Giới thiệu
Trong thời đại số hóa, Trí tuệ nhân tạo (AI) đã trở thành một lực lượng quan trọng thúc đẩy cách mạng công nghệ và tiến bộ xã hội. Sự phát triển của AI không chỉ là tiến bộ công nghệ mà còn là sự mở rộng của trí tuệ con người. AI là một chủ đề nóng trong ngành đầu tư rủi ro và thị trường vốn trong thời gian gần đây.
Với sự phát triển của công nghệ blockchain, trí tuệ nhân tạo phi tập trung (Decentralized AI) đã xuất hiện, bài viết này sẽ giúp bạn hiểu rõ định nghĩa, kiến trúc và cách mà trí tuệ nhân tạo phi tập trung tương tác với ngành công nghiệp trí tuệ nhân tạo.
Định nghĩa và kiến trúc của trí tuệ nhân tạo phi tập trung
![]()
AI phi tập trung tận dụng các tài nguyên điện toán phi tập trung và lưu trữ dữ liệu để đào tạo và sử dụng các mô hình AI theo cách phân tán nhằm tăng cường quyền riêng tư và bảo mật. Kiến trúc bốn tầng của nó bao gồm:
• Mô hình lớp: Hỗ trợ phát triển, chia sẻ và giao dịch mô hình trí tuệ nhân tạo phi tập trung, thúc đẩy sự hợp tác và sáng tạo trên toàn cầu. Các dự án đại diện cho lớp này như Bittensor, sử dụng công nghệ blockchain để tạo ra một nền tảng chia sẻ và hợp tác mô hình trí tuệ nhân tạo toàn cầu.
• Lớp đào tạo: Sử dụng hợp đồng thông minh và công nghệ phi tập trung để giảm chi phí đào tạo mô hình AI, đơn giản hóa quy trình và nâng cao hiệu quả đào tạo. Thách thức ở cấp độ này là làm thế nào để sử dụng hiệu quả các tài nguyên điện toán phân tán để đào tạo mô hình hiệu quả.
• Lớp dữ liệu: Sử dụng công nghệ blockchain để lưu trữ và quản lý dữ liệu, đảm bảo tính an toàn và không thể thay đổi của dữ liệu, đồng thời cấp quyền kiểm soát hoàn toàn dữ liệu cho người dùng. Các ứng dụng trên mặt này như thị trường dữ liệu phi tâm trung, chúng đã thực hiện giao dịch minh bạch và xác nhận quyền sở hữu thông qua công nghệ blockchain.
• Lớp sức mạnh tính toán: Cung cấp tài nguyên tính toán phân tán thông qua nền tảng tính toán GPU phi tập trung và hỗ trợ băng thông, hỗ trợ huấn luyện và suy luận mô hình AI hiệu quả. Các tiến bộ kỹ thuật trong lĩnh vực này, chẳng hạn như tính toán biên và mạng lưới GPU phân tán, đã cung cấp các giải pháp mới cho việc huấn luyện và suy luận mô hình AI.
Dự án đại diện trí tuệ nhân tạo phi tập trung
!
Phân loại ngành công nghiệp trí tuệ nhân tạo phi tập trung: Lớp mô hình
Lớp mô hình: Số lượng tham số của các mô hình lớn đã tăng theo cấp số nhân và hiệu suất mô hình đã được cải thiện đáng kể, nhưng lợi ích của việc mở rộng hơn nữa kích thước của mô hình đang giảm dần. Xu hướng này đòi hỏi chúng ta phải suy nghĩ lại về hướng đi của các mô hình AI và cách giảm chi phí và tiêu thụ tài nguyên trong khi vẫn duy trì hiệu suất.
![]()
Sự phát triển của mô hình AI lớn tuân theo “định luật quy mô”, có một mối quan hệ nhất định giữa hiệu suất mô hình, quy mô tham số, kích thước tập dữ liệu và khối lượng tính toán.
!
Khi mô hình được mở rộng đến một quy mô nhất định, hiệu suất của nó trong nhiệm vụ cụ thể sẽ tăng đáng kể đột ngột. Với sự tăng lượng tham số của mô hình lớn, mức độ cải thiện hiệu suất của mô hình giảm dần, cân bằng giữa kích thước tham số và hiệu suất mô hình sẽ là chìa khóa cho sự phát triển trong tương lai.
