Crypto和AI的融合：四个关键交叉点

11月前 5.1K

首码项目微信群，加微信：WX-93588 （加微信时备注散户/团队长）⬅️此处为全站广告位，与正文项目无关
注册并登录App即可领取高达 60,000 元的数字货币盲盒：点击此处注册OKX

作者：Kyle Samani（Multicoin Capital合伙人）和ChatGPT；翻译：金色财经cryptonaitive和ChatGPT

注：这篇文章的绝大部分内容，包含大部分标题，都是由 ChatGPT 编撰的。作者写的文字是斜体的。你可以在这里看到作者与 ChatGPT 的对话进程。

Crypto 和 AI 的国际一直在并行发展，每个范畴都在突破技术和立异的边界。跟着咱们在这两个范畴不断取得发展，越来越清楚的是，它们的未来是亲近羁绊在一起的。在这篇文章中，咱们将探究 Crypto 和 AI 十字路口的四个重要交叉点。

“显卡的AirBnB”模型

AI 和机器学习 (ML) 作业负载的鼓起对 Nvidia A100 等高性能显卡产生了巨大需求。作为回应，呈现了一个类似于“显卡的AirBnB”的新商场。这答应个人和组织出租他们未运用的 GPU 资源，以满足 AI 研究人员和开发人员的需求。

这是商场历史上实在独特的时间。在 ChatGPT 推出之前，GPU 的供应现已求过于供。从那时起，需求或许至少增加了 10 倍，乃至或许增加了 100 倍。此外，咱们知道模型跟着练习规模的增加呈对数增加；这意味着对 GPU 计算的需求呈指数级增加，以进步模型质量。虽然总供应远远超过需求，但对产品的需求如此巨大地超过可用供应的时间很少见；假如今日地球上的每一个 GPU 都可用于 AI 推理和练习，那么就不会短缺，而是会过剩！

但是，在探究“显卡的 AirBnB”的概念时，需求考虑几个首要的技术应战：

并非一切显卡都能支撑一切作业负载：显卡有各种形状、尺寸和规格。因而，某些 GPU 或许无法处理某些 AI 任务。为了使该模型取得成功，需求有一种办法将正确的 GPU 资源与适当的 AI 作业负载相匹配。跟着商场的成熟，咱们应该等待看到针对不同 AI 任务的显卡进一步专业化和优化。
调整练习进程以习惯更高的推迟：今日的大多数基础模型都是在 GPU 集群上练习的，GPU经过极低推迟衔接。在去中心化环境中，推迟会增加几个数量级，因为 GPU 或许分布在多个方位并经过公共互联网衔接。为了克服这一应战，有时机开发出新练习进程，它们具有更高推迟衔接。经过从头思考咱们练习 AI 模型的方法，咱们可以更好地运用更大 GPU 的去中心化集群。
验证问题：无法知道不受信赖的计算机是否执行了特定代码段。因而，很难信赖不受信赖的计算机的输出。但是，这个问题可以经过信誉体系与加密经济质押相结合来缓解，在某些状况下，还可以经过支撑快速验证的新型模型来缓解。

有相当多的团队在这个范畴作业，包含练习和推理。Multicoin Capital出资了Render Network, Render Network最初专注于3D烘托，而且现已开放了它的 GPU 网络来也支撑AI推理。

除了 Render Network，还有一些其他公司在这个范畴作业：Akash、BitTensor、Gensyn、Prodia、Together，以及其他仍处于开发中的项目。

代币鼓励RLHF (Reinforcement Learning from Human Feedback，依据人类反应的强化学习)

代币鼓励几乎肯定不会适用于从人类反应中强化学习（RLHF)的一切用例。问题是，咱们可以运用什么结构来考虑什么时候代币鼓励对 RLHF 有意义，什么时候应该运用现金付出（例如 USDC）。

跟着以下状况变得愈加实在，代币鼓励或许会改善 RLHF：

该模型变得愈加狭小和笔直（与通用和横向相对，例如 ChatGPT）。假如或人将供给 RLHF 作为他们的首要作业，并因而经过供给 RLHF 产生大部分收入，他们或许需求现金来付出租金和购买食物。当你从一般查询转向更具体的范畴时，模型开发人员将需求更多练习有素的员工参与，他们更有或许取得全体商业时机的长时间成功。
在 RLHF 作业本身之外供给 RLHF 的人的收入越高。 假如一个人有满足的收入或其他尽力的储蓄来证明在特定范畴的 RLHF 模型中投入有意义的时间的危险是合理的，那么他们只能承受确定/非流动性代币作为补偿而不是现金。为了最大限度地进步成功的或许性，模型开发人员不应该只向供给特定范畴 RLHF 的作业人员发放未确定的代币。相反，代币应该在一段时间内颁发，以鼓励长时间决议计划。

