Введение
В эпоху цифровизации искусственный интеллект (ИИ) стал ключевой силой,推动技术革新和社会进步。 Развитие ИИ не только технический прогресс, но и продолжение человеческого разума. За последнее время ИИ стал самой популярной темой в индустрии венчурного капитала и на рынке капиталовложений.
С развитием технологии блокчейн появился децентрализованный искусственный интеллект (DeAI). В данной статье мы разберем определение, архитектуру и взаимодействие децентрализованного искусственного интеллекта с индустрией искусственного интеллекта.
Определение и архитектура децентрализованного искусственного интеллекта
!
Децентрализованный ИИ использует децентрализованные вычислительные ресурсы и хранилище данных для тренировки и использования моделей искусственного интеллекта в распределенном режиме, что повышает конфиденциальность и безопасность. Его четырехуровневая основная архитектура включает в себя:
• Модельный уровень: поддержка разработки, обмена и торговли децентрализованными ИИ-моделями, способствующая сотрудничеству и инновациям в масштабах всего мира. Примерами проектов на этом уровне являются Bittensor, который использует технологии блокчейн для создания глобальной платформы для обмена и сотрудничества в области ИИ-моделей.
• Уровень обучения: с использованием смарт-контрактов и технологии децентрализации, снижает стоимость и упрощает процесс обучения моделей искусственного интеллекта, повышает эффективность обучения.** Основной вызов на этом уровне заключается в эффективном использовании распределенных вычислительных ресурсов для эффективного обучения моделей.
• Уровень данных: Используя технологию блокчейн для хранения и управления данными, обеспечивается безопасность и неподдельность данных, а также полное контрольное право пользователя над данными. Примером такого применения является децентрализованный рынок данных, который обеспечивает прозрачную торговлю данными и подтверждение владения с использованием технологии блокчейн.
• Уровень вычислительной мощности: Предоставляет распределенные вычислительные ресурсы с помощью децентрализованной платформы GPU и поддержки полосы пропускания для эффективного обучения и вывода моделей искусственного интеллекта. Технический прогресс на этом уровне, такой как вычисления на краю и распределенные сети GPU, предоставляет новые решения для обучения и вывода моделей искусственного интеллекта.
Децентрализованный проект представляющий искусственный интеллект
!
Обзор децентрализованной индустрии искусственного интеллекта: уровень модели
Модельный уровень: объем параметров модели значительно увеличивается экспоненциально, производительность модели существенно улучшается, но выгоды от дальнейшего масштабирования модели постепенно уменьшаются. Эта тенденция требует переосмысления направления развития ИИ-моделей, как достичь снижения затрат и ресурсов при сохранении производительности.
!
Развитие больших моделей искусственного интеллекта следует закону масштаба, то есть существует определенная связь между производительностью модели, размером параметров, объемом набора данных и вычислительным объемом.
!
Когда модель масштабируется до определенного размера, ее производительность в конкретной задаче внезапно значительно возрастает. С увеличением количества параметров больших моделей улучшение производительности модели постепенно уменьшается, и то, как сбалансировать масштаб параметров и производительность модели, станет ключом к будущему развитию.
!
Мы видим, что конкуренция по ценам на API для больших моделей искусственного интеллекта усиливается, множество производителей снижают цены, чтобы увеличить свою долю рынка. Однако, с унификацией производительности больших моделей также возникают вопросы о стабильности доходов от API. Как сохранить высокую привязанность пользователей и увеличить доходы станет одним из основных вызовов в будущем.
!
!
Применение модели на стороне клиента будет осуществляться путем снижения точности данных и использования гибридной архитектуры модели экспертов (MoE). Технология квантования моделей может сжимать данные с плавающей запятой 32 бита до 8 бит, что значительно уменьшает размер модели и потребление памяти. Таким образом, модель может эффективно работать на устройствах на стороне клиента, способствуя дальнейшему распространению технологии искусственного интеллекта.
!
Выводы: технология блокчейн помогает повысить прозрачность, сотрудничество и участие пользователей на уровне модели искусственного интеллекта.
!
Обзор централизованной отрасли искусственного интеллекта: уровень обучения
Обучающий уровень: Обучение больших моделей требует высокой пропускной способности и низкой задержки, и децентрализованные вычислительные сети могут опробовать большие модели. Задача на этом уровне заключается в том, как оптимизировать распределение коммуникационных и вычислительных ресурсов для более эффективного обучения моделей.
!
Децентрализованная вычислительная сеть имеет определенный потенциал в области обучения больших моделей. Несмотря на вызовы, связанные с избыточными коммуникационными расходами, можно значительно повысить эффективность обучения путем оптимизации алгоритмов планирования и сокращения объема передаваемых данных. Тем не менее, преодоление задержек в сети и узких мест в передаче данных в реальной среде по-прежнему остается основной проблемой, с которой сталкиваются децентрализованные обучающие системы.
!
Чтобы решить проблему узкого места при обучении больших моделей в децентрализованной сети вычислительной мощности, мы можем использовать технологии сжатия данных, оптимизации планирования и локального обновления и синхронизации. Эти методы могут уменьшить затраты на связь, повысить эффективность обучения и сделать децентрализованную сеть вычислительной мощности при обучении больших моделей реальным выбором.
