับหน่วยงานของงานที่เสร็จสมบูรณ์
• โปรแกรมแก้ปัญหาคือผู้ปฏิบัติงานหลักของระบบ ดำเนินการฝึกอบรมโมเดลและสร้างหลักฐานสำหรับการตรวจสอบโดยผู้ตรวจสอบ
• เครื่องมือตรวจสอบความถูกต้องเป็นกุญแจสำคัญในการเชื่อมโยงกระบวนการฝึกอบรมที่ไม่ได้กำหนดไว้กับการคำนวณเชิงเส้นที่กำหนด การจำลองการพิสูจน์ตัวแก้ปัญหาบางส่วน และการเปรียบเทียบระยะทางกับเกณฑ์ที่คาดหวัง
• ผู้แจ้งเบาะแสเป็นแนวป้องกันสุดท้าย ตรวจสอบการทำงานของผู้ตรวจสอบ และเพิ่มความท้าทาย และรับรางวัลหลังจากผ่านการท้าทาย

นักแก้ปัญหาจำเป็นต้องให้คำมั่นสัญญา และผู้แจ้งเบาะแสจะทดสอบงานของนักแก้ปัญหา หากเขาพบความชั่วเขาจะท้าทายมัน หลังจากผ่านการท้าทายแล้ว โทเค็นที่นักแก้ปัญหาเดิมพันไว้จะถูกปรับและผู้แจ้งเบาะแสจะได้รับรางวัล

ตามการคาดการณ์ของ Gensyn โซลูชันนี้คาดว่าจะลดต้นทุนการฝึกอบรมลงเหลือ 1/5 ของต้นทุนของผู้ให้บริการแบบรวมศูนย์

ที่มา: Gensyn

FedML

FedML เป็นแพลตฟอร์มแมชชีนเลิร์นนิงการทำงานร่วมกันแบบกระจายอำนาจสำหรับ AI แบบกระจายอำนาจและการทำงานร่วมกัน ทุกที่และทุกขนาด โดยเฉพาะอย่างยิ่ง FedML มอบระบบนิเวศ MLOps ที่ฝึกฝน ปรับใช้ ตรวจสอบและปรับปรุงโมเดลการเรียนรู้ของเครื่องอย่างต่อเนื่อง ขณะเดียวกันก็ทำงานร่วมกันบนข้อมูล โมเดล และทรัพยากรการประมวลผลที่รวมกันในลักษณะการรักษาความเป็นส่วนตัว FedML ก่อตั้งขึ้นในปี 2022 และเปิดเผยรอบ Seed Round มูลค่า 6 ล้านดอลลาร์ในเดือนมีนาคม 2023

FedML ประกอบด้วยองค์ประกอบหลักสองส่วน ได้แก่ FedML-API และ FedML-core ซึ่งเป็นตัวแทนของ API ระดับสูงและ API ระดับต่ำตามลำดับ

FedML-core ประกอบด้วยโมดูลอิสระสองโมดูล: การสื่อสารแบบกระจายและการฝึกอบรมโมเดล โมดูลการสื่อสารมีหน้าที่รับผิดชอบในการสื่อสารพื้นฐานระหว่างพนักงาน/ลูกค้าที่แตกต่างกัน และขึ้นอยู่กับ MPI โมดูลการฝึกโมเดลนั้นใช้ PyTorch

FedML-API สร้างขึ้นบน FedML-core ด้วย FedML-core อัลกอริธึมแบบกระจายใหม่สามารถนำไปใช้ได้อย่างง่ายดายโดยการนำอินเทอร์เฟซการเขียนโปรแกรมที่เน้นไคลเอนต์มาใช้

ผลงานล่าสุดจากทีม FedML แสดงให้เห็นว่าการใช้ FedML Nexus AI สำหรับการอนุมานโมเดล AI บน GPU RTX 4090 ระดับผู้บริโภคนั้นมีราคาถูกกว่า 20 เท่าและเร็วกว่า A100 ถึง 1.88 เท่า

ที่มา: FedML

แนวโน้มในอนาคต: DePIN นำเสนอการทำให้ AI เป็นประชาธิปไตย

วันหนึ่ง AI จะพัฒนาต่อไปเป็น AGI และพลังการประมวลผลจะกลายเป็นสกุลเงินสากลโดยพฤตินัย DePIN จะทำให้กระบวนการนี้เกิดขึ้นล่วงหน้า

การมาบรรจบกันและการทำงานร่วมกันของ AI และ DePIN ได้เปิดจุดใหม่ของการเติบโตทางเทคโนโลยี โดยมอบโอกาสมหาศาลสำหรับการพัฒนาปัญญาประดิษฐ์ DePIN มอบพลังการประมวลผลและข้อมูลแบบกระจายมหาศาลให้กับ AI ซึ่งช่วยฝึกฝนโมเดลขนาดใหญ่ขึ้นและบรรลุความฉลาดที่แข็งแกร่งยิ่งขึ้น ในขณะเดียวกัน DePIN ยังช่วยให้ AI พัฒนาไปสู่ทิศทางที่เปิดกว้าง ปลอดภัย และเชื่อถือได้มากขึ้น โดยลดการพึ่งพาโครงสร้างพื้นฐานแบบรวมศูนย์เพียงแห่งเดียว

เมื่อมองไปข้างหน้า AI และ DePIN จะยังคงพัฒนาการทำงานร่วมกันต่อไป เครือข่ายแบบกระจายจะเป็นรากฐานที่แข็งแกร่งสำหรับการฝึกโมเดลขนาดใหญ่พิเศษ ซึ่งจะมีบทบาทสำคัญในแอปพลิเคชัน DePIN ในขณะที่ปกป้องความเป็นส่วนตัวและความปลอดภัย AI จะมีส่วนร่วมในการเพิ่มประสิทธิภาพโปรโตคอลเครือข่ายและอัลกอริธึม DePIN เราหวังเป็นอย่างยิ่งว่า AI และ DePIN จะนำเสนอโลกดิจิทัลที่มีประสิทธิภาพ ยุติธรรม และน่าเชื่อถือยิ่งขึ้น

ข้อสงวนสิทธิ์：

1. บทความนี้พิมพ์ซ้ำจาก [] ลิขสิทธิ์ทั้งหมดเป็นของผู้แต่งต้นฉบับ [**] หากมีการคัดค้านการพิมพ์ซ้ำนี้ โปรดติดต่อทีมงาน Gate Learn แล้วพวกเขาจะจัดการโดยเร็วที่สุด
2. การปฏิเสธความรับผิด: Th
   มุมมองและความคิดเห็นที่แสดงในบทความนี้เป็นเพียงของผู้เขียนเท่านั้น และไม่ถือเป็นคำแนะนำในการลงทุนใดๆ
3. การแปลบทความเป็นภาษาอื่นดำเนินการโดยทีมงาน Gate Learn เว้นแต่จะกล่าวถึง ห้ามคัดลอก แจกจ่าย หรือลอกเลียนแบบบทความที่แปลแล้ว