Autor: Kyle Samani (Multicoin Capital Partner) y ChatGPT; Traducción: criptomoneda Jinse Finance y ChatGPT
*Nota: la gran mayoría de este artículo, incluidos la mayoría de los títulos, fue escrito por ChatGPT. El texto escrito por el autor está en cursiva. Puede ver la conversación del autor con ChatGPT en aquí. *
Los mundos de Crypto y AI se han desarrollado en paralelo, y cada campo supera los límites de la tecnología y la innovación. A medida que continuamos progresando en ambos campos, se vuelve cada vez más claro que sus futuros están estrechamente entrelazados. En esta publicación, exploraremos cuatro intersecciones importantes en la encrucijada Crypto y AI.
Modelo "AirBnB para tarjetas gráficas"
El auge de las cargas de trabajo de IA y aprendizaje automático (ML) ha creado una gran demanda de tarjetas gráficas de alto rendimiento como la Nvidia A100. En respuesta, ha surgido un nuevo mercado similar al "AirBnB de las tarjetas gráficas". Esto permite que las personas y las organizaciones alquilen sus recursos de GPU no utilizados para satisfacer las necesidades de los investigadores y desarrolladores de IA.
*Este es un momento verdaderamente único en la historia del mercado. Antes del lanzamiento de ChatGPT, el suministro de GPU ya era escaso. Desde entonces, la demanda probablemente ha crecido al menos 10 veces, posiblemente 100 veces. Además, sabemos que los modelos crecen logarítmicamente con el tamaño del entrenamiento, lo que significa que la necesidad de computación GPU aumenta exponencialmente para mejorar la calidad del modelo. Si bien la oferta total supera con creces la demanda, los momentos en que la demanda de un producto supera con creces la oferta disponible son raros; si todas las GPU del planeta hoy pudieran usarse para la inferencia y el entrenamiento de IA, en lugar de una escasez, ¡habría un exceso! *
Sin embargo, existen varios desafíos técnicos importantes a considerar al explorar el concepto de un "AirBnB para tarjetas gráficas":
No todas las tarjetas gráficas admiten todas las cargas de trabajo: las tarjetas gráficas vienen en todas las formas, tamaños y especificaciones. Por lo tanto, es posible que ciertas GPU no puedan manejar ciertas tareas de IA. Para que este modelo tenga éxito, debe haber una manera de hacer coincidir los recursos de GPU correctos con la carga de trabajo de IA adecuada. A medida que el mercado madure, deberíamos esperar ver una mayor especialización y optimización de las tarjetas gráficas para diferentes tareas de IA.
Ajuste del proceso de entrenamiento para una mayor latencia: la mayoría de los modelos básicos actuales se entrenan en grupos de GPU conectados a través de una latencia extremadamente baja. En un entorno descentralizado, la latencia aumenta en órdenes de magnitud, ya que las GPU pueden distribuirse en múltiples ubicaciones y conectarse a través de la Internet pública. Para superar este desafío, existen oportunidades para desarrollar nuevos procedimientos de entrenamiento con conexiones de mayor latencia. Al repensar la forma en que entrenamos los modelos de IA, podemos aprovechar mejor los clústeres descentralizados de GPU más grandes.
*Problema de verificación: No hay forma de saber si una determinada pieza de código fue ejecutada por una computadora que no es de confianza. Por lo tanto, es difícil confiar en la salida de una computadora que no es de confianza. Sin embargo, este problema puede mitigarse con sistemas de reputación combinados con participación criptoeconómica y, en algunos casos, con modelos novedosos que admiten una verificación rápida. *
Hay bastantes equipos trabajando en esta área, tanto de formación como de inferencia. MulticoinCapital invirtió en Render Network, que inicialmente se centró en la representación 3D y ha abierto su red de GPU para admitir también la inferencia de IA. *
*Además de RenderNetwork, hay algunas otras empresas trabajando en este espacio: Akash, BitTensor, Gensyn, Prodia, Together y otras aún en desarrollo. *
Incentivo simbólico RLHF (Aprendizaje de refuerzo a partir de la retroalimentación humana, aprendizaje de refuerzo basado en la retroalimentación humana)
Es casi seguro que los incentivos simbólicos no funcionarán para todos los casos de uso de aprendizaje reforzado a partir de la retroalimentación humana (RLHF). La pregunta es, ¿qué marco podemos usar para pensar cuándo los incentivos simbólicos tienen sentido para RLHF y cuándo se deben usar pagos en efectivo (por ejemplo, USDC).
