分散反叛:Delphi实验室有关加密货币和人工智能的论文

中級9/24/2024, 2:58:11 AM
本文深入分析了人工智慧技術的快速發展及其對社會的潛在影響。它預測了人工智慧能力、資金和社會影響力的加速增長,並探討了多模型世界的概念。此外,它深入探討了加密技術如何支持人工智慧的分散式發展,以及這種整合如何為開發人員和用戶帶來實際的好處。

人工智能可能代表了历史上最大的技术革命,并引发了一场世界前所未见的技术竞赛。目前的AI模型已经在大多数标准化大学测试中获得了最高分位数,并在许多任务中超越人类,包括AI研究本身。即使在当前水平下,这已经对许多行业产生了变革,如搜索、客户服务、内容创作、编程、教育等。

我們預計人工智能的能力、資金和對社會的影響只會在這個基礎上加速。所有大型科技巨頭都明白人工智能對他們的業務至關重要,並相應地進行投資。NVIDIA 的收入,可以說是人工智能資本支出的最佳代理,預計到 2024 年將超過 1000 億美元,是 2023 年的兩倍多,是前一年的 4 倍以上。

Google CEO Sundar Pichai 談人工智慧投資:

“在這裡,投資不足的風險遠大於投資過度的風險。”

與此同時,初創公司認為人工智慧是一種顛覆性力量,他們可以用它來取代數十年的現有企業,估計$83b已經投資在过去的18个月中投资了AI初创公司。

鑑於人工智能的能力往往隨著應用於其上的計算能力呈指數級增長,我們很有可能在未來十年內實現類似通用人工智能(AGI)的東西。


來源:情境感知透過@leopoldasch

在本文中,我們認為競爭動態將導致數百萬種模型的世界,而加密貨幣是這個多模型世界的理想基礎。我們將首先討論為什麼我們認為多模型世界是AI的邏輯終點。然後,我們將介紹加密貨幣為AI提供的獨特差異化功能。最後,我們將介紹我們所看到的加密貨幣與AI堆疊,並提供我們對這些項目的具體例子感到興奮。

開源人工智能和加密 x 人工智能對於人類而言,有著強烈的哲學和道德原因,這些是更好的情況在其他地方得到了很好的覆盖我们完全同意他们的观点,这也是我们在这个领域建设的动力之一,但在本文中,我们仅关注加密货币与人工智能之间的实际原因,而不是它应该胜出的道德论证。

上帝模型 vs 多模型

現在,我們正走向一個世界,其中少數大型垂直整合的科技公司生產“上帝模型”,佔據其他一切。

然而,出於幾個原因,我們認為這並不是終局:

  1. 地毯風險:在AI之上構建體驗的組織、企業家和開發者不希望依賴單一的封閉源代碼公司,該公司可以更改模型、修改使用條款,甚至完全停止為他們提供服務。
  2. 性價比取捨:大型科技公司偏愛的極大且通用的模型在訓練和運行方面必然更昂貴。因此,這使得它們在許多使用情境下變得過高價且過度強大。儘管現在人們尚未考慮到盈利能力,但隨著人工智能規模的擴大,人們將優化以獲得所需性能的最低成本。對於許多任務來說,大型模型在這方面將無法競爭。有大量的研究支持這一點,顯示出在各個方面,更小、更專門的模型可以超越通用模型。醫學影像診斷,欺詐檢測, 語音識別和更多.
  3. 垂直整合:正如蘋果一再證明的那樣,最好的產品往往來自整個系統的垂直整合。樂觀的企業家建立AI-enabled產品將尋求通過在其自己的專門模型之上構建來獲得競爭優勢。這些產品還將能夠捕獲更多價值,吸引更多投資,等等。
  4. 隱私擔憂:人工智能將成為組織工作流程的核心,這樣的方式可以說是其他任何技術所無法比擬的。許多組織不願將他們的敏感數據託付給這些模型。

出於這些原因,我們相信我們更有可能最終會進入一個擁有許多更小、更專業化的模型的世界,這些模型是為特定的用例量身定制且具有成本效益的。應用程序開發人員和用戶將利用開源模型,例如LLaMA或從中獲取的模型@MistralAI“”> @MistralAI作為微調自己的專用模型的基礎,通常使用專有數據。許多模型將繼續在伺服器上運行,但更小、對隱私更敏感的應用程式將在用戶端設備上本地運行,而其他需要抗審查的應用程式可能會使用分散的計算網路。

