ผู้เขียนต้นฉบับ: Filecoin Insights ผู้เขียนร่วมPortal Venturesแหล่งที่มาดั้งเดิม:Catrina

แหล่งที่มาดั้งเดิม:Filecoin Network

ในอดีต สตาร์ทอัพที่มีความเร็ว ความคล่องตัว และวัฒนธรรมการเป็นผู้ประกอบการ เป็นอิสระจากพันธนาการของความเฉื่อยขององค์กรและเป็นผู้นำนวัตกรรมทางเทคโนโลยีมาเป็นเวลานานอย่างไรก็ตาม ทั้งหมดนี้ถูกเขียนขึ้นใหม่ในยุคของปัญญาประดิษฐ์จนถึงตอนนี้ ผู้สร้างผลิตภัณฑ์ AI ที่ก้าวล้ำคือยักษ์ใหญ่ด้านเทคโนโลยีดั้งเดิม เช่น OpenAI ของ Microsoft, Nvidia, Google และแม้แต่ Meta

เกิดอะไรขึ้น?เหตุใดยักษ์ใหญ่จึงคว้าชัยเหนือสตาร์ตอัพในครั้งนี้? สตาร์ทอัพสามารถเขียนโค้ดที่ยอดเยี่ยมได้ แต่ต้องเผชิญกับอุปสรรคหลายประการเมื่อเทียบกับยักษ์ใหญ่ด้านเทคโนโลยี:

• ต้นทุนคอมพิวเตอร์ยังคงสูง

• การพัฒนา AI มีลักษณะที่ตรงกันข้าม: ความกังวลและความไม่แน่นอนเกี่ยวกับผลกระทบทางสังคมของ AI เป็นอุปสรรคต่อการสร้างสรรค์นวัตกรรม เนื่องจากขาดแนวทางที่จำเป็น

• ปัญหากล่องดำ AI

• "คูเมืองข้อมูล" ที่สร้างขึ้นโดยบริษัทเทคโนโลยีขนาดใหญ่เป็นอุปสรรคต่อการเข้ามา

  
  

เหตุใดเทคโนโลยีบล็อกเชนจึงจำเป็น มันตัดกับปัญญาประดิษฐ์ตรงไหน? แม้ว่าจะแก้ปัญหาทั้งหมดไม่ได้ในคราวเดียวเครือข่ายโครงสร้างพื้นฐานทางกายภาพแบบกระจาย (DePIN)สร้างเงื่อนไขสำหรับการแก้ปัญหาข้างต้น ข้อมูลต่อไปนี้จะอธิบายว่าเทคโนโลยีที่อยู่เบื้องหลัง DePIN สามารถช่วยปัญญาประดิษฐ์ได้อย่างไร ซึ่งส่วนใหญ่มาจากสี่มิติ:

• ลดตรวจสอบ

• ตรวจสอบผู้สร้างและบุคลิกภาพ

• เพื่อเติมเต็มAI ประชาธิปไตยและความโปร่งใส

• ติดตั้งกลไกรางวัลการให้ข้อมูล

  
  

ด้านล่าง:

• “web3”หมายถึงอินเทอร์เน็ตยุคหน้า เทคโนโลยีบล็อกเชนและเทคโนโลยีอื่น ๆ ที่มีอยู่เป็นส่วนประกอบอินทรีย์

• "บล็อกเชน"หมายถึงการกระจายอำนาจและเทคโนโลยีบัญชีแยกประเภทแบบกระจาย

• "การเข้ารหัส"ชื่อระดับแรก

1. ลดต้นทุนโครงสร้างพื้นฐาน (คอมพิวเตอร์และสตอเรจ)

ทุกคลื่นของนวัตกรรมทางเทคโนโลยีเริ่มต้นด้วยสิ่งที่มีราคาแพงกลายเป็นราคาถูกพอที่จะทิ้งขยะ

——หนี้ทางเทคนิคของสังคมและช่วงเวลา Gutenberg ของซอฟต์แวร์จาก SK Ventures

ความสามารถในการจ่ายของโครงสร้างพื้นฐานมีความสำคัญเพียงใด(โครงสร้างพื้นฐานของปัญญาประดิษฐ์หมายถึงต้นทุนฮาร์ดแวร์ในการคำนวณ การส่ง และการจัดเก็บข้อมูล)ทฤษฎีการปฏิวัติทางเทคโนโลยีของ Carlota Perezคำอธิบายภาพ

