Tiga Arah Strategis Integrasi AI dan enkripsi

Saat ini, kombinasi antara AI dan enkripsi sedang memasuki periode ledakan inovasi. Artikel ini akan menjelaskan secara rinci tiga arah pengembangan utama dari penggabungan ini.

1. Membangun Ekosistem Ekonomi yang Didorong oleh Agen Cerdas

Praktik terbaru telah membuktikan bahwa agen AI dapat beroperasi secara efektif di blockchain. Bidang ini terus menerobos batasan operasi di atas rantai agen, dengan potensi yang besar dan ruang desain yang luas. Saat ini, ini telah menjadi salah satu arah yang paling inovatif dan eksplosif di bidang enkripsi dan AI, dan ini baru permulaan.

Di masa depan, agen cerdas diharapkan dapat mengelola proyek kompleks yang memerlukan koordinasi ekonomi multi-pihak. Contohnya di bidang penelitian, agen dapat bertanggung jawab untuk mencari senyawa pengobatan untuk penyakit tertentu:

• Mengumpulkan dana melalui platform penggalangan dana token
• Menggunakan dana yang dihimpun untuk membayar biaya akses data penelitian, melakukan simulasi senyawa di jaringan komputasi terdesentralisasi
• Merekrut manusia untuk melakukan pekerjaan verifikasi eksperimen melalui platform bounty

Selain proyek yang kompleks, agen juga dapat melakukan tugas sederhana seperti membangun situs web pribadi, menciptakan karya seni, dan lainnya, dengan kemungkinan aplikasi yang tidak terbatas.

Teknologi blockchain memiliki keunggulan unik dalam mendukung aktivitas perwakilan:

• Aplikasi pembayaran kecil
• Keunggulan kecepatan, fungsi penyelesaian instan membantu agen mencapai efisiensi modal maksimal
• Masuk ke pasar modal melalui DeFi, melakukan operasi seperti pencetakan aset, perdagangan, investasi, dan pinjam meminjam secara mulus.

Dari sudut pandang perkembangan teknologi, ketergantungan jalur memainkan peran kunci. Dengan semakin banyak agen yang mendapatkan keuntungan melalui enkripsi, koneksi enkripsi kemungkinan besar akan menjadi kemampuan inti agen.

Arah pengembangan di masa depan mencakup:

1. Menjelajahi mekanisme pengendalian risiko
2. Mendorong penggunaan skenario non-spekulatif
3. Mempercepat kemajuan pengembangan, mencapai prototipe jaringan pengujian atau operasi jaringan utama

2. Meningkatkan kemampuan LLM dalam pengembangan kode

Model bahasa besar telah menunjukkan performa yang luar biasa dalam penulisan kode, dan di masa depan akan terus meningkat. Melalui kemampuan ini, efisiensi pengembang diharapkan meningkat 2-10 kali lipat. Baru-baru ini, dengan membangun tolok ukur berkualitas tinggi untuk mengevaluasi kemampuan LLM dalam memahami dan menulis kode, akan membantu memahami potensi dampak LLM terhadap ekosistem.

Namun, masih ada beberapa tantangan saat ini:

• Kurangnya data pelatihan asli yang berkualitas tinggi
• Jumlah verifikasi konstruksi tidak cukup
• Kurangnya interaksi yang memiliki nilai informasi tinggi di forum teknologi
• Perkembangan infrastruktur yang cepat menyebabkan kode lama mungkin tidak lagi berlaku
• Kurangnya metode untuk memahami tingkat pemodelan evaluasi

Arah pengembangan di masa depan termasuk:

• Meningkatkan kualitas data terkait di internet
• Mendorong lebih banyak tim untuk merilis pembangunan verifikasi
• Meningkatkan kualitas tanya jawab di platform komunikasi teknis
• Membuat pengujian kinerja berkualitas tinggi
• Mengembangkan model LLM yang telah disesuaikan dengan baik dalam pengujian benchmark

Tujuan akhirnya adalah untuk mewujudkan klien node validasi baru yang sepenuhnya dibuat oleh AI, berkualitas tinggi, dan berbeda.

3. Mendukung tumpukan teknologi AI yang terbuka dan terdesentralisasi

Keseimbangan kekuatan jangka panjang antara model sumber terbuka dan sumber tertutup masih belum jelas. Situasi yang paling mungkin saat ini adalah mempertahankan status quo—perusahaan teknologi besar mendorong perkembangan terdepan, sementara model sumber terbuka dengan cepat mengikuti dan mendapatkan keuntungan unik melalui penyesuaian di aplikasi tertentu.

Pentingnya mendukung tumpukan teknologi AI terbuka terletak pada:

1. Mempercepat inovasi iterasi: Komunitas sumber terbuka melakukan perbaikan dan penyesuaian cepat terhadap model sumber terbuka, menunjukkan bagaimana komunitas dapat secara efektif melengkapi pekerjaan perusahaan AI besar.
2. Memberikan pilihan bagi pengguna yang tidak mempercayai AI terpusat: Mengingat AI dapat digunakan sebagai alat kontrol, mendukung tumpukan teknologi AI sumber terbuka dapat memberikan solusi alternatif bagi pengguna.

Saat ini, sudah ada beberapa proyek dalam ekosistem yang mendukung tumpukan teknologi AI terbuka, termasuk pengumpulan data, daya komputasi terdesentralisasi, dan kerangka pelatihan terdesentralisasi.

Arah pengembangan di masa depan termasuk:

• Pengumpulan data terdesentralisasi
• Verifikasi identitas di blockchain
• Pelatihan terdesentralisasi
• Infrastruktur IP, memungkinkan AI untuk memberikan lisensi dan pembayaran untuk konten yang digunakannya