บทนำ

การเกิดขึ้นของบล็อกเชนสาธารณะนับเป็นความก้าวหน้าอย่างลึกซึ้งในประวัติศาสตร์วิทยาการคอมพิวเตอร์ในขณะที่การพัฒนาปัญญาประดิษฐ์กําลังมีผลกระทบอย่างมีนัยสําคัญต่อโลกของเรา เทคโนโลยีบล็อกเชนนําเสนอเทมเพลตใหม่สําหรับการชําระเงินธุรกรรมการจัดเก็บข้อมูลและการออกแบบระบบในขณะที่ปัญญาประดิษฐ์แสดงถึงการปฏิวัติในการคํานวณการวิเคราะห์และการส่งมอบเนื้อหา นวัตกรรมในอุตสาหกรรมเหล่านี้กําลังปลดปล่อยกรณีการใช้งานใหม่ที่สามารถเร่งการยอมรับของทั้งสองภาคส่วนในอีกไม่กี่ปีข้างหน้า รายงานนี้ตรวจสอบการรวมสกุลเงินดิจิทัลและปัญญาประดิษฐ์อย่างต่อเนื่องโดยมุ่งเน้นไปที่กรณีการใช้งานใหม่ที่มีจุดมุ่งหมายเพื่อลดช่องว่างระหว่างทั้งสองและใช้ประโยชน์จากจุดแข็งของพวกเขา โดยเฉพาะโครงการที่พัฒนาโปรโตคอลการประมวลผลแบบกระจายอํานาจโครงสร้างพื้นฐานการเรียนรู้ของเครื่องที่ไม่มีความรู้ (zkML) และตัวแทน AI

Cryptocurrency นําเสนอเลเยอร์การชําระเงินที่ไม่ได้รับอนุญาตไม่น่าเชื่อถือและประกอบได้สําหรับ AI ปลดล็อกกรณีการใช้งานเช่นการเข้าถึงฮาร์ดแวร์ได้ง่ายขึ้นผ่านระบบคอมพิวเตอร์แบบกระจายอํานาจการสร้างตัวแทน AI ที่สามารถดําเนินงานที่ซับซ้อนซึ่งต้องการการแลกเปลี่ยนมูลค่าและการพัฒนาโซลูชันข้อมูลประจําตัวและที่มาเพื่อตอบโต้การโจมตีของ Sybil และ deepfakes AI นําประโยชน์หลายอย่างที่เห็นใน Web 2.0 มาสู่สกุลเงินดิจิทัล รวมถึงประสบการณ์ของผู้ใช้และนักพัฒนาที่ได้รับการปรับปรุงผ่านโมเดลภาษาขนาดใหญ่ เช่น ChatGPT และ Copilot และฟังก์ชันการทํางานและระบบอัตโนมัติที่ได้รับการปรับปรุงอย่างมีนัยสําคัญสําหรับสัญญาอัจฉริยะ บล็อกเชนให้สภาพแวดล้อมที่โปร่งใสและเต็มไปด้วยข้อมูลที่จําเป็นสําหรับ AI แม้ว่าพลังการประมวลผลที่ จํากัด ของบล็อกเชนจะเป็นอุปสรรคสําคัญในการรวมโมเดล AI โดยตรง

การทดลองและการนำมาใช้ในการเลี้ยงสายพันธุ์ของสกุลเงินดิจิทัลและ AI ถูกขับเคลื่อนโดยกำลังขับเคลื่อนเดียวกันกับกระบวนการที่สำคัญที่สุดสำหรับการใช้งานที่มีความสุดคุ้มที่สุดสำหรับสกุลเงินดิจทัล: การเข้าถึงชั้นเชิงอนุญาตและไม่มีความเชื่อถือได้ ที่ให้การประสานที่ดีขึ้นในการโอนค่าที่ดีขึ้น โดยสิทธิ์พิสูจน์ว่ามีศักยภาพมากมาย ผู้ส่งเสริมในสาขานี้จำเป็นต้องเข้าใจถึงวิธีพื้นฐานที่ทรงสิทธิ์ของเทคโนโลยีเหล่านี้

ข้อความสำคัญ:

• • ในอนาคตใกล้เคียง (6 เดือนถึง 1 ปี), การรวมกันของสกุลเงินดิจิทัลและ AI จะถูกควบคุมโดยการใช้งาน AI ที่เพิ่มประสิทธิภาพของนักพัฒนา การตรวจสอบสมรรถนะของสมาร์ทคอนแทรค, และความปลอดภัย, และความสะดวกในการเข้าถึงของผู้ใช้ การรวมกันเหล่านี้ไม่ได้เฉพาะเจาะจงในสกุลเงินดิจิทัล แต่เพิ่มประสบการณ์สำหรับนักพัฒนาบนเชนและผู้ใช้
• • เนื่องจากการ์ดจอที่มีประสิทธิภาพสูงยังขาดแคลน ผลิตภัณฑ์คอมพิวเตอร์ที่ดำเนินการแบบกระจายกำลังกายกำลังทางเลือกมีการนำเสนอผลิตภัณฑ์ GPU ที่ปรับการใช้งาน AI เพื่อเพิ่มการนำมาใช้งาน
• • ประสบการณ์ของผู้ใช้และอุปสรรคทางกฎหมายยังคงเป็นอุปสรรคที่ยากที่จะดึงดูดลูกค้าที่ใช้คอมพิวเตอร์แบบกระจายได้ อย่างไรก็ตาม ความก้าวหน้าล่าสุดจาก OpenAI และการทบทวนกฎหมายที่กำลังดำเนินอยู่ในสหรัฐฯ ย้ำถึงคุณค่าของเสนอค่าที่เป็นไปได้ ของเครือข่ายปฏิบัติการไร้อนุญาต ต้านการเซ็นเซอร์และกระจายของ AI
• • การผสมการใช้งาน AI on-chain โดยเฉพาะสัญญาอัจฉริยะที่สามารถใช้โมเดล AI ต้องการการปรับปรุงในเทคโนโลยี zkML และวิธีการอื่น ๆ สำหรับการตรวจสอบการคำนวณ off-chain ขาดเครื่องมืออย่างครบถ้วน ทักษะนักพัฒนา และค่าใช้จ่ายสูงเป็นอุปสรรคต่อการนำมาใช้
• • AI agents เหมาะสมอย่างดีสำหรับสกุลเงินดิจิทัล ที่ผู้ใช้ (หรือตัวแทนเอง) สามารถสร้างวอลเล็ตเพื่อทำธุรกรรมกับบริการ ตัวแทน หรือบุคคล—ความสามารถที่เป็นไปไม่ได้กับเส้นทางการเงินแบบดั้งเดิม การผสมรวมเพิ่มเติมกับผลิตภัณฑ์ที่ไม่ใช่คริปโตจำเป็นสำหรับการนำมาใช้แบบกว้างขวาง

เงื่อนไข

ปัญญาประดิษฐ์คือการใช้การคำนวณและเครื่องจักรเพื่อจำลองความคิดและความสามารถในการแก้ปัญหาของมนุษย์

โครงข่ายประสาทเป็นวิธีการฝึกโมเดลปัญญาประดิษฐ์ พวกเขารันข้อมูลผ่านชั้นอัลกอริทึมแบบไม่ต่อเนื่อง เพื่อประสิทธิภาพของการสร้างผลลัพธ์ที่ต้องการ โครงข่ายประสาทประกอบด้วยสมการที่มีน้ำหนักที่สามารถปรับเปลี่ยนเพื่อเปลี่ยนแปลงผลลัพธ์ พวกเขาอาจต้องการข้อมูลและการคำนวณอย่างเป็นทางการสำหรับการฝึกเพื่อให้มั่นใจในผลลัพธ์ที่แม่นยำ นี่เป็นหนึ่งในวิธีที่พบได้บ่อยที่สุดในการพัฒนาโมเดลปัญญาประดิษฐ์ (เช่น ChatGPT อาศัยกระบวนการโครงข่ายประสาทที่ขึ้นกับ Transformers)

การฝึกอบรมคือกระบวนการในการพัฒนาระบบประสาทเทียมและโมเดล AI อื่น ๆ มันต้องการข้อมูลจำนวนมากเพื่อฝึกโมเดลให้สามารถตีความข้อมูลเข้าและสร้างผลลัพธ์ที่แม่นยำ ระหว่างการฝึก น้ำหนักสมการของโมเดลจะถูกปรับเปลี่ยนอย่างต่อเนื่องจนกว่าผลลัพธ์ที่น่าพอใจจะถูกสร้างขึ้น การฝึกอาจทำให้ค่าใช้จ่ายสูงมาก ตัวอย่างเช่น ChatGPT ใช้หลายหมื่น GPU ของตัวเองในการประมวลผลข้อมูล ทีมที่มีทรัพยากรน้อยมักพึ่งพาผู้ให้บริการคำนวณทางพิเศษ เช่น Amazon Web Services, Azure, และผู้ให้บริการ Google Cloud

การอุปถัมภ์คือการใช้โมเดล AI จริงเพื่อให้ได้เอาท์พุตหรือผลลัพธ์ (ตัวอย่างเช่น การใช้ ChatGPT เพื่อสร้างเค้าโครงสร้างสำหรับบทความเกี่ยวกับการตัดสินใจในการใช้สกุลเงินดิจิทัลและ AI) การอุปถัมภ์ถูกใช้ตลอดกระบวนการฝึกฝนและในผลิตภัณฑ์สุดท้าย ด้วยเหตุผลเกี่ยวกับค่าใช้จ่ายในการคำนวณ แม้หลังจากการฝึกฝนเสร็จสิ้นแล้ว ค่าใช้จ่ายในการดำเนินงานของพวกเขาสามารถสูง แม้ว่าความหนาแน่นในการคำนวณของพวกเขาจะต่ำกว่าในกระบวนการฝึกฝน