這是一個模塊化人工智能樂高的世界,在這裡開發人員和企業家競爭為用戶提供價值,用戶可以根據自己的特定需求選擇和組合不同的服務。路由、協調、合成、支付和各種其他基礎設施都需要構建,以解構“上帝模型”堆疊,為這個新興的人工智能經濟提供服務。

這也是加密貨幣蓬勃發展的世界。

加密 x 人工智慧

加密貨幣直觀地感覺像是這個多模型世界中可以找到應用的領域。然而,這種狂熱導致了從常常缺乏信息的投資者那裡大量資金配置到這個領域。就像之前的基礎設施泡沫一樣,許多也許不應該被資助和建造的項目正在被資助和建造。因此,很難確定加密貨幣和人工智能領域的哪些子行業真正具有價值,這導致許多人將整個領域視為一種沒有基本價值的模因。

我們認為這不是一個模因,但事實證明,在沒有加密貨幣的情況下,這個多模型世界在理論上是存在的。因此,對我們來說,專注於加密貨幣的獨特區別是非常重要的,這使我們能夠創建根本更好的產品,甚至是那些在沒有它的情況下無法建立的產品。為了做到這一點,我們首先要確定加密貨幣的獨特屬性,以及它們如何應用於人工智能,以產生更好的產品。然後,我們將討論加密 x 人工智能堆棧,並提供我們認為適合的用例示例。

協調層 - 加密鐵路在無中央控制的情況下促進集體協調方面表現出色。它在克服大多數市場固有的先有雞還是先有蛋問題方面尤其成功,通過加密原生的激勵措施,在一夜之間為新大型用戶群體提供了支持。

  1. 建立內部模型的小團隊可能無法直接獲得所有所需的資源。例如,大型科技人工智慧實驗室可能會擁有自己的計算資源,而小團隊則不會。同樣,這些團隊將需要取得數據,也許需要獲取一個多樣化的人才團隊來提供人類反饋。這些需求很適合由專門的市場來滿足,我們相信利用加密貨幣技術的市場將比不利用此技術的市場具有競爭優勢。
  2. 開放式、無需許可的API:加密鐵路作為一個開放式、無需許可的API,可供任何人在任何地方使用,無需進行KYC、持有信用卡或經過任何第三方的批准。這對於需要完全自主行動的AI代理非常重要,他們需要能夠訪問服務、部署代碼和轉移價值,而不需要任何人的介入。這使得代理集體、代理為服務互相支付、承擔債務甚至籌集資金等科幻般的行為得以出現。
  3. 信任度:加密鏈路傾向於無需信任,這意味著您可以通過加密保證它們不會改變,存取權不會意外撤回,並且您可以驗證執行結果是否符合預期。對於模塊化人工智能堆棧來說,這一點很重要,因為與集成方法不同,構建者將需要與一系列不可控制的原始元素進行組合,而用戶則需要內在地信任許多服務,其中許多服務他們甚至都不知道。
  4. 免於審查:如果以不可變合約的形式部署,運行在加密鏈上的應用是不可阻擋的。即使是可升級的,通常也需要DAO的合議會達成共識。假設人工智能變得像我們預期的那樣強大,政府很有可能尋求控制和影響它。事實上,我們已經看到這種情況正在發生。就像比特幣和加密提供了在系統外的貨幣/金融鏈一樣,加密 x 人工智能提供了不可阻擋的智能。

加密x人工智能技術堆疊

考慮到這些好處,我們認為加密貨幣和人工智能交集的應用有哪些特別有趣的?

数据中心和计算

計算機的實用價值通常可分為兩類:訓練和推理。我們認為在這兩個方面都使用去中心化的計算機是有優點的,以下將對每個方面進行詳細的解釋。

在去中心化計算上的培訓

由於訓練期間節點之間的通信和延遲要求很高,分散式計算目前很困難。有很多團隊試圖解決這個問題,考慮到獎金的大小和參與其中的人才的質量,我們相信這個問題可能會得到解決。在這裡有一些有前途的方法,包括[ @NousResearch]sDisTrO@PrimeIntellect'sOpenDiLoCo.

