Конвергенция криптографии и ИИ: четыре ключевых пересечения

Автор: Кайл Самани (Multicoin Capital Partner) и ChatGPT Перевод: Jinse Finance cryptonaitive и ChatGPT

*Примечание. Большая часть этой статьи, включая большинство заголовков, написана ChatGPT. Текст, написанный автором, выделен курсивом. Вы можете увидеть беседу автора с ChatGPT здесь. *

Миры Крипто и ИИ развивались параллельно, и каждая область раздвигала границы технологий и инноваций. По мере того, как мы продолжаем добиваться прогресса в обеих областях, становится все более очевидным, что их будущее тесно переплетено. В этом посте мы рассмотрим четыре важных перекрестка на перекрестке криптографии и ИИ.

Модель “AirBnB для видеокарт”

Рост рабочих нагрузок искусственного интеллекта и машинного обучения (ML) создал огромный спрос на высокопроизводительные видеокарты, такие как Nvidia A100. В ответ на это появился новый рынок, похожий на «AirBnB видеокарт». Это позволяет отдельным лицам и организациям сдавать в аренду свои неиспользуемые ресурсы графического процессора для удовлетворения потребностей исследователей и разработчиков ИИ.

*Это действительно уникальный момент в истории рынка. До запуска ChatGPT поставки графических процессоров уже были в дефиците. С тех пор спрос, вероятно, вырос как минимум в 10, а возможно, и в 100 раз. Кроме того, мы знаем, что модели растут логарифмически с размером обучения; это означает, что потребность в вычислениях на GPU возрастает экспоненциально для улучшения качества модели. В то время как общее предложение намного превышает спрос, моменты, когда спрос на товар настолько сильно превышает доступное предложение, редки; если бы сегодня каждый GPU на планете можно было использовать для вывода и обучения ИИ, вместо дефицита был бы избыток! *

Однако при изучении концепции «AirBnB для видеокарт» необходимо учитывать несколько основных технических проблем:

• Не все графические карты поддерживают все рабочие нагрузки: Графические карты бывают всех форм, размеров и спецификаций. Поэтому некоторые графические процессоры могут не справиться с определенными задачами ИИ. Чтобы эта модель была успешной, должен быть способ сопоставить правильные ресурсы графического процессора с соответствующей рабочей нагрузкой ИИ. По мере взросления рынка следует ожидать дальнейшей специализации и оптимизации видеокарт для различных задач ИИ.

• Настройка процесса обучения для увеличения задержки: сегодня большинство базовых моделей обучаются на кластерах графических процессоров, подключенных через чрезвычайно низкую задержку. В децентрализованной среде задержка увеличивается на порядки, поскольку графические процессоры могут быть распределены по нескольким местам и подключены через общедоступный Интернет. Чтобы преодолеть эту проблему, существуют возможности для разработки новых процедур обучения с соединениями с более высокой задержкой. Переосмыслив то, как мы обучаем модели ИИ, мы можем лучше использовать преимущества децентрализованных кластеров более крупных графических процессоров.

• *Проблема проверки: невозможно узнать, был ли конкретный фрагмент кода выполнен на ненадежном компьютере. Поэтому трудно доверять выходу ненадежного компьютера. Однако эту проблему можно смягчить с помощью систем репутации в сочетании с криптоэкономическим стейкингом и, в некоторых случаях, с помощью новых моделей, поддерживающих быструю проверку. *

• В этой области работает довольно много команд, как по обучению, так и по инференсу. MulticoinCapital инвестировала в Render Network, которая изначально была ориентирована на 3D-рендеринг, и открыла свою сеть GPU для поддержки логического вывода. *

*Помимо RenderNetwork, в этой области работают еще несколько компаний: Akash, BitTensor, Gensyn, Prodia, Together и другие, которые все еще находятся в разработке. *

Токен-поощрение RLHF (обучение с подкреплением на основе обратной связи с человеком, обучение с подкреплением на основе обратной связи с человеком)

Жетонные стимулы почти наверняка не будут работать для всех случаев использования обучения с подкреплением на основе отзывов людей (RLHF). Вопрос в том, какую основу мы можем использовать, чтобы подумать о том, когда стимулы в виде токенов имеют смысл для RLHF и когда следует использовать наличные платежи (например, USDC).