ที่มา: ทฤษฎีการปฏิวัติทางเทคโนโลยีของ Carlota Perez

• ขั้นตอนการติดตั้งด้วยเงินทุนจำนวนมากและและกลยุทธ์ "ผลักดัน" สู่ตลาด (GTM)เนื่องจากลูกค้าไม่เข้าใจคุณค่าของเทคโนโลยีใหม่

• ระยะการปรับใช้พร้อมการจัดเตรียมโครงสร้างพื้นฐานที่เพิ่มขึ้นอย่างมากเป็นคุณสมบัติ ลดเกณฑ์ในการดึงดูดผู้มาใหม่ และนำมาใช้"ดึง"กลยุทธ์สู่ตลาด (GTM)แสดงให้เห็นว่าผลิตภัณฑ์มีการจับคู่ทางการตลาดในระดับสูง และลูกค้าคาดหวังผลิตภัณฑ์ที่ยังไม่เป็นรูปเป็นร่างมากขึ้น

เมื่อความพยายามเช่น ChatGPT ได้แสดงให้เห็นถึงความต้องการของตลาดและความต้องการของลูกค้าแล้ว บางคนอาจรู้สึกว่า AI ได้เข้าสู่ขั้นตอนการปรับใช้แล้วคำถาม

คำถาม

ฟิลด์โครงสร้างพื้นฐานทางกายภาพในปัจจุบันส่วนใหญ่ผูกขาดโดยผู้ขายน้อยรายที่ผสานรวมในแนวตั้ง ซึ่งรวมถึง AWS, GCP, Azure, Nvidia, Cloudflare, Akamai เป็นต้น อุตสาหกรรมนี้มีอัตรากำไรสูง และคาดกันว่าอัตรากำไรขั้นต้นของ AWS สำหรับฮาร์ดแวร์การประมวลผลสินค้าคือ 61%. ดังนั้นผู้ที่เข้ามาใหม่ในสาขา AI โดยเฉพาะสาขา LLM จึงต้องเผชิญกับต้นทุนการคำนวณที่สูงมาก

• ค่าใช้จ่ายในการฝึกอบรม ChatGPT หนึ่งครั้งอยู่ที่ประมาณ 4 ล้านเหรียญสหรัฐ และค่าใช้จ่ายในการดำเนินการอนุมานฮาร์ดแวร์ประมาณ 700,000 เหรียญสหรัฐต่อวัน

• Bloom เวอร์ชัน 2 อาจมีค่าใช้จ่าย 10 ล้านดอลลาร์ในการฝึกอบรมและฝึกอบรมใหม่

• หาก ChatGPT เข้าสู่ Google Search รายได้ของ Google จะลดลง 36 พันล้านดอลลาร์คำอธิบายภาพ

สารละลาย

สารละลาย

เครือข่าย DePIN เช่น Filecoin (เริ่มต้นจากผู้บุกเบิก DePIN ในปี 2014 โดยมุ่งเน้นที่การรวบรวมฮาร์ดแวร์ระดับอินเทอร์เน็ตเพื่อให้บริการพื้นที่จัดเก็บข้อมูลแบบกระจาย)Bacalhau、Gensyn.ai、Render Network、ExaBits（ชั้นประสานงานสำหรับการจับคู่ CPU/GPU อุปทานและอุปสงค์) สามารถประหยัดต้นทุนโครงสร้างพื้นฐานได้ 75% ถึง 90%+ โดย:

1. ผลักดันเส้นอุปทานและกระตุ้นการแข่งขันในตลาด

DePIN มอบโอกาสที่เท่าเทียมกันให้กับซัพพลายเออร์ฮาร์ดแวร์ในการเป็นผู้ให้บริการ สร้างตลาดที่ทุกคนสามารถเข้าร่วมเป็น "คนขุดแร่" และแลกเปลี่ยน CPU/GPU หรือพลังงานในการจัดเก็บข้อมูลเพื่อชดเชยทางการเงิน ด้วยเหตุนี้จึงเป็นการสร้างการแข่งขันสำหรับผู้ให้บริการที่มีอยู่

