บทนำ

การถือกําเนิดของบล็อกเชนสาธารณะเป็นหนึ่งในความก้าวหน้าที่ลึกซึ้งที่สุดในประวัติศาสตร์วิทยาการคอมพิวเตอร์ แต่การพัฒนาปัญญาประดิษฐ์จะมีผลกระทบอย่างลึกซึ้งต่อโลกของเรา หากเทคโนโลยีบล็อกเชนมีเทมเพลตใหม่สําหรับการชําระเงินธุรกรรมการจัดเก็บข้อมูลและการออกแบบระบบปัญญาประดิษฐ์คือการปฏิวัติในการคํานวณการวิเคราะห์และการส่งมอบเนื้อหา นวัตกรรมในทั้งสองอุตสาหกรรมกําลังปลดล็อกกรณีการใช้งานใหม่ที่สามารถเร่งการยอมรับทั้งสองอย่างในอีกไม่กี่ปีข้างหน้า รายงานนี้สํารวจการผสานรวมอย่างต่อเนื่องของ crypto และ AI โดยมุ่งเน้นไปที่กรณีการใช้งานใหม่ ๆ ที่พยายามลดช่องว่างระหว่างทั้งสองโดยใช้พลังของทั้งสองอย่าง โดยเฉพาะรายงานนี้ตรวจสอบโครงการที่พัฒนาโปรโตคอลการประมวลผลแบบกระจายอํานาจโครงสร้างพื้นฐานการเรียนรู้ของเครื่องที่ไม่มีความรู้ (zkML) และตัวแทน AI

Crypto ให้ AI ด้วยเลเยอร์การตั้งถิ่นฐานที่ไม่ได้รับอนุญาตไม่น่าเชื่อถือและประกอบได้ สิ่งนี้จะปลดล็อกกรณีการใช้งานเช่นการทําให้ฮาร์ดแวร์สามารถเข้าถึงได้มากขึ้นผ่านระบบประมวลผลแบบกระจายอํานาจการสร้างตัวแทน AI ที่สามารถดําเนินงานที่ซับซ้อนซึ่งต้องการการแลกเปลี่ยนมูลค่าและการพัฒนาโซลูชันข้อมูลประจําตัวและที่มาเพื่อต่อสู้กับการโจมตีของ Sybil และการปลอมแปลงลึก AI นํามาสู่ crypto ประโยชน์แบบเดียวกับที่เราเห็นใน Web 2 ซึ่งรวมถึงประสบการณ์ผู้ใช้ขั้นสูง (UX) สําหรับทั้งผู้ใช้และนักพัฒนาด้วยโมเดลภาษาขนาดใหญ่ (เช่น ChatGPT และ Copilot เวอร์ชันที่ได้รับการฝึกฝนมาเป็นพิเศษ) รวมถึงศักยภาพในการปรับปรุงฟังก์ชันสัญญาอัจฉริยะและระบบอัตโนมัติอย่างมีนัยสําคัญ บล็อกเชนเป็นสภาพแวดล้อมที่อุดมไปด้วยข้อมูลที่โปร่งใสซึ่ง AI ต้องการ แต่บล็อกเชนยังมีความสามารถในการคํานวณที่จํากัด ซึ่งเป็นอุปสรรคสําคัญต่อการรวมโมเดล AI โดยตรง

แรงจูงใจที่อยู่เบื้องหลังการทดลองต่อเนื่องและการนำมาใช้ในจุดต่อข้อกาลเทคโนโลยีคริปโตและ AI คือเหมือนกับสิ่งที่ขับเคลื่อนส่วนใหญ่ของกรณีการใช้ที่สุดในโลกคริปโต - การเข้าถึงชั้นปฏิบัติการที่ไม่มีการอนุญาตและไม่มีความเชื่อถือที่ชัดเจนที่ใช้ให้การโอนค่าดีขึ้น ด้วยศักยภาพที่มากมายผู้เข้าร่วมในพื้นที่ต้องเข้าใจวิธีพื้นฐานที่สำคัญที่เทคโนโลยีสองประการซึ่งตัดกัน

Key Takeaways:

• การรวมกันระหว่างคริปโตและ AI ในอนาคตใกล้ชิด (6 เดือนถึง 1 ปี) จะถูกควบคุมโดยแอปพลิเคชัน AI ที่เสริมสร้างประสิทธิภาพของนักพัฒนา การตรวจสอบสมรรถนะและความปลอดภัยของสมาร์ทคอนแทรค และความสะดวกในการใช้งานของผู้ใช้ การรวมกันเหล่านี้ไม่เฉพาะเจาะจงสำหรับคริปโต แต่เสริมสร้างประสบการณ์ในการใช้งานของนักพัฒนาและผู้ใช้บนเชน
• บริการคอมพิวเตอร์ที่ไร้ส่วนกลางกำลังนำเสนอการใช้ GPU ที่ถูกปรับให้เหมาะกับ AI ในขณะที่มีขาดแคลนมากใน GPU ความสามารถสูง ซึ่งจะเป็นกำลังขับเคลื่อนให้มีการนำมาใช้
• ประสบการณ์ผู้ใช้และกฎระเบียบยังคงเป็นอุปสรรคในการเข้าร่วมลูกค้าคอมพิวต์ที่ไม่มีกลางพัฒนาการล่าสุดที่ OpenAIและการตรวจสอบทางกฎหมายที่กำลังดำเนินอยู่ในสหรัฐอเมริกา อย่างไรก็ตาม การเน้นคุณค่าของการเข้าถึงได้โดยไม่จำกัด การต้านการเซ็นเซอร์ และการกระจายอำนาจของเครือข่าย AI ที่ไม่มีการควบคุม
• การผสาน AI บนโซ่โดยเฉพาะสำหรับสัญญาอัจฉริยะที่สามารถใช้โมเดล AI ต้องการการปรับปรุงในเทคโนโลยี zkML และวิธีการคำนวณอื่น ๆ ที่ยืนยันการคำนวณนอกโซ่บนโซ่ ขาดเครื่องมือที่ครอบคลุมและความสามารถของนักพัฒนารวมถึงค่าใช้จ่ายสูงเป็นอุปสรรคต่อการนำมาใช้
• เอไอ เอเจนต์เหมาะสำหรับคริปโตที่ผู้ใช้ (หรือตัวแทนเอง) สามารถสร้างวอลเล็ตเพื่อทำธุรกรรมกับบริการอื่น ๆ ตัวแทน หรือคน สิ่งนี้ยังไม่สามารถทำได้ในรางวัลการเงิน传统 ต้องการการผสมผสานเพิ่มเติมกับผลิตภัณฑ์ที่ไม่ใช่คริปโตสำหรับการนำมาใช้ที่แพร่กว้าง

คำศัพท์

ปัญญาประดิษฐ์คือการใช้การคำนวณและเครื่องจักรเพื่อจำลองความคิดและความสามารถในการแก้ปัญหาของมนุษย์

Neural Networks เป็นวิธีการฝึกอบรมวิธีหนึ่งสําหรับโมเดล AI พวกเขาเรียกใช้อินพุตผ่านเลเยอร์อัลกอริทึมที่ไม่ต่อเนื่องปรับแต่งจนกว่าจะผลิตเอาต์พุตที่ต้องการ โครงข่ายประสาทเทียมประกอบด้วยสมการที่มีน้ําหนักซึ่งสามารถแก้ไขได้เพื่อเปลี่ยนเอาต์พุต พวกเขาสามารถต้องการข้อมูลและการคํานวณจํานวนมากอย่างไม่น่าเชื่อเพื่อฝึกฝนเพื่อให้ผลลัพธ์มีความแม่นยํา เป็นหนึ่งในวิธีที่พบบ่อยที่สุดในการพัฒนาโมเดล AI (ChatGPT ใช้กระบวนการเครือข่ายประสาทเทียมที่พึ่งพา ทรานส์ฟอร์เมอร์).

การฝึกอบรมคือกระบวนการที่เครือข่ายประสาทและโมเดล AI อื่น ๆ ถูกพัฒนา มันต้องใช้ปริมาณข้อมูลมากเพื่อฝึกโมเดลให้สามารถตีความข้อมูลอย่างถูกต้องและสร้างผลลัพธ์ที่แม่นยำ ระหว่างกระบวนการฝึกนี้ น้ำหนักของสมการของโมเดลจะถูกปรับเปลี่ยนอย่างต่อเนื่องจนกว่าผลลัพธ์ที่น่าพอใจจะถูกสร้างขึ้น การฝึกอาจเป็นราคาแพงมาก ตัวอย่างเช่น ChatGPTใช้หลายหมื่นหน่วยประมวลผลของตนเองเพื่อประมวลผลข้อมูลของตน ทีมที่มีทรัพยากรน้อยมักพึ่งพาผู้ให้บริการคอมพิวต์ที่มีมากเช่น Amazon Web Services, Azure และ Google Cloud Providers

การอย่างง่ายคือการใช้โมเดล AI จริงเพื่อให้ได้เอาต์พุตหรือผลลัพธ์ (ตัวอย่างเช่น การใช้ ChatGPT เพื่อสร้างเค้าโครงสรุปสำหรับเอกสารเรื่องการตัดสินใจของคริปโตและ AI) การอย่างง่ายนี้จะถูกใช้ตลอดกระบวนการฝึกอบรมและในผลิตภัณฑ์สุดท้าย พวกเขาอาจจะแพงที่จะเรียกใช้ แม้หลังจากการฝึกอบรมเสร็จสิ้นแล้ว เนื่องจากค่าใช้จ่ายเชิงคำนวณ แต่จะไม่ใช้ทรัพยากรการคำนวณมากเท่าการฝึกอบรม

Zero Knowledge Proofs (ZKP) อนุญาตให้มีการตรวจสอบการอ้างสิทธิ์โดยไม่เปิดเผยข้อมูลพื้นฐาน สิ่งนี้มีประโยชน์ใน crypto ด้วยเหตุผลหลักสองประการ: 1) ความเป็นส่วนตัวและ 2) การปรับขนาด เพื่อความเป็นส่วนตัวสิ่งนี้ช่วยให้ผู้ใช้สามารถทําธุรกรรมโดยไม่เปิดเผยข้อมูลที่ละเอียดอ่อนเช่นจํานวน ETH ที่อยู่ในกระเป๋าเงินของพวกเขา สําหรับการปรับขนาดจะช่วยให้สามารถพิสูจน์การคํานวณแบบ off-chain ได้เร็วกว่าการต้องดําเนินการคํานวณใหม่ สิ่งนี้ทําให้บล็อกเชนและแอปพลิเคชันสามารถเรียกใช้การคํานวณแบบ off-chain ได้ในราคาถูกแล้วตรวจสอบแบบ on-chain สําหรับข้อมูลเพิ่มเติมเกี่ยวกับ zero-knowledge และบทบาทใน Ethereum Virtual Machine โปรดดูรายงานของ Christine Kim zkEVMs: อนาคตของความสามารถในการขยายขอบของ Ethereum.

แผนที่ตลาด AI/คริปโต

โครงการที่อยู่ระหว่าง AI และคริปโตยังคงกำลังพัฒนาโครงสร้างพื้นฐานที่จำเป็นในการสนับสนุนการโต้ตอบ AI on-chain ในขั้นตอนของมาตราฐาน

ตลาดการประมวลผลแบบกระจายอํานาจกําลังเกิดขึ้นเพื่อจัดหาฮาร์ดแวร์ทางกายภาพจํานวนมากโดยส่วนใหญ่อยู่ในรูปแบบของหน่วยประมวลผลกราฟิก (GPU) ซึ่งจําเป็นสําหรับการฝึกอบรมและการอนุมานโมเดล AI ตลาดสองด้านเหล่านี้เชื่อมต่อการเช่าเหล่านั้นและต้องการเช่าคอมพิวเตอร์อํานวยความสะดวกในการถ่ายโอนมูลค่าและการตรวจสอบการประมวลผล ภายในการประมวลผลแบบกระจายอํานาจมีหมวดหมู่ย่อยหลายหมวดหมู่เกิดขึ้นซึ่งมีฟังก์ชันการทํางานเพิ่มเติม นอกเหนือจากตลาดสองด้านแล้วรายงานนี้จะตรวจสอบผู้ให้บริการฝึกอบรมแมชชีนเลิร์นนิงที่เชี่ยวชาญในการให้บริการการฝึกอบรมที่ตรวจสอบได้และการปรับแต่งผลลัพธ์รวมถึงโครงการที่ทํางานเพื่อเชื่อมต่อการประมวลผลและการสร้างแบบจําลองเพื่อให้ได้ปัญญาประดิษฐ์ทั่วไปหรือที่มักเรียกว่าเครือข่ายการจูงใจอัจฉริยะ

zkML เป็นพื้นที่โฟกัสที่เกิดขึ้นใหม่สําหรับโครงการที่ต้องการให้ผลลัพธ์แบบจําลองที่ตรวจสอบได้บนห่วงโซ่ในลักษณะที่คุ้มค่าและทันเวลา โครงการเหล่านี้ช่วยให้แอปพลิเคชันสามารถจัดการคําขอประมวลผลจํานวนมากได้ offchain จากนั้นโพสต์เอาต์พุตที่ตรวจสอบได้แบบ on-chain เพื่อพิสูจน์ว่าปริมาณงาน offchain นั้นสมบูรณ์และถูกต้อง zkML มีทั้งราคาแพงและใช้เวลานานในการสร้างอินสแตนซ์ปัจจุบัน แต่ถูกใช้เป็นโซลูชันมากขึ้น สิ่งนี้เห็นได้ชัดในจํานวนการผสานรวมที่เพิ่มขึ้นระหว่างผู้ให้บริการ zkML และแอปพลิเคชัน DeFi / Gaming ที่ต้องการใช้ประโยชน์จากโมเดล AI

