ZKML ve Dağıtılmış Bilgi İşlem: Yapay Zeka ve Web3 için Potansiyel Bir Yönetişim Anlatımı

ZKML Hakkında: ZKML (Sıfır Bilgi Makine Öğrenimi), makine öğrenimindeki gizliliğin korunması sorununu çözmek için Sıfır Bilgi Kanıtları (Sıfır Bilgi Kanıtları) ile makine öğrenimi algoritmalarını birleştiren bir makine öğrenimi teknolojisidir.

Dağıtılmış bilgi işlem gücü hakkında: Dağıtılmış bilgi işlem gücü, bir bilgi işlem görevinin birden çok küçük göreve ayrıştırılması ve verimli bilgi işlem elde etmek için bu küçük görevlerin işlenmek üzere birden çok bilgisayara veya işlemciye atanması anlamına gelir.

Yapay Zeka ve Web3'ün Durumu: Kaçak Sürüler ve Entropi Büyümesi

"Kontrol Dışında: Makinelerin, Toplumun ve Ekonominin Yeni Biyolojisi"nde Kevin Kelly bir keresinde bir olgu önermişti: arı kolonisi, dağıtılmış yönetime göre bir grup dansında seçim kararlarını yürütecek ve tüm arı kolonisi bunu takip edecek. grup dansı Dünyanın en büyük arı sürüleri bir etkinliğin ustası olurlar. Bu aynı zamanda Maurice Maeterlinck tarafından bahsedilen sözde "kovanın ruhu"dur - her arı kendi kararını verebilir, diğer arıları onaylamak için yönlendirebilir ve nihai karar gerçekten grup seçimidir.

Entropi artışı ve düzensizlik yasasının kendisi termodinamik yasasını takip eder ve fizikteki teorik görselleştirme, belirli sayıda molekülü boş bir kutuya koymak ve nihai dağılım profilini hesaplamaktır. İnsanlara özel olarak, algoritmanın ürettiği mafya, bireysel düşünce farklılıkları olsa da grubun kanununu gösterebilmektedir.Zaman gibi etkenler nedeniyle çoğu zaman boş bir kutuya hapsedilir ve sonunda uzlaşı ile karar verir.

Elbette grup kuralları doğru olmayabilir, ancak fikir birliğini temsil edebilen ve kendi başlarına fikir birliğine varabilen kanaat önderleri mutlak süper bireylerdir. Ancak çoğu durumda fikir birliği, herkesin tam ve koşulsuz rızasını gözetmez, yalnızca grubun genel bir kimliğe sahip olmasını gerektirir.

Burada yapay zekanın insanları yoldan çıkarıp çıkarmayacağını tartışmıyoruz.Aslında, ağ verilerinin gerçekliğini kirleten yapay zeka uygulamalarının ürettiği büyük miktardaki çöpler mi yoksa grup kararları mı? hatalar bazılarına yol açacak Olay daha tehlikeli bir duruma gitti.

AI'nın mevcut durumu doğal bir tekele sahiptir.Örneğin, büyük modellerin eğitimi ve devreye alınması çok fazla bilgi işlem kaynağı ve veri gerektirir, ancak yalnızca az sayıda işletme ve kurum bu koşullara sahiptir. Bu yüz milyonlarca veri, her bir tekel sahibi tarafından bir hazine olarak görülüyor, kaynak paylaşımı bir yana, karşılıklı erişim bile imkansız.

Bu, büyük bir veri israfına neden oldu.Her büyük ölçekli AI projesi, kullanıcı verilerini tekrar tekrar toplamak zorundadır ve sonunda kazanan, ister birleşmeler ve satın almalar veya satışlar, ister bireysel dev projeleri genişletme veya geleneksel İnternet olsun, hepsini alır.Rodeo mantığı yarışma.

Birçok kişi AI ve Web3'ün iki farklı şey olduğunu ve hiçbir bağlantısının olmadığını söylüyor - cümlenin ilk yarısı doğru, bunlar iki farklı yol, ancak cümlenin ikinci yarısı sorunlu, yapay tekelini sınırlamak için dağıtılmış teknoloji kullanıyor zeka ve merkezi olmayan bir mutabakat mekanizmasının oluşumunu teşvik etmek için yapay zeka teknolojisinin kullanılması tamamen doğal bir şeydir.

