У останні роки, з послідовним випуском продуктів серії GPT, штучний інтелект трансформує різні галузі. Ми стали свідками входження різних застосувань штучного інтелекту в нашу щоденну роботу та життя, що підвищує ефективність роботи, змінює звички у способі життя та зменшує витрати підприємств. Ми повинні визнати, що штучний інтелект стає вихідною точкою наступної технологічної революції.

Основа революції в галузі технологій штучного інтелекту полягає у великій обчислювальній потужності, алгоритмічних моделях та великій кількості тренувальних даних. На сьогоднішній день високопродуктивна обчислювальна потужність GPU дефіцитна та дорога, алгоритми мають тенденцію до гомогенізації, існують проблеми щодо відповідності даних та захисту конфіденційності для тренувальних даних моделі. Технологія блокчейн володіє характеристиками, такими як децентралізація та розподілене зберігання, які можуть бути ефективно застосовані у розробці, розгортанні та експлуатації моделей штучного інтелекту.

Використання характеристик блокчейну для вирішення проблеми потужності обчислень ШІ.

Для процесу розробки штучного інтелекту зустрічаються проблеми, такі як нестача обчислювальної потужності GPU та високі витрати на використання, тому деякі проекти блокчейн намагаються вирішити їх за допомогою блокчейн-рішень.

Render Network є високопродуктивною розподіленою платформою рендерингу, яка зменшує різницю між попитом на обчислювальну потужність GPU та постачальниками вільних ресурсів GPU, використовуючи передове програмне забезпечення otoy. Ця настройка дозволяє постачання вільних ресурсів GPU для високої попиту в областях обчислювальної техніки, таких як штучний інтелект та віртуальна реальність, за більш низькою вартістю.

У цій екосистемі постачальники неактивних відеокарт підключають свої пристрої до мережі Render Network для виконання різноманітних завдань рендерингу, тоді як замовники компенсують постачальників відеокарт токенами заохочення. Цей децентралізований підхід максимізує ефективність використання ресурсів, створює цінність для учасників та зменшує витрати на розробку та експлуатацію штучного інтелекту. У грудні минулого року Render досягнув значного технологічного стрибка, мігруючи свою інфраструктуру з ланцюжка Ethereum на високотранзакційний Solana, використовуючи високу продуктивність та більшу масштабованість Solana для покращення можливостей Render, включаючи стрімінг в реальному часі та стиснення стану.

Зображення на мережі відтворення на мережі Render

Akash — це децентралізована обчислювальна платформа, яка агрегує незадіяні процесор, графічний процесор, сховище, пропускну здатність, виділені IP-адреси та інші мережеві ресурси по всьому світу та здає їх в оренду підприємствам і приватним особам, яким потрібна висока обчислювальна потужність для таких завдань, як штучний інтелект. Це дозволяє їм повною мірою використовувати ці ресурси та надавати послуги оренди GPU. Користувачі, які надають ресурси для оренди GPU, отримують токени AKT, тоді як запитувачі отримують доступ до обчислювальних потужностей за низькими цінами. Токен платформи AKT використовується не тільки для розрахунків за орендовані мережеві ресурси, але й слугує стимулом для заохочення валідаторів до участі в управлінні екосистемою та підтримці мережевої безпеки. Платформа стягує певну комісію за транзакції за розрахунки за мережеві ресурси, що дозволяє всім учасникам екосистеми платформи отримувати дохід і сприяє довгостроковій життєздатності платформи та постійному зростанню її бізнес-моделі.

Реальний статистичний графік ресурсів мережі Akash Network

Livepeer - це мережна платформа для відеоінфраструктури для прямого та вимаганого медіапотоку. Користувачі можуть приєднатися до мережі, виконавши програмне забезпечення платформи та використовуючи графічний прискорювач, пропускну здатність та інші ресурси комп'ютера для перекодування та розповсюдження відео. Такий підхід покращує надійність відеопотоків та зменшує пов'язані витрати, такі як перекодування та розповсюдження, впродовж до 50 разів. Крім того, проект Livepeer вводить завдання з обробки відео за допомогою штучного інтелекту в мережу Livepeer, використовуючи графічний прискорювач, що працює операторами, для створення високоякісних відео за допомогою штучного інтелекту, тим самим зменшуючи витрати на створення відеоконтенту.

З опису вище перерахованих блокчейн-проектів очевидно, що блокчейн може використовувати свою децентралізовану та розподілену характеристику для ефективного використання простою мережевих ресурсів для вирішення поточного дефіциту обчислювальної потужності штучного інтелекту та високих витрат. Як тільки ця модель буде підтверджена та визнана в більш реальних сценаріях та і штучними інтелект-стартапами у майбутньому, вона значно полегшить проблему обчислювальної потужності.

