• การเกิดขึ้น: ปรากฏการณ์ที่สิ่งเล็กๆ จำนวนมากโต้ตอบกันเพื่อผลิตสิ่งทั้งหมดที่มีขนาดใหญ่ขึ้น โดยแสดงคุณลักษณะใหม่ๆ ที่องค์ประกอบแต่ละอย่างไม่ได้ครอบครอง เช่น การเกิดขึ้นที่สังเกตได้ในระบบชีวภาพที่ศึกษาในวิชาเคมี
• อาการประสาทหลอน: แนวโน้มของแบบจำลองในการสร้างข้อมูลหลอกลวง โดยแบบจำลอง AI จะสร้างผลลัพธ์ที่ดูถูกต้อง แต่ในความเป็นจริงแล้ว ผิดพลาด

การเชื่อมต่อระหว่าง AI และ Crypto แสดงให้เห็นถึงความไม่สม่ำเสมอที่แตกต่างกัน นับตั้งแต่ AlphaGo เอาชนะผู้เล่น Go มืออาชีพที่เป็นมนุษย์ในปี 2559 ความพยายามที่จะรวมทั้งสองเข้าด้วยกัน เช่น การเกิดขึ้นอย่างฉับพลันของโครงการอย่าง Fetch.AI ได้รับการเห็นในโลกของ crypto ด้วยการถือกำเนิดของ GPT-4 ในปี 2023 แนวโน้มของ AI + Crypto ได้ฟื้นคืนชีพ โดยมีตัวอย่างจากการออก WorldCoin ดูเหมือนว่ามนุษยชาติจะพร้อมที่จะเข้าสู่ยุคยูโทเปียที่ AI มีหน้าที่รับผิดชอบในการผลิต และ Crypto จัดการกับการจัดจำหน่าย

ความรู้สึกนี้ถึงจุดสูงสุดหลังจากที่ OpenAI เปิดตัวแอปพลิเคชัน Sora สำหรับการสังเคราะห์ข้อความเป็นวิดีโอ อย่างไรก็ตาม อารมณ์มักเกี่ยวข้องกับองค์ประกอบที่ไม่ลงตัว ตัวอย่างเช่น Li Yizhou ดูเหมือนจะเป็นส่วนหนึ่งของส่วนที่เข้าใจผิด โดยมีตัวอย่างโดย:

• การรวมแอปพลิเคชัน AI เฉพาะเข้ากับการพัฒนาอัลกอริทึม แม้ว่า Sora และหลักการพื้นฐานของ Transformer ของ GPT-4 จะเป็นโอเพ่นซอร์ส แต่การใช้ทั้งสองอย่างจำเป็นต้องชำระเงินให้กับ OpenAI
• การรวมกันของ AI และ Crypto ในปัจจุบันเป็นการที่ Crypto ริเริ่มการเข้าถึง AI มากกว่า เนื่องจากยักษ์ใหญ่ด้าน AI รายใหญ่ไม่ได้แสดงความตั้งใจที่ชัดเจน ในขั้นตอนนี้ สิ่งที่ AI สามารถทำได้เพื่อ Crypto มีมากกว่าสิ่งที่ Crypto สามารถทำได้สำหรับ AI
• การใช้เทคโนโลยี AI ในแอปพลิเคชัน Crypto ไม่เท่ากับการรวม AI และ Crypto ดังที่เห็นในแอปพลิเคชัน เช่น เกมบล็อกเชน, GameFi, โปรเจ็กต์ metaverse, เกม Web3 และบุคลิกดิจิทัลในจักรวาล AW
• การมีส่วนร่วมที่ Crypto สามารถมอบให้กับการพัฒนาเทคโนโลยี AI ส่วนใหญ่จะเกี่ยวข้องกับการกระจายอำนาจและสิ่งจูงใจโทเค็นในองค์ประกอบ AI ทั้งสาม: พลังการประมวลผล ข้อมูล และแบบจำลอง
• WorldCoin ทำหน้าที่เป็นการบูรณาการที่ประสบความสำเร็จของทั้งสองอย่าง โดยที่ zkML เป็นจุดบรรจบกันของเทคโนโลยี AI และ Crypto และทฤษฎี UBI (Universal Basic Income) ที่กำลังดำเนินการในวงกว้างครั้งแรก

