• Возникновение (Emergence): Явление, при котором множество мелких сущностей взаимодействуют, образуя более крупное целое, демонстрирующее новые характеристики, которыми не обладали отдельные компоненты, например, возникновение, наблюдаемое в биологических системах, изучаемых в химии.
• Галлюцинация: Склонность моделей к получению обманчивых данных, когда модели ИИ генерируют результаты, которые кажутся правильными, но на самом деле являются ошибочными.

Связь между ИИ и криптовалютами демонстрирует явные колебания. С тех пор, как AlphaGo победил профессиональных игроков в Го в 2016 году, в криптовалютном мире появились попытки объединить эти два направления, например, спонтанное возникновение таких проектов, как Fetch.AI. С появлением GPT-4 в 2023 году тенденция "ИИ + криптовалюта" возродилась, примером чего может служить выпуск WorldCoin. Кажется, человечество готово вступить в утопическую эру, где ИИ будет отвечать за производительность, а криптовалюта будет заниматься распределением.

Эти настроения достигли своего пика после того, как OpenAI выпустила приложение Sora для синтеза текста в видео. Однако эмоции часто включают в себя иррациональные элементы. Ли Ичжоу, например, похоже, относится к сегменту непонятых, примером которого является:

• Смешение конкретных приложений ИИ с разработкой алгоритмов. Хотя Sora и лежащие в основе GPT-4 принципы трансформеров имеют открытый исходный код, их использование требует оплаты OpenAI.
• Сочетание ИИ и криптовалют в настоящее время больше похоже на то, что криптовалюты проявляют инициативу в отношении ИИ, поскольку крупные гиганты ИИ не проявили явного желания. На данном этапе то, что ИИ может сделать для криптовалют, превосходит то, что криптовалюты могут сделать для ИИ.
• Использование технологии ИИ в криптовалютных приложениях не равнозначно интеграции ИИ и криптовалют, как это наблюдается в таких приложениях, как блокчейн-игры, GameFi, метавселенные проекты, Web3 Games и цифровые персоны во вселенной AW.
• Вклад, который криптовалюты могут внести в развитие технологий ИИ, в первую очередь, заключается в децентрализации и поощрении токенами трех компонентов ИИ: вычислительных мощностей, данных и моделей.
• WorldCoin представляет собой успешную интеграцию обоих направлений: zkML находится на пересечении технологий искусственного интеллекта и криптовалют, а теория UBI (Universal Basic Income - универсальный базовый доход) переживает свое первое крупномасштабное воплощение.

В этой статье мы сосредоточимся на преимуществах, которые криптовалюты могут принести искусственному интеллекту, поскольку текущие криптопроекты, делающие акцент на применении искусственного интеллекта, в основном рассматриваются как маркетинговые уловки и не подходят для нашего обсуждения.

От линейной регрессии до трансформатора

В течение долгого времени в центре дискуссий об ИИ стоял вопрос о том, приведет ли "появление" искусственного интеллекта к созданию разумных существ, похожих на тех, что были в фильме "Матрица", или цивилизации на основе кремния. Опасения по поводу взаимодействия между людьми и технологиями ИИ не утихают, и это подтверждают как недавние примеры, такие как появление Sora, так и более ранние, например, GPT-4 (2023), AlphaGo (2016), а в 1997 году компьютер IBM Deep Blue победил чемпиона мира по шахматам.

Пока эти опасения не оправдались, давайте расслабимся и вкратце обрисуем механизм, лежащий в основе ИИ.

Начиная с линейной регрессии, по сути, простого линейного уравнения, такого как механизм похудения Цзя Лина, известного китайского актера, мы можем сделать следующее обобщение. Здесь x и y представляют собой взаимосвязь между потреблением калорий и весом, указывая на то, что употребление большего количества пищи естественным образом приводит к набору веса, а если Вы хотите похудеть, Вам следует есть меньше.

Однако такой подход порождает некоторые проблемы. Во-первых, существуют физиологические пределы человеческого роста и веса, и вряд ли Вы столкнетесь с трехметровыми гигантами или тысячекилограммовыми дамами. Поэтому рассмотрение ситуаций, выходящих за эти пределы, не имеет практического значения. Во-вторых, просто меньше есть и больше заниматься спортом не соответствует научным принципам снижения веса и в тяжелых случаях может навредить организму.

