Завьялов Илья Николаевич про ИИ и криптовалюты (Ч.2).

Перед тем как вы погрузитесь в изучение статьи, обратите внимание на тот факт что всё упомянутое в ней не является финансовой рекомендацией для принятие более взвешенного решения просьба провести свое собственное исследование.

Развивающееся приложение: ИИ-агенты KOLs и мемкоины?

В 2024 году интернет стал свидетелем странного подъема созданной ИИ религии и связанного с ней мемкоина Goatseus Maximus (GOAT), который за месяц достиг рыночной капитализации более $1 миллиарда долларов. Феномен начался с эксперимента Infinite Backrooms, в ходе которого две языковые модели Claude Opus, побуждаемые к общению друг с другом, создали сатирическую религию, сочетающую эзотерическую философию и интернет-мемы. Энди Эйри, основатель эксперимента, позже запустил в X (бывший Twitter) ИИ-агента под названием Terminal of Truths (ToT), обученного на логах эксперимента и других источниках интернет-культуры. ToT стал культовым, пропагандировал религию Goatse и в итоге поддержал созданный сообществом токен GOAT, стоимость которого резко возросла после его запуска в октябре. Сочетая в себе шумиху, вызванную искусственным интеллектом, культуру мемов и криптовалюты, эта сага продемонстрировала странные и непредсказуемые пересечения технологий, культуры и финансов. Хотя GOAT представляет собой типичный мемкоин, не связанный с каким-либо базовым протоколом или технической дорожной картой, свою ценность токен приобретает благодаря связи с ToT и его увлекательной истории.

ToT является основополагающим примитивом, когда речь заходит об ИИ-агентах и их культурном влиянии в сети. Благодаря постоянному потоку юмористических, абстрактных и провокационных твитов он собрал на X более ~185 тысяч подписчиков. Новизна агента усилилась после того, как он стал первым ИИ-миллионером. Постоянный маркетинг аккаунта в поддержку мемкоина GOAT сделал его первым ИИ-агентом KOL (key opinion leader) в криптовалюте.

ToT спровоцировал кембрийский взрыв новых аккаунтов ИИ-агентов X, основанных как на открытых моделях LLM, таких как LLaMA от Meta, так и на закрытых моделях LLM, которые были переобучены в процессе, который некоторые называют «джейлбрейком» или «фрибрейкингом». Взяв закрытые LLM и удалив навязанные корпорацией фильтры и средства защиты, исследователи ИИ могут подтолкнуть модели ИИ к созданию неограниченного, творческого контента и выполнению новых инновационных действий.

Ведущие агенты в этой области продолжают развивать свои возможности:

• Zerebro — это агент, который выпустил собственный токен, создал собственное искусство и даже выпустил собственный хип-хоп альбом.
• Luna стала первым автономным агентом, нанявшим человека ончейн.
• AiXBT — агент, который изучает данные ончейн и сообщает о криптовалютных тенденциях и взглядах на X, подобно Мессари.
• Ai16z — первый венчурный фонд, возглавляемый агентами, которые автономно получают рекомендации по инвестициям и распределяют капитал.

Наряду с самими агентами в центре внимания оказались платформы, используемые для запуска многих из них. Хотя мы уже упоминали Autonolas и Wayfinder, многие из последних агентов были запущены с помощью фреймворков мультиагентного моделирования от Virtuals Protocol (VIRTUAL) и eliza (ai16z), которые также предоставляют разработчикам инструменты для легкого развертывания и координации рабочих агентов.

AI x Crypto: Перспективные тезисы

Вступая в следующий год, сектор AI x Crypto по-прежнему остается одним из самых заманчивых и неизведанных пространств в криптовалютном мире. В то время как такие сектора, как DeFi, уже стали устоявшимися категориями, AI x Crypto остается развивающейся вертикалью с внешним попутным ветром от бурно развивающейся индустрии ИИ. Быки считают, что это пространство успешно соединит два самых взрывоопасных набора технологий. Вот за чем стоит следить по мере развития этого направления.

Bittensor и Dynamic TAO: новое казино с ИИ-монетами

Грядущее обновление Dynamic TAO на Bittensor — это смена парадигмы для сети: появится новая история. Многочисленные существующие подсети на Bittensor имеют большие относительные компы в технологическом стеке AI x Crypto. Благодаря Dynamic TAO у каждой из многочисленных существующих (и будущих) подсетей на Bittensor будет свой токен, и они будут неразрывно связаны с родным токеном TAO на Bittensor.