ในบทความนี้ จะเน้นที่ประโยชน์ที่ Crypto สามารถนำมาสู่ AI ได้ เนื่องจากโครงการ Crypto ปัจจุบันที่เน้นแอปพลิเคชัน AI ส่วนใหญ่ถูกมองว่าเป็นลูกเล่นทางการตลาด และไม่เอื้อต่อการสนทนาของเรา

จากการถดถอยเชิงเส้นถึงหม้อแปลงไฟฟ้า

เป็นเวลานานแล้วที่ประเด็นสำคัญในการถกเถียงเกี่ยวกับ AI ก็คือ "การเกิดขึ้น" ของปัญญาประดิษฐ์จะนำไปสู่การสร้างสิ่งมีชีวิตที่มีความรู้สึกคล้ายกับใน "The Matrix" หรืออารยธรรมที่ใช้ซิลิคอน ความกังวลเกี่ยวกับปฏิสัมพันธ์ระหว่างมนุษย์และเทคโนโลยี AI ยังคงมีอยู่ โดยมีตัวอย่างล่าสุด เช่น การถือกำเนิดของ Sora และอินสแตนซ์ก่อนหน้านี้ เช่น GPT-4 (2023), AlphaGo (2016) และ Deep Blue ของ IBM ที่เอาชนะแชมป์โลกหมากรุกในปี 1997

แม้ว่าข้อกังวลดังกล่าวจะไม่เกิดขึ้นจริง มาผ่อนคลายและสรุปกลไกเบื้องหลัง AI กันสั้นๆ กันดีกว่า

เริ่มต้นจากการถดถอยเชิงเส้น โดยพื้นฐานแล้วคือสมการเชิงเส้นอย่างง่าย เช่น กลไกการลดน้ำหนักของเจียหลิง นักแสดงชื่อดังชาวจีน เราสามารถสร้างลักษณะทั่วไปได้ดังต่อไปนี้ ในที่นี้ x และ y แสดงถึงความสัมพันธ์ระหว่างปริมาณแคลอรี่และน้ำหนัก ซึ่งบ่งชี้ว่าการรับประทานอาหารตามธรรมชาติมากขึ้นจะทำให้น้ำหนักเพิ่มขึ้น และหากคุณต้องการลดน้ำหนัก คุณก็ควรรับประทานอาหารน้อยลง

อย่างไรก็ตาม วิธีการนี้ทำให้เกิดปัญหาบางประการ ประการแรก มีข้อจำกัดทางสรีรวิทยาในเรื่องความสูงและน้ำหนักของมนุษย์ และไม่น่าจะพบกับยักษ์สูง 3 เมตรหรือผู้หญิงน้ำหนักพันกิโลกรัมได้ ดังนั้นการพิจารณาสถานการณ์ที่เกินขอบเขตเหล่านี้จึงไม่มีความสำคัญในทางปฏิบัติ ประการที่สอง การรับประทานอาหารให้น้อยลงและออกกำลังกายให้มากขึ้นไม่เป็นไปตามหลักการทางวิทยาศาสตร์ของการลดน้ำหนัก และอาจเป็นอันตรายต่อร่างกายได้ในกรณีที่รุนแรง

เราขอแนะนำดัชนีมวลกาย (BMI) ซึ่งวัดความสัมพันธ์ระหว่างน้ำหนักและส่วนสูงโดยการหารน้ำหนักด้วยส่วนสูงยกกำลังสอง ด้วยปัจจัยสามประการ ได้แก่ การกิน การนอนหลับ และการออกกำลังกาย เพื่อประเมินความสัมพันธ์ระหว่างส่วนสูงและน้ำหนัก ตอนนี้เราจำเป็นต้องมีพารามิเตอร์สามตัวและเอาต์พุตสองตัว การถดถอยเชิงเส้นเห็นได้ชัดว่าไม่เพียงพอ ทำให้เกิดโครงข่ายประสาทเทียม ตามชื่อที่แนะนำ โครงข่ายประสาทเทียมจะเลียนแบบโครงสร้างของสมองมนุษย์ โดยมีความเป็นไปได้ที่การคิดมากขึ้นจะนำไปสู่ความเป็นเหตุเป็นผลมากขึ้น การเพิ่มความถี่และความลึกของการคิดที่เรียกว่าการเรียนรู้เชิงลึก (ฉันกำลังเปรียบเทียบแบบหลวมๆ ในที่นี้) ช่วยให้พิจารณาได้ละเอียดมากขึ้นก่อนดำเนินการ

