Autors: Ian Xu@Foresight Ventures
TL;DR
Šajā rakstā ir aplūkota AI un Web3 krustpunkts, pētot, kā ķēdes AI var sniegt nozīmīgu vērtību decentralizētajam internetam. Tajā ir izcelti vairāki projekti, tostarp Worldcoin, Pragma, Lyra Finance, Giza, Zama.ai un iespējamās ML-as-a-service lietojumprogrammas.
Rakstā uzsvērts, ka AI Web3 kontekstā ir sākuma stadijā, taču tam ir liels potenciāls. Ķēdes mākslīgais intelekts, kas ir pārredzams un pārbaudāms, var ievērojami uzlabot efektivitāti un drošību, nodrošinot jaunas produktu formas. ZKML ir īpaši daudzsološs, jo ZK apkopojums, iespējams, kalpos par AI ieejas punktu Web3 pasaulē.
Lai gan pašreizējā infrastruktūra var atbalstīt noteikta mēroga modeļus, joprojām pastāv daudz neskaidrību, jo īpaši attiecībā uz modeļu verifikāciju, izmantojot nulles zināšanu pierādījumus. Tas tiek uzskatīts par neizbēgamu ceļu mākslīgajam intelektam ķēdē, taču, lai atbalstītu arvien lielākus modeļus, ir nepieciešami eksponenciāli uzlabojumi pierādījumu sistēmās.
Runājot par lietojumiem, mākslīgais intelekts ķēdē varētu potenciāli piedalīties jebkurā Web3 aspektā, tostarp spēlēs, DeFi, DID un rīku izstrādē. Neskatoties uz esošo projektu trūkumu, rakstā joprojām ir optimistisks skatījums uz mākslīgā intelekta ķēdē potenciālu un tā pārveidojošo ietekmi uz Web3 telpu.
1. Mākslīgais intelekts + Web3 = ?
Izstrādātāju apsēstā aizraušanās ar infrastruktūras izbūvi un dažādu apkopojošu risinājumu nepārtraukta atjaunināšana patiešām ir radījusi izrāvienu sākotnēji atpalikušajā web3 skaitļošanas jaudā. Tas ir arī ļāvis ievietot mākslīgo intelektu blokķēdē. Taču varētu teikt, ka tā vietā, lai pieliktu lielas pūles, lai ieviestu mākslīgo intelektu ķēdē, modeļu darbināšana ārpus ķēdes, šķiet, spēj apmierināt lielāko daļu vajadzību. Faktiski gandrīz visi mākslīgā intelekta modeļi pašlaik darbojas melnās kastes, centralizētā režīmā un rada neaizstājamu vērtību dažādās jomās.
1.1 Atgriezīsimies pie visvienkāršākā jautājuma: kas ir mākslīgais intelekts blokķēdē?
Vispārējā izpratne ir padarīt mākslīgā intelekta modeļus caurspīdīgus un pārbaudāmus, izmantojot Web3.
Precīzāk sakot, mākslīgais intelekts blokķēdē nozīmē pilnīgu mākslīgā intelekta modeļu verifikāciju. Tas nozīmē, ka modelim ir jāatklāj visam tīklam (lietotājiem vai verificētājiem) šādi trīs punkti:
Modeļa arhitektūra;
Modeļa parametri un svari: Parametru un svaru izpaušana dažkārt var negatīvi ietekmēt produkta drošību. Tāpēc īpašos scenārijos, piemēram, riska kontroles modeļos, svarus var slēpt, lai nodrošinātu drošību;
Modeļa ievade: Web3 kontekstā tie parasti ir publiski pieejami dati ķēdē.
Kad iepriekš minētie nosacījumi ir izpildīti, viss modeļa izpildes process ir deterministisks un vairs nav melnās kastes darbība. Ikviens var pārbaudīt modeļa ievades datus un rezultātus blokķēdē, tādējādi neļaujot modeļa īpašniekam vai saistītajai pilnvarotajai personai manipulēt ar modeli.
1.2 Kāds ir ķēdes mākslīgā intelekta virzītājspēks?
Ķēdes mākslīgā intelekta nozīme nav aizstāt Web2 mākslīgā intelekta centralizēto darbības režīmu, bet gan:
Neupurējot decentralizāciju un neuzticēšanos, tas rada nākamo vērtības posmu web3 pasaulei. Pašreizējais Web3 ir līdzīgs web2 agrīnajam posmam, un tam vēl nav spēju veikt plašākas lietojumprogrammas vai radīt lielāku vērtību. Tikai pēc mākslīgā intelekta iekļaušanas decentralizētā app iztēle var patiesi pāriet uz nākamo posmu, un šīs ķēdē esošās lietojumprogrammas var pietuvoties web2 lietojumprogrammu līmenim. Šī tuvība nav funkciju līdzības palielināšana, bet gan lietotāja pieredzes un iespēju uzlabošana, izmantojot Web3 vērtību.
