Успішний децентралізований ринок штучного інтелекту повинен тісно поєднувати переваги штучного інтелекту та Web3, використовувати переваги доданої вартості розповсюдженого, підтвердження прав активів, розподілу доходу та децентралізованої обчислювальної потужності, знижувати поріг для програм ШІ та заохочувати розробників завантажувати та Поділіться моделями, захищаючи права користувачів на конфіденційність даних, і створіть зручну для розробників платформу торгівлі та обміну ресурсами ШІ, яка відповідає потребам користувачів.
Ринок ШІ на основі даних має більший потенціал. Ринок мертвої моделі потребує підтримки великої кількості високоякісних моделей, але відсутність бази користувачів і високоякісних ресурсів на ранній платформі ускладнює для чудових постачальників моделей залучення високоякісних моделей; Ринок на основі даних є децентралізованим і розподіленим Збір, дизайн шару стимулів і гарантія власності на дані можуть накопичувати велику кількість цінних даних і ресурсів, особливо даних приватного домену. Проте ринки даних також повинні вирішити проблему захисту конфіденційності даних, і рішення включають розробку більш гнучких політик, які дозволяють користувачам налаштовувати налаштування рівнів конфіденційності.
Успіх децентралізованого ринку штучного інтелекту залежить від накопичення ресурсів користувачів і потужних мережевих ефектів Користувачі та розробники можуть отримати більше цінності від ринку, ніж вони можуть отримати поза ринком. На початку ринку основна увага зосереджена на накопиченні високоякісних моделей, щоб залучити й утримати користувачів, а потім, створивши високоякісну бібліотеку моделей і бар’єри даних, залучити й утримати більше кінцевих користувачів. Крім того, чудовий ринок штучного інтелекту повинен знайти баланс між інтересами всіх сторін і належним чином керувати такими факторами, як право власності на дані, якість моделі, конфіденційність користувачів, обчислювальна потужність і алгоритми стимулювання.
1. AI Marketplace Web3
1.1 Огляд доріжки ШІ в полі web3
По-перше, перегляньте два загальні напрямки поєднання штучного інтелекту та крипто, про які я згадував раніше, ZKML і децентралізовану обчислювальну мережу👇
ZKML
ZKML робить модель штучного інтелекту прозорою та доступною для перевірки, що означає, що три фактори: архітектура моделі, параметри та ваги моделі, а також вхідні дані моделі можуть бути перевірені в усій мережі. Значення ZKML полягає в тому, щоб створити новий рівень цінності для світу web3 без шкоди для децентралізації та бездовірності, а також забезпечити можливість розгортати ширші програми та створювати більше можливостей.
Foresight Ventures: AI + Web3 = ？
Обчислювальна потужна мережа
У наступне десятиліття обчислювальні ресурси стануть основним полем битви, і майбутні інвестиції у високопродуктивну обчислювальну інфраструктуру зростатимуть експоненціально. Сценарії застосування децентралізованої обчислювальної потужності поділяються на два напрямки: міркування моделі та навчання моделі.Попит на навчання великої моделі ШІ є найбільшим, але він також стикається з найбільшими проблемами та технічними вузькими місцями. Включно з необхідністю складної синхронізації даних і проблемами оптимізації мережі. Існує більше можливостей для впровадження модельних міркувань, і майбутній приріст, який можна передбачити, також достатньо великий.
**1.2 Що таке AI Marketplace? **
Ринки штучного інтелекту — це не дуже нова концепція, і Hugging Face, мабуть, є найуспішнішим ринком штучного інтелекту (за винятком відсутності транзакцій і механізмів ціноутворення). У сфері НЛП Hugging Face забезпечує надзвичайно важливу та активну платформу спільноти, де розробники та користувачі можуть ділитися та використовувати різні попередньо навчені моделі.
З успіху Hugging Face можна побачити, що ринок ШІ повинен мати:
a. Модельні ресурси
Hugging Face надає велику кількість попередньо підготовлених моделей, які охоплюють різноманітні завдання НЛП. Таке багатство ресурсів приваблює велику кількість користувачів, тому є основою для формування активної спільноти та накопичення користувачів.
b. Дух відкритого коду + розповсюджуйте та діліться
Hugging Face заохочує розробників завантажувати та ділитися своїми моделями. Цей дух відкритості та спільного використання підсилює життєздатність спільноти та дозволяє великій кількості користувачів швидко використовувати найновіші результати досліджень. Це базується на накопиченні чудових розробників і моделей, що прискорює ефективність перевірки та просування результатів досліджень.
c. Зручний для розробників і простий у використанні
Hugging Face надає простий у використанні API та документацію, що дозволяє розробникам швидко розуміти та використовувати надані моделі. Це знижує поріг використання, покращує взаємодію з користувачем і залучає більше розробників.
Хоча Hugging Face не має механізму транзакцій, він все одно є важливою платформою для обміну та використання моделей ШІ. Таким чином, також можна побачити, що ринок AI має можливість стати цінним ресурсом для всієї галузі.
Коротко децентралізований ринок ШІ:
Виходячи з вищезазначених елементів, децентралізований ринок штучного інтелекту базується на технології блокчейн, що дозволяє користувачам мати право власності на власні дані та активи моделі. Цінність Web3 також відображається в механізмі заохочення та транзакцій.Користувачі можуть вільно вибирати або підбирати відповідну модель через систему, і в той же час вони також можуть розміщувати власні навчені моделі на полицях, щоб отримати переваги.
Користувачі є власниками власних активів AI, а сам ринок AI не контролює дані та моделі. Натомість розвиток ринку залежить від бази користувачів і подальшого накопичення моделей і даних. Це накопичення є довгостроковим процесом, але це також процес поступового встановлення продуктових бар’єрів.Розвиток ринку підтримується кількістю користувачів та кількістю/якістю моделей і даних, які завантажують користувачі.
**1.3 Чому варто звернути увагу на AI Marketplace Web3? **
1.3.1 Сумісність із загальним напрямком застосування обчислювальної потужності
Через комунікаційний тиск та інші причини може бути важко реалізувати децентралізовану обчислювальну потужність на базовій моделі навчання, але тиск на finetune буде набагато меншим, тому він має можливість стати одним із найкращих сценаріїв впровадження централізованого мережа обчислювальної потужності.
