danh hiệu cấp một
Trạng thái của AI và Web 3: Bầy đàn chạy trốn và tăng trưởng Entropy
Trong cuốn sách “Out of Control: The New Biology of Machines, Society, and the Economic”, Kevin Kelly từng đề xuất một hiện tượng: đàn ong sẽ tiến hành các quyết định bầu cử theo điệu nhảy tập thể theo sự quản lý phân tán, và toàn bộ đàn ong sẽ tuân theo điều này. khiêu vũ nhóm Những đàn ong lớn nhất thế giới trở thành bậc thầy của một sự kiện. Đây cũng chính là cái gọi là “linh hồn của tổ ong” được Maurice Maeterlinck nhắc đến - mỗi con ong có thể tự đưa ra quyết định, hướng dẫn những con ong khác xác nhận và quyết định cuối cùng thực sự là sự lựa chọn của nhóm.
Bản thân định luật tăng entropy và rối loạn tuân theo định luật nhiệt động lực học, và hình dung lý thuyết trong vật lý là đặt một số lượng phân tử nhất định vào một hộp trống và tính toán sơ đồ phân bố cuối cùng. Cụ thể đối với con người, đám đông do thuật toán tạo ra có thể thể hiện quy luật của nhóm mặc dù có sự khác biệt về suy nghĩ của từng cá nhân, thường bị hạn chế trong một ô trống do các yếu tố như thời gian và cuối cùng đưa ra quyết định đồng thuận.
Tất nhiên, các quy tắc của nhóm có thể không đúng, nhưng những người lãnh đạo dư luận có thể tự mình đại diện cho sự đồng thuận và lôi kéo sự đồng thuận là những siêu cá nhân tuyệt đối. Nhưng trong hầu hết các trường hợp, sự đồng thuận không theo đuổi sự đồng thuận hoàn toàn và vô điều kiện của mọi người mà chỉ yêu cầu nhóm phải có một bản sắc chung.
Ở đây chúng ta không thảo luận về việc liệu AI sẽ khiến con người lạc lối hay không. Trên thực tế, đã có rất nhiều cuộc thảo luận như vậy, liệu đó có phải là lượng rác lớn do các ứng dụng trí tuệ nhân tạo tạo ra đã làm ô nhiễm tính xác thực của dữ liệu mạng hay do quyết định của nhóm- phạm phải những sai lầm sẽ dẫn đến một số sự việc đã chuyển sang tình thế nguy hiểm hơn.
Thực trạng AI hiện nay có tính độc quyền tự nhiên, ví dụ việc đào tạo và triển khai các mô hình lớn đòi hỏi nhiều tài nguyên tính toán và dữ liệu nhưng chỉ có một số ít doanh nghiệp, tổ chức có được điều kiện này. Hàng trăm triệu dữ liệu này được mỗi chủ sở hữu độc quyền coi là báu vật, chưa kể việc chia sẻ nguồn, thậm chí việc truy cập lẫn nhau cũng không thể.
Nhiều người cho rằng AI và Web 3 là hai thứ khác nhau và không có mối liên hệ nào - nửa câu đầu đúng, đây là hai track khác nhau, nhưng nửa câu sau lại có vấn đề, sử dụng công nghệ phân tán để hạn chế độc quyền cuối của trí tuệ nhân tạo, và việc sử dụng công nghệ trí tuệ nhân tạo để thúc đẩy việc hình thành cơ chế đồng thuận phi tập trung đơn giản là điều đương nhiên.
danh hiệu cấp một
Khấu trừ đáy: Hãy để AI hình thành cơ chế đồng thuận nhóm phân tán thực sự
Cốt lõi của trí tuệ nhân tạo nằm ở chính con người, còn máy móc và mô hình chẳng qua là sự suy đoán và bắt chước suy nghĩ của con người. Cái gọi là nhóm thực ra rất khó trừu tượng hóa nhóm, bởi vì những gì chúng ta thấy hàng ngày vẫn là một cá thể thực sự. Nhưng mô hình sử dụng dữ liệu lớn để tìm hiểu và điều chỉnh, cuối cùng là mô phỏng hình thức nhóm. Đừng đánh giá mô hình này sẽ gây ra kết quả gì, bởi sự việc của các nhóm phạm tội không xảy ra một, hai lần. Nhưng mô hình này đại diện cho việc tạo ra cơ chế đồng thuận này.
Ví dụ, đối với một DAO cụ thể, nếu thực hiện cơ chế quản trị chắc chắn sẽ ảnh hưởng đến hiệu quả, nguyên nhân là do việc hình thành sự đồng thuận trong nhóm là một điều rắc rối, chưa kể đến hàng loạt hoạt động bỏ phiếu, thống kê, v.v. Nếu việc quản trị DAO được thể hiện dưới dạng mô hình AI và tất cả việc thu thập dữ liệu đều xuất phát từ dữ liệu lời nói của mọi người trong DAO thì quyết định đầu ra sẽ thực sự gần với sự đồng thuận của nhóm hơn.