Los incentivos simbólicos pueden mejorar RLHF a medida que lo siguiente se vuelve más cierto:
El modelo se ha vuelto más estrecho y vertical (a diferencia del genérico y horizontal, por ejemplo, ChatGPT). *Si alguien brindará RLHF como su trabajo principal y, por lo tanto, generará la mayoría de sus ingresos brindando RLHF, es posible que necesite efectivo para pagar el alquiler y comprar alimentos. A medida que pasa de consultas generales a dominios más específicos, los desarrolladores de modelos requerirán la participación de personal más capacitado que tenga más probabilidades de tener éxito a largo plazo en la oportunidad comercial general. *
** Mayores ingresos para aquellos que brindan RLHF fuera del trabajo de RLHF en sí. ***Uno solo puede aceptar tokens bloqueados/sin liquidez como compensación si tiene suficientes ingresos o ahorros de otros esfuerzos para justificar el riesgo de invertir un tiempo significativo en un modelo RLHF específico de dominio No en efectivo. Para maximizar la probabilidad de éxito, los desarrolladores de modelos no solo deben emitir tokens desbloqueados a los trabajadores que brindan RLHF de dominio específico. En cambio, los tokens deben otorgarse durante un período de tiempo para incentivar la toma de decisiones a largo plazo. *
Algunas industrias donde el modelo RLHF incentivado por tokens puede ser aplicable incluyen:
*Medicina: *Uno debe ser capaz de practicar diagnósticos ligeros de primeros auxilios, así como medicina preventiva y de longevidad a largo plazo con un LL.M. *
Legal: * Los dueños de negocios y las personas deben poder usar LLM para navegar de manera más efectiva las complejidades de varios sistemas legales heterogéneos. *
Ingeniería y Arquitectura: Potenciar herramientas de diseño o modelos de simulación.
Finanzas y economía: mejorar los modelos de pronóstico, la evaluación de riesgos y los sistemas de negociación algorítmica.
Investigación científica: mejore los modelos de IA para simular experimentos, predecir interacciones moleculares y analizar conjuntos de datos complejos.
Educación y capacitación: contribuir a las plataformas de aprendizaje impulsadas por IA para mejorar la calidad y la eficacia del contenido educativo.
Ciencias ambientales y sustentabilidad: optimización de modelos de IA para predecir tendencias ambientales, asignación de recursos y promover prácticas sustentables.
Hay una vertical donde RLHF incentivado por token ya está en producción: Maps. Hivemapper no solo es bueno para los conductores, sino también para los editores de mapas que invierten su tiempo en editar y organizar datos de mapas. Puede probar la herramienta de entrenamiento de mapa AI usted mismo usando Hivemapper.
Aprendizaje automático de conocimiento cero (zkML)
*Blockchain no tiene conocimiento de lo que sucede en el mundo real. Sin embargo, sería muy beneficioso para ellos comprender lo que está sucediendo fuera de la cadena para que puedan transferir valor programáticamente en función del estado del mundo real. *
Los oráculos resuelven parte de este problema. Pero los oráculos no son suficientes. La simple transmisión de datos del mundo real a la cadena no es suficiente. Antes de entrar en la cadena, es necesario calcular muchos datos. Por ejemplo, consideremos un agregador de rendimiento que necesita transferir depósitos entre diferentes grupos para obtener más rendimiento. Para hacer esto de una manera que minimice la confianza, el agregador debe calcular el pago y el riesgo actuales para todos los grupos disponibles. Esto se convierte rápidamente en un problema de optimización adecuado para ML. Sin embargo, la computación ML en cadena es demasiado costosa, por lo que esta es una oportunidad para zkML. *
*Equipos como Modulus Labs están construyendo en este espacio ahora mismo. Esperamos que más equipos estén construyendo en este espacio utilizando ZKVM de uso general, como Risc Zero y Lurk. *
Autenticidad en la era de las falsificaciones profundas
A medida que los deepfakes se vuelven más sofisticados, es fundamental mantener la autenticidad y la confianza en los medios digitales. Una solución consiste en utilizar criptografía de clave pública, lo que permite a los creadores garantizar la autenticidad de su contenido al firmarlo con una clave pública.
