該觀點在加密貨幣和人工智慧方面提供了一些有趣的交叉點。作者相信開放性會帶來創新，並提到了人工智慧的發展趨勢以及去中心化和Web3是人工智慧開放的競爭者。文章還討論了眾包計算、去中心化推理、鏈上人工智慧代理、數據和模型來源、代幣激勵應用程式以及鏈上可驗證性等主題。一些支持和反對的意見也被提及。文章也列舉了一些範例項目。
以下是我在加密貨幣與人工智慧的交叉點上發現的有趣的類別。
我相信開放會帶來創新。近年來，人工智慧已經跨越鴻溝，進入全球實用性和影響力。由於運算能力隨著資源整合而增強，人工智慧自然會促進中心化，而那些擁有更多運算能力的人將逐步強力主導主導地位。這為我們的創新速度帶來了風險。我相信去中心化和Web3是保持人工智慧開放的競爭者。
該列表和這些例子公司每天都在變化。請不要把視為事實來源，而是及時的快照。如果我錯過了一些公司或你認為我錯了，請在Twitter 上私訊我。很想辯論。
用於預訓練+消耗的去中心化計算
眾包運算（CPU + GPU）
據此：airbnb/uber 眾包資源模型有可能劃分計算領域，暫且等待計算聚合到市場中。這可以解決的問題：1）針對某些場景的更便宜的計算，處理一些延遲/延遲； 2）抗審查計算，用於訓練未來可能受到監管/取締的模型。
反對意見：眾包運算無法實現規模經濟；大多數效能GPU並不屬於消費者所有。去中心化計算是一個完全悖論；它實際上與效能計算相反…詢問任何基礎設施/機器學習工程師
範例專案：Akash、Render、io.net、Ritual、Hyperbolic、Gensyn
去中心化推理
以去中心化的方式運行開源模型的推理
論點：開源（OS）模型在某些方面正在接近與閉源（1）並獲得採用。為了運行作業系統模型的推理，大多數人使用HuggingFace 或Replicate 等中心化服務，這會帶來隱私和審查問題。一個解決方案是透過去中心化或重新啟動運行推理。
反對意見：沒有必要去中心化推理，因為局部推理將會引發。可以處理7b+參數模型推理的專用晶片現在發布。邊緣運算是我們針對隱私和審查的解決制度。
譯文項目： Ritual、gpt4all（託管）、Ollama (web2)、Edgellama（Web3、P2P Ollama）、Petals
鏈上人工智慧代理
使用機器學習的鏈上應用程式
論點：人工智慧代理（使用人工智慧的應用程式）需要一個協調層來進行交易。對於人工智慧代理來說，使用加密貨幣進行支付可能是有意義的，因為它本身就是數位化的，而且顯然代理無法透過KYC 來配置銀行帳戶。去中心化的人工智慧代理也沒有平台風險。例如，OpenAI 只是隨機決定更改他們的ChatGPT 插件架構，這在沒有通知的情況下破壞了我的Talk2Books 插件。真實的故事。鏈上建構的代理程式不存在同樣的平台風險。
反對意見：代理還沒做好生產準備……根本沒有。 BabyAGI、AutoGPT等都是玩具另外，為了支付，創建人工智慧代理的實體可以只使用Stripe API，不需要加密貨幣支付。對於平台風險的爭論，這是一個陳腐的加密貨幣案例，我們還沒有看到它的發揮……為什麼這次不同？
範例專案：AI Arena、MyShell、Operator.io、Fetch.ai
數據和模型來源
您自我管理的數據和機器學習模型，收集其產生的價值
論點：資料應該由資料產生程度的使用者擁有，而不是由收集資料的公司擁有。數據是數位時代最有價值的資源，但它被大型科技公司壟斷且金融化程度較低。超個人化網路即將到來，並且需要可移植的數據和模型。我們將透過互聯網將數據和模型從一個應用程式轉移到另一個應用程序，就像我們將數位貨幣包從dapp 轉移到dapp 一樣。資料來源，尤其是造假的深度，這是一個巨大的問題，連拜登也承認這一點。區塊鏈架構很可能是解決資料來源難題的最佳解決方案。
反對意見：沒有人關心擁有自己的資料或隱私。我們透過用戶偏好一次又一次看到了這一點。看看Facebook/Instagram 的註冊情況最終，人們將信任OpenAI 的ML 數據。讓我們成為現實主義者。
翻譯項目：Vana、Rainfall
代幣激勵應用程式（例如應用程式）
考慮使用加密貨幣代幣獎勵的Character.ai
論點：加密貨幣代幣激勵對於引導網路和行為非常有效。我們將看到以人工智慧為中心的應用程式利用這種機制。一個引人注目的市場可能是人工智慧參與者，我們相信這將是一個數位萬億的人工智慧重建市場。 2022年，美國在寵物上花了130B+美元；AI參與者是寵物2.0。我們已經看到AI配件應用程式達到PMF，Character.ai的平均會話時間超過1小時以上。如果在此處看到加密貨幣激勵平台和其他人工智慧應用垂直領域的市場貢獻，我們不會感到驚訝。
反對意見：這只是加密貨幣投機狂熱的延伸，不會產生持久的使用。令牌是Web 3.0 的CAC。我們還沒有從Axie Infinity 中學到教訓嗎？
範例專案：MyShell、Deva
代幣激勵MLOps（例如訓練、RLHF、推理）
考慮ScaleAI 與加密貨幣代幣獎勵
論點：加密貨幣可以在整個機器學習工作流程中使用，以啟發優化權重、權限、RLHF 等行為——人類在其中判斷模型的輸出中進一步影響。
反對意見：MLOps 是加密貨幣獎勵的一個糟糕案例，因為品質太重要了。雖然加密貨幣代幣在加密貨幣可以接受的情況下很好地激勵消費者行為，但在品質和準確性至關重要的情況下，它們不利於協調行為。
範例專案：BitTensor、Ritual
鏈上可驗證性（ZKML）
證明什麼模型在鏈上有效運作並插入加密貨幣世界
據此：鏈上模型的可驗證性將解鎖可組合性，這意味著您可以在我們整個DeFi 和加密貨幣中利用輸出。五年後，當我們讓代理人運行醫生模型而不是去看醫生時，我們將需要某種方法來驗證他們的知識以及準確地在診斷中使用了哪些模型。模型可驗證性塑膠蘇丹。
反對意見：沒有人需要驗證運行的什麼模型。這是我們最不關心的問題。我們是本末倒置。沒有人運行llama2 並擔心後台運行不同的模型。這是加密貨幣技術（零知識（ZK））尋找要解決的問題以及ZK獲得過多的炒作和風險資金的後果。
範例專案：Modulus Labs、UpShot、EZKL
資訊來源：0x資訊編譯自網際網路。版權歸作者Casey所有，未經許可，不得轉載