تقارب التشفير والذكاء الاصطناعي: أربعة تقاطعات رئيسية

المؤلف: كايل ساماني (Multicoin Capital Partner) و ChatGPT ؛ الترجمة: Jinse Finance cryptonaitive و ChatGPT

• ملاحظة: الغالبية العظمى من هذه المقالة ، بما في ذلك معظم العناوين ، كتبها ChatGPT. النص الذي كتبه المؤلف بخط مائل. يمكنك مشاهدة محادثة المؤلف مع ChatGPT على ** هنا **. *

تتطور عوالم Crypto و AI بالتوازي ، حيث يدفع كل مجال حدود التكنولوجيا والابتكار. بينما نواصل إحراز تقدم في كلا المجالين ، يصبح من الواضح بشكل متزايد أن مستقبلهما متشابك بشكل وثيق. في هذا المنشور ، سوف نستكشف أربعة تقاطعات مهمة عند مفترق طرق Crypto و AI.

طراز AirBnB لبطاقات الرسوميات

أدى ظهور أعباء العمل في مجال الذكاء الاصطناعي والتعلم الآلي (ML) إلى زيادة الطلب على بطاقات الرسومات عالية الأداء مثل Nvidia A100. ردا على ذلك ، ظهرت سوق جديدة شبيهة بـ “AirBnB لبطاقات الرسومات”. يتيح ذلك للأفراد والمؤسسات تأجير موارد GPU غير المستخدمة لتلبية احتياجات الباحثين والمطورين في مجال الذكاء الاصطناعي.

• هذه لحظة فريدة حقًا في تاريخ السوق. قبل إطلاق ChatGPT ، كان هناك نقص في المعروض من وحدات معالجة الرسومات. منذ ذلك الحين ، نما الطلب على الأقل 10 أضعاف ، وربما 100 ضعف. علاوة على ذلك ، نعلم أن النماذج تنمو لوغاريتميًا مع حجم التدريب ؛ وهذا يعني أن الحاجة إلى حوسبة وحدة معالجة الرسومات تزداد أضعافًا مضاعفة لتحسين جودة النموذج. في حين أن إجمالي العرض يتجاوز بكثير الطلب ، فإن اللحظات التي يفوق فيها الطلب على سلعة ما بشكل كبير العرض المتاح نادرة ؛ إذا كان من الممكن استخدام كل GPU على هذا الكوكب اليوم للاستدلال والتدريب على الذكاء الاصطناعي ، بدلاً من النقص ، سيكون هناك فائض! *

ومع ذلك ، هناك العديد من التحديات التقنية الرئيسية التي يجب مراعاتها عند استكشاف مفهوم “AirBnB لبطاقات الرسومات”:

• ** ليست كل بطاقات الرسومات تدعم جميع أحمال العمل **: تأتي بطاقات الرسومات بجميع الأشكال والأحجام والمواصفات. لذلك ، قد لا تتمكن بعض وحدات معالجة الرسومات من التعامل مع مهام معينة للذكاء الاصطناعي. لكي ينجح هذا النموذج ، يجب أن تكون هناك طريقة لمطابقة موارد GPU الصحيحة مع عبء عمل AI المناسب. مع نضوج السوق ، يجب أن نتوقع رؤية المزيد من التخصص وتحسين بطاقات الرسومات لمهام الذكاء الاصطناعي المختلفة.

• ** ضبط عملية التدريب لزيادة وقت الاستجابة **: يتم تدريب معظم الطرز الأساسية اليوم على مجموعات من وحدات معالجة الرسومات المتصلة عبر زمن انتقال منخفض للغاية. في بيئة لامركزية ، يزداد زمن الانتقال حسب الحجم ، حيث يمكن توزيع وحدات معالجة الرسومات عبر مواقع متعددة ومتصلة عبر الإنترنت العام. للتغلب على هذا التحدي ، هناك فرص لتطوير إجراءات تدريب جديدة مع اتصالات زمن انتقال أعلى. من خلال إعادة التفكير في الطريقة التي ندرب بها نماذج الذكاء الاصطناعي ، يمكننا الاستفادة بشكل أفضل من المجموعات اللامركزية لوحدات معالجة الرسومات الأكبر.

