Inhalt | Bruce

Bearbeitung & Layout | Huánhuán

Design | Daisy

Der „USB-C-Moment“ in der Evolutionsgeschichte der AI, im November 2024, wird das von Anthropic veröffentlichte MCP-Protokoll Erdbeben im Silicon Valley auslösen. Dieser als „USB-C der AI-Welt“ bezeichnete offene Standard hat nicht nur die Verbindungsmethoden zwischen großen Modellen und der physischen Welt neu gestaltet, sondern birgt auch den Schlüssel zur Lösung des Monopolproblems bei AI und zur Rekonstruktion der Produktionsbeziehungen der digitalen Zivilisation. Während wir noch über den Parameterumfang von GPT-5 diskutieren, hat MCP heimlich den Weg zur Dezentralisierung in der AGI-Ära geebnet......

Bruce: Ich habe kürzlich das Model Context Protocol (MCP) erforscht. Dies ist nach ChatGPT das zweite, was mich im AI-Bereich sehr begeistert, da es Hoffnung hat, drei Probleme zu lösen, über die ich seit Jahren nachdenke:

  • Wie können Nicht-Wissenschaftler und Genies, gewöhnliche Menschen an der AI-Branche teilnehmen und Einkommen erzielen?

  • Was ist die Win-Win-Kombination von AI und Ethereum?

  • Wie erreicht man AI d/acc? Vermeidung der Monopolisierung und Zensur durch große Unternehmen, wird AGI die Menschheit zerstören?

01、Was ist MCP?

MCP ist ein offener Standardrahmen, der die Integration von LLM mit externen Datenquellen und Tools vereinfacht. Wenn wir LLM mit dem Windows-Betriebssystem vergleichen, sind Cursor und andere Anwendungen Tastatur und Hardware, dann ist MCP der USB-Anschluss, der das flexible Einfügen externer Daten und Tools unterstützt, sodass Benutzer diese externen Daten und Tools nutzen können.

MCP bietet drei Möglichkeiten zur Erweiterung von LLM:

  • Ressourcen (Wissenserweiterung)

  • Tools (Funktion ausführen, externe Systeme aufrufen)

  • Prompts (vorgefertigte Vorlagen für Eingabeaufforderungen)

MCP kann von jedem entwickelt und gehostet werden und als Server bereitgestellt werden, der jederzeit offline genommen und den Dienst eingestellt werden kann.

02、Warum benötige ich MCP

Derzeit nutzen LLM so viele Daten wie möglich, um umfangreiche Berechnungen durchzuführen und eine große Anzahl von Parametern zu generieren, um Wissen in das Modell zu integrieren, wodurch entsprechende Kenntnisse im Dialog ausgegeben werden. Es gibt jedoch einige große Probleme:

  1. Eine große Menge an Daten und Berechnungen benötigt viel Zeit und Hardware, und das Wissen, das für das Training verwendet wird, ist oft veraltet.

  2. Modelle mit einer großen Anzahl von Parametern sind schwer lokal zu implementieren und zu nutzen, aber in der Realität benötigen die meisten Benutzer nicht alle Informationen, um ihre Anforderungen zu erfüllen.

  3. Einige Modelle verwenden Web-Scraping, um externe Informationen für die Aktualität abzurufen, aber aufgrund der Einschränkungen des Web-Scrapings und der Qualität externer Daten könnten irreführendere Inhalte entstehen.

  4. Da AI den Kreatoren nicht wirklich Nutzen bringt, beginnen viele Websites und Inhalte mit der Umsetzung von Anti-AI-Maßnahmen, die eine große Menge an Junk-Informationen generieren, was die Qualität von LLM allmählich verringern wird.

  5. Es ist für LLM schwierig, externe Funktionen und Operationen in vollem Umfang zu erweitern, z.B. genaue Aufrufe von GitHub-APIs zur Durchführung bestimmter Operationen. Es wird Code basierend auf möglicherweise veralteten Dokumentationen generieren, aber es kann nicht sicherstellen, dass dieser präzise ausgeführt wird.

