คำมั่นสัญญาและความท้าทายของแอปพลิเคชัน crypto + AI

ขอขอบคุณเป็นพิเศษสำหรับทีมงาน Worldcoin และ Modulus Labs, Xinyuan Sun, Martin Koeppelmann และ Illia Polosukhin สำหรับข้อเสนอแนะและการสนทนา

ในช่วงหลายปีที่ผ่านมา หลายๆ คนถามคำถามที่คล้ายกันกับฉัน: อะไรคือจุดตัดระหว่าง crypto และ AI ที่ฉันคิดว่าได้ผลมากที่สุด? เป็นคำถามที่สมเหตุสมผล: การเข้ารหัสลับและ AI เป็นสองแนวโน้มเทคโนโลยีเชิงลึก (ซอฟต์แวร์) หลักในทศวรรษที่ผ่านมา และรู้สึกว่าจะต้องมีความเชื่อมโยงบางอย่างระหว่างทั้งสอง เป็นเรื่องง่ายที่การทำงานร่วมกันในระดับผิวเผิน: การกระจายอำนาจของ crypto สามารถ สร้างสมดุลระหว่างการรวมศูนย์ AI, AI นั้นทึบแสง และ crypto นำมาซึ่งความโปร่งใส, AI ต้องการข้อมูล และบล็อกเชนนั้นดีสำหรับการจัดเก็บและติดตามข้อมูล แต่ในช่วงหลายปีที่ผ่านมา เมื่อผู้คนขอให้ฉันเจาะลึกลงไปอีกระดับหนึ่งและพูดคุยเกี่ยวกับการใช้งานที่เฉพาะเจาะจง คำตอบของฉันก็น่าผิดหวัง: “ใช่ มีบางอย่างแต่ไม่มากขนาดนั้น”

ในช่วงสามปีที่ผ่านมา ด้วยการเพิ่มขึ้นของ AI ที่ทรงพลังมากขึ้นในรูปแบบของ LLM สมัยใหม่ และการเพิ่มขึ้นของ crypto ที่ทรงพลังมากขึ้นในรูปแบบของโซลูชันการปรับขนาดบล็อกเชน แต่ยังรวมถึง ZKPs, FHE, (สองฝ่ายและ N -party) กนง. ฉันเริ่มเห็นการเปลี่ยนแปลงนี้แล้ว มีการใช้งาน AI ที่มีแนวโน้มดีในระบบนิเวศบล็อกเชน หรือ AI ร่วมกับการเข้ารหัส แม้ว่าสิ่งสำคัญคือต้องระมัดระวังเกี่ยวกับวิธีการนำ AI ไปใช้ ความท้าทายเฉพาะคือ: ในวิทยาการเข้ารหัสลับ โอเพ่นซอร์สเป็นวิธีเดียวที่จะสร้างบางสิ่งที่ปลอดภัยอย่างแท้จริง แต่ใน AI การเปิดโมเดล (หรือแม้แต่ข้อมูลการฝึก) จะเพิ่มความเสี่ยงต่อการโจมตี การเรียนรู้ของเครื่องของฝ่ายตรงข้าม อย่างมาก โพสต์นี้จะอธิบายผ่านการจำแนกประเภทของวิธีต่างๆ ที่ crypto + AI สามารถตัดกัน และโอกาสและความท้าทายของแต่ละหมวดหมู่

บทสรุประดับสูงของจุดตัดของ crypto+AI จาก โพสต์บล็อก uETH แต่จะต้องทำอย่างไรจึงจะตระหนักถึงการทำงานร่วมกันเหล่านี้ในการใช้งานที่เป็นรูปธรรม?

สี่ประเภทหลัก

AI เป็นแนวคิดที่กว้างมาก: คุณสามารถนึกถึง "AI" ว่าเป็นชุดของอัลกอริธึมที่คุณสร้างขึ้นโดยไม่ได้ระบุอย่างชัดเจน แต่เป็นการกวนซุปคอมพิวเตอร์ขนาดใหญ่และเพิ่มแรงกดดันในการเพิ่มประสิทธิภาพบางอย่างที่จะดันซุปไปทาง สร้างอัลกอริธึมที่มีคุณสมบัติตามที่คุณต้องการ คำอธิบายนี้ไม่ควรมองข้ามเด็ดขาด: คำอธิบายนี้ รวมถึง กระบวนการ ที่ สร้าง มนุษย์เราตั้งแต่แรกด้วย! แต่มันหมายความว่าอัลกอริธึม AI มีคุณสมบัติทั่วไปบางประการ นั่นคือ ความสามารถในการทำสิ่งต่าง ๆ ที่ทรงพลังอย่างยิ่ง พร้อมด้วยขีดจำกัดในความสามารถของเราในการรู้หรือเข้าใจสิ่งที่เกิดขึ้นภายใต้ประทุน

มีหลายวิธีในการจัดหมวดหมู่ AI; สำหรับวัตถุประสงค์ของโพสต์นี้ ซึ่งพูดถึงปฏิสัมพันธ์ระหว่าง AI และบล็อกเชน (ซึ่งได้รับการอธิบายว่าเป็นแพลตฟอร์มสำหรับ <a href="https://medium.com/@virgilgr/ethereum-is-game-changing-technology- ตัวอักษร-d67e01a01cf8">การสร้าง "เกม" ) ฉันจะจัดหมวดหมู่ดังนี้:

• AI ในฐานะผู้เล่นในเกม [ความสามารถสูงสุด]: AI มีส่วนร่วมในกลไกที่แหล่งที่มาสูงสุดของสิ่งจูงใจมาจากโปรโตคอลที่มีการป้อนข้อมูลของมนุษย์
• AI เป็นส่วนต่อประสานกับเกม [มีศักยภาพสูง แต่มีความเสี่ยง]: AI ช่วยให้ผู้ใช้เข้าใจโลก crypto รอบตัวพวกเขา และเพื่อให้แน่ใจว่าพฤติกรรมของพวกเขา (เช่น ข้อความและธุรกรรมที่ลงนาม) ตรงกับความตั้งใจและไม่ถูกหลอกหรือหลอกลวง
• AI เป็นกฎของเกม [ก้าวอย่างระมัดระวัง]: บล็อกเชน, DAO และกลไกที่คล้ายกันเรียกใช้ AI โดยตรง คิดเช่น. “ผู้พิพากษาเอไอ”
• AI เป็นวัตถุประสงค์ของเกม [ระยะยาวแต่น่าสนใจ]: การออกแบบ blockchains, DAO และกลไกที่คล้ายกันโดยมีเป้าหมายในการสร้างและบำรุงรักษา AI ที่สามารถใช้เพื่อวัตถุประสงค์อื่น โดยใช้ crypto bits เพื่อจูงใจการฝึกอบรมให้ดีขึ้นหรือเพื่อ ป้องกันไม่ให้ AI รั่วไหลข้อมูลส่วนตัวหรือนำไปใช้ในทางที่ผิด

