• การตัดสินใจระหว่างปัญญาประดิษฐ์ (AI) และสกุลเงินดิจิทัลมีขอบเขตที่กว้าง แต่มักไม่เข้าใจอย่างถูกต้อง เราเชื่อว่าส่วนต่าง ๆ ของการตัดสินใจนี้มีโอกาสและกำหนดเวลาการพัฒนาที่แตกต่างกัน
• เรามักเชื่อว่าสำหรับผลิตภัณฑ์ AI การกระจายอำนาจเพียงอย่างเดียวไม่เพียงพอที่จะนำความได้เปรียบทางการแข่งขัน - มันต้องเพียงพอที่จะบรรลุความเท่าเทียมทางฟังก์ชันกับผลิตภัณฑ์ที่มีการควบคุมแบบส่วนกลางในบางพื้นที่สำคัญอื่น ๆ ด้วย
• มุมมองที่ขัดแย้งของเราคือ ด้วยความสนใจทั่วไปในวงการ AI ค่าศักยภาพของเหรียญ AI หลายเหรียญอาจจะโด่งดังเกินไป และหลายเหรียญ AI อาจขาดคนซื้อด้วยความต้องการที่ยั่งยืนในระยะสั้นถึงกลางระยะ

ในปีสุดท้าย มีความก้าวหน้าต่อเนื่องในศักยภาพปัจจุบันของปัญญาประดิษฐ์โดยเฉพาะในสาขาของปัญญาประดิษฐ์สร้าง มันได้ดึงดูดความสนใจอย่างมากในวงการปัญญาประดิษฐ์และให้โอกาสทางการเงินสำหรับโครงการคริปโตที่ตั้งอยู่ระหว่างสองของมัน เราเคยพูดถึงบางความเป็นไปได้สำหรับกลุ่มภาคเอกชนในรายงานต้นแถวในเดือนมิถุนายน 2023 โดยระบุว่าการจัดสรรทุนโดยรวมในสกุลเงินดิจิตอลดูเหมือนจะลงทุนในการปัญญาประดิษฐ์ สาขาของคริปโต AI ได้เติบโตอย่างมากตั้งแต่นั้น และเรารู้สึกว่ามันสำคัญที่จะชี้แจงบางความท้าทายทางปฏิบัติที่อาจจะมีอุปสรรคในการนำมันไปใช้ได้อย่างแพร่หลาย

การเปลี่ยนแปลงอย่างรวดเร็วใน AI ทำให้เราระวังเรื่องการอ้างอิงว่าแพลตฟอร์มที่มุ่งเน้นทางคริปโตมีตำแหน่งที่เฉพาะเจาะจงที่จะทำให้วงศ์ศึกษาได้ ส่วนนี้ทำใให้เราเชื่อว่าเหรียญ AI ส่วนมากจะมีเส้นทางการประเมินค่าที่ยาวนานและมีค่าต่อเนื่อง ถนนนี้เต็มไปด้วยความไม่แน่นอนโดยเฉพาะสำหรับโปรเจคที่มีแบบจำลองเศรษฐกิจโทเคนที่แน่นอน แทนที่เราเชื่อว่ามีแนวโน้มที่เกิดขึ้นใหม่ใน AI อาจทำให้นวัตกรรมที่มุ่งเน้นที่คริปโตเงียบ ยากต่อการนำเข้า ลงทะเบียนทางตลาดและกฎระเบียบที่กว้างขวาง

นั่นก็คือ เราเชื่อว่าจุดที่อยู่ระหว่าง AI และสกุลเงินดิจิตอลมีขอบเขตที่กว้าง และมีโอกาสหลากหลาย โดยการนำมาใช้น่าจะเร็วขึ้นในบางส่วนยิ่งกว่า แม้ว่ายังขาดทุนทรัพย์ที่ตลาดตลาดได้มากมายในหลายพื้นที่เหล่านี้ แต่นั่นไม่ได้ทำให้ความสนใจของนักลงทุนลดลง พวกเราพบว่าผลการดำเนินการของโทเคนที่เกี่ยวข้องกับ AI ได้รับการสนับสนุนจากข่าวสารตลาด AI และสามารถมีผลกระทบที่ดีต่อราคา แม้ว่าวันที่ Bitcoin กำลังซื้อขายต่ำลง ดังนั้น เราเชื่อว่าโทเคนที่เกี่ยวข้องกับ AI หลายรายยังสามารถที่จะดำเนินการซื้อขายต่อเป็นตัวแทนของความคืบหน้าของ AI

แนวโน้มสำคัญในปัญญาประดิษฐ์

หนึ่งในแนวโน้มที่สำคัญที่สุดในด้านปัญญาประดิษฐ์ (เกี่ยวกับผลิตภัณฑ์คริปโต-AI) คือวัฒนธรรมที่ไม่มีที่สิ้นสุดเกี่ยวกับโมเดลโอเพ่นซอร์ส มากกว่า 530,000 โมเดลถูกเปิดเผยบน Hugging Face สำหรับนักวิจัยและผู้ใช้เพื่อปรับแต่งและปรับปรุง บทบาทของ Hugging Face ในการทำงานร่วมกับปัญญาประดิษฐ์ไม่ได้ต่างจากการพึ่งพา GitHub สำหรับโฮสติ้งโค้ดหรือ Discord สำหรับการบริหารชุมชน (ทั้งสองในช่องว่างคริปโต) ยกเว้นการจัดการอย่างร้ายแรง สถานการณ์นี้ไม่น่าจะเปลี่ยนแปลงในอนาคตใกล้ๆ