Zero-Knowledge Proofs (ZKP) อนุญาตให้มีการตรวจสอบข้อความโดยไม่เปิดเผยข้อมูลพื้นฐาน สิ่งนี้มีประโยชน์ในสกุลเงินดิจิทัลด้วยเหตุผลหลักสองประการ: 1) ความเป็นส่วนตัวและ 2) การปรับขนาด เพื่อความเป็นส่วนตัวช่วยให้ผู้ใช้สามารถทําธุรกรรมโดยไม่เปิดเผยข้อมูลที่ละเอียดอ่อน (เช่นจํานวน ETH ที่อยู่ในกระเป๋าเงิน) สําหรับการปรับขนาดจะช่วยให้การคํานวณแบบ off-chain ได้รับการพิสูจน์แบบ on-chain ได้เร็วกว่าการดําเนินการคํานวณใหม่ สิ่งนี้ทําให้บล็อกเชนและแอปพลิเคชันสามารถเรียกใช้การคํานวณแบบ off-chain ได้ในราคาถูกแล้วตรวจสอบแบบ on-chain สําหรับข้อมูลเพิ่มเติมเกี่ยวกับ zero-knowledge และบทบาทใน Ethereum Virtual Machines โปรดดูรายงานของ Christine Kim เกี่ยวกับ zkEVMs: อนาคตของ Ethereum Scalability

แผนที่ตลาด AI/สกุลเงินดิจิทัล

โครงการที่ผสานปัศาและสกุลเงินดิจิทัลยังคงกำลังพัฒนาระบบพื้นฐานที่จำเป็นสำหรับการสนับสนุนการจับคู่ปศาขนาดใหญ่บนเชือง

ตลาดคอมพิวเตอร์แบบกระจายอํานาจกําลังเกิดขึ้นเพื่อจัดหาฮาร์ดแวร์ทางกายภาพจํานวนมากที่จําเป็นในการฝึกอบรมและอนุมานโมเดล AI โดยส่วนใหญ่อยู่ในรูปแบบของหน่วยประมวลผลกราฟิก (GPU) ตลาดสองด้านเหล่านี้เชื่อมโยงผู้ที่เช่าและต้องการเช่าคอมพิวเตอร์อํานวยความสะดวกในการถ่ายโอนมูลค่าและการตรวจสอบการคํานวณ ภายในการประมวลผลแบบกระจายอํานาจหมวดหมู่ย่อยหลายหมวดหมู่ที่นําเสนอฟังก์ชันเพิ่มเติมกําลังเกิดขึ้น นอกจากตลาดทวิภาคีแล้วรายงานนี้ยังตรวจสอบผู้ให้บริการฝึกอบรมแมชชีนเลิร์นนิงที่ให้การฝึกอบรมที่ตรวจสอบได้และการปรับแต่งผลลัพธ์รวมถึงโครงการที่ทุ่มเทให้กับการเชื่อมโยงการคํานวณและการสร้างแบบจําลองเพื่อเปิดใช้งาน AI ซึ่งมักเรียกว่าเครือข่ายแรงจูงใจอัจฉริยะ

zkML เป็นพื้นที่โฟกัสที่เกิดขึ้นใหม่สําหรับโครงการที่มีเป้าหมายเพื่อให้ผลลัพธ์แบบจําลองที่ตรวจสอบได้บนห่วงโซ่ในลักษณะที่ประหยัดและทันเวลา โครงการเหล่านี้ส่วนใหญ่ช่วยให้แอปพลิเคชันสามารถจัดการคําขอคํานวณจํานวนมากนอกเครือข่ายจากนั้นโพสต์เอาต์พุตที่ตรวจสอบได้บนห่วงโซ่เพื่อพิสูจน์ว่าปริมาณงานนอกเครือข่ายนั้นสมบูรณ์และแม่นยํา ปัจจุบัน zkML มีทั้งราคาแพงและใช้เวลานาน แต่ถูกใช้เป็นโซลูชันมากขึ้น สิ่งนี้เห็นได้ชัดจากจํานวนการผสานรวมที่เพิ่มขึ้นระหว่างผู้ให้บริการ zkML และแอปพลิเคชัน DeFi/เกมที่ต้องการใช้ประโยชน์จากโมเดล AI

อุปทานที่เพียงพอของการคํานวณและความสามารถในการตรวจสอบการคํานวณแบบ on-chain เปิดประตูสําหรับตัวแทน AI แบบ on-chain ตัวแทนเป็นโมเดลที่ได้รับการฝึกอบรมซึ่งสามารถดําเนินการตามคําขอในนามของผู้ใช้ได้ ตัวแทนเสนอโอกาสในการปรับปรุงประสบการณ์แบบ on-chain อย่างมีนัยสําคัญทําให้ผู้ใช้สามารถทําธุรกรรมที่ซับซ้อนได้ง่ายๆ โดยการสนทนากับแชทบอท อย่างไรก็ตาม ณ ตอนนี้โครงการตัวแทนยังคงมุ่งเน้นไปที่การพัฒนาโครงสร้างพื้นฐานและเครื่องมือเพื่อการปรับใช้ที่ง่ายและรวดเร็ว

การคำนวณที่ไม่มีการกำหนด

ภาพรวม

ปัญญาประดิษฐ์ต้องการการคํานวณที่ครอบคลุมเพื่อฝึกโมเดลและเรียกใช้การอนุมาน ในช่วงทศวรรษที่ผ่านมาเนื่องจากแบบจําลองมีความซับซ้อนมากขึ้นความต้องการการคํานวณจึงเพิ่มขึ้นอย่างทวีคูณ ตัวอย่างเช่น OpenAI ตั้งข้อสังเกตว่าตั้งแต่ปี 2012 ถึง 2018 ความต้องการในการคํานวณของโมเดลเพิ่มขึ้นเป็นสองเท่าทุกสองปีโดยเปลี่ยนไปเป็นสองเท่าทุกสามเดือนครึ่ง สิ่งนี้นําไปสู่ความต้องการ GPU ที่เพิ่มขึ้นโดยนักขุดสกุลเงินดิจิทัลบางรายถึงกับนํา GPU กลับมาใช้ใหม่เพื่อให้บริการคลาวด์คอมพิวติ้ง เมื่อการแข่งขันสําหรับการเข้าถึงการคํานวณทวีความรุนแรงขึ้นและต้นทุนเพิ่มขึ้นบางโครงการจึงใช้ประโยชน์จากเทคโนโลยีการเข้ารหัสเพื่อนําเสนอโซลูชันการประมวลผลแบบกระจายอํานาจ พวกเขาให้การประมวลผลตามความต้องการในราคาที่แข่งขันได้ทําให้ทีมสามารถฝึกอบรมและเรียกใช้โมเดลได้ในราคาไม่แพง ในบางกรณีการแลกเปลี่ยนอาจเกี่ยวข้องกับประสิทธิภาพและความปลอดภัย

ความต้องการ GPU ที่ล้ําสมัย (เช่นที่ผลิตโดย Nvidia) มีความสําคัญ ในเดือนกันยายน Tether ได้เข้าซื้อหุ้นใน Northern Data นักขุด bitcoin ชาวเยอรมัน โดยมีรายงานว่าใช้เงิน 420 ล้านดอลลาร์เพื่อซื้อ GPU H100 จํานวน 10,000 ตัว (หนึ่งใน GPU ที่ทันสมัยที่สุดสําหรับการฝึกอบรม AI) เวลารอรับฮาร์ดแวร์ระดับบนสุดอาจมีอย่างน้อยหกเดือนหากไม่นานกว่านั้นในหลาย ๆ กรณี ที่แย่ไปกว่านั้น บริษัท ต่างๆมักจะต้องลงนามในสัญญาระยะยาวเพื่อรักษาปริมาณการคํานวณที่พวกเขาอาจไม่ได้ใช้ด้วยซ้ํา สิ่งนี้สามารถนําไปสู่สถานการณ์ที่มีทรัพยากรการคํานวณ แต่ไม่สามารถเข้าถึงได้ในตลาด ระบบคอมพิวเตอร์แบบกระจายอํานาจช่วยจัดการกับความไร้ประสิทธิภาพของตลาดเหล่านี้โดยการสร้างตลาดรองที่เจ้าของการประมวลผลสามารถเช่าช่วงกําลังการผลิตส่วนเกินได้ทันทีเมื่อมีการแจ้งเตือนซึ่งจะปล่อยอุปทานใหม่

นอกเหนือจากราคาที่แข่งขันได้และการเข้าถึงข้อเสนอคุณค่าที่สําคัญของการประมวลผลแบบกระจายอํานาจคือการต่อต้านการเซ็นเซอร์ การพัฒนา AI ที่ทันสมัยถูกครอบงําโดย บริษัท เทคโนโลยีขนาดใหญ่ที่มีความสามารถในการคํานวณและการเข้าถึงข้อมูลที่ไม่มีใครเทียบได้ ประเด็นสําคัญแรกที่เน้นในรายงานประจําปีของดัชนี AI ปี 2023 คือการเติบโตที่ก้าวกระโดดของสถาบันการศึกษาโดยอุตสาหกรรมในการพัฒนาโมเดล AI โดยมุ่งเน้นการควบคุมในมือของผู้นําด้านเทคโนโลยีเพียงไม่กี่คน สิ่งนี้ทําให้เกิดความกังวลเกี่ยวกับศักยภาพของพวกเขาที่จะมีอิทธิพลอย่างมากในการกําหนดบรรทัดฐานและค่านิยมที่สนับสนุนโมเดล AI โดยเฉพาะอย่างยิ่งหลังจากที่ บริษัท เทคโนโลยีเหล่านี้ผลักดันกฎระเบียบเพื่อ จํากัด การพัฒนา AI ที่ไม่สามารถควบคุมได้

แนวโน้มในการคำนึงถึงการคำนวณแบบกระจาย

โมเดลหลายรูปแบบของการคำนวณแบบกระจายในปีหลังนี้ ปรากฏขึ้น แต่ละแบบมีจุดประสงค์และการแลกเปลี่ยนที่แตกต่างกัน

