Вступ
У цифрову епоху штучний інтелект (ШІ) став ключовою силою, що приводить до технологічних інновацій та соціального прогресу. Розвиток ШІ - це не просто технологічний прогрес, але і розширення людського розуму. ШІ був найгарячішою темою в індустрії венчурного капіталу та фондовому ринку протягом останнього часу.
З розвитком технології блокчейн з’являється децентралізована штучна інтелект (Decentralized AI), ця стаття розкриє вам визначення, архітектуру та співпрацю з галуззю штучного інтелекту.
Визначення та архітектура децентралізованого штучного інтелекту
!
Децентралізований штучний інтелект використовує децентралізовані обчислювальні ресурси та зберігання даних для тренування та використання моделей штучного інтелекту у розподіленому середовищі, що підвищує конфіденційність та безпеку. Його чотирьохшарова архітектура включає:
• Модельний рівень: підтримка розробки, спільного використання та торгівлі децентралізованими штучними інтелектуальними моделями для сприяння співпраці та інновацій у всьому світі. Представником на цьому рівні є проект Bittensor, який використовує технологію блокчейн для створення глобальної платформи спільного використання та співпраці з штучними інтелектуальними моделями.
• Шар treningu: використовуючи технологію розумного контракту та децентралізовану технологію, знижує витрати на навчання моделі ШІ та спрощує процес, підвищуючи ефективність навчання. Одним з викликів на цьому рівні є ефективне використання розподіленого обчислювального ресурсу для ефективного навчання моделей.
• Рівень даних: використовуйте технологію блокчейн для зберігання та управління даними, забезпечуючи безпеку та незмінність даних, надаючи користувачам повний контроль над своїми даними. Додатки цього рівня включають децентралізовані маркетплейси даних, які забезпечують прозорі транзакції та підтвердження права власності на дані за допомогою технології блокчейн.
• Обчислювальний рівень потужності: Завдяки децентралізованій обчислювальній платформі GPU та підтримці пропускної здатності він надає розподілені обчислювальні ресурси для підтримки ефективного навчання та висновків моделей штучного інтелекту. Технологічні досягнення на цьому рівні, такі як периферійні обчислення та розподілені мережі графічних процесорів, надають нові рішення для навчання та висновків моделей штучного інтелекту.
Проект, що представляє децентралізовану штучну інтелектуальну систему
!
Огляд галузі децентралізованого штучного інтелекту: рівень моделі
Модельний рівень: Значне зростання параметрів великих моделей призводить до помітного покращення їх продуктивності, але зменшення вигоди від подальшого масштабування моделі стає все помітнішим. Цей тренд вимагає переосмислення напрямку розвитку AI-моделей: як зберегти продуктивність із зниженням витрат і ресурсів.
!
Розвиток великої моделі штучного інтелекту слідує “закону масштабу”, тобто існує певна взаємозв’язок між продуктивністю моделі та масштабом параметрів, розміром набору даних та обсягом обчислень.
!
Коли модель розширюється до певного масштабу, її продуктивність у конкретній задачі раптово помітно покращується. Зі збільшенням обсягу параметрів великої моделі, масштаб покращення продуктивності моделі поступово зменшується, і вирішення проблеми збалансування масштабу параметрів та продуктивності моделі стане ключовим напрямом майбутнього розвитку.
!
Ми бачимо, що конкуренція за цінами на API великої моделі AI зростає, багато виробників почали знижувати ціни, щоб збільшити свою частку на ринку. Однак, з урахуванням однорідності продуктивності великої моделі, постійність доходу від API теж ставиться під сумнів. Як зберегти високу лояльність користувачів і збільшити дохід стане великим викликом у майбутньому.
!
!
Застосування моделей на боці клієнта досягається за допомогою зменшення точності даних та використання архітектури змішаних експертних моделей (MoE). Технологія квантифікації моделей може стиснути 32-бітові дробові дані до 8 бітів, що значно зменшує розмір моделі та споживання пам’яті. Таким чином, модель може ефективно працювати на пристроях клієнта і сприяти подальшому поширенню технології штучного інтелекту.
!
**Висновок: технологія блокчейн допомагає покращити прозорість, співпрацю та участь користувачів на рівні моделі ШІ.
!
Аналіз галузі централізованого штучного інтелекту: рівень навчання
Тренувальний шар: Навчання великих моделей вимагає високої пропускної здатності та низької затримки комунікації, існує можливість використання децентралізованої мережі обчислювальної потужності для спроби великих моделей. Викликом на цьому рівні є оптимізація розподілу комунікаційних та обчислювальних ресурсів для досягнення більш ефективного навчання моделей.
!
** Децентралізовані обчислювальні енергетичні мережі мають певний потенціал у навчанні великих моделей. Незважаючи на проблеми, пов’язані з надмірними витратами на зв’язок, ефективність навчання може бути значно підвищена за рахунок оптимізації алгоритмів планування та стиснення обсягу даних, що передаються. Однак те, як подолати затримку мережі та вузькі місця передачі даних у реальному середовищі, все ще залишається серйозною проблемою для децентралізованого навчання.
!
