Một thị trường AI phi tập trung thành công cần kết hợp chặt chẽ các lợi thế của AI và Web3, tận dụng giá trị gia tăng của phân phối, xác nhận quyền tài sản, phân phối thu nhập và sức mạnh tính toán phi tập trung, hạ thấp ngưỡng cho các ứng dụng AI và khuyến khích các nhà phát triển tải lên và Chia sẻ mô hình đồng thời bảo vệ quyền riêng tư dữ liệu của người dùng và xây dựng nền tảng chia sẻ và giao dịch tài nguyên AI thân thiện với nhà phát triển, đáp ứng nhu cầu của người dùng.
Thị trường AI dựa trên dữ liệu có tiềm năng lớn hơn. Thị trường của mô hình đã chết cần sự hỗ trợ của một số lượng lớn các mô hình chất lượng cao, nhưng việc thiếu cơ sở người dùng và tài nguyên chất lượng cao trên nền tảng ban đầu khiến các nhà cung cấp mô hình xuất sắc khó thu hút các mô hình chất lượng cao; trong khi thị trường dựa trên dữ liệu được phân cấp và phân phối Bộ sưu tập, thiết kế lớp khuyến khích và đảm bảo quyền sở hữu dữ liệu có thể tích lũy một lượng lớn dữ liệu và tài nguyên có giá trị, đặc biệt là dữ liệu miền riêng. Tuy nhiên, thị trường dữ liệu cũng cần giải quyết thách thức về bảo vệ quyền riêng tư của dữ liệu và các giải pháp bao gồm thiết kế các chính sách linh hoạt hơn cho phép người dùng tùy chỉnh cài đặt của các cấp độ quyền riêng tư.
Sự thành công của thị trường AI phi tập trung phụ thuộc vào sự tích lũy tài nguyên người dùng và hiệu ứng mạng mạnh mẽ. Người dùng và nhà phát triển có thể nhận được nhiều giá trị hơn từ thị trường so với những gì họ có thể nhận được bên ngoài thị trường. Trong những ngày đầu của thị trường, trọng tâm là tích lũy các mô hình chất lượng cao để thu hút và giữ chân người dùng, sau đó sau khi thiết lập thư viện mô hình chất lượng cao và các rào cản dữ liệu, nó sẽ thu hút và giữ chân nhiều người dùng cuối hơn. Hơn nữa, một thị trường AI xuất sắc cần phải tìm được sự cân bằng giữa lợi ích của tất cả các bên và xử lý đúng đắn các yếu tố như quyền sở hữu dữ liệu, chất lượng mô hình, quyền riêng tư của người dùng, sức mạnh tính toán và thuật toán khuyến khích.
1. Thị trường AI của Web3
1.1 Đánh giá về đường đua AI trong trường web3
Đầu tiên, hãy xem lại hai hướng chung của sự kết hợp giữa AI và tiền điện tử mà tôi đã đề cập trước đó, ZKML và mạng điện toán phi tập trung👇
ZKML
ZKML làm cho mô hình AI minh bạch + có thể xác minh được, có nghĩa là đảm bảo rằng ba yếu tố về kiến trúc mô hình, tham số và trọng số mô hình cũng như đầu vào mô hình có thể được xác minh trên toàn bộ mạng. Tầm quan trọng của ZKML là tạo ra giai đoạn giá trị tiếp theo cho thế giới web3 mà không phải hy sinh tính phi tập trung và không tin cậy, đồng thời cung cấp khả năng thực hiện các ứng dụng rộng hơn và tạo ra các khả năng lớn hơn.
Foresight Ventures: AI + Web3 = ？
Mạng điện toán
Tài nguyên máy tính sẽ là một chiến trường lớn trong thập kỷ tới và đầu tư trong tương lai vào cơ sở hạ tầng máy tính hiệu suất cao sẽ tăng theo cấp số nhân. Các kịch bản ứng dụng của sức mạnh tính toán phi tập trung được chia thành hai hướng: lý luận mô hình và đào tạo mô hình, nhu cầu đào tạo mô hình lớn AI là lớn nhất, nhưng nó cũng phải đối mặt với những thách thức và tắc nghẽn kỹ thuật lớn nhất. Kể cả nhu cầu đồng bộ dữ liệu phức tạp và vấn đề tối ưu hóa mạng. Có nhiều cơ hội hơn để thực hiện lập luận mô hình và không gian gia tăng trong tương lai có thể dự đoán cũng đủ lớn.
**1.2 Thị trường AI là gì? **
Thị trường AI không phải là một khái niệm quá mới và Ôm mặt được cho là thị trường AI thành công nhất (ngoại trừ việc không có giao dịch và cơ chế định giá). Trong lĩnh vực NLP, Ôm Mặt cung cấp một nền tảng cộng đồng cực kỳ quan trọng và tích cực, nơi các nhà phát triển và người dùng có thể chia sẻ và sử dụng các mô hình được đào tạo trước khác nhau.
Từ thành công của Ôm mặt, có thể thấy một thị trường AI cần phải có:
a. Tài nguyên mô hình
Hugging Face cung cấp một số lượng lớn các mô hình được đào tạo trước bao gồm nhiều nhiệm vụ NLP khác nhau. Nguồn tài nguyên phong phú này đã thu hút một lượng lớn người dùng, là cơ sở để hình thành một cộng đồng tích cực và tích lũy người dùng.
b.Tinh thần mã nguồn mở + lan tỏa và chia sẻ
Hugging Face khuyến khích các nhà phát triển tải lên và chia sẻ các mô hình của họ. Tinh thần cởi mở và chia sẻ này giúp nâng cao sức sống của cộng đồng và cho phép một số lượng lớn người dùng nhanh chóng sử dụng các kết quả nghiên cứu mới nhất. Điều này dựa trên sự tích lũy của các nhà phát triển và mô hình xuất sắc, đẩy nhanh hiệu quả của các kết quả nghiên cứu được kiểm chứng và phát huy.
c. Thân thiện với nhà phát triển + dễ sử dụng
Hugging Face cung cấp API và tài liệu dễ sử dụng, cho phép các nhà phát triển nhanh chóng hiểu và sử dụng các mô hình mà nó cung cấp. Điều này làm giảm ngưỡng sử dụng, cải thiện trải nghiệm người dùng và thu hút nhiều nhà phát triển hơn.
Mặc dù Ôm mặt không có cơ chế giao dịch nhưng nó vẫn cung cấp một nền tảng quan trọng để chia sẻ và sử dụng các mô hình AI. Do đó, cũng có thể thấy rằng thị trường AI có cơ hội trở thành một nguồn tài nguyên quý giá cho toàn ngành.
Tóm lại là thị trường AI phi tập trung:
Dựa trên các yếu tố trên, thị trường AI phi tập trung dựa trên công nghệ chuỗi khối, cho phép người dùng có quyền sở hữu dữ liệu và tài sản mô hình của riêng họ. Giá trị mà Web3 mang lại còn thể hiện ở cơ chế khuyến khích và giao dịch, người dùng có thể tự do lựa chọn hoặc ghép mẫu phù hợp thông qua hệ thống, đồng thời cũng có thể đặt mẫu do chính mình đào tạo lên kệ để hưởng lợi.
Người dùng có quyền sở hữu tài sản AI của riêng họ và bản thân thị trường AI không có quyền kiểm soát dữ liệu và mô hình. Thay vào đó, sự phát triển của thị trường phụ thuộc vào cơ sở người dùng và sự tích lũy của các mô hình và dữ liệu. Sự tích lũy này là một quá trình lâu dài, nhưng nó cũng là một quá trình dần dần thiết lập các rào cản sản phẩm, sự phát triển của thị trường được hỗ trợ bởi số lượng người dùng và số lượng/chất lượng của các mô hình và dữ liệu do người dùng tải lên.
**1.3 Tại sao phải chú ý đến AI Marketplace của Web3? **
1.3.1 Tương thích với hướng chung của ứng dụng sức mạnh tính toán
Do áp lực truyền thông và các lý do khác, có thể khó triển khai sức mạnh tính toán phi tập trung trên mô hình cơ sở đào tạo, nhưng áp lực đối với finetune sẽ nhỏ hơn nhiều, vì vậy nó có cơ hội trở thành một trong những kịch bản tốt nhất để triển khai tập trung mạng điện toán.