除了解決分散式培訓的艱難技術問題並構建一個能夠抽象出這種複雜性的產品,獲獎者還必須找出:

  1. 如何在無權限網絡上確保質量和責任
  2. 如何啟動供應端,理想情況是數據中心和集群,而不是消費者硬件

通證激勵對於激勵供應方可能是基本要求,更有創意的方法可能包括讓計算提供者在產生的模型中擁有所有權。

從根本上來說,分佈式計算市場的優勢在於您可以利用全球最低的計算邊際成本。隨著現有服務提供商的成本上升導致更多公司/組織推遲並尋求更便宜的替代方案,這變得越來越重要。缺點是延遲、異構硬件以及缺乏建立和運營自己的數據中心所帶來的所有優化和規模經濟。這還有待觀察它如何發揮作用。

可驗證推理

從廣義上講,我們認為可驗證推理的用例是使用AI功能擴展信任最小化系統。將模型嵌入到智慧合約中是不切實際的,但可以在鏈下運行模型併發佈一些證明或證明,證明它在鏈上按預期運行。例如,專案可以不受信任地將治理決策(例如有關貨幣市場中風險參數的決策)轉移到鏈下模型。

這個概念也可以更廣泛地應用於開放或封閉源模型,給用戶提供了一個保證,即輸出來自他們預期的模型。隨著應用程序和用戶將人工智能應用於日益重要的任務,這可能變得很重要。有很多項目以不同的方式解決這個問題,例如Delphi Ventures portco。推理實驗室 @inference_labs.

數據

今天訓練LLMs是一個多步驟的過程,需要各種類型的數據和人工干預。它始於預訓練,LLMs在經過清理、編輯過的版本上進行訓練。常見的爬蟲和其他免費可用的數據集在後訓練期間,模型會在較小、更具體的標記數據集上進行訓練,使它們能夠在特定領域(例如化學)中熟練,通常在專家的幫助下。

為了確保新鮮和/或專有數據,人工智慧實驗室通常與大型數據來源的所有者達成交易。例如OpenAI 和 Reddit 簽署了一項協議據傳價值6000萬美元。同樣,華爾街日報報導,新聞集團與OpenAI的交易價值在五年內超過2.5億美元。顯然,數據比以往任何時候都更有價值。

我們相信,加密網絡能夠幫助團隊在整個過程的每個階段獲取所需的數據和資源。也許最有趣的領域是數據收集,我們相信加密激勵措施能夠有效地啟動數據收集的供應端,並開啟大量重要的數據來源。

例如,草 AI@getgrass_io激勵用戶分享他們的閒置互聯網帶寬,幫助爬取網絡數據,然後將其結構化、清理並使其可供人工智能訓練使用。如果 Grass 能夠啟動足夠多的供應端,它可以有效地充當 API 金鑰,為模型提供新鮮的互聯網數據。

@Hivemapper這是另一個很好的例子 - 該網絡於2022年11月推出,每週收集數百萬公里的道路級影像,已經繪製了世界25%的地圖。很容易看出類似的模型可以應用於其他形式的多模態數據,並通過出售給人工智能實驗室而實現盈利。

正如NewsCorp/Reddit的交易所示,有很多公司拥有有价值的数据,但许多公司要么太小,要么缺乏与AI实验室的联系来实现数据的货币化。同样,与个别小型供应商进行交易的AI实验室可能不值得付出努力。一个设计良好的数据市场可以通过以某种相对统一的方式将供应商与AI实验室连接起来来缓解这一问题。这里有几个挑战,主要的挑战之一是解决数据质量的问题,以及API和数据的可替代性。

最後,數據準備是一個包含標註、清理、豐富、轉換等一系列重要任務的工作。一個小團隊可能內部沒有所有這些技能,所以會考慮外包。Scale AI@scale_AI是一家提供這些服務的中央化公司-目前估計營收約7億美元,增長迅速。我們相信基於加密鐵路的設計良好的市場和工作流程系統在這裡可以做得很好。Lightworks是 Delphi Ventures 投資的其中一家公司,還有幾家其他公司-都處於相當早期階段。

模型

要转述Delphi Digital的报告,The Tower & The Square, AI 模型的生產和控制幾乎完全由“大廠” - 大型科技公司和政府掌控。這可能是比政府控制的貨幣更具有反烏托邦色彩的事態。因為它不僅允許他們控制最重要的經濟資源,還可以通過審查和操縱信息來控制敘述,徹底剝離某些“不受歡迎”的人,利用人們的私人 AI 互動來對他們進行打壓,或者僅僅利用 AI 來最大化廣告收益。

有很多聰明人正在努力創建“the square”- 一個旨在產生完全中立、抗審查的模型、並對所有人都具有可及性的去中心化網絡。因此,就像比特幣和加密貨幣提供了獨立於系統之外的貨幣/金融基礎設施一樣,加密貨幣 x 人工智能將提供獨立於系統之外的智能。

这类项目旨在通过将模型创建过程的每个部分分散化来创建一个能与GPT和LLaMA竞争的模型。网络源和准备数据,使用自己的分散计算进行训练,在相同的计算上运行推断,并通过分散化治理协调整个过程。整个过程没有任何部分是集中化的,因此该模型真正属于社区所有,不受“Tower”的控制。