Sự đồng thuận nhóm của một mô hình duy nhất có thể được đào tạo theo sơ đồ trên, nhưng nó vẫn là hòn đảo đối với những cá nhân này. Nếu có một hệ thống trí tuệ tập thể để hình thành một AI nhóm thì mỗi mô hình AI trong hệ thống này sẽ cùng nhau giải quyết các vấn đề phức tạp, điều này thực sự sẽ có tác động rất lớn đến việc trao quyền cho mức độ đồng thuận.
Bộ não thông minh toàn cầu có thể làm cho các mô hình thuật toán AI đơn chức năng và độc lập ban đầu hợp tác với nhau, thực hiện các quy trình thuật toán thông minh phức tạp trong nội bộ và hình thành mạng lưới đồng thuận nhóm phân tán có thể phát triển liên tục. Đây cũng chính là ý nghĩa lớn nhất của việc AI trao quyền cho Web 3.
danh hiệu cấp một
Quyền riêng tư và độc quyền dữ liệu? Sự kết hợp giữa ZK và Machine Learning
Con người phải thực hiện các biện pháp phòng ngừa có mục tiêu cho dù đó là chống lại AI để làm điều ác hay dựa trên việc bảo vệ quyền riêng tư và nỗi sợ độc quyền dữ liệu. Vấn đề cốt lõi là chúng ta không biết kết luận được rút ra như thế nào, tương tự như vậy, người vận hành mô hình cũng không có ý định trả lời câu hỏi này. Và đối với sự kết hợp của bộ não thông minh toàn cầu mà chúng tôi đã đề cập ở trên thì việc giải quyết vấn đề này càng cần thiết hơn, nếu không sẽ không có bên dữ liệu nào sẵn sàng chia sẻ cốt lõi của mình với bên khác.
ZKML (Zero Knowledge Machine Learning) là công nghệ sử dụng bằng chứng không có kiến thức cho machine learning. Zero-Knowledge Proofs (ZKP), tức là người chứng minh (prover) có thể thuyết phục người xác minh (verifier) về tính xác thực của dữ liệu mà không tiết lộ dữ liệu cụ thể.
Trích dẫn với một trường hợp lý thuyết. Có một Sudoku tiêu chuẩn 9 × 9. Điều kiện hoàn thành là điền các số từ 1 đến 9 vào chín ô, sao cho mỗi số chỉ được xuất hiện một lần ở mỗi hàng, cột và lưới. Vậy làm thế nào người sắp xếp câu đố này có thể chứng minh cho người thách đấu rằng Sudoku có lời giải mà không tiết lộ đáp án?
Bạn chỉ cần che phần điền bằng câu trả lời, sau đó yêu cầu người thách đấu chọn ngẫu nhiên một vài hàng hoặc cột, xáo trộn tất cả các số và xác minh rằng tất cả chúng đều từ một đến chín. Đây là một phương án chứng minh không có kiến thức đơn giản.
Công nghệ chứng minh không có kiến thức có ba đặc điểm là tính đầy đủ, tính chính xác và không có kiến thức, tức là nó chứng minh kết luận mà không tiết lộ bất kỳ chi tiết nào. Nguồn gốc công nghệ của nó có thể phản ánh sự đơn giản, trong bối cảnh mã hóa đồng cấu, độ khó của việc xác minh thấp hơn nhiều so với độ khó của việc tạo ra bằng chứng.
Machine Learning là việc sử dụng các thuật toán và mô hình để cho phép hệ thống máy tính học hỏi và cải thiện từ dữ liệu. Học hỏi kinh nghiệm thông qua tự động hóa cho phép hệ thống tự động thực hiện các tác vụ như dự đoán, phân loại, phân cụm và tối ưu hóa dựa trên dữ liệu và mô hình.
Về cốt lõi, học máy là xây dựng các mô hình học từ dữ liệu và tự động đưa ra dự đoán cũng như quyết định. Việc xây dựng các mô hình này thường đòi hỏi ba yếu tố chính: bộ dữ liệu, thuật toán và đánh giá mô hình. Bộ dữ liệu là nền tảng của học máy và chứa các mẫu dữ liệu để đào tạo và thử nghiệm các mô hình học máy. Thuật toán là trung tâm của các mô hình học máy, xác định cách mô hình học và dự đoán từ dữ liệu. Đánh giá mô hình là một phần quan trọng của học máy, được sử dụng để đánh giá hiệu suất và độ chính xác của mô hình, đồng thời quyết định xem mô hình có cần được tối ưu hóa và cải tiến hay không.
Trong học máy truyền thống, các bộ dữ liệu thường cần được thu thập ở một nơi tập trung để đào tạo, nghĩa là chủ sở hữu dữ liệu phải chia sẻ dữ liệu với bên thứ ba, điều này có thể dẫn đến nguy cơ rò rỉ dữ liệu hoặc rò rỉ quyền riêng tư. Với ZKML, chủ sở hữu dữ liệu có thể chia sẻ tập dữ liệu với người khác mà không tiết lộ dữ liệu, điều này đạt được bằng cách sử dụng bằng chứng không có kiến thức.