Một chút kiến thức cơ bản: tại sao giai đoạn tinh chỉnh dễ hạ cánh hơn
Foresight Ventures: Quan điểm hợp lý về Mạng điện toán phi tập trung
Đào tạo mô hình AI được chia thành đào tạo trước và tinh chỉnh. Quá trình đào tạo trước liên quan đến một lượng lớn dữ liệu và một số lượng lớn các phép tính, để biết chi tiết, vui lòng tham khảo phân tích trong bài viết trên của tôi. Tinh chỉnh dựa trên mô hình cơ sở, sử dụng dữ liệu của từng tác vụ cụ thể để điều chỉnh các tham số của mô hình để mô hình có hiệu suất tốt hơn cho các tác vụ cụ thể. giai đoạn đào tạo.Có hai lý do chính:
Khối lượng dữ liệu: Trong giai đoạn tiền đào tạo, mô hình cần được đào tạo trên một tập dữ liệu quy mô lớn để học cách biểu diễn ngôn ngữ chung. Ví dụ: quá trình đào tạo trước của mô hình BERT được thực hiện trên Wikipedia và BookCorpus, chứa hàng tỷ từ. Trong giai đoạn tinh chỉnh, mô hình thường chỉ cần được đào tạo trên một tập dữ liệu quy mô nhỏ cho một nhiệm vụ cụ thể. Ví dụ: một bộ dữ liệu tinh chỉnh cho nhiệm vụ phân tích cảm tính có thể chỉ có vài nghìn đến hàng chục nghìn đánh giá.
Số lượng bước đào tạo: Giai đoạn tiền đào tạo thường yêu cầu hàng triệu, thậm chí hàng tỷ bước đào tạo, trong khi giai đoạn tinh chỉnh thường chỉ cần hàng nghìn đến hàng chục nghìn bước. Điều này là do giai đoạn tiền đào tạo cần tìm hiểu cấu trúc cơ bản và ngữ nghĩa của ngôn ngữ, trong khi giai đoạn tinh chỉnh chỉ cần điều chỉnh một phần tham số của mô hình để thích ứng với một nhiệm vụ cụ thể.
Ví dụ: lấy GPT3 làm ví dụ, giai đoạn trước đào tạo sử dụng 45 TB dữ liệu văn bản để đào tạo, trong khi giai đoạn tinh chỉnh chỉ cần ~5 GB dữ liệu. Thời gian đào tạo cho giai đoạn tiền đào tạo mất vài tuần đến vài tháng, trong khi giai đoạn tinh chỉnh chỉ mất vài giờ đến vài ngày.
1.3.2 Điểm khởi đầu của sự giao thoa giữa AI và tiền điện tử
Để đánh giá liệu một dự án web3 có hợp lý hay không, một trong những điểm quan trọng nhất là liệu đó có phải là tiền điện tử dành cho tiền điện tử hay không, dự án có tối đa hóa giá trị do web3 mang lại hay không và liệu việc bổ sung web3 có mang lại sự khác biệt hay không. Rõ ràng, giá trị gia tăng mà web3 mang lại cho thị trường AI này không thể thay thế xác nhận quyền, phân phối thu nhập và sức mạnh tính toán
Tôi nghĩ rằng một thị trường Web3 AI xuất sắc có thể tích hợp chặt chẽ giữa AI và tiền điện tử. Sự kết hợp hoàn hảo nhất không phải là những ứng dụng hay cơ sở hạ tầng mà thị trường AI có thể mang lại cho web3, mà là những gì web3 có thể cung cấp cho thị trường AI. Rõ ràng, ví dụ, mỗi người dùng có thể có quyền sở hữu mô hình và dữ liệu AI của riêng họ (chẳng hạn như đóng gói mô hình AI và dữ liệu dưới dạng NFT) và họ cũng có thể giao dịch chúng dưới dạng hàng hóa, sử dụng tốt web3 có thể phát giá trị. Nó không chỉ thúc đẩy các nhà phát triển AI và các nhà cung cấp dữ liệu, mà còn làm cho việc ứng dụng AI trở nên rộng rãi hơn. Nếu một mô hình đủ tốt, chủ sở hữu sẽ có động lực mạnh mẽ hơn để tải nó lên cho những người khác chia sẻ.
Đồng thời, thị trường AI phi tập trung có thể giới thiệu một số mô hình kinh doanh mới, chẳng hạn như mô hình, bán và cho thuê dữ liệu, cung cấp dịch vụ cộng đồng nhiệm vụ, v.v.
1.3.3 Hạ ngưỡng ứng dụng AI
Mọi người nên và sẽ có thể đào tạo các mô hình trí tuệ nhân tạo của riêng mình, mô hình này yêu cầu một nền tảng có ngưỡng đủ thấp để cung cấp hỗ trợ tài nguyên, bao gồm các mô hình cơ sở, công cụ, dữ liệu, sức mạnh tính toán, v.v.
1.3.4 Cung và Cầu
Mặc dù các mô hình lớn có khả năng lập luận mạnh mẽ, nhưng chúng không phải là toàn năng. Thông thường, tinh chỉnh cho các nhiệm vụ và kịch bản cụ thể sẽ đạt được kết quả tốt hơn và có tính khả thi cao hơn. Do đó, từ phía cầu, người dùng cần một thị trường mô hình AI để có được các mô hình hữu ích trong các tình huống khác nhau; đối với các nhà phát triển, họ cần một nền tảng có thể cung cấp sự thuận tiện về tài nguyên lớn để phát triển các mô hình và thu được lợi ích thông qua kiến thức chuyên môn của chính họ.
Thứ hai, dựa trên mô hình so với dựa trên dữ liệu
2.1 Thị trường mô hình
người mẫu
Với công cụ là điểm bán hàng, là mắt xích đầu tiên của liên kết, dự án cần thu hút đủ các nhà phát triển mô hình trong giai đoạn đầu để triển khai các mô hình chất lượng cao, nhằm thiết lập nguồn cung cho thị trường.
Ở chế độ này, điểm thu hút các nhà phát triển chính là cơ sở hạ tầng và công cụ thuận tiện và dễ sử dụng. Dữ liệu phụ thuộc vào khả năng của chính nhà phát triển và lý do tại sao một số người có kinh nghiệm trong một lĩnh vực nhất định có thể tạo ra giá trị. Dữ liệu trong lĩnh vực này cần Các nhà phát triển thu thập và tinh chỉnh các mô hình với hiệu suất tốt hơn.
nghĩ
Gần đây, tôi đã thấy rất nhiều dự án về sự kết hợp giữa thị trường AI và web3, nhưng điều tôi nghĩ là: Việc tạo ra một thị trường mô hình AI phi tập trung có phải là một đề xuất sai lầm không?
Trước hết, chúng ta cần suy nghĩ về một câu hỏi, web3 có thể cung cấp giá trị gì?
Sẽ là chưa đủ nếu nó chỉ là động lực của mã thông báo hoặc tường thuật về quyền sở hữu của mô hình. Từ quan điểm thực tế, các mô hình chất lượng cao trên nền tảng là cốt lõi của toàn bộ sản phẩm và các mô hình xuất sắc thường có nghĩa là giá trị kinh tế cực kỳ cao. Từ quan điểm của các nhà cung cấp mô hình, họ cần có đủ động lực để triển khai các mô hình chất lượng cao của mình cho thị trường AI, nhưng liệu các ưu đãi do mã thông báo và quyền sở hữu mang lại có đáp ứng được kỳ vọng của họ về giá trị của mô hình không? Đối với một nền tảng thiếu cơ sở người dùng trong những ngày đầu, rõ ràng là còn lâu mới đạt được. Nếu không có một mô hình cực kỳ tốt, toàn bộ mô hình kinh doanh sẽ không được thiết lập. Vì vậy, câu hỏi đặt ra là làm thế nào để tạo đủ doanh thu cho các nhà cung cấp mô hình trong trường hợp không có người dùng cuối trong giai đoạn đầu.