Tas nodrošina caurspīdīgu, neuzticamu risinājumu web2 mākslīgā intelekta melnās kastes darbības režīmam.
Iedomājieties web3 lietojumprogrammu scenārijus:
NFT tirdzniecības platformai pievienot ieteikumu algoritmu, ieteikt atbilstošus NFT, pamatojoties uz lietotāja preferencēm, un uzlabot konversiju;
Mākslīgā intelekta pretinieku pievienošana spēlēm, lai nodrošinātu pārredzamāku un godīgāku spēļu pieredzi;
……
Tomēr šīs lietojumprogrammas ir vēl lielāki efektivitātes vai lietotāja pieredzes uzlabojumi, izmantojot mākslīgo intelektu esošajām funkcijām.
Vai tas ir vērtīgs? Jā.
Vai vērtība ir liela? Tas ir atkarīgs no produkta un scenārija.
Vērtība, ko var radīt mākslīgais intelekts, neaprobežojas tikai ar optimizāciju no 99 līdz 100. Mani patiesi sajūsmina jaunās lietojumprogrammas no 0 līdz 1, daži lietošanas gadījumi, ko var panākt tikai ar caurspīdīgiem un pārbaudāmiem ķēdes modeļiem. Tomēr šie “aizraujošie” lietošanas gadījumi pašlaik galvenokārt balstās uz iztēli, bez nobriedušiem lietojumiem. Šeit ir dažas idejas prāta vētras veidošanai:
Kriptovalūtu tirdzniecība, kuras pamatā ir neironu tīkla lēmumu modeļi: viena produkta forma varētu būt vairāk kā uzlabota kopēšanas tirdzniecības versija vai pat pilnīgi jauns tirdzniecības veids. Lietotājiem vairs nav jāuzticas vai jāpēta citi pieredzējuši tirgotāji, bet gan jāveic likmes uz pilnīgi atvērtiem un caurspīdīgiem modeļiem un to sniegumu. Būtībā mākslīgais intelekts tirgojas ātrāk un izlēmīgāk, pamatojoties uz nākotnes kriptovalūtu cenu prognozēm. Tomēr bez ķēdes mākslīgajam intelektam raksturīgās "neuzticamības autonomijas" šādi likmju objekti vai standarti vienkārši nepastāv. Lietotāji/investori var caurspīdīgi redzēt modeļa lēmumu pieņemšanas iemeslus, procesus un pat precīzu nākotnes kāpumu/kritumu varbūtību.
Mākslīgā intelekta modeļi, kas darbojas kā tiesneši: produkts varētu būt jauna orākulu forma, kas paredz datu avotu precizitāti, izmantojot mākslīgā intelekta modeļus. Lietotājiem vairs nav jāuzticas validatoriem un nav jāuztraucas par mezglu nepareizu darbību. Orākulu pakalpojumu sniedzējiem pat nav jāizstrādā sarežģīti mezglu tīkli un atlīdzības un soda mehānismi, lai panāktu decentralizāciju. Attiecīgi ķēdē esošais caurspīdīgais un pārbaudāmais mākslīgais intelekts jau ir pietiekams, lai pārbaudītu ārpusķēdes datu avotu ticamības līmeni. Šai jaunajai produkta formai ir potenciāls dominēt drošības, efektivitātes un izmaksu ziņā, un decentralizācijas objekts pāriet no cilvēkiem uz "neuzticamas autonomijas" mākslīgā intelekta rīkiem, kas neapšaubāmi ir drošāki.
Organizāciju pārvaldība/operētājsistēmas, kuru pamatā ir lieli modeļi: DAO pārvaldībai pēc būtības vajadzētu būt efektīvai, decentralizētai un taisnīgai, taču pašreizējā situācija ir gluži pretēja – vaļīga un uzpūsta, trūkst pārredzamības un taisnīguma. Ķēdē integrēta mākslīgā intelekta ieviešana var sniegt ļoti piemērotu risinājumu, maksimāli palielinot pārvaldības veidu un efektivitāti, kā arī samazinot sistēmiskos un cilvēciskos riskus pārvaldībā. Mēs pat varam iedomāties jaunu web3 projektu izstrādes un darbības režīmu, kurā viss ietvars un turpmākais izstrādes virziens un priekšlikumi gandrīz nav atkarīgi no izstrādes komandas lēmumu pieņemšanas vai DAO balsošanas. Tā vietā lēmumi tiek pieņemti, pamatojoties uz lielo modeļu lielākām datu ieguves un skaitļošanas spējām. Taču tas viss ir balstīts uz to, ka modelis ir ķēdē integrēts. Bez mākslīgā intelekta "neuzticamās autonomijas" decentralizētajā pasaulē nav iespējama pāreja no cilvēkiem uz rīkiem.