โมเดลที่มีอยู่ใน Hugging Face มีตั้งแต่โมเดลภาษาขนาดใหญ่ (LLMs) ไปจนถึงโมเดลภาพและวิดีโอเชิงสร้างสรรค์ และรวมถึงการสร้างสรรค์จากผู้เล่นในอุตสาหกรรมรายใหญ่ เช่น Open AI, Meta และ Google รวมถึงนักพัฒนาอิสระ โมเดลภาษาโอเพนซอร์สบางรุ่นมีข้อได้เปรียบด้านประสิทธิภาพเหนือโมเดลแบบปิดที่ล้ําสมัยในแง่ของปริมาณงาน (ในขณะที่ยังคงรักษาคุณภาพเอาต์พุตที่เทียบเคียงได้) เพื่อให้มั่นใจถึงระดับการแข่งขันระหว่างโอเพ่นซอร์สและโมเดลเชิงพาณิชย์ (ดูรูปที่ 1) ที่สําคัญเราเชื่อว่าระบบนิเวศโอเพ่นซอร์สที่มีชีวิตชีวานี้รวมกับภาคการค้าที่มีการแข่งขันสูงทําให้อุตสาหกรรมที่โมเดลที่ไม่ดีถูกขับออกจากการแข่งขัน

แนวโน้มที่สองคือคุณภาพที่เพิ่มขึ้นและความคุ้มค่าของโมเดลขนาดเล็ก (เน้นในการวิจัย LLM ในปี 2020 และในเอกสารล่าสุดจาก Microsoft) ซึ่งสอดคล้องกับวัฒนธรรมโอเพ่นซอร์สเพื่อเปิดใช้งานประสิทธิภาพระดับไฮเอนด์โดยใช้โมเดล AI ในท้องถิ่น โมเดลโอเพ่นซอร์สที่ปรับแต่งมาอย่างดีบางรุ่นสามารถทํางานได้ดีกว่าโมเดลแหล่งปิดชั้นนําในเกณฑ์มาตรฐานบางอย่าง ในโลกเช่นนี้โมเดล AI บางตัวสามารถเรียกใช้ในพื้นที่เพื่อเพิ่มการกระจายอํานาจสูงสุด แน่นอนว่าบริษัทเทคโนโลยีที่ดํารงตําแหน่งจะยังคงฝึกอบรมและใช้งานโมเดลขนาดใหญ่บนคลาวด์ต่อไป แต่พื้นที่การออกแบบระหว่างทั้งสองจะต้องมีการแลกเปลี่ยน

นอกจากนี้เนื่องจากความซับซ้อนที่เพิ่มขึ้นของงานเปรียบเทียบโมเดล AI (รวมถึงการปนเปื้อนข้อมูลและขอบเขตการทดสอบที่แตกต่างกัน) การสร้างผลลัพธ์โมเดลอาจจะถูกประเมินให้ดีที่สุดโดยผู้ใช้สุดท้ายในตลาดเสรี ในทางปฏิบัติผู้ใช้สุดท้ายสามารถใช้เครื่องมือที่มีอยู่เพื่อเปรียบเทียบผลลัพธ์โมเดลข้างกันข้างกับบริษัทเบนช์มาร์คที่ทำการดำเนินงานเดียวกัน ความยากลำบากของการทดสอบ AI ที่สร้างผลลัพธ์สามารถทำให้ได้ความเข้าใจโดยลองแบบลายธรรมของการทดสอบ LLM ที่เปิดให้บริการมากขึ้น ซึ่งรวมถึง MMLU, HellaSwag, TriviaQA, BoolQ, เป็นต้น ทุกอย่างทดสอบกรณีการใช้งานที่แตกต่างกัน เช่น การคิดอย่างมีเหตุผลทั่วไป, หัวข้อทางวิชาการ, และรูปแบบคำถามต่าง ๆ

แนวโน้มที่สามที่เราสังเกตเห็นในพื้นที่ AI คือ แพลตฟอร์มที่มีความติดทนของผู้ใช้สูงหรือแก้ปัญหาธุรกิจที่เฉพาะเจาะจงสามารถได้รับประโยชน์อย่างไม่สมเหตุสมผลจากการรวม AI เช่น ตัวอย่างเช่น การรวม GitHub Copilot กับตัวแก้ไขรหัสเพิ่มขึ้นในสภาพแวดล้อมนักพัฒนาที่มีพลังงานมากอยู่แล้ว การฝังอินเตอร์เฟซ AI เข้าไปในเครื่องมืออื่น ๆ ตั้งแต่ไคลเอนต์อีเมลไปจนถึงสเปรดชีตและซอฟต์แวร์การจัดการความสัมพันธ์กับลูกค้าเป็นกรณีการใช้งานที่เป็นธรรมชาติสำหรับ AI (ตัวอย่างเช่น ผู้ช่วย AI ของ Klarna ทำงานแทนพนักงานบริการลูกค้าเต็มเวลา 700 คน)

แต่ควรทำความเข้าใจว่าในสถานการณ์หลายรายการเหล่านี้ AI models จะไม่นำพาไปสู่แพลตฟอร์มใหม่ แต่จะเพิ่มประสิทธิภาพให้กับแพลตฟอร์มที่มีอยู่อย่างเท่านั้น AI models อื่น ๆ ที่ปรับปรุงกระบวนการธุรกิจที่เป็นแบบดั้งเดิมภายใน (เช่น ระบบ Lattice ของ Meta ซึ่งช่วยเรียกคืนประสิทธิภาพโฆษณาของ Apple กลับมาสู่ระดับเดิมหลังจากเปิดตัว App Tracking Transparency) ยังคงพึ่งข้อมูลลิขสิทธิ์และระบบปิด ๆ อย่างมาก เช่นเดียวกับ AI models ประเภทเหล่านี้จะยังคงเป็น open source เพราะว่าพวกเขาถูกผนวกรวมไว้ในผลิตภัณฑ์หลักและใช้ข้อมูลลิขสิทธิ์

ในโลกของฮาร์ดแวร์และคอมพิวเตอร์ AI เราเห็นแนวโน้มที่เกี่ยวข้องอีกสองอย่าง ประการแรกคือการเปลี่ยนการใช้คอมพิวเตอร์จากการฝึกอบรมเป็นการอนุมาน นั่นคือเมื่อโมเดลปัญญาประดิษฐ์ได้รับการพัฒนาครั้งแรกทรัพยากรการประมวลผลจํานวนมหาศาลจะถูกใช้เพื่อ "ฝึก" โมเดลโดยการป้อนชุดข้อมูลขนาดใหญ่ ตอนนี้เราได้ย้ายไปปรับใช้และสอบถามโมเดลแล้ว