Інтеграція штучного інтелекту з даними блокчейну.

Дані є основою моделей штучного інтелекту, а дані, що використовуються для навчання моделей, визначають різницю між різними моделями штучного інтелекту. Порівняно з іншими джерелами даних, дані блокчейну мають вищу якість і прозорість, що дозволяє ідентифікувати користувачів на блокчейні.

Arkham — це платформа, яка винагороджує користувачів за надання даних у ланцюжку та аналізу розвідки за допомогою технології штучного інтелекту. Його власний механізм штучного інтелекту ULTRA може позначати ончейн-адреси реальними користувачами, дозволяючи децентралізованим анонімним адресам у ланцюжку пов'язуватися з реальними особами. Отримуючи велику кількість мічених даних для анонімних адрес у ланцюжку за допомогою моделей штучного інтелекту, користувачі можуть розкривати інформацію про транзакції в ланцюжку організацій через Arkham. Загальновідомо, що найбільшою проблемою в розслідуванні криптовалютних злочинів є виявлення переказів коштів через анонімні адреси. Регулюючі органи можуть відстежувати та розслідувати злочинну діяльність, таку як відмивання грошей та шахрайство, за допомогою даних етикеток, наданих Arkham.

Карта візуалізації даних на ланцюжку платформи Arkham

Крім того, Аркхем також має функцію торгівлі інформацією про розвідку на ланцюжку. Функція міжбіржового обміну Аркхему дозволяє обмінювати адреси на ланцюжку та зовнішню реальну інформацію. Користувачі можуть збирати розвідувальну інформацію на ланцюжку через винагороди за головами на платформі, а цінна інформація на ланцюжку також може бути продана на аукціоні на платформі. Для докладного аналізу конкретних продуктів ви можете звернутися до статті “Чи може Аркем стати потужним інструментом для регулювання ланцюга?" раніше написано.

Штучний інтелектовий двигун Arkham, ULTRA, отримав підтримку під час розробки від Palantir, компанії з великих даних та послуг інтелектуальних аналітики, яка надає послуги штучного інтелекту уряду США, а також від засновників OpenAI. З такою міцною підтримкою та доступом до потужного джерела даних для навчання моделей штучного інтелекту, Arkham володіє найбільш стійкою бібліотекою маркування даних на ланцюжку у галузі.

Звертаючись до високої вартості зберігання великих обсягів даних для навчання моделей штучного інтелекту, проекти зберігання блокчейну, такі як Arweave, Filecoin та Storj, надали рішення. Чи то це одноразова оплата за постійне зберігання у випадку Arweave, чи ефективна модель оплати за використання у випадку Filecoin, ці рішення значно зменшують витрати на зберігання даних. Крім того, децентралізоване зберігання може пом'якшити ризик втрати даних через природні катастрофи порівняно з традиційними методами зберігання.

Під час використання ChatGPT можна підвищити ефективність роботи, оптимізація моделі для підвищення точності розмов штучного інтелекту потребує великої кількості даних користувача для навчання та налаштування. Тому існує ризик витоку чутливих даних та персональних даних про конфіденційність. Zama є відкритою криптографічною компанією, яка розробляє передові шифрувальні рішення з повністю гомоморфним шифруванням (FHE) для блокчейну та штучного інтелекту. Zama Concrete ML може безпечно обробляти чутливі дані, забезпечувати співпрацю даних між різними установами, зберігаючи конфіденційність, підвищувати ефективність та безпеку даних. Воно шифрує дані конфіденційності, такі як особисті медичні записи під час навчання, забезпечуючи, що кожен користувач може бачити лише кінцевий результат і не дані інших людей.

Інтеграція штучних інтелектуальних агентів з проектами блокчейну.

OpenAI визначає AI Агента як систему, що працює на основі великого мовного моделю (LLM), яка має можливість автономно розуміти, сприймати, планувати, запам'ятовувати та використовувати інструменти, що дозволяє автоматизувати виконання складних завдань. Зі послідовними випусками моделей GPT від OpenAI, стає все більше застосувань AI агентів, що впроваджуються.

