Pendahuluan
Di era digital, kecerdasan buatan (AI) telah menjadi kekuatan kunci yang mendorong inovasi teknologi dan kemajuan sosial. Pengembangan AI bukan hanya merupakan kemajuan teknologi, tetapi juga perpanjangan dari kecerdasan manusia. AI telah menjadi topik paling populer dalam industri modal ventura dan pasar modal dalam beberapa waktu terakhir.
Dengan perkembangan teknologi blockchain, kecerdasan buatan terdesentralisasi (Decentralized AI) muncul, dan artikel ini akan menjelaskan definisi, arsitektur, serta bagaimana peranannya berkolaborasi dengan industri kecerdasan buatan.
Definisi dan Arsitektur Kecerdasan Buatan Terdesentralisasi
![]()
AI terdesentralisasi menggunakan sumber daya komputasi dan penyimpanan data terdesentralisasi, melatih dan menggunakan model AI secara terdistribusi, meningkatkan privasi dan keamanan. Arsitektur utamanya terdiri dari empat lapisan:
• **Layer model: ** Mendukung pengembangan, berbagi, dan perdagangan model kecerdasan buatan terdesentralisasi, mendorong kerja sama dan inovasi global. Representasi proyek pada tingkat ini seperti Bittensor, yang menggunakan teknologi blockchain untuk membuat platform berbagi dan kerja sama model kecerdasan buatan global.
• **Lapisan Pelatihan: **Menggunakan kontrak pintar dan teknologi desentralisasi, mengurangi biaya pelatihan model AI dan menyederhanakan prosesnya, meningkatkan efisiensi pelatihan. Tantangan dalam aspek ini adalah bagaimana menggunakan sumber daya komputasi terdistribusi secara efisien untuk pelatihan model yang efektif.
• Tingkat Data: Menggunakan teknologi blockchain untuk menyimpan dan mengelola data, memastikan keamanan dan keintegritasan data, sambil memberikan pengguna kendali penuh atas data. Aplikasi pada tingkat ini termasuk pasar data terdesentralisasi, yang menggunakan teknologi blockchain untuk transaksi data yang transparan dan konfirmasi kepemilikan.
• Layer Kekuatan Komputasi: Melalui platform kekuatan komputasi GPU terdesentralisasi dan dukungan lebar pita, menyediakan sumber daya komputasi terdistribusi, mendukung pelatihan dan inferensi model AI secara efisien. Kemajuan teknologi pada tingkat ini, seperti komputasi tepi dan jaringan GPU terdistribusi, menyediakan solusi baru untuk pelatihan dan inferensi model AI.
Proyek Representasi AI Terdesentralisasi
![]()
** Menyisir Industri AI Terdesentralisasi: Lapisan Model **
Lapisan Model: Jumlah parameter model besar meningkat secara eksponensial, kinerja model meningkat signifikan, tetapi manfaat yang didapatkan dari memperluas skala model semakin berkurang secara bertahap. Tren ini menuntut kita untuk mempertimbangkan ulang arah perkembangan model AI, bagaimana cara mengurangi biaya dan konsumsi sumber daya sambil tetap menjaga kinerja.
![]()
Pengembangan model AI besar mengikuti “hukum skala”, yaitu adanya hubungan antara kinerja model dengan skala parameter, ukuran dataset, dan jumlah komputasi.
![]()
Ketika model diperluas ke skala tertentu, kinerjanya akan meningkat secara signifikan dalam tugas tertentu. Dengan peningkatan jumlah parameter model yang besar, peningkatan kinerja model secara bertahap menurun, dan bagaimana menyeimbangkan skala parameter dan kinerja model akan menjadi kunci perkembangan di masa depan.
![]()
Kami telah melihat bahwa persaingan harga API untuk model besar AI telah meningkat, dan banyak produsen telah mengurangi harga untuk meningkatkan pangsa pasar. Namun, dengan homogenisasi kinerja model besar, keberlanjutan pendapatan API juga dipertanyakan. Bagaimana mempertahankan kelekatan pengguna yang tinggi dan meningkatkan pendapatan akan menjadi tantangan besar di masa depan.