ให้เราผ่านสิ่งเหล่านี้ทีละคน

AI ในฐานะผู้เล่นในเกม

นี่เป็นหมวดหมู่ที่มีอยู่มาเกือบทศวรรษแล้ว อย่างน้อยก็นับตั้งแต่ on-chain decentralized exchanges (DEX) เริ่มเห็นการใช้งานที่สำคัญ เมื่อใดก็ตามที่มีการแลกเปลี่ยน มีโอกาสที่จะสร้างรายได้ผ่านการเก็งกำไร และบอทก็สามารถทำการเก็งกำไรได้ดีกว่ามนุษย์มาก กรณีการใช้งานนี้มีมานานแล้ว แม้ว่าจะมี AI ที่เรียบง่ายกว่าที่เรามีในปัจจุบันมาก แต่ท้ายที่สุดแล้ว มันก็เป็นจุดตัดระหว่าง AI + Crypto ที่แท้จริง เมื่อไม่นานมานี้ เราได้เห็นบอทเก็งกำไรของ MEV มักจะหาประโยชน์จากกันและกัน ทุกครั้งที่คุณมีแอปพลิเคชันบล็อกเชนที่เกี่ยวข้องกับการประมูลหรือการซื้อขาย คุณจะมีบอทเก็งกำไร

แต่บอตการเก็งกำไรของ AI เป็นเพียงตัวอย่างแรกของหมวดหมู่ที่ใหญ่กว่ามาก ซึ่งฉันคาดว่าจะเริ่มรวมแอปพลิเคชันอื่น ๆ อีกมากมายในไม่ช้า พบกับ AIOmen การสาธิตตลาดการคาดการณ์ที่ AI เป็นผู้เล่น:

ตลาดการคาดการณ์ถือเป็นจอกศักดิ์สิทธิ์ของเทคโนโลยีญาณวิทยามาเป็นเวลานาน ฉันรู้สึกตื่นเต้นกับการใช้ตลาดการคาดการณ์เป็นข้อมูลสำหรับการกำกับดูแล (“futarchy”) ย้อนกลับไปในปี 2014 และ เล่นกับพวกเขาอย่างกว้างขวาง ในการเลือกตั้งครั้งล่าสุดและ เมื่อเร็ว ๆ นี้ แต่จนถึงขณะนี้ ตลาดการคาดการณ์ยังไม่ได้ดำเนินการมากเกินไปในทางปฏิบัติ และมีเหตุผลหลายประการที่ให้ไว้โดยทั่วไปว่าทำไม: ผู้เข้าร่วมรายใหญ่ที่สุดมักจะไม่มีเหตุผล คนที่มีความรู้ที่ถูกต้องไม่เต็มใจที่จะใช้เวลาและเดิมพัน เว้นแต่จะมีจำนวนมาก เงินมีส่วนเกี่ยวข้อง ตลาดมักจะเบาบาง ฯลฯ

คำตอบประการหนึ่งสำหรับเรื่องนี้คือการชี้ไปที่การปรับปรุง UX อย่างต่อเนื่องใน Polymarket หรือตลาดการคาดการณ์ใหม่อื่นๆ และหวังว่าพวกเขาจะประสบความสำเร็จในกรณีที่การทำซ้ำก่อนหน้านี้ล้มเหลว ท้ายที่สุดแล้ว เรื่องราวดำเนินไป ผู้คนเต็มใจที่จะเดิมพัน กีฬานับหมื่นล้าน ดังนั้นทำไมผู้คนถึงไม่ทุ่มเงินมากพอในการเดิมพันการเลือกตั้งของสหรัฐอเมริกาหรือ LK99 จนเริ่มสมเหตุสมผลสำหรับผู้เล่นที่จริงจังที่จะเริ่มเข้ามา แต่ข้อโต้แย้งนี้ต้องโต้แย้งกับความจริงที่ว่า การทำซ้ำครั้งก่อนๆ ล้มเหลวในการไปถึงระดับนี้ (อย่างน้อยก็เมื่อเทียบกับความฝันของผู้เสนอ) และดูเหมือนว่าคุณต้องการสิ่งใหม่เพื่อทำให้ตลาดการคาดการณ์ประสบความสำเร็จ ดังนั้นการตอบสนองที่แตกต่างออกไปคือการชี้ไปที่คุณลักษณะเฉพาะอย่างหนึ่งของระบบนิเวศตลาดการคาดการณ์ที่เราคาดว่าจะเห็นในปี 2020 ซึ่งเราไม่ได้เห็นในปี 2010: ความเป็นไปได้ของการมีส่วนร่วมที่แพร่หลายโดย AI

AI ยินดีที่จะทำงานในราคาต่ำกว่า 1 ดอลลาร์ต่อชั่วโมง และมีความรู้เกี่ยวกับสารานุกรม และหากยังไม่เพียงพอ ก็สามารถบูรณาการเข้ากับความสามารถในการค้นหาเว็บแบบเรียลไทม์ได้ หากคุณสร้างตลาดและตั้งเงินอุดหนุนสภาพคล่องจำนวน 50 ดอลลาร์ มนุษย์จะไม่สนใจมากพอที่จะเสนอราคา แต่ AI นับพันจะรุมตอบคำถามอย่างง่ายดายและคาดเดาได้ดีที่สุดเท่าที่จะทำได้ แรงจูงใจในการทำงานให้ดีกับคำถามข้อใดข้อหนึ่งอาจมีเพียงเล็กน้อย แต่แรงจูงใจในการสร้าง AI ที่คาดการณ์ได้ดีโดยทั่วไปอาจมีอยู่นับล้าน โปรดทราบว่าคุณไม่จำเป็นต้องให้มนุษย์ตัดสินคำถามส่วนใหญ่ด้วยซ้ำ คุณสามารถใช้ระบบการโต้แย้งแบบหลายรอบได้คล้ายกับ Augur หรือ Kleros โดยที่ AI จะเป็นผู้มีส่วนร่วมในรอบก่อนหน้านี้ มนุษย์จะต้องตอบสนองเฉพาะในกรณีที่มีการบานปลายเกิดขึ้นหลายครั้งและมีการทำเงินจำนวนมากจากทั้งสองฝ่าย