ภาพรวมโดยย่อของประวัติการพัฒนาอัลกอริทึม AI

อย่างไรก็ตามการเพิ่มจำนวนชั้นนั้นไม่ได้ไร้ขีดจำกัด ยังมีเพดานอยู่ เมื่อถึงเกณฑ์วิกฤต ประสิทธิภาพอาจลดลง ดังนั้นจึงจำเป็นอย่างยิ่งที่จะต้องเข้าใจความสัมพันธ์ระหว่างข้อมูลที่มีอยู่ด้วยวิธีที่สมเหตุสมผลมากขึ้น ตัวอย่างเช่น ความเข้าใจอย่างลึกซึ้งเกี่ยวกับความสัมพันธ์ระหว่างส่วนสูงและน้ำหนักที่ละเอียดยิ่งขึ้น การค้นพบปัจจัยที่ไม่มีใครสังเกตเห็นก่อนหน้านี้ หรือ Jia Ling การหาโค้ชชั้นนำแต่ลังเลที่จะแสดงความต้องการลดน้ำหนักโดยตรง

ในสถานการณ์เช่นนี้ Jia Ling และโค้ชจะสร้างคู่ต่อสู้ในการเข้ารหัสและถอดรหัส โดยถ่ายทอดความหมายไปมาซึ่งแสดงถึงความตั้งใจที่แท้จริงของทั้งสองฝ่าย อย่างไรก็ตาม ต่างจากคำพูดตรงไปตรงมาที่ว่า “ฉันอยากลดน้ำหนัก นี่คือของขวัญสำหรับโค้ช” ความตั้งใจที่แท้จริงของทั้งสองฝ่ายถูกซ่อนอยู่เบื้องหลัง “ความหมาย”

เราสังเกตเห็นข้อเท็จจริง: หากจำนวนการวนซ้ำระหว่างทั้งสองฝ่ายเพียงพอ ความหมายของการสื่อสารแต่ละครั้งจะถอดรหัสได้ง่ายขึ้น

หากเราขยายโมเดลนี้ มันจะแสดงถึงสิ่งที่เรียกขานกันว่า Large Language Model (LLM) โดยตรวจสอบความสัมพันธ์ตามบริบทระหว่างคำและประโยค ปัจจุบัน โมเดลขนาดใหญ่ได้ขยายออกไปเพื่อเจาะลึกสถานการณ์ต่างๆ เช่น รูปภาพและวิดีโอ

ในสเปกตรัมของ AI ไม่ว่าจะเป็นการถดถอยเชิงเส้นอย่างง่ายหรือ Transformer ที่ซับซ้อนอย่างยิ่ง ทั้งหมดล้วนเป็นอัลกอริธึมหรือแบบจำลอง นอกเหนือจากนี้ ยังมีปัจจัยสำคัญอีกสองประการ: พลังการประมวลผลและข้อมูล

Description: ประวัติการพัฒนาโดยย่อของ AI ที่มา: https://ourworldindata.org/brief-history-of-ai

พูดง่ายๆ ก็คือ AI คือเครื่องจักรที่ประมวลผลข้อมูล คำนวณ และสร้างผลลัพธ์ อย่างไรก็ตาม เมื่อเปรียบเทียบกับหน่วยงานทางกายภาพ เช่น หุ่นยนต์ แล้ว AI ก็มีความเสมือนจริงมากกว่า ในแง่ของพลังการประมวลผล ข้อมูล และโมเดล กระบวนการดำเนินงานปัจจุบันในเชิงพาณิชย์ของ Web2 มีดังนี้:

• ข้อมูลถูกแบ่งออกเป็นข้อมูลสาธารณะ ข้อมูลของบริษัท และข้อมูลเชิงพาณิชย์ โดยต้องมีคำอธิบายประกอบและการประมวลผลล่วงหน้าอย่างมืออาชีพ ตัวอย่างเช่น Scale AI ให้การประมวลผลข้อมูลล่วงหน้าสำหรับบริษัท AI กระแสหลัก
• พลังการประมวลผลแบ่งออกเป็นสองโหมด: แบบสร้างเองและแบบเช่าใช้การประมวลผลแบบคลาวด์ ปัจจุบัน NVIDIA ครองฮาร์ดแวร์ GPU และไลบรารี CUDA ได้จัดทำขึ้นเป็นเวลาหลายปี ระบบนิเวศของฮาร์ดแวร์และซอฟต์แวร์ถูกครอบงำโดยบริษัทเดียว ตัวเลือกที่สองคือการเช่าพลังการประมวลผลของผู้ให้บริการคลาวด์ เช่น Azure ของ Microsoft, Google Cloud และ AWS ซึ่งให้บริการการประมวลผลแบบครบวงจรและการใช้งานโมเดล
• โมเดลสามารถแบ่งได้เป็นกรอบงานและอัลกอริธึม การต่อสู้ของโมเดลได้สิ้นสุดลงแล้ว โดย TensorFlow ของ Google ปรากฏตัวเป็นคนแรกในขณะที่พ่ายแพ้ครั้งแรก และ PyTorch ของ Meta ตามมาทีหลังแต่เป็นผู้นำ อย่างไรก็ตาม ไม่ว่าจะเป็น Google ซึ่งเปิดตัว Transformer หรือ Meta ด้วย PyTorch ทั้งคู่ก็ค่อยๆ ตามหลัง OpenAI ในเชิงพาณิชย์ อย่างไรก็ตาม ความแข็งแกร่งของพวกเขายังคงแข็งแกร่ง ปัจจุบันอัลกอริธึมถูกครอบงำโดย Transformer และโมเดลขนาดใหญ่ต่างๆ ส่วนใหญ่แข่งขันกันในแง่ของแหล่งข้อมูลและรายละเอียด

กระบวนการทำงานของเอไอ

ดังที่กล่าวไว้ข้างต้น แอปพลิเคชัน AI มีโดเมนที่หลากหลาย เช่น การแก้ไขโค้ดที่ Vitalik กล่าวถึง ซึ่งได้ถูกนำไปใช้แล้ว เมื่อมองจากมุมมองที่แตกต่าง การมีส่วนร่วมของ Crypto ต่อ AI มุ่งเน้นไปที่พื้นที่ที่ไม่ใช่ด้านเทคนิคเป็นหลัก เช่น ตลาดข้อมูลแบบกระจายอำนาจ แพลตฟอร์มพลังการประมวลผลแบบกระจายอำนาจ เป็นต้น มีการทดลองบางอย่างกับโมเดลภาษาขนาดใหญ่แบบกระจายอำนาจ (LLM) อย่างไรก็ตาม สิ่งสำคัญที่ควรทราบคือการวิเคราะห์โค้ด Crypto ด้วย AI และการรันโมเดล AI ขนาดใหญ่บนบล็อกเชนนั้นแตกต่างกันโดยพื้นฐาน การรวมองค์ประกอบ Crypto บางอย่างเข้ากับโมเดล AI แทบจะไม่ถือว่าเป็นการบูรณาการที่สมบูรณ์แบบ

ปัจจุบัน Crypto มีความเป็นเลิศในด้านการผลิตและสิ่งจูงใจ ไม่จำเป็นต้องเปลี่ยนกระบวนทัศน์การผลิต AI ด้วย Crypto อย่างเด็ดขาด ทางเลือกที่สมเหตุสมผลคือการรวม Crypto เข้ากับเวิร์กโฟลว์ AI และเสริมศักยภาพ AI ด้วย Crypto นี่คือการบูรณาการที่เป็นไปได้บางส่วนที่ฉันได้สรุปไว้:

1. การผลิตข้อมูลแบบกระจายอำนาจ เช่น การรวบรวมข้อมูลของ DePIN และการเปิดกว้างของข้อมูลออนไลน์ที่มีข้อมูลธุรกรรมที่หลากหลายสำหรับการวิเคราะห์ทางการเงิน การวิเคราะห์ความปลอดภัย และการฝึกอบรมข้อมูล
2. แพลตฟอร์มการประมวลผลล่วงหน้าแบบกระจายอำนาจ โดยที่การฝึกอบรมล่วงหน้าแบบดั้งเดิมไม่ก่อให้เกิดอุปสรรคทางเทคนิคที่ผ่านไม่ได้ เบื้องหลังโมเดลขนาดใหญ่ในยุโรปและสหรัฐอเมริกาคือแรงงานที่มีความเข้มข้นสูงของผู้อธิบายคำอธิบายแบบแมนนวลจากโลกที่สาม
3. แพลตฟอร์มพลังการประมวลผลแบบกระจายอำนาจ พร้อมสิ่งจูงใจแบบกระจายอำนาจและการใช้แบนด์วิธส่วนบุคคล พลังการประมวลผล GPU และทรัพยากรฮาร์ดแวร์อื่นๆ
4. zkML เนื่องจากวิธีการรักษาความเป็นส่วนตัวแบบเดิมๆ เช่น การลดความไวของข้อมูลอาจไม่สามารถแก้ปัญหาได้อย่างสมบูรณ์แบบ zkML สามารถซ่อนทิศทางของข้อมูลและประเมินความถูกต้องและประสิทธิผลของโมเดลโอเพ่นซอร์สและโอเพ่นซอร์สได้อย่างมีประสิทธิภาพ