Трохи базових знань: чому етап тонкого налаштування легше приземлитися
Foresight Ventures: раціональний погляд на децентралізовану обчислювальну мережу
Навчання моделі штучного інтелекту поділяється на попереднє навчання та тонке налаштування. Попереднє навчання включає велику кількість даних і велику кількість обчислень. Щоб отримати докладнішу інформацію, зверніться до аналізу в моїй статті вище. Тонка настройка базується на базовій моделі, використовуючи дані про конкретні завдання для налаштування параметрів моделі, щоб модель мала кращу продуктивність для конкретних завдань.Обчислювальні ресурси, необхідні на етапі тонкого налаштування моделі, набагато менші, ніж на попередній Є дві основні причини:
Обсяг даних: на етапі попереднього навчання модель потрібно навчити на великомасштабному наборі даних, щоб вивчити загальне представлення мови. Наприклад, попереднє навчання моделі BERT проводиться у Wikipedia та BookCorpus, які містять мільярди слів. На етапі тонкого налаштування модель зазвичай потрібно лише навчити на невеликому наборі даних для конкретного завдання. Наприклад, точно налаштований набір даних для завдання аналізу настроїв може мати лише від кількох тисяч до десятків тисяч відгуків.
Кількість кроків навчання: етап попереднього навчання зазвичай потребує мільйонів або навіть мільярдів кроків навчання, тоді як етап тонкого налаштування зазвичай потребує лише від тисяч до десятків тисяч кроків. Це пов’язано з тим, що на етапі попереднього навчання необхідно вивчити базову структуру та семантику мови, тоді як на етапі тонкого налаштування потрібно лише налаштувати частину параметрів моделі для адаптації до конкретного завдання.
Наприклад, беручи GPT3 як приклад, на етапі попереднього навчання для навчання використовується 45 ТБ текстових даних, тоді як на етапі тонкого налаштування потрібно лише ~5 ГБ даних. Час підготовки для етапу попереднього навчання займає від тижнів до місяців, тоді як етап тонкого налаштування займає лише години або дні.
1.3.2 Початкова точка перетину ШІ та крипто
Щоб оцінити, чи є проект web3 доцільним, одним із найважливіших моментів є те, чи є він крипто для крипто, чи максимізує проект цінність web3 і чи приносить додавання web3 диференціацію. Очевидно, що додаткова вартість, яку web3 приносить цьому ринку ШІ, не може замінити підтвердження прав, розподіл доходу та обчислювальну потужність
Я думаю, що чудовий торговий майданчик Web3 AI може тісно інтегрувати AI та крипто. Найдосконаліша комбінація полягає не в тому, які додатки чи інфратехнології ринок штучного інтелекту може привнести в web3, а в тому, що web3 може надати ринку штучного інтелекту. Очевидно, що, наприклад, кожен користувач може мати власну модель ШІ та дані (наприклад, інкапсуляцію моделі ШІ та даних як NFT), а також може торгувати ними як товарами, що добре використовує web3 can play значення. Це не тільки мотивує розробників штучного інтелекту та постачальників даних, але й робить застосування ШІ більш широким. Якщо модель достатньо хороша, власник має сильніший стимул завантажити її іншим для спільного використання.
У той же час децентралізований ринок штучного інтелекту може представити деякі нові бізнес-моделі, такі як моделі, продаж і оренда даних, краудсорсинг завдань тощо.
1.3.3 Знизьте поріг застосування ШІ
Кожен повинен і зможе навчати власні моделі штучного інтелекту, для чого потрібна платформа з досить низьким порогом для забезпечення ресурсної підтримки, включаючи базові моделі, інструменти, дані, обчислювальну потужність тощо.
1.3.4 Попит і пропозиція
Хоча великі моделі мають потужні можливості міркувати, вони не всемогутні. Часто точне налаштування для конкретних завдань і сценаріїв досягає кращих результатів і більшої практичності. Тому, з боку попиту, користувачам потрібен ринок моделей штучного інтелекту, щоб отримати корисні моделі в різних сценаріях; для розробників їм потрібна платформа, яка може забезпечити велику зручність ресурсів для розробки моделей і отримати переваги завдяки своїм власним професійним знанням.
По-друге, на основі моделі та на основі даних
2.1 Модель ринку
модель
З використанням інструментарію як точки продажу, як першої ланки ланки, проект повинен залучити достатню кількість розробників моделей на ранній стадії для розгортання високоякісних моделей, щоб налагодити пропозицію на ринку.
У цьому режимі основними моментами, які приваблюють розробників, є зручна та проста у використанні інформація та інструменти. Дані залежать від власних здібностей розробника та від того, чому деякі досвідчені люди в певній галузі можуть створити цінність. Дані в цій галузі потребують Розробники збирають і налаштовують моделі з кращою продуктивністю.
думаю
Останнім часом я бачив багато проектів про поєднання ринку AI та web3, але я думаю: чи є створення децентралізованого ринку моделі AI хибною пропозицією?
Перш за все, нам потрібно подумати про те, яку цінність може надати web3?
Далеко недостатньо, якщо це лише мотив токена або розповідь про право власності на модель. З практичної точки зору високоякісні моделі на платформі є основою всього продукту, а чудові моделі зазвичай означають надзвичайно високу економічну цінність. З точки зору постачальників моделей, їм потрібна достатня мотивація, щоб розгорнути свої високоякісні моделі на ринку штучного інтелекту, але чи можуть стимули, створені токеном і власністю, відповідати їхнім очікуванням щодо цінності моделі? Для платформи, якій на початку не вистачало бази користувачів, вона, очевидно, далека від досягнення. Без надзвичайно хорошої моделі вся бізнес-модель не буде створена. Тож постає питання, як отримати достатній дохід для постачальників моделі за відсутності кінцевих користувачів на ранній стадії.