การคำนวณทั่วไป

โดยสรุปโครงการเช่น Akash, io.net, iExec, และ Cudos เป็นแอปพลิเคชันของการคำนวณแบบไม่มีกฎหมาย ที่นำเสนอพิเศษกว่าข้อมูลและคำนวณทั่วไป, มีการเข้าถึงการคำนวณที่เชี่ยวชาญสำหรับการฝึกอบรมและการอุทยาน Akash ยืนออกเป็นแพลตฟอร์ม “super cloud” ที่เปิดเต็มรูปแบบเท่านั้น, ใช้ Cosmos SDK สำหรับเครือข่าย proof-of-stake ของตัวเอง AKT, โทเคนเกิดอาศัยของ Akash, ทำหน้าที่เสมือนเป็นวิธีการชำระเงินเพื่อป้องกันระบบและสร้างสรรค์ส่วนร่วม โดยเริ่มเปิดให้บริการในปี 2020, mainnet ของ Akash โฟกัสตั้งแต่เริ่มต้นเป็นตลาด cloud computing ที่ไม่มีการอนุญาต, มีบริการเช่าพื้นที่จัดเก็บและ CPU ในเดือนมิถุนายน 2023, Akash ได้เสนอ testnet ที่เน้น GPU และเปิดให้บริการ mainnet ที่เน้น GPU ในเดือนกันยายน, ทำให้สามารถเช่า GPU สำหรับการฝึกอบรมและอุทยาน

ระบบนิเวศของ Akash ประกอบด้วยผู้เข้าร่วมหลักสองคน: ผู้เช่าที่แสวงหาทรัพยากรการประมวลผลและผู้ให้บริการซัพพลายเออร์การประมวลผล กระบวนการประมูลแบบย้อนกลับช่วยอํานวยความสะดวกในการจับคู่ผู้เช่าและผู้ให้บริการซึ่งผู้เช่าโพสต์ข้อกําหนดการประมวลผลรวมถึงตําแหน่งเซิร์ฟเวอร์ที่ต้องการหรือประเภทฮาร์ดแวร์และงบประมาณ จากนั้นผู้ให้บริการจะเสนอราคาโดยผู้เสนอราคาต่ําสุดจะได้รับงาน ผู้ตรวจสอบความถูกต้องรักษาความสมบูรณ์ของเครือข่ายโดยมีขีด จํากัด ปัจจุบันที่ผู้ตรวจสอบความถูกต้อง 100 คนวางแผนที่จะเพิ่มขึ้นเมื่อเวลาผ่านไป การมีส่วนร่วมในฐานะผู้ตรวจสอบความถูกต้องนั้นเปิดกว้างสําหรับผู้ที่เดิมพัน AKT มากกว่าผู้ตรวจสอบปัจจุบันที่มีส่วนได้ส่วนเสียน้อยที่สุด ผู้ถือ AKT สามารถมอบโทเค็นของตนให้กับผู้ตรวจสอบความถูกต้องโดยมีค่าธรรมเนียมการทําธุรกรรมและรางวัลบล็อกที่แจกจ่ายใน AKT ยิ่งไปกว่านั้นสําหรับการเช่าแต่ละครั้งเครือข่าย Akash จะได้รับ "อัตราการรับ" ซึ่งตัดสินใจโดยชุมชนแจกจ่ายให้กับผู้ถือ AKT

ตลาดทองหลัง

ตลาดรองสำหรับการคำนวณที่ไม่มีการกำหนดเป้าหมายที่แตกต่างกันมุ่งเน้นที่จะแก้ไขความไม่เท่าเทียมในตลาดการคำนวณที่มีอยู่ ที่ส่งผลให้บริษัทเก็บทรัพยากรเกินความต้องการและสัญญายาวนานกับผู้ให้บริการคลาวด์ที่จำกัดทรัพยากรเพิ่มเติม แพลตฟอร์มการคำนวณที่ไม่มีการกำหนดเป้าหมายเปิดล็อคทรัพยากรใหม่เพื่อเปิดที่ใหม่ เพื่อให้ใครก็สามารถเป็นผู้ให้บริการที่มีความต้องการใดๆ

ไม่ว่าความต้องการ GPU ที่เพิ่มขึ้นสําหรับการฝึกอบรม AI จะแปลว่าการใช้เครือข่ายอย่างยั่งยืนบน Akash ยังคงมีให้เห็นหรือไม่ ในอดีต Akash ได้เสนอบริการตลาดที่ใช้ CPU ในราคาส่วนลด 70-80% เมื่อเทียบกับทางเลือกแบบรวมศูนย์ แต่กลยุทธ์การกําหนดราคานี้ไม่ได้ผลักดันการยอมรับอย่างมีนัยสําคัญ กิจกรรมเครือข่ายที่วัดจากสัญญาเช่าที่ใช้งานอยู่ได้ลดลงโดยมีการประมวลผลเฉลี่ย 33% หน่วยความจํา 16% และการใช้พื้นที่เก็บข้อมูล 13% ภายในไตรมาสที่สองของปี 2023 ซึ่งน่าประทับใจสําหรับการยอมรับแบบ on-chain แต่บ่งชี้ว่าอุปทานยังคงแซงหน้าอุปสงค์ ครึ่งปีนับตั้งแต่เปิดตัวเครือข่าย GPU ยังเร็วเกินไปสําหรับการประเมินขั้นสุดท้ายของการยอมรับในระยะยาว แม้ว่าสัญญาณเริ่มต้นจะแสดงการใช้ GPU เฉลี่ย 44% โดยได้รับแรงหนุนหลักจากความต้องการ GPU คุณภาพสูงเช่น A100 ซึ่งมากกว่า 90% ได้รับการเช่า

ค่าใช้จ่ายประจำวันของ Akash เกือบเพิ่มขึ้นเกือบสองเท่าตั้งแต่มีการนำเข้า GPU เข้ามา ซึ่งบางส่วนเป็นเพราะการใช้บริการอื่นๆ มากขึ้นโดยเฉพาะ CPU แต่สำคัญอยู่ที่การใช้ GPU ใหม่

การกำหนดราคาเป็นเช่นเดียวกับหรือในบางกรณีอาจจะแพงกว่าเทียบกับคู่แข่งจากศูนย์กลาง เช่น Lambda Cloud และ Vast.ai ความต้องการสูงสุดสำหรับ GPU ระดับสูง เช่น H100 และ A100 หมายถึงเจ้าของเครื่องที่มีอุปกรณ์เหล่านี้ส่วนใหญ่ไม่สนใจที่จะลงประกาศขายในตลาดที่มีราคาแข่งขัน

แม้จะมีผลกําไรขั้นต้น แต่อุปสรรคในการรับเลี้ยงบุตรบุญธรรมยังคงอยู่ เครือข่ายคอมพิวเตอร์แบบกระจายอํานาจต้องดําเนินการเพิ่มเติมเพื่อสร้างอุปสงค์และอุปทาน โดยทีมจะสํารวจวิธีที่ดีที่สุดในการดึงดูดผู้ใช้ใหม่ ตัวอย่างเช่นในช่วงต้นปี 2024 Akash ได้ผ่านข้อเสนอ 240 ซึ่งเพิ่มการปล่อย AKT สําหรับผู้ให้บริการ GPU เพื่อจูงใจให้จัดหามากขึ้นโดยเฉพาะอย่างยิ่งสําหรับ GPU ระดับไฮเอนด์ ทีมยังทํางานเกี่ยวกับโมเดลการพิสูจน์แนวคิดเพื่อแสดงความสามารถแบบสดของเครือข่ายแก่ผู้มีโอกาสเป็นผู้ใช้ Akash กําลังฝึกอบรมโมเดลพื้นฐานและได้เปิดตัวแชทบอทและผลิตภัณฑ์สร้างภาพที่ใช้ GPU ของ Akash ในทํานองเดียวกัน io.net ได้พัฒนารูปแบบการแพร่กระจายที่เสถียรและกําลังเปิดตัวฟังก์ชันเครือข่ายใหม่เพื่อเลียนแบบประสิทธิภาพและขนาดของเครือข่ายได้ดีขึ้น

การฝึกอบรมเรียนรู้ของเครื่องที่ไม่มีศูนย์กลาง

นอกจากแพลตฟอร์มคอมพิวเตอร์ทั่วไปที่สามารถตอบสนองต่อความต้องการของปัญญาประดิษฐ์ได้ ยังมีกลุ่มผู้ผลิต GPU ซึ่งเชี่ยวชาญในการฝึกโมเดลปฏิบัติการเรียนรู้ของเครื่องด้วย ตัวอย่างเช่น Gensyn กำลัง "ประสานพลังงานและฮาร์ดแวร์เพื่อสร้างสัญชาติของสมอง," ด้วยหลักการที่ "หากมีใครฝึกสอนบางสิ่งและใครบางคนพร้อมที่จะฝึกสอน การฝึกสอนนี้ควรได้รับอนุญาตให้เกิดขึ้น"

โปรโตคอลนี้ประกอบด้วยผู้เข้าร่วมสี่ประการหลัก: ผู้ส่ง, ผู้แก้ปัญหา, ผู้ตรวจสอบ, และผู้ร้องเรียน. ผู้ส่งส่งงานพร้อมกับคำขอฝึกอบรมไปยังเครือข่าย งานเหล่านี้รวมถึงวัตถุประสงค์ในการฝึกอบรม, โมเดลที่จะถูกฝึก, และข้อมูลการฝึกอบรม. เป็นส่วนหนึ่งของกระบวนการส่ง, ผู้ส่งจำเป็นต้องชำระเงินล่วงหน้าตามต้นทุนการคำนวณโดยประมาณที่ต้องการจากผู้แก้ปัญหา

หลังจากส่งงานจะถูกมอบหมายให้กับนักแก้ที่ดําเนินการฝึกอบรมแบบจําลองจริง จากนั้นผู้แก้ไขจะส่งงานที่เสร็จสมบูรณ์ไปยังผู้ตรวจสอบความถูกต้องซึ่งมีหน้าที่ตรวจสอบการฝึกอบรมเพื่อให้แน่ใจว่าเสร็จสมบูรณ์อย่างถูกต้อง ผู้แจ้งเบาะแสได้รับมอบหมายให้ดูแลให้ผู้ตรวจสอบความถูกต้องดําเนินการอย่างซื่อสัตย์ เพื่อจูงใจให้ผู้แจ้งเบาะแสเข้าร่วมในเครือข่าย Gensyn วางแผนที่จะเสนอหลักฐานที่ไม่ถูกต้องโดยเจตนาเป็นประจําให้รางวัลแก่ผู้แจ้งเบาะแสที่จับพวกเขา