ในขณะที่บริษัทอย่าง AWS สนุกกับการเริ่มต้นล่วงหน้า 17 ปีในส่วนติดต่อผู้ใช้ การดำเนินงาน และการผสานรวมในแนวดิ่งDePIN ดึงดูดฐานลูกค้าใหม่ที่ไม่สามารถยอมรับราคาจากซัพพลายเออร์ส่วนกลางได้เช่นเดียวกับที่ Ebay ไม่ได้แข่งขันโดยตรงกับ Bloomingdale แต่เสนอทางเลือกที่ประหยัดกว่าเพื่อตอบสนองความต้องการที่คล้ายกัน เครือข่ายการจัดเก็บข้อมูลแบบกระจายไม่ได้แทนที่ซัพพลายเออร์แบบรวมศูนย์ แต่ได้รับการออกแบบมาเพื่อรองรับกลุ่มผู้ใช้ที่อ่อนไหวต่อราคา

2. ส่งเสริมความสมดุลทางเศรษฐกิจของตลาดด้วยการออกแบบเศรษฐกิจที่มีการเข้ารหัส

กลไกการอุดหนุนที่สร้างขึ้นโดย DePIN สามารถแนะนำซัพพลายเออร์ฮาร์ดแวร์ให้เข้าร่วมในเครือข่ายจึงช่วยลดต้นทุนให้กับผู้ใช้ปลายทาง โดยหลักการแล้ว เราสามารถดูต้นทุนและรายได้ของผู้ให้บริการพื้นที่จัดเก็บ AWS และ Filecoin ใน Web2 และ Web3

ลูกค้าได้รับการลดราคา:เครือข่าย DePIN สร้างตลาดที่มีการแข่งขัน แนะนำการแข่งขันเบอร์ทรานด์จึงช่วยลดต้นทุนการชำระเงินของลูกค้า ในการเปรียบเทียบ AWS EC 2 ต้องการระยะขอบประมาณ 55% และระยะขอบโดยรวม 31% เพื่อให้คงที่ ให้บริการโดยเครือข่าย DePINสิ่งจูงใจโทเค็น / รางวัลบล็อกด้วยแหล่งรายได้ใหม่. ในบริบทของ Filecoin ผู้ให้บริการพื้นที่เก็บข้อมูลจะได้รับรางวัลบล็อก (โทเค็น) ข้อมูลจริงที่โฮสต์มากขึ้นดังนั้นผู้ให้บริการพื้นที่จัดเก็บจึงมีแรงจูงใจในการดึงดูดลูกค้าให้มากขึ้นเพื่อปิดดีลและเพิ่มรายได้โครงสร้างโทเค็นของเครือข่ายคอมพิวเตอร์ DePIN ที่เกิดขึ้นใหม่หลายแห่งยังไม่เปิดเผย แต่น่าจะเป็นไปตามรูปแบบที่คล้ายกัน เครือข่ายที่คล้ายกันรวมถึง:

• Bacalhau: นำการคำนวณมาสู่เลเยอร์การประสานงานที่ซึ่งจัดเก็บข้อมูล หลีกเลี่ยงการย้ายข้อมูลจำนวนมาก

• exaBITS: เครือข่ายคอมพิวเตอร์แบบกระจายที่ให้บริการ AI และแอปพลิเคชันที่ใช้การคำนวณมาก

• Gensyn.ai: โปรโตคอลคอมพิวเตอร์สำหรับโมเดลการเรียนรู้เชิงลึก

3. ลดต้นทุนค่าโสหุ้ย:ข้อดีของเครือข่าย DePIN เช่น Bacalhau, exaBITS และ IPFS/พื้นที่จัดเก็บที่อยู่เนื้อหา ได้แก่:

• ปลดปล่อยความพร้อมใช้งานของข้อมูลแฝง:ข้อมูลจำนวนมาก เช่น ข้อมูลเหตุการณ์ขนาดใหญ่ที่สร้างโดยสนามกีฬา ในปัจจุบันไม่ได้ถูกนำไปใช้ เนื่องจากต้นทุนแบนด์วิธสูงในการส่งชุดข้อมูลขนาดใหญ่ โครงการ DePIN สามารถประมวลผลข้อมูลในไซต์งานและส่งเฉพาะเอาต์พุตที่มีความหมาย ทำให้ค้นพบความพร้อมใช้งานของข้อมูล

• ลดต้นทุนการดำเนินงาน:ลดค่าใช้จ่ายในการป้อนข้อมูล ถ่ายโอน และนำเข้า/ส่งออกโดยการรับข้อมูลภายในเครื่อง