Liệu tình trạng này có dẫn đến việc mại dâm miễn phí các cơ sở dữ liệu nhỏ sang cơ sở dữ liệu lớn không? Khi bạn nghĩ về quản trị, bạn sẽ quay lại suy nghĩ về Web 3 của chúng tôi và bản chất của Tiền điện tử là quản trị. Cho dù đó là thông qua một số lượng lớn ứng dụng hay chia sẻ, bạn sẽ nhận được những ưu đãi xứng đáng. Cho dù đó là thông qua cơ chế Pow, PoS ban đầu hay PoR (cơ chế chứng minh danh tiếng) mới nhất, chúng đều mang lại sự đảm bảo về hiệu quả khuyến khích.
danh hiệu cấp một
Sức mạnh tính toán phân tán: một câu chuyện đổi mới đan xen giữa dối trá và thực tế
Mạng điện toán phi tập trung luôn là một kịch bản được nhắc đến nhiều trong giới mã hóa. Xét cho cùng, các mô hình AI lớn đòi hỏi sức mạnh tính toán đáng kinh ngạc, và mạng điện toán tập trung sẽ không chỉ gây lãng phí tài nguyên mà còn hình thành sự độc quyền đáng kể—nếu so sánh với Cuối cùng thì số lượng GPU là thứ phải tranh giành cuối cùng, chán quá.
Bản chất của mạng điện toán phi tập trung là tích hợp các tài nguyên điện toán nằm rải rác ở các vị trí khác nhau và trên các thiết bị khác nhau. Những ưu điểm chính thường được đề cập là: cung cấp khả năng tính toán phân tán, giải quyết các vấn đề về quyền riêng tư, nâng cao độ tin cậy và độ tin cậy của các mô hình trí tuệ nhân tạo, hỗ trợ triển khai và vận hành nhanh chóng trong các tình huống ứng dụng khác nhau cũng như cung cấp các sơ đồ quản lý và lưu trữ dữ liệu phi tập trung. Đúng vậy, thông qua sức mạnh tính toán phi tập trung, bất kỳ ai cũng có thể chạy các mô hình AI và thử nghiệm chúng trên các tập dữ liệu thực tế trên chuỗi từ người dùng trên khắp thế giới, để họ có thể tận hưởng các dịch vụ điện toán linh hoạt, hiệu quả và chi phí thấp hơn.
Đồng thời, sức mạnh tính toán phi tập trung có thể giải quyết các vấn đề về quyền riêng tư bằng cách tạo ra một khuôn khổ mạnh mẽ để bảo vệ tính bảo mật và quyền riêng tư của dữ liệu người dùng. Nó cũng cung cấp một quy trình tính toán minh bạch và có thể kiểm chứng, nâng cao độ tin cậy và độ tin cậy của các mô hình trí tuệ nhân tạo, đồng thời cung cấp các tài nguyên tính toán linh hoạt và có thể mở rộng để triển khai và vận hành nhanh chóng trong các tình huống ứng dụng khác nhau.
Vì vậy, mặc dù mạng điện toán phi tập trung có nhiều ưu điểm và tiềm năng nhưng con đường phát triển vẫn còn quanh co theo chi phí truyền thông hiện tại và khó khăn vận hành thực tế. Trong thực tế, việc hiện thực hóa mạng điện toán phi tập trung đòi hỏi phải khắc phục nhiều vấn đề kỹ thuật thực tế, cho dù đó là cách đảm bảo độ tin cậy và bảo mật của các nút, cách quản lý và lên lịch hiệu quả các tài nguyên máy tính phân tán hay cách đạt được truyền tải và liên lạc dữ liệu hiệu quả, v.v. ., Tôi e rằng chúng thực sự là những vấn đề lớn.
danh hiệu cấp một
Đuôi: Kỳ vọng cho những người theo chủ nghĩa lý tưởng
Quay trở lại thực tế thương mại hiện tại, câu chuyện về sự tích hợp sâu của AI và Web 3 trông rất đẹp đẽ, nhưng vốn và người dùng cho chúng ta biết nhiều hơn bằng những hành động thực tế rằng đây được định sẵn là một hành trình đổi mới cực kỳ khó khăn, trừ khi dự án có thể thực hiện được. giống như OpenAI Theo cách tương tự, chúng ta nên nắm lấy một nguồn hỗ trợ tài chính mạnh mẽ khi chúng ta còn mạnh, nếu không, chi phí RD không đáy và mô hình kinh doanh không rõ ràng sẽ hoàn toàn đè bẹp chúng ta.
Dù là AI hay Web 3 thì hiện nay chúng đều đang ở giai đoạn phát triển rất sớm, giống như bong bóng Internet cuối thế kỷ trước, và phải đến gần chục năm sau, thời kỳ hoàng kim thực sự mới chính thức mở ra. McCarthy đã mơ tưởng về việc thiết kế một trí tuệ nhân tạo với trí tuệ con người chỉ trong một kỳ nghỉ, nhưng phải đến gần bảy mươi năm sau, chúng tôi mới thực hiện được bước đi quan trọng hướng tới trí tuệ nhân tạo.
Điều này cũng đúng với Web 3+AI, chúng tôi đã xác định được hướng đi chính xác và phần còn lại sẽ để lại cho thời gian.