2.2 Thị trường dữ liệu
người mẫu
Dựa trên việc thu thập dữ liệu phi tập trung, thông qua thiết kế lớp khuyến khích và tường thuật về quyền sở hữu dữ liệu trên nhiều nhà cung cấp dữ liệu hơn, cũng như người dùng gắn nhãn dữ liệu. Với sự may mắn của tiền điện tử, nền tảng này có cơ hội tích lũy một lượng lớn dữ liệu có giá trị trong một khoảng thời gian nhất định, đặc biệt là dữ liệu miền riêng hiện đang thiếu.
Điều khiến tôi phấn khích nhất là mô hình phát triển từ dưới lên này giống một trò chơi gây quỹ cộng đồng hơn. Cho dù mọi người có kinh nghiệm đến đâu, không thể có dữ liệu hoàn chỉnh trong một trường và một trong những giá trị mà web3 có thể cung cấp là thu thập dữ liệu phi tập trung và không được phép. Mô hình này không chỉ có thể tập trung chuyên môn và dữ liệu trong các lĩnh vực khác nhau mà còn cung cấp các dịch vụ AI cho một nhóm người dùng lớn hơn. So với dữ liệu riêng của một người dùng, những dữ liệu gây quỹ cộng đồng này được thu thập từ một số lượng lớn các tình huống thực tế của người dùng thực, vì vậy chúng có thể phản ánh sự phức tạp và đa dạng của thế giới thực tốt hơn so với dữ liệu được thu thập từ một nguồn duy nhất, điều này có thể nâng cao đáng kể khả năng khái quát hóa và tính mạnh mẽ của mô hình giúp mô hình AI có thể hoạt động tốt trong nhiều môi trường khác nhau.
Ví dụ, một người có thể có nhiều kinh nghiệm về dinh dưỡng và đã tích lũy được nhiều dữ liệu, nhưng chỉ dữ liệu cá nhân thôi thì chưa đủ để đào tạo một người mẫu xuất sắc. Trong khi người dùng chia sẻ dữ liệu, họ cũng có thể truy cập và sử dụng dữ liệu có giá trị được đóng góp bởi những người dùng khác trong cùng lĩnh vực và trên toàn mạng trên nền tảng, để đạt được hiệu quả tinh chỉnh tốt hơn.
nghĩ
Từ quan điểm này, nó cũng có thể là một nỗ lực tốt để xây dựng một thị trường dữ liệu phi tập trung. Là một "hàng hóa" có ngưỡng thấp hơn, liên kết sản xuất ngắn hơn và mật độ nhà cung cấp rộng hơn, dữ liệu có thể tận dụng tốt hơn giá trị mà web3 có thể cung cấp. Thuật toán khuyến khích và cơ chế xác nhận dữ liệu có thể cung cấp động lực để người dùng tải dữ liệu lên. Theo mô hình hiện tại, dữ liệu giống như một loại hàng hóa dùng một lần, nghĩa là nó có ít giá trị sau khi được sử dụng một lần. Trong thị trường mô hình AI phi tập trung, dữ liệu người dùng có thể được sử dụng nhiều lần và được hưởng lợi, đồng thời giá trị của dữ liệu sẽ được hiện thực hóa trong một khoảng thời gian dài hơn.
Có vẻ như là một lựa chọn tốt để sử dụng dữ liệu làm điểm vào để tích lũy người dùng.Một trong những điểm cốt lõi và rào cản của mô hình lớn là dữ liệu đa chiều và chất lượng cao.Sau khi một số lượng lớn các nhà cung cấp dữ liệu tham gia, những người này có cơ hội chuyển đổi hơn nữa thành người dùng cuối hoặc nhà cung cấp mô hình. Thị trường AI dựa trên điều này thực sự có thể cung cấp giá trị cơ bản cho các mô hình xuất sắc và tạo động lực cho các kỹ sư thuật toán đóng góp các mô hình trên nền tảng từ góc độ mô hình đào tạo.
Động lực này là sự thay đổi từ 0 thành 1. Giờ đây, khi các công ty lớn có lượng dữ liệu khổng lồ, họ có thể đào tạo các mô hình chính xác hơn, điều này khiến các công ty nhỏ và nhà phát triển cá nhân khó cạnh tranh. Ngay cả khi người dùng có dữ liệu rất có giá trị trong một lĩnh vực nhất định, thì phần dữ liệu nhỏ này cũng khó có giá trị nếu không có sự hợp tác của dữ liệu trên một tập hợp lớn hơn. Tuy nhiên, trong một thị trường phi tập trung, mọi người đều có cơ hội lấy và sử dụng dữ liệu, và những chuyên gia này tham gia vào nền tảng với dữ liệu gia tăng có giá trị. mọi người để đào tạo những người mẫu xuất sắc và thậm chí thúc đẩy đổi mới AI.
Bản thân dữ liệu thực sự rất phù hợp để trở thành rào cản cạnh tranh trong loại thị trường AI này. Trước hết, lớp khuyến khích tuyệt vời và đảm bảo quyền riêng tư an toàn cho phép nhiều nhà đầu tư bán lẻ hơn tham gia vào toàn bộ giao thức và đóng góp dữ liệu. Và khi số lượng người dùng tăng lên thì chất lượng và số lượng dữ liệu cũng tăng theo. Điều này sẽ tạo ra hiệu ứng cộng đồng và mạng lưới, khiến thị trường có thể cung cấp giá trị lớn hơn và quy mô rộng hơn nên sẽ hấp dẫn hơn đối với người dùng mới, đây là quá trình thiết lập các rào cản cho thị trường.
Vì vậy, về cơ bản, để tạo ra một thị trường AI dựa trên dữ liệu, điều quan trọng nhất là 4 điểm sau:
Lớp khuyến khích: Thiết kế một thuật toán có thể thúc đẩy người dùng cung cấp dữ liệu chất lượng cao một cách hiệu quả và cần phải cân bằng giữa sức mạnh của các khuyến khích và tính bền vững của thị trường.
Quyền riêng tư: Bảo vệ quyền riêng tư của dữ liệu và đảm bảo sử dụng dữ liệu hiệu quả.
Người dùng: Tích lũy người dùng nhanh chóng và thu thập nhiều dữ liệu có giá trị hơn trong giai đoạn đầu.
Chất lượng dữ liệu: Dữ liệu đến từ nhiều nguồn khác nhau và cần thiết kế cơ chế kiểm soát chất lượng hiệu quả.
**Tại sao nhà cung cấp mô hình không được tôi liệt kê là yếu tố chính trong trường hợp này? **
Lý do chính dựa trên bốn điểm trên và việc có một nhà cung cấp mô hình xuất sắc tham gia là điều hợp lý.
2.3 Giá trị và thách thức của thị trường dữ liệu
Dữ liệu miền riêng
Giá trị của dữ liệu miền riêng nằm ở thông tin độc nhất và khó có được trong một miền cụ thể, điều này đặc biệt quan trọng đối với các mô hình AI tinh chỉnh. Việc sử dụng dữ liệu miền riêng có thể tạo ra các mô hình được cá nhân hóa và chính xác hơn, hoạt động tốt hơn các mô hình được đào tạo trên bộ dữ liệu công khai trong các tình huống cụ thể.
Giờ đây, quá trình xây dựng mô hình cơ bản có thể thu được một lượng lớn dữ liệu công khai, do đó, thị trường dữ liệu web3 không tập trung vào những dữ liệu này. Làm thế nào để lấy và thêm dữ liệu miền riêng trong quá trình đào tạo hiện đang là một nút cổ chai. Bằng cách kết hợp dữ liệu miền riêng với tập dữ liệu công khai, khả năng thích ứng của mô hình với các vấn đề đa dạng và nhu cầu của người dùng cũng như độ chính xác của mô hình có thể được tăng lên.
Ví dụ: lấy các tình huống y tế và sức khỏe làm ví dụ, các mô hình AI sử dụng dữ liệu miền riêng thường có thể tăng độ chính xác của dự đoán từ 10% đến 30%. Đề cập đến nghiên cứu của Stanford, mô hình học sâu sử dụng dữ liệu y tế miền riêng chính xác hơn 15% trong việc dự đoán ung thư phổi so với mô hình sử dụng dữ liệu công khai
Bảo mật dữ liệu
Quyền riêng tư sẽ trở thành nút cổ chai hạn chế AI + Web3? Đánh giá từ sự phát triển hiện tại, hướng hạ cánh của AI trong web3 đã dần trở nên rõ ràng, nhưng có vẻ như mọi ứng dụng đều không thể tránh khỏi chủ đề về quyền riêng tư. .Quyền riêng tư, điều kiện để zkml được thiết lập là đảm bảo rằng mô hình sẽ không bị lạm dụng bởi các nút độc hại.