Мы представляем индекс массы тела (ИМТ), который измеряет соотношение между весом и ростом путем деления веса на квадрат роста. Для оценки взаимосвязи между ростом и весом с помощью трех факторов - питания, сна и физических упражнений - нам теперь нужны три параметра и два выхода. Линейной регрессии, очевидно, недостаточно, поэтому появились нейронные сети. Как следует из названия, нейронные сети имитируют структуру человеческого мозга, предполагая, что большее количество мыслей ведет к большей рациональности. Увеличение частоты и глубины мышления, известное как глубокое обучение (я провожу здесь несколько вольную аналогию), позволяет более тщательно обдумать ситуацию, прежде чем предпринимать какие-либо действия.

Краткий обзор истории развития алгоритмов искусственного интеллекта

Однако увеличение количества слоев не безгранично; все равно есть предел. При достижении критического порога эффективность может снизиться. Поэтому становится важным понять взаимосвязь между существующей информацией более разумным способом. Например, глубокое понимание более тонкой взаимосвязи между ростом и весом, обнаружение ранее незамеченных факторов, или Цзя Линь находит лучшего тренера, но не решается прямо выразить свое желание похудеть.

В таких сценариях Цзя Линь и тренер становятся соперниками в кодировании и декодировании, передавая туда-сюда смыслы, которые отражают истинные намерения обеих сторон. Однако в отличие от прямолинейного заявления "Я хочу похудеть, вот подарок для тренера", истинные намерения обеих сторон скрыты за "смыслом".

Мы заметили один факт: если количество итераций между двумя сторонами достаточно, смысл каждого сообщения становится легче расшифровать.

Если мы расширим эту модель, она будет представлять собой то, что в просторечии называют Большой Языковой Моделью (Large Language Model, LLM), изучающей контекстуальные отношения между словами и предложениями. В настоящее время большие модели расширились, чтобы охватить такие сценарии, как изображения и видео.

В спектре ИИ, будь то простая линейная регрессия или чрезвычайно сложный трансформер, все они являются алгоритмами или моделями. В дополнение к ним есть два существенных фактора: вычислительная мощность и данные.

Описание: Краткая история развития искусственного интеллекта, Источник: https://ourworldindata.org/brief-history-of-ai

Проще говоря, ИИ - это машина, которая обрабатывает данные, выполняет вычисления и выдает результаты. Однако, по сравнению с физическими существами, такими как роботы, ИИ является более виртуальным. С точки зрения вычислительной мощности, данных и моделей, текущий операционный процесс коммерциализации Web2 выглядит следующим образом:

• Данные делятся на публичные, принадлежащие компании и коммерческие, требующие профессиональной аннотации и предварительной обработки. Например, компания Scale AI обеспечивает предварительную обработку данных для основных компаний, занимающихся разработкой искусственного интеллекта.
• Вычислительные мощности делятся на два режима: самостоятельная покупка и аренда облачных вычислений. В настоящее время NVIDIA доминирует в области аппаратного обеспечения GPU, а библиотека CUDA готовится уже много лет. В экосистеме аппаратного и программного обеспечения доминирует одна компания. Второй вариант - аренда вычислительных мощностей у поставщиков облачных услуг, таких как Microsoft Azure, Google Cloud и AWS, которые предоставляют универсальные услуги по вычислениям и развертыванию моделей.
• Модели можно разделить на фреймворки и алгоритмы. Битва моделей уже завершилась: TensorFlow от Google стал первым, хотя и потерпел первое поражение, а PyTorch от Meta пришел позже, но лидировал. Однако, будь то Google, представивший Transformer, или Meta с PyTorch, оба постепенно отстают от OpenAI в коммерциализации. Тем не менее, их сила остается внушительной; в алгоритмах в настоящее время доминирует Transformer, а различные крупные модели в основном конкурируют в плане источников данных и детализации.