Поощрения токенами могут улучшить RLHF, поскольку следующее становится более верным:

• Модель стала более узкой и вертикальной (в отличие от универсальной и горизонтальной, например ChatGPT). *Если кто-то будет предоставлять RLHF в качестве своей основной работы и, следовательно, будет получать большую часть своего дохода от предоставления RLHF, ему могут понадобиться наличные деньги для оплаты аренды и покупки продуктов питания. По мере того, как вы переходите от общих запросов к более конкретным предметным областям, разработчикам моделей потребуется привлечение более подготовленного персонала, который, скорее всего, добьется долгосрочного успеха в общей бизнес-возможности. *
• ** Более высокий доход для тех, кто обеспечивает RLHF помимо самой работы RLHF. *** Можно принимать заблокированные/неликвидные токены в качестве компенсации только в том случае, если у вас есть достаточный доход или сбережения от других усилий, чтобы оправдать риск инвестирования значимого времени в модель RLHF для конкретной области. Не наличные деньги. Чтобы максимизировать вероятность успеха, разработчики моделей должны не только выдавать разблокированные токены работникам, которые предоставляют RLHF для конкретной области. Вместо этого токены должны передаваться в течение определенного периода времени, чтобы стимулировать принятие долгосрочных решений. *

Некоторые отрасли, в которых может быть применима модель RLHF, стимулируемая токенами, включают:

*Медицина: *Нужно иметь возможность практиковать легкую диагностику, диагностику быстрого реагирования, а также долгосрочную профилактическую медицину и медицину долголетия со степенью магистра права. *

• Юридический: * Владельцы бизнеса и частные лица должны иметь возможность использовать LLM для более эффективного преодоления сложностей различных разнородных правовых систем. *
• Инженерия и архитектура: улучшите инструменты проектирования или имитационные модели.
• Финансы и экономика: совершенствование моделей прогнозирования, оценки рисков и алгоритмических торговых систем.
• Научные исследования: улучшайте модели ИИ для моделирования экспериментов, прогнозирования молекулярных взаимодействий и анализа сложных наборов данных.
• Образование и обучение: внесите свой вклад в учебные платформы на базе ИИ, чтобы повысить качество и эффективность образовательного контента.
• Наука об окружающей среде и устойчивость: оптимизация моделей ИИ для прогнозирования экологических тенденций, распределения ресурсов и продвижения устойчивых методов.

Существует одна вертикаль, в которой RLHF, стимулируемая токенами, уже находится в производстве: Карты. Hivemapper хорош не только для водителей, но и для редакторов карт, которые тратят свое время на редактирование и организацию картографических данных. Вы можете самостоятельно опробовать инструмент для обучения искусственному интеллекту карты с помощью Hivemapper.

Машинное обучение с нулевым разглашением (zkML)

• Блокчейн ничего не знает о том, что происходит в реальном мире. Однако для них было бы очень полезно понять, что происходит вне сети, чтобы они могли программно передавать ценность на основе состояния реального мира. *

• Оракулы частично решают эту проблему. Но оракулов недостаточно. Простой передачи реальных данных в цепочку недостаточно. Прежде чем войти в цепочку, нужно рассчитать множество данных. Например, давайте рассмотрим агрегатор доходности, которому необходимо переводить депозиты между разными пулами, чтобы получать больше доходности. Чтобы сделать это с минимальным доверием, агрегатору необходимо рассчитать текущую выплату и риск для всех доступных пулов. Это быстро становится проблемой оптимизации, подходящей для ML. Однако вычисление машинного обучения в сети слишком дорого, поэтому это возможность для zkML. *

• Такие команды, как Modulus Labs, сейчас работают в этом пространстве. Мы надеемся, что в этой сфере будет больше команд, использующих ZKVM общего назначения, таких как Risc Zero и Lurk. *

Аутентичность в эпоху дипфейков

По мере того, как дипфейки становятся все более изощренными, крайне важно поддерживать подлинность и доверие к цифровым медиа. Одно из решений включает использование криптографии с открытым ключом, что позволяет создателям гарантировать подлинность своего контента, подписывая его с помощью открытого ключа.