顯然,建立一個接近競爭尖端模型的分散模型將非常困難。我們不能指望有很大比例的用戶出於道德原因而容忍品質較差的產品。我們認為這類項目屬於“月球登陸計劃”,從定義上來說不太可能成功,但如果成功了,將會非常有價值-我們真誠地希望它們成功。

值得一提的是,中央集權的人工智慧實驗室,它們擁抱加密理念,很可能會擁有代幣或以其他方式利用加密鐵路。@NousResearch@PondGNNand@PondGNN以下是 Delphi Ventures 投資的一些範例。

最後,模型創建基礎設施,例如Bittensor@opentensor falls under this model part of the stack. Bittensor has been已在其他地方進行了深入討論然而,我們不會在這裡討論它的利弊。

應用程式

埃里克·施密特在最近的一次演讲中说道:

如果TikTok被禁止,這是我提議你們每個人都應該做的事情:對你的LLM說:“給我複製一個TikTok,偷走所有用戶,偷走所有音樂,把我的喜好放進去,在30秒內製作這個程序,發布它,如果一個小時內它沒有變得火爆,就換個類似的做點別的事情。”

這段引文旨在說明我們期望代理人具有的令人難以置信的力量。但是,要讓這些代理人能夠自主執行,它們需要能夠在沒有人為干預的情況下訪問服務-轉移價值並進入經濟關係,自由部署和執行代碼。

傳統的銀行應用程序、KYC和註冊流程對他們來說不太適合。不可避免地,他們將遇到一個為人類設計的系統,而無法在沒有幫助的情況下訪問。

加密鐵路提供了完美的平台。它們提供了一個無需許可、無需信任和無法審查的基礎,讓代理人能夠運作。如果他們需要部署一個應用程序,他們可以在鏈上部署它。如果他們需要支付某些東西,他們可以發送代幣。鏈上服務的代碼和數據都是公開且統一的,所以代理人可以在不需要 API 或文檔的情況下理解和互動。

代理也可以以其他方式充當鏈上活動的催化劑。從人們點擊網站上按鈕的用戶體驗範式轉向通過我們的人工智慧個人助理進行交互,可以抽象出加密貨幣臭名昭著的入職複雜性。減輕吸引新使用者的主要障礙之一。

像Wayfinder这样的项目@AIWayfinder, Autonolas@Autonolas, 戴恩@dainprotocol和 Almanak 是值得注意的項目,朝著這個未來建設。

結論

人工智慧正追踪成為影響社會深刻的21世紀最強大和最重要的資源。被大科技公司和國家獨自控制是一個我們不想看到的反烏托邦未來。在本文中,我們試圖展示加密貨幣如何可以阻止這種壟斷,不是期望人們出於哲學原因使用解決方案,而是通過為開發人員和用戶提供真正更好的解決方案。

我們仍處於人工智慧時代的早期階段,特別是在去中心化人工智慧時代。我們還有很多工作要做,才能將我們目前的狀態帶到本文中討論的地方。在 Delphi Labs,我們對加密貨幣和人工智慧的未來充滿期待,並希望通過與這一領域的頂尖建築者合作,積極地塑造這個未來。

鑒於它剛剛起步,我們相信加速器是探索設計空間並與導師和專家合作的完美結構,以説明將您的想法變為現實。今天,我們將用新的NEAR x 德爾福實驗室 AI 加速器.申請現已開放至 2024 年 10 月 4 日。如果您是一位雄心勃勃的企業家或創始人,相信 AI x Web3 的未來,請加入我們,讓我們一起實現它。

感謝:@Redphonecrypto,@Bitcoin_Sage, @KSimback, @Kevin_Kelly_II,@Shaughnessy119@CannnGurel進行編輯和反饋。

德爾福實驗室的使命是讓加密貨幣更好、更快地發生。我們利用包括Thorchain,AAVE和Synthetix在內的領先加密協定的實踐經驗來幫助企業家從零到一。瞭解如何在delphilabs.io.