代币鼓励 RLHF 模型或许适用的一些职业包含：

医学： 人们应该可以与法学硕士一起从事轻量级、榜首反应的确诊，以及长时间防备和长命医学。
法令： 企业主和个人应该可以运用大言语模型来更有效地驾驭各种异构法令体系的杂乱性。
工程和建筑：增强规划东西或仿真模型。
金融和经济：改善猜测模型、危险评估和算法交易体系。
科学研究：完善用于模拟实验、猜测分子相互效果和剖析杂乱数据集的 AI 模型。
教育和培训：为人工智能驱动的学习渠道做出贡献，以进步教育内容的质量和有效性。
环境科学与可继续性：优化人工智能模型以猜测环境趋势、资源分配和促进可继续实践。

有一个笔直范畴的代币鼓励 RLHF 现已投入生产：地图。Hivemapper不仅对司机有优点，对投入时间编辑和收拾地图数据的地图编辑人员也有优点。你可以运用 Hivemapper 自己测验地图人工智能练习东西.

零常识机器学习 (zkML)

区块链不知道实际国际中发生了什么。但是，了解发生在链外的事件对他们来说是非常有利的，这样他们就可以依据实际国际状况以编程方法转移价值。

预言机处理了这个问题的一部分。但是预言机还不行。只是将实际国际数据中继到链上是不行的。在进入链之前，需求计算许多数据。例如，让咱们考虑一个收益聚合器，它需求在不同池子之间转移存款以赚取更多收益。为了以信赖最小化的方法做到这一点，聚合器需求计算一切可用池子的当前收益和危险。这很快就变成了适合 ML 的优化问题。但是，在链上计算 ML 的本钱太高，因而这对 zkML 来说是一个时机。

像Modulus Labs这样的团队现在正在这个范畴建造。咱们希望更多的团队运用通用 ZKVM 在这个范畴进行构建，例如Risc Zero和Lurk。

深度假造年代的实在性

跟着深度假造变得越来越杂乱，坚持对数字媒体的实在性和信赖至关重要。一种处理方案触及运用公钥密码学，答应创作者经过运用公钥对其内容进行签名来保证其内容的实在性。

公钥本身不足以处理实在性问题。需求有一个公共记录，将公钥映射到实在国际的身份，以便进行验证和建立信赖。经过将公钥与经过验证的身份相关联，可以创立一个反应和惩罚体系，假如有人被发现乱用他们的密钥，例如在深度假造的图画或视频上签名。

为了使这个体系有效，公钥签名与实际国际身份验证的集成将是至关重要的。支撑许多加密钱银体系的区块链技术可以在创立去中心化和防篡改的身份注册方面发挥重要效果。该注册表会将公钥映射到实在国际的身份，然后更容易建立信赖并追查不良行为者的职责。

至少会有两种配置：嵌入式硬件和用户操控的软件。

嵌入式硬件：咱们估计智能手机和其他设备将很快集成依据硬件的本地图画、视频和其他前言签名功能。

Solana Labs 最近推出了Saga电话，它由Solana 移动仓库（Solana Mobile Stack，SMS）驱动。在接下来的几个月里，我希望 SMS 可以得到更新，以便每张相片都运用 SMS 进行签名种子库SDK，证明相片不是由 AI 生成的。

用户操控的软件：人们将运用Photoshop、Octane 等规划东西和 Stable Diffusion 等图画生成器来制造艺术品。咱们希望这些软件供给商将集成公钥加密机制，使创作者可以证明实在性，一起也承认在制造进程中运用的东西。

结论

总之，加密钱银和人工智能技术的融合为应对急迫应战和解锁跨多个职业的立异处理方案供给了大量时机。经过探究这些范畴的交叉点，咱们可以找到新的办法来优化 AI 练习中的资源分配，运用代币鼓励从人类反应中进行特定范畴的强化学习，并在面对深度假造时坚持数字媒体的实在性。

“显卡的 AirBnB”模型供给了去中心化和民主化拜访高性能 GPU 的潜力，使更多的人和组织可以为 AI 研究和开发做出贡献。代币鼓励的 RLHF 可以应用于从工程和金融到教育和环境科学的各个职业，经过运用范畴专家的常识改善人工智能模型。ZKML 将答应区块链依据实际国际中的杂乱变化更新链上的财务状况。最后，经过将公钥密码学与实际国际的身份验证和区块链技术相结合，咱们可以创立一个强大的体系来应对深度假造带来的应战并坚持对数字媒体的信赖。

跟着咱们不断发现加密和人工智能之间的协同效果，咱们无疑会发现更多时机来推进立异、创造价值并处理当今社会面临的一些最急迫的问题。拥抱这两个范畴之间的交叉点将协助咱们突破技术的边界，塑造一个愈加互联、高效和实在的未来。