• ลดการทำงานด้วยตนเองให้เหลือน้อยที่สุดในการแบ่งปันข้อมูลที่ละเอียดอ่อน:หากโรงพยาบาล A และ B จำเป็นต้องรวมข้อมูลที่ละเอียดอ่อนของผู้ป่วยแต่ละรายเพื่อการวิเคราะห์ พวกเขาสามารถใช้ Bacalhau เพื่อประสานพลังการประมวลผล GPU เพื่อประมวลผลข้อมูลที่ละเอียดอ่อนได้โดยตรงภายในเครื่อง โดยไม่ต้องแลกเปลี่ยนข้อมูลส่วนบุคคลที่สามารถระบุตัวตนได้ (PII) ซึ่งกันและกันผ่านกระบวนการดูแลระบบที่ยุ่งยาก

• ไม่จำเป็นต้องคำนวณชุดข้อมูลพื้นฐานใหม่:IPFS/พื้นที่จัดเก็บที่สามารถระบุตำแหน่งเนื้อหาได้มาพร้อมกับความสามารถในการกรองข้อมูลซ้ำ ติดตาม และตรวจสอบข้อมูล สำหรับฟังก์ชันและประสิทธิภาพด้านต้นทุนของ IPFS โปรดดูที่บทความนี้。

AI สร้างสรุป:ชื่อระดับแรก

คำถาม

คำถาม

การศึกษาล่าสุดแสดงให้เห็นว่า50% ของนักวิชาการด้าน AI เชื่อว่าความเป็นไปได้ที่ AI จะก่อให้เกิดอันตรายร้ายแรงต่อมนุษย์เกิน 10%

ผู้คนต้องตื่นตัวว่า AI ทำให้เกิดความสับสนวุ่นวายในสังคมและยังขาดระเบียบหรือข้อกำหนดทางเทคนิค สถานการณ์นี้เรียกว่า "สมองกลีบกลับ"

ตัวอย่างเช่นในวิดีโอทวิตเตอร์นี้คำอธิบายภาพ

ที่มา: บลูมเบิร์ก

เป็นที่น่าสังเกตว่าผลกระทบทางสังคมของ AI นั้นครอบคลุมมากกว่าปัญหาที่เกิดจากบล็อก การสนทนา และรูปภาพปลอม:

• ในระหว่างการเลือกตั้งสหรัฐฯ ปี 2024 เป็นครั้งแรกที่เนื้อหาแคมเปญ deepfake ที่สร้างโดย AI ประสบความสำเร็จในการปลอมของจริง

• มีการตัดต่อวิดีโอของวุฒิสมาชิกเอลิซาเบธ วอร์เรน เพื่อให้เธอ 'พูด'"รีพับลิกันไม่ควรได้รับอนุญาตให้ลงคะแนน"คำพูดดังกล่าว (ข่าวลือถูกหักล้าง)

• เสียงของ Biden ที่สังเคราะห์เสียงพูดวิพากษ์วิจารณ์สาวประเภทสอง

• ศิลปินกลุ่มหนึ่งได้ยื่นฟ้องคดีแบบกลุ่มกับ Midjourney และ Stability AI โดยกล่าวหาว่าใช้งานของศิลปินเพื่อฝึก AI โดยไม่ได้รับอนุญาต การละเมิดลิขสิทธิ์ และการคุกคามต่อการดำรงชีวิตของศิลปิน

• เพลง "Heart on My Sleeve" ที่สร้างโดย AI ที่มี The Weeknd และ Drake กลายเป็นไวรัลบนแพลตฟอร์มสตรีมมิ่ง แต่ถูกดึงออกไปในภายหลัง เมื่อเทคโนโลยีใหม่เข้ามาสู่กระแสหลักอย่างไร้ระเบียบก็สร้างปัญหาตามมามากมายการละเมิดลิขสิทธิ์เป็นปัญหา "กลีบหลัง"

สารละลาย

สารละลาย

ใช้หลักฐานต้นทางในห่วงโซ่ที่เข้ารหัสเพื่อพิสูจน์บุคลิกภาพและหลักฐานของผู้สร้าง

ทำให้เทคโนโลยีบล็อกเชนใช้งานได้จริง - ในฐานะบัญชีแยกประเภทที่มีประวัติออนเชนที่เปลี่ยนแปลงไม่ได้ ความถูกต้องของเนื้อหาดิจิทัลสามารถตรวจสอบได้ผ่านการพิสูจน์การเข้ารหัสเนื้อหา