Fetch.ai — це блокчейн-мережа, що самонавчається, яка в першу чергу полегшує економічну діяльність серед автономних агентів штучного інтелекту. Fetch.ai складається з чотирьох частин: AI Agents, Agentverse, AI Engine і Fetch network. Користувачі можуть створювати, розробляти та розгортати власні агенти штучного інтелекту, використовуючи варіанти використання агентів штучного інтелекту, надані платформою на Agentverse. Вони також можуть рекламувати своїх агентів штучного інтелекту іншим користувачам на платформі. DeltaV — це інтерфейс чату на основі штучного інтелекту в Fetch.ai. Користувачі вводять запити через цей інтерфейс, а AI Engine зчитує введені користувачем дані, перетворює їх на практичні завдання та вибирає найбільш підходящого агента ШІ в Agentverse для виконання завдання. Наразі німецька компанія Bosch співпрацює з Fetch.ai для дослідження інтеграції агентної технології штучного інтелекту з додатками для мобільності та розумного будинку, спільно відкриваючи двері в еру Web3 економіки Інтернету речей.

Склад екосистеми Fetch.ai

Крім того, додаток AI Agent QnA3.AI представляє роботів з питань та відповідей штучного інтелекту, технічний аналіз та можливості торгівлі активами в галузі шифрування в світ Web3. За допомогою QnA3 Bot користувачі можуть збирати, аналізувати та виконувати реальні угоди при торгівлі криптовалютними активами. Поведінка реалізується за допомогою функцій продукту "Питання та відповідь", "Технічний аналіз" та "Торгівля в реальному часі", що мінімізує втручання суб'єктивних емоцій користувачів у їх торгові рішення.

Можливі юридичні ризики

1. Ризики експорту даних

У вищезазначеному вступі зазначається, що деякі проекти децентралізованого зберігання вирішують проблему зберігання даних для навчання моделей штучного інтелекту за менші витрати. Це знижує бар'єр для фізичних осіб та стартапів, які присвячені підприємництву в галузі штучного інтелекту. Однак такий децентралізований підхід до зберігання може створювати ризики виходу даних за межі юрисдикції.

Національний офіс інтернет-інформації видав "Керівні принципи забезпечення оцінки безпеки експорту даних (перше видання)", в яких чітко зазначено, що до вчинення дій щодо експорту даних включається:

(1) Передача та зберігання даних, зібраних та згенерованих під час внутрішніх операцій, за кордонні місцезнаходження обробників даних;

(2) Зберігання даних, зібраних та згенерованих обробниками даних в межах країни та надання можливості установам, організаціям або особам за кордоном запитувати, отримувати, завантажувати та експортувати ці дані;

(3) Інші поведінковість експорту даних, які регулюються Національним інтернет-інформаційним управлінням.

Так що означає термін «експорт»? Стаття 89 Закону про виїзд та в'їзд громадян Китайської Народної Республіки чітко визначає, що під «експортом» розуміється подорож з материкового Китаю в інші країни або регіони, подорож з материкового Китаю до Спеціального адміністративного регіону Гонконг або Спеціального адміністративного регіону Макао та подорож з материкового Китаю на Тайвань. Таким чином, можна зрозуміти, що визначення наявності експорту ґрунтується на юрисдикції.

Для проектів децентралізованого зберігання користувачі зберігають дані в децентралізованих розподілених мережах, таких як IPFS. Файли, збережені в мережі, розбиваються на кілька невеликих шматків даних, шифруються та зберігаються в різних вузлах, зберігаючи вузли розподілені по всьому світу. Уявіть, якби вітчизняний стартап зі штучного інтелекту зберігав дані для тренування моделей штучного інтелекту на вузлах таких децентралізованих проектів, дійсно існує ризик експорту даних.

2. Ризик витоку чутливих особистих даних

У додатках AI Agent, таких як QnA3.AI, користувачі спілкуються з штучним інтелектом, щоб отримувати торгову інформацію про зашифровані активи та виконувати операції. Особистий діалог Q&A, що генерується під час цих взаємодій, створює ризик витоку конфіденційних даних, якщо його використовують проектом для навчання та оптимізації моделі. Такий витік торгових даних, якщо його використовують зловмисники, може призвести до невдалих інвестицій та, можливо, ще більших втрат.

Disclaimer:

1. Ця стаття була перепечатана з [web3caff], Усі авторські права належать оригінальному автору [Кріс Чуян]. Якщо є зауваження до цього перевидання, будь ласка, зв'яжіться з Gate Learnкоманда, і вони оперативно з цим впораються.
2. Відповідальність за відмову: Погляди та думки, висловлені в цій статті, є виключно тими автора та не становлять жодних інвестиційних порад.
3. Переклади статті на інші мови виконуються командою Gate Learn. Якщо не зазначено інше, копіювання, поширення або плагіатування перекладених статей заборонене.