การคุยกำไรของ NVIDIA ในเดือนกุมภาพันธ์ 2024 แสดงให้เห็นว่าประมาณ 40% ของธุรกิจของพวกเขาถูกใช้สำหรับการอุปนัย ซัตยา นาเดลล่าก็ได้กล่าวถึงเรื่องเดียวกันในการคุยกำไรของ Microsoft เดือนก่อนเดือนมกราคม โดยระบุว่า “ส่วนใหญ่” ของการใช้งาน Azure AI ของพวกเขาเป็นเพื่อการคิด ภายใน ขณะที่แนวโน้มนี้ยังคงดำเนินไป เราเชื่อว่าองค์กรที่ต้องการทำกำไรจากโมเดลจะให้ความสำคัญกับแพลตฟอร์มที่สามารถทำงานกับโมเดลได้อย่างเชื่อถือได้ในลักษณะที่ปลอดภัยและพร้อมสำหรับการใช้งานในการผลิต

แนวโน้มหลักที่สองคือภูมิทัศน์การแข่งขันรอบสถาปัตยกรรมฮาร์ดแวร์ โปรเซสเซอร์ H200 ของ Nvidia จะวางจําหน่ายในไตรมาสที่สองของปี 2024 โดย B100 รุ่นต่อไปคาดว่าจะมีประสิทธิภาพเพิ่มขึ้นเป็นสองเท่า นอกจากนี้ การสนับสนุนอย่างต่อเนื่องของ Google สําหรับหน่วยประมวลผล Tensor (TPU) ของตนเองและหน่วยประมวลผลภาษา (LPU) รุ่นใหม่ของ Groq อาจเพิ่มส่วนแบ่งการตลาดเป็นทางเลือกในพื้นที่นี้ในอีกไม่กี่ปีข้างหน้า (ดูรูปที่ 2) การพัฒนาดังกล่าวสามารถเปลี่ยนแปลงการเปลี่ยนแปลงต้นทุนในอุตสาหกรรมปัญญาประดิษฐ์และอาจเป็นประโยชน์ต่อผู้ให้บริการคลาวด์ทําให้พวกเขาสามารถหมุนซื้อฮาร์ดแวร์จํานวนมากได้อย่างรวดเร็วและกําหนดค่าข้อกําหนดเครือข่ายทางกายภาพและเครื่องมือสําหรับนักพัฒนาที่เกี่ยวข้อง

โดยรวมแล้วสาขาปัญญาประดิษฐ์เป็นสาขาที่เกิดขึ้นใหม่และพัฒนาอย่างรวดเร็ว น้อยกว่า 1.5 ปีหลังจากที่ ChatGPT เปิดตัวสู่ตลาดครั้งแรกในเดือนพฤศจิกายน 2022 (แม้ว่ารุ่น GPT 3 พื้นฐานจะมีมาตั้งแต่เดือนมิถุนายน 2020) การเติบโตอย่างรวดเร็วในพื้นที่ตั้งแต่นั้นมาก็น่าประหลาดใจ แม้จะมีพฤติกรรมที่น่าสงสัยเกี่ยวกับอคติที่อยู่เบื้องหลังโมเดล AI เชิงกําเนิดบางรุ่น แต่เราอาจเห็นโมเดลที่มีประสิทธิภาพต่ํากว่าถูกเลิกใช้โดยตลาดเพื่อสนับสนุนทางเลือกที่ดีกว่า การเติบโตอย่างรวดเร็วของอุตสาหกรรมและศักยภาพของกฎระเบียบที่จะเกิดขึ้นหมายความว่าปัญหาของอุตสาหกรรมมีการเปลี่ยนแปลงเป็นประจําเมื่อมีโซลูชันใหม่ ๆ

สําหรับสาขาที่สร้างสรรค์อย่างรวดเร็วเช่นนี้ "โซลูชันการกระจายอํานาจ [XXX]" ที่ได้รับการขนานนามว่าเป็นข้อสรุปล่วงหน้านั้นเกิดขึ้นก่อนวัยอันควร นอกจากนี้ยังแก้ปัญหาการรวมศูนย์ที่อาจไม่จําเป็นต้องมีอยู่จริง ความจริงก็คืออุตสาหกรรม AI ประสบความสําเร็จอย่างมากในการกระจายอํานาจในด้านเทคโนโลยีและธุรกิจผ่านการแข่งขันระหว่าง บริษัท ต่างๆและโครงการโอเพ่นซอร์ส นอกจากนี้เนื่องจากลักษณะของกระบวนการตัดสินใจและฉันทามติโปรโตคอลแบบกระจายอํานาจจึงก้าวหน้าช้ากว่าโปรโตคอลแบบรวมศูนย์ทั้งในระดับเทคนิคและสังคม สิ่งนี้อาจสร้างอุปสรรคในการแสวงหาความสมดุลระหว่างการกระจายอํานาจและผลิตภัณฑ์ที่สามารถแข่งขันได้ในขั้นตอนของการพัฒนา AI นี้ กล่าวอีกนัยหนึ่งมีการทํางานร่วมกันระหว่างสกุลเงินดิจิทัลและปัญญาประดิษฐ์ที่สามารถรับรู้ได้อย่างมีความหมายในช่วงเวลาที่ยาวนาน

Scope โอกาส

โดยทั่วไปแล้ว เราแบ่งส่วนที่ขั้นตอนการตัดสินใจของปั intersection ระหว่างปัญญาประดิษฐ์ และคริปโตเงินด้วยกันออกเป็นสองหมวดหลัก หมวดแรกคือกรณีการใช้ที่ผลิตภัณฑ์ AI ปรับปรุงอุตสาหกรรมคริปโต ซึ่งรวมถึงสถานการณ์ต่าง ๆ เช่น การสร้างธุรกรรมที่สามารถอ่านได้โดยมนุษย์และปรับปรุงการวิเคราะห์ข้อมูลบล็อกเชน ถึงการใช้ผลลัพธ์แบบ on-chain เป็นส่วนหนึ่งของโปรโตคอลที่ไม่จำกัด หมวดที่สองคือกรณีการใช้ที่สกุลเงินดิจิทัลมีเป้าหมายที่จะทำให้กระบวนการปัจจุบันของ AI เป็นจมลิการผ่านการคำนวณการตรวจสอบ การรับรองตัวตน เป็นต้น