Alt Kesinti: Yapay Zekanın Gerçek Bir Dağıtılmış Grup Mutabakat Mekanizması Oluşturmasına İzin Verin

Yapay zekanın özü, insanların kendisindedir ve makineler ve modeller, spekülasyon ve insan düşüncesinin taklidinden başka bir şey değildir. Sözde grup aslında grubu soyutlamak zordur, çünkü her gün gördüğümüz şey hala gerçek bir bireydir. Ancak model, öğrenmek ve ayarlamak için büyük miktarda veri kullanmak ve son olarak grup formunu simüle etmektir. Bu modelin ne tür sonuçlara yol açacağını değerlendirmeyin, çünkü kötülük yapan grupların olayları bir veya iki kez olmaz. Ancak model, bu mutabakat mekanizmasının oluşumunu temsil ediyor.

Örneğin, belirli bir DAO için, yönetişim mekanizması uygulanırsa, kaçınılmaz olarak verimliliği etkileyecektir.Bunun nedeni, grup mutabakatının oluşturulması, oylama, istatistik vb. DAO'nun yönetişimi AI modeli biçiminde somutlaştırılırsa ve tüm veri toplama DAO'daki herkesin konuşma verilerinden gelirse, o zaman çıktı kararı aslında grup fikir birliğine daha yakın olacaktır.

Tek bir modelin grup mutabakatı, yukarıdaki şemaya göre eğitilebilir, ancak yine de bu bireyler için bir adadır. Grup yapay zekası oluşturacak kolektif zeka sistemi varsa, bu sistemdeki her yapay zeka modeli karmaşık sorunları çözmek için birbiriyle çalışacak, aslında fikir birliği düzeyinin güçlenmesinde büyük etkisi olacaktır.

Küçük koleksiyonlar için bağımsız olarak bir ekoloji oluşturabilir veya süper büyük bilgi işlem gücünü veya veri işlemlerini daha verimli ve düşük maliyetle karşılamak için diğer koleksiyonlarla işbirliğine dayalı bir koleksiyon oluşturabilirsiniz. Ancak burada yine sorun ortaya çıkıyor: Çeşitli model veritabanları arasındaki statüko tamamen güvensizdir ve diğerlerine karşı koruyucudur - bu tam olarak blok zincirinin doğal özelliklerinin yattığı yerdir: güvensizlik yoluyla, gerçekten dağıtılmış yapay zeka makinelerinin güvenliği gerçekleştirilebilir Verimli etkileşim.

Küresel bir akıllı beyin, orijinal olarak bağımsız ve tek işlevli AI algoritma modellerinin birbirleriyle işbirliği yapmasını sağlayabilir, dahili olarak karmaşık akıllı algoritma süreçlerini yürütebilir ve büyümeye devam edebilen dağıtılmış bir grup mutabakat ağı oluşturabilir. Bu aynı zamanda AI'nın Web3'ü güçlendirmesinin en büyük önemidir.

Gizlilik mi, Veri Tekeli mi? ZK ve makine öğreniminin birleşimi

İnsanlar, ister yapay zekaya karşı kötülük yapmaya karşı isterse mahremiyetin korunmasına ve veri tekeli korkusuna dayalı olsun, hedefe yönelik önlemler almalıdır. Temel sorun, sonucun nasıl çıkarıldığını bilmememizdir.Benzer şekilde, modelin operatörü de bu soruyu cevaplamak niyetinde değildir. Ve yukarıda bahsettiğimiz küresel akıllı beyin birleşimi için bu sorunun çözülmesi daha da gereklidir, aksi halde hiçbir veri tarafı çekirdeğini başkalarıyla paylaşmak istemez.

ZKML (Sıfır Bilgi Makine Öğrenimi), makine öğrenimi için sıfır bilgi kanıtlarını kullanan bir teknolojidir. Sıfır Bilgi İspatları (ZKP), yani kanıtlayıcı (kanıtlayıcı), belirli verileri ifşa etmeden doğrulayıcıyı (doğrulayıcıyı) verilerin gerçekliğine ikna edebilir.

Teorik bir vaka ile alıntılanmıştır. 9×9 standart bir Sudoku vardır.Tamamlanma koşulu, dokuz ızgarada 1'den 9'a kadar sayıların doldurulmasıdır, böylece her sayı her satırda, sütunda ve ızgarada yalnızca bir kez yer alabilir. Peki bu bulmacayı düzenleyen kişi, soruyu soran kişiye Sudoku'nun bir çözümü olduğunu cevabı açıklamadan nasıl kanıtlayabilir?

