• Емерджентність: Явище, коли багато малих об'єктів взаємодіють для створення більшого цілого, що демонструє нові характеристики, яких не мають окремі компоненти, наприклад, емерджентність, що спостерігається в біологічних системах, які вивчаються в хімії.
• Галюцинація: Схильність моделей видавати оманливі дані, коли ШІ-моделі генерують результати, які здаються правильними, але насправді є помилковими.

Зв'язок між ШІ та криптовалютою має чітко виражену хвилеподібність. З тих пір, як у 2016 році AlphaGo перемогла професійних гравців у Го, у криптовалютному світі спостерігаються спроби поєднати ці два види діяльності, наприклад, спонтанна поява таких проектів, як Fetch.AI. З появою GPT-4 у 2023 році тренд AI + криптовалюта відродився, прикладом чого став випуск WorldCoin. Здається, людство ось-ось вступить в утопічну еру, коли ШІ відповідатиме за продуктивність, а криптовалюта займатиметься розподілом.

Ці настрої досягли свого піку після того, як OpenAI запустив додаток Sora для синтезу тексту у відео. Однак емоції часто включають в себе ірраціональні елементи. Лі Їчжоу, наприклад, здається, є частиною незрозумілого сегменту, прикладом якого є..:

• Поєднання конкретних застосувань ШІ з розробкою алгоритмів. Хоча Sora і принципи трансформації GPT-4, що лежать в основі GPT-4, мають відкритий вихідний код, використання обох вимагає оплати OpenAI.
• Поєднання ШІ та криптовалют наразі більше залежить від ініціативи криптовалют, оскільки основні гіганти ШІ не демонструють чіткої готовності до цього. На даному етапі те, що ШІ може зробити для криптовалют, переважає те, що криптовалюти можуть зробити для ШІ.
• Використання технології ШІ в криптографічних додатках не дорівнює інтеграції ШІ і криптовалют, як це можна побачити в таких додатках, як блокчейн-ігри, GameFi, метапроєкти, Web3-ігри та цифрові персонажі у всесвіті AW.
• Внесок, який Crypto може зробити в розвиток технології ШІ, в першу чергу включає в себе децентралізацію і токенові стимули в трьох компонентах ШІ: обчислювальна потужність, дані і моделі.
• WorldCoin слугує успішною інтеграцією обох технологій, при цьому zkML позиціонується на перетині ШІ і криптотехнологій, а теорія UBI (Universal Basic Income - універсальний базовий дохід) переживає своє перше широкомасштабне втілення.

У цій статті ми зосередимося на перевагах, які криптовалюта може принести ШІ, оскільки поточні криптовалютні проекти, що акцентують увагу на застосуванні ШІ, здебільшого розглядаються як маркетингові трюки і не є предметом нашого обговорення.

Від лінійної регресії до трансформатора

Протягом тривалого часу в центрі дискусій про ШІ було питання про те, чи призведе "поява" штучного інтелекту до створення розумних істот, схожих на тих, що в "Матриці", або до цивілізації на основі кремнію. Занепокоєння щодо взаємодії між людьми та технологіями штучного інтелекту зберігається: нещодавні приклади - поява Sora та більш ранні - GPT-4 (2023), AlphaGo (2016), а також перемога Deep Blue від IBM над чемпіоном світу з шахів у 1997 році.

Поки такі побоювання не справдилися, давайте розслабимося і коротко опишемо механізм роботи штучного інтелекту.

Відштовхуючись від лінійної регресії, по суті, простого лінійного рівняння, як, наприклад, механізм схуднення Цзя Ліна, відомого китайського актора, ми можемо зробити наступне узагальнення. Тут x і y представляють зв'язок між споживанням калорій і вагою, вказуючи на те, що споживання більшої кількості їжі природним чином призводить до набору ваги, а якщо ви хочете схуднути, вам слід їсти менше.

Однак такий підхід породжує певні проблеми. По-перше, існують фізіологічні межі людського зросту і ваги, і навряд чи ви зустрінете 3-метрових велетнів або тисячокілограмових дам. Тому розгляд ситуацій, що виходять за ці межі, не має практичного значення. По-друге, просто менше їсти і більше тренуватися не відповідає науковим принципам схуднення і може, у важких випадках, зашкодити організму.