ความสามารถในการตรวจสอบความสามารถในการคำนวณบนโซ่เปิดโอกาสสำหรับตัวแทน AI บนโซ่ ตัวแทนเป็นโมเดลที่ผ่านการฝึกฝนซึ่งสามารถดำเนินการคำขอในนามของผู้ใช้ ตัวแทนให้โอกาสในการเสริมสร้างประสบการณ์บนโซ่อย่างมีนัยสำคัญ ทำให้ผู้ใช้สามารถดำเนินการธุรกรรมที่ซับซ้อนได้แค่โดยพูดกับแชทบอท อย่างไรก็ตาม โครงการตัวแทนในปัจจุบันยังโฟกัสไปที่การพัฒนาโครงสร้างพื้นฐานและเครื่องมือสำหรับการใช้งานและการประดิษฐ์อย่างง่ายและรวดเร็ว

การคำนวณที่ไม่มีศูนย์กลาง

ภาพรวม

AI ต้องการปริมาณคอมพิวเตอร์มากมายทั้งสำหรับการฝึกโมเดลและการเรียกใช้งาน ในรอบ 10 ปีที่ผ่านมา เมื่อโมเดลเริ่มกลายเป็นที่ซับซ้อนมากขึ้น ความต้องการของคอมพิวเตอร์ก็เพิ่มขึ้นอย่างกว้างขวาง OpenAI ตัวอย่างเช่นพบว่าระหว่างปี 2012 ถึง 2018 ความต้องการในการคำนวณสำหรับโมเดลของมันเพิ่มขึ้นจากการเพิ่มขึ้นทีละสองปีไปจนถึงทุกสามเดือนครึ่ง สิ่งนี้ได้นำมาซึ่งการเพิ่มขึ้นของความต้องการใน GPU โดยบางครั้งแม้แม้งขุดเหมืองคริปโตการนำ GPU ของพวกเขามาใช้ใหม่ เพื่อให้บริการคอมพิวเตอร์ในระบบคลาวด์ ( @jeff.washington/2024-02-06-solana-mainnet-beta-outage-report-619bd75b3ce0">อ่านเพิ่มเติมเกี่ยวกับเรื่องนี้ในรายงานการขุด Bitcoin ประจําปีของเรา) เมื่อการแข่งขันในการเข้าถึงการประมวลผลเพิ่มขึ้นและต้นทุนเพิ่มขึ้นหลายโครงการจึงใช้ crypto เพื่อจัดหาโซลูชันการประมวลผลแบบกระจายอํานาจ พวกเขาเสนอการประมวลผลตามความต้องการในราคาที่แข่งขันได้เพื่อให้ทีมสามารถฝึกอบรมและเรียกใช้โมเดลได้ในราคาย่อมเยา ในบางกรณีการแลกเปลี่ยนอาจเป็นประสิทธิภาพและความปลอดภัย

GPU ที่ล้ําสมัย เช่น ผลิตโดย Nvidia อยู่ในความต้องการสูง ในเดือนกันยายน Tetherได้รับการลงทุนใน Northern Data, บริษัทขุดบิทคอยน์ชาวเยอรมัน รายงานว่าจ่ายเงิน 420 ล้านเหรียญสหรัฐเพื่อเข้าซื้อ 10,000 H100 GPUs (หนึ่งใน GPU ที่ทันสมัยที่สุดสำหรับการฝึกสอน AI)รอเวลาสำหรับฮาร์ดแวร์ที่ดีที่สุดอาจใช้เวลานาน อย่างน้อยหกเดือน และในหลายกรณีนานกว่านั้น ทำให้สถานการณ์แย่ลงอีก บริษัทบ่อยครั้งต้องทำสัญญายาวนานสำหรับปริมาณคอมพิวต์ที่พวกเขาอาจไม่ได้ใช้ สิ่งนี้อาจทำให้เกิดสถานการณ์ที่มีคอมพิวต์ที่ใช้ได้ แต่มันไม่มีให้ในตลาด ระบบคอมพิวต์ที่แบ่งออกจะช่วยแก้ไขปัญหาความไม่เป็นมาตราฐานในตลาดเหล่านี้ โดยสร้างตลาดรองที่เจ้าของคอมพิวต์สามารถให้เช่าให้กับความจุที่เกินของพวกเขาได้ทันที และปลดล็อคการจัดหาที่ใหม่

นอกเหนือจากการกำหนดราคาที่แข่งขันและความเข้าถึงได้ง่าย คุณค่าหลักของการคำนวณที่กระจายอยู่ในการต้านการเซ็นเซอร์ชัน การพัฒนา AI ขั้นสูงกำลังถูกควบคุมโดยบริษัทเทคโนโลยีขนาดใหญ่ที่มีการเข้าถึงคำนวณและข้อมูลอย่างไม่เป็นที่เป็นที่เป็นที่เป็นที่เป็นที่เป็นที่เป็นที่เป็นที่เป็นที่เป็นที่เป็นที่เป็นที่เป็นที่เป็นที่เป็นที่เป็นที่รายงานดัชนี AIรายงานประจำปี 2023 คือว่าอุตสาหกรรมกำลังเร่งเร่งเร่งเร่งเร่งเร่งเร่งเร่งเร่งเร่งเร่งเร่งเร่งเร่งเร่งเร่งเร่งเร่งเร่งเร่งเร่งผลัก ดันโดยบริษัทเทคโนโลยีเหล่านี้ใช้เพื่อลดการพัฒนา AI นอกเหนือจากการควบคุมของพวกเขา

แนวคิดการคำนวณแบบกระจาย

โมเดลหลายรูปแบบสำหรับการคำนวณแบบกระจายได้เกิดขึ้นในปีที่ผ่านมา แต่ละรูปแบบมีจุดประสงค์และการต่อรองของตนเอง

คำนวณทั่วไป

โครงการเช่น Akash, io.net, iExec, Cudos และอื่น ๆ อีกมากมายเป็นแอปพลิเคชันการประมวลผลแบบกระจายอํานาจที่ให้การเข้าถึงหรือจะเสนอการเข้าถึงการประมวลผลเฉพาะสําหรับการฝึกอบรมและการอนุมาน AI นอกเหนือจากข้อมูลและโซลูชันการประมวลผลทั่วไป

Akash เป็นแพลตฟอร์ม "supercloud" ที่เปิดเหมือนที่สุดเท่าที่เห็นได้ในปัจจุบัน นอกจากนี้ยังเป็นเครือข่าย proof of stake ที่ใช้ Cosmos SDK AKT, โทเค็นเกิดจาก Akash จะใช้สำหรับรักษาความปลอดภัยของเครือข่าย ใช้เป็นวิธีการชำระเงิน และสร้างสรรค์การมีส่วนร่วม Akash ได้เริ่มเปิดตัว mainnet ครั้งแรกในปี 2020 โฟกัสไปที่การให้บริการตลาดคอมพิวเตอร์ใน cloud ที่ไม่จำกัดสิทธิ์ ซึ่งเริ่มต้นด้วยการให้บริการเช่าพื้นที่จัดเก็บข้อมูลและ CPU เมื่อมาถึงเดือนมิถุนายน 2023 Akash เปิดตัวtestnet ใหม่ที่เน้นที่ GPU และในเดือนกันยายนเปิดตัวมันเป็นเครือข่ายหลัก GPU ที่ทำให้ผู้ใช้สามารถเช่า GPU สำหรับการฝึก AI และการอ่านความหมาย

ในระบบ Akash มีผู้เล่นหลัก 2 ประการ - ผู้เช่าและผู้ให้บริการ ผู้เช่าคือผู้ใช้เครือข่าย Akash ที่ต้องการซื้อทรัพยากรคำนวณ ผู้ให้บริการคือผู้ผลิตทรัพยากรคำนวณ เพื่อจับคู่ผู้เช่าและผู้ให้บริการ Akash ใช้กระบวนการประมูลแบบย้อนกลับ ผู้เช่าส่งความต้องการทางคำนวณของพวกเขา ในนั้นพวกเขาสามารถระบุเงื่อนไขบางประการ เช่น ตำแหน่งของเซิร์ฟเวอร์หรือประเภทของฮาร์ดแวร์ที่ดำเนินการคำนวณ และจำนวนเงินที่พวกเขาพร้อมจะจ่าย ผู้ให้บริการจากนั้นส่งราคาของพวกเขา โดยที่เสนอที่ราคาต่ำที่สุดจะได้รับงาน

ผู้ตรวจสอบ Akash รักษาความเชื่อถือของเครือข่าย ชุดตัวตรวจสอบ ณ ขณะนี้ ถูก จำกัด ไว้ที่ 100 และมีแผนในการเพิ่มขึ้นเป็นลำดับเป็นระเบียบ ใครก็สามารถเป็นตัวตรวจสอบได้โดยการใช้ AKT มากกว่า ตัวตรวจสอบปัจจุบัน ที่มี AKT ที่ถูก stake น้อยที่สุด AKT ถือครอบครอง ยังสามารถมอบหมาย AKT ให้กับตัวตรวจสอบ ค่าธรรมเนียมการทำธุรกรรม และ รางวัลบล็อกสำหรับเครือข่าย ถูกแจกจ่ายในรูปของ AKT อีกด้วย นอกจากนี้ สำหรับทุกการเช่า เครือข่าย Akash ได้รับ “ค่าจ้าง” ที่อัตราที่ได้รับการกำหนดโดยชุมชน ซึ่งจะถูกแจกจ่ายให้กับผู้ถือ AKT

ตลาดรอง

ตลาดคอมพิวต์ที่ไม่มีการกระจายแสตมเป็นเป้าหมายที่จะเติมเต็มความไม่เป็นประสบการณ์ในตลาดคอมพิวต์ที่มีอยู่ ผลจำกัดในการจัดหาทำให้บริษัทต้องเก็บรักษาคอมพิวต์เกินจำเป็นและการจัดหาถูกจำกัดเพิ่มเติมเนื่องจากโครงสร้างของสัญญากับผู้ให้บริการคลาวด์ที่ล็อคลูกค้าเข้าสู่สัญญายาวนาน แม้ว่าอาจไม่จำเป็นต้องใช้การเข้าถึงต่อไป แพลตฟอร์มคอมพิวต์ที่ไม่มีการกระจายปลดล็อคการจัดหาใหม่เปิดโอกาสให้ใครก็ตามทั่วโลกที่ต้องการคอมพิวต์สามารถเป็นผู้จัดหา

ยังคงเห็นได้ว่าความต้องการที่เพิ่มขึ้นสำหรับ GPUs สำหรับการฝึก AI จะมีผลต่อการใช้เครือข่ายในระยะยาวบน Akash อย่างไรก็ตาม Akash ได้ให้บริการตลาดสำหรับ CPUs มาอย่างยาวนาน เช่น การให้บริการที่คล้ายกับทางเลือกในศูนย์กลางที่70-80% ส่วนลด ราคาถูก อย่างไรก็ตาม ราคาถูกไม่ได้ผลิตผลในการเพิ่มขึ้นอย่างสำคัญ สัญญาเช่าที่ใช้งานบนเครือข่ายได้แผ่ขยายออกมาแล้ว โดยมีการใช้คอมพิวต์เฉลี่ยเพียง 33% หน่วยคำนวณ, 16% หน่วยความจำ, และ 13% หน่วยจัดเก็บสำหรับไตรมาสที่สองของปี 2023 ในขณะที่เหล่านี้เป็นตัวชี้วัดที่น่าประทับใจสำหรับการนำมาใช้บนเชือก (เพื่ออ้างอิง, ผู้ให้บริการการจัดเก็บชั้นนำ Filecoin มีการใช้พื้นที่จัดเก็บ 12.6%ในไตรมาสที่ 3 ปี 2023) แสดงให้เห็นว่าวัสดุยังคงมากกว่าความต้องการสำหรับผลิตภัณฑ์เหล่านี้

ได้เกินครึ่งปีเมื่อ Akash เปิดตัวเครือข่าย GPU และยังคงเร็วเกินไปที่จะวัดการนำมาใช้ในระยะยาวอย่างแม่นยำ สัญญาณของการต้องการใช้งานคือ GPU โดยเฉลี่ยถึงปัจจุบันคือ 44% และสูงกว่า CPU, หน่วยความจำ, และพื้นที่จัดเก็บ สำคัญอยู่ที่การต้องการใช้งาน GPU คุณภาพสูงสุด (เช่น A100s) กับมากกว่า90%ให้เช่า

การใช้จ่ายรายวันใน Akash ยังเพิ่มขึ้นเช่นกัน โดยเพิ่มเกือบสองเท่าเมื่อเปรียบเทียบกับก่อนมี GPUs ส่วนหนึ่งนี้สามารถเนื่องจากการเพิ่มบริการอื่น ๆ ที่ใช้งานมากขึ้นโดยเฉพาะ CPUs แต่ส่วนใหญ่เป็นผลมาจากการใช้ GPUs ใหม่

การจับคู่ราคา (หรือในบางกรณีมีราคาแพงกว่าเล็กน้อย) คู่แข่งแบบรวมศูนย์เช่น Lambda Cloud และ Vast.ai ความต้องการที่เหลือเชื่อสําหรับ GPU ระดับไฮเอนด์ (เช่น H100 และ A100s) หมายความว่าเจ้าของอุปกรณ์ส่วนใหญ่มีความสนใจเพียงเล็กน้อยในการจดทะเบียนในตลาดที่พวกเขาต้องเผชิญกับราคาที่แข่งขันได้