Doldurmayı yanıtla doldurmanız ve ardından meydan okuyandan rastgele birkaç satır veya sütun seçmesini, tüm sayıları karıştırmasını ve birden dokuza kadar olduğunu doğrulamasını istemeniz yeterlidir. Bu, basit bir sıfır bilgi kanıt düzenlemesidir.

Sıfır bilgi kanıtı teknolojisinin tamlık, doğruluk ve sıfır bilgi olmak üzere üç özelliği vardır, yani herhangi bir ayrıntıyı açıklamadan sonucu kanıtlar. Teknolojisinin kaynağı basitliği yansıtabilir.Homomorfik şifreleme bağlamında, doğrulama zorluğu kanıt üretme zorluğundan çok daha düşüktür.

Makine Öğrenimi, bilgisayar sistemlerinin verilerden öğrenmesini ve geliştirmesini sağlamak için algoritmaların ve modellerin kullanılmasıdır. Otomasyon yoluyla deneyimlerden öğrenme, sistemin verilere ve modellere dayalı olarak tahmin, sınıflandırma, kümeleme ve optimizasyon gibi görevleri otomatik olarak gerçekleştirmesini sağlar.

Makine öğrenimi özünde, verilerden öğrenen ve otomatik olarak tahminler ve kararlar veren modeller oluşturmakla ilgilidir. Bu modellerin inşası genellikle üç temel öğe gerektirir: veri kümeleri, algoritmalar ve model değerlendirmesi. Veri kümeleri, makine öğreniminin temelidir ve makine öğrenimi modellerini eğitmek ve test etmek için kullanılan veri örneklerini içerir. Algoritmalar, makine öğrenimi modellerinin merkezinde yer alır ve modelin verilerden nasıl öğrendiğini ve tahminde bulunduğunu tanımlar. Model değerlendirmesi, modelin performansını ve doğruluğunu değerlendirmek ve modelin optimize edilmesi ve iyileştirilmesi gerekip gerekmediğine karar vermek için kullanılan makine öğreniminin önemli bir parçasıdır.

Geleneksel makine öğreniminde, veri kümelerinin genellikle eğitim için merkezi bir yerde toplanması gerekir; bu, veri sahiplerinin verileri üçüncü taraflarla paylaşması gerektiği anlamına gelir; bu da veri sızıntısı veya gizlilik sızıntısı riskine yol açabilir. ZKML ile veri sahipleri, sıfır bilgi kanıtları kullanılarak elde edilen verileri açığa çıkarmadan veri setlerini başkalarıyla paylaşabilir.

Makine öğreniminin güçlendirilmesine sıfır bilgi kanıtı uygulandığında, etki tahmin edilebilir olmalıdır, bu da uzun süredir baş belası olan gizlilik kara kutusu ve veri tekeli sorunlarını çözer: proje tarafının bunu kullanıcı verisi girişini veya belirli verileri ifşa etmeden kullanıp kullanamayacağı Modelin detayları Kanıtlama ve doğrulama tamamlandıktan sonra, her koleksiyonun kendi verilerini paylaşması veya modelin özel verileri ifşa etmeden çalışması mümkün müdür? Elbette şu anki teknoloji henüz çok erken ve pratikte mutlaka birçok sorun olacaktır, bu bizim hayal gücümüzü engellemiyor ve birçok takım şimdiden gelişiyor.

Bu durum küçük veritabanlarının büyük veritabanlarına ücretsiz fuhuşunu getirecek mi? Yönetişim konularını düşündüğünüzde, Web3 düşüncemize geri dönüyoruz.Kripto'nun özü yönetişimde yatmaktadır. İster çok sayıda uygulama üzerinden olsun, ister paylaşım yoluyla olsun, hak ettiğiniz teşvikleri almalısınız. Orijinal Pow, PoS mekanizması veya en son PoR (itibar kanıtı mekanizması) yoluyla olsun, hepsi teşvik etkisi için garantiler sağlıyor.

Dağıtılmış bilgi işlem gücü: yalanlar ve gerçeklikle iç içe geçmiş yenilikçi bir anlatım

Merkezi olmayan bilgi işlem güç ağı, şifreleme çemberinde her zaman hararetle bahsedilen bir senaryo olmuştur.Sonuçta, yapay zeka büyük modeller, inanılmaz bilgi işlem gücü gerektirir ve merkezi bilgi işlem güç ağı, yalnızca kaynak israfına neden olmakla kalmaz, aynı zamanda önemli bir tekel oluşturur; Son olarak, GPU sayısı savaşılacak en son şeydir ve bu çok sıkıcıdır.