Ми вводимо індекс маси тіла (ІМТ), який вимірює співвідношення між вагою та зростом шляхом ділення ваги на квадрат зросту. Щоб оцінити взаємозв'язок між зростом і вагою за допомогою трьох факторів - харчування, сну і фізичних навантажень, - нам тепер потрібні три параметри і два результати. Лінійної регресії явно недостатньо, що призводить до використання нейронних мереж. Як випливає з назви, нейронні мережі імітують структуру людського мозку, з можливістю того, що більше мислення призводить до більшої раціональності. Збільшення частоти і глибини мислення, відоме як глибоке навчання (я проводжу тут дещо вільну аналогію), дає змогу більш ретельно обмірковувати свої дії перед тим, як діяти.

Короткий огляд історії розвитку алгоритмів штучного інтелекту

Однак збільшення кількості шарів не є безмежним, існує певна межа. Після досягнення критичного порогу ефективність може знизитися. Тому стає важливим розуміти взаємозв'язок між наявною інформацією у більш обґрунтований спосіб. Наприклад, глибоке розуміння більш тонкого взаємозв'язку між зростом і вагою, виявлення раніше непомічених факторів, або Цзя Лінг, яка знайшла найкращого тренера, але не наважувалася прямо висловити своє бажання схуднути.

У таких сценаріях Цзя Лін та тренер виступають опонентами у кодуванні та декодуванні, передаючи один одному значення, які відображають справжні наміри обох сторін. Однак, на відміну від прямолінійного твердження "я хочу схуднути, ось подарунок для тренера", за "смислом" ховаються справжні наміри обох сторін.

Ми помітили факт: якщо кількість ітерацій між двома сторонами достатня, значення кожного повідомлення стає легше розшифрувати.

Якщо розширити цю модель, то вона представляє те, що в розмовній мові називають великою мовною моделлю (LLM), яка вивчає контекстуальні зв'язки між словами та реченнями. В даний час великі моделі розширилися, щоб заглибитися в такі сценарії, як зображення і відео.

У спектрі ШІ, чи то проста лінійна регресія, чи надзвичайно складний Трансформер, всі вони є алгоритмами або моделями. На додаток до цього, є ще два важливих фактори: обчислювальна потужність і дані.

Опис: Коротка історія розвитку штучного інтелекту, Джерело: https://ourworldindata.org/brief-history-of-ai

Простіше кажучи, ШІ - це машина, яка обробляє дані, виконує обчислення і видає результати. Однак у порівнянні з фізичними об'єктами, такими як роботи, ШІ є більш віртуальним. З точки зору обчислювальних потужностей, даних і моделей, поточний операційний процес комерціалізації Web2 виглядає наступним чином:

• Дані поділяються на публічні дані, дані, що належать компанії, та комерційні дані, які потребують професійної анотації та попередньої обробки. Наприклад, Scale AI забезпечує попередню обробку даних для провідних AI-компаній.
• Обчислювальні потужності поділяються на два режими: власне будівництво та оренда хмарних обчислень. Наразі NVIDIA домінує на ринку GPU-обладнання, а бібліотека CUDA готувалася протягом багатьох років. В екосистемі апаратного та програмного забезпечення домінує одна компанія. Другий варіант - оренда обчислювальних потужностей у провайдерів хмарних сервісів, таких як Microsoft Azure, Google Cloud та AWS, які надають комплексні послуги з обчислень та розгортання моделей.
• Моделі можна класифікувати на фреймворки та алгоритми. Битва моделей вже завершилася: TensorFlow від Google з'явився першим, хоча і зазнав початкової невдачі, а PyTorch від Meta з'явився пізніше, але лідирує. Однак, чи то Google, який представив Transformer, чи Meta з PyTorch, обидві компанії поступово відстають від OpenAI в комерціалізації. Тим не менш, їхня сила залишається значною; в алгоритмах наразі домінує Transformer, а різні великі моделі в основному конкурують з точки зору джерел даних і деталей.