กรณีการใช้งานสําหรับหมวดหมู่เดิมของสถานการณ์ที่เกี่ยวข้องกับธุรกิจมีความชัดเจนและเราเชื่อว่าในขณะที่ความท้าทายทางเทคนิคที่สําคัญยังคงอยู่ แต่ยังมีโอกาสระยะยาวในสถานการณ์แบบจําลองการอนุมานแบบ on-chain ที่ซับซ้อนมากขึ้น โมเดล AI แบบรวมศูนย์สามารถปรับปรุง cryptocurrencies ได้เช่นเดียวกับอุตสาหกรรมที่เน้นเทคโนโลยีอื่น ๆ ตั้งแต่การปรับปรุงเครื่องมือสําหรับนักพัฒนาและการตรวจสอบโค้ดไปจนถึงการแปลภาษามนุษย์เป็นการดําเนินการแบบ on-chain แต่การลงทุนในพื้นที่นี้มักจะไหลเข้าสู่ บริษัท เอกชนผ่านการร่วมทุนดังนั้นจึงมักถูกละเลยโดยตลาดสาธารณะ

อย่างไรก็ตาม ผลกระทบและประโยชน์ของวิธีที่ crypto สามารถขัดขวางไปป์ไลน์ AI ที่มีอยู่นั้นไม่แน่นอนสําหรับเรา ความยากลําบากในประเภทหลังไม่ได้เป็นเพียงความท้าทายทางเทคนิค (ซึ่งเราเชื่อว่าโดยทั่วไปสามารถแก้ไขได้ในระยะยาว) แต่ยังต่อสู้กับตลาดและกฎระเบียบที่กว้างขึ้น ความสนใจล่าสุดเกี่ยวกับปัญญาประดิษฐ์และสกุลเงินดิจิทัลส่วนใหญ่มุ่งเน้นไปที่หมวดหมู่นี้เนื่องจากกรณีการใช้งานเหล่านี้เหมาะสําหรับการเป็นเจ้าของโทเค็นสภาพคล่อง นี่คือจุดสนใจของส่วนถัดไปของเรา เนื่องจากปัจจุบันมีโทเค็นสภาพคล่องค่อนข้างน้อยที่เกี่ยวข้องกับเครื่องมือ AI แบบรวมศูนย์ในสกุลเงินดิจิทัล

บทบาทของสกุลเงินดิจิทัลในกระบวนการประมวลผลปัจจุบัน

ในขณะที่มีความเสี่ยงที่จะทำให้เรื่องง่ายเกินไป เราพิจารณาผลกระทบที่เป็นไปได้ของสกุลเงินดิจิทัลต่อ AI ในสี่ขั้นตอนหลักของกระบวนการ AI

1. การเก็บข้อมูล จัดเก็บ และประมวลผลข้อมูล

2. การฝึกโมเดลและการสรุปผล

3. การตรวจสอบผลลัพธ์ของโมเดล

4. ติดตามผลลัพธ์ของโมเดลปัญญาประดิษฐ์

โครงการ AI ที่เกิดขึ้นใหม่ ๆ ในพื้นที่เหล่านี้มีจำนวนมาก อย่างไรก็ตาม จำนวนมากจะเผชิญกับความท้าทายอย่างจริงจังในระยะเวลาสั้นถึงกลางความต้องการและการแข่งขันอย่างดุเดือดจากบริษัทที่มีศูนย์กลางและโซลูชันโอเพ่นซอร์ส

ข้อมูลที่เป็นเจ้าของ

ข้อมูลเป็นพื้นฐานของโมเดล AI ทั้งหมดและสามารถเป็นปัจจัยที่แตกต่างในประสิทธิภาพของโมเดล AI ในด้านวิชาชีพ ข้อมูลบล็อกเชนทางประวัติเป็นแหล่งข้อมูลที่ร่ำรวยใหม่สำหรับโมเดล และบางโครงการเช่น Grass ยังมีเป้าหมายในการใช้เครื่องของคริปโตเพื่อสร้างชุดข้อมูลใหม่จากอินเทอร์เน็ตโอเพ่น ในที่นี้คริปโตมีโอกาสในการให้ข้อมูลที่เฉพาะเจาะจงสำหรับอุตสาหกรรมและสร้างสติมูลชุดข้อมูลคุณค่าใหม่ (เราคิดว่าข้อตกลงใบอนุญาตข้อมูลรายปี $60 ล้านของ Reddit กับ Google ให้ความดีต่ออนาคตของการพาเข้าตลาดข้อมูล)

โมเดลเริ่มต้นหลายรุ่น (เช่น GPT 3) ใช้ผสมของชุดข้อมูลเปิดเช่น CommonCrawl, WebText2, Books, และ Wikipedia, รวมทั้งชุดข้อมูลที่คล้ายกันที่มีอยู่ใน Hugging Face อย่างอิสระ (โดยในปัจจุบันมีมากกว่า 110,000 ตัวเลือก) อย่างไรก็ตาม, อาจจะเพื่อป้องกันผลประโยชน์ทางพาณิชย์, โมเดลที่ปิดโค้งล่าสุดหลายตัวยังไม่ได้เปิดเผยชุดข้อมูลการฝึกสุดท้ายของพวกเขา. แนวโน้มของชุดข้อมูลที่เป็นเอกสิทธิ์, โดยเฉพาะในโมเดลธุรกิจ, จะยังคงต่อและเพิ่มความสำคัญของการอนุญาตให้ใช้ข้อมูล