!
Машинное обучение с нулевым разглашением (zkML) сочетает в себе доказательства с нулевым разглашением и методы машинного обучения, чтобы обеспечить проверку и вывод модели без предоставления обучающих данных и сведений о модели. Эта технология особенно подходит для отраслей, требующих высокой конфиденциальности данных, таких как здравоохранение и финансы, для обеспечения конфиденциальности данных при проверке точности и надежности моделей ИИ.
!
Децентрализованная отрасль искусственного интеллекта: уровень данных
Конфиденциальность и безопасность данных стали ключевыми проблемами развития искусственного интеллекта. Технология децентрализованного хранения и обработки данных предлагает новые подходы к решению этих проблем.
Хранение данных, индексация данных и применение данных - все это ключевые моменты, обеспечивающие нормальную работу децентрализованной ИИ-системы. Децентрализованные платформы хранения данных, такие как Filecoin и Arweave, предлагают новые решения в области безопасности данных и защиты конфиденциальности, а также снижают затраты на хранение.
!
!
Децентрализованный случай хранения:
!
!
- С начала 2020 года масштаб хранения данных Arweave быстро растет, в основном благодаря росту рынка NFT и потребности веб-приложений Web3. С помощью Arweave пользователи могут достичь децентрализованного постоянного хранения данных, что решает проблему долгосрочного хранения данных.
- Проект AO еще больше расширяет экосистему Arweave, предоставляя пользователям более мощную вычислительную мощность и более широкий спектр сценариев применения.
!
На этой странице мы сравнили два децентрализованных хранилища: Arweave и Filecoin. Arweave обеспечивает постоянное хранение через одноразовую оплату, в то время как Filecoin использует оплату ежемесячно, фокусируясь на предоставлении гибких услуг хранения. Оба проекта имеют свои преимущества в технической архитектуре, бизнес-масштабе и рыночной позиции, и пользователи могут выбирать подходящий вариант в зависимости от своих конкретных потребностей.
Децентрализованный обзор индустрии искусственного интеллекта: уровень вычислительной мощности
Уровень вычислительной мощности: С увеличением сложности моделей искусственного интеллекта растет и потребность в вычислительных ресурсах. Появление децентрализованной сети вычислительной мощности предоставляет новый способ распределения ресурсов для обучения и вывода моделей искусственного интеллекта.
!
!
Децентрализованные вычислительные сети (и специализированные вычислительные сети для обучения и инференса) в настоящее время являются наиболее активными и быстрорастущими областями на треке DeAI. Это согласуется с реальными поставщиками инфраструктуры, получающими плоды цепочки создания стоимости ИИ. Поскольку дефицит вычислительных ресурсов, таких как графические процессоры, продолжается, в эту сферу вышли производители аппаратных устройств с вычислительными ресурсами.
!
Дело Этира:
!
Бизнес-модель: двусторонний рынок аренды вычислительной мощности
- Децентрализованный рынок вычислительной мощности, в сущности, расширяет идею сетевых вычислений с использованием технологии Web3 на среду без необходимости доверия с экономическим стимулом. Путем стимулирования поставщиков ресурсов, таких как ЦП и ГП, предоставлять неиспользуемую вычислительную мощность в децентрализованную сеть, создается децентрализованный рынок вычислительной мощности определенного масштаба; и связываются с потребителями вычислительных ресурсов, такими как поставщики моделей, чтобы предоставлять им ресурсы вычислительной мощности с более низкой стоимостью и большей гибкостью. Децентрализованный рынок вычислительной мощности также является вызовом для централизованных монополистов облачных сервисов.
- Децентрализованный рынок вычислительной мощности может быть дополнительно разделен на универсальный и специализированный типы в зависимости от предоставляемых услуг. Универсальные вычислительные сети функционируют как децентрализованные облака, предоставляя вычислительные ресурсы для различных приложений. Специализированные вычислительные сети предназначены в основном для определенных целей и настроены под конкретные случаи использования. Например, сеть Render Network является специализированной вычислительной сетью, сфокусированной на обработке рабочих нагрузок; Gensyn - специализированная вычислительная сеть, ориентированная на обучение моделей ML; в то время как io.net является примером универсальной вычислительной сети.
- Для DeAI одним из важных вызовов при обучении моделей на децентрализованной инфраструктуре являются ограничения в масштабе вычислительных мощностей, пропускной способности и высокая задержка, вызванная использованием гетерогенного оборудования от поставщиков со всего мира. Поэтому специализированная сеть вычислений искусственного интеллекта может предоставить более подходящие возможности для работы с ИИ, чем общая сеть вычислений. В настоящее время централизованное обучение моделей машинного обучения все еще является наиболее эффективным и стабильным проектом, однако это предъявляет очень высокие требования к финансовым возможностям проекта.
В заключении
Децентрализованный искусственный интеллект как новый технологический тренд постепенно проявляет свои преимущества в области конфиденциальности данных, безопасности и экономической эффективности. В следующей статье мы рассмотрим риски и вызовы, с которыми сталкивается децентрализованный ИИ, а также его будущее развитие.