2.2 Ринок даних
модель
На основі децентралізованого збору даних, завдяки дизайну рівня стимулів і розповіді про володіння даними на борту більше постачальників даних, а також користувачів, які позначають дані. Завдяки криптографії платформа має можливість накопичувати велику кількість цінних даних протягом певного періоду часу, особливо даних приватного домену, яких зараз бракує.
Найбільше мене хвилює те, що ця модель розвитку «знизу вгору» більше схожа на краудфандингову гру. Незалежно від того, наскільки досвідчені люди, неможливо мати повні дані в полі, і одна з цінностей, які може надати web3, — це децентралізований збір даних без дозволу. Ця модель може не тільки концентрувати досвід і дані в різних сферах, але й надавати послуги ШІ більшій групі користувачів. У порівнянні з власними даними одного користувача, ці дані краудфандингу збираються з великої кількості реальних сценаріїв реальних користувачів, тому вони можуть краще відображати складність і різноманітність реального світу, ніж дані, зібрані з одного джерела, що може значно покращити Здатність до узагальнення та надійність моделі дозволяють моделі AI добре працювати в багатьох різних середовищах.
Наприклад, людина може мати великий досвід у харчуванні та накопичити багато даних, але одних особистих даних далеко недостатньо для підготовки чудової моделі. У той час як користувачі обмінюються даними, вони також можуть отримувати доступ і використовувати цінні дані, надані іншими користувачами в тій же області та по всій мережі на платформі, щоб досягти кращих ефектів тонкого налаштування.
думаю
З цієї точки зору це також може бути хорошою спробою побудувати децентралізований ринок даних. Будучи «товаром» із нижчими пороговими значеннями, коротшими виробничими зв’язками та більшою щільністю постачальників, дані можуть краще використовувати цінність, яку може надати web3. Алгоритм стимулювання та механізм підтвердження даних можуть спонукати користувачів завантажувати дані. Згідно з поточною моделлю, дані більше схожі на одноразовий товар, тобто вони не мають великої цінності після одноразового використання. На ринку децентралізованої моделі штучного інтелекту дані користувачів можна використовувати неодноразово та приносити користь, а цінність даних буде реалізована через довший період часу.
Використовувати дані як точку входу для накопичення користувачів, здається, було б гарним вибором. Одним із основних і бар’єрів великої моделі є високоякісні та багатовимірні дані. Після великої кількості постачальників даних на борту ці люди мати можливість надалі трансформуватися в кінцевих користувачів або модельного постачальника. Ринок штучного інтелекту, заснований на цьому, справді може забезпечити базову цінність для чудових моделей і дати розробникам алгоритмів мотивацію вносити моделі на платформу з точки зору навчальних моделей.
Ця динаміка — це зміна від 0 до 1. Тепер, коли великі компанії мають величезні обсяги даних, вони можуть тренувати більш точні моделі, що ускладнює конкуренцію малим компаніям і окремим розробникам. Навіть якщо користувач має дуже цінні дані в певному полі, цій невеликій частині даних важко мати цінність без взаємодії даних із більшого набору. Однак на децентралізованому ринку кожен має можливість отримувати та використовувати дані, і ці експерти приєднуються до платформи з цінними додатковими даними. Тому якість і кількість даних на платформі були додатково покращені, що робить можливим для підготовки чудових моделей і навіть просування інновацій ШІ.
Самі дані справді добре підходять для того, щоб стати перешкодою для конкуренції на такому ринку ШІ. Перш за все, відмінний рівень стимулювання та надійні гарантії конфіденційності дозволяють більшій кількості роздрібних інвесторів брати участь у всьому протоколі та вносити дані. І зі збільшенням кількості користувачів зростає якість і кількість даних. Це створить ефекти спільноти та мережі, що зробить ринок здатним забезпечувати більшу цінність і ширші виміри, тому він буде більш привабливим для нових користувачів.Це процес встановлення бар’єрів для ринку.
Таким чином, щоб створити ринок штучного інтелекту, який керується даними, найважливішим є наступні 4 моменти:
Стимулюючий рівень: розробіть алгоритм, який може ефективно мотивувати користувачів надавати високоякісні дані, і необхідно збалансувати силу стимулів і стійкість ринку.
Конфіденційність: Захист конфіденційності даних і забезпечення ефективного використання даних.
Користувачі: швидко накопичуйте користувачів і зберіть більше цінних даних на ранній стадії.
Якість даних: Дані надходять з різних джерел, і необхідно розробити ефективні механізми контролю якості.
**Чому постачальник моделі не вказаний мною як ключовий фактор у цьому сценарії? **
Основна причина базується на наведених вище чотирьох пунктах, і логічно мати відмінного постачальника моделі, до якого можна приєднатися.
2.3 Цінність і виклики ринку даних
Дані приватного домену
Цінність даних приватного домену полягає в їх унікальності та важкодоступній інформації в певному домені, що особливо важливо для точного налаштування моделей ШІ. Використання даних приватного домену може створити точніші та персоналізовані моделі, які перевершують моделі, навчені на загальнодоступних наборах даних у певних сценаріях.
Тепер процес побудови базової моделі може отримати велику кількість загальнодоступних даних, тому фокус ринку даних web3 не на цих даних. Наразі вузьким місцем є те, як отримати та додати дані приватного домену під час навчання. Поєднавши дані приватного домену з загальнодоступними наборами даних, можна збільшити адаптивність моделі до різноманітних проблем і потреб користувачів, а також точність моделі.
Наприклад, беручи за приклад медичні сценарії та сценарії охорони здоров’я, моделі штучного інтелекту, які використовують дані приватної області, зазвичай можуть підвищити точність прогнозу на 10–30%. Посилаючись на дослідження Стенфордського університету, модель глибокого навчання, яка використовує приватні медичні дані, на 15% точніша у прогнозуванні раку легенів, ніж модель, яка використовує загальнодоступні дані.
Конфіденційність даних
Чи стане конфіденційність вузьким місцем, що обмежує AI + Web3? Судячи з поточного розвитку, напрямок посадки штучного інтелекту в web3 поступово став зрозумілим, але, здається, кожна програма не може уникнути теми конфіденційності.Децентралізована обчислювальна потужність повинна забезпечувати цілісність даних і моделей як у навчанні моделі, так і в міркуванні моделі. Конфіденційність: умовою встановлення zkml є гарантія того, що модель не буде зловживати зловмисними вузлами.