Рабочий процесс искусственного интеллекта

Как уже упоминалось ранее, приложения ИИ имеют широкий спектр областей применения, например, исправление кода, о котором говорил Виталик, уже используется. Если посмотреть с другой стороны, то вклад криптовалют в ИИ в основном сосредоточен на нетехнических областях, таких как децентрализованные рынки данных, децентрализованные платформы вычислительных мощностей и т.д. Было проведено несколько экспериментов с децентрализованными большими языковыми моделями (LLM). Однако важно отметить, что анализ криптовалютного кода с помощью ИИ и запуск крупномасштабных моделей ИИ на блокчейне - это принципиально разные вещи. Включение некоторых элементов криптовалют в модели ИИ вряд ли можно считать идеальной интеграцией.

В настоящее время Crypto преуспевает в производстве и стимулировании. Нет необходимости насильно менять производственную парадигму ИИ с помощью криптовалют. Рациональный выбор - интегрировать криптовалюту в рабочие процессы ИИ и расширить возможности ИИ с помощью криптовалюты. Вот некоторые возможные варианты интеграции, которые я обобщил:

1. Децентрализованное производство данных, например, сбор данных DePIN, и открытость данных о цепочках, содержащих богатые данные о транзакциях, для финансового анализа, анализа безопасности и обучения работе с данными.
2. Децентрализованные платформы предварительной обработки, где традиционная предварительная подготовка не представляет собой непреодолимых технических барьеров. За большими моделями в Европе и США стоит высокоинтенсивный труд ручных аннотаторов из стран третьего мира.
3. Децентрализованные платформы вычислительной мощности, с децентрализованными стимулами и использованием персональной пропускной способности, вычислительной мощности GPU и других аппаратных ресурсов.
4. zkML, поскольку традиционные методы обеспечения конфиденциальности, такие как десенсибилизация данных, могут не вполне решить эту проблему. zkML может скрыть направленность данных и эффективно оценить подлинность и эффективность моделей с открытым и закрытым исходным кодом.

Эти четыре аспекта - потенциальные сценарии, в которых, как мне кажется, криптовалюта может расширить возможности ИИ. ИИ - это универсальный инструмент, и области и проекты ИИ для криптовалют здесь более не рассматриваются; Вы можете изучить их самостоятельно.

Можно заметить, что в настоящее время криптовалюты в основном играют роль в шифровании, защите конфиденциальности и экономическом дизайне. Единственной попыткой технической интеграции является zkML. Давайте немного пораскинем мозгами: если в будущем TPS Solana действительно достигнет 100 000+, и если сочетание Filecoin и Solana будет идеальным, сможем ли мы создать внутрицепочечную среду LLM? Это может привести к созданию настоящего ИИ на цепочке, изменив нынешние неравные отношения, когда криптовалюта интегрирована в ИИ.

Интеграция Web3 в рабочие процессы искусственного интеллекта

Как всем известно, видеокарта NVIDIA RTX 4090 - это ценный товар, который в настоящее время трудно достать в одной из стран Восточной Азии. Еще более серьезным является то, что частные лица, небольшие компании и академические учреждения также столкнулись с кризисом графических карт. В конце концов, крупные коммерческие компании - это большие транжиры. Если бы можно было открыть третий путь за пределы личных покупок и облачных провайдеров, это явно имело бы практическую ценность для бизнеса, оторвавшись от чисто спекулятивных целей. Логичный подход к Web3 для AI должен звучать так: "Если Web3 не используется, проект не может быть продолжен".

Рабочий процесс ИИ с точки зрения Web3

Источник данных: Grass и DePIN Автомобильная экосистема

Grass, представленный компанией Wynd Network, - это рынок для продажи незадействованной пропускной способности. Grass служит открытой сетью для сбора и распространения данных, отличаясь от простого сбора и продажи данных. Grass имеет функции очистки и проверки данных для навигации по все более закрытой сетевой среде. Кроме того, Grass стремится напрямую взаимодействовать с моделями искусственного интеллекта, предоставляя им наборы данных, которые можно легко использовать. Наборы данных ИИ требуют профессиональной обработки, включая обширную ручную настройку для удовлетворения специфических потребностей моделей ИИ.