แง่มุมทั้งสี่นี้เป็นสถานการณ์ที่เป็นไปได้ที่ฉันคิดว่า Crypto สามารถเสริมพลังให้กับ AI ได้ AI เป็นเครื่องมืออเนกประสงค์ และขอบเขตและโครงการของ AI สำหรับ Crypto จะไม่ถูกกล่าวถึงเพิ่มเติมที่นี่ คุณสามารถสำรวจพวกมันได้ด้วยตัวเอง

สังเกตได้ว่าในปัจจุบัน Crypto มีบทบาทหลักในการเข้ารหัส การปกป้องความเป็นส่วนตัว และการออกแบบทางเศรษฐกิจ ความพยายามในการบูรณาการทางเทคนิคเพียงอย่างเดียวคือ zkML เรามาระดมความคิดกันสักหน่อย: หากในอนาคต Solana TPS สามารถเข้าถึง 100,000+ ได้อย่างแท้จริง และหากการรวมกันของ Filecoin และ Solana สมบูรณ์แบบ เราจะสามารถสร้างสภาพแวดล้อม LLM แบบออนไลน์ได้หรือไม่ สิ่งนี้อาจสร้าง AI on-chain ที่แท้จริงได้ โดยเปลี่ยนแปลงความสัมพันธ์ที่ไม่เท่าเทียมกันในปัจจุบันที่ Crypto ถูกรวมเข้ากับ AI

การรวม Web3 เข้ากับเวิร์กโฟลว์ AI

ดังที่ทราบกันดีอยู่แล้วว่ากราฟิกการ์ด NVIDIA RTX 4090 เป็นสินค้าล้ำค่าที่หาซื้อได้ยากในบางประเทศในเอเชียตะวันออก ที่ร้ายแรงกว่านั้นคือบุคคล บริษัทขนาดเล็ก และสถาบันการศึกษาต่างต้องเผชิญกับวิกฤติกราฟิกการ์ดเช่นกัน ท้ายที่สุดแล้ว บริษัทการค้าขนาดใหญ่คือผู้ใช้จ่ายรายใหญ่ หากสามารถเปิดเส้นทางที่สามนอกเหนือจากการซื้อส่วนบุคคลและผู้ให้บริการคลาวด์ได้ เส้นทางดังกล่าวจะมีมูลค่าทางธุรกิจในทางปฏิบัติอย่างชัดเจน โดยแยกออกจากวัตถุประสงค์ในการเก็งกำไรล้วนๆ แนวทางเชิงตรรกะของ Web3 สำหรับ AI ควรเป็น “หากไม่ได้ใช้ Web3 โครงการจะไม่สามารถยั่งยืนได้”

เวิร์กโฟลว์ AI จากมุมมองของ Web3

แหล่งที่มาของข้อมูล: Grass และ DePIN Automotive Ecosystem

Grass เปิดตัวโดย Wynd Network เป็นตลาดสำหรับการขายแบนด์วิธที่ไม่ได้ใช้งาน Grass ทำหน้าที่เป็นเครือข่ายแบบเปิดสำหรับการได้มาและการกระจายข้อมูล สร้างความแตกต่างจากการรวบรวมและการขายข้อมูลแบบธรรมดา Grass มีฟังก์ชันสำหรับทำความสะอาดและตรวจสอบข้อมูลเพื่อนำทางสภาพแวดล้อมเครือข่ายที่ปิดมากขึ้น นอกเหนือจากนั้น Grass ยังมุ่งหวังที่จะเชื่อมต่อกับโมเดล AI โดยตรง โดยจัดเตรียมชุดข้อมูลที่พร้อมใช้งาน ชุดข้อมูล AI ต้องการการจัดการอย่างมืออาชีพ รวมถึงการปรับแต่งด้วยตนเองอย่างกว้างขวางเพื่อตอบสนองความต้องการเฉพาะของโมเดล AI