นี่เป็นวิธีดั้งเดิมที่ทรงพลัง เพราะเมื่อ "ตลาดการคาดการณ์" สามารถทำงานในระดับจุลทรรศน์ได้ คุณจะสามารถนำ "ตลาดการคาดการณ์" ดั้งเดิมกลับมาใช้ซ้ำได้สำหรับคำถามประเภทอื่น ๆ อีกมากมาย:

• โพสต์บนโซเชียลมีเดียนี้ยอมรับภายใต้ [ข้อกำหนดการใช้งาน] หรือไม่
• จะเกิดอะไรขึ้นกับราคาหุ้น X (เช่น ดู ตัวเลข)
• บัญชีนี้ที่กำลังส่งข้อความถึงฉันอยู่เป็น Elon Musk จริงหรือ
• การส่งงานนี้ในตลาดงานออนไลน์เป็นที่ยอมรับหรือไม่
• dApp ที่ https://examplefinance.network เป็นการหลอกลวงหรือไม่?
• คือ 0x1b54….98c3 จริงๆ แล้วเป็นที่อยู่ของโทเค็น “Casinu Inu” ERC20 ใช่ไหม

คุณอาจสังเกตเห็นว่าแนวคิดเหล่านี้จำนวนมากไปในทิศทางของสิ่งที่ฉันเรียกว่า "การป้องกันข้อมูล " ในงานเขียนของฉันเรื่อง "d/acc" คำถามที่มีคำจำกัดความกว้างๆ คือ เราจะช่วยให้ผู้ใช้แยกแยะข้อมูลจริงและข้อมูลเท็จ และตรวจจับการหลอกลวงได้อย่างไร โดยไม่ต้องให้อำนาจแก่หน่วยงานส่วนกลางในการตัดสินว่าใครถูกและผิดว่าใครอาจละเมิดตำแหน่งนั้น ในระดับจุลภาค คำตอบอาจเป็น “AI” แต่ในระดับมหภาค คำถามคือ ใครเป็นผู้สร้าง AI? AI เป็นเพียงภาพสะท้อนของกระบวนการที่สร้างมันขึ้นมา ดังนั้นจึงไม่สามารถหลีกเลี่ยงการมีอคติได้ ดังนั้นจึงจำเป็นต้องมีเกมระดับสูงขึ้นซึ่งจะตัดสินว่า AI ต่างๆ ทำงานได้ดีเพียงใด โดยที่ AI สามารถมีส่วนร่วมในฐานะผู้เล่นในเกมได้

การใช้ AI นี้ โดยที่ AI มีส่วนร่วมในกลไกที่พวกเขาได้รับรางวัลหรือลงโทษในที่สุด (อาจเป็นไปได้) โดยกลไกออนไลน์ที่รวบรวมข้อมูลจากมนุษย์ (เรียกว่า RLHF ตามตลาดแบบกระจายอำนาจ ?) เป็นสิ่งที่ฉันคิดว่าเป็นจริง คุ้มค่าที่จะดู ตอนนี้เป็นเวลาที่เหมาะสมที่จะพิจารณากรณีการใช้งานเช่นนี้ให้มากขึ้น เนื่องจากในที่สุดการปรับขนาดบล็อคเชนก็ประสบความสำเร็จ ทำให้ในที่สุดสิ่งใดก็ตามแบบ “ไมโคร-” ก็สามารถทำงานได้บนเชนเมื่อไม่เคยเกิดขึ้นมาก่อน

หมวดหมู่ของแอปพลิเคชันที่เกี่ยวข้องมุ่งไปในทิศทางของตัวแทนที่เป็นอิสระสูง โดยใช้บล็อกเชนเพื่อให้ความร่วมมือดีขึ้น ไม่ว่าจะผ่านการชำระเงินหรือผ่านการใช้สัญญาอัจฉริยะเพื่อสร้างข้อผูกพันที่น่าเชื่อถือ

AI เป็นส่วนต่อประสานกับเกม

แนวคิดหนึ่งที่ฉันหยิบยกขึ้น มาในงานเขียน ของฉันคือแนวคิดที่ว่ามีโอกาสทางการตลาดในการเขียนซอฟต์แวร์ที่ต้องพบปะกับผู้ใช้ซึ่งจะปกป้องผลประโยชน์ของผู้ใช้โดยการตีความและระบุอันตรายในโลกออนไลน์ที่ผู้ใช้กำลังสำรวจอยู่ ตัวอย่างหนึ่งที่มีอยู่แล้วคือคุณลักษณะการตรวจจับการหลอกลวงของ Metamask:

อีกตัวอย่างหนึ่งคือคุณลักษณะการจำลอง ของ Rabby Wallet ซึ่งแสดงให้ผู้ใช้เห็นถึงผลที่ตามมาของการทำธุรกรรมที่พวกเขากำลังจะลงนาม

Rabby อธิบายให้ฉันฟังถึงผลที่ตามมาของการลงนามในธุรกรรมเพื่อแลกเปลี่ยน “BITCOIN” ทั้งหมดของฉัน (สัญลักษณ์ของ memecoin ERC20 ซึ่งมีชื่อเต็มว่า “HarryPotterObamaSonic10Inu“) สำหรับ ETH

แก้ไข 2024.02.02: โพสต์เวอร์ชันก่อนหน้านี้อ้างถึงโทเค็นนี้ว่าเป็นกลโกงที่พยายามแอบอ้างเป็น Bitcoin มันไม่ใช่; มันคือมีมคอยน์ ขออภัยในความสับสน