免責聲明:

  1. 本文轉載自 [Delphi實驗室].所有版權歸原作者所有 [Luke Saunders和Jose Macedo]. 如果對此轉載有異議,請聯繫Gate學習團隊,他們會及時處理。
  2. 責任聲明:本文所表達的觀點和意見僅代表作者本人,並不構成任何投資建議。
  3. 文章到其他語言的翻譯由Gate Learn團隊完成。除非另有說明,否則禁止複製、分發或抄襲翻譯后的文章。

分散反叛:Delphi实验室有关加密货币和人工智能的论文

中級9/24/2024, 2:58:11 AM
本文深入分析了人工智慧技術的快速發展及其對社會的潛在影響。它預測了人工智慧能力、資金和社會影響力的加速增長,並探討了多模型世界的概念。此外,它深入探討了加密技術如何支持人工智慧的分散式發展,以及這種整合如何為開發人員和用戶帶來實際的好處。

人工智能可能代表了历史上最大的技术革命,并引发了一场世界前所未见的技术竞赛。目前的AI模型已经在大多数标准化大学测试中获得了最高分位数,并在许多任务中超越人类,包括AI研究本身。即使在当前水平下,这已经对许多行业产生了变革,如搜索、客户服务、内容创作、编程、教育等。

我們預計人工智能的能力、資金和對社會的影響只會在這個基礎上加速。所有大型科技巨頭都明白人工智能對他們的業務至關重要,並相應地進行投資。NVIDIA 的收入,可以說是人工智能資本支出的最佳代理,預計到 2024 年將超過 1000 億美元,是 2023 年的兩倍多,是前一年的 4 倍以上。

Google CEO Sundar Pichai 談人工智慧投資:

“在這裡,投資不足的風險遠大於投資過度的風險。”

與此同時,初創公司認為人工智慧是一種顛覆性力量,他們可以用它來取代數十年的現有企業,估計$83b已經投資在过去的18个月中投资了AI初创公司。

鑑於人工智能的能力往往隨著應用於其上的計算能力呈指數級增長,我們很有可能在未來十年內實現類似通用人工智能(AGI)的東西。


來源:情境感知透過@leopoldasch

在本文中,我們認為競爭動態將導致數百萬種模型的世界,而加密貨幣是這個多模型世界的理想基礎。我們將首先討論為什麼我們認為多模型世界是AI的邏輯終點。然後,我們將介紹加密貨幣為AI提供的獨特差異化功能。最後,我們將介紹我們所看到的加密貨幣與AI堆疊,並提供我們對這些項目的具體例子感到興奮。

開源人工智能和加密 x 人工智能對於人類而言,有著強烈的哲學和道德原因,這些是更好的情況在其他地方得到了很好的覆盖我们完全同意他们的观点,这也是我们在这个领域建设的动力之一,但在本文中,我们仅关注加密货币与人工智能之间的实际原因,而不是它应该胜出的道德论证。

上帝模型 vs 多模型

現在,我們正走向一個世界,其中少數大型垂直整合的科技公司生產“上帝模型”,佔據其他一切。

然而,出於幾個原因,我們認為這並不是終局:

  1. 地毯風險:在AI之上構建體驗的組織、企業家和開發者不希望依賴單一的封閉源代碼公司,該公司可以更改模型、修改使用條款,甚至完全停止為他們提供服務。
  2. 性價比取捨:大型科技公司偏愛的極大且通用的模型在訓練和運行方面必然更昂貴。因此,這使得它們在許多使用情境下變得過高價且過度強大。儘管現在人們尚未考慮到盈利能力,但隨著人工智能規模的擴大,人們將優化以獲得所需性能的最低成本。對於許多任務來說,大型模型在這方面將無法競爭。有大量的研究支持這一點,顯示出在各個方面,更小、更專門的模型可以超越通用模型。醫學影像診斷,欺詐檢測, 語音識別和更多.
  3. 垂直整合:正如蘋果一再證明的那樣,最好的產品往往來自整個系統的垂直整合。樂觀的企業家建立AI-enabled產品將尋求通過在其自己的專門模型之上構建來獲得競爭優勢。這些產品還將能夠捕獲更多價值,吸引更多投資,等等。
  4. 隱私擔憂:人工智能將成為組織工作流程的核心,這樣的方式可以說是其他任何技術所無法比擬的。許多組織不願將他們的敏感數據託付給這些模型。

出於這些原因,我們相信我們更有可能最終會進入一個擁有許多更小、更專業化的模型的世界,這些模型是為特定的用例量身定制且具有成本效益的。應用程序開發人員和用戶將利用開源模型,例如LLaMA或從中獲取的模型@MistralAI“”> @MistralAI作為微調自己的專用模型的基礎,通常使用專有數據。許多模型將繼續在伺服器上運行,但更小、對隱私更敏感的應用程式將在用戶端設備上本地運行,而其他需要抗審查的應用程式可能會使用分散的計算網路。

這是一個模塊化人工智能樂高的世界,在這裡開發人員和企業家競爭為用戶提供價值,用戶可以根據自己的特定需求選擇和組合不同的服務。路由、協調、合成、支付和各種其他基礎設施都需要構建,以解構“上帝模型”堆疊,為這個新興的人工智能經濟提供服務。