Ринок штучного інтелекту побудований на основі гарантії того, що користувачі контролюють свої власні дані. Тому, хоча дані користувачів збираються децентралізовано та розподілено, усі вузли не повинні безпосередньо збирати, обробляти, зберігати, використовувати тощо. даних. Поточні методи шифрування стикаються з вузькими місцями у використанні, беручи за приклад повністю гомоморфне шифрування:
Обчислювальна складність: FHE є більш складним, ніж традиційні методи шифрування, що значно збільшує обчислювальні витрати на навчання моделі ШІ за повністю гомоморфного шифрування, роблячи навчання моделі вкрай неефективним, навіть нездійсненним. Таким чином, повністю гомоморфне шифрування не є ідеальним для завдань, які вимагають багато обчислювальних ресурсів, таких як навчання моделі глибокого навчання.
Помилка розрахунку: під час процесу розрахунку FHE помилки будуть поступово накопичуватися в ході розрахунку, що зрештою вплине на результати розрахунку та вплине на продуктивність моделі AI.
Конфіденційність також поділяється на рівні, не потрібно надто хвилюватися
Різні типи даних мають різні рівні вимог конфіденційності. Лише, наприклад, медичні записи, фінансова інформація, конфіденційна особиста інформація тощо вимагають високого рівня захисту конфіденційності.
Тому під час обговорення децентралізованого ринку штучного інтелекту необхідно враховувати різноманітність даних, найважливішим є баланс. Щоб максимізувати участь користувачів і багатство ресурсів платформи, необхідно розробити більш гнучку стратегію, яка дозволить користувачам налаштовувати параметри рівня конфіденційності, не для всіх даних потрібен найвищий рівень конфіденційності.
3. Роздуми про децентралізований AI Marketplace
**3.1 Користувачі мають право контролювати активи, чи призведе відкликання користувачів до колапсу платформи? **
Перевага децентралізованого ринку штучного інтелекту полягає в тому, що користувачі володіють ресурсами. Користувачі дійсно можуть забрати свої ресурси в будь-який час, але коли користувачі та ресурси (моделі, дані) накопичаться до певної міри, я думаю, що це не вплине на платформу* * . Звичайно, це також означає, що багато грошей буде витрачено на стабілізацію користувачів і ресурсів на початковому етапі проекту, що буде дуже важко для команди-початківця.
Консенсус спільноти
Щойно децентралізований ринок штучного інтелекту сформує сильний мережевий ефект, більше користувачів і розробників стануть липкими. А тому, що збільшення кількості користувачів призводить до збільшення якості та кількості даних і моделей, роблячи ринок більш зрілим. Користувачі, керовані різними інтересами, отримують більше цінності від ринку. Хоча невелика кількість користувачів може вирішити піти, темпи зростання нових користувачів у цьому випадку теоретично не сповільняться, і ринок може продовжувати розвиватися та забезпечувати більшу цінність.
Стимули
Якщо рівень заохочення розроблений належним чином, у міру збільшення кількості учасників і накопичення різноманітних ресурсів вигоди, отримані всіма сторонами, відповідно збільшаться. Децентралізований ринок штучного інтелекту не лише надає користувачам платформу для торгівлі даними та моделями, але також може забезпечувати механізм для отримання прибутку від власних даних та моделей. Наприклад, користувачі отримують гроші, продаючи власні дані або дозволяючи іншим використовувати власні моделі.
Для розробників моделей: під час розгортання на інших платформах може бути недостатньо даних для підтримки точного налаштування моделі з кращою продуктивністю;
Для постачальників даних: інша платформа може не мати такої повної бази даних, і невелика частина даних для користувачів сама по собі не може бути цінною та отримати достатню користь і переваги;
підсумок
Хоча на децентралізованому ринку штучного інтелекту учасник проекту відіграє лише роль узгодження та надання платформи, справжня перешкода полягає в накопиченні даних і моделей, створених накопиченням кількості користувачів***. Користувачі дійсно мають свободу вийти з ринку, але зрілий AI Marketplace часто змушує їх отримувати більше цінності від ринку, ніж вони можуть отримати поза ринком, тому користувачі не мають стимулу виходити з ринку.
Однак, якщо більшість користувачів або деякі високоякісні постачальники моделей/даних вирішать відмовитися, це може вплинути на ринок. Це також узгоджується з існуванням динамічних змін і коригувань у вході та виході користувачів у різних економічних системах.
3.2 Що було раніше, курка чи яйце
Судячи з двох наведених вище шляхів, важко сказати, який з них врешті-решт вийде, але очевидно, що ринок штучного інтелекту на основі даних більш доцільний, а стеля набагато вища, ніж перша. Найбільша відмінність полягає в тому, що ринок даних постійно збагачує бар’єри, а процес накопичення користувачів також є процесом накопичення даних. Зрештою, цінність web3 полягає в збагаченні величезної децентралізованої бази даних. Це позитивно. цикл.. У той же час, по суті, така платформа не потребує зберігання даних, але забезпечує легший ринок для надання даних. Зрештою, це велика вітрина даних, і такий бар’єр важко замінити.