Merkezi olmayan bir bilgi işlem güç ağının özü, farklı konumlara ve farklı cihazlara dağılmış bilgi işlem kaynaklarını entegre etmektir. Sıklıkla bahsedilen başlıca avantajlar şunlardır: dağıtılmış bilgi işlem yetenekleri sağlama, gizlilik sorunlarını çözme, yapay zeka modellerinin güvenilirliğini ve güvenilirliğini artırma, çeşitli uygulama senaryolarında hızlı dağıtım ve çalıştırmayı destekleme ve merkezi olmayan veri depolama ve yönetim şemaları sağlama. Bu doğru, merkezi olmayan bilgi işlem gücü sayesinde herkes yapay zeka modellerini çalıştırabilir ve bunları dünyanın dört bir yanındaki kullanıcıların gerçek zincir üstü veri kümelerinde test edebilir, böylece daha esnek, verimli ve düşük maliyetli bilgi işlem hizmetlerinin keyfini çıkarabilir.

Aynı zamanda merkezi olmayan bilgi işlem gücü, kullanıcı verilerinin güvenliğini ve gizliliğini korumak için güçlü bir çerçeve oluşturarak gizlilik sorunlarını çözebilir. Ayrıca şeffaf ve doğrulanabilir bir bilgi işlem süreci sağlar, yapay zeka modellerinin güvenilirliğini ve güvenilirliğini artırır ve çeşitli uygulama senaryolarında hızlı dağıtım ve operasyon için esnek ve ölçeklenebilir bilgi işlem kaynakları sağlar.

Model eğitimine tam bir merkezi bilgi işlem sürecinden bakarız.Adımlar genellikle şu bölümlere ayrılır: veri hazırlama, veri segmentasyonu, cihazlar arasında veri iletimi, paralel eğitim, gradyan toplama, parametre güncelleme, senkronizasyon ve tekrarlanan eğitim. Bu süreçte, merkezi bilgisayar odası yüksek performanslı bilgi işlem ekipmanı kümeleri kullansa ve bilgi işlem görevlerini yüksek hızlı ağ bağlantıları aracılığıyla paylaşsa bile, yüksek iletişim maliyeti, merkezi olmayan bilgi işlem güç ağının en büyük sınırlamalarından biri haline geldi.

Bu nedenle, merkezi olmayan bilgi işlem güç ağının birçok avantajı ve potansiyeli olmasına rağmen, mevcut iletişim maliyeti ve fiili operasyon zorluğuna göre geliştirme yolu hala dolambaçlıdır. Uygulamada, merkezi olmayan bir bilgi işlem güç ağının gerçekleştirilmesi, düğümlerin güvenilirliğinin ve güvenliğinin nasıl sağlanacağı, dağıtılmış bilgi işlem kaynaklarının nasıl etkin bir şekilde yönetilip programlanacağı veya verimli veri iletimi ve İletişimin nasıl sağlanacağı vb. gibi birçok pratik teknik sorunun üstesinden gelmeyi gerektirir. ., Korkarım aslında büyük problemler.

Kuyruk: İdealistler için beklentiler

Mevcut ticari gerçekliğe dönersek, AI ve Web3'ün derin entegrasyonunun anlatımı çok güzel görünüyor, ancak sermaye ve kullanıcılar, proje OpenAI gibi olmazsa bunun son derece zor bir inovasyon yolculuğu olacağını pratik eylemlerle bize daha çok anlatıyor. , güçlü olduğumuz halde güçlü bir finansal destekçiye tutunurken, aksi takdirde dipsiz araştırma ve geliştirme maliyetleri ve belirsiz iş modeli bizi tamamen ezecektir.

İster AI ister Web3 olsun, tıpkı geçen yüzyılın sonundaki İnternet balonu gibi, şu anda gelişimin çok erken bir aşamasındalar ve gerçek altın çağın resmi olarak başlaması yaklaşık on yıl sonrasına kadar değildi. McCarthy, tek bir tatilde insan zekası ile bir yapay zeka tasarlamanın hayalini kurdu, ancak yapay zekaya doğru kritik adımı ancak yaklaşık yetmiş yıl sonra atabildik.

Aynısı Web3+AI için de geçerli, bundan sonraki yolun doğruluğunu belirledik, gerisi zamana bırakılacak.

**Zamanın akışı sona erdiğinde, ayakta duran insanlar ve şeyler, bilim kurgudan gerçeğe geçişimizin mihenk taşıdır. **