Thị trường AI được xây dựng trên cơ sở đảm bảo rằng người dùng kiểm soát dữ liệu của chính họ. Do đó, mặc dù dữ liệu người dùng được thu thập theo cách phi tập trung và phân tán, nhưng tất cả các nút không được trực tiếp thu thập, xử lý, lưu trữ, sử dụng, v.v. dữ liệu. Các phương pháp mã hóa hiện tại đang phải đối mặt với các tắc nghẽn trong việc sử dụng, lấy mã hóa đồng cấu hoàn toàn làm ví dụ:
Độ phức tạp tính toán: FHE phức tạp hơn các phương pháp mã hóa truyền thống, điều này làm tăng đáng kể chi phí tính toán của việc đào tạo mô hình AI theo mã hóa đồng cấu hoàn toàn, khiến việc đào tạo mô hình trở nên cực kỳ kém hiệu quả, thậm chí là Không khả thi. Do đó, mã hóa đồng cấu hoàn toàn không lý tưởng cho các tác vụ đòi hỏi nhiều tài nguyên máy tính, chẳng hạn như đào tạo mô hình học sâu.
Lỗi tính toán: Trong quá trình tính toán của FHE, các lỗi sẽ tích lũy dần khi quá trình tính toán tiếp tục, điều này cuối cùng sẽ ảnh hưởng đến kết quả tính toán và ảnh hưởng đến hiệu suất của mô hình AI.
Quyền riêng tư cũng được chia thành các cấp độ, không cần quá lo lắng
Các loại dữ liệu khác nhau có mức độ yêu cầu riêng tư khác nhau. Chỉ, ví dụ, hồ sơ y tế, thông tin tài chính, thông tin cá nhân nhạy cảm, v.v. mới yêu cầu mức độ bảo vệ quyền riêng tư cao.
Do đó, tính đa dạng của dữ liệu cần được xem xét khi thảo luận về thị trường AI phi tập trung, điều quan trọng nhất là sự cân bằng. Để tối đa hóa sự tham gia của người dùng và sự phong phú về tài nguyên của nền tảng, cần thiết kế một chiến lược linh hoạt hơn cho phép người dùng tùy chỉnh cài đặt mức độ riêng tư, không phải tất cả dữ liệu đều yêu cầu mức độ riêng tư cao nhất.
3. Phản ánh về Thị trường AI phi tập trung
**3.1 Người dùng có quyền kiểm soát tài sản, liệu việc rút tiền của người dùng có dẫn đến sự sụp đổ của nền tảng không? **
Ưu điểm của thị trường AI phi tập trung nằm ở quyền sở hữu tài nguyên của người dùng. Người dùng thực sự có thể rút tài nguyên của họ bất cứ lúc nào, nhưng một khi người dùng và tài nguyên (mô hình, dữ liệu) tích lũy đến một mức độ nhất định, tôi nghĩ nền tảng sẽ không bị ảnh hưởng* * . Tất nhiên, điều này cũng có nghĩa là rất nhiều tiền sẽ được chi cho việc ổn định người dùng và tài nguyên trong giai đoạn đầu của dự án, điều này sẽ rất khó khăn đối với một nhóm khởi nghiệp.
Đồng thuận cộng đồng
Khi thị trường AI phi tập trung hình thành hiệu ứng mạng mạnh mẽ, nhiều người dùng và nhà phát triển sẽ trở nên gắn bó. Và bởi vì sự gia tăng số lượng người dùng dẫn đến sự gia tăng chất lượng và số lượng dữ liệu và mô hình, làm cho thị trường trưởng thành hơn. Người dùng được thúc đẩy bởi các sở thích khác nhau sẽ thu được nhiều giá trị hơn từ thị trường. Mặc dù một số ít người dùng có thể chọn rời đi, tốc độ tăng trưởng của người dùng mới trong trường hợp này sẽ không chậm lại về mặt lý thuyết và thị trường có thể tiếp tục phát triển và cung cấp giá trị lớn hơn.
Ưu đãi
Nếu lớp khuyến khích được thiết kế phù hợp, khi số lượng người tham gia tăng lên và các nguồn lực khác nhau được tích lũy, thì lợi ích mà tất cả các bên thu được sẽ tăng theo. Thị trường AI phi tập trung không chỉ cung cấp nền tảng để người dùng giao dịch dữ liệu và mô hình mà còn có thể cung cấp cơ chế để người dùng kiếm lợi từ dữ liệu và mô hình của chính họ. Ví dụ: người dùng được trả tiền bằng cách bán dữ liệu của chính họ hoặc bằng cách cho phép người khác sử dụng mô hình của riêng họ.
Đối với nhà phát triển mô hình: Việc triển khai trên các nền tảng khác có thể không có đủ dữ liệu để hỗ trợ hoàn thiện mô hình với hiệu suất tốt hơn;
Đối với nhà cung cấp dữ liệu: Một nền tảng khác có thể không có nền tảng dữ liệu hoàn chỉnh như vậy và một phần dữ liệu nhỏ dành riêng cho người dùng không thể tạo ra giá trị cũng như đạt được mức sử dụng và lợi ích đầy đủ;
bản tóm tắt
Mặc dù trong thị trường AI phi tập trung, bên dự án chỉ đóng vai trò kết nối và cung cấp nền tảng, rào cản thực sự nằm ở việc tích lũy dữ liệu và mô hình do tích lũy số lượng người dùng***. Người dùng có quyền tự do rút khỏi thị trường, nhưng Thị trường AI trưởng thành thường sẽ khiến họ nhận được nhiều giá trị hơn từ thị trường so với những gì họ có thể nhận được bên ngoài thị trường, vì vậy người dùng không có động cơ rút khỏi thị trường.
Tuy nhiên, nếu hầu hết người dùng hoặc một số nhà cung cấp mô hình/dữ liệu chất lượng cao chọn rút lui, thị trường có thể bị ảnh hưởng. Điều này cũng phù hợp với sự tồn tại của những thay đổi và điều chỉnh linh hoạt trong việc gia nhập và rút lui của người dùng trong các hệ thống kinh tế khác nhau.
3.2 Con gà hay quả trứng có trước
Đánh giá từ hai con đường trên, rất khó để nói con đường nào cuối cùng sẽ xuất hiện, nhưng rõ ràng là thị trường AI dựa trên dữ liệu có ý nghĩa hơn và mức trần cao hơn nhiều so với con đường đầu tiên. Sự khác biệt lớn nhất là thị trường dựa trên dữ liệu không ngừng làm phong phú các rào cản và quá trình tích lũy người dùng cũng là quá trình tích lũy dữ liệu, cuối cùng, giá trị mà web3 mang lại là làm phong phú một cơ sở dữ liệu phi tập trung khổng lồ. chu kỳ. . Đồng thời, về bản chất, loại nền tảng này không cần lưu giữ dữ liệu mà cung cấp một thị trường nhẹ hơn để đóng góp dữ liệu. Cuối cùng, đây là một siêu thị dữ liệu lớn và loại rào cản này rất khó thay thế.