……
Rezumējot,
Jaunas produktu formas, kuru pamatā ir ķēdes mākslīgais intelekts, var apkopot kā decentralizācijas un neuzticēšanās tēmas pāreju no cilvēkiem uz mākslīgā intelekta rīkiem. Tas atbilst produktivitātes evolūcijai tradicionālajā pasaulē, kur sākotnēji tika pieliktas pūles, lai uzlabotu un uzlabotu cilvēku efektivitāti, un vēlāk cilvēkus aizstāja ar inteliģentiem rīkiem, revolucionizējot sākotnējo produktu dizainu drošības un efektivitātes ziņā.
Vissvarīgākais punkts un visa iepriekšminētā pamatā ir padarīt mākslīgo intelektu caurspīdīgu un pārbaudāmu, izmantojot Web3.
1.3 Nākamais Web3 posms
Web3 kā fenomenāla tehnoloģiska inovācija nevar vienkārši palikt sākotnējā stadijā. Satiksme un ekonomiskie modeļi ir svarīgi, taču lietotāji ne vienmēr turpinās meklēt datplūsmu vai tērēs daudz resursu, lai nopelnītu X, un Web3 šī iemesla dēļ nepiesaistīt nākamo jauno lietotāju vilni. Taču viena lieta ir skaidra: produktivitātes un vērtības revolūcijai kriptovalūtu pasaulē ir jārodas no mākslīgā intelekta pievienošanas.
Es domāju, ka to varētu aptuveni iedalīt šādos trīs posmos:
Sākums: nulles zināšanu pierādījuma algoritmu un aparatūras atjaunināšana un iterācija sniedz pirmo iespēju ķēdes mākslīgā intelekta parādīšanās; (mēs esam šeit)
Izstrāde: Neatkarīgi no tā, vai tā ir esošo lietojumprogrammu uzlabošana ar mākslīgā intelekta palīdzību vai jauni produkti, kuru pamatā ir ķēdes mākslīgais intelekts, abi virza visu nozari uz priekšu;
Noslēguma spēle: Kāds ir ķēdes mākslīgā intelekta galīgais virziens?
Iepriekš minētās diskusijas ir par lietojumprogrammu scenāriju izpēti no apakšas uz augšu, apvienojot mākslīgo intelektu (AI) un Web3. Ja mēs pārietu uz pieeju no augšas uz leju, lai aplūkotu ķēdē esošo AI, vai AI varētu atsaukties uz pašu Web3? AI + blokķēde = adaptīvā blokķēde.
Dažas publiskās ķēdes uzņemsies vadošo lomu mākslīgā intelekta integrēšanā ķēdē, pārejot no publisko ķēžu līmeņa uz sava veida adaptīvu līmeni. Attīstības virziens vairs nav atkarīgs no projekta dibināšanas lēmumiem, bet gan balstās uz masveida datu lēmumu pieņemšanu, un automatizācijas līmenis ievērojami pārsniedz tradicionālo Web3, tādējādi izceļoties no pašreizējās daudzķēžu labklājības.
Ar pārbaudāma un caurspīdīga mākslīgā intelekta svētību, kur izpaužas web3 pašregulācija, var atsaukties uz dažiem Modulus Lab minētajiem piemēriem:
Ķēdes darījumu tirgi var automātiski pielāgoties decentralizētā veidā, piemēram, reāllaikā pielāgojot stabilo kriptovalūtu procentu likmi, pamatojoties uz publiski pieejamiem ķēdes datiem, bez nepieciešamības pēc uzticēšanās pieņēmumiem;
Multimodāla mācīšanās var ļaut veikt ķēdes protokolu mijiedarbību, izmantojot biometrisko atpazīšanu, nodrošinot drošu KYC (pazīsti savu klientu) un panākot pilnīgu neuzticamu identitātes pārvaldību;
Ļauj ķēdē esošajām lietojumprogrammām maksimāli palielināt ķēdē esošo datu sniegto vērtību, atbalstot tādus pakalpojumus kā pielāgota satura ieteikšana.
No cita skatupunkta raugoties, zkrollup turpina iterēt un optimizēties, taču tam vienmēr trūkst reālas lietojumprogrammas, kas varētu darboties tikai zk ekosistēmā. ZKML precīzi atbilst šim punktam, un arī tā iztēles telpa ir pietiekami liela. ZK-rollup, visticamāk, nākotnē kalpos par mākslīgā intelekta ieejas punktu web3, radot lielāku vērtību, un abi viens otru papildina.