ในขณะที่ความสนใจเบื้องต้นดูดี ยังคงมีอุปสรรค์ในการนำมาใช้ (ที่ถูกอภิปรายต่อไป) ระบบคอมพิวต์ที่ไม่มีกลางจะต้องทำเพิ่มเติมเพื่อสร้างอุปทานและของสินค้า และทีมกำลังทดลองด้วยวิธีการที่ดีที่สุดในการดึงดูดผู้ใช้ใหม่ ในต้นปี 2024 ตัวอย่างเช่น Akash ผ่านข้อเสนอ 240เพื่อเพิ่มยอดการปล่อย AKT สำหรับซัพพลายเออร์ GPU และสร้างสรรค์การส่งเสริมการผลิตมากขึ้น โดยเน้นเฉพาะ GPU ระดับสูง ทีมงานก็กำลังทำงานเพื่อนำโมเดลพิสสอการตัวอย่างออกมาเพื่อโชว์ถึงความสามารถในเวลาจริงของเครือข่ายของพวกเขา Akash กำลังการฝึกอบรมโมเดลพื้นฐานของตัวเองและได้เริ่มเปิดตัวแล้วแชทบอท และ การสร้างภาพการเสนอที่สร้างเอาท์พุตโดยใช้ Akash GPUs อย่างเดียว อย่างเดียว io.net มีพัฒนาโมเดลการแพร่กระจายที่เสถียร และกำลังทำการถ่ายทอดฟังก์ชันของเครือข่ายใหม่ ซึ่งเลียนแบบประสิทธิภาพและขนาดของศูนย์ข้อมูล GPU แบบดั้งเดิมได้ดีกว่า

การฝึกอบรมเครื่องจักรเรียนรู้แบบกระจาย

นอกจากแพลตฟอร์มคอมพิวเตอร์ทั่วไปที่สามารถให้บริการต่อความต้องการด้าน AI ชุดของผู้ให้บริการ GPU AI ที่เชี่ยวชาญที่เน้นการฝึกโมเดลเรียนรู้เครื่องก็เริ่มเกิดขึ้น ตัวอย่างเช่น Gensyn เป็นต้นการประสานงาน ไฟฟ้าและฮาร์ดแวร์เพื่อสร้างปัญญาส่วนรวม" ด้วยมุมมองที่ว่า "หากมีคนต้องการฝึกอบรมบางสิ่งและมีคนเต็มใจที่จะฝึกมันการฝึกอบรมนั้นควรได้รับอนุญาตให้เกิดขึ้น"

โปรโตคอลมีนักแสดงบทบาทหลัก 4 ประการ: ผู้ส่ง, ผู้แก้ปัญหา, ผู้ตรวจสอบ, และผู้รายงาน. ผู้ส่งส่งงานไปยังเครือข่ายด้วยคำขอการฝึกอบรม งานเหล่านี้รวมถึงวัตถุประสงค์ในการฝึกอบรม, แบบจำลองที่จะถูกฝึกอบรม, และข้อมูลการฝึกอบรม ในกระบวนการส่ง, ผู้ส่งจ่ายค่าธรรมเนียมล่วงหน้าสำหรับการคำนวณโดยประมาณที่จำเป็นจากผู้แก้ปัญหา

เมื่อส่งแล้วงานจะถูกมอบหมายให้กับนักแก้ที่ดําเนินการฝึกอบรมแบบจําลองจริง จากนั้น Solvers จะส่งงานที่เสร็จสมบูรณ์ไปยังผู้ตรวจสอบที่รับผิดชอบในการตรวจสอบการฝึกอบรมเพื่อให้แน่ใจว่าทําอย่างถูกต้อง ผู้แจ้งเบาะแสมีหน้าที่รับผิดชอบในการตรวจสอบให้แน่ใจว่าผู้ตรวจสอบประพฤติตนอย่างซื่อสัตย์ เพื่อจูงใจให้ผู้แจ้งเบาะแสเข้าร่วมในเครือข่าย Gensyn วางแผนที่จะให้หลักฐานที่ไม่ถูกต้องเป็นระยะๆ ซึ่งให้รางวัลแก่ผู้แจ้งเบาะแสในการจับพวกเขา

นอกเหนือจากการประมวลผลสําหรับปริมาณงานที่เกี่ยวข้องกับ AI แล้วคุณค่าหลักของ Gensyn คือระบบการตรวจสอบซึ่งยังอยู่ในระหว่างการพัฒนา การตรวจสอบเป็นสิ่งจําเป็นเพื่อให้แน่ใจว่าการคํานวณภายนอกโดยผู้ให้บริการ GPU นั้นดําเนินการอย่างถูกต้อง (เช่นเพื่อให้แน่ใจว่าโมเดลของผู้ใช้ได้รับการฝึกอบรมในแบบที่พวกเขาต้องการ) Gensyn จัดการกับปัญหานี้ด้วยวิธีการที่ไม่เหมือนใครโดยใช้ประโยชน์จากวิธีการตรวจสอบแบบใหม่ที่เรียกว่า "Probabilistic proof-of-learning, Graph-based pinpoint protocol และเกมจูงใจสไตล์ Truebit" นี่เป็นโหมดการแก้ปัญหาในแง่ดีที่ช่วยให้ผู้ตรวจสอบสามารถยืนยันได้ว่าตัวแก้ไขได้เรียกใช้แบบจําลองอย่างถูกต้องโดยไม่ต้องเรียกใช้ซ้ําอย่างสมบูรณ์ซึ่งเป็นกระบวนการที่มีค่าใช้จ่ายสูงและไม่มีประสิทธิภาพ

นอกจากวิธีการยืนยันที่นวัตกรรมของมันแล้ว ยังมี Gensyn ด้วยเรื่องร้องเรียนการเป็นราคาที่เหมาะสมโดยเปรียบเทียบกับทางเลือกแบบกระจายและคู่แข่งในด้านคริปโต - ให้การฝึกอบรมเชิง ML ที่ถูกกว่า AWS ถึง 80% ในขณะที่แข่งขันกับโครงการที่คล้ายกัน เช่น Truebit ในการทดสอบ

ผลลัพธ์เริ่มต้นเหล่านี้สามารถทําซ้ําได้ในวงกว้างในเครือข่ายแบบกระจายอํานาจหรือไม่ Gensyn ต้องการควบคุมการประมวลผลส่วนเกินจากผู้ให้บริการเช่นศูนย์ข้อมูลขนาดเล็กผู้ใช้รายย่อยและในอนาคตแม้แต่อุปกรณ์มือถือขนาดเล็กเช่นโทรศัพท์มือถือ อย่างไรก็ตามในฐานะทีม Gensyn เองก็มี รับรองการพึ่งพาผู้ให้บริการประมวลผลที่แตกต่างกันทําให้เกิดความท้าทายใหม่ ๆ หลายประการ

สําหรับผู้ให้บริการแบบรวมศูนย์เช่นผู้ให้บริการ Google Cloud และ Coreweave การประมวลผลมีราคาแพงในขณะที่การสื่อสารระหว่างการประมวลผลนั้น (แบนด์วิดท์และเวลาแฝง) มีราคาถูก ระบบเหล่านี้ได้รับการออกแบบมาเพื่อเปิดใช้งานการสื่อสารระหว่างฮาร์ดแวร์โดยเร็วที่สุด Gensyn พลิกเฟรมเวิร์กนั้นบนหัวลดต้นทุนการประมวลผลโดยทําให้ทุกคนในโลกสามารถจัดหา GPU ได้ แต่เพิ่มต้นทุนการสื่อสารเนื่องจากเครือข่ายต้องประสานงานงานประมวลผลผ่านฮาร์ดแวร์ที่แตกต่างกันซึ่งอยู่ห่างไกลกัน Gensyn ยังไม่ได้เปิดตัว แต่เป็นข้อพิสูจน์แนวคิดของสิ่งที่อาจเป็นไปได้เมื่อต้องสร้างโปรโตคอลการฝึกอบรมแมชชีนเลิร์นนิ่งแบบกระจายอํานาจ

ความฉลาดทั่วไปที่ไม่มีการจำกัด

แพลตฟอร์มคำนวณที่ไม่มีศูนย์กลางยังเปิดโอกาสในการออกแบบวิธีการสร้างปัจจัยปัญญาประดิษฐ์อย่างเป็นอิสระ บิทเทนเซอร์เป็นโปรโตคอลคำนวณที่ไม่มีศูนย์กลางที่สร้างขึ้นบน Substrate ซึ่งพยายามตอบคำถามที่,”เราจะทำอย่างไรเพื่อที่จะกลายเป็นวิธีการทำงานร่วมกันได้?” Bittensor เป้าหมายที่จะทำให้ประมาณการปัจจุบันของปัจจุบัน และการสร้างประสิทธิภาพของปัจจุบัน ปลดจากการควบคุมและทำให้มีการผลิตปัจจุบันที่ดีขึ้น

Bittensor ได้รับแรงบันดาลใจจาก Bitcoin ด้วยการจัดหา TAO สกุลเงินพื้นเมืองยี่สิบเอ็ดล้านและรอบการลดลงครึ่งหนึ่งสี่ปี (การลดลงครึ่งหนึ่งครั้งแรกจะเป็นในปี 2025) แทนที่จะใช้ Proof of Work เพื่อสร้าง nonce ที่ถูกต้องและรับรางวัลบล็อก Bittensor อาศัย "Proof of Intelligence" ซึ่งกําหนดให้นักขุดเรียกใช้โมเดลที่สร้างผลลัพธ์เพื่อตอบสนองต่อคําขออนุมาน

สร้างสรรค์ความฉลาด

เดิมที Bittensor อาศัยแบบจําลอง Mixture of Experts (MoE) เพื่อผลิตผลลัพธ์ เมื่อมีการส่งคําขออนุมานแทนที่จะพึ่งพาแบบจําลองทั่วไปแบบจําลอง MoE จะถ่ายทอดคําขอการอนุมานไปยังแบบจําลองที่แม่นยําที่สุดสําหรับประเภทอินพุตที่กําหนด ลองนึกถึงการสร้างบ้านที่คุณจ้างผู้เชี่ยวชาญที่หลากหลายสําหรับแง่มุมต่าง ๆ ของกระบวนการก่อสร้าง (เช่นสถาปนิกวิศวกรจิตรกรคนงานก่อสร้าง ฯลฯ ... ) MoE ใช้สิ่งนี้กับโมเดลแมชชีนเลิร์นนิงโดยพยายามควบคุมเอาต์พุตของรุ่นต่างๆขึ้นอยู่กับอินพุต ในฐานะผู้ก่อตั้ง Bittensor Ala Shaabana อธิบาย, มันเหมือนกับการพูดกับห้องที่มีคนฉลาดๆ และได้คำตอบที่ดีที่สุด แทนที่จะพูดกับคนคนเดียวความท้าทาย ด้วยการรับรองเส้นทางที่เหมาะสม การซิงโครไนเซชันของข้อความไปยังโมเดลที่ถูกต้อง และการให้สิทธิในการกระตุ้น การใช้วิธีนี้ถูกข้ามไปจนกว่าโปรเจกต์จะพัฒนามากขึ้น

มีนักแสดงหลักสองคนในเครือข่าย Bittensor: ผู้ตรวจสอบความถูกต้องและนักขุด ผู้ตรวจสอบความถูกต้องได้รับมอบหมายให้ส่งคําขออนุมานไปยังนักขุดตรวจสอบผลลัพธ์และจัดอันดับตามคุณภาพของคําตอบ เพื่อให้แน่ใจว่าการจัดอันดับของพวกเขามีความน่าเชื่อถือผู้ตรวจสอบจะได้รับคะแนน "vtrust" ตามการจัดอันดับของพวกเขาสอดคล้องกับการจัดอันดับของผู้ตรวจสอบอื่น ๆ ยิ่งคะแนน vtrust ของผู้ตรวจสอบความถูกต้องสูงเท่าไหร่ก็ยิ่งได้รับการปล่อยมลพิษ TAO มากขึ้นเท่านั้น สิ่งนี้มีขึ้นเพื่อจูงใจให้ผู้ตรวจสอบความถูกต้องบรรลุฉันทามติเกี่ยวกับการจัดอันดับแบบจําลองเมื่อเวลาผ่านไปเนื่องจากยิ่งผู้ตรวจสอบความถูกต้องบรรลุข้อตกลงในการจัดอันดับมากเท่าไหร่คะแนน vtrust แต่ละรายการก็จะยิ่งสูงขึ้นเท่านั้น

Miners, ที่เรียกว่าเซิร์ฟเวอร์เป็นผู้เข้าร่วมเครือข่ายที่ทำงานด้วยตัวเองในการเรียนรู้ของเครื่องจราจร นักเรียนแข่งขันกันเพื่อให้ผู้ตรวจสอบได้ผลลัพธ์ที่แม่นยำที่สุดสำหรับคำถามที่กำหนดไว้ มีรายได้ TAO มากขึ้นเมื่อผลลัพธ์ของพวกเขามีความแม่นยำมากขึ้น นักเรียนสามารถสร้างผลลัพธ์เหล่านั้นอย่างไรก็ได้ ตัวอย่างเช่น มันเป็นไปได้ที่ในสถานการณ์ในอนาคต นักเรียน Bittensor อาจเคยฝึกอบรมโมเดลบน Gensyn ที่พวกเขาใช้รายได้ TAO

