Trí tuệ nhân tạo phi tập trung có thể mở ra một xã hội hậu khan hiếm, Giám đốc điều hành 0G Labs nói.

Cuộc trò chuyện xung quanh AI đã phát triển từ việc đặt câu hỏi về tính liên quan của nó sang việc tập trung vào việc làm cho nó đáng tin cậy và hiệu quả hơn khi việc sử dụng của nó trở nên phổ biến. Michael Heinrich hình dung một tương lai mà AI thúc đẩy một xã hội hậu khan hiếm, giải phóng cá nhân khỏi những công việc tầm thường và cho phép theo đuổi sáng tạo nhiều hơn.

Nỗi Dilemma Dữ Liệu: Chất Lượng, Nguồn Gốc và Niềm Tin

Cuộc thảo luận xung quanh trí tuệ nhân tạo (AI) đã thay đổi một cách căn bản. Câu hỏi không còn là về sự liên quan của nó, mà là làm thế nào để làm cho nó đáng tin cậy, minh bạch và hiệu quả hơn khi việc triển khai của nó trở nên phổ biến trong mọi lĩnh vực.

Mô hình AI hiện tại, được chi phối bởi các mô hình “hộp đen” tập trung và các trung tâm dữ liệu khổng lồ, độc quyền, đang phải đối mặt với áp lực ngày càng tăng từ những lo ngại về thiên lệch và sự kiểm soát độc quyền. Đối với nhiều người trong lĩnh vực Web3, giải pháp không nằm ở việc quy định chặt chẽ hơn hệ thống hiện tại, mà là trong việc phân quyền hoàn toàn cơ sở hạ tầng nền tảng.

Hiệu quả của những mô hình AI mạnh mẽ này, chẳng hạn, trước hết được xác định bởi chất lượng và tính toàn vẹn của dữ liệu mà chúng được đào tạo - một yếu tố phải có thể xác minh và truy xuất được để ngăn chặn các lỗi hệ thống và ảo tưởng AI. Khi mức độ quan trọng gia tăng đối với các ngành như tài chính và chăm sóc sức khỏe, nhu cầu về một nền tảng AI không cần tin cậy và minh bạch trở nên rất quan trọng.

Michael Heinrich, một doanh nhân dày dạn kinh nghiệm và là cựu sinh viên Stanford, đang dẫn đầu nỗ lực xây dựng nền tảng đó. Là CEO của 0G Labs, ông hiện đang phát triển cái mà ông mô tả là chuỗi AI đầu tiên và lớn nhất, với sứ mệnh đã được tuyên bố là đảm bảo AI trở thành một tài sản công an toàn và có thể xác minh. Sau khi từng sáng lập Garten, một công ty hàng đầu được YCombinator hỗ trợ, và làm việc tại Microsoft, Bain và Bridgewater Associates, Heinrich hiện đang áp dụng chuyên môn của mình vào những thách thức kiến trúc của AI phi tập trung (DeAI).

Heinrich nhấn mạnh rằng cốt lõi của hiệu suất AI nằm ở cơ sở tri thức của nó: dữ liệu. “Hiệu quả của các mô hình AI được xác định trước hết bởi dữ liệu nền tảng mà chúng được đào tạo,” ông giải thích. Các bộ dữ liệu chất lượng cao, cân bằng dẫn đến những phản hồi chính xác, nhưng dữ liệu kém hoặc không được đại diện dẫn đến sản phẩm đầu ra chất lượng kém và độ nhạy cảm cao hơn với ảo giác.

Đối với Heinrich, việc duy trì tính toàn vẹn của những bộ dữ liệu đa dạng và liên tục cập nhật này đòi hỏi một sự thay đổi triệt để so với hiện trạng. Ông lập luận rằng thủ phạm chính gây ra ảo giác AI là sự thiếu minh bạch về nguồn gốc. Phương pháp chữa trị của ông là mã hóa:

Tôi tin rằng tất cả dữ liệu nên được neo trên chuỗi với các chứng cứ mã hóa và dấu vết chứng minh có thể xác minh để duy trì tính toàn vẹn của dữ liệu.