2. Īstenošana un iespējamība
2.1 Ko Web3 var sniegt mākslīgajam intelektam?
Infrastruktūra un ZK neapšaubāmi ir viskonkurētspējīgākās jomas web3 pasaulē. Dažādi ZK projekti ir pielikuši lielas pūles shēmu optimizācijā un algoritmu modernizācijā, neatkarīgi no tā, vai tā ir daudzslāņu tīklu izpēte, modularizācijas un datu pieejamības slāņu izstrāde, turpmāka apkopojuma kā pakalpojuma pielāgošana vai pat aparatūras paātrināšana... Šie mēģinājumi paceļ Web3 infrastruktūras mērogojamību, izmaksas un skaitļošanas jaudu jaunā līmenī.
Izklausās labi ievietot AI ķēdē, bet kā tieši tas tiek darīts?
Viena pieeja ir ZK pierādījuma sistēmas izmantošana. Piemēram, izveidojiet pielāgotu shēmu mašīnmācībai, liecinieka ģenerēšanas process ārpus ķēdes ir modeļa izpildes process, un ģenerējiet pierādījumu modeļa prognozēšanas procesam (ieskaitot modeļa parametrus un ievades datus), ikviens var pārbaudīt pierādījumu ķēdē.
Mākslīgā intelekta modelis joprojām darbojas efektīvā klasterī, pat ar zināmu aparatūras paātrinājumu, lai vēl vairāk uzlabotu skaitļošanas ātrumu, maksimāli izmantojot skaitļošanas jaudu, vienlaikus nodrošinot, ka neviena centralizēta persona vai iestāde nevar manipulēt ar modeli vai traucēt tā darbību, tas ir, lai nodrošinātu:
Modeļa prognozēšanas rezultāta noteiktība = pārbaudāms (ievades dati + modeļa arhitektūra + parametri)
Balstoties uz iepriekš minēto pieeju, mēs varam secināt, kuras infrastruktūras ir izšķirošas mākslīgā intelekta (AI) darbībai ķēdē:
ZKP sistēma, apkopojums: Apkopojumi paplašina mūsu iztēli par skaitļošanas iespējām ķēdē, iesaiņojot virkni darījumu un pat rekursīvi ģenerējot pierādījumu apliecinājumu, lai vēl vairāk samazinātu izmaksas. Pašreizējiem lielajiem modeļiem pirmais solis iespēju nodrošināšanai ir pierādījumu sistēma un apkopojums;
Aparatūras paātrinājums: ZK apkopojums nodrošina pārbaudāmu pamatu, taču pierādījuma ģenerēšanas ātrums ir tieši saistīts ar modeļa lietojamību un lietotāja pieredzi. Acīmredzot, vairāku stundu gaidīšana, lai ģenerētu modeļa pierādījumu, nedarbosies, tāpēc aparatūras paātrinājums, izmantojot FPGA, ir liels stimuls.
Kriptogrāfija: Kriptogrāfija ir kriptovalūtu pasaules pamats, un arī ķēdes modeļiem un sensitīviem datiem ir jānodrošina privātums.
Papildinājums:
Lielo modeļu pamatā ir GPU. Bez augsta paralēlo savienojumu atbalsta lielo modeļu efektivitāte būs ļoti zema, un tie nevarēs darboties. Tāpēc ķēdē esošai zk ekosistēmai:
GPU draudzīgs = AI draudzīgs
Ņemiet, piemēram, Starknet, Cario var darboties tikai ar centrālo procesoru, tāpēc var izvietot tikai dažus mazus lēmumu koku modeļus, kas ilgtermiņā neveicina lielu modeļu izvietošanu.
2.2 Izaicinājums: Jaudīgāka pierādījumu sistēma
ZK Proof ģenerēšanas ātrums un atmiņas izmantošana ir ļoti svarīgi, viens no tiem ir saistīts ar lietotāja pieredzi un iespējamību, bet otrs — ar izmaksām un mērogojamību.
Vai pašreizējā zkp sistēma ir pietiekama?
Pietiekami, bet nepietiekami labi…
Modulus Lab ir detalizēti aprakstījusi modeļu un skaitļošanas jaudas konkrēto situāciju rakstā “Intelekta izmaksas: mašīnmācīšanās secinājumu pierādīšana ar nulles zināšanām”. Kad jums ir laiks, varat izlasīt šo “0. rakstu” ZKML laukā: https://drive.google.com/file/d/1tylpowpaqcOhKQtYolPlqvx6R2Gv4IzE/view
Zemāk ir norādītas dažādās pierādījumu sistēmas, kas minētas 0. dokumentā.