อาจเป็นไปได้ว่าเครื่องมือประเภทนี้อาจอัดแน่นไปด้วย AI AI สามารถให้คำอธิบายที่เป็นมิตรต่อมนุษย์ได้ดียิ่งขึ้นว่าคุณเข้าร่วม DApp ประเภทใด ผลที่ตามมาของการดำเนินการที่ซับซ้อนมากขึ้นที่คุณกำลังลงนาม ไม่ว่าโทเค็นใด ๆ จะเป็นของแท้หรือไม่ (เช่น BITCOIN ไม่ใช่เพียงชุดอักขระ แต่โดยปกติแล้วจะเป็นชื่อของสกุลเงินดิจิทัลหลัก ซึ่งไม่ใช่โทเค็น ERC20 และมีราคาสูงกว่า $0.045 และ LLM สมัยใหม่จะรู้เรื่องนี้) และอื่นๆ มีโครงการต่างๆ ที่เริ่มดำเนินการไปในทิศทางนี้ (เช่น กระเป๋าเงิน LangChain ซึ่งใช้ AI เป็นอินเทอร์เฟซหลัก) ความคิดเห็นของฉันคืออินเทอร์เฟซ AI บริสุทธิ์อาจมีความเสี่ยงเกินไปในขณะนี้ เนื่องจากจะเพิ่มความเสี่ยงของ ข้อผิดพลาดประเภทอื่น ๆ แต่ AI ที่เสริมอินเทอร์เฟซแบบเดิม ๆ ก็เริ่มมีศักยภาพมากขึ้น

มีความเสี่ยงประการหนึ่งที่ควรกล่าวถึง ฉันจะอธิบายเพิ่มเติมในส่วน "AI ตามกฎของเกม" ด้านล่าง แต่ปัญหาทั่วไปคือการเรียนรู้ของเครื่องของฝ่ายตรงข้าม: หากผู้ใช้สามารถเข้าถึงผู้ช่วย AI ภายในกระเป๋าเงินโอเพ่นซอร์ส ผู้ร้ายจะมี เข้าถึงผู้ช่วย AI ได้เช่นกัน ดังนั้นพวกเขาจะมีโอกาสไม่จำกัดในการเพิ่มประสิทธิภาพการหลอกลวงเพื่อไม่ให้กระตุ้นการป้องกันของกระเป๋าเงินนั้น AI ยุคใหม่ทั้งหมดมีข้อบกพร่องอยู่ที่ไหนสักแห่ง และไม่ใช่เรื่องยากเกินไปสำหรับกระบวนการฝึกอบรม แม้แต่กระบวนการที่ เข้าถึงโมเดลได้อย่างจำกัด เพื่อค้นหาพวกมัน

นี่คือจุดที่ “AI ที่เข้าร่วมในตลาดขนาดเล็กบนเครือข่าย” ทำงานได้ดีขึ้น: AI แต่ละตัวมีความเสี่ยงต่อความเสี่ยงเดียวกัน แต่คุณตั้งใจสร้างระบบนิเวศแบบเปิดที่มีผู้คนหลายสิบคนคอยทำซ้ำและปรับปรุงอย่างต่อเนื่อง นอกจากนี้ AI แต่ละตัวจะถูกปิด: ความปลอดภัยของระบบมาจากความเปิดกว้างของกฎของเกม ไม่ใช่การทำงานภายในของผู้เล่นแต่ละคน

สรุป: AI สามารถช่วยให้ผู้ใช้เข้าใจสิ่งที่เกิดขึ้นในภาษาธรรมดา สามารถทำหน้าที่เป็นครูสอนพิเศษแบบเรียลไทม์ สามารถปกป้องผู้ใช้จากข้อผิดพลาด แต่ควรได้รับคำเตือนเมื่อพยายามใช้โดยตรงกับผู้ให้ข้อมูลที่ไม่ถูกต้องและผู้หลอกลวงที่เป็นอันตราย

AI เป็นกฎของเกม

ตอนนี้เรามาถึงแอปพลิเคชั่นที่ผู้คนจำนวนมากตื่นเต้น แต่ฉันคิดว่ามันมีความเสี่ยงที่สุด และจุดที่เราต้องดำเนินการอย่างระมัดระวังที่สุด: สิ่งที่ฉันเรียกว่า AI นั้นเป็นส่วนหนึ่งของกฎของเกม สิ่งนี้เชื่อมโยงกับความตื่นเต้นในหมู่ชนชั้นสูงทางการเมืองกระแสหลักเกี่ยวกับ "ผู้พิพากษา AI" (เช่น ดู บทความนี้ บนเว็บไซต์ของ "การประชุมสุดยอดรัฐบาลโลก") และมีความปรารถนาที่คล้ายคลึงกันในแอปพลิเคชันบล็อกเชน หากสัญญาอัจฉริยะที่ใช้บล็อกเชนหรือ DAO จำเป็นต้องตัดสินใจแบบอัตนัย (เช่น ผลงานเฉพาะเจาะจงเป็นที่ยอมรับในสัญญาจ้างงานหรือไม่? ข้อใดคือการตีความที่ถูกต้องของรัฐธรรมนูญที่ใช้ภาษาธรรมชาติ เช่น Optimism Law of Chains?) คุณช่วยให้ AI เป็นส่วนหนึ่งของสัญญาหรือ DAO เพื่อช่วยบังคับใช้กฎเหล่านี้ได้หรือไม่

นี่คือจุดที่ แมชชีนเลิร์นนิงของฝ่ายตรงข้าม กลายเป็นความท้าทายที่ยากมาก อาร์กิวเมนต์สองประโยคพื้นฐานว่าทำไมจึงเป็นดังนี้:

หากโมเดล AI ที่มีบทบาทสำคัญในกลไกถูกปิด คุณจะไม่สามารถตรวจสอบการทำงานภายในของโมเดลได้ และดังนั้นจึงไม่ได้ดีไปกว่าแอปพลิเคชันแบบรวมศูนย์ หากโมเดล AI เปิดอยู่ ผู้โจมตีจะสามารถดาวน์โหลดและจำลองมันในเครื่อง และออกแบบการโจมตีที่ได้รับการปรับปรุงให้เหมาะสมที่สุดเพื่อหลอกโมเดล ซึ่งพวกเขาสามารถเล่นซ้ำบนเครือข่ายสดได้

ตัวอย่างแมชชีนเลิร์นนิงของฝ่ายตรงข้าม ที่มา: researchgate.net

ตอนนี้ ผู้อ่านบล็อกนี้บ่อยครั้ง (หรือผู้ที่อาศัยอยู่ใน cryptoverse) อาจจะแซงหน้าฉันไปแล้ว และกำลังคิดว่า: แต่เดี๋ยวก่อน! เรามีการพิสูจน์ความรู้ที่เป็นศูนย์และรูปแบบการเข้ารหัสที่ยอดเยี่ยมอื่นๆ แน่นอนว่าเราสามารถทำเวทมนตร์เข้ารหัสได้ และซ่อนการทำงานภายในของโมเดลเพื่อให้ผู้โจมตีไม่สามารถเพิ่มประสิทธิภาพการโจมตีได้ แต่ในขณะเดียวกัน ก็พิสูจน์ได้ ว่าโมเดลนั้นได้รับการดำเนินการอย่างถูกต้อง และถูกสร้างขึ้นโดยใช้กระบวนการฝึกอบรมที่สมเหตุสมผลใน ชุดข้อมูลพื้นฐานที่สมเหตุสมผล!