ลายเซ็นดิจิทัลเป็นหลักฐานของผู้สร้างและหลักฐานบุคลิกภาพ

ในการระบุ Deepfake สามารถสร้างหลักฐานการเข้ารหัสได้โดยใช้ลายเซ็นดิจิทัลที่ไม่ซ้ำใครของผู้สร้างเนื้อหาต้นฉบับ ซึ่งสามารถสร้างได้โดยใช้คีย์ส่วนตัวที่รู้จักเฉพาะผู้สร้างและตรวจสอบได้ด้วยคีย์สาธารณะที่ทุกคนสามารถใช้ได้ การมีลายเซ็นเป็นการพิสูจน์ว่าเนื้อหาถูกสร้างขึ้นโดยผู้สร้างต้นฉบับ ไม่ว่าจะเป็นคนหรือ AI และยืนยันการเปลี่ยนแปลงที่ได้รับอนุญาตหรือไม่ได้รับอนุญาตกับเนื้อหา

พิสูจน์ความถูกต้องด้วย IPFS และ Merkle Trees

IPFS เป็นโปรโตคอลแบบกระจายสำหรับการอ้างอิงชุดข้อมูลขนาดใหญ่โดยใช้การกำหนดที่อยู่เนื้อหาและแผนผัง Merkle เพื่อพิสูจน์ว่าได้รับและเปลี่ยนแปลงเนื้อหาของไฟล์แล้ว ระบบจะสร้างหลักฐาน Merkle ซึ่งเป็นสตริงของแฮชที่แสดงตำแหน่งของบล็อกข้อมูลเฉพาะในแผนผัง Merkle ในการเปลี่ยนแปลงแต่ละครั้ง แฮชจะถูกเพิ่มเข้าไปใน Merkle tree เพื่อพิสูจน์การแก้ไขไฟล์

จุดอ่อนของรูปแบบการเข้ารหัสคือกลไกการจูงใจท้ายที่สุด การระบุผู้สร้าง deepfake แม้ว่าสามารถลดผลกระทบด้านลบทางสังคมแต่จะไม่ก่อให้เกิดประโยชน์ทางเศรษฐกิจเช่นเดียวกัน ความรับผิดชอบนี้น่าจะตกอยู่กับแพลตฟอร์มการเผยแพร่สื่อกระแสหลัก เช่น Twitter, Meta และ Google และมันก็เป็นเช่นนั้นจริงๆเหตุใดเราจึงต้องการบล็อกเชน

คำตอบคือลายเซ็นเข้ารหัสของ blockchain และการพิสูจน์ความถูกต้องถูกต้อง ตรวจสอบได้ และแน่นอนยิ่งขึ้นปัจจุบัน กระบวนการตรวจจับ Deepfakes ส่วนใหญ่จะผ่านอัลกอริธึมการเรียนรู้ของเครื่อง (เช่น "Deepfake Detection Challenge ของ Meta", "Asymmetric Numeral Systems" (ANS) ของ Google และ c 2 pa: https://c 2 pa.org/) ระบุความสม่ำเสมอของภาพและความผิดปกติในเนื้อหาแต่มักจะไม่แม่นยำเพียงพอและล้าหลังความเร็วการพัฒนาของ Deepfakeโดยทั่วไปจำเป็นต้องมีการตรวจสอบด้วยตนเองเพื่อระบุความถูกต้อง ซึ่งไม่มีประสิทธิภาพและมีราคาแพง

หากวันหนึ่งเนื้อหาทุกชิ้นมีลายเซ็นที่เข้ารหัสทุกคนสามารถพิสูจน์แหล่งที่มาของการสร้างได้ทำเครื่องหมายดัดแปลงหรือปลอมแปลงแล้วเราจะนำในโลกที่สวยงาม

AI สร้างสรุป:ชื่อระดับแรก

คำถาม

คำถาม

ปัจจุบัน AI เป็นกล่องดำที่สร้างจากข้อมูลที่เป็นกรรมสิทธิ์และอัลกอริทึมที่เป็นกรรมสิทธิ์ ธรรมชาติที่ปิดของ LLMs เทคโนโลยีขนาดใหญ่ฆ่าสิ่งที่ฉันเห็น“เอไอประชาธิปไตย”นั่นคือนักพัฒนาทุกคนและแม้แต่ผู้ใช้ก็สามารถมีส่วนร่วมกับโมเดล LLM ได้อัลกอริทึมและข้อมูลบทความที่เกี่ยวข้องบทความที่เกี่ยวข้อง）。