นอกเหนือจากการให้การคํานวณสําหรับปริมาณงานที่เกี่ยวข้องกับ AI แล้วคุณค่าที่สําคัญของ Gensyn คือระบบการตรวจสอบซึ่งยังอยู่ระหว่างการพัฒนา การตรวจสอบเป็นสิ่งจําเป็นเพื่อให้แน่ใจว่าการคํานวณภายนอกโดยผู้ให้บริการ GPU นั้นดําเนินการอย่างถูกต้อง (เช่นตรวจสอบให้แน่ใจว่าโมเดลของผู้ใช้ได้รับการฝึกอบรมในแบบที่พวกเขาต้องการ) Gensyn แก้ไขปัญหานี้ด้วยวิธีการที่ไม่เหมือนใครโดยใช้วิธีการตรวจสอบแบบใหม่ที่เรียกว่า "หลักฐานการเรียนรู้ที่น่าจะเป็นไปได้โปรโตคอลที่แม่นยําตามกราฟและเกมจูงใจสไตล์ Truebit" นี่เป็นรูปแบบการแก้ปัญหาในแง่ดีที่ช่วยให้ผู้ตรวจสอบสามารถยืนยันได้ว่าตัวแก้ได้เรียกใช้โมเดลอย่างถูกต้องโดยไม่จําเป็นต้องเรียกใช้โมเดลใหม่อย่างสมบูรณ์ซึ่งเป็นกระบวนการที่มีค่าใช้จ่ายสูงและไม่มีประสิทธิภาพ

นอกจากวิธีการยืนยันที่นวกาลของมัน Gensyn ยังอ้างว่ามีราคาที่เหมาะสมเมื่อเปรียบเทียบกับทางเลือกในรูปแบบที่ถูกควบคุมและคู่แข่งในวงการสกุลเงินดิจิทัล - มีราคาการฝึกอบรม ML ถึง 80% ถูกกว่า AWS ในขณะที่มีประสิทธิภาพสูงกว่าโครงการที่คล้ายกันเช่น Truebit ในการทดสอบ

ไม่ว่าผลลัพธ์เบื้องต้นเหล่านี้จะสามารถทำซ้ำในมาตรฐานขนาดใหญ่ในเครือข่ายที่ไม่ centralize หรือไม่ ยังไม่เป็นที่ทราบ Gensyn หวังว่าจะใช้ประโยชน์จากความสามารถในการคำนวณที่เกินของผู้ให้บริการ เช่น ศูนย์ข้อมูลขนาดเล็ก ผู้ใช้ทั่วไป และในที่สุดอุปกรณ์เคลื่อนที่ขนาดเล็ก เช่น สมาร์ทโฟน อย่างไรก็ตาม ตามทีมงาน Gensyn ตัวเองยอมรับว่าการพึ่งพาผู้ให้บริการคอมพิวเตอร์ที่แตกต่างกันนั้นมีความท้าทายบางประการ

สำหรับผู้ให้บริการแบบกลางคือ Google Cloud และ Coreweave ค่าคำนวณแพง แต่การสื่อสารระหว่างการคำนวณ (แบนด์วิดธ์และ latenซี) ถูก ระบบเหล่านี้ถูกออกแบบเพื่อให้สะดวกต่อการสื่อสารระหว่างฮาร์ดแวร์โดยเร็วที่สุด Gensyn ทำให้โครงสร้างนี้เปลี่ยนแปลงโดยลดค่าคำนวณด้วยการอนุญาตให้ใครก็ตามทั่วโลกเสนอ GPUs แต่ในเวลาเดียวกันเพิ่มค่าใช้จ่ายในการสื่อสาร เนื่องจากเครือข่ายต้องประสานงานงานคำนวณที่ต่างกันทั่วโลก Gensyn ยังไม่เคยเปิดตัว แต่มันแสดงให้เห็นถึงแนวคิดที่สามารถทำได้เมื่อก่อสร้างโปรโตคอลการฝึกสอนเครื่องจักรแบบ Machine Learning แบบกระจาย

อัจฉริยะทั่วไปที่ไม่มีศูนย์กลาง

แพลตฟอร์มคอมพิวเตอร์แบบกระจายอํานาจยังมีความเป็นไปได้ในการออกแบบวิธีการสร้างปัญญาประดิษฐ์ Bittensor เป็นโปรโตคอลการประมวลผลแบบกระจายอํานาจที่สร้างขึ้นบน Substrate โดยพยายามตอบคําถามว่า "เราจะเปลี่ยนปัญญาประดิษฐ์ให้เป็นวิธีการทํางานร่วมกันได้อย่างไร" Bittensor มีจุดมุ่งหมายเพื่อให้บรรลุการกระจายอํานาจและการรวมตัวของการสร้าง AI เปิดตัวในปี 2021 โดยหวังว่าจะใช้พลังของโมเดลแมชชีนเลิร์นนิ่งที่ทํางานร่วมกันเพื่อทําซ้ําและผลิต AI ที่ดีขึ้นอย่างต่อเนื่อง

Bittensor ได้รับแรงบันดาลใจจาก Bitcoin ด้วยสกุลเงินพื้นเมือง TAO โดยมีขีด จํากัด อุปทาน 21 ล้านและรอบการลดลงครึ่งหนึ่งทุก ๆ สี่ปี (การลดลงครึ่งหนึ่งครั้งแรกกําหนดไว้สําหรับปี 2025) ซึ่งแตกต่างจากการใช้ Proof of Work เพื่อสร้างตัวเลขสุ่มที่ถูกต้องและรับรางวัลบล็อก Bittensor อาศัย "Proof of Intelligence" ซึ่งกําหนดให้นักขุดเรียกใช้โมเดลเพื่อสร้างผลลัพธ์เพื่อตอบสนองต่อคําขออนุมาน

กระตุ้นความฉลาด

ในขั้นต้น Bittensor อาศัยแบบจําลอง Mixture of Experts (MoE) เพื่อสร้างผลลัพธ์ เมื่อส่งคําขออนุมานโมเดล MoE จะไม่พึ่งพาโมเดลทั่วไป แต่ส่งต่อคําขอไปยังแบบจําลองที่แม่นยําที่สุดสําหรับประเภทอินพุตที่กําหนด ลองนึกภาพการสร้างบ้านที่คุณจ้างผู้เชี่ยวชาญหลายคนสําหรับแง่มุมต่าง ๆ ของกระบวนการก่อสร้าง (เช่นสถาปนิกวิศวกรจิตรกรคนงานก่อสร้าง ฯลฯ ) MoE ใช้สิ่งนี้กับโมเดลแมชชีนเลิร์นนิงโดยพยายามใช้ประโยชน์จากเอาต์พุตของโมเดลต่างๆ ตามอินพุต ตามที่อธิบายโดย Ala Shaabana ผู้ก่อตั้ง Bittensor นี่เป็นเหมือน "การพูดคุยกับห้องที่เต็มไปด้วยคนฉลาดเพื่อให้ได้คําตอบที่ดีที่สุดแทนที่จะพูดคุยกับคนๆ เดียว" เนื่องจากความท้าทายในการรับรองการกําหนดเส้นทางที่ถูกต้องการซิงโครไนซ์ข้อความกับรูปแบบที่ถูกต้องและสิ่งจูงใจวิธีนี้จึงถูกระงับจนกว่าจะมีการพัฒนาโครงการต่อไป

ในเครือข่าย Bittensor มีผู้เข้าร่วมหลักสองคน: ผู้ตรวจสอบความถูกต้องและนักขุด ผู้ตรวจสอบความถูกต้องส่งคําขออนุมานไปยังนักขุดตรวจสอบผลลัพธ์และจัดอันดับตามคุณภาพของการตอบกลับ เพื่อให้แน่ใจว่าการจัดอันดับของพวกเขามีความน่าเชื่อถือผู้ตรวจสอบจะได้รับคะแนน "vtrust" โดยพิจารณาจากความสอดคล้องของการจัดอันดับของพวกเขากับผู้ตรวจสอบอื่น ๆ ยิ่งคะแนน vtrust ของผู้ตรวจสอบความถูกต้องสูงเท่าไหร่ก็ยิ่งได้รับการปล่อยมลพิษ TAO มากขึ้นเท่านั้น นี่คือการจูงใจให้ผู้ตรวจสอบความถูกต้องบรรลุฉันทามติในการจัดอันดับแบบจําลองเมื่อเวลาผ่านไปเนื่องจากยิ่งผู้ตรวจสอบเห็นด้วยกับการจัดอันดับมากเท่าไหร่คะแนน vtrust ของแต่ละบุคคลก็จะยิ่งสูงขึ้นเท่านั้น

นักขุดหรือที่เรียกว่าเซิร์ฟเวอร์คือผู้เข้าร่วมเครือข่ายที่เรียกใช้โมเดลแมชชีนเลิร์นนิงจริง พวกเขาแข่งขันกันเพื่อให้ผลลัพธ์ที่แม่นยําที่สุดสําหรับการสืบค้นของผู้ตรวจสอบความถูกต้องและยิ่งเอาต์พุตมีความแม่นยํามากเท่าไหร่ก็ยิ่งได้รับการปล่อยมลพิษ TAO มากขึ้นเท่านั้น นักขุดมีอิสระในการสร้างผลลัพธ์เหล่านี้ตามที่พวกเขาต้องการ ตัวอย่างเช่นในอนาคตเป็นไปได้ทั้งหมดสําหรับนักขุด Bittensor ที่จะมีโมเดลที่ผ่านการฝึกอบรมก่อนหน้านี้เกี่ยวกับ Gensyn และใช้พวกเขาเพื่อรับการปล่อยมลพิษ TAO

วันนี้ การปฏิสัมพันธ์ส่วนใหญ่เกิดขึ้นโดยตรงระหว่าง validators และ miners Validators ส่ง inputs ไปยัง miners และขอ outputs (เช่น การฝึกโมเดล) หลังจากนั้น validators สอบถาม miners บนเครือข่ายและรับคำตอบของพวกเขา พวกเขาจะจัดอันดับ miners และส่งการจัดอันดับของพวกเขาไปยังเครือข่าย