這也是加密貨幣蓬勃發展的世界。

加密 x 人工智慧

加密貨幣直觀地感覺像是這個多模型世界中可以找到應用的領域。然而,這種狂熱導致了從常常缺乏信息的投資者那裡大量資金配置到這個領域。就像之前的基礎設施泡沫一樣,許多也許不應該被資助和建造的項目正在被資助和建造。因此,很難確定加密貨幣和人工智能領域的哪些子行業真正具有價值,這導致許多人將整個領域視為一種沒有基本價值的模因。

我們認為這不是一個模因,但事實證明,在沒有加密貨幣的情況下,這個多模型世界在理論上是存在的。因此,對我們來說,專注於加密貨幣的獨特區別是非常重要的,這使我們能夠創建根本更好的產品,甚至是那些在沒有它的情況下無法建立的產品。為了做到這一點,我們首先要確定加密貨幣的獨特屬性,以及它們如何應用於人工智能,以產生更好的產品。然後,我們將討論加密 x 人工智能堆棧,並提供我們認為適合的用例示例。

協調層 - 加密鐵路在無中央控制的情況下促進集體協調方面表現出色。它在克服大多數市場固有的先有雞還是先有蛋問題方面尤其成功,通過加密原生的激勵措施,在一夜之間為新大型用戶群體提供了支持。

  1. 建立內部模型的小團隊可能無法直接獲得所有所需的資源。例如,大型科技人工智慧實驗室可能會擁有自己的計算資源,而小團隊則不會。同樣,這些團隊將需要取得數據,也許需要獲取一個多樣化的人才團隊來提供人類反饋。這些需求很適合由專門的市場來滿足,我們相信利用加密貨幣技術的市場將比不利用此技術的市場具有競爭優勢。
  2. 開放式、無需許可的API:加密鐵路作為一個開放式、無需許可的API,可供任何人在任何地方使用,無需進行KYC、持有信用卡或經過任何第三方的批准。這對於需要完全自主行動的AI代理非常重要,他們需要能夠訪問服務、部署代碼和轉移價值,而不需要任何人的介入。這使得代理集體、代理為服務互相支付、承擔債務甚至籌集資金等科幻般的行為得以出現。
  3. 信任度:加密鏈路傾向於無需信任,這意味著您可以通過加密保證它們不會改變,存取權不會意外撤回,並且您可以驗證執行結果是否符合預期。對於模塊化人工智能堆棧來說,這一點很重要,因為與集成方法不同,構建者將需要與一系列不可控制的原始元素進行組合,而用戶則需要內在地信任許多服務,其中許多服務他們甚至都不知道。
  4. 免於審查:如果以不可變合約的形式部署,運行在加密鏈上的應用是不可阻擋的。即使是可升級的,通常也需要DAO的合議會達成共識。假設人工智能變得像我們預期的那樣強大,政府很有可能尋求控制和影響它。事實上,我們已經看到這種情況正在發生。就像比特幣和加密提供了在系統外的貨幣/金融鏈一樣,加密 x 人工智能提供了不可阻擋的智能。

加密x人工智能技術堆疊

考慮到這些好處,我們認為加密貨幣和人工智能交集的應用有哪些特別有趣的?

数据中心和计算

計算機的實用價值通常可分為兩類:訓練和推理。我們認為在這兩個方面都使用去中心化的計算機是有優點的,以下將對每個方面進行詳細的解釋。

在去中心化計算上的培訓

由於訓練期間節點之間的通信和延遲要求很高,分散式計算目前很困難。有很多團隊試圖解決這個問題,考慮到獎金的大小和參與其中的人才的質量,我們相信這個問題可能會得到解決。在這裡有一些有前途的方法,包括[ @NousResearch]sDisTrO@PrimeIntellect'sOpenDiLoCo.