З точки зору попиту та пропозиції, ринок ШІ повинен мати дві точки одночасно:
Багато чудових моделей
КІНЦЕВИЙ КОРИСТУВАЧ
З певної точки зору ці дві умови здаються взаємозалежними. З одного боку, платформа повинна мати достатню кількість користувачів, щоб забезпечувати мотивацію для постачальників моделей і даних. Лише коли буде накопичено достатню кількість користувачів, рівень стимулів може відтворюватися. Для досягнення найбільшої цінності маховик даних також можна повернути, щоб більше постачальників моделей могли розгортати моделі. З іншого боку, достатня кількість кінцевих користувачів має прийти за корисною моделлю, а вибір платформи користувачем значною мірою залежить від якості та можливостей моделі платформи. Тому без накопичення певної кількості чудових моделей цей попит не існує.Незалежно від того, наскільки просунутим є алгоритм маршрутизації, маршрутизація без хороших моделей — пусті розмови. Це ніби приміщення яблучного магазину — це яблуко
Тому кращою ідеєю розвитку є:
Початкова стратегія
**Накопичуйте високоякісні моделі, **Найбільш важливою річчю на початковому етапі є створення високоякісної бібліотеки моделей. Причина полягає в тому, що незалежно від того, скільки кінцевих користувачів є, без високоякісних моделей, які вони можуть вибрати та використовувати, платформа не буде привабливою, а користувачі не матимуть прихильності та утримання. Зосереджуючись на створенні високоякісної бібліотеки моделей, платформа може гарантувати, що перші користувачі зможуть знайти потрібні їм моделі, тим самим зміцнюючи репутацію бренду та довіру користувачів, а також поступово створюючи спільноту та мережевий ефект.
Політика розширення
Залучайте кінцевих користувачів, Після створення високоякісної бібліотеки моделей поверніться, щоб залучити й утримати більше кінцевих користувачів. Велика кількість користувачів забезпечить достатню мотивацію та інтерес для розробників моделі продовжувати надавати та вдосконалювати модель. Крім того, велика кількість користувачів також буде генерувати велику кількість даних, що ще більше покращить навчання та оптимізацію моделі.
підсумок
Яка найкраща спроба на ринку ШІ? *** Одним словом, платформа може надавати достатньо високоякісних моделей і може ефективно підбирати користувачам відповідні моделі для вирішення проблем ***. Це речення вирішує дві суперечності. По-перше, платформа може забезпечити достатню цінність для розробників (включаючи розробників моделей і користувачів), щоб на платформі було достатньо високоякісних моделей; по-друге, ці «товари» можуть надати користувачам ефективні локальні рішення , тим самим накопичуючи більше користувачів і забезпечуючи захист інтересів усіх сторін.
Децентралізований ринок штучного інтелекту – це простий напрямок для AI + web3, але проект повинен визначити, яку реальну цінність може надати ця платформа та як залучити велику кількість користувачів на ранній стадії. Серед них ключовим є знаходження точки балансу інтересів усіх сторін і водночас керування кількома елементами, такими як право власності на дані, якість моделі, конфіденційність користувачів, обчислювальна потужність і алгоритми стимулювання, і, нарешті, стати загальним доступом і торгова платформа для даних, моделей і обчислювальної потужності.
Переглянути оригінал
Контент має виключно довідковий характер і не є запрошенням до участі або пропозицією. Інвестиційні, податкові чи юридичні консультації не надаються. Перегляньте Відмову від відповідальності , щоб дізнатися більше про ризики.
Foresight Ventures: найкраща спроба децентралізованого ринку ШІ
TL;DR
1. AI Marketplace Web3
1.1 Огляд доріжки ШІ в полі web3
По-перше, перегляньте два загальні напрямки поєднання штучного інтелекту та крипто, про які я згадував раніше, ZKML і децентралізовану обчислювальну мережу👇
ZKML
ZKML робить модель штучного інтелекту прозорою та доступною для перевірки, що означає, що три фактори: архітектура моделі, параметри та ваги моделі, а також вхідні дані моделі можуть бути перевірені в усій мережі. Значення ZKML полягає в тому, щоб створити новий рівень цінності для світу web3 без шкоди для децентралізації та бездовірності, а також забезпечити можливість розгортати ширші програми та створювати більше можливостей.
Foresight Ventures: AI + Web3 = ？
Обчислювальна потужна мережа
У наступне десятиліття обчислювальні ресурси стануть основним полем битви, і майбутні інвестиції у високопродуктивну обчислювальну інфраструктуру зростатимуть експоненціально. Сценарії застосування децентралізованої обчислювальної потужності поділяються на два напрямки: міркування моделі та навчання моделі.Попит на навчання великої моделі ШІ є найбільшим, але він також стикається з найбільшими проблемами та технічними вузькими місцями. Включно з необхідністю складної синхронізації даних і проблемами оптимізації мережі. Існує більше можливостей для впровадження модельних міркувань, і майбутній приріст, який можна передбачити, також достатньо великий.
**1.2 Що таке AI Marketplace? **
Ринки штучного інтелекту — це не дуже нова концепція, і Hugging Face, мабуть, є найуспішнішим ринком штучного інтелекту (за винятком відсутності транзакцій і механізмів ціноутворення). У сфері НЛП Hugging Face забезпечує надзвичайно важливу та активну платформу спільноти, де розробники та користувачі можуть ділитися та використовувати різні попередньо навчені моделі.
a. Модельні ресурси
Hugging Face надає велику кількість попередньо підготовлених моделей, які охоплюють різноманітні завдання НЛП. Таке багатство ресурсів приваблює велику кількість користувачів, тому є основою для формування активної спільноти та накопичення користувачів.
b. Дух відкритого коду + розповсюджуйте та діліться
Hugging Face заохочує розробників завантажувати та ділитися своїми моделями. Цей дух відкритості та спільного використання підсилює життєздатність спільноти та дозволяє великій кількості користувачів швидко використовувати найновіші результати досліджень. Це базується на накопиченні чудових розробників і моделей, що прискорює ефективність перевірки та просування результатів досліджень.
c. Зручний для розробників і простий у використанні
Hugging Face надає простий у використанні API та документацію, що дозволяє розробникам швидко розуміти та використовувати надані моделі. Це знижує поріг використання, покращує взаємодію з користувачем і залучає більше розробників.
Хоча Hugging Face не має механізму транзакцій, він все одно є важливою платформою для обміну та використання моделей ШІ. Таким чином, також можна побачити, що ринок AI має можливість стати цінним ресурсом для всієї галузі.
Коротко децентралізований ринок ШІ:
Виходячи з вищезазначених елементів, децентралізований ринок штучного інтелекту базується на технології блокчейн, що дозволяє користувачам мати право власності на власні дані та активи моделі. Цінність Web3 також відображається в механізмі заохочення та транзакцій.Користувачі можуть вільно вибирати або підбирати відповідну модель через систему, і в той же час вони також можуть розміщувати власні навчені моделі на полицях, щоб отримати переваги.