ปฏิสัมพันธ์ระหว่างผู้ตรวจสอบความถูกต้อง (อาศัย PoS) และนักขุด (อาศัย Model Proof ซึ่งเป็นรูปแบบของ PoW) เรียกว่าฉันทามติของ Yuma มีจุดมุ่งหมายเพื่อจูงใจให้นักขุดผลิตผลลัพธ์ที่ดีที่สุดเพื่อรับการปล่อยมลพิษ TAO และจูงใจให้ผู้ตรวจสอบจัดอันดับผลลัพธ์ของนักขุดอย่างถูกต้องได้รับคะแนน vtrust ที่สูงขึ้นและเพิ่มรางวัล TAO ของพวกเขาจึงสร้างกลไกฉันทามติสําหรับเครือข่าย

เครือข่ายย่อยและแอปพลิเคชัน

การโต้ตอบบน Bittensor มักเกี่ยวข้องกับผู้ตรวจสอบที่ส่งคำขอไปยังนักขุดและประเมินผลลัพธ์ของพวกเขา อย่างไรก็ตามเมื่อคุณภาพของนักขุดที่มีส่วนร่วมดีขึ้นและความฉลาดโดยรวมของเครือข่ายเติบโต Bittensor กำลังสร้างชั้นแอปพลิเคชันด้านบนของสแต็กที่มีอยู่เพื่อให้นักพัฒนาสามารถสร้างแอปพลิเคชันที่สอบถามเครือข่าย Bittensor

ในเดือนตุลาคม 2023 Bittensor ได้เปิดตัวเครือข่ายย่อยผ่านการอัปเกรด Revolution ซึ่งเป็นก้าวสําคัญในการบรรลุเป้าหมายนี้ เครือข่ายย่อยเป็นเครือข่ายแยกต่างหากบน Bittensor ที่จูงใจให้เกิดพฤติกรรมเฉพาะ การปฏิวัติเปิดเครือข่ายให้กับทุกคนที่สนใจในการสร้างเครือข่ายย่อย ภายในไม่กี่เดือนหลังจากเปิดตัวเครือข่ายย่อยมากกว่า 32 เครือข่ายรวมถึงเครือข่ายย่อยสําหรับข้อความแจ้งการขูดข้อมูลการสร้างภาพและการจัดเก็บ เมื่อเครือข่ายย่อยเติบโตเต็มที่และพร้อมสําหรับผลิตภัณฑ์ ผู้สร้างซับเน็ตจะสร้างการผสานรวมแอปพลิเคชัน ซึ่งช่วยให้ทีมสามารถสร้างแอปพลิเคชันที่สืบค้นเครือข่ายย่อยเฉพาะได้ แอปพลิเคชันบางอย่างเช่นแชทบอทตัวสร้างภาพบอทตอบกลับ Twitter และตลาดการคาดการณ์มีอยู่ แต่ไม่มีสิ่งจูงใจอย่างเป็นทางการนอกเหนือจากการระดมทุนจากมูลนิธิ Bittensor เพื่อให้ผู้ตรวจสอบยอมรับและส่งต่อคําถามเหล่านี้

เพื่ออธิบายโดยละเอียดขึ้น ด้านล่างนี้เป็นตัวอย่างของวิธีที่ Bittensor อาจทำงานเมื่อแอปพลิเคชันถูกผสานเข้ากับเครือข่าย

Subnets ได้รับ TAO จากผลการดำเนินงานที่ถูกประเมินโดยเครือข่ายราก โดยเครือข่ายรากที่ตั้งอยู่ข้างบนของเครือข่ายย่อยทั้งหมด ทำหน้าที่เป็นเครือข่ายย่อยพิเศษและได้รับการบริหารจัดการโดยผู้ตรวจสอบเครือข่ายย่อยที่มีสิทธิ์มากที่สุด 64 อันดับ ผู้ตรวจสอบเครือข่ายรากจัดอันดับเครือข่ายย่อยตามผลการดำเนินงานของพวกเขาและจัดสรรการปล่อย TAO ไปยังเครือข่ายย่อยอย่างสม่ำเสมอ ในทางนี้ เครือข่ายย่อยแต่ละอันดับเป็นเหมืองแร่สำหรับเครือข่ายราก

วิสัยทัศน์ของ Bittensor

Bittensor ยังคงประสบกับความเจ็บปวดที่เพิ่มขึ้นเนื่องจากขยายฟังก์ชันการทํางานของโปรโตคอลเพื่อจูงใจให้เกิดการสร้างข่าวกรองในหลายเครือข่ายย่อย นักขุดกําลังคิดค้นวิธีใหม่ ๆ ในการโจมตีเครือข่ายอย่างต่อเนื่องเพื่อรับรางวัล TAO มากขึ้นเช่นโดยการเปลี่ยนแปลงผลลัพธ์ของการอนุมานที่ได้รับคะแนนสูงเล็กน้อยซึ่งดําเนินการโดยโมเดลของพวกเขาแล้วส่งตัวแปรหลายแบบ ข้อเสนอการกํากับดูแลที่มีผลต่อเครือข่ายทั้งหมดสามารถส่งและดําเนินการโดย Triumvirate ซึ่งประกอบด้วยผู้มีส่วนได้ส่วนเสียทั้งหมดจากมูลนิธิ Opentensor (โดยเฉพาะอย่างยิ่งข้อเสนอต้องได้รับการอนุมัติจากวุฒิสภา Bittensor ซึ่งประกอบด้วยผู้ตรวจสอบ Bittensor ก่อนดําเนินการ) โทเค็นของโครงการกําลังได้รับการแก้ไขเพื่อเพิ่มแรงจูงใจสําหรับการใช้ TAO ซับเน็ตข้ามซับเน็ต โครงการนี้ยังได้รับความอื้อฉาวอย่างรวดเร็วสําหรับวิธีการที่ไม่เหมือนใครโดย CEO ของเว็บไซต์ AI ที่ได้รับความนิยมมากที่สุดแห่งหนึ่ง HuggingFace ระบุว่า Bittensor ควรเพิ่มทรัพยากรลงในไซต์

ในบทความล่าสุดที่มีชื่อว่า "Bittensor Paradigm" ที่เผยแพร่โดยนักพัฒนาหลัก ทีมได้เสนอวิสัยทัศน์ของ Bittensor ที่สมบูรณ์แบบที่จะกลายเป็น "agnostic ต่อสิ่งที่ถูกวัด" ทฤษฎีของทฤษฎีนี้สามารถทำให้ Bittensor สร้าง subnets ที่ส่งเสริมให้กับพฤติกรรมประเภทใดก็ได้ที่รองรับโดย TAO ยังมีข้อจำกัดทางปฏิบัติที่สำคัญอยู่อย่างมาก โดยสำคัญที่สุดคือการพิสูจน์ว่าเครือข่ายเหล่านี้สามารถขยายขนาดเพื่อจัดการกับกระบวนการหลากหลายและว่าสิ่งส่งเสริมที่เป็นไปได้สามารถขับเคลื่อนความก้าวหน้าเกินไปนอกเหนือจากผลิตภัณฑ์จากศูนย์กลาง

กำลังสร้างชั้นบรรจุการคำนวณแบบกระจายสำหรับโมเดลปัญญาประดิษฐ์

ส่วนด้านบนให้ภาพรวมเชิงลึกของโปรโตคอลการประมวลผลปัญญาประดิษฐ์ (AI) แบบกระจายอํานาจประเภทต่างๆ ที่อยู่ระหว่างการพัฒนา ในช่วงแรกของการพัฒนาและการยอมรับพวกเขาวางรากฐานสําหรับระบบนิเวศที่สามารถอํานวยความสะดวกในการสร้าง "บล็อกการสร้าง AI" ได้ในที่สุดคล้ายกับแนวคิด "money Legos" ใน DeFi ความสามารถในการเขียนบล็อกเชนที่ไม่ได้รับอนุญาตช่วยให้แต่ละโปรโตคอลสามารถสร้างขึ้นจากอีกโปรโตคอลหนึ่งสร้างระบบนิเวศ AI แบบกระจายอํานาจที่ครอบคลุมมากขึ้น \
ตัวอย่างเช่นนี่คือวิธีที่ Akash, Gensyn และ Bittensor อาจโต้ตอบเพื่อตอบสนองต่อคําขออนุมาน

มันสำคัญมากที่จะเข้าใจว่านี่เป็นเพียงตัวอย่างเดียวของสิ่งที่อาจเกิดขึ้นในอนาคต ไม่ใช่การแสดงของระบบนิเวศปัจจุบัน พันธมิตรที่มีอยู่ หรือผลลัพธ์ที่เป็นไปได้ ข้อจำกัดของการสื่อสารระหว่างระบบและข้อคิดอื่น ๆ ที่อธิบายด้านล่าง จำกัดอย่างมากความเป็นไปได้ในการรวมเข้าด้วยกันในปัจจุบัน นอกจากนี้ การแยกแยะความเป็นส่วนตัวของเงินทุนและความจำเป็นที่จะใช้โทเคนหลายรูปแบบอาจเสียหายต่อประสบการณ์ของผู้ใช้ ซึ่งเป็นจุดที่ผู้ก่อตั้งของ Akash และ Bittensor ได้ระบุไว้

ผลิตภัณฑ์ที่ไม่มีศูนย์กลางอื่น

นอกจากการคำนวณ ยังมีบริการโครงสร้างพื้นฐานที่ไม่ centralize อื่น ๆ ที่ถูกนำเสนอเพื่อสนับสนุนระบบนิวรอนเที่ยงกลางในพื้นที่สกุลเงินดิจิทัล การระบุทั้งหมดเหนือขอบของรายงานนี้ แต่ตัวอย่างที่น่าสนใจและชัดเจนรวมถึง:

• มหาสมุทร: ตลาดข้อมูลแบบกระจายอํานาจที่ผู้ใช้สามารถสร้าง NFT ข้อมูลที่แสดงถึงข้อมูลของตนและซื้อโดยใช้โทเค็นข้อมูล ผู้ใช้สามารถสร้างรายได้จากข้อมูลและมีอํานาจอธิปไตยมากกว่าในขณะที่ให้ทีม AI เข้าถึงข้อมูลที่จําเป็นสําหรับการพัฒนาและฝึกอบรมโมเดล
• Grass: ตลาดแบนด์วิดธรรมชนที่มีการกระจายที่ผู้ใช้งานสามารถขายแบนด์วิดที่เกินไว้ให้บริษัท AI ซึ่งใช้มันเพื่อดึงข้อมูลจากอินเทอร์เน็ต สร้างบนเครือข่าย Wynd นี้ทำให้บุคคลสามารถทำกำไรจากแบนด์วิดของตนและนำเสนอมุมมองที่หลากหลายกว่าให้กับผู้ซื้อแบนด์วิดเกี่ยวกับสิ่งที่ผู้ใช้รายบุคคลเห็นออนไลน์ (เนื่องจากการเข้าถึงอินเทอร์เน็ตของบุคคลทั่วไปมักจะถูกปรับแต่งตามที่อยู่ IP ของพวกเขา)
• HiveMapper: สร้างผลิตภัณฑ์แผนที่กระจายที่รวมข้อมูลจากคนขับรถประจำวัน เฮฟแมพเปอร์ พึ่งตนเองในการตีความภาพที่รวบรวมมาจากกล้องดาชบอร์ดของผู้ใช้และให้รางวัลแก่ผู้ใช้ด้วยโทเคนสำหรับการช่วยปรับปรุงโมเดล AI ผ่านการตอบรับจากมนุษย์ที่ถูกเสริม (RHLF)

โดยรวมแล้ว เหตุการณ์เหล่านี้ชี้ชัดถึงโอกาสที่ไม่มีที่สิ้นสุดในการสำรวจแบบจำลองตลาดแบบกระจายที่สนับสนุนระบบ AI หรือโครงสร้างพื้นฐานที่จำเป็นสำหรับการพัฒนามัน ในปัจจุบัน โครงการส่วนมากเหล่านี้อยู่ในขั้นตอนการพิสูจน์และต้องการการวิจัยและพัฒนาเพิ่มเติมเพื่อพิสูจน์ว่าพวกเขาสามารถทำงานในขอบเขตที่จำเป็นเพื่อให้บริการ AI อย่างครอบคลุม

ทัศนคติ

ผลิตภัณฑ์การคำนวณแบบกระจายยังอยู่ในช่วงการพัฒนาเริ่มต้น พวกเขาเพิ่งเริ่มเปิดตัวความสามารถในการคำนวณขั้นสูงที่สุด สามารถฝึกฝนโมเดลปัญญาประดิษฐ์ที่ทรงพลังในการผลิต หากต้องการได้ส่วนแบ่งตลาดที่มีความหมาย พวกเขาจำเป็นต้องแสดงข้อได้เปรียบจริงๆ ต่อทางเลือกที่มีการกลายเป็นจุดศูนย์กลาง บางสิ่งที่อาจเป็นส่วนสำคัญที่สนับสนุนให้มีการใช้งานทั่วกว่า คือ:

• GPU อุปสงค์/อุปทาน การขาดแคลน GPU รวมกับความต้องการด้านคอมพิวเตอร์ที่เพิ่มขึ้นอย่างรวดเร็วนําไปสู่การแข่งขันด้านอาวุธ GPU เนื่องจากข้อ จํากัด ของ GPU OpenAI จึง จํากัด การเข้าถึงแพลตฟอร์มในบางครั้ง แพลตฟอร์มเช่น Akash และ Gensyn สามารถเสนอทางเลือกที่แข่งขันได้สําหรับทีมที่ต้องการการประมวลผลประสิทธิภาพสูง ในอีก 6-12 เดือนข้างหน้านําเสนอโอกาสพิเศษโดยเฉพาะอย่างยิ่งสําหรับผู้ให้บริการคอมพิวเตอร์แบบกระจายอํานาจเพื่อดึงดูดผู้ใช้ใหม่ที่ถูกบังคับให้พิจารณาผลิตภัณฑ์แบบกระจายอํานาจเนื่องจากขาดการเข้าถึงตลาดที่กว้างขึ้น นอกจากนี้ด้วยประสิทธิภาพที่ดีขึ้นเรื่อย ๆ ของโมเดลโอเพ่นซอร์สเช่น LLaMA2 ของ Meta ผู้ใช้จะไม่ต้องเผชิญกับอุปสรรคเดียวกันอีกต่อไปเมื่อปรับใช้โมเดลที่ปรับแต่งอย่างมีประสิทธิภาพทําให้ทรัพยากรคอมพิวเตอร์เป็นคอขวดหลัก อย่างไรก็ตามการมีอยู่ของแพลตฟอร์มเพียงอย่างเดียวไม่ได้รับประกันอุปทานการประมวลผลที่เพียงพอและความต้องการของผู้บริโภคที่สอดคล้องกัน การจัดหา GPU ระดับไฮเอนด์ยังคงท้าทายและค่าใช้จ่ายไม่ได้เป็นแรงจูงใจหลักสําหรับความต้องการเสมอไป แพลตฟอร์มเหล่านี้จะเผชิญกับความท้าทายในการแสดงประโยชน์ที่แท้จริงของการใช้ตัวเลือกการประมวลผลแบบกระจายอํานาจ (ไม่ว่าจะเนื่องจากค่าใช้จ่ายความต้านทานการเซ็นเซอร์เวลาทํางานและความยืดหยุ่นหรือการเข้าถึง) เพื่อสะสมผู้ใช้เหนียว พวกเขาต้องดําเนินการอย่างรวดเร็วเนื่องจากการลงทุนโครงสร้างพื้นฐานและการก่อสร้างของ GPU กําลังดําเนินไปอย่างน่าอัศจรรย์
• กฎ กฎระเบียบยังคงเป็นอุปสรรคต่อการเคลื่อนไหวการประมวลผลแบบกระจายอํานาจ ในระยะสั้นการขาดกฎระเบียบที่ชัดเจนหมายความว่าทั้งผู้ให้บริการและผู้ใช้ต้องเผชิญกับความเสี่ยงที่อาจเกิดขึ้นในการใช้บริการเหล่านี้ จะเกิดอะไรขึ้นหากผู้ให้บริการเสนอการคํานวณหรือผู้ซื้อซื้อการคํานวณจากหน่วยงานที่ถูกคว่ําบาตรโดยไม่รู้ตัว ผู้ใช้อาจลังเลที่จะใช้แพลตฟอร์มแบบกระจายอํานาจที่ขาดการควบคุมและการกํากับดูแลจากส่วนกลาง โปรโตคอลพยายามบรรเทาข้อกังวลเหล่านี้โดยการรวมการควบคุมเข้ากับแพลตฟอร์มของตนหรือเพิ่มตัวกรองเพื่อเข้าถึงเฉพาะผู้ให้บริการคอมพิวเตอร์ที่รู้จัก (เช่นผู้ที่ให้ข้อมูลรู้จักลูกค้าของคุณ (KYC)) แต่จําเป็นต้องมีแนวทางที่มีประสิทธิภาพมากขึ้นเพื่อปกป้องความเป็นส่วนตัวในขณะที่มั่นใจในการปฏิบัติตามข้อกําหนด ในระยะสั้นเราอาจเห็นการเกิดขึ้นของ KYC และแพลตฟอร์มการปฏิบัติตามข้อกําหนดที่ จํากัด การเข้าถึงโปรโตคอลของพวกเขาเพื่อแก้ไขปัญหาเหล่านี้ นอกจากนี้ การอภิปรายเกี่ยวกับกรอบการกํากับดูแลใหม่ที่เป็นไปได้ในสหรัฐอเมริกา (ตัวอย่างจากการออกคําสั่งผู้บริหารว่าด้วยการส่งเสริมการพัฒนาและการใช้ปัญญาประดิษฐ์ที่ปลอดภัย เชื่อถือได้ และน่าเชื่อถือ) ยังเน้นย้ําถึงศักยภาพในการดําเนินการด้านกฎระเบียบเพื่อจํากัดการเข้าถึง GPU เพิ่มเติม
• การเซ็นเซอร์ กฎระเบียบเป็นดาบสองคมและผลิตภัณฑ์คอมพิวเตอร์แบบกระจายอํานาจอาจได้รับประโยชน์จากการกระทําที่ จํากัด การเข้าถึง AI นอกเหนือจากคําสั่งของผู้บริหาร Sam Altman ผู้ก่อตั้ง OpenAI เป็นพยานในสภาคองเกรสว่าหน่วยงานกํากับดูแลควรออกใบอนุญาตสําหรับการพัฒนา AI การอภิปรายเกี่ยวกับกฎระเบียบ AI เพิ่งเริ่มต้น แต่ความพยายามใด ๆ ในการ จํากัด การเข้าถึงหรือเซ็นเซอร์ความสามารถของ AI สามารถเร่งการนําแพลตฟอร์มแบบกระจายอํานาจมาใช้ซึ่งไม่ต้องเผชิญกับอุปสรรคดังกล่าว การเปลี่ยนแปลงความเป็นผู้นํา (หรือขาดมัน) ที่ OpenAI ในเดือนพฤศจิกายนบ่งชี้เพิ่มเติมว่าการมอบอํานาจการตัดสินใจของโมเดล AI ที่ทรงพลังที่สุดที่มีอยู่ให้กับบางคนนั้นมีความเสี่ยง ยิ่งไปกว่านั้นโมเดล AI ทั้งหมดย่อมสะท้อนถึงอคติของผู้ที่สร้างมันขึ้นมาไม่ว่าจะตั้งใจหรือไม่ก็ตาม วิธีหนึ่งในการกําจัดอคติเหล่านี้คือการทําให้โมเดลเปิดกว้างที่สุดเท่าที่จะเป็นไปได้สําหรับการปรับแต่งและการฝึกอบรมเพื่อให้แน่ใจว่าทุกคนสามารถเข้าถึงโมเดลที่หลากหลายด้วยอคติที่แตกต่างกันได้ทุกที่
• ความเป็นส่วนตัวของข้อมูล การประมวลผลแบบกระจายอํานาจอาจน่าสนใจกว่าทางเลือกแบบรวมศูนย์เมื่อรวมเข้ากับข้อมูลภายนอกและโซลูชันความเป็นส่วนตัวที่ให้อํานาจอธิปไตยของข้อมูลแก่ผู้ใช้ ซัมซุงตกเป็นเหยื่อเมื่อรู้ว่าวิศวกรใช้ ChatGPT ในการออกแบบชิปและรั่วไหลข้อมูลที่ละเอียดอ่อนไปยัง ChatGPT Phala Network และ iExec อ้างว่าให้ผู้ใช้มีวงล้อมที่ปลอดภัย SGX เพื่อปกป้องข้อมูลผู้ใช้ และการวิจัยการเข้ารหัสแบบ homomorphic เต็มรูปแบบอย่างต่อเนื่องสามารถปลดล็อกการประมวลผลแบบกระจายอํานาจที่รับประกันความเป็นส่วนตัวได้ เมื่อ AI รวมเข้ากับชีวิตของเราผู้ใช้จะให้ความสําคัญกับความสามารถในการเรียกใช้โมเดลบนแอปพลิเคชันที่มีการปกป้องความเป็นส่วนตัวมากขึ้น ผู้ใช้ยังต้องการการสนับสนุนสําหรับบริการเขียนข้อมูลเพื่อให้พวกเขาสามารถย้ายข้อมูลจากรุ่นหนึ่งไปยังอีกรุ่นหนึ่งได้อย่างราบรื่น
• ประสบการณ์ผู้ใช้ (UX) ประสบการณ์ของผู้ใช้ยังคงเป็นอุปสรรคสําคัญในการนําแอปพลิเคชันและโครงสร้างพื้นฐาน crypto ทุกประเภทมาใช้ในวงกว้าง สิ่งนี้ไม่แตกต่างกันสําหรับผลิตภัณฑ์คอมพิวเตอร์แบบกระจายอํานาจและรุนแรงขึ้นในบางกรณีเนื่องจากนักพัฒนาจําเป็นต้องเข้าใจทั้งสกุลเงินดิจิทัลและ AI การปรับปรุงจําเป็นต้องเริ่มจากพื้นฐาน เช่น การเข้าร่วมและการแยกปฏิสัมพันธ์กับบล็อกเชน เพื่อส่งมอบผลผลิตคุณภาพสูงเช่นเดียวกับผู้นําตลาดปัจจุบัน สิ่งนี้เห็นได้ชัดจากความยากลําบากของโปรโตคอลคอมพิวเตอร์แบบกระจายอํานาจที่ใช้งานได้จํานวนมากที่นําเสนอผลิตภัณฑ์ที่ถูกกว่าในการใช้งานเป็นประจํา