![]()
![]()
Aplikasi model di ujung akan dicapai dengan mengurangi akurasi data dan menggunakan arsitektur model pakar campuran (MoE). Teknologi kuantifikasi model dapat mengompres data titik mengambang 32-bit menjadi 8-bit, sehingga secara signifikan mengurangi ukuran model dan konsumsi memori. Dengan cara ini, model dapat berjalan secara efisien di perangkat ujung, mendorong lebih lanjut penyebaran teknologi AI.
![]()
Kesimpulan: Teknologi blockchain meningkatkan transparansi, kerjasama, dan keterlibatan pengguna dalam model AI.
![]()
Pemetaan Industri AI Terdesentralisasi: Lapisan Pelatihan
Lapisan Pelatihan: Pelatihan model yang besar membutuhkan komunikasi dengan bandwidth tinggi dan latency rendah, dan ada kemungkinan untuk melakukan percobaan model besar melalui jaringan daya komputasi terdesentralisasi. Tantangan pada tingkat ini adalah bagaimana mengoptimalkan alokasi sumber daya komunikasi dan komputasi untuk mencapai pelatihan model yang lebih efisien.
!
Jaringan daya komputasi terdesentralisasi memiliki potensi dalam pelatihan model besar. Meskipun ada tantangan dalam biaya komunikasi yang tinggi, efisiensi pelatihan dapat ditingkatkan secara signifikan melalui optimisasi algoritma penjadwalan dan pengurangan jumlah data yang ditransmisikan. Namun, bagaimana mengatasi keterlambatan jaringan dan bottleneck transfer data dalam lingkungan nyata masih menjadi tantangan utama dalam pelatihan terdesentralisasi.
!
Untuk mengatasi bottleneck pelatihan model besar dalam jaringan kekuatan terdesentralisasi, kita dapat menggunakan teknik kompresi data, optimisasi penjadwalan, dan pembaruan dan sinkronisasi lokal. Metode-metode ini dapat mengurangi biaya komunikasi, meningkatkan efisiensi pelatihan, membuat jaringan kekuatan terdesentralisasi menjadi pilihan yang layak untuk pelatihan model besar.
![]()
Zero Knowledge Machine Learning (zkML) menggabungkan bukti pengetahuan nol dan teknologi pembelajaran mesin, memungkinkan validasi dan penalaran model tanpa mengungkapkan data pelatihan dan detail model. Teknologi ini sangat cocok untuk industri yang memiliki persyaratan keamanan data yang tinggi, seperti bidang medis dan keuangan, yang memastikan privasi data sambil memvalidasi keakuratan dan keandalan model AI.
![]()
Penguraian Industri Kecerdasan Buatan Terdesentralisasi: Lapisan Data
Privasi dan keamanan data telah menjadi masalah utama dalam pengembangan AI. Teknologi penyimpanan dan pemrosesan data yang terdesentralisasi memberikan ide-ide baru untuk memecahkan masalah ini.
Penyimpanan data, indeks data, dan aplikasi data semuanya merupakan tahapan kunci untuk memastikan sistem AI terdesentralisasi berjalan dengan lancar. Platform penyimpanan terdesentralisasi seperti Filecoin dan Arweave telah menyediakan solusi baru dalam hal keamanan data dan perlindungan privasi, sambil menurunkan biaya penyimpanan.
!
!
Kasus Penyimpanan Terdesentralisasi:
![]()
!
- Skala penyimpanan data Arweave telah berkembang pesat sejak tahun 2020, terutama didorong oleh permintaan dari pasar NFT dan aplikasi Web3. Melalui Arweave, pengguna dapat mencapai penyimpanan data permanen yang terdesentralisasi, memecahkan masalah penyimpanan data jangka panjang.
- Proyek AO memperkuat ekosistem Arweave lebih lanjut, memberikan kemampuan komputasi yang lebih kuat dan ruang lingkup aplikasi yang lebih luas bagi pengguna.
!