Одного открытого ключа недостаточно для решения проблемы подлинности. Должна быть общедоступная запись, которая сопоставляет открытые ключи с реальными удостоверениями для проверки и доверия. Связывая открытые ключи с проверенными личностями, можно создать систему обратной связи и штрафов, если кто-то будет уличен в злоупотреблении своими ключами, например, при подписании поддельных изображений или видео.

Чтобы эта система была эффективной, решающее значение будет иметь интеграция подписей с открытым ключом с реальной аутентификацией. Технология блокчейн, которая лежит в основе многих криптовалютных систем, может сыграть важную роль в создании децентрализованных и защищенных от несанкционированного доступа реестров идентификационных данных. Реестр сопоставляет открытые ключи с реальными личными данными, что упрощает установление доверия и привлечение к ответственности злоумышленников.

• Будет как минимум две конфигурации: встроенное оборудование и программное обеспечение, управляемое пользователем. *

• Встроенное оборудование: Мы ожидаем, что смартфоны и другие устройства вскоре будут интегрировать собственные аппаратные возможности подписи изображений, видео и других медиафайлов.

*SolanaLabs недавно запустила Saga Phone, который работает на платформе Solana Mobile Stack (Solana Mobile Stack, SMS). Я надеюсь, что в ближайшие несколько месяцев SMS будет обновлено, чтобы каждая фотография была подписана с использованием SDK SMS Seed Bank, что доказывает, что фотография не была сгенерирована искусственным интеллектом. *

• ** ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ, УПРАВЛЯЕМОЕ ПОЛЬЗОВАТЕЛЕМ: ** Люди будут использовать инструменты дизайна, такие как Photoshop, Octane, и генераторы изображений, такие как StableDiffusion, для создания иллюстраций. Мы ожидаем, что эти поставщики программного обеспечения будут интегрировать криптографию с открытым ключом, что позволит создателям подтверждать подлинность, а также признавать инструменты, используемые в производственном процессе.

в заключение

В заключение следует отметить, что конвергенция технологий криптовалюты и искусственного интеллекта предлагает широкие возможности для решения насущных проблем и поиска инновационных решений в различных отраслях. Изучая пересечение этих областей, мы можем найти новые способы оптимизации распределения ресурсов при обучении ИИ, использовать токеновые стимулы для обучения с подкреплением в конкретной предметной области на основе отзывов людей и сохранять аутентичность цифровых медиа перед лицом дипфейкового секса.

Модель «AirBnB видеокарт» предлагает потенциал для децентрализации и демократизации доступа к высокопроизводительным графическим процессорам, позволяя большему количеству людей и организаций вносить свой вклад в исследования и разработки в области ИИ. RLHF, стимулируемый токенами, может применяться в различных отраслях, от инженерии и финансов до образования и науки об окружающей среде, улучшая модели ИИ за счет использования знаний экспертов в данной области. ZKML позволит блокчейну обновлять финансовое состояние в сети на основе сложных изменений в реальном мире. Наконец, объединив криптографию с открытым ключом с реальной аутентификацией и технологией блокчейна, мы можем создать надежную систему для решения проблем, связанных с дипфейками, и поддерживать доверие к цифровым медиа.

По мере того, как мы продолжаем открывать синергию между шифрованием и искусственным интеллектом, мы, несомненно, откроем больше возможностей для внедрения инноваций, создания ценности и решения некоторых из самых насущных проблем, стоящих сегодня перед обществом. Охват пересечения этих двух областей поможет нам раздвинуть границы технологий и сформировать более связанное, эффективное и подлинное будущее.