โดยปกติแล้ว นี่เป็นประเภทความคิดที่ฉันสนับสนุนทั้งในบล็อกนี้และในงานเขียนอื่นๆ ของฉัน แต่ในกรณีของการคำนวณที่เกี่ยวข้องกับ AI มีข้อโต้แย้งที่สำคัญสองประการ:

1. ค่าใช้จ่ายในการเข้ารหัส: การทำบางอย่างภายใน SNARK (หรือ MPC หรือ...) มีประสิทธิภาพน้อยกว่าการทำ "อย่างชัดเจน" มาก เนื่องจาก AI มีความเข้มข้นในการคำนวณมากอยู่แล้ว การทำ AI ภายในกล่องดำที่เข้ารหัสลับนั้นสามารถทำได้ด้วยการคำนวณหรือไม่
2. การโจมตีแมชชีนเลิร์นนิงฝ่ายตรงข้ามกล่องดำ: มีวิธีเพิ่มประสิทธิภาพการโจมตีโมเดล AI แม้ว่าจะไม่ได้มีความรู้มาก นักเกี่ยวกับการทำงานภายในของโมเดลก็ตาม และถ้าคุณซ่อนมากเกินไป คุณเสี่ยงที่จะทำให้มันง่ายเกินไปสำหรับใครก็ตามที่เลือกข้อมูลการฝึกเพื่อสร้างความเสียหายให้กับโมเดลด้วย การโจมตี แบบพิษ

ทั้งสองอย่างนี้เป็นหลุมกระต่ายที่ซับซ้อน ดังนั้นเรามาดูแต่ละหลุมกันดีกว่า

ค่าใช้จ่ายด้านการเข้ารหัส

อุปกรณ์เข้ารหัสลับ โดยเฉพาะอุปกรณ์ใช้งานทั่วไป เช่น ZK-SNARK และ MPC มีค่าใช้จ่ายสูง บล็อก Ethereum ใช้เวลาสองสามร้อยมิลลิวินาทีเพื่อให้ไคลเอนต์ตรวจสอบโดยตรง แต่การสร้าง ZK-SNARK เพื่อพิสูจน์ความถูกต้องของบล็อกดังกล่าวอาจใช้เวลาหลายชั่วโมง ค่าใช้จ่ายทั่วไปของอุปกรณ์เข้ารหัสอื่น ๆ เช่น MPC อาจเลวร้ายยิ่งกว่านั้นอีก การคำนวณด้วย AI มีราคาแพงอยู่แล้ว: LLM ที่ทรงพลังที่สุดสามารถส่งออกคำแต่ละคำได้เร็วกว่าที่มนุษย์อ่านได้เพียงเล็กน้อย ไม่ต้องพูดถึงค่าใช้จ่ายในการฝึกอบรมแบบจำลองซึ่งมักจะมีมูลค่าหลายล้านดอลลาร์ ความแตกต่างในด้านคุณภาพระหว่างรุ่นระดับบนสุดและรุ่นที่พยายามประหยัด ต้นทุนการฝึกอบรม หรือ จำนวนพารามิเตอร์ มากขึ้นนั้นมีมาก เมื่อมองแวบแรก นี่เป็นเหตุผลที่ดีที่จะสงสัยในโครงการทั้งหมดที่พยายามเพิ่มการรับประกันให้กับ AI ด้วยการรวมไว้ในการเข้ารหัส

โชคดีที่ AI เป็นประเภทการคำนวณที่เฉพาะเจาะจงมาก ซึ่งทำให้คล้อยตามการปรับแต่งทุกประเภท ซึ่งการคำนวณประเภท "ไม่มีโครงสร้าง" เช่น ZK-EVM ไม่สามารถได้รับประโยชน์จาก ให้เราตรวจสอบโครงสร้างพื้นฐานของแบบจำลอง AI:

โดยปกติแล้ว โมเดล AI ส่วนใหญ่ประกอบด้วยชุดของการคูณเมทริกซ์สลับกับการดำเนินการที่ไม่ใช่เชิงเส้นต่อองค์ประกอบ เช่น ฟังก์ชัน ReLU) (y = max(x, 0)) การคูณเมทริกซ์จะทำงานส่วนใหญ่โดยไม่แสดงเชิงเส้นกำกับ: การคูณเมทริกซ์ N*N สองตัว จะใช้เวลา

�(�2.8)

เวลา ในขณะที่จำนวนการดำเนินการที่ไม่ใช่เชิงเส้นจะมีน้อยกว่ามาก สิ่งนี้สะดวกมากสำหรับการเข้ารหัส เนื่องจากการเข้ารหัสหลายรูปแบบสามารถดำเนินการเชิงเส้นได้ (ซึ่งการคูณเมทริกซ์จะเป็นอย่างน้อยถ้าคุณเข้ารหัสโมเดล แต่ไม่ใช่อินพุต) เกือบจะ "ฟรี"

หากคุณเป็นนักเข้ารหัส คุณอาจเคยได้ยินปรากฏการณ์ที่คล้ายกันในบริบทของ การเข้ารหัสแบบโฮโมมอร์ฟิก: การเพิ่มข้อความเข้ารหัสที่เข้ารหัสนั้นง่ายมาก แต่การคูณนั้นยากอย่างไม่น่าเชื่อและเราไม่ทราบวิธีดำเนินการเลย ด้วยความลึกไม่จำกัดจนถึงปี 2009

สำหรับ ZK-SNARK สิ่งที่เทียบเท่าคือ โปรโตคอลเช่นนี้ตั้งแต่ปี 2013 ซึ่งแสดงค่าใช้จ่ายน้อยกว่า 4x ในการพิสูจน์การคูณเมทริกซ์ น่าเสียดายที่ค่าใช้จ่ายในเลเยอร์ที่ไม่ใช่เชิงเส้นยังคงมีนัยสำคัญ และการใช้งานที่ดีที่สุดในการปฏิบัติจะแสดงค่าใช้จ่ายประมาณ 200x แต่ก็หวังว่าจะสามารถลดลงได้อย่างมากจากการวิจัยเพิ่มเติม ดู การนำเสนอนี้จาก Ryan Cao สำหรับแนวทางล่าสุดที่อิงตาม GKR และ คำอธิบายง่ายๆ ของฉันเองว่าองค์ประกอบหลักของ GKR ทำงานอย่างไร