Balstoties uz iepriekš minētajiem zk algoritmiem, Modulus Lab veic testus no divām dimensijām: laika patēriņa un atmiņas noslogojuma, un kontrolē divus galvenos mainīgos: parametrus un slāņus šajās divās dimensijās. Tālāk ir norādīti etalonu komplekti. Šāds dizains var aptuveni aptvert LeNet5 60 000 parametru apjomu jeb 0,5 MFLOP līdz ResNet-34 22 M parametru apjomam jeb 3,77 GFLOP.
Laika patēriņa tests:
Atmiņas patēriņa tests:
Balstoties uz iepriekš minētajiem datiem, kopumā pašreizējais zk algoritms un potenciāls atbalstīt lielu modeļu pierādījumu ģenerēšanu ir pieejams, taču atbilstošās izmaksas joprojām ir augstas, un optimizācija ir nepieciešama pat vairāk nekā 10 reizes. Ņemot par piemēru Gloth16, lai gan tas gūst labumu no skaitļošanas laika optimizācijas, ko nodrošina augsta vienlaicīguma pakāpe, kā kompromisu atmiņas izmantošana ievērojami palielinās. Plonky2 un zkCNN veiktspēja laikā un telpā arī apstiprina šo apgalvojumu.
Tātad tagad jautājums faktiski ir mainījies no tā, vai zkp sistēma var atbalstīt mākslīgo intelektu ķēdē, uz to, vai mākslīgā intelekta atbalstīšana ķēdē ir izmaksu ziņā izdevīga. Un līdz ar modeļa parametru eksponenciālo pieaugumu strauji pieaugs arī spiediens uz pierādījumu sistēmu. Tiešām, vai tagad pastāv neuzticams neironu tīkls? Nē! Tas ir tāpēc, ka izmaksas ir pārāk augstas.
Tāpēc ir vitāli svarīgi izveidot mākslīgā intelekta (AI) pielāgotu pierādījumu sistēmu. Vienlaikus, lai ieviestu AI loģiku, kas vienā izsaukumā ir ļoti sarežģīta, ir jāpārstrādā arī gāzes patēriņa modelis. Ir nepieciešams augstas veiktspējas zkvm. Taču tagad mēs varam redzēt daudzus augstas veiktspējas mēģinājumus, piemēram, OlaVM, Polygon Miden utt. Šo infrastruktūru nepārtraukta optimizācija ievērojami uzlabo ķēdē integrēta AI iespējamību.
3. Vai ir vērts gaidīt pieteikumu?
Lai gan mākslīgais intelekts ķēdē joprojām ir agrīnā stadijā, no iepriekš minētajiem slāņiem tas varētu atrasties starp sākuma un attīstības stadijām. Tomēr mākslīgā intelekta virzienā nekad netrūkst izcilu komandu un inovatīvu ideju.
Kā minēts iepriekš, aplūkojot mākslīgā intelekta (AI) attīstības stadiju web3 pasaulē, pašreizējais tirgus atrodas vidusposmā no sākuma līdz izstrādei, un produktu izstrādes virziens joprojām galvenokārt ir balstīts uz lietotāja pieredzes optimizāciju, pamatojoties uz esošajām funkcijām. Taču visvērtīgākais ir pārvērst neuzticamus subjektus no cilvēkiem par rīkiem, izmantojot mākslīgo intelektu ķēdē, tādējādi mainot sākotnējo produkta formu drošības un efektivitātes ziņā.
Tālāk, sākot ar dažiem esošajiem lietojumprogrammu mēģinājumiem, analizējiet ķēdē integrēta mākslīgā intelekta ilgtermiņa produktu attīstības virzienu.
3.1 Rokfellera robots: pasaulē pirmais ķēdē integrētais mākslīgais intelekts
Rokfellers ir pirmais Modulus Lab komandas laists klajā mākslīgā intelekta produkts ķēdē ar spēcīgu “piemiņas vērtību”. Šis modelis būtībā ir tirdzniecības robots. Konkrētāk, Rokfellera apmācības dati ir liels daudzums publiski pieejamas WEth-USDC cenas/valūtas kursa ķēdes ietvaros. Tas ir trīs slāņu iepriekšējas atgriezeniskās saites neironu tīkla modelis, un prognozēšanas mērķis ir WEth cenas pieaugums un kritums nākotnē.