Развивая эту тему, компания Grass решает проблему продажи данных, а сектор DePIN компании Web3 может производить данные, необходимые для искусственного интеллекта. Этот сектор в первую очередь занимается автоматическим управлением транспортными средствами. Традиционно автономное вождение требовало от компаний накопления соответствующих данных. Однако такие проекты, как DIMO и Hivemapper, работают непосредственно с автомобилями, собирая все больше информации о вождении и дорожных данных.

В предыдущих сценариях автономного вождения были необходимы технологии распознавания автомобилей и высокоточные карты. Такая информация, как высокоточные карты, накапливалась компаниями вроде NavInfo, создавая отраслевые барьеры. Если новички будут использовать данные Web3, у них может появиться возможность обогнать конкурентов на повороте.

Предварительная обработка данных: Освобождение людей, порабощенных искусственным интеллектом

Искусственный интеллект можно разделить на две части: ручное аннотирование и интеллектуальные алгоритмы. В регионах третьего мира, таких как Кения и Филиппины, где кривая ценности ручного аннотирования самая низкая, за эту задачу отвечают люди. Между тем, компании по предварительной обработке ИИ в Европе и США забирают львиную долю доходов, впоследствии продавая их предприятиям, занимающимся исследованиями и разработками в области ИИ.

С развитием искусственного интеллекта все больше компаний обращают внимание на этот бизнес. В условиях конкуренции цена за единицу аннотирования данных продолжает снижаться. Этот бизнес в основном связан с маркировкой данных, похожей на такие задачи, как распознавание капчи, без технического порога и даже по сверхнизким ценам, например, 0,01 юаня.

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

В этом сценарии платформы для аннотирования данных Web3, такие как Public AI, имеют практическое значение для бизнеса. Они связывают предприятия ИИ с работниками, занимающимися аннотированием данных, заменяя простую модель деловой конкуренции по низким ценам системой поощрений. Однако важно отметить, что такие зрелые компании, как Scale AI, гарантируют надежное качество технологии аннотирования. Для децентрализованных платформ аннотирования данных контроль качества и предотвращение злоупотреблений являются абсолютной необходимостью. По сути, это представляет собой корпоративную услугу C2B2B, когда один лишь масштаб и количество данных не может убедить предприятия.

Аппаратная свобода: Render Network и Bittensor

Следует уточнить, что, в отличие от установок для майнинга биткоинов, в настоящее время не существует специального оборудования для ИИ Web3. Существующие вычислительные мощности и платформы преобразуются из зрелого оборудования с добавлением слоев криптовалютных стимулов, по сути, подпадая под сектор DePIN. Однако, поскольку он отличается от проектов с источниками данных, здесь он включен в рабочий процесс AI.

Для определения DePIN, пожалуйста, обратитесь к статье, которую я написал ранее: DePIN перед гелием: Исследование Биткойна, Arweave и STEPN

Render Network - это давно существующий проект, который изначально не был предназначен для AI. Компания начала свою деятельность в 2017 году, сосредоточившись на рендеринге, как следует из ее названия. В то время графические процессоры не пользовались спросом, но постепенно появились рыночные возможности. Рынок GPU, особенно high-end GPU, монополизированный компанией NVIDIA, препятствовал выходу на него пользователей, занимающихся рендерингом, искусственным интеллектом и метаверсией, из-за непомерно высоких цен. Если бы удалось создать канал между спросом и предложением, то экономическая модель, подобная совместному использованию велосипедов, могла бы иметь шанс на создание.

Более того, ресурсы GPU не требуют фактической передачи аппаратного обеспечения; их можно распределить с помощью программных ресурсов. Стоит упомянуть, что Render Network перешла на экосистему Solana в 2023 году, отказавшись от Polygon. Переход к Солану, даже до его возрождения, со временем оказался правильным решением. Для использования и распространения GPU высокоскоростная сеть является важнейшим требованием.

Если Render Network можно считать уже состоявшимся проектом, то Bittensor в настоящее время набирает обороты.

