Завьялов Илья Николаевич про Crypto x AI.

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.

Искусственный интеллект (ИИ) — это сложная тема, и для полного понимания всех аспектов того, что он представляет, потребуются годы изучения. Но ради этого поста я утверждаю, что ИИ относится к области, которая пытается имитировать или моделировать когнитивный человеческий интеллект для выполнения широкого спектра задач — от обучения, рассуждений, решения проблем до понимания естественного языка.

Хотя ИИ много лет был узкоспециализированной областью исследований и разработок, его настоящий прорыв произошел с появлением ChatGPT. Мы все помним, как были поражены, когда впервые взаимодействовали с этим генеративным ботом ИИ. Оглядываясь назад, можно с уверенностью сказать, что это был момент, подобный появлению iPhone.

Он имел самый быстрый прием среди потребительских продуктов в истории, набрав 100 миллионов пользователей за 2 месяца. В сравнении, Facebook потребовалось 1500 дней, чтобы достичь такого же количества пользователей.



Сейчас мы наблюдаем экспоненциальный рост в этой области. Учитывая оценку ARK, что производительность моделей обучения может увеличиться в 5 раз только в 2024 году, очевидно, что ИИ продолжит открывать широкий спектр применений.

В ближайшие годы неудивительно будет увидеть появление нескольких многомиллиардных компаний как в приложениях, использующих ИИ, так и в инфраструктуре, делающей революцию ИИ возможной. Фактически, финансирование в этой области недавно взлетело.

 Меня зовут Завьялов Илья Николаевич. Я предприниматель и увлекаюсь финансами. Добро пожаловать в мой блог.

Medium — medium.com/@IliaNicolaevichZavialov  

Substack — ilianicolaevichzavialov.substack.com/

Как и вы, я уверен, что, когда вы думаете об ИИ, первое, что приходит вам в голову, это ChatGPT и генеративные запросы ИИ. Но это только вершина айсберга, и на самом деле поле «ИИ» гораздо сложнее. Чтобы лучше его понять, вот краткий обзор различных слоев технологий и компонентов, составляющих стек ИИ:

Вычислительное оборудование

ИИ — это не только код. ИИ требует значительных ресурсов, и специфическая физическая инфраструктура, такая как нейронные процессорные блоки (NPU), графические процессорные блоки (GPU) и тензорные процессорные блоки (TPU), является неотъемлемой частью. В конечном счете, именно это обеспечивает физические средства для выполнения расчетов и выполнения алгоритмов, которые заставляют системы ИИ работать. Без них ИИ бы не существовало.

Лидеры этой области — Nvidia (которой к настоящему времени не требуется представления), Intel и AMD. Они конкурируют за разработку наиболее эффективного оборудования, как в отношении обучения моделей, так и для задач вывода.

Nvidia была одним из самых простых способов получить доступ к этой революции до сих пор (как показано недавним движением цен Nvidia).

Облачные платформы

Разработчики ИИ полагаются на оборудование для работы своих моделей. Как правило, у них есть два способа получить эту мощность: они могут либо использовать GPU локально; либо полагаться на облачных провайдеров. Первое решение часто оказывается слишком дорогим и экономически неоправданным, и со временем облачные провайдеры оказались интересной альтернативой.

Это крупные корпорации с большими ресурсами, которые приобретают и эксплуатируют это мощное оборудование и позволяют разработчикам использовать эти ресурсы на основе оплаты по мере использования или по подписке. Это устраняет необходимость для разработчиков инвестировать в собственную физическую инфраструктуру и обслуживать ее.

Лидеры этой области — AWS, Google Cloud или Nvidia DGX cloud. Их цель — предоставить разработчикам всех размеров быстрый доступ к multi-node суперкомпьютеру для обучения самых сложных LLM.

Модели

Поверх этого находится самая сложная и обсуждаемая часть ИИ: модели ML (Машинное обучение). Это вычислительные системы, разработанные для выполнения задач без явных программных инструкций и представляют собой мозг системы ИИ.

ML делится на три этапа: данные, обучение и вывод, и существует три основных типа обучения: обучение с учителем, обучение без учителя и обучение с подкреплением.