Если сеть Grass оценивается в несколько миллиардов, то во сколько должен оцениваться ее эквивалент в подсети Bittensor? Аналогичные вопросы можно задать и в отношении вычислительных сетей, например Akash, стоимость которой превысила $1 миллиард. Как должна быть оценена вычислительная подсеть на Bittensor с более топовыми GPU по сравнению с этими существующими вычислительными сетями? Возможно, широкому рынку потребуется время, чтобы наверстать упущенное, но те, кто раньше начнет работать с перспективными подсетями, будут вознаграждены.

В конечном итоге, чтобы Bittensor смогла реализовать свой потенциал, ей необходимо привлечь лучших специалистов в области ИИ. Это будет нелегко — в области исследований ИИ царит жесткая конкуренция, и в этом пространстве много хорошо финансируемых и устоявшихся игроков. Однако у Bittensor есть уникальная сторона, которая может привлечь таланты: ее подсети показывают первые признаки производства высококачественных исследований. Это тот язык, на котором нужно говорить, если мы хотим привлечь настоящие таланты в области ИИ. Не удивляйтесь, если в течение следующего года Bittensor станет неожиданным центром передовых исследований ИИ в криптовалюте.

Если он сможет выполнить свои обещания, мы сможем увидеть Bittensor не просто как спекулятивное «казино ИИ-монет», а как платформу, способную привлечь серьезных разработчиков ИИ, преодолевая разрыв между академическими кругами, промышленностью и децентрализованными сетями.

Децентрализованное обучение моделей: проблемы и пивот

Мечта о полностью децентрализованном обучении моделей существовала уже некоторое время, и в этом году (некоторые из) этих мечтаний превратились в реальность. Две самые известные команды в пространстве AI x Crypto, Prime Intellect и Nous Research, внесли неожиданный вклад в развитие децентрализованного обучения моделей.

Летом Prime Intellect опубликовала работу, в которой описывался фреймворк для децентрализованного обучения моделей. Результаты были многообещающими, поскольку Prime Intellect развила предыдущую работу Google DeepMind. Команда показала, что при том же вычислительном бюджете можно эффективно сравняться с производительностью централизованно обученной модели, но при этом использовать 4 географически распределенных кластера H100 и обмениваться данными в 125 раз реже, чем при централизованном обучении. Кроме того, Prime Intellect увеличила размер децентрализованной обучаемой модели до 1,1 млрд параметров, что почти в два раза превышает первоначальный размер модели DeepMind. Они продолжили свою работу и сейчас находятся в процессе обучения еще более крупной модели с 10 млрд параметров на своей сети.

Nous Research также опубликовала небольшую статью, описывающую их работу по созданию системы для децентрализованного обучения моделей. Детали были более скудными по сравнению с публикацией Prime Intellect, но общее направление исследования показывает крайне позитивные и многообещающие результаты.

Однако, чтобы немного омрачить парад децентрализованного обучения моделей, мы не должны забывать о реальности — децентрализованное обучение самых современных моделей ИИ (SoTA) не только технически сложная задача, но и невероятно дорогостоящая. Большинство ведущих лабораторий ИИ уже тратят миллионы и, в конечном счете, миллиарды долларов на создание своих моделей SoTA. Поэтому одно дело — создать фреймворк для децентрализованного обучения модели и даже собрать (часть) необходимых для этого вычислений; другое дело — иметь заказчика, готового и способного заплатить за создание конкурентоспособной модели SoTA с открытым исходным кодом. Учитывая это, кажется маловероятным, что какая-либо децентрализованная сеть создаст передовую модель ИИ в ближайший год.

Скорее, вместо этого мы увидим, как команды переходят к новой модели или ставят на:

• Доработку моделей с открытым исходным кодом;
• Разработку фреймворков для локального запуска моделей;
• Эксперименты с новыми архитектурами моделей;
• Эксперименты с меньшими, более специализированными моделями.

Вместо того чтобы пытаться конкурировать с такими гигантами, как OpenAI и Google, обучая массивные фундаментальные модели, децентрализованные сети, скорее всего, сместят фокус на тонкую настройку небольших специализированных моделей. Такой подход практичен и потенциально выгоден: небольшие модели требуют меньше вычислительной мощности, а тонкая настройка может создать очень полезные модели для нишевых приложений.

В следующем году ожидается больше экспериментов в области небольших и специализированных моделей. Такие модели, потенциально предназначенные для выполнения конкретных задач, а не для работы в качестве ИИ общего назначения, могут найти применение на рынке, который поощряет быстрые эксперименты, особенно на уровне потребительских приложений.

Возможно, децентрализованный ИИ еще не готов к борьбе с гигантами, но это не значит, что он не сможет завоевать свой собственный рынок в ближайшей перспективе. Сосредоточившись на тонкой настройке и небольших моделях, децентрализованные сети могут создать ценные инструменты и потенциально способствовать развитию инновационных экосистем, которые крупные игроки упускают из виду.