BitTensor построен на базе Polkadot с целью обучения моделей искусственного интеллекта с помощью экономических стимулов. Узлы соревнуются в обучении моделей ИИ с минимальной ошибкой или максимальной эффективностью, что напоминает классические процессы на цепи в криптовалютных проектах. Однако для фактического процесса обучения все еще требуются графические процессоры NVIDIA и традиционные платформы, что делает его похожим на такие соревновательные платформы, как Kaggle.

zkML и UBI: Двойные аспекты Worldcoin

Zero-Knowledge Machine Learning (zkML) внедряет технологию zk в процесс обучения моделей ИИ для решения таких проблем, как утечка данных, нарушение конфиденциальности и проверка модели. Первые два легко понять - zk-зашифрованные данные все еще можно обучать без утечки личной или частной информации.

Проверка модели относится к оценке моделей с закрытым исходным кодом. С помощью технологии zk можно установить целевое значение, что позволяет моделям с закрытым исходным кодом доказывать свои возможности путем проверки результатов, не раскрывая процесс расчета.

Компания Worldcoin не только разработала zkML на раннем этапе, но и выступает за всеобщий базовый доход (UBI). По ее мнению, производительность ИИ в будущем значительно превысит пределы человеческих потребностей. Настоящая проблема заключается в справедливом распределении преимуществ ИИ, и концепция UBI должна быть глобально распространена с помощью токена $WLD, требующего биометрического распознавания реального человека для соблюдения принципов справедливости.

Конечно, zkML и UBI все еще находятся на ранних экспериментальных стадиях, но это интригующие разработки, за которыми я буду продолжать внимательно следить.

Заключение

Развитие ИИ, представленного трансформаторами и большими языковыми моделями (LLM), постепенно сталкивается с узкими местами, подобно линейной регрессии и нейронным сетям. Невозможно бесконечно увеличивать параметры модели или объем данных, так как предельная отдача будет уменьшаться.

ИИ может стать тем игроком, в котором появится мудрость, но в настоящее время проблема галлюцинаций очень серьезная. Можно заметить, что вера в то, что криптовалюты могут изменить ИИ, - это форма самоуверенности и стандартная галлюцинация. Хотя добавление криптовалют может технически не решить проблемы галлюцинаций, оно может, по крайней мере, изменить некоторые аспекты с точки зрения справедливости и прозрачности.

Ссылки:

1. OpenAI: "Технический отчет GPT-4", 2023; arXiv:2303.08774.
2. Ашиш Васвани, Ноам Шазир, Ники Пармар, Якоб Ушкорейт, Ллион Джонс, Эйдан Н. Гомес, Лукаш Кайзер, Илья Полосухин: "Attention Is All You Need", 2017; arXiv:1706.03762.
3. Джаред Каплан, Сэм МакКэндлиш, Том Хенигхан, Том Б. Браун, Бенджамин Чесс, Ревон Чайлд, Скотт Грей, Алек Рэдфорд, Джеффри Ву, Дарио Амодей: "Законы масштабирования для нейронных языковых моделей", 2020; arXiv:2001.08361.
4. Хао Лю, Уилсон Ян, Матей Захария, Питер Аббел: "Модель мира на видео миллионной длины и языке с RingAttention", 2024; arXiv:2402.08268.
5. Макс Розер (2022) - "Краткая история искусственного интеллекта: Мир быстро меняется - что может быть дальше?". Опубликовано онлайн на сайте OurWorldInData.org. Получено из: 'https://ourworldindata.org/brief-history-of-ai'[Онлайн-ресурс].
6. Введение в машинное обучение с нулевыми знаниями (ZKML)
7. Понимание пересечения криптовалют и искусственного интеллекта
8. Трава - это уровень данных для ИИ
9. Bittensor: Одноранговый разведывательный рынок

Отказ от ответственности：

1. Эта статья перепечатана с сайта[佐爷歪脖山], все авторские права принадлежат автору оригинала[佐爷]. Если у Вас есть возражения против этой перепечатки, пожалуйста, свяжитесь с командой Gate Learn, и они незамедлительно рассмотрят их.
2. Отказ от ответственности: Мнения и взгляды, выраженные в этой статье, принадлежат исключительно автору и не являются инвестиционным советом.
3. Перевод статьи на другие языки осуществляется командой Gate Learn. Если не указано, копирование, распространение или плагиат переведенных статей запрещены.