Từ góc độ cung và cầu, một thị trường AI cần có hai điểm cùng một lúc:
Rất nhiều mẫu đẹp
NGƯỜI DÙNG CUỐI
Từ một góc độ nào đó, hai điều kiện này dường như phụ thuộc lẫn nhau, một mặt, nền tảng cần phải có đủ người dùng để cung cấp động lực cho các nhà cung cấp mô hình và dữ liệu, chỉ khi tích lũy đủ người dùng thì lớp khuyến khích mới có thể phát huy tác dụng một vai trò. Để có giá trị lớn nhất, bánh đà dữ liệu cũng có thể được quay để nhiều nhà cung cấp mô hình có thể triển khai các mô hình. Mặt khác, phải có đủ người dùng cuối để có được một mô hình hữu ích và sự lựa chọn nền tảng của người dùng phần lớn là sự lựa chọn về chất lượng và khả năng của mô hình nền tảng. Do đó, nếu không tích lũy được một số lượng nhất định các mô hình xuất sắc thì nhu cầu này sẽ không tồn tại, cho dù thuật toán định tuyến có tiên tiến đến đâu thì việc định tuyến mà không có các mô hình tốt chỉ là nói suông. Điều này giống như tiền đề của cửa hàng táo là quả táo đó
Do đó, một ý tưởng phát triển tốt hơn là:
Chiến lược ban đầu
**Tích lũy các mô hình chất lượng cao, **Điều đáng chú ý nhất trong giai đoạn đầu là xây dựng một thư viện mô hình chất lượng cao. Lý do là cho dù có bao nhiêu người dùng cuối, nếu không có các mô hình chất lượng cao để họ lựa chọn và sử dụng, thì nền tảng sẽ không hấp dẫn và người dùng sẽ không có độ bám và duy trì. Bằng cách tập trung vào việc xây dựng thư viện mô hình chất lượng cao, nền tảng có thể đảm bảo rằng những người dùng sớm có thể tìm thấy các mô hình họ cần, từ đó tạo dựng uy tín thương hiệu và lòng tin của người dùng, đồng thời từng bước tạo dựng hiệu ứng cộng đồng và mạng lưới.
Chính sách mở rộng
Thu hút người dùng cuối Sau khi xây dựng thư viện mô hình chất lượng cao, hãy chuyển sang thu hút và giữ chân nhiều người dùng cuối hơn. Một số lượng lớn người dùng sẽ cung cấp đủ động lực và sự quan tâm để các nhà phát triển mô hình tiếp tục cung cấp và cải thiện mô hình. Ngoài ra, một số lượng lớn người dùng cũng sẽ tạo ra một lượng lớn dữ liệu, điều này sẽ cải thiện hơn nữa việc đào tạo và tối ưu hóa mô hình.
bản tóm tắt
Nỗ lực tốt nhất tại một thị trường AI là gì? *** Nói một cách dễ hiểu, nền tảng có thể cung cấp đủ các mô hình chất lượng cao và có thể kết hợp hiệu quả người dùng với các mô hình phù hợp để giải quyết vấn đề ***. Câu này giải quyết được hai mâu thuẫn: Thứ nhất, nền tảng có thể cung cấp đủ giá trị cho các nhà phát triển (bao gồm cả nhà phát triển mô hình và người dùng), để có đủ các mô hình chất lượng cao trên nền tảng; thứ hai, những "hàng hóa" này có thể cung cấp cho người dùng các giải pháp cục bộ hiệu quả , do đó thu hút nhiều người dùng hơn và bảo vệ lợi ích của tất cả các bên.
Thị trường AI phi tập trung là một hướng dễ dàng để AI + web3 hạ cánh, nhưng một dự án phải tìm ra giá trị thực mà nền tảng này có thể cung cấp và cách thu hút một số lượng lớn người dùng trong giai đoạn đầu. Trong số đó, mấu chốt là tìm ra điểm cân bằng lợi ích của tất cả các bên, đồng thời xử lý nhiều yếu tố như quyền sở hữu dữ liệu, chất lượng mô hình, quyền riêng tư của người dùng, sức mạnh tính toán và thuật toán khuyến khích, cuối cùng trở thành sự chia sẻ và nền tảng giao dịch cho dữ liệu, mô hình và sức mạnh tính toán.
Xem bản gốc
Nội dung chỉ mang tính chất tham khảo, không phải là lời chào mời hay đề nghị. Không cung cấp tư vấn về đầu tư, thuế hoặc pháp lý. Xem Tuyên bố miễn trừ trách nhiệm để biết thêm thông tin về rủi ro.
Foresight Ventures: Nỗ lực tốt nhất tại Thị trường AI phi tập trung
TL;DR
1. Thị trường AI của Web3
1.1 Đánh giá về đường đua AI trong trường web3
Đầu tiên, hãy xem lại hai hướng chung của sự kết hợp giữa AI và tiền điện tử mà tôi đã đề cập trước đó, ZKML và mạng điện toán phi tập trung👇
ZKML
ZKML làm cho mô hình AI minh bạch + có thể xác minh được, có nghĩa là đảm bảo rằng ba yếu tố về kiến trúc mô hình, tham số và trọng số mô hình cũng như đầu vào mô hình có thể được xác minh trên toàn bộ mạng. Tầm quan trọng của ZKML là tạo ra giai đoạn giá trị tiếp theo cho thế giới web3 mà không phải hy sinh tính phi tập trung và không tin cậy, đồng thời cung cấp khả năng thực hiện các ứng dụng rộng hơn và tạo ra các khả năng lớn hơn.
Foresight Ventures: AI + Web3 = ？
Mạng điện toán
Tài nguyên máy tính sẽ là một chiến trường lớn trong thập kỷ tới và đầu tư trong tương lai vào cơ sở hạ tầng máy tính hiệu suất cao sẽ tăng theo cấp số nhân. Các kịch bản ứng dụng của sức mạnh tính toán phi tập trung được chia thành hai hướng: lý luận mô hình và đào tạo mô hình, nhu cầu đào tạo mô hình lớn AI là lớn nhất, nhưng nó cũng phải đối mặt với những thách thức và tắc nghẽn kỹ thuật lớn nhất. Kể cả nhu cầu đồng bộ dữ liệu phức tạp và vấn đề tối ưu hóa mạng. Có nhiều cơ hội hơn để thực hiện lập luận mô hình và không gian gia tăng trong tương lai có thể dự đoán cũng đủ lớn.
**1.2 Thị trường AI là gì? **
Thị trường AI không phải là một khái niệm quá mới và Ôm mặt được cho là thị trường AI thành công nhất (ngoại trừ việc không có giao dịch và cơ chế định giá). Trong lĩnh vực NLP, Ôm Mặt cung cấp một nền tảng cộng đồng cực kỳ quan trọng và tích cực, nơi các nhà phát triển và người dùng có thể chia sẻ và sử dụng các mô hình được đào tạo trước khác nhau.
a. Tài nguyên mô hình
Hugging Face cung cấp một số lượng lớn các mô hình được đào tạo trước bao gồm nhiều nhiệm vụ NLP khác nhau. Nguồn tài nguyên phong phú này đã thu hút một lượng lớn người dùng, là cơ sở để hình thành một cộng đồng tích cực và tích lũy người dùng.
b.Tinh thần mã nguồn mở + lan tỏa và chia sẻ
Hugging Face khuyến khích các nhà phát triển tải lên và chia sẻ các mô hình của họ. Tinh thần cởi mở và chia sẻ này giúp nâng cao sức sống của cộng đồng và cho phép một số lượng lớn người dùng nhanh chóng sử dụng các kết quả nghiên cứu mới nhất. Điều này dựa trên sự tích lũy của các nhà phát triển và mô hình xuất sắc, đẩy nhanh hiệu quả của các kết quả nghiên cứu được kiểm chứng và phát huy.
c. Thân thiện với nhà phát triển + dễ sử dụng
Hugging Face cung cấp API và tài liệu dễ sử dụng, cho phép các nhà phát triển nhanh chóng hiểu và sử dụng các mô hình mà nó cung cấp. Điều này làm giảm ngưỡng sử dụng, cải thiện trải nghiệm người dùng và thu hút nhiều nhà phát triển hơn.
Mặc dù Ôm mặt không có cơ chế giao dịch nhưng nó vẫn cung cấp một nền tảng quan trọng để chia sẻ và sử dụng các mô hình AI. Do đó, cũng có thể thấy rằng thị trường AI có cơ hội trở thành một nguồn tài nguyên quý giá cho toàn ngành.
Tóm lại là thị trường AI phi tập trung:
Dựa trên các yếu tố trên, thị trường AI phi tập trung dựa trên công nghệ chuỗi khối, cho phép người dùng có quyền sở hữu dữ liệu và tài sản mô hình của riêng họ. Giá trị mà Web3 mang lại còn thể hiện ở cơ chế khuyến khích và giao dịch, người dùng có thể tự do lựa chọn hoặc ghép mẫu phù hợp thông qua hệ thống, đồng thời cũng có thể đặt mẫu do chính mình đào tạo lên kệ để hưởng lợi.