Nền tảng phi tập trung, minh bạch này, kết hợp với các ưu đãi kinh tế và việc tinh chỉnh liên tục, được coi là cơ chế cần thiết để loại bỏ hệ thống các lỗi và thiên lệch thuật toán.

Ngoài các giải pháp kỹ thuật, Heinrich, một người được vinh danh trong danh sách 40 Under 40 của Forbes, có một tầm nhìn vĩ mô về AI, tin rằng nó nên mở ra một kỷ nguyên phong phú.

“Trong một thế giới lý tưởng, nó hy vọng sẽ tạo ra điều kiện cho một xã hội hậu khan hiếm, nơi tài nguyên trở nên dồi dào và nơi không ai phải lo lắng về việc làm những công việc tầm thường nữa,” ông nói. Sự chuyển mình này sẽ cho phép cá nhân “tập trung vào những công việc sáng tạo và thư giãn hơn,” về cơ bản cho phép mọi người tận hưởng nhiều thời gian rảnh rỗi hơn và an ninh kinh tế.

Điều quan trọng, ông lập luận rằng thế giới phi tập trung đặc biệt phù hợp để thúc đẩy tương lai này. Vẻ đẹp của những hệ thống này là chúng được căn chỉnh theo động lực, tạo ra một nền kinh tế tự cân bằng cho sức mạnh tính toán. Nếu nhu cầu về tài nguyên tăng lên, động lực cung cấp chúng sẽ tự nhiên tăng lên cho đến khi nhu cầu đó được đáp ứng, thỏa mãn nhu cầu về tài nguyên tính toán theo cách cân bằng, không cần xin phép.

Bảo vệ AI: Mã nguồn mở và thiết kế khuyến khích

Để bảo vệ AI khỏi việc lạm dụng có chủ đích—như lừa đảo bằng giọng nói và deepfake—Heinrich đề xuất một sự kết hợp giữa các giải pháp tập trung vào con người và kiến trúc. Đầu tiên, trọng tâm nên là giáo dục mọi người cách nhận diện lừa đảo AI và fake được sử dụng để giả mạo và thông tin sai lệch. Heinrich tuyên bố: Chúng ta cần dạy cho mọi người cách nhận diện hoặc xác định nội dung do AI tạo ra để họ có thể tự bảo vệ mình.

Các nhà lập pháp cũng có thể đóng vai trò bằng cách thiết lập các tiêu chuẩn toàn cầu về an toàn và đạo đức AI. Mặc dù điều này khó có thể loại bỏ việc lạm dụng AI, sự hiện diện của những tiêu chuẩn như vậy “có thể góp phần làm giảm bớt điều đó.” Tuy nhiên, biện pháp đối phó mạnh mẽ nhất được dệt vào thiết kế phi tập trung: “Thiết kế các hệ thống phù hợp với lợi ích có thể giảm đáng kể việc lạm dụng AI có chủ ý.” Bằng cách triển khai và quản lý các mô hình AI trên chuỗi, sự tham gia trung thực được thưởng, trong khi hành vi độc hại sẽ phải chịu hậu quả tài chính trực tiếp thông qua các cơ chế cắt giảm trên chuỗi.

Trong khi một số nhà phê bình lo ngại về những rủi ro của các thuật toán mở, Heinrich nói với Bitcoin.com News rằng ông ủng hộ điều này một cách nhiệt tình vì nó cung cấp khả năng nhìn thấy cách các mô hình hoạt động. “Những điều như hồ sơ đào tạo có thể xác minh và các dấu vết dữ liệu không thể thay đổi có thể được sử dụng để đảm bảo tính minh bạch và cho phép sự giám sát của cộng đồng,” điều này trực tiếp phản bác lại những rủi ro liên quan đến các mô hình “hộp đen” độc quyền, mã nguồn đóng.