ตลาดข้อมูลแบบรวมศูนย์ที่มีอยู่กําลังช่วยลดช่องว่างระหว่างผู้ให้บริการข้อมูลและผู้บริโภคออกจากพื้นที่โอกาสสําหรับโซลูชันตลาดข้อมูลแบบกระจายอํานาจใหม่ที่คั่นกลางระหว่างแคตตาล็อกข้อมูลโอเพนซอร์สและคู่แข่งขององค์กร หากไม่มีการสนับสนุนโครงสร้างทางกฎหมายตลาดข้อมูลแบบกระจายอํานาจอย่างหมดจดจะต้องสร้างอินเทอร์เฟซข้อมูลและไปป์ไลน์ที่เป็นมาตรฐานตรวจสอบความสมบูรณ์ของข้อมูลและการกําหนดค่าและแก้ปัญหาการเริ่มต้นที่เย็นชาของผลิตภัณฑ์ในขณะที่สร้างสมดุลระหว่างแรงจูงใจโทเค็นระหว่างผู้เข้าร่วมตลาด

นอกจากนี้ โซลูชันการจัดเก็บข้อมูลแบบกระจายอาจพบที่อุตสาหกรรมปัญญาประดิษฐ์ในที่สุด แม้ว่าจะมีความท้าทายมากมายในเชิงนี้ จากทางหนึ่งท่อไปร่องข้อมูลออเพนซอร์สมีอยู่แล้วและได้รับการใช้งานอย่างแพร่หลาย จากทางอีกด้าน ผู้ถือครองชุดข้อมูลพิเศษมีข้อกำหนดความปลอดภัยและความเป็นไปตามข้อกำหนดอย่างเข้มงวด

ในปัจจุบันยังไม่มีเส้นทางกฎหมายสำหรับการโฮสต์ข้อมูลที่ละเอียดอ่อนบนแพลตฟอร์มการเก็บรักษาข้อมูลแบบกระจายเช่น Filecoin และ Arweave มีองค์กรหลายแห่งที่ยังคงอยู่ในขั้นตอนการเปลี่ยนจากเซิร์ฟเวอร์ภายในสู่ผู้ให้บริการเก็บรักษาข้อมูลในคลาวด์ที่มีการจัดกลุ่มกลาง อย่างเพิ่มเติม ลักษณะที่กระจายของเครือข่ายเหล่านี้ยังไม่ตรงกับความต้องการเรื่องตำแหน่งทางภูมิศาสตร์และความเพียงพอของข้อมูลทางกายภาพสำหรับการเก็บข้อมูลที่ละเอียดอ่อนในระดับเทคนิค

ในขณะที่การเปรียบเทียบราคาระหว่างโซลูชันการจัดเก็บข้อมูลแบบกระจายอํานาจและผู้ให้บริการระบบคลาวด์ที่จัดตั้งขึ้นแนะนําว่าหน่วยเก็บข้อมูลแบบกระจายอํานาจมีราคาถูกกว่าต่อหน่วย ประการแรกค่าใช้จ่ายล่วงหน้าที่เกี่ยวข้องกับระบบการโยกย้ายระหว่างผู้ให้บริการจะต้องได้รับการพิจารณานอกเหนือจากค่าใช้จ่ายในการดําเนินงานในแต่ละวัน ประการที่สองแพลตฟอร์มการจัดเก็บข้อมูลแบบกระจายอํานาจที่ใช้ crypto จําเป็นต้องจับคู่เครื่องมือและการผสานรวมกับระบบคลาวด์ที่พัฒนาขึ้นในช่วงสองทศวรรษที่ผ่านมา โซลูชันคลาวด์ยังมีต้นทุนที่คาดการณ์ได้มากขึ้นจากมุมมองการดําเนินธุรกิจเสนอภาระผูกพันตามสัญญาและทีมสนับสนุนเฉพาะและมีกลุ่มนักพัฒนาที่มีความสามารถมากมาย

ควรทราบว่าการเปรียบเทียบแบบพอเพียงกับผู้ให้บริการคลาวด์สามยอดนั้น (Amazon Web Services, Google Cloud Platform, และ Microsoft Azure) ยังไม่สมบูรณ์ ยังมีบริษัทคลาวด์ราคาถูกที่กำลังแข่งขันเพื่อความสนใจในตลาดด้วยการเสนอราคาที่ถูกกว่าเซิร์ฟเวอร์พื้นฐาน เราเชื่อว่าพวกเขาคือคู่แข่งหลักที่สำคัญจริงในระยะเวลาใกล้ชิดสำหรับผู้บริโภคที่สนใจราคา

กล่าวอีกอย่างคือนวัตกรรมล่าสุด เช่น การคำนวณข้อมูลของ Filecoin และสภาพแวดล้อมการคำนวณ AO ของ Arweave อาจมีบทบาทในโครงการที่พึงพอใจที่ใช้ชุดข้อมูลที่ไม่ไว้วางใจมาก หรือสำหรับบริษัทที่ยังไม่ไว้วางใจในการผู้ผลิตที่ไว้วางใจ (อาจจะมีขนาดเล็ก) ที่จะเกิดขึ้นเร็ว ๆ นี้

ดังนั้น ในขณะเดียวกัน ในพื้นที่ข้อมูลมีที่ว่างแน่นอนสำหรับผลิตภัณฑ์ทางคริปโตใหม่ การขัดขวางเทคโนโลยีล่าสุดจะเกิดขึ้นที่พวกเขาสามารถสร้างมูลค่าเสนอราคาที่เป็นเอกลักษณ์ได้ พื้นที่ที่ผลิตภัณฑ์แบบไม่มีศูนย์กลางแข่งขันอย่างตรงกับคู่แข่งแบบเดิมและโอเพ่นซอร์สจะใช้เวลามากกว่าในการก้าวหน้า