นอกจากนี้ Grass ยังกล่าวถึงประเด็นการขายข้อมูล ในขณะที่ภาค DePIN ของ Web3 สามารถสร้างข้อมูลที่ AI ต้องการได้ ภาคนี้เน้นไปที่การขับขี่แบบอัตโนมัติเป็นหลัก เดิมที การขับขี่อัตโนมัติต้องการให้บริษัทต่างๆ รวบรวมข้อมูลที่เกี่ยวข้อง อย่างไรก็ตาม โครงการอย่าง DIMO และ Hivemapper ทำงานโดยตรงบนยานพาหนะ โดยรวบรวมข้อมูลการขับขี่และข้อมูลถนนเพิ่มมากขึ้น

ในสถานการณ์การขับขี่อัตโนมัติก่อนหน้านี้ เทคโนโลยีสำหรับการจดจำยานพาหนะและแผนที่ที่มีความแม่นยำสูงถือเป็นสิ่งสำคัญ ข้อมูล เช่น แผนที่ที่มีความแม่นยำสูง ได้รับการสะสมโดยบริษัทต่างๆ เช่น NavInfo ซึ่งสร้างอุปสรรคทางอุตสาหกรรม หากผู้มาใหม่ใช้ประโยชน์จากข้อมูล Web3 พวกเขาอาจมีโอกาสที่จะแซงหน้าคู่แข่งในทางโค้ง

การประมวลผลข้อมูลล่วงหน้า: การปลดปล่อยมนุษย์ที่ถูกกดขี่โดย AI

ปัญญาประดิษฐ์สามารถแบ่งออกเป็นสองส่วน: คำอธิบายประกอบแบบแมนนวลและอัลกอริธึมอัจฉริยะ ในภูมิภาคโลกที่สาม เช่น เคนยาและฟิลิปปินส์ ซึ่งเส้นโค้งค่าสำหรับคำอธิบายประกอบด้วยตนเองต่ำที่สุด ผู้คนจะต้องรับผิดชอบงานนี้ ในขณะเดียวกัน บริษัทที่ประมวลผลล่วงหน้าด้าน AI ในยุโรปและสหรัฐอเมริกาก็รับส่วนแบ่งรายได้มหาศาล ต่อมาจึงขายให้กับองค์กรวิจัยและพัฒนาด้าน AI

ด้วยความก้าวหน้าของ AI บริษัทต่างๆ จำนวนมากกำลังจับตาดูธุรกิจนี้ เมื่อเผชิญกับการแข่งขัน ราคาต่อหน่วยสำหรับคำอธิบายประกอบข้อมูลยังคงลดลงอย่างต่อเนื่อง ธุรกิจนี้ส่วนใหญ่เกี่ยวข้องกับการติดป้ายกำกับข้อมูล ซึ่งคล้ายกับงานต่างๆ เช่น การจดจำ captcha โดยไม่มีเกณฑ์ทางเทคนิค และแม้แต่ราคาที่ต่ำมาก เช่น 0.01 RMB

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

ในสถานการณ์นี้ แพลตฟอร์มคำอธิบายประกอบข้อมูล Web3 เช่น Public AI มีตลาดธุรกิจที่ใช้งานได้จริง พวกเขาเชื่อมโยงองค์กร AI กับผู้ปฏิบัติงานบันทึกข้อมูล โดยแทนที่โมเดลการแข่งขันทางธุรกิจราคาประหยัดที่เรียบง่ายด้วยระบบสิ่งจูงใจ อย่างไรก็ตาม สิ่งสำคัญที่ควรทราบก็คือบริษัทที่เติบโตเต็มที่อย่าง Scale AI จะรับประกันคุณภาพที่เชื่อถือได้ในเทคโนโลยีคำอธิบายประกอบ สำหรับแพลตฟอร์มคำอธิบายประกอบข้อมูลแบบกระจายอำนาจ การควบคุมคุณภาพและการป้องกันการละเมิดถือเป็นสิ่งจำเป็นอย่างยิ่ง โดยพื้นฐานแล้ว สิ่งนี้แสดงถึงบริการระดับองค์กรแบบ C2B2B ซึ่งขนาดและปริมาณข้อมูลที่แท้จริงเพียงอย่างเดียวไม่สามารถโน้มน้าวใจองค์กรได้