Користувачі є власниками власних активів AI, а сам ринок AI не контролює дані та моделі. Натомість розвиток ринку залежить від бази користувачів і подальшого накопичення моделей і даних. Це накопичення є довгостроковим процесом, але це також процес поступового встановлення продуктових бар’єрів.Розвиток ринку підтримується кількістю користувачів та кількістю/якістю моделей і даних, які завантажують користувачі.
**1.3 Чому варто звернути увагу на AI Marketplace Web3? **
1.3.1 Сумісність із загальним напрямком застосування обчислювальної потужності
Через комунікаційний тиск та інші причини може бути важко реалізувати децентралізовану обчислювальну потужність на базовій моделі навчання, але тиск на finetune буде набагато меншим, тому він має можливість стати одним із найкращих сценаріїв впровадження централізованого мережа обчислювальної потужності.
Трохи базових знань: чому етап тонкого налаштування легше приземлитися
Foresight Ventures: раціональний погляд на децентралізовану обчислювальну мережу
Навчання моделі штучного інтелекту поділяється на попереднє навчання та тонке налаштування. Попереднє навчання включає велику кількість даних і велику кількість обчислень. Щоб отримати докладнішу інформацію, зверніться до аналізу в моїй статті вище. Тонка настройка базується на базовій моделі, використовуючи дані про конкретні завдання для налаштування параметрів моделі, щоб модель мала кращу продуктивність для конкретних завдань.Обчислювальні ресурси, необхідні на етапі тонкого налаштування моделі, набагато менші, ніж на попередній Є дві основні причини:
Наприклад, беручи GPT3 як приклад, на етапі попереднього навчання для навчання використовується 45 ТБ текстових даних, тоді як на етапі тонкого налаштування потрібно лише ~5 ГБ даних. Час підготовки для етапу попереднього навчання займає від тижнів до місяців, тоді як етап тонкого налаштування займає лише години або дні.
1.3.2 Початкова точка перетину ШІ та крипто
Щоб оцінити, чи є проект web3 доцільним, одним із найважливіших моментів є те, чи є він крипто для крипто, чи максимізує проект цінність web3 і чи приносить додавання web3 диференціацію. Очевидно, що додаткова вартість, яку web3 приносить цьому ринку ШІ, не може замінити підтвердження прав, розподіл доходу та обчислювальну потужність
Я думаю, що чудовий торговий майданчик Web3 AI може тісно інтегрувати AI та крипто. Найдосконаліша комбінація полягає не в тому, які додатки чи інфратехнології ринок штучного інтелекту може привнести в web3, а в тому, що web3 може надати ринку штучного інтелекту. Очевидно, що, наприклад, кожен користувач може мати власну модель ШІ та дані (наприклад, інкапсуляцію моделі ШІ та даних як NFT), а також може торгувати ними як товарами, що добре використовує web3 can play значення. Це не тільки мотивує розробників штучного інтелекту та постачальників даних, але й робить застосування ШІ більш широким. Якщо модель достатньо хороша, власник має сильніший стимул завантажити її іншим для спільного використання.
У той же час децентралізований ринок штучного інтелекту може представити деякі нові бізнес-моделі, такі як моделі, продаж і оренда даних, краудсорсинг завдань тощо.
1.3.3 Знизьте поріг застосування ШІ
Кожен повинен і зможе навчати власні моделі штучного інтелекту, для чого потрібна платформа з досить низьким порогом для забезпечення ресурсної підтримки, включаючи базові моделі, інструменти, дані, обчислювальну потужність тощо.
1.3.4 Попит і пропозиція
Хоча великі моделі мають потужні можливості міркувати, вони не всемогутні. Часто точне налаштування для конкретних завдань і сценаріїв досягає кращих результатів і більшої практичності. Тому, з боку попиту, користувачам потрібен ринок моделей штучного інтелекту, щоб отримати корисні моделі в різних сценаріях; для розробників їм потрібна платформа, яка може забезпечити велику зручність ресурсів для розробки моделей і отримати переваги завдяки своїм власним професійним знанням.
По-друге, на основі моделі та на основі даних
2.1 Модель ринку
модель
З використанням інструментарію як точки продажу, як першої ланки ланки, проект повинен залучити достатню кількість розробників моделей на ранній стадії для розгортання високоякісних моделей, щоб налагодити пропозицію на ринку.
У цьому режимі основними моментами, які приваблюють розробників, є зручна та проста у використанні інформація та інструменти. Дані залежать від власних здібностей розробника та від того, чому деякі досвідчені люди в певній галузі можуть створити цінність. Дані в цій галузі потребують Розробники збирають і налаштовують моделі з кращою продуктивністю.
думаю
Останнім часом я бачив багато проектів про поєднання ринку AI та web3, але я думаю: чи є створення децентралізованого ринку моделі AI хибною пропозицією?
Перш за все, нам потрібно подумати про те, яку цінність може надати web3?
Далеко недостатньо, якщо це лише мотив токена або розповідь про право власності на модель. З практичної точки зору високоякісні моделі на платформі є основою всього продукту, а чудові моделі зазвичай означають надзвичайно високу економічну цінність. З точки зору постачальників моделей, їм потрібна достатня мотивація, щоб розгорнути свої високоякісні моделі на ринку штучного інтелекту, але чи можуть стимули, створені токеном і власністю, відповідати їхнім очікуванням щодо цінності моделі? Для платформи, якій на початку не вистачало бази користувачів, вона, очевидно, далека від досягнення. Без надзвичайно хорошої моделі вся бізнес-модель не буде створена. Тож постає питання, як отримати достатній дохід для постачальників моделі за відсутності кінцевих користувачів на ранній стадії.
2.2 Ринок даних
На основі децентралізованого збору даних, завдяки дизайну рівня стимулів і розповіді про володіння даними на борту більше постачальників даних, а також користувачів, які позначають дані. Завдяки криптографії платформа має можливість накопичувати велику кількість цінних даних протягом певного періоду часу, особливо даних приватного домену, яких зараз бракує.