การฝึกและการสรุปโมเดล

สาขาการประมวลผลแบบกระจายอํานาจ (DeComp) ในอุตสาหกรรม crypto ยังมีจุดมุ่งหมายเพื่อใช้เป็นทางเลือกแทนการประมวลผลแบบคลาวด์แบบรวมศูนย์ซึ่งส่วนหนึ่งเกิดจากการขาดแคลนอุปทาน GPU ที่มีอยู่ ทางออกหนึ่งที่เสนอเพื่อแก้ไขปัญหาการขาดแคลนนี้คือการนําทรัพยากรการประมวลผลที่ไม่ได้ใช้งานกลับมาใช้ใหม่ภายในเครือข่ายรวมซึ่งจะช่วยลดต้นทุนสําหรับผู้ให้บริการคลาวด์แบบรวมศูนย์ โปรโตคอลเช่น Akash และ Render ได้ใช้โซลูชันที่คล้ายกัน ตัวชี้วัดเบื้องต้นชี้ให้เห็นว่าโครงการดังกล่าวมีการใช้งานเพิ่มขึ้นจากทั้งผู้ใช้และซัพพลายเออร์ ตัวอย่างเช่นสัญญาเช่าที่ใช้งานอยู่ของ Akash (เช่นจํานวนผู้ใช้) เพิ่มขึ้นสามเท่าจากปีจนถึงปัจจุบัน (ดูรูปที่ 3) ส่วนใหญ่เกิดจากการใช้ทรัพยากรการจัดเก็บและการประมวลผลที่เพิ่มขึ้น

อย่างไรก็ตามค่าธรรมเนียมที่จ่ายให้กับเครือข่ายได้ลดลงจริง ๆ ตั้งแต่จุดสูงสุดในเดือนธันวาคม 2023 เนื่องจากอุปทานของ GPU ที่มีอยู่แซงหน้าความต้องการทรัพยากรเหล่านี้ที่เพิ่มขึ้น ที่กล่าวว่าเมื่อมีผู้ให้บริการเข้าร่วมเครือข่ายมากขึ้นจํานวน GPU ที่เช่า (ซึ่งดูเหมือนจะเป็นตัวขับเคลื่อนรายได้ที่ใหญ่ที่สุดตามสัดส่วน) ก็ลดลง (ดูรูปที่ 4) สําหรับเครือข่ายที่การกําหนดราคาเชิงคํานวณสามารถเปลี่ยนแปลงได้ตามการเปลี่ยนแปลงของอุปสงค์และอุปทาน ยังไม่ชัดเจนว่าอุปสงค์ที่ขับเคลื่อนด้วยการใช้งานที่ยั่งยืนสําหรับโทเค็นดั้งเดิมจะเกิดขึ้นเมื่อใดหากการเติบโตด้านอุปทานสูงกว่าการเติบโตด้านอุปสงค์ แม้ว่าผลกระทบระยะยาวของการเปลี่ยนแปลงดังกล่าวจะไม่ชัดเจน แต่รูปแบบเศรษฐกิจโทเค็นดังกล่าวอาจต้องได้รับการตรวจสอบในอนาคตเพื่อเพิ่มประสิทธิภาพสําหรับการเปลี่ยนแปลงของตลาด

ในเชิงเทคนิค โซลูชันการคำนวณที่มีลักษณะแบบกระจายก็เผชิญกับความท้าทายจากข้อจำกัดของแบนด์วิดท์ของเครือข่ายด้วย สำหรับโมเดลขนาดใหญ่ที่ต้องการการฝึกอบรมแบบหลายโหนด ชั้นโครงสร้างพื้นฐานของเครือข่ายทางกายภาพมีบทบาทสำคัญ ความเร็วในการถ่ายโอนข้อมูล ภาระงานการซิงโครไนเซชัน และการสนับสนุนสำหรับอัลกอริทึมการฝึกอบรมแบบกระจายที่บางแบบ หมายความว่า การกำหนดค่าของเครือข่ายเฉพาะและการสื่อสารของเครือข่ายที่ปรับเปลี่ยน (เช่น InfiniBand) จำเป็นต้องใช้เพื่อให้สามารถสนับสนุนการดำเนินการอย่างมีประสิทธิภาพได้ เมื่อเกินขนาดของคลัสเตอร์บางรายการบางรายการ การปฏิบัติงานในลักษณะกระจายก็ยาก

สรุปมาแล้ว ความสำเร็จในระยะยาวของการคอมพิวเตอร์แบบกระจาย (และการจัดเก็บข้อมูล) จะเผชิญกับการแข่งขันรุนแรงจากผู้ให้บริการคลาวด์ที่ทำการกลาง การนำมาใช้จะเป็นกระบวนการในระยะยาวที่คล้ายกับกาลเวลาการนำมาใช้ของคลาวด์ โดยดูจากความซับซ้อนทางเทคโนโลยีที่เพิ่มขึ้นของการพัฒนาเครือข่ายแบบกระจาย ร่วมกับขาดขอบทีมพัฒนาและทีมขายที่สามารถขยายได้เช่นนั้น การเดินทางที่ท้าทายจะเกิดขึ้นในการเข้าใจอย่างเต็มที่ว่าการคอมพิวเตอร์แบบกระจาย

การตรวจสอบและเชื่อมั่นในโมเดล

เนื่องจากโมเดลปัญญาประดิษฐ์มีความสําคัญมากขึ้นในชีวิตประจําวันความกังวลเกี่ยวกับคุณภาพผลผลิตและอคติจึงเพิ่มขึ้น โครงการสกุลเงินดิจิทัลบางโครงการมีจุดมุ่งหมายเพื่อแก้ไขปัญหานี้โดยใช้ประโยชน์จากวิธีการอัลกอริทึมเพื่อประเมินผลลัพธ์ในหมวดหมู่ต่างๆโดยแสวงหาโซลูชันแบบกระจายอํานาจตามตลาด อย่างไรก็ตามความท้าทายเกี่ยวกับการเปรียบเทียบแบบจําลองพร้อมกับการแลกเปลี่ยนที่ชัดเจนระหว่างต้นทุนปริมาณงานและคุณภาพทําให้การเปรียบเทียบแบบตัวต่อตัวเป็นเรื่องที่ท้าทาย BitTensor เป็นหนึ่งใน cryptocurrencies ที่ใหญ่ที่สุดที่เน้น AI และมีจุดมุ่งหมายเพื่อแก้ไขปัญหานี้แม้ว่าความท้าทายทางเทคนิคที่โดดเด่นมากมายอาจขัดขวางการยอมรับอย่างกว้างขวาง (ดูภาคผนวก 1)