• Обучение с учителем относится к обучению на примерах (предоставленных учителем). Модели может быть показаны картинки собак и учитель говорит ей, что это собаки. Затем модель учится отличать собак от других животных.
• Многие популярные модели, такие как LLM (например, GPT-4 и LLaMa) обучаются с использованием обучения без учителя. В этом режиме обучения учитель не предоставляет ни руководства, ни примеров. Скорее, модель учится находить закономерности в данных.
• Обучение с подкреплением (обучение методом проб и ошибок), в основном используется в задачах последовательного принятия решений, таких как управление роботами и игра в игры (например, шахматы или Go).

Наконец, эти модели могут быть либо с открытым исходным кодом (которые можно найти на хабах моделей, например, Hugging Face), либо с закрытым исходным кодом (модели типа OpenAI, доступ к которым осуществляется через API).

В целом, кажется, что эти различные технологические слои все еще находятся на ранних этапах развития и что мы только в начале того, что некоторые любят называть кембрийским взрывом. С учетом этого мы увидим, что криптовалюта играет роль в этом технологическом буме.

Хотя криптовалюта не обязательно является необходимой на каждом уровне стека ИИ, есть много причин полагать, что децентрализованный ИИ так же важен, как децентрализованные деньги, что смарт-контракты могут использовать машинное обучение для создания мощных пользовательских опытов, или что криптовалюта может принести больше безопасности, прозрачности и открыть новые случаи использования для ИИ.

ИИ доминирует в ландшафте криптовалют

И рынок уже показывает большой энтузиазм по поводу потенциального применения криптовалюты и ИИ, и тенденция показывает, что это самый горячий нарратив. С начала 2024 года ИИ показал очень хорошие результаты по сравнению с другими секторами в криптовалюте.

С учетом всех дальнейших разработок, которые должны произойти в этой области, есть много причин полагать, что мы все еще на очень раннем этапе, и пузырь, скорее всего, только формируется.

Говоря об этом, давайте посмотрим, какие различные разработки происходят между криптовалютой и ИИ.

Различные вертикали Crypto & AI

Вот несколько основных синергий между криптовалютой и ИИ:

От централизованных облачных провайдеров к DePIN:

Как мы обсуждали, основные слои ИИ — это оборудование и облачные провайдеры. Хотя криптовалюта не может конкурировать в производстве лучшего оборудования (и нет для этого причин), справедливо предположить, что она может играть роль в предоставлении доступа к этим multi-node суперкомпьютерам более эффективным, более безопасным и децентрализованным способом. Это часть направления crypto, называемого DePIN, или Децентрализованная Физическая Инфраструктура. Они представляют блокчейн-протоколы, которые стимулируют децентрализованные сообщества строить и поддерживать физическое оборудование.

Здесь основное применение DePIN для ИИ будет в:

• Облачном хранении
• Вычислительной мощности

Идея здесь проста: разработчикам ИИ нужно больше GPU и емкости для хранения данных, и есть много причин полагать, что проекты криптовалюты DePIN могут помочь вывести новое предложение вычислительных мощностей и системы хранения данных на рынок, активируя неиспользуемые ресурсы с помощью стимулов на основе токенов.

Обеспечение прозрачности, управление пользователями и владения данными:

ИИ будет больше, чем интернет. Это означает, что понимание используемых моделей, как они работают и какие данные в них вводятся, становится критически важным для хорошей работы свободного и демократического общества. В связи с этим возникает ощущение, что бесконечные споры о «черном ящике» и мегамощности гигантов Web2.0 можно прекратить, передав право собственности пользователям через токенизацию ИИ (от инфраструктуры до модели и приложения).

Знание происхождения используемых ИИ моделей может быть очень важным в некоторых обстоятельствах. Как и во всем, модели имеют предвзятости, и в зависимости от того, как они сделаны и на каких данных они обучены, результаты могут быть совершенно разными. Существует веская причина утверждать, что модели и обучение ИИ должны быть децентрализованы и на блокчейне, чтобы обеспечить большую прозрачность.

Нам не нужен Сенат или непрозрачные структуры, которые будут определять направление развития мира (с помощью моделей искусственного интеллекта), контролировать наши данные без согласия, а также бесконечные условия, которые, будем честны, мы никогда не сможем прочитать и ответить на них.