Процес роботи ШІ

Як згадувалося раніше, додатки зі штучним інтелектом мають широкий спектр сфер застосування, наприклад, виправлення коду, про яке згадував Віталік, вже впроваджено у практику. Якщо поглянути з іншої точки зору, то внесок Crypto в ШІ в першу чергу зосереджений на нетехнічних сферах, таких як децентралізовані ринки даних, платформи децентралізованих обчислювальних потужностей тощо. Було проведено кілька експериментів з децентралізованими великими мовними моделями (LLM). Однак важливо зазначити, що аналіз криптокоду за допомогою ШІ та запуск великомасштабних моделей ШІ на блокчейні - це принципово різні речі. Включення деяких елементів криптографії в моделі ШІ навряд чи можна вважати ідеальною інтеграцією.

Наразі Crypto перевершує інші компанії у виробництві та стимулюванні. Немає необхідності насильно змінювати парадигму виробництва ШІ за допомогою Crypto. Раціональний вибір - інтегрувати криптовалюту в робочі процеси ШІ та розширити можливості ШІ за допомогою криптовалюти. Ось деякі потенційні інтеграції, які я підсумував:

1. Децентралізоване виробництво даних, наприклад, збір даних DePIN, і відкритість даних в ланцюжку, що містять багату інформацію про транзакції для фінансового аналізу, аналізу безпеки та навчання даних.
2. Децентралізовані платформи попередньої обробки, де традиційна попередня підготовка не створює нездоланних технічних бар'єрів. За великими моделями в Європі та США стоїть високоінтенсивна праця ручних анотаторів з країн третього світу.
3. Платформи з децентралізованими обчислювальними потужностями, з децентралізованими стимулами та використанням персональної пропускної здатності, обчислювальної потужності графічних процесорів та інших апаратних ресурсів.
4. zkML, оскільки традиційні методи забезпечення конфіденційності, такі як десенсибілізація даних, не можуть повністю вирішити проблему. zkML може приховувати спрямованість даних і ефективно оцінювати автентичність та ефективність моделей з відкритим і закритим кодом.

Ці чотири аспекти є потенційними сценаріями, які, на мою думку, Crypto може розширити можливості ШІ. ШІ є універсальним інструментом, і сфери та проекти ШІ для криптовалют тут не обговорюються; ви можете вивчити їх самостійно.

Можна помітити, що криптовалюта наразі відіграє головну роль у шифруванні, захисті приватності та економічному проектуванні. Єдина спроба технічної інтеграції - zkML. Давайте проведемо невеликий мозковий штурм: якщо в майбутньому TPS Solana дійсно зможе досягти 100 000+, і якщо поєднання Filecoin і Solana буде ідеальним, чи зможемо ми створити середовище LLM на ланцюжку? Це потенційно може створити справжній мережевий ШІ, змінивши нинішні нерівні відносини, в яких криптовалюта інтегрована в ШІ.

Інтеграція Web3 в робочі процеси ШІ

Як відомо, відеокарта NVIDIA RTX 4090 є цінним товаром, який наразі важко дістати в певній країні Східної Азії. Ще серйозніше те, що приватні особи, невеликі компанії та наукові установи також зіткнулися з кризою відеокарт. Зрештою, великі комерційні компанії є великими витрачальниками коштів. Якби можна було відкрити третій шлях за межами особистих покупок і хмарних провайдерів, він, очевидно, мав би практичну бізнес-цінність, відірвавшись від суто спекулятивних цілей. Логічний підхід Web3 для ШІ має бути таким: "Якщо Web3 не використовується, проект не може бути успішним".

Робочий процес штучного інтелекту з точки зору Web3

Джерело даних: Grass and DePIN Automotive Ecosystem

Grass, представлений компанією Wynd Network, є ринком для продажу пропускної здатності, що простоює. Grass слугує відкритою мережею для збору та розповсюдження даних, що відрізняє її від простого збору та продажу даних. Grass має функції для очищення та перевірки даних, щоб орієнтуватися у все більш закритому мережевому середовищі. Крім того, Grass прагне безпосередньо взаємодіяти з моделями штучного інтелекту, надаючи їм зручні для використання набори даних. Набори даних ШІ вимагають професійного поводження, включаючи детальне ручне налаштування для задоволення специфічних потреб моделей ШІ.