Найбільше мене хвилює те, що ця модель розвитку «знизу вгору» більше схожа на краудфандингову гру. Незалежно від того, наскільки досвідчені люди, неможливо мати повні дані в полі, і одна з цінностей, які може надати web3, — це децентралізований збір даних без дозволу. Ця модель може не тільки концентрувати досвід і дані в різних сферах, але й надавати послуги ШІ більшій групі користувачів. У порівнянні з власними даними одного користувача, ці дані краудфандингу збираються з великої кількості реальних сценаріїв реальних користувачів, тому вони можуть краще відображати складність і різноманітність реального світу, ніж дані, зібрані з одного джерела, що може значно покращити Здатність до узагальнення та надійність моделі дозволяють моделі AI добре працювати в багатьох різних середовищах.
Наприклад, людина може мати великий досвід у харчуванні та накопичити багато даних, але одних особистих даних далеко недостатньо для підготовки чудової моделі. У той час як користувачі обмінюються даними, вони також можуть отримувати доступ і використовувати цінні дані, надані іншими користувачами в тій же області та по всій мережі на платформі, щоб досягти кращих ефектів тонкого налаштування.
думаю
З цієї точки зору це також може бути хорошою спробою побудувати децентралізований ринок даних. Будучи «товаром» із нижчими пороговими значеннями, коротшими виробничими зв’язками та більшою щільністю постачальників, дані можуть краще використовувати цінність, яку може надати web3. Алгоритм стимулювання та механізм підтвердження даних можуть спонукати користувачів завантажувати дані. Згідно з поточною моделлю, дані більше схожі на одноразовий товар, тобто вони не мають великої цінності після одноразового використання. На ринку децентралізованої моделі штучного інтелекту дані користувачів можна використовувати неодноразово та приносити користь, а цінність даних буде реалізована через довший період часу.
Використовувати дані як точку входу для накопичення користувачів, здається, було б гарним вибором. Одним із основних і бар’єрів великої моделі є високоякісні та багатовимірні дані. Після великої кількості постачальників даних на борту ці люди мати можливість надалі трансформуватися в кінцевих користувачів або модельного постачальника. Ринок штучного інтелекту, заснований на цьому, справді може забезпечити базову цінність для чудових моделей і дати розробникам алгоритмів мотивацію вносити моделі на платформу з точки зору навчальних моделей.
Ця динаміка — це зміна від 0 до 1. Тепер, коли великі компанії мають величезні обсяги даних, вони можуть тренувати більш точні моделі, що ускладнює конкуренцію малим компаніям і окремим розробникам. Навіть якщо користувач має дуже цінні дані в певному полі, цій невеликій частині даних важко мати цінність без взаємодії даних із більшого набору. Однак на децентралізованому ринку кожен має можливість отримувати та використовувати дані, і ці експерти приєднуються до платформи з цінними додатковими даними. Тому якість і кількість даних на платформі були додатково покращені, що робить можливим для підготовки чудових моделей і навіть просування інновацій ШІ.
Самі дані справді добре підходять для того, щоб стати перешкодою для конкуренції на такому ринку ШІ. Перш за все, відмінний рівень стимулювання та надійні гарантії конфіденційності дозволяють більшій кількості роздрібних інвесторів брати участь у всьому протоколі та вносити дані. І зі збільшенням кількості користувачів зростає якість і кількість даних. Це створить ефекти спільноти та мережі, що зробить ринок здатним забезпечувати більшу цінність і ширші виміри, тому він буде більш привабливим для нових користувачів.Це процес встановлення бар’єрів для ринку.
Таким чином, щоб створити ринок штучного інтелекту, який керується даними, найважливішим є наступні 4 моменти:
**Чому постачальник моделі не вказаний мною як ключовий фактор у цьому сценарії? **
Основна причина базується на наведених вище чотирьох пунктах, і логічно мати відмінного постачальника моделі, до якого можна приєднатися.
2.3 Цінність і виклики ринку даних
Дані приватного домену
Цінність даних приватного домену полягає в їх унікальності та важкодоступній інформації в певному домені, що особливо важливо для точного налаштування моделей ШІ. Використання даних приватного домену може створити точніші та персоналізовані моделі, які перевершують моделі, навчені на загальнодоступних наборах даних у певних сценаріях.
Тепер процес побудови базової моделі може отримати велику кількість загальнодоступних даних, тому фокус ринку даних web3 не на цих даних. Наразі вузьким місцем є те, як отримати та додати дані приватного домену під час навчання. Поєднавши дані приватного домену з загальнодоступними наборами даних, можна збільшити адаптивність моделі до різноманітних проблем і потреб користувачів, а також точність моделі.
Наприклад, беручи за приклад медичні сценарії та сценарії охорони здоров’я, моделі штучного інтелекту, які використовують дані приватної області, зазвичай можуть підвищити точність прогнозу на 10–30%. Посилаючись на дослідження Стенфордського університету, модель глибокого навчання, яка використовує приватні медичні дані, на 15% точніша у прогнозуванні раку легенів, ніж модель, яка використовує загальнодоступні дані.
Конфіденційність даних
Чи стане конфіденційність вузьким місцем, що обмежує AI + Web3? Судячи з поточного розвитку, напрямок посадки штучного інтелекту в web3 поступово став зрозумілим, але, здається, кожна програма не може уникнути теми конфіденційності.Децентралізована обчислювальна потужність повинна забезпечувати цілісність даних і моделей як у навчанні моделі, так і в міркуванні моделі. Конфіденційність: умовою встановлення zkml є гарантія того, що модель не буде зловживати зловмисними вузлами.
Ринок штучного інтелекту побудований на основі гарантії того, що користувачі контролюють свої власні дані. Тому, хоча дані користувачів збираються децентралізовано та розподілено, усі вузли не повинні безпосередньо збирати, обробляти, зберігати, використовувати тощо. даних. Поточні методи шифрування стикаються з вузькими місцями у використанні, беручи за приклад повністю гомоморфне шифрування:
Конфіденційність також поділяється на рівні, не потрібно надто хвилюватися
Різні типи даних мають різні рівні вимог конфіденційності. Лише, наприклад, медичні записи, фінансова інформація, конфіденційна особиста інформація тощо вимагають високого рівня захисту конфіденційності.