• *** مشكلة في التحقق **: لا توجد طريقة لمعرفة ما إذا كان قد تم تنفيذ جزء معين من التعليمات البرمجية بواسطة جهاز كمبيوتر غير موثوق به. لذلك ، من الصعب الوثوق بإخراج جهاز كمبيوتر غير موثوق به. ومع ذلك ، يمكن التخفيف من حدة هذه المشكلة من خلال أنظمة السمعة المقترنة بالاقتصاد المشفر ، وفي بعض الحالات ، من خلال نماذج جديدة تدعم التحقق السريع. *

• هناك عدد غير قليل من الفرق العاملة في هذا المجال ، سواء للتدريب أو الاستدلال. استثمرت MulticoinCapital في Render Network ، والتي ركزت في البداية على العرض ثلاثي الأبعاد وفتحت شبكة GPU الخاصة بها لدعم الاستدلال بالذكاء الاصطناعي أيضًا. *

• إلى جانب RenderNetwork ، هناك عدد قليل من الشركات الأخرى العاملة في هذا المجال: Akash و BitTensor و Gensyn و Prodia و Together وغيرها لا تزال قيد التطوير. *

حافز رمزي RLHF (التعلم المعزز من التعليقات البشرية ، التعلم المعزز بناءً على التعليقات البشرية)

من شبه المؤكد أن الحوافز الرمزية لن تعمل مع جميع حالات استخدام التعلم المعزز من ردود الفعل البشرية (RLHF). السؤال هو ، ما هو الإطار الذي يمكننا استخدامه للتفكير في الوقت الذي تكون فيه الحوافز الرمزية منطقية لـ RLHF ومتى يجب استخدام المدفوعات النقدية (مثل USDC).

قد تعمل حوافز الرمز المميز على تحسين RLHF حيث يصبح ما يلي أكثر صحة:

• ** أصبح النموذج أكثر ضيقًا وعموديًا (على عكس العام والأفقي ، على سبيل المثال ChatGPT) **. * إذا كان شخص ما سيوفر RLHF كوظيفته الرئيسية وبالتالي يولد غالبية دخله من توفير RLHF ، فقد يحتاج إلى نقود لدفع الإيجار وشراء الطعام. أثناء انتقالك من الاستعلامات العامة إلى مجالات أكثر تحديدًا ، سيطلب مطورو النماذج مشاركة المزيد من الموظفين المدربين الذين من المرجح أن يحققوا نجاحًا طويل المدى في فرص العمل الإجمالية. *
• ** دخل أعلى لأولئك الذين يقدمون RLHF خارج وظيفة RLHF نفسها. *** يمكن للمرء فقط قبول الرموز المميزة المقفلة / غير السائلة كتعويض إذا كان لدى المرء دخل أو مدخرات كافية من محاولات أخرى لتبرير مخاطر استثمار وقت مفيد في نموذج RLHF الخاص بالمجال وليس نقدًا. لتعظيم احتمالية النجاح ، يجب على مطوري النماذج ألا يصدروا فقط رموزًا غير مؤمنة للعاملين الذين يوفرون RLHF الخاص بالمجال. بدلاً من ذلك ، يجب منح الرموز المميزة على مدار فترة زمنية لتحفيز اتخاذ القرار على المدى الطويل. *

تتضمن بعض الصناعات التي قد يكون فيها نموذج RLHF المحفز بالرمز قابلاً للتطبيق:

• قانوني: * يجب أن يكون أصحاب الأعمال والأفراد قادرين على استخدام LLM للتنقل بشكل أكثر فعالية في تعقيدات الأنظمة القانونية المختلفة غير المتجانسة. *

• الهندسة والعمارة: تحسين أدوات التصميم أو نماذج المحاكاة.

• المالية والاقتصاد: تحسين نماذج التنبؤ وتقييم المخاطر وأنظمة التداول الحسابية.

• البحث العلمي: تحسين نماذج الذكاء الاصطناعي لمحاكاة التجارب والتنبؤ بالتفاعلات الجزيئية وتحليل مجموعات البيانات المعقدة.

• التعليم والتدريب: المساهمة في منصات التعلم التي تعمل بالذكاء الاصطناعي لتحسين جودة وفعالية المحتوى التعليمي.

• العلوم البيئية والاستدامة: تحسين نماذج الذكاء الاصطناعي للتنبؤ بالاتجاهات البيئية وتخصيص الموارد وتعزيز الممارسات المستدامة.

• هناك قطاع واحد يتم فيه إنتاج RLHF المحفز بالرمز المميز بالفعل: الخرائط. Hivemapper ليس مفيدًا فقط للسائقين ، ولكن أيضًا لمحرري الخرائط الذين يستثمرون وقتهم في تحرير بيانات الخرائط وتنظيمها. يمكنك تجربة أداة تدريب الخريطة AI بنفسك باستخدام Hivemapper. *

تعلم الآلة الصفرية المعرفة (zkML)

• ليس لدى Blockchain أي معرفة بما يحدث في العالم الحقيقي. ومع ذلك ، سيكون من المفيد جدًا لهم فهم ما يحدث خارج السلسلة حتى يتمكنوا من تحويل القيمة برمجيًا بناءً على حالة العالم الحقيقي. *

• تقوم فرق مثل Modulus Labs بالبناء في هذا المكان الآن. نأمل أن يتم بناء المزيد من الفرق في هذا الفضاء باستخدام ZKVMs للأغراض العامة ، مثل Risc Zero و Lurk. *

الأصالة في عصر التزييف العميق

نظرًا لأن تقنية التزييف العميق أصبحت أكثر تعقيدًا ، فإن الحفاظ على المصداقية والثقة في الوسائط الرقمية أمر بالغ الأهمية. يتضمن أحد الحلول استخدام تشفير المفتاح العام ، مما يسمح للمبدعين بضمان أصالة محتواهم من خلال توقيعه بمفتاح عام.