วันนี้การจับคู่ส่วนใหญ่เกิดขึ้นโดยตรงระหว่างผู้ตรวจสอบและนักขุด ผู้ตรวจสอบส่งข้อมูลเข้าให้นักขุดและขอผลลัพธ์ (เช่น การฝึกโมเดล) หลังจากที่ผู้ตรวจสอบได้สอบถามนักขุดบนเครือข่ายและได้รับคำตอบจากพวกเขาแล้ว จากนั้นพวกเขาจะจัดอันดับนักขุดและส่งอันดับของพวกเขาไปยังเครือข่าย

ปฏิสัมพันธ์ระหว่างผู้ตรวจสอบ (ที่ใช้ PoS) และนักขุด (ที่ใช้ Proof of Model, รูปแบบหนึ่งของ PoW) - เรียกว่า Yuma Consensus มันมีวัตถุประสงค์เพื่อสร้างสติปัฏฐานให้กับนักขุดเพื่อผลิตเอาต์พุตที่ดีที่สุดเพื่อรับ TAO emissions และผู้ตรวจสอบเพื่อจัดอันดับเอาต์พุตของนักขุดอย่างถูกต้องเพื่อรับคะแนน vtrust สูงขึ้นและเพิ่มรางวัล TAO ของพวกเขาเพื่อก่อตัวสร้างเครือข่ายของความเห็นร่วม

เครือข่ายย่อยและแอปพลิเคชัน

การโต้ตอบบน Bittensor โดยส่วนใหญ่ประกอบด้วยผู้ตรวจสอบที่ส่งคำขอไปยังนักขุดและประเมินผลลัพธ์ของพวกเขา อย่างไรก็ตาม เมื่อคุณภาพของนักขุดที่มีส่วนร่วมเพิ่มขึ้นและความฉลาดโดยรวมของเครือข่ายเติบโต Bittensor จะสร้างชั้นประยุกต์บนด้านบนของชั้นสแต็กที่มีอยู่ของมันเพื่อให้นักพัฒนาสามารถสร้างแอปพลิเคชันที่สอบถามเครือข่าย Bittensor

ในตุลาคม 2023 Bittensor ได้ดำเนินขั้นตอนสำคัญเพื่อบรรลุวัตถุประสงค์นี้บทนำของเน็ตเวิร์กผ่านการอัพเกรดของ Rev ยูโนเบิล เน็ตเวิร์กเป็นเครือข่ายรายบุคคลบน Bittensor ที่สร้างสรรค์พฤติกรรมที่เฉพาะเจาะจง การเปิดตัวของ Rev เปิดโอกาสให้ใครก็สนใจสร้างเน็ตเวิร์กได้ ในช่วงหลายเดือนตั้งแต่ปล่อยตัวออกมาแล้วมีมากกว่า32 เน็ตเวิร์กถูกเปิดตัว รวมถึงการใช้งานสำหรับการสร้างข้อความที่พร้อมใช้งาน, การสร้างข้อมูล, การสร้างภาพ, และการเก็บรักษาข้อมูล หลังจากที่เว็บย่อยเติบโตและพร้อมใช้งาน ผู้สร้างเว็บย่อยยังจะสร้างการผสานรวมแอปพลิเคชันเพื่อให้ทีมสามารถสร้างแอปพลิเคชันที่สอบถามเว็บย่อยเฉพาะ บางแอปพลิเคชันchatbot, สร้างภาพ, บอทตอบกลับทวิตเตอร์, ตลาดพยากรณ์) ที่มีอยู่ในปัจจุบัน แต่ไม่มีสิ่งส่งเสริมทางการเป็นทางการสำหรับผู้ตรวจสอบให้ยอมรับและส่งต่อคำถามเหล่านั้นนอกจากทุนสนับสนุนจากมูลนิธิ Bittensor

เพื่อให้คำอธิบายได้ชัดเจนมากขึ้น นี่คือตัวอย่างของวิธีที่ Bittensor อาจทำงานเมื่อแอปพลิเคชันได้รับการผสมเข้ากับเครือข่ายแล้ว

เครือข่ายได้รับ TAO จากประสิทธิภาพของตนที่ประเมินโดยเครือข่ายรากเครือข่ายรากนั่นอยู่บนส่วนย่อยทั้งหมด โดยทำหน้าที่เป็นส่วนย่อยประเภทพิเศษหนึ่ง และถูกจัดการโดยผู้ตรวจสอบส่วนย่อย 64 อันดับแรกที่ใหญ่ที่สุดโดยการมีส่วนร่วม. ผู้ตรวจสอบเครือข่ายรากจะจัดอันดับส่วนย่อยตามประสิทธิภาพของพวกเขาและแจกจ่ายการปล่อย TAO ไปยังส่วนย่อยเป็นระยะๆ โดยวิธีนี้ ส่วนย่อยแต่ละระบบจะทำหน้าที่เหมือนผู้ขุดเหมืองสำหรับเครือข่ายราก

มุมมองของบิทเทนเซอร์

Bittensor ยังคงประสบปัญหาในการเติบโตขึ้นเมื่อขยายฟังก์ชันของโปรโตคอลเพื่อสร้างสิ่งสร้างสร้างอัจฉริยะในหลายเน็ตเวิร์ก นักขุดยังคงคิดค้นวิธีใหม่ๆ เพื่อโจมตีเครือข่ายเพื่อรับรางวัล TAO เพิ่มเติม เช่น โดยการบางอย่างการปรับเปลี่ยนการส่งออกของการใช้โมเดลของพวกเขาและจากนั้นส่งหลายรูปแบบ ข้อเสนอด้านการปกครองที่มีผลต่อเครือข่ายทั้งหมดสามารถส่งและนำมาใช้ได้เฉพาะโดยTriumvirate, ซึ่งประกอบด้วยผู้ถือหุ้น Opentensor Foundation ทั้งหมด (สำคัญที่จะระบุว่า ข้อเสนอต้องได้รับการอนุมัติจาก Bittensor สภา ประกอบด้วยผู้ตรวจสอบ Bittensor ก่อนการใช้งาน) และโทเค็นของโครงการอยู่ระหว่างการปรับปรุงเพื่อปรับปรุงสิ่งจูงใจสําหรับการใช้งานของ TAO ในเครือข่ายย่อย โครงการนี้ยังได้รับความอื้อฉาวอย่างรวดเร็วสําหรับแนวทางที่เป็นเอกลักษณ์โดย CEO ของหนึ่งในเว็บไซต์ AI ที่ได้รับความนิยมมากที่สุด HuggingFaceระบุว่า Bittensor ควรเพิ่มทรัพยากรของตนเข้าไปในเว็บไซต์

เมื่อเร็วๆ นี้ที่เผยแพร่ชิ้นโดยนักพัฒนาหลักชื่อ “Bittensor Paradigm,” ทีมวางแผนวิสัยในการพัฒนา Bittensor ให้สามารถเป็น “agnosticto สิ่งที่กำลังถูกวัด” ในทฤษฎี สิ่งนี้สามารถทำให้ Bittensor พัฒนา subnets ที่สร้างสรรค์ให้กับพฤติกรรมประเภทใดก็ได้ทั้งหมดถูกขับเคลื่อนด้วย TAO ยังคงมีข้อจำกัดทางปฏิบัติที่สำคัญ - โดยที่สำคัญที่สุดคือการสาธิตว่าเครือข่ายเหล่านี้สามารถมีขนาดใหญ่เพียงพอที่จะจัดการกับชุดกระบวนการที่หลากหลายและว่าสิ่งสร้างสรรค์ให้ดำเนินไปตามที่เสนอในอุดมคติหรือไม่

สร้างชิ้นส่วนการคำนวณที่แบ่งแยกสำหรับโมเดล AI

ส่วนข้างต้นให้ภาพรวมระดับสูงของโปรโตคอลการประมวลผลปัญญาประดิษฐ์แบบกระจายอํานาจประเภทต่างๆที่กําลังพัฒนา พวกเขาให้รากฐานของระบบนิเวศที่สามารถอํานวยความสะดวกในการสร้าง "หน่วยการสร้าง AI" ได้ในที่สุด เช่น แนวคิด "Money Legos" ของ DeFi ความสามารถในการเขียนบล็อกเชนที่ไม่ได้รับอนุญาตเปิดโอกาสสําหรับแต่ละโปรโตคอลที่จะสร้างขึ้นจากอีกโปรโตคอลหนึ่งเพื่อให้ระบบนิเวศปัญญาประดิษฐ์แบบกระจายอํานาจที่ครอบคลุมมากขึ้น

ตัวอย่างเช่น นี่คือวิธีหนึ่งที่ Akash, Gensyn, และ Bittensor อาจทำงานร่วมกันเพื่อตอบสนองคำขอการอ่าน

ให้ชัดเจนว่านี่เพียงเพียงตัวอย่างของสิ่งที่อาจเป็นไปได้ในอนาคต ไม่ใช่การแสดงภาพของระบบนิเวศปัจจุบัน ความร่วมกันทำให้การบูรณาการมีข้อจำกัดอย่างมาก การแบ่งส่วนของสินวกรและความจำเป็นต้องใช้เหรียญหลายประเภทอาจทำให้ประสบปัญหาในประสบการณ์ของผู้ใช้ชี้โดยผู้ก่อตั้งของ Akash และ Bittensor

ข้อเสนอแบบกระจายอื่น ๆ

นอกจากการคำนวณแล้วยังมีบริการโครงสร้างพื้นฐานที่จะถูกวางออกเพื่อสนับสนุนระบบ AI ที่เพิ่มขึ้นของคริปโต การรายการทั้งหมดเหนือความสามารถในรายงานนี้ แต่ตัวอย่างที่น่าสนใจและสรุปได้ประกอบด้วย:

• Ocean: ตลาดข้อมูลที่ไม่centralized ผู้ใช้สามารถสร้าง data NFTs ที่แทนข้อมูลของพวกเขาซึ่งสามารถซื้อด้วย data tokens ผู้ใช้สามารถทำกำไรจากข้อมูลของพวกเขาและมีความมีอิสระมากขึ้นเกี่ยวกับข้อมูลของพวกเขาในขณะที่ให้ทีมที่ทำงานเกี่ยวกับ AI มีการเข้าถึงข้อมูลที่จำเป็นในการพัฒนาและฝึกโมเดล
• หญ้า: ตลาดแบนด์วิดที่ไม่มีศูนย์กลาง ผู้ใช้สามารถขายแบนด์วิดที่เกินไปของตนให้กับบริษัท AI ซึ่งใช้ในการสแกนข้อมูลจากอินเทอร์เน็ต สร้างขึ้นบน เครือข่าย Wynd, นี่ไม่เพียงทำให้บุคคลสามารถกำไรจากแบนด์วิดธ์ของตนเองเท่านั้น แต่ยังให้ผู้ซื้อแบนด์วิดธ์มีมุมมองที่หลากหลายมากขึ้นเกี่ยวกับสิ่งที่ผู้ใช้แต่ละคนเห็นออนไลน์ (เนื่องจากการเข้าถึงอินเทอร์เน็ตของบุคคลทั่วไปมักจะถูกปรับให้เหมาะกับที่อยู่ IP ของพวกเขาโดยเฉพาะ)
• ไฮฟ์แมปเปอร์: กำลังพัฒนาระบบแผนที่ที่มีความรับผิดชอบจากข้อมูลที่เก็บรวบรวมจากคนขับรถยานประจำวัน HiveMapper ใช้ AI เพื่อตีความภาพที่เก็บรวบรวมจากกล้องของผู้ใช้และให้รางวัลผู้ใช้ด้วยโทเค็นเพื่อช่วยปรับปรุงโมเดล AI ผ่านการตอบรับของมนุษย์ที่ถูกเสริม (RHLF)

โดยรวมทั้งนี้ชี้ทางสู่โอกาสที่ไม่มีที่สิ้นสุดในการสำรวจรูปแบบตลาดที่ไม่ centralize ซึ่งสนับสนุนระบบ AI หรือโครงสร้างรอบๆ ที่จำเป็นต้องพัฒนาขึ้นมา ณ ขณะนี้โครงการเหล่านี้มีมากที่สุดในขั้นตอนพิสูจน์และต้องมีการวิจัยและพัฒนามากขึ้นเพื่อแสดงให้เห็นว่าพวกเขาสามารถดำเนินการในขอบเขตที่จำเป็นต้องให้บริการ AI อย่างครอบคลุม

ทัศนคติ

ข้อเสนอการประมวลผลแบบกระจายอํานาจยังอยู่ในช่วงเริ่มต้นของการพัฒนา พวกเขาเพิ่งเริ่มเปิดตัวการเข้าถึงการประมวลผลที่ล้ําสมัยซึ่งสามารถฝึกอบรมโมเดล AI ที่ทรงพลังที่สุดในการผลิต เพื่อให้พวกเขาได้รับส่วนแบ่งการตลาดที่มีความหมายพวกเขาจะต้องแสดงให้เห็นถึงข้อได้เปรียบในทางปฏิบัติเมื่อเทียบกับทางเลือกแบบรวมศูนย์ ทริกเกอร์ที่เป็นไปได้สําหรับการยอมรับในวงกว้าง ได้แก่ :