เสรีภาพของฮาร์ดแวร์: Render Network และ Bittensor

ควรชี้แจงให้ชัดเจนว่าปัจจุบันไม่มีฮาร์ดแวร์ Web3 AI เฉพาะซึ่งต่างจากแท่นขุดเจาะ Bitcoin พลังการประมวลผลและแพลตฟอร์มที่มีอยู่ถูกเปลี่ยนจากฮาร์ดแวร์ที่สมบูรณ์พร้อมชั้นสิ่งจูงใจ Crypto ที่เพิ่มเข้ามา โดยพื้นฐานแล้วตกอยู่ภายใต้ภาค DePIN อย่างไรก็ตาม เนื่องจากแตกต่างจากโครงการแหล่งข้อมูล จึงรวมอยู่ในเวิร์กโฟลว์ AI ที่นี่

สำหรับคำจำกัดความของ DePIN โปรดดูบทความที่ฉันเขียนก่อนหน้านี้: DePIN ก่อนฮีเลียม: สำรวจ Bitcoin, Arweave และ STEPN

Render Network เป็นโปรเจ็กต์ที่ก่อตั้งมายาวนานซึ่งไม่ได้ออกแบบมาสำหรับ AI ในตอนแรก เริ่มดำเนินการในปี 2560 โดยเน้นที่การเรนเดอร์ตามที่แนะนำในชื่อ ในเวลานั้น GPU ไม่เป็นที่ต้องการ แต่โอกาสทางการตลาดก็ค่อยๆ เกิดขึ้น ตลาด GPU โดยเฉพาะ GPU ระดับไฮเอนด์ที่ NVIDIA ผูกขาด ขัดขวางการเข้าสู่การเรนเดอร์, AI และผู้ใช้ Metaverse เนื่องจากราคาที่สูงเกินไป หากสามารถสร้างช่องทางระหว่างอุปสงค์และอุปทานได้ โมเดลทางเศรษฐกิจที่คล้ายกับจักรยานที่ใช้ร่วมกันอาจมีโอกาสที่จะถูกสร้างขึ้น

นอกจากนี้ ทรัพยากร GPU ไม่ต้องการการถ่ายโอนฮาร์ดแวร์จริง สามารถจัดสรรได้โดยใช้ทรัพยากรซอฟต์แวร์ สิ่งที่ควรกล่าวถึงก็คือ Render Network เปลี่ยนมาใช้ระบบนิเวศของ Solana ในปี 2023 โดยละทิ้งรูปหลายเหลี่ยม การย้ายไปยังโซลานาก่อนที่จะฟื้นตัว ได้รับการพิสูจน์แล้วว่าเป็นการตัดสินใจที่ถูกต้องเมื่อเวลาผ่านไป สำหรับการใช้งานและการกระจาย GPU เครือข่ายความเร็วสูงถือเป็นข้อกำหนดที่สำคัญ

หาก Render Network ถือเป็นโครงการที่จัดตั้งขึ้น Bittensor ก็กำลังได้รับแรงผลักดัน

BitTensor สร้างขึ้นจาก Polkadot โดยมีเป้าหมายในการฝึกโมเดล AI ผ่านสิ่งจูงใจทางเศรษฐกิจ โหนดแข่งขันกันเพื่อฝึกฝนโมเดล AI โดยมีข้อผิดพลาดน้อยที่สุดหรือมีประสิทธิภาพสูงสุด ซึ่งคล้ายกับกระบวนการออนไลน์แบบคลาสสิกในโครงการ Crypto อย่างไรก็ตาม กระบวนการฝึกอบรมจริงยังคงต้องใช้ NVIDIA GPU และแพลตฟอร์มแบบดั้งเดิม ทำให้คล้ายกับแพลตฟอร์มการแข่งขันอย่าง Kaggle

zkML และ UBI: สองแง่มุมของ Worldcoin

Zero-Knowledge Machine Learning (zkML) แนะนำเทคโนโลยี zk ในกระบวนการฝึกอบรมโมเดล AI เพื่อแก้ไขปัญหาต่างๆ เช่น ข้อมูลรั่วไหล ความล้มเหลวด้านความเป็นส่วนตัว และการตรวจสอบโมเดล สองข้อแรกนั้นเข้าใจง่าย – ข้อมูลที่เข้ารหัส zk ยังคงสามารถฝึกอบรมได้โดยไม่ทำให้ข้อมูลส่วนบุคคลหรือข้อมูลส่วนตัวรั่วไหล