Lūk, process, kad tirdzniecības robots nolemj tirgoties:
Rokfellers ģenerē ZKP prognozēšanas rezultātiem ZK apkopojumā;
ZKP tiek verificēts L1 līmenī (līdzekļi tiek glabāti L1 līgumā) un tiek veiktas darbības;
Var redzēt, ka tirdzniecības robota prognozēšanas un līdzekļu operācijas ir pilnībā decentralizētas un neuzticamas. Kā minēts iepriekš, no augstākas dimensijas Rokfellers vairāk līdzinās jauna veida DeFi spēlei. Salīdzinot ar uzticēšanos citiem tirgotājiem, šajā režīmā lietotāji faktiski liek likmes uz caurspīdīgu + pārbaudāmu + autonomu modeli. Lietotājiem nav jāuzticas centralizētām iestādēm, lai nodrošinātu modeļa lēmumu pieņemšanas procesa likumību. Tajā pašā laikā mākslīgais intelekts var arī maksimāli novērst cilvēka dabas ietekmi un pieņemt lēmumus izlēmīgāk.
Jūs, iespējams, jau vēlaties ieguldīt naudu Rokfellerā un izmēģināt, bet vai tas tiešām var nopelnīt naudu?
Nē, Modulus komanda apgalvo, ka tas tā nevar būt. Rokfellers drīzāk ir nevis lietojumprogramma, bet gan ķēdes mākslīgā intelekta koncepcijas pierādījums (POC). Izmaksu, efektivitātes un pierādījumu sistēmu ierobežojumu dēļ Rokfellera galvenais mērķis ir kalpot kā demonstrācija, lai parādītu ķēdes mākslīgā intelekta iespējamību web3 pasaulei. (Rokfellers ir pabeidzis savu misiju un tagad ir bezsaistē T T)
3.2 Leela: pasaulē pirmā ķēdē integrētā mākslīgā intelekta spēle
Nesen izlaistā spēle “Leela vs. the World” arī ir no “Modulus Lab”. Spēles mehānisms ir vienkāršs – cilvēki veido komandas, lai cīnītos pret mākslīgo intelektu. Spēlē spēlētāji var likt likmes, un katras spēles beigās zaudētā fonds tiks sadalīts uzvarētājam atbilstoši likmju skaitam.
Runājot par ķēdē integrētu mākslīgo intelektu (AI), šoreiz Modulus Lab ir ieviesis lielāku dziļo neironu tīklu (ar parametru skaitu > 3 700 000). Lai gan Leela pārspēj Rokfelleru modeļa mēroga un produkta satura ziņā, tas būtībā joprojām ir liela mēroga ķēdes mākslīgā intelekta eksperiments. Jāpievērš uzmanība Leela mehānismam un darbības režīmam, kas var palīdzēt mums labāk izprast ķēdē integrētā mākslīgā intelekta darbības režīmu un uzlabošanas iespējas. Šeit ir ierēdņa sniegtā loģiskā diagramma:
Katrs Līlas gājiens vai katrs pareģojums ģenerēs ZKP, un tikai pēc tam, kad tas būs verificēts ar līgumu, tas stāsies spēkā spēlē. Tas nozīmē, ka, pateicoties neuzticamajam autonomajam mākslīgajam intelektam, lietotāju likmes līdzekļi un spēles godīgums ir pilnībā aizsargāti ar kriptogrāfiju, un nav nepieciešams uzticēties spēles izstrādātājam.
Leela izmanto Halo2 algoritmu, galvenokārt tāpēc, ka tā rīki un elastīgais dizains var palīdzēt izstrādāt efektīvāku pierādījumu sistēmu. Konkrētā veiktspējas situācija var attiekties uz iepriekš minētajiem testa datiem. Taču tajā pašā laikā Leela darbības laikā Modulus komanda atklāja arī Halo2 trūkumus, piemēram, lēnu pierādījumu ģenerēšanu un nedraudzību vienreizējai pierādīšanai utt. Tādēļ tas vēl vairāk apstiprina secinājumu, kas izdarīts no iepriekšējiem testa datiem: ja mums web3 ir jāievieš lielāki modeļi, mums ir jāizstrādā jaudīgāka pierādījumu sistēma.
Tomēr Leela vērtība slēpjas tajā, ka tā sniedz mums lielāku iztēles telpu AI + Web3 spēlei, un šobrīd King of Glory spēlētājiem vajadzētu būt ļoti cerīgiem, ka saderības algoritms būs pilnībā pieejams ķēdē :) Gamefi ir nepieciešams kvalitatīvāks satura atbalsts un godīgāka spēļu sistēma, un ķēdes AI to vienkārši nodrošina. Piemēram, AI vadītu spēles ainu vai NPC ieviešana spēlē nodrošina milzīgu iztēles telpu gan spēlētāja spēles pieredzei, gan ekonomiskās sistēmas spēles gaitai.
3.3 Worldcoin: mākslīgais intelekts + KYC (pazīsti savu klientu)
Worldcoin ir ķēdē integrēta identitātes sistēma (Privātuma saglabāšanas personas apliecinājuma protokols), kas izmanto biometriju, lai izveidotu identitātes sistēmu un panāktu atvasinātas funkcijas, piemēram, maksājumus. Mērķis ir apkarot Sybil uzbrukumus, un tai tagad ir vairāk nekā 1,4 miljoni reģistrētu lietotāju.