Тому під час обговорення децентралізованого ринку штучного інтелекту необхідно враховувати різноманітність даних, найважливішим є баланс. Щоб максимізувати участь користувачів і багатство ресурсів платформи, необхідно розробити більш гнучку стратегію, яка дозволить користувачам налаштовувати параметри рівня конфіденційності, не для всіх даних потрібен найвищий рівень конфіденційності.
3. Роздуми про децентралізований AI Marketplace
**3.1 Користувачі мають право контролювати активи, чи призведе відкликання користувачів до колапсу платформи? **
Перевага децентралізованого ринку штучного інтелекту полягає в тому, що користувачі володіють ресурсами. Користувачі дійсно можуть забрати свої ресурси в будь-який час, але коли користувачі та ресурси (моделі, дані) накопичаться до певної міри, я думаю, що це не вплине на платформу* * . Звичайно, це також означає, що багато грошей буде витрачено на стабілізацію користувачів і ресурсів на початковому етапі проекту, що буде дуже важко для команди-початківця.
Консенсус спільноти
Щойно децентралізований ринок штучного інтелекту сформує сильний мережевий ефект, більше користувачів і розробників стануть липкими. А тому, що збільшення кількості користувачів призводить до збільшення якості та кількості даних і моделей, роблячи ринок більш зрілим. Користувачі, керовані різними інтересами, отримують більше цінності від ринку. Хоча невелика кількість користувачів може вирішити піти, темпи зростання нових користувачів у цьому випадку теоретично не сповільняться, і ринок може продовжувати розвиватися та забезпечувати більшу цінність.
Стимули
Якщо рівень заохочення розроблений належним чином, у міру збільшення кількості учасників і накопичення різноманітних ресурсів вигоди, отримані всіма сторонами, відповідно збільшаться. Децентралізований ринок штучного інтелекту не лише надає користувачам платформу для торгівлі даними та моделями, але також може забезпечувати механізм для отримання прибутку від власних даних та моделей. Наприклад, користувачі отримують гроші, продаючи власні дані або дозволяючи іншим використовувати власні моделі.
Для розробників моделей: під час розгортання на інших платформах може бути недостатньо даних для підтримки точного налаштування моделі з кращою продуктивністю;
Для постачальників даних: інша платформа може не мати такої повної бази даних, і невелика частина даних для користувачів сама по собі не може бути цінною та отримати достатню користь і переваги;
підсумок
Хоча на децентралізованому ринку штучного інтелекту учасник проекту відіграє лише роль узгодження та надання платформи, справжня перешкода полягає в накопиченні даних і моделей, створених накопиченням кількості користувачів***. Користувачі дійсно мають свободу вийти з ринку, але зрілий AI Marketplace часто змушує їх отримувати більше цінності від ринку, ніж вони можуть отримати поза ринком, тому користувачі не мають стимулу виходити з ринку.
Однак, якщо більшість користувачів або деякі високоякісні постачальники моделей/даних вирішать відмовитися, це може вплинути на ринок. Це також узгоджується з існуванням динамічних змін і коригувань у вході та виході користувачів у різних економічних системах.
3.2 Що було раніше, курка чи яйце
Судячи з двох наведених вище шляхів, важко сказати, який з них врешті-решт вийде, але очевидно, що ринок штучного інтелекту на основі даних більш доцільний, а стеля набагато вища, ніж перша. Найбільша відмінність полягає в тому, що ринок даних постійно збагачує бар’єри, а процес накопичення користувачів також є процесом накопичення даних. Зрештою, цінність web3 полягає в збагаченні величезної децентралізованої бази даних. Це позитивно. цикл.. У той же час, по суті, така платформа не потребує зберігання даних, але забезпечує легший ринок для надання даних. Зрештою, це велика вітрина даних, і такий бар’єр важко замінити.
З точки зору попиту та пропозиції, ринок ШІ повинен мати дві точки одночасно:
З певної точки зору ці дві умови здаються взаємозалежними. З одного боку, платформа повинна мати достатню кількість користувачів, щоб забезпечувати мотивацію для постачальників моделей і даних. Лише коли буде накопичено достатню кількість користувачів, рівень стимулів може відтворюватися. Для досягнення найбільшої цінності маховик даних також можна повернути, щоб більше постачальників моделей могли розгортати моделі. З іншого боку, достатня кількість кінцевих користувачів має прийти за корисною моделлю, а вибір платформи користувачем значною мірою залежить від якості та можливостей моделі платформи. Тому без накопичення певної кількості чудових моделей цей попит не існує.Незалежно від того, наскільки просунутим є алгоритм маршрутизації, маршрутизація без хороших моделей — пусті розмови. Це ніби приміщення яблучного магазину — це яблуко
Тому кращою ідеєю розвитку є:
Початкова стратегія
Політика розширення
підсумок
Яка найкраща спроба на ринку ШІ? *** Одним словом, платформа може надавати достатньо високоякісних моделей і може ефективно підбирати користувачам відповідні моделі для вирішення проблем ***. Це речення вирішує дві суперечності. По-перше, платформа може забезпечити достатню цінність для розробників (включаючи розробників моделей і користувачів), щоб на платформі було достатньо високоякісних моделей; по-друге, ці «товари» можуть надати користувачам ефективні локальні рішення , тим самим накопичуючи більше користувачів і забезпечуючи захист інтересів усіх сторін.
Децентралізований ринок штучного інтелекту – це простий напрямок для AI + web3, але проект повинен визначити, яку реальну цінність може надати ця платформа та як залучити велику кількість користувачів на ранній стадії. Серед них ключовим є знаходження точки балансу інтересів усіх сторін і водночас керування кількома елементами, такими як право власності на дані, якість моделі, конфіденційність користувачів, обчислювальна потужність і алгоритми стимулювання, і, нарешті, стати загальним доступом і торгова платформа для даних, моделей і обчислювальної потужності.