La clave pública por sí sola no es suficiente para resolver el problema de la autenticidad. Debe haber un registro público que asigne claves públicas a identidades del mundo real para verificación y confianza. Al asociar claves públicas con identidades verificadas, se puede crear un sistema de comentarios y sanciones si se descubre a alguien abusando de sus claves, como al firmar imágenes o videos falsos.
Para que este sistema sea efectivo, la integración de las firmas de claves públicas con la autenticación del mundo real será fundamental. La tecnología Blockchain, que sustenta muchos sistemas de criptomonedas, puede desempeñar un papel importante en la creación de registros de identidad descentralizados y a prueba de manipulaciones. El registro asigna claves públicas a identidades del mundo real, lo que facilita generar confianza y responsabilizar a los malos actores.
Habrá al menos dos configuraciones: hardware embebido y software controlado por el usuario. *
Hardware integrado: Esperamos que los teléfonos inteligentes y otros dispositivos integren pronto imágenes nativas basadas en hardware, video y otras capacidades de firma de medios.
*SolanaLabs lanzó recientemente Saga Phone, que funciona con Solana Mobile Stack (Solana Mobile Stack, SMS). En los próximos meses, espero que los SMS se actualicen para que cada foto se firme con el SDK de SMS Seed Bank, lo que demuestra que la foto no fue generada por IA. *
SOFTWARE CONTROLADO POR EL USUARIO: Las personas usarán herramientas de diseño como Photoshop, Octane y generadores de imágenes como StableDiffusion para crear obras de arte. Esperamos que estos proveedores de software integren la criptografía de clave pública, lo que permitirá a los creadores probar la autenticidad y al mismo tiempo reconocer las herramientas utilizadas en el proceso de producción.
en conclusión
En conclusión, la convergencia de las tecnologías de criptomonedas e inteligencia artificial ofrece amplias oportunidades para abordar desafíos apremiantes y desbloquear soluciones innovadoras en múltiples industrias. Al explorar la intersección de estos campos, podemos encontrar nuevas formas de optimizar la asignación de recursos en la capacitación de IA, aprovechar los incentivos simbólicos para el aprendizaje de refuerzo específico del dominio a partir de los comentarios humanos y mantener los medios digitales auténticos frente al sexo falso.
El modelo "AirBnB de tarjetas gráficas" ofrece el potencial para descentralizar y democratizar el acceso a las GPU de alto rendimiento, lo que permite que más personas y organizaciones contribuyan a la investigación y el desarrollo de la IA. El RLHF incentivado por token se puede aplicar en industrias que van desde la ingeniería y las finanzas hasta la educación y las ciencias ambientales, mejorando los modelos de IA al aprovechar el conocimiento de los expertos en el dominio. ZKML permitirá que la cadena de bloques actualice el estado financiero en la cadena en función de cambios complejos en el mundo real. Finalmente, al combinar la criptografía de clave pública con la autenticación del mundo real y la tecnología blockchain, podemos crear un sistema sólido para enfrentar los desafíos que plantean los deepfakes y mantener la confianza en los medios digitales.
A medida que continuamos descubriendo la sinergia entre el cifrado y la inteligencia artificial, sin duda descubriremos más oportunidades para impulsar la innovación, crear valor y resolver algunos de los problemas más apremiantes que enfrenta la sociedad actual. Adoptar la intersección entre estos dos campos nos ayudará a ampliar los límites de la tecnología y dar forma a un futuro más conectado, eficiente y auténtico.
Ver originales
El contenido es solo de referencia, no una solicitud u oferta. No se proporciona asesoramiento fiscal, legal ni de inversión. Consulte el Descargo de responsabilidad para obtener más información sobre los riesgos.
La convergencia de las criptomonedas y la IA: cuatro intersecciones clave
Autor: Kyle Samani (Multicoin Capital Partner) y ChatGPT; Traducción: criptomoneda Jinse Finance y ChatGPT
*Nota: la gran mayoría de este artículo, incluidos la mayoría de los títulos, fue escrito por ChatGPT. El texto escrito por el autor está en cursiva. Puede ver la conversación del autor con ChatGPT en aquí. *
Los mundos de Crypto y AI se han desarrollado en paralelo, y cada campo supera los límites de la tecnología y la innovación. A medida que continuamos progresando en ambos campos, se vuelve cada vez más claro que sus futuros están estrechamente entrelazados. En esta publicación, exploraremos cuatro intersecciones importantes en la encrucijada Crypto y AI.