![]()
Chúng tôi nhận thấy rằng, cạnh tranh giá của API mô hình AI lớn ngày càng gay gắt, nhiều nhà cung cấp liên tục giảm giá để nâng cao thị phần. Tuy nhiên, với sự đồng nhất về hiệu suất của các mô hình lớn, tính ổn định của doanh thu từ API cũng đang bị đặt ra câu hỏi. Làm thế nào để giữ được độ bám dính cao của người dùng và tăng doanh thu sẽ là một thách thức lớn trong tương lai.
![]()
![]()
Ứng dụng của mô hình ở phía cuối sẽ được thực hiện thông qua việc giảm độ chính xác của dữ liệu và sử dụng kiến trúc mô hình chuyên gia kết hợp (MoE). Công nghệ lượng tử hóa mô hình có thể nén dữ liệu dạng số thực 32 bit thành 8 bit, điều này sẽ giảm đáng kể kích thước mô hình và tiêu thụ bộ nhớ. Bằng cách này, mô hình có thể hoạt động hiệu quả trên thiết bị phía cuối, thúc đẩy việc áp dụng công nghệ AI một cách rộng rãi hơn.
![]()
**Tóm tắt: Blockchain giúp lớp mô hình cải thiện tính minh bạch, cộng tác và sự tham gia của người dùng của các mô hình AI. **
!
Phân loại ngành công nghiệp trí tuệ nhân tạo tập trung: Lớp đào tạo
Lớp đào tạo: Việc đào tạo mô hình lớn đòi hỏi việc truyền thông có băng thông cao và độ trễ thấp, và có thể có khả năng thử nghiệm mô hình lớn trên mạng tính toán phi tập trung. Thách thức ở mức độ này là làm thế nào để tối ưu hóa phân phối thông tin và tài nguyên tính toán để đạt được việc đào tạo mô hình hiệu quả hơn.
!
** Mạng lưới điện toán phi tập trung có tiềm năng nhất định trong đào tạo mô hình lớn. Bất chấp những thách thức của chi phí giao tiếp quá mức, hiệu quả đào tạo có thể được cải thiện đáng kể bằng cách tối ưu hóa các thuật toán lập lịch và nén lượng dữ liệu được truyền. Tuy nhiên, làm thế nào để khắc phục độ trễ mạng và tắc nghẽn truyền dữ liệu trong môi trường thế giới thực vẫn là một thách thức lớn đối với đào tạo phi tập trung.
![]()
Để giải quyết hạn chế trong việc huấn luyện mô hình lớn trong mạng lực tính phi tập trung, chúng ta có thể sử dụng các kỹ thuật như nén dữ liệu, tối ưu lịch trình và cập nhật và đồng bộ cục bộ. Những phương pháp này có thể giảm chi phí truyền thông, nâng cao hiệu suất huấn luyện và làm cho mạng lực tính phi tập trung trở thành một lựa chọn khả thi trong việc huấn luyện mô hình lớn.
![]()
Zero-Knowledge Machine Learning (zkML) combines zero-knowledge proofs and machine learning techniques to enable model validation and inference without exposing training data and model details. This technology is particularly suitable for industries with high data confidentiality requirements, such as healthcare and finance, ensuring data privacy while verifying the accuracy and reliability of AI models.
![]()
Dữ liệu hàng ngành trí tuệ nhân tạo phi tập trung: Tầng dữ liệu
Quyền riêng tư và bảo mật dữ liệu đã trở thành một vấn đề quan trọng trong sự phát triển của AI. Các công nghệ lưu trữ và xử lý dữ liệu phi tập trung cung cấp những ý tưởng mới để giải quyết những vấn đề này.
Lưu trữ dữ liệu, chỉ mục dữ liệu và ứng dụng dữ liệu đều là các yếu tố quan trọng để đảm bảo hoạt động bình thường của hệ thống AI phi tập trung. Các nền tảng lưu trữ phi tập trung như Filecoin và Arweave đã cung cấp các giải pháp mới về an ninh dữ liệu và bảo vệ quyền riêng tư, đồng thời giảm thiểu chi phí lưu trữ.
![]()
!
Các trường hợp lưu trữ phi tập trung:
![]()
!
- Từ năm 2020, quy mô lưu trữ dữ liệu của Arweave đã tăng nhanh chóng, chủ yếu nhờ sự thúc đẩy từ thị trường NFT và nhu cầu ứng dụng Web3. Thông qua Arweave, người dùng có thể thực hiện lưu trữ dữ liệu vĩnh viễn phi tập trung, giải quyết vấn đề lưu trữ dữ liệu dài hạn.
- Dự án AO tăng cường hơn nữa hệ sinh thái Arweave, cung cấp cho người dùng sức mạnh tính toán mạnh mẽ hơn và phạm vi kịch bản ứng dụng rộng hơn.