Người dùng có quyền sở hữu tài sản AI của riêng họ và bản thân thị trường AI không có quyền kiểm soát dữ liệu và mô hình. Thay vào đó, sự phát triển của thị trường phụ thuộc vào cơ sở người dùng và sự tích lũy của các mô hình và dữ liệu. Sự tích lũy này là một quá trình lâu dài, nhưng nó cũng là một quá trình dần dần thiết lập các rào cản sản phẩm, sự phát triển của thị trường được hỗ trợ bởi số lượng người dùng và số lượng/chất lượng của các mô hình và dữ liệu do người dùng tải lên.
**1.3 Tại sao phải chú ý đến AI Marketplace của Web3? **
1.3.1 Tương thích với hướng chung của ứng dụng sức mạnh tính toán
Do áp lực truyền thông và các lý do khác, có thể khó triển khai sức mạnh tính toán phi tập trung trên mô hình cơ sở đào tạo, nhưng áp lực đối với finetune sẽ nhỏ hơn nhiều, vì vậy nó có cơ hội trở thành một trong những kịch bản tốt nhất để triển khai tập trung mạng điện toán.
Một chút kiến thức cơ bản: tại sao giai đoạn tinh chỉnh dễ hạ cánh hơn
Foresight Ventures: Quan điểm hợp lý về Mạng điện toán phi tập trung
Đào tạo mô hình AI được chia thành đào tạo trước và tinh chỉnh. Quá trình đào tạo trước liên quan đến một lượng lớn dữ liệu và một số lượng lớn các phép tính, để biết chi tiết, vui lòng tham khảo phân tích trong bài viết trên của tôi. Tinh chỉnh dựa trên mô hình cơ sở, sử dụng dữ liệu của từng tác vụ cụ thể để điều chỉnh các tham số của mô hình để mô hình có hiệu suất tốt hơn cho các tác vụ cụ thể. giai đoạn đào tạo.Có hai lý do chính:
Ví dụ: lấy GPT3 làm ví dụ, giai đoạn trước đào tạo sử dụng 45 TB dữ liệu văn bản để đào tạo, trong khi giai đoạn tinh chỉnh chỉ cần ~5 GB dữ liệu. Thời gian đào tạo cho giai đoạn tiền đào tạo mất vài tuần đến vài tháng, trong khi giai đoạn tinh chỉnh chỉ mất vài giờ đến vài ngày.
1.3.2 Điểm khởi đầu của sự giao thoa giữa AI và tiền điện tử
Để đánh giá liệu một dự án web3 có hợp lý hay không, một trong những điểm quan trọng nhất là liệu đó có phải là tiền điện tử dành cho tiền điện tử hay không, dự án có tối đa hóa giá trị do web3 mang lại hay không và liệu việc bổ sung web3 có mang lại sự khác biệt hay không. Rõ ràng, giá trị gia tăng mà web3 mang lại cho thị trường AI này không thể thay thế xác nhận quyền, phân phối thu nhập và sức mạnh tính toán
Tôi nghĩ rằng một thị trường Web3 AI xuất sắc có thể tích hợp chặt chẽ giữa AI và tiền điện tử. Sự kết hợp hoàn hảo nhất không phải là những ứng dụng hay cơ sở hạ tầng mà thị trường AI có thể mang lại cho web3, mà là những gì web3 có thể cung cấp cho thị trường AI. Rõ ràng, ví dụ, mỗi người dùng có thể có quyền sở hữu mô hình và dữ liệu AI của riêng họ (chẳng hạn như đóng gói mô hình AI và dữ liệu dưới dạng NFT) và họ cũng có thể giao dịch chúng dưới dạng hàng hóa, sử dụng tốt web3 có thể phát giá trị. Nó không chỉ thúc đẩy các nhà phát triển AI và các nhà cung cấp dữ liệu, mà còn làm cho việc ứng dụng AI trở nên rộng rãi hơn. Nếu một mô hình đủ tốt, chủ sở hữu sẽ có động lực mạnh mẽ hơn để tải nó lên cho những người khác chia sẻ.
Đồng thời, thị trường AI phi tập trung có thể giới thiệu một số mô hình kinh doanh mới, chẳng hạn như mô hình, bán và cho thuê dữ liệu, cung cấp dịch vụ cộng đồng nhiệm vụ, v.v.
1.3.3 Hạ ngưỡng ứng dụng AI
Mọi người nên và sẽ có thể đào tạo các mô hình trí tuệ nhân tạo của riêng mình, mô hình này yêu cầu một nền tảng có ngưỡng đủ thấp để cung cấp hỗ trợ tài nguyên, bao gồm các mô hình cơ sở, công cụ, dữ liệu, sức mạnh tính toán, v.v.
1.3.4 Cung và Cầu
Mặc dù các mô hình lớn có khả năng lập luận mạnh mẽ, nhưng chúng không phải là toàn năng. Thông thường, tinh chỉnh cho các nhiệm vụ và kịch bản cụ thể sẽ đạt được kết quả tốt hơn và có tính khả thi cao hơn. Do đó, từ phía cầu, người dùng cần một thị trường mô hình AI để có được các mô hình hữu ích trong các tình huống khác nhau; đối với các nhà phát triển, họ cần một nền tảng có thể cung cấp sự thuận tiện về tài nguyên lớn để phát triển các mô hình và thu được lợi ích thông qua kiến thức chuyên môn của chính họ.
Thứ hai, dựa trên mô hình so với dựa trên dữ liệu
2.1 Thị trường mô hình
người mẫu
Với công cụ là điểm bán hàng, là mắt xích đầu tiên của liên kết, dự án cần thu hút đủ các nhà phát triển mô hình trong giai đoạn đầu để triển khai các mô hình chất lượng cao, nhằm thiết lập nguồn cung cho thị trường.
Ở chế độ này, điểm thu hút các nhà phát triển chính là cơ sở hạ tầng và công cụ thuận tiện và dễ sử dụng. Dữ liệu phụ thuộc vào khả năng của chính nhà phát triển và lý do tại sao một số người có kinh nghiệm trong một lĩnh vực nhất định có thể tạo ra giá trị. Dữ liệu trong lĩnh vực này cần Các nhà phát triển thu thập và tinh chỉnh các mô hình với hiệu suất tốt hơn.
nghĩ
Gần đây, tôi đã thấy rất nhiều dự án về sự kết hợp giữa thị trường AI và web3, nhưng điều tôi nghĩ là: Việc tạo ra một thị trường mô hình AI phi tập trung có phải là một đề xuất sai lầm không?
Trước hết, chúng ta cần suy nghĩ về một câu hỏi, web3 có thể cung cấp giá trị gì?
Sẽ là chưa đủ nếu nó chỉ là động lực của mã thông báo hoặc tường thuật về quyền sở hữu của mô hình. Từ quan điểm thực tế, các mô hình chất lượng cao trên nền tảng là cốt lõi của toàn bộ sản phẩm và các mô hình xuất sắc thường có nghĩa là giá trị kinh tế cực kỳ cao. Từ quan điểm của các nhà cung cấp mô hình, họ cần có đủ động lực để triển khai các mô hình chất lượng cao của mình cho thị trường AI, nhưng liệu các ưu đãi do mã thông báo và quyền sở hữu mang lại có đáp ứng được kỳ vọng của họ về giá trị của mô hình không? Đối với một nền tảng thiếu cơ sở người dùng trong những ngày đầu, rõ ràng là còn lâu mới đạt được. Nếu không có một mô hình cực kỳ tốt, toàn bộ mô hình kinh doanh sẽ không được thiết lập. Vì vậy, câu hỏi đặt ra là làm thế nào để tạo đủ doanh thu cho các nhà cung cấp mô hình trong trường hợp không có người dùng cuối trong giai đoạn đầu.
2.2 Thị trường dữ liệu
Dựa trên việc thu thập dữ liệu phi tập trung, thông qua thiết kế lớp khuyến khích và tường thuật về quyền sở hữu dữ liệu trên nhiều nhà cung cấp dữ liệu hơn, cũng như người dùng gắn nhãn dữ liệu. Với sự may mắn của tiền điện tử, nền tảng này có cơ hội tích lũy một lượng lớn dữ liệu có giá trị trong một khoảng thời gian nhất định, đặc biệt là dữ liệu miền riêng hiện đang thiếu.