Modelo "AirBnB para tarjetas gráficas"
El auge de las cargas de trabajo de IA y aprendizaje automático (ML) ha creado una gran demanda de tarjetas gráficas de alto rendimiento como la Nvidia A100. En respuesta, ha surgido un nuevo mercado similar al "AirBnB de las tarjetas gráficas". Esto permite que las personas y las organizaciones alquilen sus recursos de GPU no utilizados para satisfacer las necesidades de los investigadores y desarrolladores de IA.
*Este es un momento verdaderamente único en la historia del mercado. Antes del lanzamiento de ChatGPT, el suministro de GPU ya era escaso. Desde entonces, la demanda probablemente ha crecido al menos 10 veces, posiblemente 100 veces. Además, sabemos que los modelos crecen logarítmicamente con el tamaño del entrenamiento, lo que significa que la necesidad de computación GPU aumenta exponencialmente para mejorar la calidad del modelo. Si bien la oferta total supera con creces la demanda, los momentos en que la demanda de un producto supera con creces la oferta disponible son raros; si todas las GPU del planeta hoy pudieran usarse para la inferencia y el entrenamiento de IA, en lugar de una escasez, ¡habría un exceso! *
Sin embargo, existen varios desafíos técnicos importantes a considerar al explorar el concepto de un "AirBnB para tarjetas gráficas":
No todas las tarjetas gráficas admiten todas las cargas de trabajo: las tarjetas gráficas vienen en todas las formas, tamaños y especificaciones. Por lo tanto, es posible que ciertas GPU no puedan manejar ciertas tareas de IA. Para que este modelo tenga éxito, debe haber una manera de hacer coincidir los recursos de GPU correctos con la carga de trabajo de IA adecuada. A medida que el mercado madure, deberíamos esperar ver una mayor especialización y optimización de las tarjetas gráficas para diferentes tareas de IA.
Ajuste del proceso de entrenamiento para una mayor latencia: la mayoría de los modelos básicos actuales se entrenan en grupos de GPU conectados a través de una latencia extremadamente baja. En un entorno descentralizado, la latencia aumenta en órdenes de magnitud, ya que las GPU pueden distribuirse en múltiples ubicaciones y conectarse a través de la Internet pública. Para superar este desafío, existen oportunidades para desarrollar nuevos procedimientos de entrenamiento con conexiones de mayor latencia. Al repensar la forma en que entrenamos los modelos de IA, podemos aprovechar mejor los clústeres descentralizados de GPU más grandes.
*Problema de verificación: No hay forma de saber si una determinada pieza de código fue ejecutada por una computadora que no es de confianza. Por lo tanto, es difícil confiar en la salida de una computadora que no es de confianza. Sin embargo, este problema puede mitigarse con sistemas de reputación combinados con participación criptoeconómica y, en algunos casos, con modelos novedosos que admiten una verificación rápida. *
Hay bastantes equipos trabajando en esta área, tanto de formación como de inferencia. MulticoinCapital invirtió en Render Network, que inicialmente se centró en la representación 3D y ha abierto su red de GPU para admitir también la inferencia de IA. *
*Además de RenderNetwork, hay algunas otras empresas trabajando en este espacio: Akash, BitTensor, Gensyn, Prodia, Together y otras aún en desarrollo. *
Incentivo simbólico RLHF (Aprendizaje de refuerzo a partir de la retroalimentación humana, aprendizaje de refuerzo basado en la retroalimentación humana)
Es casi seguro que los incentivos simbólicos no funcionarán para todos los casos de uso de aprendizaje reforzado a partir de la retroalimentación humana (RLHF). La pregunta es, ¿qué marco podemos usar para pensar cuándo los incentivos simbólicos tienen sentido para RLHF y cuándo se deben usar pagos en efectivo (por ejemplo, USDC).