Розвиваючи цю тему, Grass вирішує питання продажу даних, а сектор DePIN Web3 може виробляти дані, необхідні ШІ. Цей сектор в основному зосереджений на автоматичному керуванні транспортними засобами. Традиційно автономне водіння вимагало від компаній накопичення відповідних даних. Однак такі проекти, як DIMO та Hivemapper, працюють безпосередньо на транспортних засобах, збираючи дедалі більшу кількість інформації про водіння та дорожніх даних.

У попередніх сценаріях автономного водіння технологія розпізнавання транспортних засобів та високоточні карти мали важливе значення. Така інформація, як високоточні карти, накопичувалася такими компаніями, як NavInfo, створюючи галузеві бар'єри. Якщо новачки використовують дані Web3, вони можуть мати можливість обігнати конкурентів на повороті.

Попередня обробка даних: Звільнення людей, поневолених ШІ

Штучний інтелект можна розділити на дві частини: ручне анотування та інтелектуальні алгоритми. У країнах третього світу, таких як Кенія та Філіппіни, де крива вартості ручного анотування є найнижчою, за це завдання відповідають люди. Тим часом компанії, що займаються попередньою обробкою ШІ в Європі та США, забирають левову частку доходу, згодом продаючи його підприємствам, що займаються дослідженнями та розробкою ШІ.

З розвитком штучного інтелекту все більше компаній придивляються до цього бізнесу. В умовах конкуренції ціна за одиницю анотації даних продовжує знижуватися. Цей бізнес в основному пов'язаний з маркуванням даних, подібно до таких завдань, як розпізнавання капчі, без технічного порогу, і навіть з наднизькими цінами, наприклад, 0,01 юаня.

Source: https://aim.baidu.com/product/0793f1f1-f1cb-4f9f-b3a7-ef31335bd7f0

У цьому сценарії платформи анотування даних Web3, такі як Public AI, мають практичний бізнес-ринок. Вони пов'язують підприємства ШІ з працівниками, які займаються анотуванням даних, замінюючи просту бізнес-модель конкуренції за низькими цінами на систему заохочення. Однак важливо зазначити, що зрілі компанії, такі як Scale AI, гарантують надійну якість технології анотування. Для децентралізованих платформ анотування даних контроль якості та запобігання зловживанням є абсолютною необхідністю. По суті, це послуга для підприємств C2B2B, де сам по собі масштаб і кількість даних не може переконати підприємства.

Апаратна свобода: Render Network та Bittensor

Слід уточнити, що, на відміну від майнінгових установок для біткоїнів, наразі не існує спеціального обладнання для Web3 AI. Існуючі обчислювальні потужності та платформи трансформуються зі зрілого апаратного забезпечення з додаванням крипто-стимулюючих шарів, що по суті підпадають під сектор DePIN. Однак, оскільки він відрізняється від проектів з джерелами даних, його включено до робочого процесу ШІ.

Для визначення DePIN, будь ласка, зверніться до статті, яку я писав раніше: DePIN до Гелію: Вивчаємо Bitcoin, Arweave та STEPN

Render Network - це давно існуючий проект, який спочатку не був розроблений для ШІ. Компанія розпочала свою діяльність у 2017 році, зосередившись на рендерингу, як випливає з назви. На той час графічні процесори не користувалися попитом, але поступово з'явилися ринкові можливості. Ринок графічних процесорів, особливо графічних процесорів високого класу, монополізований NVIDIA, перешкоджав виходу на нього користувачів рендерингу, штучного інтелекту та метапроцесорів через непомірно високі ціни. Якщо вдасться побудувати канал між попитом і пропозицією, економічна модель, подібна до спільного користування велосипедами, може мати шанс на успіх.

Більше того, ресурси графічного процесора не потребують фактичної передачі апаратного забезпечення; вони можуть бути виділені за допомогою програмних ресурсів. Варто зазначити, що Render Network перейшла на екосистему Solana у 2023 році, відмовившись від Polygon. Переїзд до Солани, ще до її відродження, з часом виявився правильним рішенням. Для використання та розповсюдження графічних процесорів високошвидкісна мережа є ключовою вимогою.

Якщо Render Network можна вважати усталеним проектом, то Bittensor наразі набирає обертів.