นอกจากนี้ การอนุมานโมเดลที่ไม่น่าเชื่อถือ (เช่น การพิสูจน์ว่าผลลัพธ์ของโมเดลถูกสร้างขึ้นโดยแบบจําลองที่อ้างสิทธิ์) เป็นอีกหนึ่งพื้นที่การวิจัยที่ใช้งานอยู่ในจุดตัดของสกุลเงินดิจิทัลและ AI อย่างไรก็ตามเนื่องจากขนาดของโมเดลโอเพ่นซอร์สหดตัวลงโซลูชันดังกล่าวอาจเผชิญกับความท้าทายในความต้องการ ในโลกที่สามารถดาวน์โหลดและเรียกใช้โมเดลในเครื่องและสามารถตรวจสอบความสมบูรณ์ของเนื้อหาได้ด้วยวิธีแฮช / เช็คซัมไฟล์ที่มีประสิทธิภาพบทบาทของการอนุมานที่ไม่น่าเชื่อถือนั้นไม่ชัดเจน อันที่จริงโมเดลภาษาขนาดใหญ่ (LLMs) จํานวนมากยังคงไม่สามารถฝึกและใช้งานบนอุปกรณ์ที่มีน้ําหนักเบาเช่นสมาร์ทโฟนได้ แต่คอมพิวเตอร์เดสก์ท็อปที่ทรงพลัง (เช่นที่ใช้สําหรับการเล่นเกมระดับไฮเอนด์) สามารถเรียกใช้รุ่นประสิทธิภาพสูงได้หลายรุ่นแล้ว

เอกสารที่ยืนยันและตราสาร

เนื่องจากผลลัพธ์จาก AI ที่สร้างขึ้นกำลังมีลักษณะที่เหมือนมนุษย์มากขึ้น ความสำคัญของการระบุและติดตามสิ่งที่ AI สร้างกำลังมองหามากขึ้น GPT 4 ผ่านการทดสอบตูริง 3 ครั้งเร็วกว่า GPT 3.5 และมันเกือบจะหลีกเลี่ยงไม่ได้ว่าเราคงจะไม่สามารถบอกความแตกต่างระหว่างหุ่นยนต์และมนุษย์ในหนึ่งวันหนึ่ง ในโลกแบบนั้นการกำหนดตัวตนของผู้ใช้ออนไลน์และการลายน้ำเนื้อหาที่สร้างขึ้นโดย AI จะเป็นความสามารถที่สำคัญ

ตัวระบุที่ไม่มีการจัดกลุ่มและกลไกการยืนยันตัวตนเช่น Worldcoin มุ่งเน้นการแก้ปัญหาที่ผ่านมาในการระบุตัวบุคคลบนเชน ในทำนองเดียวกัน การเผยแพร่แฮชข้อมูลไปยังบล็อกเชนสามารถช่วยสร้างเครื่องหมายเวลาและการยืนยันแหล่งที่มาของเนื้อหา อย่างไรก็ตาม เหมือนกับการแก้ปัญหาบางส่วนที่กล่าวถึง เราเชื่อว่าจะต้องมีความสมดุลระหว่างความเป็นไปได้ของการใช้ทางเลือกที่ใช้เทคโนโลยีคริปโตและทางเลือกของการใช้เทคโนโลยีจากศูนย์กลาง

บางประเทศ เช่น จีน เชื่อมโยงข้อมูลประจําตัวออนไลน์กับฐานข้อมูลที่ควบคุมโดยรัฐบาล ในขณะที่ระดับของการรวมศูนย์ในส่วนอื่น ๆ ของโลกอาจไม่สูงเท่าพันธมิตรผู้ให้บริการ Know Your Customer (KYC) ยังสามารถนําเสนอโซลูชันการยืนยันตัวตนที่เป็นอิสระจากเทคโนโลยีบล็อกเชน (คล้ายกับหน่วยงานออกใบรับรองที่เชื่อถือได้ซึ่งสนับสนุนความปลอดภัยทางอินเทอร์เน็ตในปัจจุบัน) ขณะนี้กําลังดําเนินการวิจัยเกี่ยวกับลายน้ําปัญญาประดิษฐ์เพื่อฝังสัญญาณที่ซ่อนอยู่ในเอาต์พุตข้อความและรูปภาพเพื่อให้อัลกอริทึมสามารถตรวจจับได้ว่าเนื้อหาถูกสร้างขึ้นโดย AI หรือไม่ บริษัท AI ชั้นนําหลายแห่งรวมถึง Microsoft, Anthropic และ Amazon ได้ให้คํามั่นต่อสาธารณชนในการเพิ่มลายน้ําดังกล่าวลงในเนื้อหาที่สร้างขึ้น

นอกจากนี้ยังมีผู้ให้บริการเนื้อหาที่มีอยู่มากมายที่ได้รับมอบหมายให้บันทึกข้อมูลเมตาดาต้าอย่างเข้มงวดเพื่อตรงตามข้อกำหนดการปฏิบัติ ดังนั้นผู้ใช้บ่อยความสามารถของข้อมูลเมตาดาต้าที่เกี่ยวข้องกับโพสต์ในโซเชียลมีเดีย (แต่ไม่ไว้วางใจในภาพหน้าจอ), แม้ว่ามันจะถูกเก็บไว้ที่หลักทรัพย์ ควรระวังว่าการที่ข้อมูลที่เกี่ยวข้องกับคริปโตมีการเข้าถึงและการหาตัวตนจำเป็นต้องผสานกับแพลตฟอร์มผู้ใช้เพื่อให้ได้ผลสมบูรณ์ ดังนั้น ขณะที่การใช้เทคโนโลยีที่ใช้คริปโตในการพิสูจน์ตัวตนและการหาตัวตนเป็นไปได้ทางเทคนิค, เรายังเชื่อว่าการนำมาใช้ขึ้นอยู่กับความต้องการทางธุรกิจ, การปฏิบัติ และข้อกำหนดทางกฎหมาย