แต่สำหรับแอปพลิเคชันจำนวนมาก เราไม่เพียงต้องการพิสูจน์ว่าเอาต์พุต AI ได้รับการคำนวณอย่างถูกต้อง เรายังต้องการซ่อนโมเดลด้วย มีแนวทางที่ไร้เดียงสาในเรื่องนี้: คุณสามารถแยกโมเดลเพื่อให้ชุดเซิร์ฟเวอร์ที่แตกต่างกันจัดเก็บแต่ละเลเยอร์ซ้ำซ้อน และหวังว่าเซิร์ฟเวอร์บางตัวที่รั่วไหลในเลเยอร์บางส่วนจะไม่ทำให้ข้อมูลรั่วไหลมากเกินไป แต่ยังมีรูปแบบ การคำนวณเฉพาะทางหลายฝ่าย ที่มีประสิทธิภาพอย่างน่าประหลาดใจอีกด้วย

แผนภาพแบบง่ายของหนึ่งในแนวทางเหล่านี้ ทำให้โมเดลเป็นแบบส่วนตัวแต่ทำให้อินพุตเป็นแบบสาธารณะ หากเราต้องการเก็บโมเดลและอินพุตไว้เป็นส่วนตัว เราก็สามารถทำได้ แม้ว่ามันจะซับซ้อนกว่านี้เล็กน้อย: ดูหน้า 8-9 ของ รายงาน

ในทั้งสองกรณี คุณธรรมของเรื่องราวจะเหมือนกัน: ส่วนที่ยิ่งใหญ่ที่สุดของการคำนวณ AI คือการคูณเมทริกซ์ ซึ่งเป็นไปได้ที่จะสร้าง ZK-SNARK หรือ MPC ที่มีประสิทธิภาพมาก (หรือแม้แต่ FHE) และดังนั้นค่าใช้จ่ายรวมของ การใส่ AI เข้าไปในกล่องเข้ารหัสนั้นต่ำอย่างน่าประหลาดใจ โดยทั่วไปแล้ว ชั้นที่ไม่เป็นเชิงเส้นจะเป็นคอขวดมากที่สุดแม้จะมีขนาดที่เล็กกว่าก็ตาม บางทีเทคนิคใหม่ๆ เช่น อาร์กิวเมนต์การค้นหา อาจช่วยได้

การเรียนรู้ของเครื่องฝ่ายตรงข้ามกล่องดำ

ตอนนี้ เรามาดูปัญหาใหญ่อีกข้อหนึ่งกัน: ประเภทของการโจมตีที่คุณสามารถทำได้ แม้ว่าเนื้อหาของโมเดลจะถูกเก็บไว้เป็นส่วนตัว และคุณมีเพียง “การเข้าถึง API” สำหรับโมเดลเท่านั้น อ้างอิง บทความจากปี 2559:

โมเดลแมชชีนเลิร์นนิงจำนวนมากเสี่ยงต่อตัวอย่างที่ขัดแย้งกัน: อินพุตที่สร้างขึ้นเป็นพิเศษเพื่อทำให้โมเดลแมชชีนเลิร์นนิงสร้างเอาต์พุตที่ไม่ถูกต้อง ตัวอย่างฝ่ายตรงข้ามที่ส่งผลกระทบต่อโมเดลหนึ่งมักจะส่งผลต่ออีกโมเดลหนึ่ง แม้ว่าทั้งสองโมเดลจะมีสถาปัตยกรรมที่แตกต่างกันหรือได้รับการฝึกในชุดการฝึกที่แตกต่างกัน ตราบใดที่ทั้งสองโมเดลได้รับการฝึกฝนให้ทำงานเดียวกัน ผู้โจมตีอาจฝึกโมเดลทดแทนของตนเอง สร้างตัวอย่างฝ่ายตรงข้ามเพื่อต่อต้านโมเดลทดแทน และโอนโมเดลเหล่านั้นไปยังโมเดลเหยื่อ โดยมีข้อมูลน้อยมากเกี่ยวกับเหยื่อ

ใช้การเข้าถึงกล่องดำสำหรับ "ตัวแยกประเภทเป้าหมาย" เพื่อฝึกและปรับแต่ง "ตัวแยกประเภทที่อนุมาน" ที่จัดเก็บไว้ในเครื่องของคุณเอง จากนั้น สร้างการโจมตีที่ปรับให้เหมาะสมเฉพาะกับคลาสไฟเออร์ที่อนุมาน ปรากฎว่าการโจมตีเหล่านี้มักจะทำงานกับตัวแยกประเภทเป้าหมายดั้งเดิมด้วย แหล่งที่มาของไดอะแกรม

คุณอาจสร้างการโจมตีโดยรู้เฉพาะข้อมูลการฝึกได้ แม้ว่าคุณจะมีสิทธิ์เข้าถึงโมเดลที่คุณกำลังพยายามโจมตีอย่างจำกัดหรือไม่มีเลยก็ตาม ในปี 2023 การโจมตีประเภทนี้ยังคงเป็นปัญหาใหญ่ต่อไป

เพื่อลดการโจมตีกล่องดำประเภทนี้อย่างมีประสิทธิภาพ เราต้องทำสองสิ่ง:

1. จำกัดจริงๆ ว่าใครหรืออะไรสามารถสืบค้นโมเดลได้และจำนวนเท่าใด กล่องดำที่มีการเข้าถึง API แบบไม่จำกัดนั้นไม่ปลอดภัย กล่องดำที่มีการจำกัดการเข้าถึง API มากอาจเป็นได้
2. ซ่อนข้อมูลการฝึก ในขณะเดียวกันก็รักษาความมั่นใจว่ากระบวนการที่ใช้ในการสร้างข้อมูลการฝึกนั้นไม่เสียหาย

