Rủi ro, thách thức và hướng phát triển tương lai của Trí tuệ Nhân tạo phi tập trung

Giới thiệu

Mặc dù AI phi tập trung có nhiều lợi ích, nhưng cũng đối mặt với nhiều rủi ro và thách thức. Như là bài viết thứ ba trong loạt bài này, bài viết này sẽ phân tích các thách thức này và dự đoán hướng phát triển tương lai của AI phi tập trung.

Chúng tôi cũng chào đón các nhà khởi nghiệp và các bên dự án trong hướng này liên hệ với chúng tôi.

Cơ hội phát triển của AI Agent

AI Agent là sự tiến hóa tự nhiên của mô hình lớn, thông qua việc giới thiệu cơ chế ghi nhớ, phân rã nhiệm vụ và khả năng lập kế hoạch, AI Agent có thể cảm nhận môi trường, ra quyết định tự chủ và thực hiện nhiệm vụ phức tạp.

Mô hình lớn hiện tại có thể tạo ra văn bản và giải quyết vấn đề, nhưng chưa có khả năng lập kế hoạch và thực hiện nhiệm vụ hoàn chỉnh. AI Agent sẽ bổ sung điều này, nâng cao hiệu suất của AI trong nhiệm vụ phức tạp.

Nếu AI là năng lượng hạt nhân, thì nó không nên chỉ nằm trong tay một số ít. ** Tác nhân AI phi tập trung sẽ đảm bảo sự công bằng và minh bạch của công nghệ AI thông qua blockchain và công nghệ mã hóa.

Trong xã hội cơ quan của tương lai, AI phi tập trung sẽ trở thành một xu hướng tất yếu để giải quyết các vấn đề mà các hệ thống AI tập trung hiện có phải đối mặt.

Cơ hội phát triển của ghi chú dữ liệu:

Quá trình chuẩn bị dữ liệu bao gồm thu thập dữ liệu, làm sạch, đánh dấu và tăng cường, nhu cầu đa dạng hóa dữ liệu của trí tuệ nhân tạo đã tăng thêm sự phụ thuộc vào việc đánh dấu dữ liệu chính xác cao và tùy chỉnh mạnh mẽ, chu kỳ làm dấu dữ liệu dài và chi phí lao động cao đã hạn chế sự phát triển của ngành công nghiệp trí tuệ nhân tạo.

Web3 có thể tiếp cận một số lượng lớn nhân viên thu thập và chú thích dữ liệu AI ở các khu vực khác nhau trên thế giới thông qua các ưu đãi kinh tế, cho phép họ hưởng lợi từ đóng góp dữ liệu.

案例：Thị trường giao dịch dữ liệu Ocean Protocol

!

cơ chế hoạt động

• Nhà cung cấp (Providers): Người cung cấp dữ liệu có thể phát hành và bán các mã thông báo dữ liệu của họ để kiếm lợi nhuận.

• Người tiêu dùng: Mua hoặc kiếm được các mã thông báo dữ liệu cần thiết để có quyền truy cập.

• Thị trường (Marketplaces): Chỉ thị trường giao dịch dữ liệu mở, minh bạch và công bằng được cung cấp bởi Ocean Protocol hoặc bên thứ ba, kết nối các nhà cung cấp và người tiêu dùng trên toàn cầu, và cung cấp các loại mã thông báo dữ liệu trong nhiều lĩnh vực và lĩnh vực khác nhau.

• Mạng (Network): Được hiểu là một tầng mạng phi tập trung do Ocean Protocol cung cấp.

• Người biên tập (Curator): Đề cập đến vai trò trong hệ sinh thái chịu trách nhiệm lọc, quản lý, và kiểm duyệt bộ dữ liệu, họ chịu trách nhiệm kiểm duyệt nguồn gốc, nội dung, định dạng và thông tin giấy phép của bộ dữ liệu để đảm bảo rằng chúng đáp ứng các tiêu chuẩn và có thể được người dùng khác tin cậy và sử dụng.

• Người xác minh (Verifier): Đề cập đến vai trò trong hệ sinh thái chịu trách nhiệm xác minh, xem xét giao dịch dữ liệu và dịch vụ dữ liệu.

Tổng kết: AI Agent và gán nhãn dữ liệu phi tập trung là hai hướng khá hot của DeAI hiện tại, cũng có rất nhiều nhóm khởi nghiệp đang phát triển trong lĩnh vực này.