!
Trong trang này, chúng tôi so sánh hai dự án lưu trữ phi tập trung Arweave và Filecoin. Arweave sử dụng thanh toán một lần để lưu trữ vĩnh viễn, trong khi Filecoin sử dụng mô hình thanh toán hàng tháng và tập trung vào cung cấp dịch vụ lưu trữ linh hoạt. Cả hai đều có ưu điểm về kiến trúc công nghệ, quy mô kinh doanh và định vị thị trường, người dùng có thể chọn lựa theo nhu cầu cụ thể.
Sơ đồ ngành trí tuệ nhân tạo phi tập trung: Tầng năng lực tính toán
Layer sức mạnh tính toán: Khi độ phức tạp của mô hình AI tăng lên, nhu cầu về tài nguyên tính toán cũng gia tăng. Sự xuất hiện của mạng lưới sức mạnh tính toán phi trung tâm cung cấp một cách mới để cấu hình tài nguyên cho việc huấn luyện và suy luận mô hình AI.
!
!
Mạng máy tính phi tập trung (và các mạng máy tính chuyên dụng để đào tạo và suy luận) hiện là những lĩnh vực hoạt động tích cực nhất và phát triển nhanh nhất trên đường đua DeAI. Điều này phù hợp với các nhà cung cấp cơ sở hạ tầng trong thế giới thực nắm bắt được thành quả của chuỗi giá trị AI. Khi sự thiếu hụt tài nguyên máy tính như GPU tiếp tục, các nhà sản xuất thiết bị phần cứng có tài nguyên máy tính đã tham gia vào lĩnh vực này.
![]()
Aethir案例:
!
Mô hình kinh doanh: Thị trường hai bên thuê sức mạnh tính toán
Thị trường điện toán phi tập trung về cơ bản sử dụng công nghệ Web3 để mở rộng khái niệm điện toán lưới thành một môi trường không tin cậy, khuyến khích kinh tế. **Bằng cách khuyến khích các nhà cung cấp tài nguyên như CPU và GPU đóng góp sức mạnh tính toán nhàn rỗi cho mạng phi tập trung, một thị trường dịch vụ điện toán phi tập trung với một quy mô nhất định sẽ được hình thành; Nó cũng kết nối những người yêu cầu tài nguyên máy tính (chẳng hạn như các nhà cung cấp mô hình) để cung cấp cho họ các tài nguyên dịch vụ điện toán với chi phí thấp hơn và theo cách linh hoạt hơn. Thị trường điện toán phi tập trung cũng là một thách thức đối với các nhà cung cấp dịch vụ đám mây với độc quyền tập trung.
- Thị trường điện toán phi tập trung có thể được chia thành mục đích chung và chuyên dụng theo loại dịch vụ. Mạng điện toán đa năng hoạt động giống như một đám mây phi tập trung, cung cấp tài nguyên điện toán cho nhiều ứng dụng khác nhau. Mạng máy tính chuyên dụng là các mạng máy tính chuyên dụng được điều chỉnh cho phù hợp với các trường hợp sử dụng cụ thể. Ví dụ: Render Network là một mạng máy tính chuyên dụng tập trung vào việc kết xuất khối lượng công việc; Gensyn là một mạng máy tính được xây dựng có mục đích tập trung vào đào tạo mô hình ML; Trong khi đó, io.net là một ví dụ về mạng máy tính đa năng.
- Đối với DeAI, một thách thức quan trọng trong việc huấn luyện mô hình trên cơ sở hạ tầng phi tập trung là sức mạnh tính toán quy mô lớn, hạn chế băng thông và độ trễ cao do việc sử dụng phần cứng không đồng nhất từ các nhà cung cấp trên toàn cầu. Do đó, một mạng tính toán AI chuyên dụng có thể cung cấp các chức năng phù hợp hơn với AI so với mạng tính toán chung. Hiện nay, việc huấn luyện mô hình ML tập trung vẫn là dự án hiệu quả nhất và ổn định nhất, nhưng đòi hỏi vốn vô cùng cao từ phía các bên tham gia dự án.
Lời bạt
**Trí tuệ nhân tạo phi tập trung như một xu hướng công nghệ mới đang từng bước thể hiện lợi thế của nó trong quyền riêng tư dữ liệu, an ninh và hiệu quả chi phí. Trong bài viết tiếp theo, chúng tôi sẽ thảo luận về những rủi ro và thách thức mà trí tuệ nhân tạo phi tập trung đang đối mặt, cũng như hướng phát triển trong tương lai.