Для розв’язання проблеми обмеження тренування великих моделей у децентралізованій мережі потужності ми можемо використовувати технології стиснення даних, оптимізації планування та локального оновлення та синхронізації. Ці методи дозволяють зменшити витрати на комунікацію, покращити ефективність тренування та зробити децентралізовану мережу потужності при тренуванні великих моделей варіантом, який можна реалізувати.
!
Машинне навчання з нульовим знанням (zkML) поєднує технології нульового доказу та машинного навчання, що дозволяє проводити верифікацію та розуміння моделі без розкриття даних навчання та деталей моделі. Ця технологія особливо підходить для галузей з високими вимогами до збереження конфіденційності даних, таких як медицина та фінанси, і може гарантувати приватність даних, водночас перевіряючи точність та надійність моделі штучного інтелекту.
!
Децентралізований шпарування галузі штучного інтелекту: рівень даних
Конфіденційність і безпека даних стали ключовим питанням у розвитку ШІ. Децентралізовані технології зберігання та обробки даних дають нові ідеї для вирішення цих проблем.
Зберігання даних, індексація даних та застосування даних - це ключові етапи для забезпечення правильної роботи децентралізованої системи штучного інтелекту. Децентралізовані платформи зберігання, такі як Filecoin і Arweave, пропонують нові рішення щодо безпеки та конфіденційності даних, а також знижують вартість зберігання.
!
!
Приклади децентралізованого зберігання:
!
!
- Масштаби зберігання даних Arweave стрімко зросли з 2020 року, насамперед завдяки попиту з боку NFT-маркетплейсу та Web3-додатків. За допомогою Arweave користувачі можуть досягти децентралізованого постійного зберігання даних, вирішуючи проблему довгострокового зберігання даних.
- Проект AO ще більше покращує екосистему Arweave, надаючи користувачам більш потужні обчислювальні потужності та ширший спектр сценаріїв застосування.
!
На цій сторінці ми порівняли два проекти децентралізованого зберігання - Arweave та Filecoin. Arweave забезпечує постійне зберігання за одноразовим платежем, тоді як Filecoin пропонує гнучкі зберігальні послуги з оплатою щомісяця. Обидва проекти мають свої переваги в технічній архітектурі, бізнес-масштабі та ринковій позиції, і користувачі можуть вибрати підходяще рішення залежно від своїх потреб.
Децентралізоване прочісування індустрії штучного інтелекту: обчислювальний рівень потужності
Шарівна сила: Зі збільшенням складності моделі штучного інтелекту зростає потреба у обчислювальних ресурсах. Поява децентралізованої мережі обчислювальної сили надає новий спосіб розподілу ресурсів для навчання та інференції моделей штучного інтелекту.
!
!
Децентралізовані обчислювальні мережі (а також спеціалізовані обчислювальні мережі для навчання та виведення) є найактивнішими та найшвидше розвиваються галузями на DeAI трасі, які зараз спостерігаються. Це відповідає тому, що постачальники інфраструктури реального світу забирають на себе багаті плоди ланцюга AI. З постійним дефіцитом ресурсів обчислювальної потужності, таких як GPU, виробники обчислювального обладнання активно входять в цю галузь.
!
Приклад Aethir:
!
Бізнес-модель: двосторонній ринок оренди потужності
Ринок децентралізованих обчислень, по суті, використовує технологію Web3, щоб поширити концепцію грід-обчислень на економічно стимулююче середовище, що не потребує довіри. ** Шляхом стимулювання постачальників ресурсів, таких як центральні та графічні процесори, вносити незадіяні обчислювальні потужності в децентралізовану мережу, буде сформовано децентралізований ринок обчислювальних потужностей певного масштабу; Він також об’єднує тих, хто потребує обчислювальних ресурсів (наприклад, постачальників моделей), щоб надавати їм ресурси обчислювальних послуг за нижчою ціною та більш гнучким способом. Ринок децентралізованих обчислювальних потужностей також є викликом для постачальників хмарних послуг з централізованими монополіями.
- Ринок децентралізованої обчислювальної потужності поділяється на загального призначення та спеціалізованого типи в залежності від типу послуг. Загальна обчислювальна мережа працює на зразок розподіленого хмарного рішення, надаючи обчислювальні ресурси для різних додатків. Спеціалізована обчислювальна мережа призначена для конкретних використань і націлена на вирішення специфічних задач. Наприклад, мережа Render спеціалізується на завантаженнях рендерингу, мережа Gensyn спеціалізується на навчанні моделей машинного навчання, а io.net є прикладом загальної обчислювальної мережі.
- Для DeAI важним викликом під час навчання моделей на децентралізованій інфраструктурі є обмеження великого обсягу обчислювальних потужностей, пропускної здатності та високої затримки, спричинені використанням різноманітного апаратного забезпечення від постачальників з усього світу. Таким чином, спеціалізована мережа обчислення штучного інтелекту може забезпечити кращу підтримку функцій штучного інтелекту, ніж загальнопризначена мережа обчислення. Навіть зараз централізоване навчання моделей машинного навчання залишається найефективнішим і стабільним процесом, але вимагає від команди проекту великих фінансових витрат.
Заключение
Децентралізований штучний інтелект як новий технологічний тренд поступово проявляє свої переваги у сфері конфіденційності даних, безпеки та ефективності витрат. У наступній статті ми розглянемо ризики та виклики, з якими стикається децентралізований штучний інтелект, а також його майбутні напрямки розвитку.