Lietotāji skenē savu varavīksneni ar aparatūras ierīci, ko sauc par Orb, un personiskā informācija tiek pievienota datubāzei. Worldcoin Orb aparatūras skaitļošanas vidē palaiž CNN modeli, lai saspiestu un validētu lietotāja varavīksnenes datu efektivitāti. Tas izklausās iespaidīgi, taču patiesi decentralizētai identitātes verifikācijai Worldcoin komanda pēta modeļa izvades verifikāciju, izmantojot ZKP.
Izaicinājumi
Vērts pieminēt, ka Worldcoin izmantotajam CNN modelim ir izmērs: parametri = 1,8 miljoni, slāņi = 50. Pamatojoties uz iepriekš parādītajiem testa datiem, pašreizējā pierādījumu sistēma to var apstrādāt laika ziņā, taču atmiņas patēriņu nav iespējams pabeigt ar patērētāju līmeņa aparatūru.
3.4 Citi projekti
Pragma: Pragma ir ZK orākuls, kas izstrādāts no Starkware ekosistēmas. Komanda arī pēta, kā atrisināt decentralizētas ārpusķēdes datu verifikācijas problēmu, izmantojot ķēdē integrētu mākslīgo intelektu. Lietotājiem vairs nav jāuzticas validatoriem, bet gan viņi var pārbaudīt ārpusķēdes datu avotus, izmantojot pietiekami precīzu un pārbaudāmu ķēdē integrētu mākslīgo intelektu, piemēram, nolasot atbilstošo fizisko informāciju kā ievadi un pieņemot lēmumus par faktiskā aktīva vai identitātes verifikāciju.
Lyra finance: Lyra finance ir opciju AMM, kas nodrošina atvasināto instrumentu tirdzniecības tirgu. Lai uzlabotu kapitāla izmantošanu, Lyra komanda un Modulus Lab sadarbojas, lai izstrādātu AMM, kas balstīts uz pārbaudāmu mākslīgā intelekta modeli. Ar pārbaudāmu, godīgu mākslīgā intelekta modeli Lyra finance ir iespēja kļūt par liela mēroga ķēdes mākslīgā intelekta ieviešanas eksperimentu, pirmo reizi nodrošinot godīgu saderību ar Web3 lietotājiem, optimizējot ķēdes tirgu, izmantojot mākslīgo intelektu, un nodrošinot lielāku atdevi.
Giza: ZKML platforma, kas izvieto modeļus tieši ķēdē, nevis ārpus ķēdes. Labs mēģinājums, bet… Sakarā ar skaitļošanas jaudu un Cairo neatbalstīšanu CUDA balstītai pierādījumu ģenerēšanai, Giza var atbalstīt tikai mazu modeļu izvietošanu. Šī ir visnopietnākā problēma. Ilgtermiņā lieliem modeļiem, kas var radīt graujošu ietekmi uz web3, būs nepieciešams jaudīgs aparatūras atbalsts, piemēram, GPU.
Zama-ai: modeļu homomorfā šifrēšana. Homomorfā šifrēšana ir šifrēšanas veids, kur: f[E(x)] = E[f(x)], kur f ir operācija, E ir homomorfs šifrēšanas algoritms un x ir mainīgais, piemēram, E(a) + E(b) = E(a + b). Tā ļauj noteiktām algebrisko darbību formām ar šifrētu tekstu iegūt šifrētu rezultātu, un šī rezultāta atšifrēšana dos tādu pašu rezultātu kā tās pašas darbības veikšana ar vienkāršu tekstu. Modeļa privātums vienmēr ir bijis mākslīgā intelekta karstais punkts un vājā vieta. Lai gan zk ir privātumam draudzīgs, zk nenozīmē privātumu. Zama ir apņēmusies nodrošināt modeļu izpildi, ievērojot privātumu.
ML kā pakalpojums: Pašlaik tas ir tikai domu virziens bez konkrētiem pielietojumiem, taču mērķis ir atrisināt centralizētu ML pakalpojumu sniedzēju ļaunprātīgas rīcības un lietotāju uzticēšanās problēmas, izmantojot ZKP. Daniels Kangs ir sniedzis detalizētu aprakstu rakstā “Mašīnmācīšanās bezuzticama verifikācija” (skatiet diagrammu rakstā).