สัญญาอัจฉริยะและ zkML

สัญญาอัจฉริยะเป็นหลักการของระบบบล็อกเชนทุกประเภท พวกมันทำงานโดยอัตโนมัติภายใต้เงื่อนไขที่ระบุไว้ เพื่อลดหรือกำจัดความจำเป็นในการมีบุคคลที่เชื่อถือได้ที่สามในการให้บริการ ทำให้เป็นไปได้ที่จะสร้างแอปพลิเคชันที่ซับซ้อนบนพื้นฐานของการกระจายอำนวยบริการ เช่น ใน DeFi อย่างไรก็ตาม ความสามารถของสัญญาอัจฉริยะยังคงถูก จำกัด เนื่องจากพวกมันดำเนินการตามพารามิเตอร์ที่ตั้งไว้ล่วงหน้าที่จำเป็นต้องอัปเดต

ตัวอย่างเช่น สัญญาอัจฉริยะที่ปรับใช้สําหรับโปรโตคอลการให้กู้ยืม/การกู้ยืม ซึ่งมีข้อกําหนดว่าเมื่อใดที่ตําแหน่งควรชําระบัญชีตามอัตราส่วนเงินกู้ต่อมูลค่าเฉพาะ ในขณะที่มีประโยชน์ในสภาพแวดล้อมแบบคงที่สัญญาอัจฉริยะเหล่านี้ต้องการการอัปเดตอย่างต่อเนื่องเพื่อปรับให้เข้ากับการเปลี่ยนแปลงในการยอมรับความเสี่ยงในสถานการณ์แบบไดนามิกนําเสนอความท้าทายสําหรับสัญญาที่ไม่ได้จัดการผ่านกระบวนการส่วนกลาง ตัวอย่างเช่น DAOs ที่อาศัยกระบวนการกํากับดูแลแบบกระจายอํานาจอาจไม่ตอบสนองอย่างรวดเร็วเพียงพอต่อความเสี่ยงเชิงระบบ

การรวมปัญญาประดิษฐ์ (เช่น โมเดลการเรียนรู้ของเครื่อง) เข้ากับสมาร์ทคอนแทร็กต์เป็นวิธีที่มีศักยภาพในการเสริมสร้างฟังก์ชัน, ความปลอดภัย, และประสิทธิภาพในขณะที่ปรับปรุงประสบการณ์ของผู้ใช้โดยรวม อย่างไรก็ตาม, การรวมเหล่านี้ยังเปิดช่องทางให้เกิดความเสี่ยงเพิ่มเติมเนื่องจากเป็นไปไม่ได้ที่จะให้ความมั่นใจว่าโมเดลที่เป็นฐานของสมาร์ทคอนแทร็กต์เหล่านี้จะไม่ถูกใช้เอาเปรียบหรือล้มเหลวในการตีความสถานการณ์ที่มีความหลากหลาย (โดยที่ข้อมูลนำเข้ามีจำกัด, สถานการณ์ที่มีความหลายมีความยากสำหรับโมเดลในการฝึกฝน)

การเรียนรู้ของเครื่องที่ไม่รู้อะไร (zkML)

แมชชีนเลิร์นนิงต้องใช้การคํานวณจํานวนมากเพื่อเรียกใช้โมเดลที่ซับซ้อนทําให้ไม่สามารถเรียกใช้โมเดล AI โดยตรงในสัญญาอัจฉริยะได้เนื่องจากค่าใช้จ่ายสูง ตัวอย่างเช่นโปรโตคอล DeFi ที่เสนอโมเดลการเพิ่มประสิทธิภาพผลตอบแทนจะพบว่าเป็นการยากที่จะเรียกใช้โมเดลเหล่านี้แบบ on-chain โดยไม่ต้องเสียค่าธรรมเนียมก๊าซต้องห้าม ทางออกหนึ่งคือการเพิ่มความสามารถในการคํานวณของบล็อกเชนพื้นฐาน อย่างไรก็ตามสิ่งนี้ยังเพิ่มข้อกําหนดสําหรับผู้ตรวจสอบความถูกต้องของห่วงโซ่ซึ่งอาจส่งผลต่อการกระจายอํานาจ บางโครงการกําลังสํารวจการใช้ zkML เพื่อตรวจสอบผลลัพธ์ในลักษณะที่ไม่น่าเชื่อถือโดยไม่จําเป็นต้องมีการคํานวณแบบ on-chain อย่างเข้มข้น

ตัวอย่างทั่วไปที่แสดงประโยชน์ของ zkML คือเมื่อผู้ใช้ต้องการให้ผู้อื่นเรียกใช้ข้อมูลผ่านโมเดลและตรวจสอบว่าคู่ของพวกเขาได้เรียกใช้โมเดลที่ถูกต้องแล้ว นักพัฒนาที่ใช้ผู้ให้บริการคอมพิวเตอร์แบบกระจายอํานาจเพื่อฝึกอบรมโมเดลของตนอาจกังวลเกี่ยวกับผู้ให้บริการเหล่านี้ที่ลดต้นทุนโดยใช้โมเดลที่ถูกกว่าซึ่งสร้างผลลัพธ์ที่มีความแตกต่างที่แทบจะมองไม่เห็น zkML ช่วยให้ผู้ให้บริการคอมพิวเตอร์สามารถเรียกใช้ข้อมูลผ่านแบบจําลองของพวกเขาแล้วสร้างหลักฐานที่สามารถตรวจสอบได้แบบ on-chain เพื่อพิสูจน์ว่าเอาต์พุตแบบจําลองสําหรับอินพุตที่กําหนดนั้นถูกต้อง ในสถานการณ์สมมตินี้ ผู้ให้บริการโมเดลจะได้รับข้อได้เปรียบเพิ่มเติมจากความสามารถในการนําเสนอโมเดลของตนโดยไม่เปิดเผยน้ําหนักพื้นฐานที่ผลิตผลลัพธ์

ตรงกันข้ามก็เป็นไปได้เช่นกัน หากผู้ใช้ต้องการเรียกใช้โมเดลบนข้อมูลของตน แต่ไม่ต้องการให้โครงการโมเดลเข้าถึงข้อมูลของตนเนื่องจากข้อกังวลด้านความเป็นส่วนตัว (เช่น ในการตรวจสุขภาพหรือข้อมูลทางธุรกิจที่เป็นกรรมสิทธิ์) พวกเขาสามารถเรียกใช้โมเดลบนข้อมูลของตนได้โดยไม่ต้องแชร์ข้อมูล จากนั้นตรวจสอบผ่านหลักฐานว่าพวกเขาได้เรียกใช้โมเดลที่ถูกต้อง ความเป็นไปได้เหล่านี้ขยายพื้นที่การออกแบบอย่างมากสําหรับการรวมฟังก์ชัน AI และสัญญาอัจฉริยะโดยจัดการกับข้อ จํากัด ด้านการคํานวณที่น่ากลัว

โครงสร้างพื้นฐานและเครื่องมือ

เนื่องจากสถานะเริ่มต้นของฟิลด์ zkML การพัฒนาเน้นที่สำคัญคือการสร้างโครงสร้างพื้นฐานและเครื่องมือที่ทีมต้องการในการแปลงโมเดลและผลลัพธ์ของพวกเขาเป็นพิสูจน์ที่สามารถตรวจสอบได้บนเชน ผลิตภัณฑ์เหล่านี้นำเสนอด้านศีลธรรมของศูนย์ศูนย์เท่าไร่ให้มากที่สุด