การซื้อขายเรื่อง AI

นับจากปัญหาที่กล่าวมาข้างต้น โทเค็น AI หลายรายได้แสดงผลงานที่ดีกว่า Bitcoin และ Ethereum ตั้งแต่ไตรมาสที่สี่ของปี 2023 รวมถึงหุ้น AI ชั้นนำอย่าง Nvidia และ Microsoft นี่เป็นเพราะว่าโทเคน AI มักได้ประโยชน์จากประสิทธิภาพที่แข็งแกร่งในตลาดคริปโตที่กว้างขวางและข่าวสารที่เกี่ยวข้องกับ AI (ดูภาคผนวก 2) ดังนั้น แม้กระทั่งราคาของ Bitcoin ลดลง ราคาของโทเคนที่เน้นไปที่ AI อาจเปลี่ยนแปลงขึ้นได้ ซึ่งสามารถนำไปสู่ความผันผวนที่เป็นทิศทางขึ้นระหว่างการลดลงของ Bitcoin ภาพที่ 5 แสดงการกระจายของโทเคน AI ในระหว่างการลดลงของ Bitcoin ในการซื้อขาย

โดยรวมแล้วยังขาดปัจจัยการสนับสนุนที่ยั่งยืนในระยะสั้นในเรื่องของ AI ในพื้นที่สกุลเงินดิจิทัล การขาดการคาดการณ์การนำมาใช้และการวัดมาตรการที่ชัดเจน ได้ทำให้มีการพูดถึงเป็นเรื่องขำๆ อย่างแพร่หลาย ซึ่งอาจจะไม่ยั่งยืนในระยะยาว ในที่สุด ราคาและประโยชน์จะรวมตัวกัน คำถามที่ยังไม่ได้ตีความคือ นานแค่ไหนและว่าประโยชน์จะเพิ่มขึ้นเพื่อตอบรับราคา หรือกลับกัน กล่าวถึงสิ่งที่กล่าวมานี้ การก่อสร้างตลาดสกุลเงินดิจิทัลและอุตสาหกรรม AI ที่กำลังพัฒนาอยู่อาจจะสนับสนุนเรื่องราวของสกุลเงินดิจิทัล AI ได้นาน

สรุป

บทบาทของสกุลเงินดิจิทัลใน AI ไม่ได้เป็นเพียงนามธรรม—แพลตฟอร์มแบบกระจายอํานาจใด ๆ แข่งขันกับทางเลือกแบบรวมศูนย์ที่มีอยู่และต้องได้รับการวิเคราะห์กับข้อกําหนดทางธุรกิจและกฎระเบียบที่กว้างขึ้น ดังนั้นการแทนที่ผู้ให้บริการแบบรวมศูนย์ด้วยผู้ให้บริการแบบ "กระจายอํานาจ" จึงไม่เพียงพอที่จะขับเคลื่อนความก้าวหน้าที่มีความหมาย โมเดล AI เชิงกําเนิดมีมานานหลายปีและยังคงรักษาระดับการกระจายอํานาจเนื่องจากการแข่งขันในตลาดและซอฟต์แวร์โอเพ่นซอร์ส

หัวข้อที่เกิดขึ้นประจําในรายงานนี้คือการยอมรับว่าแม้ว่าโซลูชันที่ใช้ crypto มักจะเป็นไปได้ในทางเทคนิค แต่พวกเขายังคงต้องการงานที่สําคัญเพื่อให้บรรลุฟังก์ชันการทํางานที่เทียบเท่ากับแพลตฟอร์มแบบรวมศูนย์มากขึ้นซึ่งไม่น่าจะหยุดนิ่งในการพัฒนาในอนาคต ในความเป็นจริงเนื่องจากกลไกฉันทามติการพัฒนาแบบรวมศูนย์มักจะดําเนินไปเร็วกว่าการพัฒนาแบบกระจายอํานาจซึ่งอาจก่อให้เกิดความท้าทายต่อสาขาเช่น AI ที่กําลังพัฒนาอย่างรวดเร็ว

ดังนั้น การตัดสินใจของ AI และสกุลเงินดิจิทัลยังอยู่ในช่วงเริ่มแรก และอาจมีการเปลี่ยนแปลงอย่างรวดเร็วในปีหน้าต่อไปกับการพัฒนาของ AI อย่างกว้างขวาง อนาคตของ AI แบบไม่มีศูนย์กลางยังไม่ได้รับการรับรอง ตามที่คิดไว้โดยหลายๆ คนในวงการคริปโต—แท้จริง อนาคตของวงการ AI เองยังคงไม่แน่นอนอย่างมาก ดังนั้น เราเชื่อว่าการเลือกที่เหมาะสมคือการนำทางด้วยความระมัดระวังในตลาดเช่นนี้ ลึกซึ้งลงไปในคำตอบที่ใช้เงินดิจิทัล และเข้าใจอย่างแท้จริงว่าจะให้ทางเลือกที่ดีกว่าหรือคว้าเรื่องราวการซื้อขายได้

ลิงก์บทความต้นฉบับ

คำแถลง:

1. บทความเรื่องนี้เริ่มต้นด้วยชื่อ “加密世界的AI海市蜃楼” ถูกทำซ้ำมาจาก [ theblockbeats]. ลิขสิทธิ์ทั้งหมดเป็นของผู้เขียนต้นฉบับ [David Han]. If you have any objection to the reprint, please contactGate Learnทีม ทีมจะดำเนินการเร็วที่สุด

2. ข้อปฏิเสธ: มุมมองและความเห็นที่แสดงในบทความนี้เพียงแต่แสดงถึงมุมมองส่วนตัวของผู้เขียนเท่านั้น และไม่ใช่ข้อเสนอแนะทางการลงทุนใด ๆ

3. การแปลบทความเป็นภาษาอื่น ๆ ถูกทำโดยทีม Gate Learn นอกจากการกล่าวถึงได้ทั้งหมดการคัดลอก การแจกจ่าย หรือการลอกเลียนบทความที่ถูกแปลนั้นถูกห้าม