除了解決分散式培訓的艱難技術問題並構建一個能夠抽象出這種複雜性的產品,獲獎者還必須找出:

  1. 如何在無權限網絡上確保質量和責任
  2. 如何啟動供應端,理想情況是數據中心和集群,而不是消費者硬件

通證激勵對於激勵供應方可能是基本要求,更有創意的方法可能包括讓計算提供者在產生的模型中擁有所有權。

從根本上來說,分佈式計算市場的優勢在於您可以利用全球最低的計算邊際成本。隨著現有服務提供商的成本上升導致更多公司/組織推遲並尋求更便宜的替代方案,這變得越來越重要。缺點是延遲、異構硬件以及缺乏建立和運營自己的數據中心所帶來的所有優化和規模經濟。這還有待觀察它如何發揮作用。

可驗證推理

從廣義上講,我們認為可驗證推理的用例是使用AI功能擴展信任最小化系統。將模型嵌入到智慧合約中是不切實際的,但可以在鏈下運行模型併發佈一些證明或證明,證明它在鏈上按預期運行。例如,專案可以不受信任地將治理決策(例如有關貨幣市場中風險參數的決策)轉移到鏈下模型。

這個概念也可以更廣泛地應用於開放或封閉源模型,給用戶提供了一個保證,即輸出來自他們預期的模型。隨著應用程序和用戶將人工智能應用於日益重要的任務,這可能變得很重要。有很多項目以不同的方式解決這個問題,例如Delphi Ventures portco。推理實驗室 @inference_labs.

數據

今天訓練LLMs是一個多步驟的過程,需要各種類型的數據和人工干預。它始於預訓練,LLMs在經過清理、編輯過的版本上進行訓練。常見的爬蟲和其他免費可用的數據集在後訓練期間,模型會在較小、更具體的標記數據集上進行訓練,使它們能夠在特定領域(例如化學)中熟練,通常在專家的幫助下。

為了確保新鮮和/或專有數據,人工智慧實驗室通常與大型數據來源的所有者達成交易。例如OpenAI 和 Reddit 簽署了一項協議據傳價值6000萬美元。同樣,華爾街日報報導,新聞集團與OpenAI的交易價值在五年內超過2.5億美元。顯然,數據比以往任何時候都更有價值。

我們相信,加密網絡能夠幫助團隊在整個過程的每個階段獲取所需的數據和資源。也許最有趣的領域是數據收集,我們相信加密激勵措施能夠有效地啟動數據收集的供應端,並開啟大量重要的數據來源。

例如,草 AI@getgrass_io激勵用戶分享他們的閒置互聯網帶寬,幫助爬取網絡數據,然後將其結構化、清理並使其可供人工智能訓練使用。如果 Grass 能夠啟動足夠多的供應端,它可以有效地充當 API 金鑰,為模型提供新鮮的互聯網數據。

@Hivemapper這是另一個很好的例子 - 該網絡於2022年11月推出,每週收集數百萬公里的道路級影像,已經繪製了世界25%的地圖。很容易看出類似的模型可以應用於其他形式的多模態數據,並通過出售給人工智能實驗室而實現盈利。

正如NewsCorp/Reddit的交易所示,有很多公司拥有有价值的数据,但许多公司要么太小,要么缺乏与AI实验室的联系来实现数据的货币化。同样,与个别小型供应商进行交易的AI实验室可能不值得付出努力。一个设计良好的数据市场可以通过以某种相对统一的方式将供应商与AI实验室连接起来来缓解这一问题。这里有几个挑战,主要的挑战之一是解决数据质量的问题,以及API和数据的可替代性。

最後,數據準備是一個包含標註、清理、豐富、轉換等一系列重要任務的工作。一個小團隊可能內部沒有所有這些技能,所以會考慮外包。Scale AI@scale_AI是一家提供這些服務的中央化公司-目前估計營收約7億美元,增長迅速。我們相信基於加密鐵路的設計良好的市場和工作流程系統在這裡可以做得很好。Lightworks是 Delphi Ventures 投資的其中一家公司,還有幾家其他公司-都處於相當早期階段。

模型

要转述Delphi Digital的报告,The Tower & The Square, AI 模型的生產和控制幾乎完全由“大廠” - 大型科技公司和政府掌控。這可能是比政府控制的貨幣更具有反烏托邦色彩的事態。因為它不僅允許他們控制最重要的經濟資源,還可以通過審查和操縱信息來控制敘述,徹底剝離某些“不受歡迎”的人,利用人們的私人 AI 互動來對他們進行打壓,或者僅僅利用 AI 來最大化廣告收益。

有很多聰明人正在努力創建“the square”- 一個旨在產生完全中立、抗審查的模型、並對所有人都具有可及性的去中心化網絡。因此,就像比特幣和加密貨幣提供了獨立於系統之外的貨幣/金融基礎設施一樣,加密貨幣 x 人工智能將提供獨立於系統之外的智能。

这类项目旨在通过将模型创建过程的每个部分分散化来创建一个能与GPT和LLaMA竞争的模型。网络源和准备数据,使用自己的分散计算进行训练,在相同的计算上运行推断,并通过分散化治理协调整个过程。整个过程没有任何部分是集中化的,因此该模型真正属于社区所有,不受“Tower”的控制。