• การเสริมแรงของ GPU ที่ขาดแคลนร่วมกับความต้องการใช้คำนวณที่เพิ่มขึ้นอย่างรวดเร็วกำลังพาสู่การแข่งขันที่ดุเดือดของ GPU โอเพนเอไอได้ทำไปแล้วอย่างน้อยหนึ่งครั้ง จำกัด การเข้าถึงแพลตฟอร์มเนื่องจากข้อ จํากัด ของ GPU แพลตฟอร์มเช่น Akash และ Gensyn สามารถให้ทางเลือกที่แข่งขันด้านต้นทุนสําหรับทีมที่ต้องการการประมวลผลประสิทธิภาพสูง อีก 6-12 เดือนข้างหน้าเป็นโอกาสพิเศษอย่างยิ่งสําหรับผู้ให้บริการประมวลผลแบบกระจายอํานาจในการเตรียมความพร้อมให้กับผู้ใช้ใหม่ที่ถูกบังคับให้พิจารณาข้อเสนอแบบกระจายอํานาจเนื่องจากไม่สามารถเข้าถึงในตลาดที่กว้างขึ้น เมื่อรวมกับโมเดลโอเพ่นซอร์สที่มีประสิทธิภาพมากขึ้นเช่น LLaMA 2 ของ Meta ผู้ใช้จะไม่ต้องเผชิญกับอุปสรรคเดียวกันในการปรับใช้โมเดลที่ปรับแต่งอย่างมีประสิทธิภาพอีกต่อไปทําให้ทรัพยากรการประมวลผลเป็นคอขวดหลัก อย่างไรก็ตามการมีอยู่ของแพลตฟอร์มเองไม่ได้รับประกันอุปทานที่เพียงพอของการประมวลผลและความต้องการที่สอดคล้องกันจากผู้บริโภค การจัดหา GPU ระดับไฮเอนด์ยังคงเป็นเรื่องยากและต้นทุนไม่ใช่แรงจูงใจหลักในด้านอุปสงค์เสมอไป แพลตฟอร์มเหล่านี้จะถูกท้าทายเพื่อแสดงให้เห็นถึงประโยชน์ในทางปฏิบัติของการใช้ตัวเลือกการประมวลผลแบบกระจายอํานาจไม่ว่าจะเป็นเพราะค่าใช้จ่ายความต้านทานการเซ็นเซอร์เวลาทํางานและความยืดหยุ่นหรือการเข้าถึงเพื่อสะสมผู้ใช้เหนียว พวกเขาจะต้องเคลื่อนไหวอย่างรวดเร็ว โครงสร้างพื้นฐาน GPU การลงทุนและการสร้างสรรค์ กำลังเกิดขึ้นที่อัตราที่ยิ่งใหญ่
• กฎ กฎระเบียบยังคงเป็นอุปสรรคต่อการเคลื่อนไหวการประมวลผลแบบกระจายอํานาจ ในระยะเวลาอันใกล้การขาดกฎระเบียบที่ชัดเจนหมายความว่าทั้งผู้ให้บริการและผู้ใช้ต้องเผชิญกับความเสี่ยงที่อาจเกิดขึ้นจากการใช้บริการเหล่านี้ จะเกิดอะไรขึ้นถ้าซัพพลายเออร์ให้การคํานวณหรือผู้ซื้อซื้อคํานวณจากเอนทิตีที่ถูกคว่ําบาตรโดยไม่รู้ตัว ผู้ใช้อาจลังเลที่จะใช้แพลตฟอร์มแบบกระจายอํานาจที่ขาดการควบคุมและการกํากับดูแลของเอนทิตีแบบรวมศูนย์ โปรโตคอลได้พยายามบรรเทาข้อกังวลเหล่านี้โดยการรวมการควบคุมเข้ากับแพลตฟอร์มของตนหรือเพิ่มตัวกรองเพื่อเข้าถึงผู้ให้บริการประมวลผลที่รู้จักเท่านั้น (เช่นได้ให้ข้อมูลความรู้ลูกค้าของคุณ (KYC)) แต่วิธีการที่มีประสิทธิภาพมากขึ้นซึ่งปกป้องความเป็นส่วนตัวในขณะที่มั่นใจได้ว่าจะต้องมีการปฏิบัติตามข้อกําหนดสําหรับการนําไปใช้ ในระยะสั้นเรามีแนวโน้มที่จะเห็นการเกิดขึ้นของ KYC และแพลตฟอร์มที่เป็นไปตามกฎระเบียบที่ จํากัด การเข้าถึงโปรโตคอลของพวกเขาเพื่อจัดการกับข้อกังวลเหล่านี้ นอกจากนี้ การอภิปรายเกี่ยวกับกรอบการกํากับดูแลใหม่ของสหรัฐฯ ที่เป็นไปได้ ซึ่งแสดงให้เห็นได้ดีที่สุดจากการเปิดตัว คำสั่งผู้บริหารเรื่องการพัฒนาและใช้ประโยชน์จากปัญญาประดิษฐ์อย่างปลอดภัย มั่นคง และน่าเชื่อถือ, โดดเด่นในศักยภาพที่มีสำหรับการดำเนินการกฎหมายที่ลดการเข้าถึง GPU ได้อีก
• การเซ็นเซอร์ชิป การกำกับกำหนดทางทิศทางทั้งสองและการเสนอบริการคอมพิวตเตอร์ที่ไม่มีศูนย์กลางสามารถได้รับประโยชน์จากการดำเนินการเพื่อ จำกัด การเข้าถึง AI นอกจากบทความบรรยายการปฏิบัติของผู้บริหาร OpenAI Sam Altman ยังมีtestifiedในการประชุมของสภา ว่าต้องมีหน่วยงานกำกับดูแลที่ออกใบอนุญาตสำหรับการพัฒนา AI การอภิปรายเกี่ยวกับกฎหมาย AI กำลังเริ่มต้นเพียงเท่านั้น แต่การพยายามเช่นนั้นที่จะ จำกัด การเข้าถึงหรือเซ็นเซอร์ว่าสามารถทำอะไรกับ AI อาจส่งผลให้มีการนำมาใช้ในแพลตฟอร์มที่กระจายที่ไม่มีขีดจำกัดเช่นนั้นการเปลี่ยนแปลงผู้นำ OpenAI ในเดือนพฤศจิกายน (หรือขาดมัน) ยังแสดงให้เห็นถึงความเสี่ยงของการเพิ่มขีดความสามารถในการตัดสินใจสําหรับโมเดล AI ที่ทรงพลังที่สุดที่มีอยู่เพียงไม่กี่คน นอกจากนี้โมเดล AI ทั้งหมดจําเป็นต้องสะท้อนถึงอคติของผู้ที่สร้างพวกเขาไม่ว่าจะโดยเจตนาหรือไม่ก็ตาม วิธีหนึ่งในการกําจัดอคติเหล่านั้นคือการทําให้โมเดลเปิดกว้างที่สุดเท่าที่จะเป็นไปได้ในการปรับแต่งและการฝึกอบรมเพื่อให้แน่ใจว่าทุกคนสามารถเข้าถึงโมเดลของความหลากหลายและอคติทั้งหมดได้ทุกที่
• ความเป็นส่วนตัวของข้อมูล เมื่อผสานรวมกับข้อมูลภายนอกและโซลูชันความเป็นส่วนตัวที่ให้ผู้ใช้มีอิสระเกี่ยวกับข้อมูลของตน การคำนวณแบบกระจายอาจกลายเป็นทางเลือกที่น่าสนใจกว่าทางเลือกแบบกระจายที่ส่วนกลาง ซัมซุง เป็นเหยื่อเมื่อพวกเขาตระหนักว่าวิศวกรกำลังใช้ ChatGPT เพื่อช่วยในการออกแบบชิปและรั่งข้อมูลที่ละเอียดอ่อนถึง ChatGPT Phala Network และ iExec อ้างว่ามีการให้บริการ SGX secure enclaves ให้ผู้ใช้เพื่อป้องกันข้อมูลผู้ใช้และการวิจัยที่กำลังดำเนินการในการเข้ารหัสโฮโมอร์ฟิกเชียลที่สามารถปลดล็อกความเป็นส่วนตัวที่แน่นอนในการคำนวณแบบกระจาย เมื่อ AI กลายเป็นส่วนหนึ่งของชีวิตของเรามากขึ้น ผู้ใช้จะให้ความสำคัญมากขึ้นกับการสามารถรันโมเดลบนแอปพลิเคชันที่มีความเป็นส่วนตัวอย่างที่แนบแน่นอน ผู้ใช้ยังจะต้องการบริการที่สามารถทำให้ข้อมูลสามารถใช้งานร่วมกันได้อย่างสมูเทลเพื่อที่พวกเขาจะสามารถย้ายข้อมูลจากโมเดลหนึ่งไปยังอีกโมเดลหนึ่งได้อย่างไม่มีภายใด
• ประสบการณ์ของผู้ใช้ (UX) ยังคงเป็นอุปสรรคที่สำคัญต่อการนำมาใช้กันอย่างแพร่หลายของแอปพลิเคชันและโครงสร้างคริปโตทุกประเภท สถานการณ์นี้ไม่ต่างจากการให้บริการคอมพิวต์แบบกระจายและในบางกรณีมีการแย่ลงเนื่องจากความจำเป็นที่ผู้พัฒนาต้องเข้าใจทั้งคริปโตและ AI จำเป็นต้องมีการปรับปรุงตั้งแต่พื้นฐานเช่นการบรรจุและการลดความซับซ้อนในการโต้ตอบกับบล็อกเชน จนถึงการให้บริการเหมือนกันผลลัพธ์คุณภาพสูง ในฐานะผู้นําตลาดในปัจจุบัน สิ่งนี้เห็นได้ชัดเจนจากข้อเท็จจริงที่ว่าโปรโตคอลการประมวลผลแบบกระจายอํานาจในการดําเนินงานจํานวนมากที่ให้ข้อเสนอที่ถูกกว่านั้นต้องดิ้นรนเพื่อให้ได้มาซึ่งการใช้งานปกติ

สมาร์ทคอนแทร็ค & zkML

สมาร์ทคอนแทร็คเป็นบล็อกการสร้างหลักของระบบบล็อกเชนใดก็ตาม โดยมีเงื่อนไขที่ระบุเฉพาะ พวกเขาจะดำเนินการโดยอัตโนมัติและลดหรือกำจัดความจำเป็นที่ต้องมีบุคคลที่สามที่น่าเชื่อถือ เพื่อทำให้เกิดแอปพลิเคชันดีเซ็นทรัลได้อย่างซับซ้อน เหมือนที่เห็นใน DeFi อย่างไรก็ตาม ในปัจจุบันส่วนใหญ่สมาร์ทคอนแทร็คยังคงถูก จำกัด ในฟังก์ชันของพวกเขาในที่ที่พวกเขาดำเนินการตามพารามิเตอร์ที่ตั้งไว้ตั้งแต่เดิมที่ต้องได้รับการอัพเดต

ตัวอย่างเช่น สัญญาอัจฉริยะของโปรโตคอลการให้กู้ยืม/ยืมจะถูกปรับใช้โดยมีข้อกําหนดว่าเมื่อใดควรชําระบัญชีตําแหน่งตามอัตราส่วนเงินกู้ต่อมูลค่าที่แน่นอน ในขณะที่มีประโยชน์ในสภาพแวดล้อมแบบคงที่ในสถานการณ์แบบไดนามิกที่ความเสี่ยงมีการเปลี่ยนแปลงอยู่ตลอดเวลาสัญญาอัจฉริยะเหล่านี้จะต้องได้รับการอัปเดตอย่างต่อเนื่องเพื่อพิจารณาการเปลี่ยนแปลงในการยอมรับความเสี่ยงสร้างความท้าทายสําหรับสัญญาที่ไม่ได้ควบคุมผ่านกระบวนการแบบรวมศูนย์ ตัวอย่างเช่น DAOs ที่พึ่งพากระบวนการกํากับดูแลแบบกระจายอํานาจอาจไม่สามารถตอบสนองได้เร็วพอที่จะตอบสนองต่อความเสี่ยงเชิงระบบ

สัญญารูปแบบสมาร์ทที่ผสมผสาน AI (เช่น โมเดลการเรียนรู้ของเครื่อง) เป็นหนึ่งในวิธีที่เป็นไปได้ในการเสริมฟังก์ชันและความปลอดภัยและประสิทธิภาพขณะที่ปรับปรุงประสบการณ์ของผู้ใช้โดยรวม การผสมผสานเหล่านี้ยังทำให้เกิดความเสี่ยงเพิ่มเติมอย่างไรก็ตาม เนื่องจากเป็นไปไม่ได้ที่จะให้ความมั่นใจได้ว่าโมเดลที่เป็นฐานของสัญญารูปแบบสมาร์ทเหล่านี้ไม่สามารถถูกใช้งานอย่างชัดเจนหรือพิจารณาสถานการณ์ที่ยากลำบากได้ (ซึ่งเป็นสิ่งที่ยากที่จะฝึกโมเดลในกลุ่มที่ยาวนาน)ขาดความจำเป็นของข้อมูลนำเข้าสำหรับพวกเขา)

Zero Knowledge Machine Learning (zkML)

แมชชีนเลิร์นนิงต้องการการประมวลผลจํานวนมากเพื่อเรียกใช้โมเดลที่ซับซ้อน ซึ่งป้องกันไม่ให้โมเดล AI ทํางานโดยตรงภายในสัญญาอัจฉริยะเนื่องจากมีค่าใช้จ่ายสูง ตัวอย่างเช่นโปรโตคอล DeFi ที่ให้ผู้ใช้เข้าถึงโมเดลการเพิ่มประสิทธิภาพผลตอบแทนจะต้องดิ้นรนเพื่อเรียกใช้โมเดลนั้นแบบ on-chain โดยไม่ต้องจ่ายค่าธรรมเนียมก๊าซที่สูง ทางออกหนึ่งคือการเพิ่มพลังการคํานวณของบล็อกเชนพื้นฐาน อย่างไรก็ตามสิ่งนี้ยังเพิ่มความต้องการในชุดผู้ตรวจสอบของห่วงโซ่ซึ่งอาจบ่อนทําลายคุณสมบัติการกระจายอํานาจ บางโครงการกําลังสํารวจการใช้ zkML เพื่อตรวจสอบผลลัพธ์ในลักษณะที่ไม่น่าเชื่อถือโดยไม่จําเป็นต้องมีการคํานวณแบบ on-chain อย่างเข้มข้น