Los incentivos simbólicos pueden mejorar RLHF a medida que lo siguiente se vuelve más cierto:
Algunas industrias donde el modelo RLHF incentivado por tokens puede ser aplicable incluyen:
*Medicina: *Uno debe ser capaz de practicar diagnósticos ligeros de primeros auxilios, así como medicina preventiva y de longevidad a largo plazo con un LL.M. *
Hay una vertical donde RLHF incentivado por token ya está en producción: Maps. Hivemapper no solo es bueno para los conductores, sino también para los editores de mapas que invierten su tiempo en editar y organizar datos de mapas. Puede probar la herramienta de entrenamiento de mapa AI usted mismo usando Hivemapper.
Aprendizaje automático de conocimiento cero (zkML)
*Blockchain no tiene conocimiento de lo que sucede en el mundo real. Sin embargo, sería muy beneficioso para ellos comprender lo que está sucediendo fuera de la cadena para que puedan transferir valor programáticamente en función del estado del mundo real. *
*Equipos como Modulus Labs están construyendo en este espacio ahora mismo. Esperamos que más equipos estén construyendo en este espacio utilizando ZKVM de uso general, como Risc Zero y Lurk. *
Autenticidad en la era de las falsificaciones profundas
A medida que los deepfakes se vuelven más sofisticados, es fundamental mantener la autenticidad y la confianza en los medios digitales. Una solución consiste en utilizar criptografía de clave pública, lo que permite a los creadores garantizar la autenticidad de su contenido al firmarlo con una clave pública.
La clave pública por sí sola no es suficiente para resolver el problema de la autenticidad. Debe haber un registro público que asigne claves públicas a identidades del mundo real para verificación y confianza. Al asociar claves públicas con identidades verificadas, se puede crear un sistema de comentarios y sanciones si se descubre a alguien abusando de sus claves, como al firmar imágenes o videos falsos.
Para que este sistema sea efectivo, la integración de las firmas de claves públicas con la autenticación del mundo real será fundamental. La tecnología Blockchain, que sustenta muchos sistemas de criptomonedas, puede desempeñar un papel importante en la creación de registros de identidad descentralizados y a prueba de manipulaciones. El registro asigna claves públicas a identidades del mundo real, lo que facilita generar confianza y responsabilizar a los malos actores.
Habrá al menos dos configuraciones: hardware embebido y software controlado por el usuario. *
Hardware integrado: Esperamos que los teléfonos inteligentes y otros dispositivos integren pronto imágenes nativas basadas en hardware, video y otras capacidades de firma de medios.
*SolanaLabs lanzó recientemente Saga Phone, que funciona con Solana Mobile Stack (Solana Mobile Stack, SMS). En los próximos meses, espero que los SMS se actualicen para que cada foto se firme con el SDK de SMS Seed Bank, lo que demuestra que la foto no fue generada por IA. *
en conclusión
En conclusión, la convergencia de las tecnologías de criptomonedas e inteligencia artificial ofrece amplias oportunidades para abordar desafíos apremiantes y desbloquear soluciones innovadoras en múltiples industrias. Al explorar la intersección de estos campos, podemos encontrar nuevas formas de optimizar la asignación de recursos en la capacitación de IA, aprovechar los incentivos simbólicos para el aprendizaje de refuerzo específico del dominio a partir de los comentarios humanos y mantener los medios digitales auténticos frente al sexo falso.
El modelo "AirBnB de tarjetas gráficas" ofrece el potencial para descentralizar y democratizar el acceso a las GPU de alto rendimiento, lo que permite que más personas y organizaciones contribuyan a la investigación y el desarrollo de la IA. El RLHF incentivado por token se puede aplicar en industrias que van desde la ingeniería y las finanzas hasta la educación y las ciencias ambientales, mejorando los modelos de IA al aprovechar el conocimiento de los expertos en el dominio. ZKML permitirá que la cadena de bloques actualice el estado financiero en la cadena en función de cambios complejos en el mundo real. Finalmente, al combinar la criptografía de clave pública con la autenticación del mundo real y la tecnología blockchain, podemos crear un sistema sólido para enfrentar los desafíos que plantean los deepfakes y mantener la confianza en los medios digitales.
A medida que continuamos descubriendo la sinergia entre el cifrado y la inteligencia artificial, sin duda descubriremos más oportunidades para impulsar la innovación, crear valor y resolver algunos de los problemas más apremiantes que enfrenta la sociedad actual. Adoptar la intersección entre estos dos campos nos ayudará a ampliar los límites de la tecnología y dar forma a un futuro más conectado, eficiente y auténtico.