03、Entwicklung der Architektur von fetten LLM und schlanken LLM + MCP

Wir können die derzeitigen großflächigen Modelle als fette LLM betrachten, deren Architektur wie folgt einfach dargestellt werden kann:

Nachdem der Benutzer Informationen eingegeben hat, wird die Eingabe durch die Perception & Reasoning-Schicht zerlegt und analysiert, bevor eine enorme Anzahl von Parametern zur Ergebnisgenerierung aufgerufen wird.

Nach der Einführung von MCP könnte sich LLM auf die Sprachverarbeitung selbst konzentrieren, Wissen und Fähigkeiten abspalten und zu schlanken LLM werden:

Im Rahmen der schlanken LLM-Architektur wird die Perception & Reasoning-Schicht darauf achten, wie alle Aspekte der menschlichen physischen Umgebungsinformationen in Tokens interpretiert werden können, einschließlich, aber nicht beschränkt auf: Sprache, Tonfall, Geruch, Bilder, Text, Schwerkraft, Temperatur usw., und dann durch den MCP-Koordinator mehrere MCP-Server orchestrieren und koordinieren, um Aufgaben zu erledigen. Die Trainingskosten und die Geschwindigkeit der schlanken LLM werden erheblich steigen, während die Anforderungen an das Bereitstellungsgerät sehr niedrig werden.

04、Wie löst MCP die drei großen Probleme

Wie können gewöhnliche Menschen an der AI-Branche teilnehmen?

Jeder mit einzigartigen Talenten kann seinen eigenen MCP-Server erstellen, um LLM-Dienste anzubieten. Zum Beispiel kann ein Vogelbeobachter seine jahrelangen Vogelnotizen über MCP zur Verfügung stellen. Wenn jemand LLM verwendet, um nach Informationen über Vögel zu suchen, wird der aktuelle Vogelnotizen-MCP-Dienst aufgerufen. Die Kreatoren erhalten auch eine Einkommensbeteiligung.

Dies ist ein präziserer und automatisierter Kreislauf der Kreatorenwirtschaft, bei dem die Inhalte standardisierter werden und die Anzahl der Aufrufe und die ausgegebenen Tokens genau erfasst werden können. LLM-Anbieter können sogar gleichzeitig mehrere Bird Notes MCP-Server aufrufen, damit Benutzer auswählen und bewerten können, um festzustellen, welcher besser ist und ein höheres Matching-Gewicht erhält.

Die Win-Win-Kombination von AI und Ethereum

a. Wir können ein OpenMCP.Network-Kreatorenanreiznetzwerk auf Ethereum aufbauen. MCP-Server müssen stabilen Service hosten und bereitstellen, Benutzer zahlen den LLM-Anbietern, die tatsächlichen Anreize werden über das Netzwerk an die aufgerufenen MCP-Server verteilt, um die Nachhaltigkeit und Stabilität des gesamten Netzwerks aufrechtzuerhalten und die Kreatoren von MCP zur fortlaufenden Erstellung und Bereitstellung hochwertiger Inhalte zu motivieren. Dieses Netzwerk wird Smart Contracts benötigen, um die Automatisierung, Transparenz, Vertrauenswürdigkeit und Zensurresistenz der Anreize umzusetzen. Signaturen, Berechtigungsprüfungen und Datenschutz während des Betriebs können mit Technologien wie Ethereum-Wallets und ZK realisiert werden.

b. Entwicklung von MCP-Servern, die Operationen auf der Ethereum-Blockchain durchführen, z.B. AA-Wallet-Services, bei denen Benutzer in LLM durch Sprache Zahlungen durchführen können, ohne relevante private Schlüssel und Berechtigungen an LLM offenzulegen.

c. Es wird verschiedene Entwickler-Tools geben, die die Entwicklung von Ethereum-Smart Contracts und die Code-Generierung weiter vereinfachen.