BitTensor побудований на основі Polkadot з метою навчання ШІ-моделей за допомогою економічних стимулів. Ноди змагаються за навчання ШІ-моделей з мінімальною помилкою або максимальною ефективністю, що нагадує класичні он-лайн процеси в криптовалютних проектах. Однак, фактичний процес навчання все ще потребує графічних процесорів NVIDIA та традиційних платформ, що робить його схожим на конкурентні платформи, такі як Kaggle.

zkML і UBI: Дві сторони Worldcoin

Машинне навчання з нульовими знаннями (zkML) впроваджує технологію zk у процес навчання ШІ-моделей для вирішення таких проблем, як витік даних, порушення конфіденційності та верифікація моделей. Перші два легко зрозуміти - zk-зашифровані дані все ще можна навчати без витоку особистої або приватної інформації.

Верифікація моделі - це оцінка моделей із закритим кодом. За допомогою технології zk можна встановити цільове значення, що дозволяє моделям із закритим вихідним кодом довести свої можливості шляхом перевірки результатів без розкриття процесу розрахунку.

Worldcoin не тільки передбачав zkML на ранньому етапі, але й виступає за універсальний базовий дохід (УБД). За його баченням, продуктивність ШІ в майбутньому значно перевищить межі людського попиту. Справжньою проблемою є справедливий розподіл переваг штучного інтелекту, і концепція UBI буде поширюватися в усьому світі за допомогою токена $WLD, що вимагає біометричного розпізнавання реальної людини для дотримання принципів справедливості.

Звичайно, zkML і UBI все ще перебувають на ранніх експериментальних стадіях, але це інтригуючі розробки, за якими я продовжуватиму уважно стежити.

Висновок

Розвиток ШІ, представлений трансформаторними та великими мовними моделями (ВММ), поступово стикається з вузькими місцями, подібними до лінійної регресії та нейронних мереж. Неможливо нескінченно збільшувати параметри моделі або обсяг даних, оскільки маржинальний дохід буде зменшуватися.

ШІ може бути насінням, яке з'являється з мудрістю, але проблема галюцинацій наразі дуже серйозна. Можна помітити, що віра в те, що криптовалюта може змінити ШІ, є формою впевненості і стандартною галюцинацією. Хоча додавання криптовалюти може технічно не вирішити проблеми галюцинацій, воно може принаймні змінити деякі аспекти з точки зору справедливості та прозорості.

Посилання:

1. OpenAI: "GPT-4 Technical Report", 2023; arXiv:2303.08774.
2. Ашіш Васвані, Ноам Шазір, Нікі Пармар, Якоб Ушкорайт, Лев Джонс, Ейдан Н. Гомес, Лукаш Кайзер, Ілля Полосухін: "Увага - це все, що вам потрібно", 2017; arXiv:1706.03762.
3. Джаред Каплан, Сем МакКендліш, Том Хеніган, Том Б. Браун, Бенджамін Чесс, Ревон Чайлд, Скотт Грей, Алек Редфорд, Джеффрі Ву, Даріо Амодей: "Закони масштабування для нейромовних моделей", 2020; arXiv:2001.08361.
4. Хао Лю, Вілсон Ян, Матей Захарія, Пітер Аббеель: "Світова модель на мільйонному відео та мові з кільцевою увагою", 2024; arXiv:2402.08268.
5. Макс Розер (2022) - "Коротка історія штучного інтелекту: Світ швидко змінився - що може бути далі?" Опубліковано на сайті OurWorldInData.org. Отримано з: 'https://ourworldindata.org/brief-history-of-ai'[Онлайн ресурс].
6. Вступ до машинного навчання з нульовими знаннями (ZKML)
7. Розуміння перетину криптовалют та штучного інтелекту
8. Трава - це рівень даних ШІ
9. Bittensor: Піринговий ринок аналітики

Відмова від відповідальності:.

1. Ця стаття передрукована з[佐爷歪脖山], всі авторські права належать оригінальному автору[佐爷]. Якщо у вас є заперечення щодо цього передруку, будь ласка, зв'яжіться з командою Gate Learn, і вони оперативно його опрацюють.
2. Відмова від відповідальності: Погляди та думки, висловлені в цій статті, належать виключно автору і не є інвестиційною порадою.
3. Переклади статті іншими мовами виконані командою Gate Learn. Якщо не зазначено інше, копіювання, розповсюдження або плагіат перекладених статей заборонені.