Điều khiến tôi phấn khích nhất là mô hình phát triển từ dưới lên này giống một trò chơi gây quỹ cộng đồng hơn. Cho dù mọi người có kinh nghiệm đến đâu, không thể có dữ liệu hoàn chỉnh trong một trường và một trong những giá trị mà web3 có thể cung cấp là thu thập dữ liệu phi tập trung và không được phép. Mô hình này không chỉ có thể tập trung chuyên môn và dữ liệu trong các lĩnh vực khác nhau mà còn cung cấp các dịch vụ AI cho một nhóm người dùng lớn hơn. So với dữ liệu riêng của một người dùng, những dữ liệu gây quỹ cộng đồng này được thu thập từ một số lượng lớn các tình huống thực tế của người dùng thực, vì vậy chúng có thể phản ánh sự phức tạp và đa dạng của thế giới thực tốt hơn so với dữ liệu được thu thập từ một nguồn duy nhất, điều này có thể nâng cao đáng kể khả năng khái quát hóa và tính mạnh mẽ của mô hình giúp mô hình AI có thể hoạt động tốt trong nhiều môi trường khác nhau.
Ví dụ, một người có thể có nhiều kinh nghiệm về dinh dưỡng và đã tích lũy được nhiều dữ liệu, nhưng chỉ dữ liệu cá nhân thôi thì chưa đủ để đào tạo một người mẫu xuất sắc. Trong khi người dùng chia sẻ dữ liệu, họ cũng có thể truy cập và sử dụng dữ liệu có giá trị được đóng góp bởi những người dùng khác trong cùng lĩnh vực và trên toàn mạng trên nền tảng, để đạt được hiệu quả tinh chỉnh tốt hơn.
nghĩ
Từ quan điểm này, nó cũng có thể là một nỗ lực tốt để xây dựng một thị trường dữ liệu phi tập trung. Là một "hàng hóa" có ngưỡng thấp hơn, liên kết sản xuất ngắn hơn và mật độ nhà cung cấp rộng hơn, dữ liệu có thể tận dụng tốt hơn giá trị mà web3 có thể cung cấp. Thuật toán khuyến khích và cơ chế xác nhận dữ liệu có thể cung cấp động lực để người dùng tải dữ liệu lên. Theo mô hình hiện tại, dữ liệu giống như một loại hàng hóa dùng một lần, nghĩa là nó có ít giá trị sau khi được sử dụng một lần. Trong thị trường mô hình AI phi tập trung, dữ liệu người dùng có thể được sử dụng nhiều lần và được hưởng lợi, đồng thời giá trị của dữ liệu sẽ được hiện thực hóa trong một khoảng thời gian dài hơn.
Có vẻ như là một lựa chọn tốt để sử dụng dữ liệu làm điểm vào để tích lũy người dùng.Một trong những điểm cốt lõi và rào cản của mô hình lớn là dữ liệu đa chiều và chất lượng cao.Sau khi một số lượng lớn các nhà cung cấp dữ liệu tham gia, những người này có cơ hội chuyển đổi hơn nữa thành người dùng cuối hoặc nhà cung cấp mô hình. Thị trường AI dựa trên điều này thực sự có thể cung cấp giá trị cơ bản cho các mô hình xuất sắc và tạo động lực cho các kỹ sư thuật toán đóng góp các mô hình trên nền tảng từ góc độ mô hình đào tạo.
Động lực này là sự thay đổi từ 0 thành 1. Giờ đây, khi các công ty lớn có lượng dữ liệu khổng lồ, họ có thể đào tạo các mô hình chính xác hơn, điều này khiến các công ty nhỏ và nhà phát triển cá nhân khó cạnh tranh. Ngay cả khi người dùng có dữ liệu rất có giá trị trong một lĩnh vực nhất định, thì phần dữ liệu nhỏ này cũng khó có giá trị nếu không có sự hợp tác của dữ liệu trên một tập hợp lớn hơn. Tuy nhiên, trong một thị trường phi tập trung, mọi người đều có cơ hội lấy và sử dụng dữ liệu, và những chuyên gia này tham gia vào nền tảng với dữ liệu gia tăng có giá trị. mọi người để đào tạo những người mẫu xuất sắc và thậm chí thúc đẩy đổi mới AI.
Bản thân dữ liệu thực sự rất phù hợp để trở thành rào cản cạnh tranh trong loại thị trường AI này. Trước hết, lớp khuyến khích tuyệt vời và đảm bảo quyền riêng tư an toàn cho phép nhiều nhà đầu tư bán lẻ hơn tham gia vào toàn bộ giao thức và đóng góp dữ liệu. Và khi số lượng người dùng tăng lên thì chất lượng và số lượng dữ liệu cũng tăng theo. Điều này sẽ tạo ra hiệu ứng cộng đồng và mạng lưới, khiến thị trường có thể cung cấp giá trị lớn hơn và quy mô rộng hơn nên sẽ hấp dẫn hơn đối với người dùng mới, đây là quá trình thiết lập các rào cản cho thị trường.
Vì vậy, về cơ bản, để tạo ra một thị trường AI dựa trên dữ liệu, điều quan trọng nhất là 4 điểm sau:
**Tại sao nhà cung cấp mô hình không được tôi liệt kê là yếu tố chính trong trường hợp này? **
Lý do chính dựa trên bốn điểm trên và việc có một nhà cung cấp mô hình xuất sắc tham gia là điều hợp lý.
2.3 Giá trị và thách thức của thị trường dữ liệu
Dữ liệu miền riêng
Giá trị của dữ liệu miền riêng nằm ở thông tin độc nhất và khó có được trong một miền cụ thể, điều này đặc biệt quan trọng đối với các mô hình AI tinh chỉnh. Việc sử dụng dữ liệu miền riêng có thể tạo ra các mô hình được cá nhân hóa và chính xác hơn, hoạt động tốt hơn các mô hình được đào tạo trên bộ dữ liệu công khai trong các tình huống cụ thể.
Giờ đây, quá trình xây dựng mô hình cơ bản có thể thu được một lượng lớn dữ liệu công khai, do đó, thị trường dữ liệu web3 không tập trung vào những dữ liệu này. Làm thế nào để lấy và thêm dữ liệu miền riêng trong quá trình đào tạo hiện đang là một nút cổ chai. Bằng cách kết hợp dữ liệu miền riêng với tập dữ liệu công khai, khả năng thích ứng của mô hình với các vấn đề đa dạng và nhu cầu của người dùng cũng như độ chính xác của mô hình có thể được tăng lên.
Ví dụ: lấy các tình huống y tế và sức khỏe làm ví dụ, các mô hình AI sử dụng dữ liệu miền riêng thường có thể tăng độ chính xác của dự đoán từ 10% đến 30%. Đề cập đến nghiên cứu của Stanford, mô hình học sâu sử dụng dữ liệu y tế miền riêng chính xác hơn 15% trong việc dự đoán ung thư phổi so với mô hình sử dụng dữ liệu công khai
Bảo mật dữ liệu
Quyền riêng tư sẽ trở thành nút cổ chai hạn chế AI + Web3? Đánh giá từ sự phát triển hiện tại, hướng hạ cánh của AI trong web3 đã dần trở nên rõ ràng, nhưng có vẻ như mọi ứng dụng đều không thể tránh khỏi chủ đề về quyền riêng tư. .Quyền riêng tư, điều kiện để zkml được thiết lập là đảm bảo rằng mô hình sẽ không bị lạm dụng bởi các nút độc hại.
Thị trường AI được xây dựng trên cơ sở đảm bảo rằng người dùng kiểm soát dữ liệu của chính họ. Do đó, mặc dù dữ liệu người dùng được thu thập theo cách phi tập trung và phân tán, nhưng tất cả các nút không được trực tiếp thu thập, xử lý, lưu trữ, sử dụng, v.v. dữ liệu. Các phương pháp mã hóa hiện tại đang phải đối mặt với các tắc nghẽn trong việc sử dụng, lấy mã hóa đồng cấu hoàn toàn làm ví dụ:
Quyền riêng tư cũng được chia thành các cấp độ, không cần quá lo lắng
Các loại dữ liệu khác nhau có mức độ yêu cầu riêng tư khác nhau. Chỉ, ví dụ, hồ sơ y tế, thông tin tài chính, thông tin cá nhân nhạy cảm, v.v. mới yêu cầu mức độ bảo vệ quyền riêng tư cao.