4. Secinājums
Kopumā mākslīgais intelekts web3 pasaulē ir ļoti agrīnā stadijā, taču nav šaubu, ka ķēdes mākslīgā intelekta attīstība un popularizācija pacels web3 vērtību jaunā līmenī. Tehniski web3 var nodrošināt unikālu mākslīgā intelekta infrastruktūru, un mākslīgais intelekts ir būtisks instruments web3 ražošanas attiecību mainīšanai. Abu kombinācija var radīt daudzas iespējas, kas ir aizraujoša un iztēles bagāta joma.
No mākslīgā intelekta motivācijas iet ķēdē viedokļa, no vienas puses, caurspīdīgais un pārbaudāmais mākslīgais intelekts ķēdē pārveido decentralizētās un neuzticamās vienības no cilvēkiem par mākslīgā intelekta rīkiem, ievērojami uzlabojot efektivitāti un drošību, kā arī nodrošinot iespējas radīt pilnīgi jaunas produktu formas. No otras puses, tā kā web3 infrastruktūra turpina attīstīties, web3 patiešām ir nepieciešama izcila lietojumprogramma, kas var maksimāli palielināt šīs infrastruktūras vērtību. ZKML atbilst šim punktam, piemēram, ZK-rollup, visticamāk, nākotnē būs mākslīgā intelekta ieejas punkts web3.
No iespējamības viedokļa pašreizējā infrastruktūra zināmā mērā var atbalstīt noteikta mēroga modeļus, taču joprojām pastāv daudz neskaidrību. ZKP izmantošana pārbaudāmu modeļu izveidei pašlaik šķiet vienīgais veids, kā mākslīgais intelekts (AI) var iekļūt ķēdē, un tas varētu būt arī tehniski deterministiskākais veids, kā AI ieviest web3 lietojumprogrammās. Tomēr ilgtermiņā pašreizējā pierādījumu sistēma ir eksponenciāli jāuzlabo, lai pietiekami atbalstītu arvien lielākos modeļus.
No lietojumprogrammu scenāriju viedokļa mākslīgais intelekts (MI) var gandrīz pilnībā piedalīties jebkurā web3 virzienā, neatkarīgi no tā, vai tā ir spēļu, DeFi, DID vai rīku izstrāde... Lai gan esošie projekti ir ļoti reti un tiem trūkst ilgtermiņa vērtības, tie vēl nav pārgājuši no efektivitātes uzlabošanas rīka uz lietojumprogrammu, kas maina ražošanas attiecības. Taču ir aizraujoši, ka kāds ir spēris pirmo soli, un mēs varam redzēt agrāko ieskatu ķēdē integrētā MI un tā nākotnes iespējās.
Atsauce
https://worldcoin.org/blog/engineering/intro-to-zkml
https://medium.com/coinmonks/chapter-1-how-to-put-your-ai-on-chain-8af2db013c6b
https://medium.com/@ModulusLabs/chapter-2-why-put-your-ai-on-chain-33b7625147b7
https://medium.com/@ModulusLabs/chapter-3-the-worlds-first-on-chain-ai-trading-bot-c387afe8316c
https://medium.com/@ModulusLabs/chapter-4-blockchains-that-self-improve-e9716c041f36
https://medium.com/@ModulusLabs/chapter-4-5-trustless-ai-for-living-breathing-games-cc9f24080e30
https://medium.com/@ModulusLabs/chapter-5-the-cost-of-intelligence-da26dbf93307
https://medium.com/@ModulusLabs/chapter-6-leela-vs-the-world-the-worlds-1st-on-chain-ai-game-17ea299a06b6
https://drive.google.com/file/d/1tylpowpaqcOhKQtYolPlqvx6R2Gv4IzE/view
https://medium.com/@danieldkang/trustless-verification-of-machine-learning-6f648fd8ba88
Par Foresight Ventures
Foresight Ventures ir apņēmies atbalstīt blokķēdes revolucionāro inovāciju nākamajās desmitgadēs. Mēs pārvaldām vairākus fondus: riska kapitāla fondu, aktīvi pārvaldītu sekundāro fondu, daudzstratēģiju FOF un privātā tirgus sekundāro fondu, kuru pārvaldītie aktīvi pārsniedz 400 miljonus ASV dolāru. Foresight Ventures ievēro pārliecību par “unikālu, neatkarīgu, agresīvu un ilgtermiņa domāšanas veidu” un sniedz plašu atbalstu portfeļa uzņēmumiem augošā ekosistēmā. Mūsu komandu veido veterāni no vadošajiem finanšu un tehnoloģiju uzņēmumiem, piemēram, Sequoia Capital, CICC, Google, Bitmain un daudziem citiem.
Tīmekļa vietne: https://www.foresightventures.com/
Atruna: Visi Foresight Ventures raksti nav paredzēti kā ieguldījumu konsultācijas. Indivīdiem ir jāizvērtē sava riska tolerance un jāpieņem ieguldījumu lēmumi apdomīgi.