หนึ่ง ทั่วไป ตัวอย่างที่ใช้ร่วมกันซึ่งแสดงให้เห็นถึงประโยชน์ของ zkML คือเมื่อผู้ใช้ต้องการให้คนอื่นเรียกใช้ข้อมูลผ่านแบบจําลองและตรวจสอบว่าคู่สัญญาของพวกเขาใช้โมเดลที่ถูกต้องจริง บางทีนักพัฒนาซอฟต์แวร์อาจใช้ผู้ให้บริการประมวลผลแบบกระจายอํานาจเพื่อฝึกอบรมโมเดลของพวกเขาและกังวลว่าผู้ให้บริการกําลังพยายามลดต้นทุนโดยใช้โมเดลที่ถูกกว่าพร้อมผลลัพธ์ที่แตกต่างกันอย่างเห็นได้ชัด zkML ช่วยให้ผู้ให้บริการประมวลผลสามารถเรียกใช้ข้อมูลผ่านแบบจําลองของพวกเขาแล้วสร้างหลักฐานที่สามารถตรวจสอบได้บน chain เพื่อพิสูจน์ว่าเอาต์พุตของโมเดลสําหรับอินพุตที่กําหนดนั้นถูกต้อง ในกรณีนี้ผู้ให้บริการโมเดลจะมีข้อได้เปรียบเพิ่มเติมของความสามารถในการนําเสนอโมเดลของพวกเขาโดยไม่ต้องเปิดเผยน้ําหนักพื้นฐานที่ผลิตเอาต์พุต

ตรงกันข้ามก็สามารถทําได้ หากผู้ใช้ต้องการเรียกใช้โมเดลโดยใช้ข้อมูลของตน แต่ไม่ต้องการให้โครงการที่ให้โมเดลเข้าถึงข้อมูลของตนเนื่องจากข้อกังวลด้านความเป็นส่วนตัว (เช่น ในกรณีของการตรวจร่างกายหรือข้อมูลทางธุรกิจที่เป็นกรรมสิทธิ์) จากนั้นผู้ใช้สามารถเรียกใช้โมเดลบนข้อมูลของตนได้โดยไม่ต้องแชร์แล้วตรวจสอบว่าพวกเขาเรียกใช้โมเดลที่ถูกต้องพร้อมหลักฐาน ความเป็นไปได้เหล่านี้ขยายพื้นที่การออกแบบอย่างมากสําหรับการรวม AI และฟังก์ชันสัญญาอัจฉริยะโดยจัดการกับข้อ จํากัด ในการประมวลผลที่ต้องห้าม

โครงสร้างพื้นฐานและเครื่องมือ

เนื่องจากอยู่ในระยะเริ่มต้นของพื้นที่ zkML การพัฒนามุ่งไปที่การสร้างโครงสร้างพื้นฐานและเครื่องมือที่จำเป็นสำหรับทีมในการแปลงโมเดลและผลลัพธ์ของตนให้เป็นพิสูจน์ที่สามารถตรวจสอบบนเชน ผลิตภัณฑ์เหล่านี้นำเสนอด้านศีลธรรมของภาพรวมในการพัฒนาให้มากที่สุด

EZKLและGiza มีสองโครงการที่สร้างเครื่องมือนี้โดยให้หลักฐานที่ตรวจสอบได้ของการดําเนินการโมเดลแมชชีนเลิร์นนิ่ง ทั้งสองช่วยทีมสร้างโมเดลแมชชีนเลิร์นนิงเพื่อให้แน่ใจว่าโมเดลเหล่านั้นสามารถดําเนินการในลักษณะที่ผลลัพธ์สามารถตรวจสอบได้อย่างน่าเชื่อถือบนเครือข่ายที่เชื่อถือได้ ทั้งสองโครงการใช้ Open Neural Network Exchange (ONNX) เพื่อเปลี่ยนโมเดลแมชชีนเลิร์นนิงที่เขียนในภาษาทั่วไป เช่น TensorFlow และ Pytorch ให้เป็นรูปแบบมาตรฐาน จากนั้นพวกเขาส่งออกรุ่นของโมเดลเหล่านั้นที่ผลิต zk-proofs เมื่อดําเนินการ EZKL เป็นโอเพ่นซอร์สและผลิต zk-SNARKS ในขณะที่ Giza เป็นแหล่งปิดและผลิต zk-STARKS ปัจจุบันทั้งสองโครงการรองรับ EVM เท่านั้น

EZKL ได้แสดงความก้าวหน้าที่สำคัญในเดือนที่ผ่านมาในการเสริมสร้างโซลูชัน zkML ของพวกเขา โดยเน้นหลักการลดต้นทุน, การปรับปรุงความปลอดภัยและการเร่งความเร็วในการสร้างพิสูจน์ในเดือนพฤศจิกายน 2023 เช่น เอซีเคเอล ได้รวมไลบรารี GPU โอเพนซอร์สใหม่ที่ลดเวลาพิสูจน์รวมลง 35% และในเดือนมกราคม เอซีเคเอลประกาศLilith, โซลูชันซอฟต์แวร์สำหรับการผสานคลัสเตอร์คอมพิวเตอร์ที่มีประสิทธิภาพสูงและการจัดการงานพร้อมกันเมื่อใช้ระบบพิสูจน์ EZKL Giza เป็นเอกลักษณ์ด้วยว่านอกจากการให้เครื่องมือสำหรับสร้างโมเดลเรียนรู้ของเครื่องที่สามารถยืนยันได้ พวกเขายังวางแผนที่จะนำเข้าเทียบเท่า web3Hugging Face, เปิดตัวตลาดผู้ใช้สำหรับการทำงานร่วมกันและแบ่งปันโมเดล zkML พร้อมทั้งการรวมการเสนอบริการคอมพิวต์แบบกระจายเส้นทางในที่สุด ในเดือนมกราคม EZKL ได้ปล่อยการประเมินเกณฑ์เปรียบเทียบประสิทธิภาพ EZKL, Giza, และ RiscZero (ที่ถูกอภิปรายด้านล่าง) EZKL ได้แสดงให้เห็นถึงเวลาการพิสูจน์ที่เร็วกว่าและการใช้หน่วยความจำ

Modulus Labs กำลังพัฒนาเทคนิค zk-proof ใหม่ที่ออกแบบ khusus สำหรับ AI models บริษัท Modulus ได้เผยแพร่เอกสารชื่อค่าใช้จ่ายของความฉลาด(ทำให้เห็นถึงค่าใช้จ่ายที่สูงมากในการเรียกใช้โมเดล AI บนเชื่อมโยง) ที่ทดสอบระบบ zk-proof ที่มีอยู่ในเวลานั้นเพื่อระบุความสามารถและจุดอ่อนในการปรับปรุงระบบ zk-proofs สำหรับโมเดล AI โดยเผยแพร่ในมกราคม 2023 ผลงานวิจัยชิ้นนี้แสดงให้เห็นว่าการเสนอของที่มีอยู่นั้นแพงเกินไปและไม่มีประสิทธิภาพพอที่จะทำให้แอปพลิเคชัน AI สามารถใช้งานได้ในขอบเขตของมาตราลัย ขยายต่อจากการวิจัยเบื้องต้นของพวกเขาในเดือนพฤศจิกายน Modulus@ModulusLabs/นำเสนอโมดูลัส-Bring AI on-chain-d75dcb82c5e3">แนะนำ Remainder, ช่างพิสูจน์ความรู้เฉพาะทางที่สร้างขึ้นมาเพื่อลดต้นทุนและเวลาในการพิสูจน์สำหรับโมเดล AI ด้วยเป้าหมายที่จะทำให้เป็นไปได้ทางเศรษฐกิจสำหรับโครงการที่ต้องการรวมโมเดลเข้ากับสัญญาอัจฉริยะของตนในขอบเขตใหญ่กว่า งานของพวกเขาเป็นโค้ดปิดและจึงไม่สามารถทดสอบเปรียบเทียบกับโซลูชันด้านบนได้ แต่ต่อมาถูกอ้างอิงใน Vitalik’s บล็อกโพสต์เกี่ยวกับคริปโตและ AI

การพัฒนาเครื่องมือและโครงสร้างพื้นฐานเป็นสิ่งสำคัญต่อการเติบโตของพื้นที่ zkML ในอนาคตเนื่องจากมันลดการเสียเวลาสำหรับทีมงานที่ต้องการใช้งานวงจร zk ที่จำเป็นสำหรับการดำเนินการคำนวณออฟเชนที่สามารถยืนยันได้ การสร้างอินเทอร์เฟซที่ปลอดภัยที่ทำให้ผู้สร้างที่ไม่ใช่คริปโตเนิเทีฟที่ทำงานในการเรียนรู้ของเครื่องจักรเข้าสู่เชือกโฟล์ดของพวกเขาสามารถเป็นสิ่งสำคัญที่จะทำให้การทดลองของแอปพลิเคชันที่มีกรณีการใช้งานที่แท้จริง นอกเหนือจากนี้เครื่องมือยังจะแก้ไขอุปสรรคที่ใหญ่ขึ้นต่อการนำ zkML ไปใช้ ที่เป็นการพัฒนาที่ไม่มีนักพัฒนาที่มีความรู้และสนใจในการทำงานที่ตัดข้ามระหว่างศาสตร์ความรู้ศาสตร์เครื่องจักรและคริปโต

Coprocessors

โซลูชันเสริมที่กำลังพัฒนาอยู่ ที่ถูกอ้างถึงว่าเป็น "coprocessors" รวมถึงRiscZero,อักซิอม, และ พิธีคำว่า coprocessor เป็นส่วนใหญ่เป็นสรรพสัมความ - เครือข่ายเหล่านี้ทำหลายบทบาทที่แตกต่างกัน รวมถึงการตรวจสอบการคำนวณ offchain บนเชือก อย่างกับ EZKL, Giza และ Modulus, พวกเขามุ่งเน้นที่จะทำให้กระบวนการสร้างพิสูจน์ที่รู้ว่าเป็นศูนย์มายานิชหรือ Zero-Knowledge เป็นอย่างสิ้นเชิง, สร้างเครื่องจำลองเสมือนที่รู้ว่าเป็นศูนย์มายานิชที่สามารถดำเนินโปรแกรม offchain และสร้างพิสูจน์เพื่อการตรวจสอบ on-chain. RiscZero และ Axiom สามารถ บริการโมเดล AI พื้นฐานเป็นเพียงส่วนเสริมทั่วไปในขณะที่ Ritual ถูกสร้างขึ้นเพื่อใช้กับโมเดล AI

อินเฟอร์เน็ตเป็นการสร้างอินสแตนซ์แรกของ Ritual และรวมถึง Infernet SDK ที่ช่วยให้นักพัฒนาสามารถส่งคําขออนุมานไปยังเครือข่ายและรับเอาต์พุตและหลักฐาน (ไม่บังคับ) เป็นการตอบแทน โหนด Infernet ได้รับคําขอเหล่านี้และจัดการการคํานวณนอกห่วงโซ่ก่อนที่จะส่งคืนเอาต์พุต ตัวอย่างเช่น DAO สามารถสร้างกระบวนการเพื่อให้แน่ใจว่าข้อเสนอการกํากับดูแลใหม่ทั้งหมดเป็นไปตามเงื่อนไขเบื้องต้นบางประการก่อนที่จะส่ง ทุกครั้งที่มีการส่งข้อเสนอใหม่สัญญาการกํากับดูแลจะเรียกใช้คําขออนุมานผ่าน Infernet ที่เรียกโมเดล AI ที่ผ่านการฝึกอบรมด้านการกํากับดูแลเฉพาะของ DAO แบบจําลองจะตรวจสอบข้อเสนอเพื่อให้แน่ใจว่ามีการส่งเกณฑ์ที่จําเป็นทั้งหมดและส่งคืนผลลัพธ์และหลักฐานไม่ว่าจะอนุมัติหรือปฏิเสธการส่งข้อเสนอ

ในระยะเวลาที่จะถึงนี้ ทีม Ritual วางแผนที่จะเปิดตัวคุณลักษณะเพิ่มเติมที่เป็นฐานระบบพื้นฐานที่เรียกว่า Ritual Superchain โปรเจกต์หลายๆ รายได้รับการพูดถึงก่อนหน้านี้อาจจะเชื่อมต่อกับ Ritual เป็นผู้ให้บริการบริการ ทีม Ritual ได้รวมกับ EZKL สำหรับการสร้างพิสูจน์และเป็นไปได้ว่าในเร็วๆ นี้จะเพิ่มฟังก์ชันจากผู้ให้บริการชั้นนำอื่นๆ โหนด Infernet บน Ritual ยังสามารถใช้ Akash หรือ io.net GPUs และสอบถามโมเดลที่ฝึกอบรมบน Bittensor subnets จุดมุ่งหมายสุดท้ายของพวกเขาคือการเป็นผู้ให้บริการหลักสำหรับโครงสร้างพื้นฐาน AI ที่เปิดให้บริการ สามารถให้บริการงานเชิงเครื่องซึ่งเป็นการเรียนรู้ของเครื่องและงานที่เกี่ยวข้องกับ AI จากเครือข่ายใดก็ได้ทั่วทุกภารกิจงาน