Di halaman ini, kami membandingkan dua proyek penyimpanan terdesentralisasi, yaitu Arweave dan Filecoin. Arweave mencapai penyimpanan permanen melalui pembayaran satu kali, sedangkan Filecoin menggunakan pembayaran bulanan dengan fokus pada penyediaan layanan penyimpanan yang fleksibel. Kedua platform ini memiliki keunggulan dalam hal arsitektur teknologi, skala bisnis, dan penempatan di pasar. Pengguna dapat memilih solusi yang sesuai dengan kebutuhan mereka.
Penguraian Industri AI Terdesentralisasi: Lapisan Daya Komputasi
Layer Kekuatan Komputasi: Seiring dengan peningkatan kompleksitas model AI, permintaan akan sumber daya komputasi juga terus meningkat. Kemunculan jaringan kekuatan komputasi terdesentralisasi memberikan cara baru dalam mengalokasikan sumber daya untuk pelatihan dan inferensi model AI.
!
![]()
Jaringan komputasi terdesentralisasi (dan jaringan komputasi khusus untuk pelatihan dan inferensi) saat ini merupakan area yang paling aktif dan paling cepat berkembang di jalur DeAI. Ini konsisten dengan penyedia infrastruktur dunia nyata yang menangkap buah dari rantai nilai AI. Karena kekurangan sumber daya komputasi seperti GPU terus berlanjut, produsen perangkat keras dengan sumber daya komputasi telah memasuki bidang ini.
!
Kasus Aetir:
![]()
Model Bisnis: Pasar bilateral penyewaan daya komputasi
- Pasar Daya Komputasi Terdesentralisasi pada dasarnya memperluas konsep komputasi grid ke lingkungan yang memiliki insentif ekonomi dan tidak memerlukan kepercayaan menggunakan teknologi Web3. Melalui insentif dari penyedia sumber daya seperti CPU dan GPU, daya komputasi yang tidak terpakai dapat disumbangkan ke jaringan terdesentralisasi, sehingga membentuk pasar layanan daya komputasi terdesentralisasi yang memiliki skala tertentu; dan menghubungkan pihak yang membutuhkan sumber daya komputasi (seperti penyedia model) untuk menyediakan layanan daya komputasi dengan biaya yang lebih rendah dan lebih fleksibel. Pasar daya komputasi terdesentralisasi juga merupakan tantangan bagi penyedia layanan cloud yang terpusat dan monopoli.
- Pasar daya komputasi terdesentralisasi dapat dibagi lebih lanjut berdasarkan jenis layanan yang disediakannya: umum dan khusus. Jaringan komputasi umum berjalan seperti awan terdistribusi, menyediakan sumber daya komputasi untuk berbagai aplikasi. Jaringan komputasi khusus terutama ditujukan untuk jaringan komputasi dengan tujuan tertentu, disesuaikan dengan penggunaan tertentu. Sebagai contoh, Render Network adalah jaringan komputasi khusus yang fokus pada beban kerja rendering; Gensyn adalah jaringan komputasi khusus yang fokus pada pelatihan model ML; dan io.net adalah contoh jaringan komputasi umum.
- Tantangan signifikan bagi DeAI dalam model pelatihan pada infrastruktur terdesentralisasi adalah latensi tinggi yang disebabkan oleh daya komputasi besar, kendala bandwidth, dan penggunaan perangkat keras heterogen dari vendor yang berbeda di seluruh dunia. Akibatnya, jaringan komputasi AI khusus dapat memberikan lebih banyak kemampuan khusus AI daripada jaringan komputasi tujuan umum. Saat ini, pelatihan terpusat model ML masih merupakan proyek yang paling efisien dan stabil, tetapi mengedepankan persyaratan yang sangat tinggi untuk kekuatan modal pihak proyek.
Kesimpulan
Dalam artikel berikutnya, kami akan membahas risiko dan tantangan yang dihadapi oleh AI terdesentralisasi, serta arah pengembangannya di masa depan, sebagai tren teknologi yang sedang berkembang, dan secara bertahap menunjukkan keunggulannya dalam privasi data, keamanan, dan efisiensi biaya.