AI ประชาธิปไตย = ทัศนวิสัย(สามารถดูข้อมูลและอัลกอริทึมที่ป้อนลงในโมเดลได้)+ มีส่วนร่วมสารละลาย

สารละลาย

จุดประสงค์ของประชาธิปไตย AI คือการทำให้แบบจำลอง AI เชิงกำเนิดเปิดเผยต่อสาธารณะ มีความเกี่ยวข้อง และเป็นของสาธารณะ ตารางด้านล่างเปรียบเทียบสถานะปัจจุบันของ AI กับอนาคตที่สามารถทำได้ผ่านเทคโนโลยี Web3 blockchain

ในปัจจุบัน--

สำหรับลูกค้า:

• รับเอาต์พุต LLM ทิศทางเดียว

• ไม่มีการควบคุมวิธีการใช้ข้อมูลส่วนบุคคล

สำหรับผู้พัฒนา:

• ความสามารถในการจัดองค์ประกอบต่ำ

• การประมวลผลข้อมูล ETL ไม่สามารถติดตามได้และทำซ้ำได้ยาก

• แหล่งที่มาของข้อมูลจะจำกัดเฉพาะสถาบันที่เป็นเจ้าของข้อมูลเท่านั้น

• โมเดลแบบปิดสามารถเข้าถึงได้ผ่าน API เท่านั้นโดยมีค่าธรรมเนียม

• เอาต์พุตข้อมูลที่แชร์ขาดการตรวจสอบได้ และนักวิทยาศาสตร์ข้อมูลใช้เวลา 80% ไปกับการทำความสะอาดข้อมูลระดับล่าง

หลังจากรวมบล็อกเชน——

สำหรับลูกค้า:

ผู้ใช้สามารถให้ข้อเสนอแนะ (เช่น อคติ การกลั่นกรองเนื้อหา ข้อเสนอแนะแบบละเอียดเกี่ยวกับผลลัพธ์) เพื่อเป็นพื้นฐานในการปรับแต่งอย่างละเอียด

ผู้ใช้สามารถเลือกที่จะให้ข้อมูลเพื่อแลกกับกำไรหลังจากที่แบบจำลองมีกำไร

สำหรับผู้พัฒนา:

• ชั้นการจัดการข้อมูลแบบกระจาย:รวบรวมงานเตรียมข้อมูลที่ซ้ำซากและใช้เวลานาน เช่น การติดฉลากข้อมูล

• ทัศนวิสัย& ความสามารถในการรวมและปรับแต่งอัลกอริทึมอย่างละเอียดพร้อมแหล่งที่มาที่ตรวจสอบได้ (สามารถดูประวัติการเปลี่ยนแปลงทั้งหมดได้)

• อธิปไตยของข้อมูล(เปิดใช้งานโดยการระบุที่อยู่เนื้อหา/IPFS) และอำนาจอธิปไตยของอัลกอริทึม (เช่น Urbit เปิดใช้งานองค์ประกอบแบบ peer-to-peer และการพกพาข้อมูลและอัลกอริทึม)

• เร่งนวัตกรรม LLMเร่งนวัตกรรม LLM จากรูปแบบโอเพ่นซอร์สพื้นฐาน

• เอาต์พุตข้อมูลการฝึกอบรมที่ทำซ้ำได้ดำเนินการผ่านบันทึกที่ไม่เปลี่ยนรูปของ blockchain เกี่ยวกับการดำเนินงานและการสืบค้น ETL ที่ผ่านมา (เช่น Kamu)

บางคนบอกว่าแพลตฟอร์มโอเพ่นซอร์สของ Web2 ยังมีวิธีแก้ปัญหาที่ประนีประนอม แต่ผลที่ได้นั้นไม่เหมาะ ดูการสนทนาที่เกี่ยวข้องexaBITSของโพสต์บล็อก。