การตรวจสอบโมเดลหมายถึงการประเมินโมเดลแบบปิด ด้วยเทคโนโลยี zk คุณสามารถตั้งค่าเป้าหมายได้ ทำให้โมเดลแบบปิดสามารถพิสูจน์ความสามารถผ่านการตรวจสอบผลลัพธ์โดยไม่ต้องเปิดเผยกระบวนการคำนวณ

Worldcoin ไม่เพียงแต่จินตนาการถึง zkML ในช่วงต้น แต่ยังสนับสนุน Universal Basic Income (UBI) อีกด้วย ตามวิสัยทัศน์ ประสิทธิภาพการทำงานของ AI ในอนาคตจะเกินขีดจำกัดความต้องการของมนุษย์อย่างมาก ความท้าทายที่แท้จริงคือการกระจายผลประโยชน์ของ AI อย่างยุติธรรม และแนวคิดของ UBI จะถูกแบ่งปันทั่วโลกผ่านโทเค็น $WLD โดยกำหนดให้มีการจดจำไบโอเมตริกซ์ของบุคคลจริงเพื่อปฏิบัติตามหลักการของความเป็นธรรม

แน่นอนว่า zkML และ UBI ยังอยู่ในช่วงทดลองช่วงแรกๆ แต่เป็นการพัฒนาที่น่าสนใจ ซึ่งผมจะติดตามอย่างใกล้ชิดต่อไป

บทสรุป

การพัฒนา AI ซึ่งแสดงโดย Transformer และ Large Language Models (LLM) กำลังเผชิญกับปัญหาคอขวดอย่างค่อยเป็นค่อยไป คล้ายกับการถดถอยเชิงเส้นและโครงข่ายประสาทเทียม ไม่สามารถเพิ่มพารามิเตอร์โมเดลหรือปริมาณข้อมูลได้อย่างไม่มีกำหนด เนื่องจากผลตอบแทนส่วนเพิ่มจะลดลง

AI อาจเป็นเมล็ดพันธุ์ที่โผล่ออกมาจากสติปัญญา แต่ปัญหาภาพหลอนในปัจจุบันยังรุนแรงอยู่ สังเกตได้ว่าความเชื่อที่ว่า Crypto สามารถเปลี่ยน AI เป็นรูปแบบหนึ่งของความมั่นใจและเป็นภาพหลอนมาตรฐาน แม้ว่าการเพิ่ม Crypto อาจไม่สามารถแก้ปัญหาภาพหลอนได้ในทางเทคนิค แต่อย่างน้อยก็สามารถเปลี่ยนบางแง่มุมจากมุมมองของความเป็นธรรมและความโปร่งใสได้

อ้างอิง:

1. OpenAI: “รายงานทางเทคนิค GPT-4”, 2023; arXiv:2303.08774.
2. Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, Illia Polosukhin: “ความสนใจคือสิ่งที่คุณต้องการ”, 2017; arXiv:1706.03762.
3. Jared Kaplan, Sam McCandlish, Tom Henighan, Tom B. Brown, Benjamin Chess, Rewon Child, Scott Grey, Alec Radford, Jeffrey Wu, Dario Amodei: “กฎการปรับขนาดสำหรับแบบจำลองภาษาประสาท”, 2020; arXiv:2001.08361.
4. Hao Liu, Wilson Yan, Matei Zaharia, Pieter Abbeel: “แบบจำลองระดับโลกเกี่ยวกับวิดีโอและภาษาล้านความยาวพร้อม RingAttention”, 2024; arXiv:2402.08268.
5. Max Roser (2022) - “ประวัติศาสตร์โดยย่อของปัญญาประดิษฐ์: โลกเปลี่ยนแปลงไปอย่างรวดเร็ว อะไรจะเกิดขึ้นต่อไป” เผยแพร่ออนไลน์ที่ OurWorldInData.org ดึงมาจาก: ' https://ourworldindata.org/brief-history-of-ai' [แหล่งข้อมูลออนไลน์]
6. ข้อมูลเบื้องต้นเกี่ยวกับการเรียนรู้ของเครื่องแบบไม่มีความรู้ (ZKML)
7. ทำความเข้าใจจุดตัดของ Crypto และ AI
8. Grass คือชั้นข้อมูลของ AI
9. Bittensor: ตลาดข่าวกรองแบบ Peer-to-Peer

ข้อสงวนสิทธิ์：

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