โครงการที่ทำประโยชน์สูงสุดจากอดีตอาจเป็น Worldcoin ซึ่งฉันวิเคราะห์เวอร์ชันก่อนหน้า (ท่ามกลางโปรโตคอลอื่น ๆ ) โดยละเอียด ที่นี่ Worldcoin ใช้โมเดล AI อย่างกว้างขวางในระดับโปรโตคอล เพื่อ (i) แปลงการสแกนม่านตาเป็น “รหัสม่านตา” สั้นๆ ซึ่งสามารถเปรียบเทียบความคล้ายคลึงกันได้ง่าย และ (ii) ตรวจสอบให้แน่ใจว่าสิ่งที่สแกนนั้นคือมนุษย์จริงๆ การป้องกันหลักที่ Worldcoin พึ่งพาคือการที่ไม่ยอมให้ใครเรียกใช้โมเดล AI แต่ใช้ฮาร์ดแวร์ที่เชื่อถือได้เพื่อให้แน่ใจว่าโมเดลจะยอมรับเฉพาะอินพุตที่เซ็นชื่อแบบดิจิทัลโดยกล้องของ orb เท่านั้น

วิธีการนี้ไม่รับประกันว่าจะได้ผล แต่ปรากฎว่าคุณสามารถโจมตีฝ่ายตรงข้ามกับ AI ไบโอเมตริกซ์ที่มาในรูปแบบของแผ่นแปะทางกายภาพหรือเครื่องประดับที่คุณสามารถใส่บนใบหน้าได้:

สวมสิ่งพิเศษบนหน้าผากของคุณ และหลบเลี่ยงการตรวจจับหรือแม้แต่แอบอ้างเป็นบุคคลอื่น แหล่งที่มา.

แต่ความหวังก็คือว่า หากคุณรวมการป้องกันทั้งหมดเข้าด้วยกัน ซ่อนโมเดล AI เอง จำกัดจำนวนการสืบค้นอย่างมาก และกำหนดให้แต่ละการสืบค้นได้รับการตรวจสอบสิทธิ์ คุณจะสามารถโจมตีฝ่ายตรงข้ามได้ยากพอที่ระบบจะปลอดภัยได้ ในกรณีของ Worldcoin การเพิ่มการป้องกันอื่น ๆ เหล่านี้ยังสามารถลดการพึ่งพาฮาร์ดแวร์ที่เชื่อถือได้ ซึ่งจะเป็นการเพิ่มการกระจายอำนาจของโครงการ

และนี่จะนำเราไปสู่ส่วนที่สอง: เราจะซ่อนข้อมูลการฝึกอบรมได้อย่างไร นี่คือจุดที่ "DAO เพื่อควบคุม AI ตามระบอบประชาธิปไตย" อาจสมเหตุสมผลจริง ๆ เราสามารถสร้าง DAO แบบออนไลน์ที่ควบคุมกระบวนการของผู้ที่ได้รับอนุญาตให้ส่งข้อมูลการฝึกอบรม (และต้องมีการรับรองอะไรบ้างในข้อมูลนั้นเอง) ใครที่ได้รับอนุญาต เพื่อสร้างแบบสอบถามและจำนวน และใช้เทคนิคการเข้ารหัสเช่น MPC เพื่อเข้ารหัสไปป์ไลน์ทั้งหมดของการสร้างและเรียกใช้ AI จากอินพุตการฝึกอบรมของผู้ใช้แต่ละรายไปจนถึงเอาต์พุตสุดท้ายของแต่ละแบบสอบถาม DAO นี้สามารถตอบสนองวัตถุประสงค์ที่ได้รับความนิยมอย่างสูงในการชดเชยผู้คนในการส่งข้อมูลไปพร้อมๆ กัน

สิ่งสำคัญคือต้องย้ำอีกครั้งว่าแผนนี้มีความทะเยอทะยานอย่างยิ่ง และมีหลายวิธีที่อาจพิสูจน์ได้ว่าทำไม่ได้ในทางปฏิบัติ:

• ค่าใช้จ่ายด้านการเข้ารหัสอาจสูงเกินไปสำหรับสถาปัตยกรรมกล่องดำเต็มรูปแบบประเภทนี้ที่จะแข่งขันกับแนวทาง "เชื่อใจฉัน" แบบปิดแบบดั้งเดิมได้
• อาจกลายเป็นว่าไม่มีวิธีที่ดีในการทำให้กระบวนการส่งข้อมูลการฝึกอบรมมีการกระจายอำนาจและป้องกันการโจมตีแบบเป็นพิษ
• อุปกรณ์คำนวณแบบหลายฝ่ายอาจทำลายการรับประกันความปลอดภัยหรือความเป็นส่วนตัวเนื่องจากผู้เข้าร่วมสมรู้ร่วมคิด: หลังจากนั้น สิ่งนี้ก็เกิดขึ้นกับสะพานเชื่อมสกุลเงินดิจิทัลแบบข้ามสายโซ่ ครั้ง แล้วครั้ง เล่า

เหตุผลหนึ่งที่ฉันไม่เริ่มส่วนนี้ด้วยป้ายคำเตือนสีแดงขนาดใหญ่ที่ระบุว่า "อย่าทำ AI JUDGES นั่นเป็น DYSTOPIAN" ก็คือสังคมของเราขึ้นอยู่กับผู้ตัดสิน AI ที่รวมศูนย์ซึ่งไม่มีความรับผิดชอบอยู่แล้ว: อัลกอริธึมที่กำหนดประเภทของ โพสต์และความคิดเห็นทางการเมืองได้รับการส่งเสริมและลดการสนับสนุน หรือแม้แต่เซ็นเซอร์บนโซเชียลมีเดีย ฉันคิดว่าการขยายแนวโน้มนี้ต่อไปในขั้นตอนนี้ถือเป็นความคิดที่ไม่ดี แต่ฉันไม่คิดว่ามีโอกาสมากที่ชุมชนบล็อคเชนที่ทดลองใช้ AI มากขึ้นจะเป็นสิ่งที่มีส่วนทำให้แย่ลง