Để hiện thực hóa tầm nhìn về một tương lai AI an toàn và chi phí thấp, 0G Labs đang xây dựng “hệ điều hành AI phi tập trung (DeAIOS).”

Hệ điều hành này được thiết kế để cung cấp nguồn gốc AI có thể xác minh - một lớp lưu trữ dữ liệu và khả năng sẵn có có thể mở rộng cao, cho phép lưu trữ các tập dữ liệu AI khổng lồ trên chuỗi, làm cho tất cả dữ liệu có thể xác minh và truy nguyên. Mức độ bảo mật và khả năng truy nguyên này là rất cần thiết cho các tác nhân AI hoạt động trong các lĩnh vực có quy định.

Ngoài ra, hệ thống còn có một thị trường tính toán không yêu cầu quyền truy cập, điều này dân chủ hóa việc tiếp cận các tài nguyên tính toán với giá cả cạnh tranh. Đây là câu trả lời trực tiếp cho chi phí cao và sự ràng buộc nhà cung cấp liên quan đến cơ sở hạ tầng điện toán đám mây tập trung.

0G Labs đã chứng minh một bước đột phá kỹ thuật với Dilocox, một khung công tác cho phép đào tạo các LLM vượt quá 100 tỷ tham số trên các cụm phân tán, 1 Gbps. Bằng cách chia nhỏ các mô hình thành các phần nhỏ hơn và được đào tạo độc lập, Dilocox đã chứng minh sự cải thiện 357 lần về hiệu suất so với các phương pháp đào tạo phân tán truyền thống, khiến cho việc phát triển AI quy mô lớn trở nên khả thi về kinh tế bên ngoài các trung tâm dữ liệu tập trung.

Một Tương Lai Sáng Lạng, Giá Cả Phải Chăng Hơn Cho AI

Cuối cùng, Heinrich thấy một tương lai rất tươi sáng cho AI phi tập trung, một tương lai được định nghĩa bởi sự tham gia và phá bỏ các rào cản đối với việc áp dụng.

“Đây là một nơi mà mọi người và cộng đồng cùng nhau tạo ra các mô hình AI chuyên nghiệp, đảm bảo rằng tương lai của AI được hình thành bởi nhiều người chứ không chỉ bởi một nhóm nhỏ các thực thể tập trung,” ông kết luận. Khi các công ty AI độc quyền đối mặt với áp lực tăng giá, kinh tế và cấu trúc ưu đãi của DeAI cung cấp một lựa chọn hấp dẫn, rẻ hơn nhiều nơi mà các mô hình AI mạnh mẽ có thể được tạo ra với chi phí thấp hơn, mở đường cho một tương lai công nghệ mở hơn, an toàn hơn và cuối cùng là có lợi hơn.

FAQ

• Vấn đề cốt lõi của AI tập trung hiện tại là gì? Các mô hình AI hiện tại gặp phải các vấn đề về tính minh bạch, thiên lệch dữ liệu và sự kiểm soát độc quyền do kiến trúc “hộp đen” tập trung của chúng.
• Giải pháp nào mà 0G Labs của Michael Heinrich đang xây dựng? 0G Labs đang phát triển hệ điều hành AI phi tập trung đầu tiên “(DeAIOS)” để biến AI thành một tài sản an toàn, có thể xác minh và công cộng.
• Làm thế nào AI phi tập trung đảm bảo tính toàn vẹn dữ liệu? Tính toàn vẹn dữ liệu được duy trì bằng cách neo tất cả dữ liệu trên chuỗi với các bằng chứng mật mã và một dấu vết chứng minh có thể xác minh để ngăn chặn lỗi và ảo giác.
• Lợi thế chính của công nghệ Dilocox của 0G Labs là gì? Dilocox là một khuôn khổ giúp phát triển AI quy mô lớn hiệu quả hơn rất nhiều, cho thấy sự cải thiện 357 lần so với đào tạo phân tán truyền thống.