المفتاح العمومي وحده لا يكفي لحل مشكلة الأصالة. يجب أن يكون هناك سجل عام يحدد المفاتيح العامة لهويات العالم الحقيقي للتحقق والثقة. من خلال ربط المفاتيح العامة بالهويات التي تم التحقق منها ، يمكن إنشاء نظام للتعليقات والعقوبات إذا تم القبض على شخص ما يسيء استخدام مفاتيحه ، مثل التوقيع على صور أو مقاطع فيديو مزيفة.

لكي يكون هذا النظام فعالًا ، سيكون تكامل توقيعات المفاتيح العامة مع المصادقة الواقعية أمرًا بالغ الأهمية. يمكن أن تلعب تقنية Blockchain ، التي تدعم العديد من أنظمة العملات المشفرة ، دورًا مهمًا في إنشاء سجلات هوية لا مركزية ومقاومة للعبث. يقوم السجل بتعيين المفاتيح العامة للهويات في العالم الحقيقي ، مما يسهل بناء الثقة ومحاسبة الفاعلين السيئين.

• سيكون هناك تكوينان على الأقل: الأجهزة المضمنة والبرامج التي يتحكم فيها المستخدم. *

• ** الأجهزة المدمجة: ** نتوقع أن تدمج الهواتف الذكية والأجهزة الأخرى قريبًا إمكانيات تسجيل الصور والفيديو والوسائط الأخرى القائمة على الأجهزة.

• أطلقت SolanaLabs مؤخرًا Saga Phone ، الذي يتم تشغيله بواسطة Solana Mobile Stack (Solana Mobile Stack ، SMS). في الأشهر القليلة المقبلة ، آمل أن يتم تحديث الرسائل القصيرة بحيث يتم توقيع كل صورة باستخدام SMS Seed Bank SDK ، مما يثبت أن الصورة لم يتم إنشاؤها بواسطة AI. *

• ** برنامج يتحكم فيه المستخدم: ** سيستخدم الأشخاص أدوات تصميم مثل Photoshop و Octane ومولدات الصور مثل StableDiffusion لعمل أعمال فنية. نتوقع أن يقوم موفرو البرامج هؤلاء بدمج تشفير المفتاح العام ، مما يتيح للمبدعين إثبات المصداقية مع الاعتراف أيضًا بالأدوات المستخدمة في عملية الإنتاج.

ختاماً

في الختام ، يوفر تقارب تقنيات العملة المشفرة والذكاء الاصطناعي فرصًا كبيرة لمواجهة التحديات الملحة وإطلاق العنان للحلول المبتكرة في العديد من الصناعات. من خلال استكشاف تقاطع هذه المجالات ، يمكننا إيجاد طرق جديدة لتحسين تخصيص الموارد في تدريب الذكاء الاصطناعي ، والاستفادة من الحوافز الرمزية للتعلم التعزيزي الخاص بالمجال من ردود الفعل البشرية ، والحفاظ على الوسائط الرقمية أصلية في مواجهة الجنس العميق.

يوفر نموذج “AirBnB لبطاقات الرسومات” إمكانية لامركزية ودمقرطة الوصول إلى وحدات معالجة الرسومات عالية الأداء ، مما يمكّن المزيد من الأشخاص والمؤسسات من المساهمة في أبحاث وتطوير الذكاء الاصطناعي. يمكن تطبيق RLHF المحفز بالرموز عبر الصناعات التي تتراوح من الهندسة والتمويل إلى التعليم والعلوم البيئية ، وتحسين نماذج الذكاء الاصطناعي من خلال الاستفادة من معرفة خبراء المجال. سيسمح ZKML لـ blockchain بتحديث الحالة المالية على السلسلة بناءً على التغييرات المعقدة في العالم الحقيقي. أخيرًا ، من خلال الجمع بين تشفير المفتاح العام والمصادقة الواقعية وتقنية blockchain ، يمكننا إنشاء نظام قوي لمواجهة التحديات التي تفرضها عمليات التزييف العميق والحفاظ على الثقة في الوسائط الرقمية.

مع استمرارنا في اكتشاف التآزر بين التشفير والذكاء الاصطناعي ، سنكتشف بلا شك المزيد من الفرص لدفع الابتكار وخلق القيمة وحل بعض المشكلات الأكثر إلحاحًا التي تواجه المجتمع اليوم. سيساعدنا تبني التقاطع بين هذين الحقلين على دفع حدود التكنولوجيا وتشكيل مستقبل أكثر ارتباطًا وكفاءة وأصالة.