Rủi ro và thách thức đối mặt với trí tuệ nhân tạo phi tập trung

• Hạn chế của Web3 đối với sức mạnh của trí tuệ nhân tạo: Do số lượng người dùng mã hóa của Web3 hạn chế, phạm vi tác động của cơ chế kích thích kinh tế cũng hạn chế. Điều này hạn chế sự phát triển nhanh chóng của trí tuệ nhân tạo phi tập trung, đòi hỏi sự tham gia và chấp nhận của nhiều người dùng hơn.
• Thách thức của công nghệ chứng minh không có tri thức: Vấn đề về độ chính xác định lượng, yêu cầu phần cứng và cuộc tấn công chống lại. Công nghệ chứng minh không có tri thức (ZKP) có ý nghĩa lâu dài trong việc thực hiện tính xác thực của mô hình, nhưng hiện nay vẫn đối mặt với các vấn đề kỹ thuật và thách thức thực hiện.
• Sức hấp dẫn của lợi thế về chi phí：Nếu nguồn cung cấp tài nguyên sức mạnh tính toán trên thị trường được giảm bớt, giá trị và lợi thế về chi phí của mạng tính toán phi tập trung sẽ bị suy yếu. Điều này đòi hỏi AI phi tập trung phải liên tục nâng cao hiệu quả và giảm chi phí, để duy trì sức cạnh tranh của mình.
• Vấn đề hiệu quả và chi phí kết hợp giữa AI và mật mã học: Hiệu quả của việc thực hiện các nhiệm vụ tính toán riêng tư bằng kỹ thuật chứng minh không có kiến thức hoặc mã hóa đồng bộ hoàn toàn (FHE) thấp hơn rất nhiều so với việc thực hiện trực tiếp dữ liệu rõ. Vì nhu cầu tính toán của AI cao, việc kết hợp kỹ thuật mật mã học sẽ tăng chi phí và có thể khó để thực tế triển khai.
• Vấn đề gian lận sâu của AI：Vấn đề chật chội giao tiếp trong việc đào tạo mô hình AI nổi bật. Việc trao đổi thường xuyên thông tin tham số mô hình và độ dốc sẽ tốn kém băng thông mạng, tạo ra chi phí giao tiếp cao. Đồng thời, vấn đề đồng bộ hóa của các nút cũng ảnh hưởng đến kết quả đào tạo, đòi hỏi việc kiểm tra dữ liệu và đồng bộ hóa thường xuyên.
• Sự phổ biến của trí tuệ nhân tạo đã tăng nguy cơ gian lận sâu sắc. Trong các tình huống sử dụng sự kết hợp của Web3 và trí tuệ nhân tạo, cần phải đề phòng nguy cơ gian lận từ trí tuệ nhân tạo.

!

Hướng phát triển tương lai của trí tuệ nhân tạo phi tập trung

Lớp mô hình: Khi AI Agents trở nên phổ biến hơn, người dùng sẽ dựa vào AI Agents để giúp họ hoàn thành nhiệm vụ của mình trong tương lai, đây là chìa khóa để kết nối lớp mô hình và lớp ứng dụng. **Nền tảng đa dạng của mô hình dần được hình thành, giá thành của mô hình lớn ngày càng giảm, và vẫn mất thời gian để hết ứng dụng “ngựa đen”.

**Lớp đào tạo: Có khả năng đào tạo phi tập trung các mô hình AI **, nhưng vì yêu cầu suy luận lớn hơn nhiều so với yêu cầu đào tạo, lớp đào tạo sẽ dựa nhiều hơn vào sức mạnh tính toán tập trung.

Lớp sức mạnh tính toán: Giảm chi phí sử dụng GPU phi tập trung một cách hiệu quả, GPU cấp doanh nghiệp phù hợp với nhu cầu sức mạnh tính toán hiện tại. Trong tương lai, khi mô hình điện cục triển khai, GPU dành cho người tiêu dùng sẽ trở nên hữu ích.

Dữ liệu cấp: Khó khăn trong việc thu thập dữ liệu công khai ngày càng tăng lên, việc thu thập và gán nhãn dữ liệu phi trung tâm sẽ trở thành một phương pháp quan trọng để cung cấp và xử lý dữ liệu cho các mô hình AI trong tương lai.

Kết luận

Là một xu hướng công nghệ mới nổi, AI phi tập trung có tiềm năng phát triển lớn, mặc dù con đường đầy thách thức. Với sự tiến bộ không ngừng của công nghệ và sự trưởng thành dần dần của thị trường, AI phi tập trung dự kiến sẽ đóng một vai trò lớn hơn trong tương lai. Chúng ta cần theo dõi những thách thức này và tìm ra các giải pháp sáng tạo để thúc đẩy sự phát triển của AI phi tập trung. Trong số đó, chúng tôi tin rằng AI phi tập trung có vị trí trong bốn cấp độ mô hình, đào tạo, dữ liệu và sức mạnh tính toán, đặc biệt là DeAI, một trong những hướng dễ thấy và tạo ra giá trị nhất.