Dezentralisierung der AI erreichen

a. MCP-Server dezentralisieren das Wissen und die Fähigkeiten von AI, jeder kann MCP-Server erstellen und hosten, sich auf Plattformen wie OpenMCP.Network registrieren und Anreize für Aufrufe erhalten. Kein Unternehmen kann alle MCP-Server kontrollieren. Wenn ein LLM-Anbieter ungerechte Anreize für MCP-Server bietet, werden die Kreatoren diese Firma unterstützen, zu blockieren, und die Benutzer, die keine qualitativ hochwertigen Ergebnisse erhalten, werden zu anderen LLM-Anbietern wechseln, um einen faireren Wettbewerb zu ermöglichen.

b. Kreatoren können eine feinkörnige Zugriffskontrolle für ihre MCP-Server implementieren, um Datenschutz und Urheberrechte zu schützen. Schlanke LLM-Anbieter sollten durch angemessene Anreize sicherstellen, dass Kreatoren qualitativ hochwertige MCP-Server beisteuern.

c. Die Fähigkeiten schlanker LLM werden allmählich angeglichen, da die menschliche Sprache eine Traversierungsobergrenze hat und sich langsam entwickelt. LLM-Anbieter werden ihre Aufmerksamkeit und Mittel auf qualitativ hochwertige MCP-Server lenken müssen, anstatt mehr Grafikkarten für Mining zu verwenden.

d. Die Fähigkeiten von AGI werden dezentralisiert und entwertet, LLM dient nur der Sprachverarbeitung und Benutzerinteraktion, die spezifischen Fähigkeiten sind in den verschiedenen MCP-Servern verteilt. AGI wird die Menschheit nicht bedrohen, denn nach dem Abschalten der MCP-Server kann nur eine grundlegende sprachliche Kommunikation stattfinden.

05、Gesamtüberblick

  1. Architekturentwicklung von LLM + MCP-Servern, im Wesentlichen die Dezentralisierung der AI-Fähigkeiten, wodurch das Risiko einer AGI-Zerstörung der Menschheit verringert wird.

  2. Die Nutzung von LLM ermöglicht eine tokenbasierte Statistik und Automatisierung der Aufruf- und Eingabe-/Ausgabezahlen für MCP-Server, was die Grundlage für den Aufbau eines Wirtschaftssystems für AI-Kreatoren legt.

  3. Ein gutes Wirtschaftssystem kann Kreatoren motivieren, aktiv qualitativ hochwertige MCP-Server zu erstellen, was die gesamte menschliche Entwicklung vorantreibt und einen positiven Kreislauf schafft. Kreatoren werden nicht gegen AI kämpfen, und AI wird auch mehr Arbeitsplätze und Einkommen bieten, um die Gewinne monopolistischer Unternehmen wie OpenAI fair zu verteilen.

  4. Dieses Wirtschaftssystem, kombiniert mit seinen Eigenschaften und den Bedürfnissen der Kreatoren, eignet sich sehr gut zur Umsetzung auf der Basis von Ethereum.

06、Zukunftsausblick: Die nächste Stufe der Skriptentwicklung

  1. MCP oder ähnliche MCP-Protokolle werden in großer Zahl entstehen, und einige große Unternehmen werden anfangen, um die Definition von Standards zu konkurrieren.

  2. MCP-basierte LLM werden entstehen, die sich auf die Analyse und Verarbeitung menschlicher Sprache durch kleine Modelle konzentrieren, die mit MCP-Koordinatoren in das MCP-Netzwerk integriert werden. LLM wird die automatische Entdeckung und Planung von MCP-Servern unterstützen, ohne komplexe manuelle Konfiguration.

  3. MCP-Netzwerkdienstanbieter werden entstehen, jeder mit seinem eigenen wirtschaftlichen Anreizsystem, MCP-Kreatoren werden Einkommen erzielen, indem sie ihre Server registrieren und hosten.

  4. Wenn das wirtschaftliche Anreizsystem des MCP-Netzwerks auf Ethereum basiert, basierend auf Smart Contracts, wird die Anzahl der Transaktionen im Ethereum-Netzwerk voraussichtlich um etwa das 150-fache steigen (basierend auf einer sehr konservativen Schätzung von 100 Millionen Aufrufen von MCP-Servern pro Tag, derzeit 12 Sekunden pro Block mit 100 Transaktionen).

#ETH