แอปพลิเคชัน

zkML ช่วยปรองดอนความขัดแย้งระหว่างบล็อกเชนและ AI ที่ที่บล็อกเชนเป็นข้อจำกัดทรัพยากรโดยธรรมชาติและอีกตัวต้องการประมวลผลและข้อมูลจำนวนมากวางมันการใช้งานมีอยู่มากมาย... มันเหมือนกับการถามในวันเริ่มต้นของ Ethereum ว่า smart contracts มีการใช้งานอย่างไร... สิ่งที่เราทำคือการขยายการใช้งานของ smart contracts อย่างเดียว อย่างที่ได้เน้นไว้ข้างต้น ว่า การพัฒนาในปัจจุบันมีการเกิดขึ้นโดยส่วนใหญ่ที่ระดับเครื่องมือและโครงสร้างพื้นฐาน แอปพลิเคชันยังอยู่ในช่วงสำรวจ ทีมต้องพยายามให้เห็นว่าค่าที่สร้างขึ้นจากการใช้งานโมเดลโดยใช้ zkML มีความสำคัญกว่าความซับซ้อนและค่าใช้จ่ายในการทำ

บางแอปพลิเคชันวันนี้รวมถึง:

• การเงินที่ไม่มีศูนย์กลาง การอัพเกรด zkML ทำให้พื้นที่การออกแบบสำหรับ DeFi ก้าวขึ้นอีกขั้น โดยการเพิ่มความสามารถของสมาร์ทคอนแทรค โปรโตคอล DeFi ให้แบบจำลองเรียนรู้ของเครื่องด้วยข้อมูลที่สามารถยืนยันและทำให้อยู่ในสภาพที่ไม่สามารถเปลี่ยนแปลง ซึ่งสามารถใช้ในการสร้างกลยุทธ์ที่ผลิตผลตอบแทนหรือซื้อขาย การวิเคราะห์ความเสี่ยง ประสบการณ์ UX และอีกมากมาย ตัวอย่างเช่น Giza มีพันธมิตร with Yearn Finance to build a proof-of-concept automated risk assessment engine for Yearn’s new v3 vaults. Modulus Labs has @ModulusLabs/chapter-4-blockchains-that-self-improve-e9716c041f36">worked with Lyra Finance on incorporating machine learning into their AMMs, isเป็นพันธมิตรกับโปรโตคอลไอออนเพื่อสร้างรูปแบบในการวิเคราะห์ความเสี่ยงของผู้ตรวจสอบ และช่วยUpshotตรวจสอบข้อมูลราคา NFT ที่มีพลังงาน AI ของพวกเขา โปรโตคอลเหมือนNOYA(ซึ่งใช้ EZKL) และโมแซย์ are providing access to proprietary offchain models that give users access to automated yield farming while enabling them to verify the data inputs and proofs on-chain. สเปกทรัล ไฟแนนซ์กำลังสร้างเครดิตสกอร์เชิงอักษรบนเชนเพื่อทำนายความน่าจะเป็นที่ผู้กู้ยืมของ Compound หรือ Aave จะค่างชำระหนี้ของพวกเขา ผลิตภัณฑ์ที่เรียกว่า “De-Ai-Fi” เหล่านี้มีน่าจะกลายเป็นที่พึงประสงค์มากขึ้นในปีข้างหน้า ด้วยความขอบคุณต่อ zkML
• เกม การเล่นเกมได้ถูกพิจารณาว่าเป็นเวลานานที่เหมาะสมสำหรับการทำลายและปรับปรุงโดยบล็อกเชนสาธารณะ (สำหรับข้อมูลเพิ่มเติมเกี่ยวกับคริปโตและการเล่นเกม อ่านรายงานจาก Galaxy Digital นี้ - ประวัติศาสตร์ของเกมและอนาคต Web3 ของมัน). zkML ทำให้การเล่นเกม on-chain ด้วยปัญญาประดิษฐ์เป็นไปได้Modulus Labsได้ใช้งานแล้วสำหรับการพิสูจน์แนวคิดของเกมบนเชนอย่างง่ายLeela vs the Worldเป็นเกมทฤษฎีเกมชนิดหนึ่งที่ผู้ใช้ต้องเผชิญหน้ากับโมเดล AI ของเกมบี้ โดย zkML ยืนยันว่าทุกการเคลื่อนไหวของ Leela จะต้องขึ้นอยู่กับโมเดลที่เกมกำลังทำงานอยู่ โดยเช่นเดียวกันทีมได้ใช้โครงสร้าง EZKL เพื่อสร้างการแข่งขันร้องเพลงและ tictactoe บนเชน. Cartridgeใช้ Giza เพื่อให้ทีมสามารถติดตั้งเกมในเครือข่ายอย่างเต็มรูปแบบ โดยเร็วที่สุดการเน้นเกมขับรถ AI ที่ง่าย ที่ผู้ใช้แข่งขันเพื่อสร้างโมเดลที่ดีกว่าสำหรับรถที่พยายามหลีกเลี่ยงอุปสรรค ขณะที่เรื่องง่าย พวกเห็นที่ความเป็นไปได้นี้ชี้ทางไปสู่การใช้งานในอนาคตที่จะทำให้การยืนยันบนเชนที่ซับซ้อนขึ้นเช่นตัวละคร NPC ที่ซับซ้อนที่สามารถโต้ตอบกับเศรษฐมนุษย์ในเกมเช่นเห็นได้ใน@ModulusLabs/chapter-5-the-cost-of-intelligence-da26dbf93307">AI Arena, เกมที่คล้ายกับ super smash brothers ที่ผู้เล่นฝึกฝนนักมวยของพวกเขาซึ่งจากนั้นจะถูกนำไปใช้เป็นโมเดล AI เพื่อสู้
• Identity, Provenance, and Privacy. คริปโต กำลังถูกใช้งานอยู่แล้วใช้เป็นวิธีในการยืนยันความถูกต้องและต่อต้านปริมาณของเนื้อหาที่สร้างขึ้นโดย AI และถูกปรับเปลี่ยนและวีดีโอปลอม zkML สามารถเสนอการพัฒนาเหล่านั้นได้อย่างไร้ขีดจำกัด WorldCoin เป็น solutio ที่พิสูจน์ถึงตัวบุคคลซึ่งต้องการผู้ใช้สแกนดวงตาเพื่อสร้าง ID ที่เป็นเอกลักษณ์ ในอนาคต ID ทางชีวภาพอาจจะการเก็บรักษาด้วยตนเองบนอุปกรณ์ส่วนบุคคลโดยใช้การเก็บข้อมูลที่เข้ารหัสด้วยรูปแบบที่จำเป็นในการยืนยันชีพจรของผู้ใช้โดยการทำงานในพื้นที่ท้องถิ่น ผู้ใช้จึงสามารถให้ข้อพิสูจน์เกี่ยวกับชีพจรของพวกเขาโดยไม่จำเป็นต้องเปิดเผยตัวตนว่าพวกเขาคือใคร โดยต่อต้านการโจมตีจากฝักสีบิล พร้อมรักษาความเป็นส่วนตัว นอกจากนี้ยังสามารถนำไปใช้ในการสรุปอื่นๆที่ต้องการความเป็นส่วนตัว เช่น การใช้โมเดลการวิเคราะห์ข้อมูล/ภาพการแพทย์เพื่อตรวจพบโรค การยืนยันตัวตนและการพัฒนาอัลกอริทึมที่เกี่ยวข้องในแอปพลิเคชันเดทติ้ง หรือสำหรับบริษัทประกันและสถาบันการเงินที่ต้องการยืนยันข้อมูลทางการเงิน

ทัศนคติ

zkML ยังอยู่ในขั้นตอนทดลองกับโครงการส่วนใหญ่ที่เน้นการสร้างพื้นฐานพื้นฐานและพิสูจน์แนวคิด ความท้าทายในปัจจุบันรวมถึงค่าทำการทางคอมพิวเตอร์ ข้อจำกัดของหน่วยความจำ ความซับซ้อนของโมเดล เครื่องมือและพื้นฐานที่จำกัด และความสามารถของนักพัฒนา กล่าวคือ มีงานที่ต้องทำมากขึ้นก่อนที่ zkML จะสามารถนำมาใช้ในขั้นตอนที่จำเป็นสำหรับผลิตภัณฑ์ผู้บริโภค

อย่างไรก็ตามเมื่อฟิลด์เติบโตขึ้นและข้อ จํากัด เหล่านี้ได้รับการแก้ไข zkML จะกลายเป็นองค์ประกอบที่สําคัญของการรวม AI และการเข้ารหัสลับ หัวใจหลักของ zkML ให้คํามั่นสัญญาว่าจะนําการประมวลผลแบบ off-chain ทุกขนาดบน chain ในขณะที่ยังคงไว้ซึ่งการรับรองความปลอดภัยแบบเดิมหรือใกล้เคียงกับการคํานวณแบบ on-chain อย่างไรก็ตามจนกว่าจะมีวิสัยทัศน์นั้นผู้ใช้เทคโนโลยีรุ่นแรก ๆ จะยังคงต้องสร้างสมดุลระหว่างความเป็นส่วนตัวและความปลอดภัยของ zkML และประสิทธิภาพของทางเลือก

เอไอ เอเจนต์

หนึ่งในการผสานรวมที่น่าตื่นเต้นมากขึ้นของ AI และ crypto คือการทดลองอย่างต่อเนื่องกับ AI Agents เอเจนต์เป็นบอทอิสระที่สามารถรับ ตีความ และดําเนินงานโดยใช้โมเดล AI นี่อาจเป็นอะไรก็ได้จากการมีผู้ช่วยส่วนตัวที่พร้อมใช้งานเสมอซึ่งปรับแต่งตามความต้องการของคุณไปจนถึงการจ้างตัวแทนทางการเงินที่จัดการและปรับพอร์ตโฟลิโอของคุณตามความต้องการความเสี่ยงของคุณ

ตัวแทนและคริปโตตรงกันอย่างดีเพราะโครงสร้างการชำระเงินที่ไม่จำเป็นต้องขออนุญาตและไม่มีความเชื่อถือที่คริปโตนำมา หลังจากที่ได้รับการฝึกฝนแล้ว ตัวแทนสามารถได้รับกระเป๋าสตางค์เพื่อทำธุรกรรมกับสัญญาอัจฉริยะได้เอง ตัวแทนที่เรียบง่ายในปัจจุบันเช่นตัวอย่าง สามารถค้นเว็บไซต์เพื่อหาข้อมูลและทำธุรกรรมในตลาดทำนายโดยใช้โมเดล

ผู้ให้บริการเอเจนต์

โมรเฟียสเป็นหนึ่งในโครงการเอเจนต์โอเพ่นซอร์สล่าสุดที่จะเข้าสู่ตลาดบน Ethereum และ Arbitrum ในปี 2024 กระดาษขาวของมันได้รับการเผยแพร่อย่างไม่ระบุชื่อเมื่อเดือนกันยายน 2023 ซึ่งเป็นพื้นฐานสำหรับชุมชนให้เกิดขึ้นและสร้างขึ้นรอบ ๆ (รวมถึงบุคคลสำคัญ เช่นErik Vorhees). ได้รับการออกแบบมาอย่างดี โปรโตคอลเอเจ้นท์อัจฉริยะ, ซึ่งเป็น LLM แบบเปิดที่สามารถทำงานบนเครื่องที่ตั้งท้องที่โดยใช้กระเป๋าสตางค์ของผู้ใช้และสื่อสารกับสมาร์ทคอนแทรค มันใช้ อันดับสมาร์ทคอนแทรกเพื่อช่วยให้เอเจนต์สามารถกำหนดว่าสมาร์ทคอนแทร็คไหนที่ปลอดภัยในการโต้ตอบตามเกณฑ์ เช่น จำนวนธุรกรรมที่ประมวลผล

เอกสารไวท์เปเปอร์ยังให้กรอบสําหรับการสร้างเครือข่าย Morpheus เช่น โครงสร้างแรงจูงใจและโครงสร้างพื้นฐานที่จําเป็นเพื่อให้ Smart Agent Protocol ทํางานได้ ซึ่งรวมถึงการจูงใจให้ผู้สนับสนุนสร้างส่วนหน้าสําหรับการโต้ตอบกับเอเจนต์ API สําหรับนักพัฒนาเพื่อสร้างแอปพลิเคชันที่สามารถเสียบเข้ากับเอเจนต์เพื่อให้พวกเขาสามารถโต้ตอบกันได้ และโซลูชันระบบคลาวด์ที่ช่วยให้ผู้ใช้สามารถเข้าถึงการประมวลผลและพื้นที่เก็บข้อมูลที่จําเป็นในการเรียกใช้เอเจนต์บนอุปกรณ์ Edge เงินทุนเริ่มต้นสําหรับโครงการเปิดตัวในต้นเดือนกุมภาพันธ์โดยโปรโตคอลเต็มรูปแบบคาดว่าจะเปิดตัวใน 2Q24