ชื่อระดับแรก

คำถาม

คำถาม

ปัจจุบัน ข้อมูลผู้บริโภคที่มีค่าที่สุดคือทรัพย์สินเฉพาะของบริษัทเทคโนโลยีขนาดใหญ่ ซึ่งสร้างอุปสรรคทางธุรกิจหลัก ยักษ์ใหญ่ด้านเทคโนโลยีไม่มีแรงจูงใจในการแบ่งปันข้อมูลนี้กับบุคคลภายนอก

เหตุใดเราจึงรับข้อมูลโดยตรงจากผู้สร้างหรือผู้ใช้ไม่ได้ ทำไมเราไม่สามารถทำให้ข้อมูลเป็นทรัพยากรสาธารณะ ให้ข้อมูลและเปิดแหล่งที่มาเพื่อให้นักวิทยาศาสตร์ข้อมูลใช้

เพียงเพราะขาดแรงจูงใจและกลไกการประสานงาน. การบำรุงรักษาข้อมูลและดำเนินการ ETL (แยก แปลง และโหลด) เป็นต้นทุนค่าใช้จ่ายที่สำคัญ ในความเป็นจริงแล้ว การจัดเก็บข้อมูลอย่างเดียวจะเป็นอุตสาหกรรมมูลค่า 777 พันล้านเหรียญสหรัฐในปี 2030 โดยไม่รวมต้นทุนการประมวลผล ไม่มีใครรับงานและค่าใช้จ่ายในการประมวลผลข้อมูลฟรี

มาดู OpenAI กัน เดิมทีมันถูกกำหนดให้เป็นโอเพ่นซอร์สและไม่หวังผลกำไร แต่เป็นการยากที่จะรับรู้ต้นทุนและไม่สามารถครอบคลุมต้นทุนได้ ในปี 2019 OpenAI ต้องยอมรับเงินทุนจาก Microsoft และอัลกอริทึมดังกล่าวไม่ได้เปิดให้สาธารณชนเข้าชมอีกต่อไป มีการคาดการณ์ว่าภายในปี 2567สารละลาย。

สารละลาย

แนะนำ Web3กลไกใหม่ที่เรียกว่า "dataDAO"อำนวยความสะดวกในการกระจายรายได้ระหว่างเจ้าของโมเดล AI และผู้ร่วมให้ข้อมูล สร้างชั้นแรงจูงใจสำหรับการสนับสนุนข้อมูลที่รวบรวมจากฝูงชน เนื่องจากข้อจำกัดของพื้นที่ จึงไม่ขยายที่นี่ หากคุณต้องการทราบข้อมูลเพิ่มเติม คุณสามารถอ่านบทความสองบทความต่อไปนี้:

• วิธีการทำงานของ DataDAO/วิธีการทำงานของ DataDAO โดย HQ Han แห่ง Protocol Labs

• การสนับสนุนข้อมูลและการสร้างรายได้ทำงานอย่างไรใน web3/web3 การสนับสนุนข้อมูลและการสร้างรายได้ทำงานอย่างไร ฉันได้อธิบายเชิงลึกเกี่ยวกับกลไก ข้อบกพร่อง และโอกาสของ dataDAO ในบทความนี้

  
  

โดยทั่วไปแล้ว DePIN ใช้วิธีการใหม่และจัดหาพลังงานฮาร์ดแวร์ใหม่เพื่อส่งเสริม Web3 และนวัตกรรม AI ในขณะที่บริษัทยักษ์ใหญ่ด้านเทคโนโลยีครอบงำอุตสาหกรรม AI ผู้เล่นหน้าใหม่สามารถใช้ประโยชน์จากเทคโนโลยีบล็อกเชนเพื่อเข้าร่วมการต่อสู้: DePIN Network ช่วยลดอุปสรรคในการเข้าสู่ตลาดด้วยวิธีที่ลดต้นทุนการประมวลผล ธรรมชาติที่ตรวจสอบได้และกระจายของบล็อกเชนช่วยให้ AI แบบเปิดอย่างแท้จริงเป็นไปได้ กลไกที่เป็นนวัตกรรมใหม่เช่น เนื่องจาก dataDAO กระตุ้นให้เกิดการมีส่วนร่วมของข้อมูล คุณลักษณะที่เปลี่ยนแปลงไม่ได้และทนต่อการดัดแปลงของ blockchain ให้การพิสูจน์ตัวตนของผู้สร้าง ขจัดความกังวลของผู้คนเกี่ยวกับผลกระทบทางสังคมเชิงลบของ AI