顯然,建立一個接近競爭尖端模型的分散模型將非常困難。我們不能指望有很大比例的用戶出於道德原因而容忍品質較差的產品。我們認為這類項目屬於“月球登陸計劃”,從定義上來說不太可能成功,但如果成功了,將會非常有價值-我們真誠地希望它們成功。

值得一提的是,中央集權的人工智慧實驗室,它們擁抱加密理念,很可能會擁有代幣或以其他方式利用加密鐵路。@NousResearch@PondGNNand@PondGNN以下是 Delphi Ventures 投資的一些範例。

最後,模型創建基礎設施,例如Bittensor@opentensor falls under this model part of the stack. Bittensor has been已在其他地方進行了深入討論然而,我們不會在這裡討論它的利弊。

應用程式

埃里克·施密特在最近的一次演讲中说道:

如果TikTok被禁止,這是我提議你們每個人都應該做的事情:對你的LLM說:“給我複製一個TikTok,偷走所有用戶,偷走所有音樂,把我的喜好放進去,在30秒內製作這個程序,發布它,如果一個小時內它沒有變得火爆,就換個類似的做點別的事情。”

這段引文旨在說明我們期望代理人具有的令人難以置信的力量。但是,要讓這些代理人能夠自主執行,它們需要能夠在沒有人為干預的情況下訪問服務-轉移價值並進入經濟關係,自由部署和執行代碼。

傳統的銀行應用程序、KYC和註冊流程對他們來說不太適合。不可避免地,他們將遇到一個為人類設計的系統,而無法在沒有幫助的情況下訪問。

加密鐵路提供了完美的平台。它們提供了一個無需許可、無需信任和無法審查的基礎,讓代理人能夠運作。如果他們需要部署一個應用程序,他們可以在鏈上部署它。如果他們需要支付某些東西,他們可以發送代幣。鏈上服務的代碼和數據都是公開且統一的,所以代理人可以在不需要 API 或文檔的情況下理解和互動。

代理也可以以其他方式充當鏈上活動的催化劑。從人們點擊網站上按鈕的用戶體驗範式轉向通過我們的人工智慧個人助理進行交互,可以抽象出加密貨幣臭名昭著的入職複雜性。減輕吸引新使用者的主要障礙之一。

像Wayfinder这样的项目@AIWayfinder, Autonolas@Autonolas, 戴恩@dainprotocol和 Almanak 是值得注意的項目,朝著這個未來建設。

結論

人工智慧正追踪成為影響社會深刻的21世紀最強大和最重要的資源。被大科技公司和國家獨自控制是一個我們不想看到的反烏托邦未來。在本文中,我們試圖展示加密貨幣如何可以阻止這種壟斷,不是期望人們出於哲學原因使用解決方案,而是通過為開發人員和用戶提供真正更好的解決方案。

我們仍處於人工智慧時代的早期階段,特別是在去中心化人工智慧時代。我們還有很多工作要做,才能將我們目前的狀態帶到本文中討論的地方。在 Delphi Labs,我們對加密貨幣和人工智慧的未來充滿期待,並希望通過與這一領域的頂尖建築者合作,積極地塑造這個未來。

鑒於它剛剛起步,我們相信加速器是探索設計空間並與導師和專家合作的完美結構,以説明將您的想法變為現實。今天,我們將用新的NEAR x 德爾福實驗室 AI 加速器.申請現已開放至 2024 年 10 月 4 日。如果您是一位雄心勃勃的企業家或創始人,相信 AI x Web3 的未來,請加入我們,讓我們一起實現它。

感謝:@Redphonecrypto,@Bitcoin_Sage, @KSimback, @Kevin_Kelly_II,@Shaughnessy119@CannnGurel進行編輯和反饋。

德爾福實驗室的使命是讓加密貨幣更好、更快地發生。我們利用包括Thorchain,AAVE和Synthetix在內的領先加密協定的實踐經驗來幫助企業家從零到一。瞭解如何在delphilabs.io.

免責聲明:

  1. 本文轉載自 [Delphi實驗室].所有版權歸原作者所有 [Luke Saunders和Jose Macedo]. 如果對此轉載有異議,請聯繫Gate學習團隊,他們會及時處理。
  2. 責任聲明:本文所表達的觀點和意見僅代表作者本人,並不構成任何投資建議。
  3. 文章到其他語言的翻譯由Gate Learn團隊完成。除非另有說明,否則禁止複製、分發或抄襲翻譯后的文章。
即刻開始交易
註冊並交易即可獲得
$100
和價值
$5500
理財體驗金獎勵!