ระบบพื้นฐานอัตโนมัติที่ไม่มีส่วนรวม (DAIN)เป็นโปรโตคอลโครงสร้างพร็อกซีเดนต์ใหม่ที่กำลังสร้างระบบเศรษฐกิจจากเศรษฐีไปยังเศรษฐีบน Solana DAIN มีเป้าหมายที่จะทำให้เศรษฐีจากธุรกิจที่แตกต่างกันสามารถโต้ตอบกันได้อย่างราบรื่นผ่าน API สากล ซึ่งเปิดโอกาสออกแบบได้อย่างมีนวัตกรรมสำหรับเศรษฐี AI ที่เน้นการประยุกต์ใช้เศรษฐีที่สามารถโต้ตอบกับผลิตภัณฑ์ทั้ง web2 และ web3 ในเดือน มกราคม DAIN ประกาศลงชื่อเขาพันธมิตรด้วย Asset Shield ที่ทำให้ผู้ใช้สามารถเพิ่ม “ตัวอนุญาตเหตุการณ์” เข้าไปใน multisig ของตนซึ่งสามารถตีความธุรกรรมและอนุมัติ/ปฏิเสธโดยขึ้นอยู่กับกฎที่ผู้ใช้กำหนด

Fetch.AIเป็นหนึ่งในโปรโตคอล AI Agent แรกที่ถูกนำไปใช้และได้พัฒนานิเคอร์เคซั่นสำหรับการสร้าง การนำไปใช้ และการใช้งานเอเจนต์ on-chain โดยใช้ FET token และ Fetch.AI พรอโทคอลให้ชุดเครื่องมือและแอปพลิเคชันอย่างครบครันสำหรับการใช้เอเจนท์ รวมถึงความสามารถในการโต้ตอบและสั่งซื้อเอเจนท์ในวอลเล็ต

Autonolas, ผู้ก่อตั้งรวมถึงสมาชิกก่อนหน้าจากทีม Fetch เป็นต้นฉบับเป็นตลาดเปิดสำหรับการสร้างและใช้งานตัวแทน AI แบบกระจาย Autonolas ยังมีเครื่องมือชุดหลักสำหรับนักพัฒนาที่จะสร้างตัวแทน AI ที่โฮสต์ออฟเชนและสามารถเชื่อมต่อกับบล็อกเชนหลายรายการ รวมถึง Polygon, Ethereum, Gnosis Chain, และ Solana พวกเขาในปัจจุบันมีตัวอย่างการพิสูจน์ของตัวแทนที่ใช้งานอยู่ไม่กี่ตัวผลิตภัณฑ์ รวมถึงใช้ในตลาดการคาดการณ์และการกํากับดูแล DAO

SingularityNetกำลังสร้างตลาดที่ไม่ central สำหรับตัวแทน AI ที่คนสามารถใช้งานตัวแทน AI ที่เน้นจุดเฉพาะได้ที่ผู้อื่นหรือตัวแทนอื่นเช่าเพื่อดำเนินภารกิจที่ซับซ้อน ผู้อื่นเช่นAlteredStateMachineกําลังสร้างการผสานรวม AI Agent กับ NFT ผู้ใช้สร้าง NFT ด้วยแอตทริบิวต์แบบสุ่มที่ให้จุดแข็งและจุดอ่อนสําหรับงานต่างๆ ตัวแทนเหล่านี้สามารถได้รับการฝึกฝนเพื่อปรับปรุงคุณลักษณะบางอย่างสําหรับการใช้งานเช่นการเล่นเกม DeFi หรือเป็นผู้ช่วยเสมือนและแลกเปลี่ยนกับผู้ใช้รายอื่น

โครงการเหล่านี้มองเห็นระบบนิเวศในอนาคตของตัวแทนที่สามารถทํางานร่วมกันเพื่อไม่เพียง แต่ดําเนินงาน แต่ยังช่วยสร้างปัญญาประดิษฐ์ทั่วไป ตัวแทนที่มีความซับซ้อนอย่างแท้จริงจะมีความสามารถในการตอบสนองงานของผู้ใช้โดยอัตโนมัติ ตัวอย่างเช่นแทนที่จะต้องตรวจสอบให้แน่ใจว่าตัวแทนได้รวมเข้ากับ API ภายนอกแล้ว (เช่นเว็บไซต์จองการเดินทาง) ก่อนที่จะใช้งานตัวแทนที่เป็นอิสระอย่างสมบูรณ์จะมีความสามารถในการหาวิธีจ้างตัวแทนอื่นเพื่อรวม API แล้วดําเนินงาน จากมุมมองของผู้ใช้ ไม่จําเป็นต้องตรวจสอบว่าเอเจนต์สามารถทํางานให้สําเร็จได้หรือไม่ เนื่องจากเอเจนต์สามารถระบุได้ด้วยตนเอง

บิตคอยน์และเอไอ เอเย็นต์

ในเดือนกรกฎาคม 2023,ไลท์นิ่ง แล็บส์วางแผนการดำเนินการทดลองใช้ตัวแทนบนเครือข่ายไฟฟ้าสายสายที่เรียกว่า LangChain Bitcoin Suite ผลิตภัณฑ์นี้น่าสนใจอย่างยิ่งเนื่องจากมุ่งเน้นการแก้ปัญหาที่กำลังเจออยู่ในโลกเว็บ 2gated และ แพง คีย์ API สําหรับเว็บแอปพลิเคชัน

LangChain แก้ปัญหานี้โดยการจัดหาชุดเครื่องมือที่ช่วยให้ตัวแทนสามารถซื้อขายและถือ Bitcoin รวมถึงค้นหาคีย์ API และส่งการชําระเงินขนาดเล็ก ในขณะที่บนรางการชําระเงินแบบดั้งเดิมการชําระเงินขนาดเล็กเป็นค่าใช้จ่ายที่ต้องห้ามเนื่องจากค่าธรรมเนียมตัวแทน Lightning Network สามารถส่งการชําระเงินขนาดเล็กได้ไม่ จํากัด ทุกวันโดยมีค่าธรรมเนียมน้อยที่สุด เมื่อรวมกับเฟรมเวิร์ก API แบบวัดปริมาณการชําระเงิน L402 ของ LangChain สิ่งนี้จะช่วยให้ บริษัท ต่างๆสามารถปรับค่าธรรมเนียมการเข้าถึง API ของตนได้เมื่อการใช้งานเพิ่มขึ้นและลดลงแทนที่จะกําหนดมาตรฐานที่ห้ามค่าใช้จ่ายเพียงอย่างเดียว

ในอนาคตที่กิจกรรมแบบ on-chain ถูกครอบงําโดยตัวแทนที่มีปฏิสัมพันธ์กับตัวแทนสิ่งนี้เป็นสิ่งจําเป็นเพื่อให้แน่ใจว่าตัวแทนสามารถโต้ตอบกันในลักษณะที่ไม่เสียค่าใช้จ่าย นี่เป็นตัวอย่างแรกของการใช้ตัวแทนบนรางการชําระเงินที่ไม่ได้รับอนุญาตและคุ้มค่าเปิดโอกาสสําหรับตลาดใหม่และการโต้ตอบทางเศรษฐกิจ

มุมมอง

พื้นที่ของตัวแทนยังเป็นเรื่องใหม่ ๆ โครงการกำลังเริ่มต้นเปิดตัวตัวแทนที่สามารถจัดการงานที่เรียบง่ายโดยใช้โครงสร้างของพวกเขา - ซึ่งมักจะเข้าถึงได้เฉพาะนักพัฒนาซอฟต์แวร์และผู้ใช้ที่มีประสบการณ์ ตลอดเวลา อย่างไรก็ตาม ผลกระทบที่ใหญ่ที่สุดที่ตัวแทน AI จะมีต่อสกุลเงินดิจิตอลคือ การปรับปรุง UX ทั่วทุกแนวทาง การทำธุรกรรมจะเริ่มเปลี่ยนจากการคลิกจุดไปยังการใช้ข้อความ โดยผู้ใช้สามารถที่จะโต้ตอบกับตัวแทน on-chain ผ่าน LLMs ทีมงานเช่นกันกระเป๋าเงิน Dawn are introducing chat-bot wallets for users to interact on chain.

นอกจากนี้ยังไม่ชัดเจนว่าตัวแทนสามารถทำงานได้อย่างไรในเว็บ 2 ที่เส้นทางการเงินขึ้นอยู่กับสถาบันการเงินที่ได้รับการควบคุมซึ่งไม่ทำงาน 24/7 และไม่สามารถดำเนินธุรกรรมข้ามชาติได้อย่างไม่มีรอยร่องLyn Alden ได้เน้นย้ําว่า crypto rails มีความน่าสนใจเป็นพิเศษเมื่อเทียบกับบัตรเครดิตเนื่องจากไม่มีการปฏิเสธการชําระเงินและความสามารถในการประมวลผลไมโครทรานส์แอคชั่น อย่างไรก็ตามหากตัวแทนกลายเป็นวิธีการทําธุรกรรมทั่วไปมีแนวโน้มว่าผู้ให้บริการชําระเงินและแอปพลิเคชันที่มีอยู่จะย้ายไปอย่างรวดเร็วเพื่อใช้โครงสร้างพื้นฐานที่จําเป็นสําหรับพวกเขาในการดําเนินการบนรางทางการเงินที่มีอยู่ซึ่งช่วยลดประโยชน์บางประการของการใช้ crypto

สําหรับตอนนี้ตัวแทนมีแนวโน้มที่จะถูก จํากัด ให้อยู่ในธุรกรรม crypto-to-crypto ที่กําหนดซึ่งรับประกันเอาต์พุตที่กําหนดสําหรับอินพุตที่กําหนด ทั้งสองรุ่นซึ่งกําหนดความสามารถของตัวแทนเหล่านี้ในการหาวิธีดําเนินงานที่ซับซ้อนและเครื่องมือซึ่งขยายขอบเขตของสิ่งที่พวกเขาสามารถทําได้จําเป็นต้องมีการพัฒนาต่อไป เพื่อให้ตัวแทน crypto มีประโยชน์นอกเหนือจากกรณีการใช้งาน crypto แบบ on-chain ใหม่จะต้องมีการบูรณาการและการยอมรับ crypto เป็นรูปแบบการชําระเงินที่กว้างขึ้นรวมถึงความชัดเจนด้านกฎระเบียบ อย่างไรก็ตามเมื่อส่วนประกอบเหล่านี้พัฒนาขึ้นตัวแทนจึงกลายเป็นหนึ่งในผู้บริโภครายใหญ่ที่สุดของการประมวลผลแบบกระจายอํานาจและโซลูชัน zkML ที่กล่าวถึงข้างต้นโดยทําหน้าที่ในลักษณะที่ไม่กําหนดอิสระเพื่อรับและแก้ปัญหาใด ๆ

สรุป

AI นำเสนอความประดิษฐ์ที่เหมือนกันในคริปโตที่เราเห็นอยู่ใน web2 ซึ่งเพิ่มเติมทุกอย่างตั้งแต่พัฒนาโครงสร้างพื้นฐานไปจนถึงประสบการณ์ของผู้ใช้และความเข้าถึง อย่างไรก็ตาม โครงการยังอยู่ในช่วงต้นของการวิวัฒนาและการผสมผสานระหว่างคริปโตและ AI ในระยะเวลาใกล้ชิดจะมีการบริหารโดยส่วนใหญ่โดยการผสมผสานแบบออฟเชน

ผลิตภัณฑ์เช่น Copilot จะ “10x”ความมีประสิทธิภาพของนักพัฒนา ด้วยเลเยอร์ 1s และ DeFiแอปพลิเคชันที่มีแพลตฟอร์มการพัฒนาที่มีการช่วยเหลือด้วย AI ที่เริ่มทำงานร่วมกับบริษัทใหญ่ เช่น Microsoft บริษัทเช่น Cub3.aiและเครื่องทดสอบกำลังพัฒนาการผสาน AI สำหรับการตรวจสอบสัญญาอัจฉริยะและการตรวจสอบความเสี่ยงแบบเรียลไทม์เพื่อเสริมความปลอดภัยบนเชน และ LLM chatbot กำลังถูกฝึกใช้อย่างมีประสิทธิภาพและ UX สำหรับผู้ใช้โดยใช้ข้อมูลบนเชน เอกสารโปรโตคอล และแอปพลิเคชัน

สําหรับการผสานรวมขั้นสูงที่ใช้ประโยชน์จากเทคโนโลยีพื้นฐานของ crypto อย่างแท้จริงความท้าทายยังคงแสดงให้เห็นว่าการใช้โซลูชัน AI แบบ on-chain นั้นเป็นไปได้ทั้งทางเทคนิคและเป็นไปได้ทางเศรษฐกิจในวงกว้าง การพัฒนาการประมวลผลแบบกระจายอํานาจ zkML และตัวแทน AI ชี้ให้เห็นถึงแนวดิ่งที่มีแนวโน้มซึ่งกําลังวางรากฐานสําหรับอนาคตที่ crypto และ AI เชื่อมโยงกันอย่างลึกซึ้ง

ข้อความประกาศ

1. บทความนี้ถูกนำมาจาก [ กาแล็กซี่]. ลิขสิทธิ์ทั้งหมดเป็นของผู้เขียนต้นฉบับ [ลูคัส เชยาน]. หากมีข้อต่อต้านต่อการพิมพ์ฉบับนี้ โปรดติดต่อGate เรียนทีม และพวกเขาจะดูแลให้ทันที
2. คำโปรดประกาศ: มุมมองและความคิดเห็นที่แสดงในบทความนี้เป็นเพียงของผู้เขียนเท่านั้น และไม่เป็นการให้คำแนะนำในการลงทุนใด ๆ
3. การแปลบทความเป็นภาษาอื่นๆ โดยทีม Gate Learn ถูกดำเนินการ ยกเว้นการกล่าวถึง การคัดลอก การกระจาย หรือการลอกเลียนแบบบทความที่ถูกแปล ถูกห้าม