Используя крипто инфраструктуру, мы можем избежать повторения тех же ошибок, что и с интернет-приложениями. Вместо этого у нас могло бы быть коллективное владение, децентрализованное управление и прозрачность на всех уровнях. Это путь вперед.

Согласование стимулов и монетизация ИИ:

Высококачественные тренировочные данные являются одним из основных факторов производительности моделей. Однако, как упоминалось ARK, премиальные источники для тренировочных данных высокого качества могут быть исчерпаны к 2024 году, что потенциально приведет к стагнации в производительности моделей.

Здесь криптовалюта может стимулировать людей монетизировать как частные, так и публичные наборы данных, а также ИИ модели, агенты и другие части стека ИИ. С возможностью создавать многосторонние, глобальные рынки без разрешений, каждый может быть вознагражден за вклад. Также появляется возможность стимулировать людей поддерживать качество данных, используемых для обучения основных моделей ИИ, или предоставлять различные модели для определенной сети.

Криптовалюта вызывает бум финансов. Стеку ИИ нужен собственный механизм платежей. Звучит как хорошее сочетание, верно?

On-chain AI/ML (ZKML & opML):

Криптография с нулевым разглашением информации является одной из самых популярных технологий в веб3, так как она позволяет создавать доказательства «целостности» для заданного набора вычислений, где проверка доказательства значительно проще, чем выполнение самих вычислений.

Когда мы говорим о ZKML, мы имеем в виду возможность применения доказательства с нулевым разглашением информации к «выводу» и «данным» части модели машинного обучения (а не к части обучения, которая сама по себе слишком вычислительно интенсивна). По мере развития исследований и технологий в этой области мы можем увидеть более эффективные и масштабируемые решения, которые потенциально могут сделать доказательства с нулевым разглашением информации более применимыми к этапу обучения моделей машинного обучения.

С ZKML вычисления скрыты от проверяющего, но доказывающий может подтвердить вычислительную корректность ML без раскрытия дополнительной информации.

OPML (Оптимистическое машинное обучение) — это другой подход, который позволяет осуществлять вывод и обучение/дообучение модели ИИ в системе блокчейна с использованием оптимистического подхода. Модели LlaMA2 и Stable Diffusion теперь могут быть доступны в блокчейне благодаря оптимистическим механизмам (похожим на Optimism и Arbitrum).

Последнее решение из конкретного проекта, о котором мы скажем далее, сочетает zkML и opML, позволяя Ethereum запускать любую модель с функциями конфиденциальности.

Это может привести к новой эре моделей машинного обучения, которые будут на блокчейне и прозрачны, где будет легко проверить, что данный вывод является результатом определенной модели и входной пары. В мире непрозрачных моделей и непрозрачных наборов данных это может стать изменением игры и вернуть власть пользователям (что следует за предшествующими идеями обеспечения прозрачности и управления пользователями).

Аутентификация и конфиденциальность:

По мере роста приложений ИИ мы приближаемся к точке, когда никто не будет знать, что является реальным или симулированным в Интернете. Глядя на это изображение, созданное Sora, недавней текстово-видео платформой от OpenAI, думаете ли вы, что сможете отличить? И подумайте о том, как это будет убедительнее с каждым годом.

Учитывая эту реальность, есть веские основания для создания децентрализованной идентичности, хранящейся на блокчейнах. Это может защитить людей от непреднамеренного взаимодействия с ботами ИИ и отличить реальную информацию от глубоких фальшивок. В мире, где банковский кризис может произойти за несколько кликов (как мы все испытали с SVB), становится критически важным предоставление доказательств подлинности, и криптовалюта, похоже, является лучшим способом это сделать.

Вот простой пример того, как это может работать: официальный автор чего-либо мог бы цифровым образом подписать «хэш» на блокчейне, говоря «Я сделал это сам». Другая сторона (скажем, медиакомпания) могла бы подтвердить это, подписав транзакцию, которая гласит «Я это подтверждаю». Пользователи могли бы удостоверить себя в подписях, криптографически доказав контроль, скажем, над доменными именами (например, nytimes.com).

Таким образом, информация может быть доказуемой, прозрачной, неизменной и компонуемой. И это становится ключевым фактором для post-ИИ мира, в котором мы начинаем жить.