Do đó, tính đa dạng của dữ liệu cần được xem xét khi thảo luận về thị trường AI phi tập trung, điều quan trọng nhất là sự cân bằng. Để tối đa hóa sự tham gia của người dùng và sự phong phú về tài nguyên của nền tảng, cần thiết kế một chiến lược linh hoạt hơn cho phép người dùng tùy chỉnh cài đặt mức độ riêng tư, không phải tất cả dữ liệu đều yêu cầu mức độ riêng tư cao nhất.
3. Phản ánh về Thị trường AI phi tập trung
**3.1 Người dùng có quyền kiểm soát tài sản, liệu việc rút tiền của người dùng có dẫn đến sự sụp đổ của nền tảng không? **
Ưu điểm của thị trường AI phi tập trung nằm ở quyền sở hữu tài nguyên của người dùng. Người dùng thực sự có thể rút tài nguyên của họ bất cứ lúc nào, nhưng một khi người dùng và tài nguyên (mô hình, dữ liệu) tích lũy đến một mức độ nhất định, tôi nghĩ nền tảng sẽ không bị ảnh hưởng* * . Tất nhiên, điều này cũng có nghĩa là rất nhiều tiền sẽ được chi cho việc ổn định người dùng và tài nguyên trong giai đoạn đầu của dự án, điều này sẽ rất khó khăn đối với một nhóm khởi nghiệp.
Đồng thuận cộng đồng
Khi thị trường AI phi tập trung hình thành hiệu ứng mạng mạnh mẽ, nhiều người dùng và nhà phát triển sẽ trở nên gắn bó. Và bởi vì sự gia tăng số lượng người dùng dẫn đến sự gia tăng chất lượng và số lượng dữ liệu và mô hình, làm cho thị trường trưởng thành hơn. Người dùng được thúc đẩy bởi các sở thích khác nhau sẽ thu được nhiều giá trị hơn từ thị trường. Mặc dù một số ít người dùng có thể chọn rời đi, tốc độ tăng trưởng của người dùng mới trong trường hợp này sẽ không chậm lại về mặt lý thuyết và thị trường có thể tiếp tục phát triển và cung cấp giá trị lớn hơn.
Ưu đãi
Nếu lớp khuyến khích được thiết kế phù hợp, khi số lượng người tham gia tăng lên và các nguồn lực khác nhau được tích lũy, thì lợi ích mà tất cả các bên thu được sẽ tăng theo. Thị trường AI phi tập trung không chỉ cung cấp nền tảng để người dùng giao dịch dữ liệu và mô hình mà còn có thể cung cấp cơ chế để người dùng kiếm lợi từ dữ liệu và mô hình của chính họ. Ví dụ: người dùng được trả tiền bằng cách bán dữ liệu của chính họ hoặc bằng cách cho phép người khác sử dụng mô hình của riêng họ.
Đối với nhà phát triển mô hình: Việc triển khai trên các nền tảng khác có thể không có đủ dữ liệu để hỗ trợ hoàn thiện mô hình với hiệu suất tốt hơn;
Đối với nhà cung cấp dữ liệu: Một nền tảng khác có thể không có nền tảng dữ liệu hoàn chỉnh như vậy và một phần dữ liệu nhỏ dành riêng cho người dùng không thể tạo ra giá trị cũng như đạt được mức sử dụng và lợi ích đầy đủ;
bản tóm tắt
Mặc dù trong thị trường AI phi tập trung, bên dự án chỉ đóng vai trò kết nối và cung cấp nền tảng, rào cản thực sự nằm ở việc tích lũy dữ liệu và mô hình do tích lũy số lượng người dùng***. Người dùng có quyền tự do rút khỏi thị trường, nhưng Thị trường AI trưởng thành thường sẽ khiến họ nhận được nhiều giá trị hơn từ thị trường so với những gì họ có thể nhận được bên ngoài thị trường, vì vậy người dùng không có động cơ rút khỏi thị trường.
Tuy nhiên, nếu hầu hết người dùng hoặc một số nhà cung cấp mô hình/dữ liệu chất lượng cao chọn rút lui, thị trường có thể bị ảnh hưởng. Điều này cũng phù hợp với sự tồn tại của những thay đổi và điều chỉnh linh hoạt trong việc gia nhập và rút lui của người dùng trong các hệ thống kinh tế khác nhau.
3.2 Con gà hay quả trứng có trước
Đánh giá từ hai con đường trên, rất khó để nói con đường nào cuối cùng sẽ xuất hiện, nhưng rõ ràng là thị trường AI dựa trên dữ liệu có ý nghĩa hơn và mức trần cao hơn nhiều so với con đường đầu tiên. Sự khác biệt lớn nhất là thị trường dựa trên dữ liệu không ngừng làm phong phú các rào cản và quá trình tích lũy người dùng cũng là quá trình tích lũy dữ liệu, cuối cùng, giá trị mà web3 mang lại là làm phong phú một cơ sở dữ liệu phi tập trung khổng lồ. chu kỳ. . Đồng thời, về bản chất, loại nền tảng này không cần lưu giữ dữ liệu mà cung cấp một thị trường nhẹ hơn để đóng góp dữ liệu. Cuối cùng, đây là một siêu thị dữ liệu lớn và loại rào cản này rất khó thay thế.
Từ góc độ cung và cầu, một thị trường AI cần có hai điểm cùng một lúc:
Từ một góc độ nào đó, hai điều kiện này dường như phụ thuộc lẫn nhau, một mặt, nền tảng cần phải có đủ người dùng để cung cấp động lực cho các nhà cung cấp mô hình và dữ liệu, chỉ khi tích lũy đủ người dùng thì lớp khuyến khích mới có thể phát huy tác dụng một vai trò. Để có giá trị lớn nhất, bánh đà dữ liệu cũng có thể được quay để nhiều nhà cung cấp mô hình có thể triển khai các mô hình. Mặt khác, phải có đủ người dùng cuối để có được một mô hình hữu ích và sự lựa chọn nền tảng của người dùng phần lớn là sự lựa chọn về chất lượng và khả năng của mô hình nền tảng. Do đó, nếu không tích lũy được một số lượng nhất định các mô hình xuất sắc thì nhu cầu này sẽ không tồn tại, cho dù thuật toán định tuyến có tiên tiến đến đâu thì việc định tuyến mà không có các mô hình tốt chỉ là nói suông. Điều này giống như tiền đề của cửa hàng táo là quả táo đó
Do đó, một ý tưởng phát triển tốt hơn là:
Chiến lược ban đầu
Chính sách mở rộng
bản tóm tắt
Nỗ lực tốt nhất tại một thị trường AI là gì? *** Nói một cách dễ hiểu, nền tảng có thể cung cấp đủ các mô hình chất lượng cao và có thể kết hợp hiệu quả người dùng với các mô hình phù hợp để giải quyết vấn đề ***. Câu này giải quyết được hai mâu thuẫn: Thứ nhất, nền tảng có thể cung cấp đủ giá trị cho các nhà phát triển (bao gồm cả nhà phát triển mô hình và người dùng), để có đủ các mô hình chất lượng cao trên nền tảng; thứ hai, những "hàng hóa" này có thể cung cấp cho người dùng các giải pháp cục bộ hiệu quả , do đó thu hút nhiều người dùng hơn và bảo vệ lợi ích của tất cả các bên.
Thị trường AI phi tập trung là một hướng dễ dàng để AI + web3 hạ cánh, nhưng một dự án phải tìm ra giá trị thực mà nền tảng này có thể cung cấp và cách thu hút một số lượng lớn người dùng trong giai đoạn đầu. Trong số đó, mấu chốt là tìm ra điểm cân bằng lợi ích của tất cả các bên, đồng thời xử lý nhiều yếu tố như quyền sở hữu dữ liệu, chất lượng mô hình, quyền riêng tư của người dùng, sức mạnh tính toán và thuật toán khuyến khích, cuối cùng trở thành sự chia sẻ và nền tảng giao dịch cho dữ liệu, mô hình và sức mạnh tính toán.