ในความเป็นจริง มีวิธีที่มีความเสี่ยงต่ำขั้นพื้นฐานที่เทคโนโลยี crypto สามารถทำให้แม้แต่ระบบรวมศูนย์ที่มีอยู่เหล่านี้ดีขึ้น ซึ่งฉันค่อนข้างมั่นใจ เทคนิคง่ายๆ ประการหนึ่งได้รับการตรวจสอบ AI ด้วยการเผยแพร่ล่าช้า: เมื่อไซต์โซเชียลมีเดียทำการจัดอันดับโพสต์ตาม AI ก็อาจเผยแพร่ ZK-SNARK เพื่อพิสูจน์แฮชของโมเดลที่สร้างการจัดอันดับนั้น เว็บไซต์สามารถมุ่งมั่นที่จะเปิดเผยโมเดล AI ของตนหลังจากเช่น ล่าช้าหนึ่งปี เมื่อโมเดลถูกเปิดเผย ผู้ใช้สามารถตรวจสอบแฮชเพื่อยืนยันว่าโมเดลที่ถูกต้องได้รับการเผยแพร่ และชุมชนสามารถทำการทดสอบโมเดลเพื่อตรวจสอบความเป็นธรรมได้ ความล่าช้าในการเผยแพร่จะทำให้แน่ใจได้ว่าเมื่อถึงเวลาที่มีการเปิดเผยโมเดล โมเดลนั้นจะล้าสมัยไปแล้ว

ดังนั้น เมื่อเปรียบเทียบกับโลกที่รวมศูนย์แล้ว คำถามไม่ได้อยู่ที่ว่าเราจะทำได้ดีกว่านี้หรือไม่ แต่คำถามคือทำได้มากน้อยเพียงใด อย่างไรก็ตาม สำหรับโลกที่มีการกระจายอำนาจ สิ่งสำคัญคือต้องระวัง: หากมีคนสร้าง เช่น ตลาดทำนายหรือเหรียญเสถียรที่ใช้ AI oracle และปรากฎว่า oracle สามารถโจมตีได้ นั่นเป็นเงินจำนวนมหาศาลที่อาจหายไปในทันที

AI เป็นเป้าหมายของเกม

หากเทคนิคข้างต้นสำหรับการสร้าง AI ส่วนตัวแบบกระจายอำนาจที่ปรับขนาดได้ ซึ่งมีเนื้อหาอยู่ในกล่องดำที่ไม่มีใครรู้จักนั้นสามารถใช้งานได้จริง ก็สามารถนำมาใช้เพื่อสร้าง AI ที่มีประโยชน์มากกว่าบล็อกเชนได้ ทีมงานโปรโตคอล NEAR กำลังทำให้สิ่งนี้เป็น วัตถุประสงค์หลักของการทำงานที่กำลังดำเนินอยู่

มีเหตุผลสองประการในการทำเช่นนี้:

1. หากคุณสามารถสร้าง “AI กล่องดำที่น่าเชื่อถือ” โดยการรันกระบวนการฝึกอบรมและการอนุมานโดยใช้บล็อกเชนและ MPC ร่วมกัน แอปพลิเคชันจำนวนมากที่ผู้ใช้กังวลเกี่ยวกับระบบที่มีอคติหรือการโกงพวกเขาจะได้รับประโยชน์จากมัน หลายๆ คนได้แสดงความปรารถนาที่จะมี ธรรมาภิบาลในระบอบประชาธิปไตย ของ AI ที่มีความสำคัญอย่างเป็นระบบซึ่งเราจะพึ่งพา เทคนิคการเข้ารหัสและบล็อคเชนอาจเป็นหนทางสู่การทำเช่นนั้น
2. จากมุมมองด้านความปลอดภัยของ AI นี่จะเป็นเทคนิคในการสร้าง AI แบบกระจายอำนาจซึ่งมี Kill Switch ตามธรรมชาติ และอาจจำกัดการค้นหาที่ต้องการใช้ AI สำหรับพฤติกรรมที่เป็นอันตราย

นอกจากนี้ยังเป็นที่น่าสังเกตว่า “การใช้สิ่งจูงใจ crypto เพื่อจูงใจในการสร้าง AI ที่ดีขึ้น” สามารถทำได้โดยไม่ต้องลงหลุมกระต่ายเต็มรูปแบบของการใช้การเข้ารหัสเพื่อเข้ารหัสอย่างสมบูรณ์: วิธีการเช่น BitTensor ตกอยู่ในหมวดหมู่นี้

ข้อสรุป

ขณะนี้ทั้งบล็อคเชนและ AI กำลังมีประสิทธิภาพมากขึ้น จึงมีกรณีการใช้งานจำนวนมากขึ้นในบริเวณที่ทั้งสองพื้นที่มาบรรจบกัน อย่างไรก็ตาม กรณีการใช้งานเหล่านี้บางกรณีก็สมเหตุสมผลมากกว่าและมีประสิทธิภาพมากกว่ากรณีอื่นๆ มาก โดยทั่วไป กรณีการใช้งานที่กลไกพื้นฐานยังคงได้รับการออกแบบคร่าวๆ เหมือนเมื่อก่อน แต่ผู้เล่นแต่ละคนกลายเป็น AI ซึ่งช่วยให้กลไกทำงานได้อย่างมีประสิทธิภาพในระดับจุลภาคที่มากขึ้น ถือเป็นสิ่งที่มีแนวโน้มในทันทีและง่ายที่สุดในการทำให้ถูกต้อง

สิ่งที่ท้าทายที่สุดในการทำให้ถูกต้องคือแอปพลิเคชันที่พยายามใช้บล็อกเชนและเทคนิคการเข้ารหัสเพื่อสร้าง "singleton": AI ที่เชื่อถือได้แบบกระจายอำนาจเพียงตัวเดียว ซึ่งบางแอปพลิเคชันจะต้องพึ่งพาเพื่อวัตถุประสงค์บางอย่าง แอปพลิเคชันเหล่านี้มีแนวโน้มทั้งในด้านฟังก์ชันการทำงานและการปรับปรุงความปลอดภัยของ AI ในลักษณะที่หลีกเลี่ยงความเสี่ยงจากการรวมศูนย์ที่เกี่ยวข้องกับแนวทางหลักในการแก้ปัญหาดังกล่าว แต่ก็มีหลายวิธีเช่นกันที่สมมติฐานพื้นฐานอาจล้มเหลว ดังนั้นจึงควรดำเนินการอย่างระมัดระวัง โดยเฉพาะอย่างยิ่งเมื่อปรับใช้แอปพลิเคชันเหล่านี้ในบริบทที่มีมูลค่าสูงและมีความเสี่ยงสูง

ฉันหวังว่าจะได้เห็นความพยายามมากขึ้นในการใช้งาน AI อย่างสร้างสรรค์ในทุกด้านเหล่านี้ เพื่อให้เราเห็นว่ากรณีใดที่สามารถใช้งานได้จริงในวงกว้าง

ข้อสงวนสิทธิ์：

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