EZKL และ Giza เป็นสองโครงการที่สร้างเครื่องมือดังกล่าวโดยให้หลักฐานที่ตรวจสอบได้ของการดําเนินการโมเดลแมชชีนเลิร์นนิ่ง ทั้งสองช่วยทีมสร้างโมเดลแมชชีนเลิร์นนิงเพื่อให้แน่ใจว่าโมเดลเหล่านี้สามารถดําเนินการในลักษณะที่ช่วยให้ผลลัพธ์ได้รับการตรวจสอบแบบ on-chain ด้วยวิธีที่น่าเชื่อถือ ทั้งสองโครงการใช้ Open Neural Network Exchange (ONNX) เพื่อแปลงโมเดลแมชชีนเลิร์นนิงที่เขียนในภาษาทั่วไป เช่น TensorFlow และ Pytorch เป็นรูปแบบมาตรฐาน จากนั้นพวกเขาส่งออกเวอร์ชันของโมเดลเหล่านี้ซึ่งสร้างหลักฐาน zk เมื่อดําเนินการ EZKL เป็นโอเพ่นซอร์สผลิต zk-SNARKs ในขณะที่ Giza เป็นโอเพ่นซอร์สผลิต zk-STARKs ปัจจุบันทั้งสองโครงการเข้ากันได้กับ EVM เท่านั้น

ในช่วงไม่กี่เดือนที่ผ่านมา EZKL มีความก้าวหน้าอย่างมากในการปรับปรุงโซลูชัน zkML โดยมุ่งเน้นที่การลดต้นทุนปรับปรุงความปลอดภัยและเร่งการสร้างหลักฐาน ตัวอย่างเช่น ในเดือนพฤศจิกายน 2023 EZKL ได้รวมไลบรารี GPU แบบโอเพนซอร์สใหม่ที่ลดเวลาในการพิสูจน์การรวมลง 35% ในเดือนมกราคม EZKL ได้เปิดตัว Lilith ซึ่งเป็นโซลูชันซอฟต์แวร์สําหรับการรวมคลัสเตอร์การประมวลผลประสิทธิภาพสูงและการประสานระบบงานพร้อมกันเมื่อใช้หลักฐาน EZKL เอกลักษณ์ของ Giza อยู่ที่การจัดหาเครื่องมือสําหรับการสร้างโมเดลแมชชีนเลิร์นนิ่งที่ตรวจสอบได้และวางแผนที่จะใช้ Web3 เทียบเท่ากับ Hugging Face เปิดตลาดผู้ใช้สําหรับการทํางานร่วมกันของ zkML และการแชร์โมเดล และในที่สุดก็รวมผลิตภัณฑ์คอมพิวเตอร์แบบกระจายอํานาจ ในเดือนมกราคม EZKL ได้เผยแพร่การประเมินเกณฑ์มาตรฐานโดยเปรียบเทียบประสิทธิภาพของ EZKL, Giza และ RiscZero (ตามที่อธิบายไว้ด้านล่าง) ซึ่งแสดงเวลาในการพิสูจน์ที่เร็วขึ้นและการใช้หน่วยความจํา

ปัจจุบัน Modulus Labs กําลังพัฒนาเทคโนโลยีการพิสูจน์ความรู้เป็นศูนย์ (zk) ใหม่ที่ปรับให้เหมาะกับโมเดล AI โดยเฉพาะ โมดูลัสได้ออกเอกสารชื่อ "ต้นทุนอัจฉริยะ" ซึ่งหมายความว่าการเรียกใช้โมเดล AI แบบออนเชนมีค่าใช้จ่ายสูงอย่างห้ามปราม บทความนี้เผยแพร่ในเดือนมกราคม 2023 เปรียบเทียบระบบพิสูจน์ zk ที่มีอยู่เพื่อระบุการปรับปรุงความสามารถของ zk proofs และคอขวดภายในโมเดล AI เปิดเผยว่าผลิตภัณฑ์ปัจจุบันมีราคาแพงเกินไปและไม่มีประสิทธิภาพสําหรับแอปพลิเคชัน AI ขนาดใหญ่ จากการวิจัยเบื้องต้น Modulus ได้เปิดตัว Remainder ในเดือนพฤศจิกายน ซึ่งเป็น zk prover เฉพาะที่มุ่งลดต้นทุนและเวลาในการพิสูจน์สําหรับโมเดล AI ทําให้โครงการมีศักยภาพทางเศรษฐกิจสําหรับการรวมเข้ากับสัญญาอัจฉริยะขนาดใหญ่ งานของพวกเขาเป็นกรรมสิทธิ์ทําให้ไม่สามารถเปรียบเทียบกับโซลูชันที่กล่าวถึงได้ แต่เมื่อเร็ว ๆ นี้มีการอ้างถึงในบล็อกโพสต์ของ Vitalik เกี่ยวกับการเข้ารหัสและปัญญาประดิษฐ์

การพัฒนาเครื่องมือและโครงสร้างพื้นฐานมีความสําคัญต่อการเติบโตในอนาคตของพื้นที่ zkML เนื่องจากสามารถลดแรงเสียดทานที่เกี่ยวข้องกับการปรับใช้การคํานวณนอกเครือข่ายที่ตรวจสอบได้และความต้องการทีม zk ได้อย่างมาก การสร้างอินเทอร์เฟซที่ปลอดภัยสําหรับผู้ปฏิบัติงานแมชชีนเลิร์นนิ่งที่ไม่ใช่ crypto-native เพื่อนําโมเดลของตนมาใช้งานแบบ on-chain จะช่วยให้แอปพลิเคชันสามารถทดลองกับกรณีการใช้งานที่แปลกใหม่ได้อย่างแท้จริง นอกจากนี้เครื่องมือเหล่านี้ยังกล่าวถึงอุปสรรคสําคัญในการนํา zkML ไปใช้ในวงกว้าง: การขาดนักพัฒนาที่มีความรู้ที่สนใจในการทํางานที่จุดตัดของศูนย์ความรู้การเรียนรู้ของเครื่องและการเข้ารหัส

Coprocessor

โซลูชันอื่น ๆ ที่กำลังพัฒนาอยู่ ที่ถูกอ้างถึงว่าเป็น “coprocessors” (รวมถึง RiscZero, Axiom, และ Ritual) มีบทบาทหลายประการ รวมถึงการยืนยันการคำนวณนอกเชืองบนเชน หรือเชนเช่น EZKL, Giza, และ Modulus, จุดมุ่งหมายของพวกเขาคือการทำให้กระบวนการสร้าง zk proof เป็นรูปแบบที่เป็นที่สมบูรณ์ทั้งหมด โดยสร้างเครื่องจำลองที่สามารถดำเนินการโปรแกรมนอกเชืองและสร้างพิสูจน์ที่สามารถยืนยันบนเชน RiscZero และ Axiom ให้บริการแก่โมเดล AI ที่เรียบง่าย ในขณะที่ Ritual ถูกสร้างขึ้นโดยเฉพาะสำหรับการใช้งานกับโมเดล AI

อินสแตนซ์แรกของ Ritual คือ Infernet ประกอบด้วย Infernet SDK ที่ช่วยให้นักพัฒนาสามารถส่งคําขออนุมานไปยังเครือข่ายและรับเอาต์พุตและหลักฐานเสริมเป็นการตอบแทน โหนด Infernet ประมวลผลการคํานวณแบบ off-chain เหล่านี้ก่อนที่จะส่งคืนเอาต์พุต ตัวอย่างเช่น DAO สามารถสร้างกระบวนการเพื่อให้แน่ใจว่าข้อเสนอการกํากับดูแลใหม่ทั้งหมดเป็นไปตามข้อกําหนดเบื้องต้นบางประการก่อนส่ง ทุกครั้งที่มีการส่งข้อเสนอใหม่สัญญาการกํากับดูแลจะเรียกใช้คําขออนุมานผ่าน Infernet โดยเรียกใช้โมเดล AI ที่ได้รับการฝึกฝนมาโดยเฉพาะสําหรับการกํากับดูแล DAO แบบจําลองนี้จะตรวจสอบข้อเสนอเพื่อให้แน่ใจว่าเป็นไปตามมาตรฐานที่จําเป็นทั้งหมดและส่งคืนผลลัพธ์และหลักฐานเพื่ออนุมัติหรือปฏิเสธการส่งข้อเสนอ

ในรอบปีหน้าทีม Ritual มีแผนที่จะนำเสนอคุณลักษณะเพิ่มเติม โดยสร้างเป็นชั้นพื้นฐานที่เรียกว่า Ritual superchain โครงการหลายรายการที่ได้รับการพูดคุยอาจถูกผสานเข้ากับ Ritual เป็นผู้ให้บริการ ทีม Ritual ได้รวม EZKL เข้าไปสำหรับการสร้างพิสูจน์และอาจเพิ่มคุณลักษณะจากผู้ให้บริการชั้นนำอื่นๆ เข้าไปในไม่ช้า Infernet nodes บน Ritual ยังสามารถใช้ GPU จาก Akash หรือ io.net และ query models ที่ได้รับการฝึกฝนบน Bittensor subnet จุดปลายทางของพวกเขาคือการเป็นผู้ให้บริการที่ได้รับความต้องการ ในพื้นฐาน AI infrastructure โดยให้บริการสำหรับ machine learning และงานที่เกี่ยวข้องกับ AI สำหรับเครือข่ายและภารกิจใด ๆ

แอปพลิเคชัน

zkML กําลังช่วยในการกระทบยอดการแบ่งขั้วระหว่างบล็อกเชนซึ่งมีข้อ จํากัด ด้านทรัพยากรโดยเนื้อแท้และปัญญาประดิษฐ์ซึ่งต้องการทรัพยากรการคํานวณและข้อมูลที่สําคัญ ในฐานะผู้ก่อตั้งกิซ่ากล่าวว่า "กรณีการใช้งานนั้นร่ํารวยอย่างไม่น่าเชื่อ... มันเหมือนกับการถามว่ากรณีการใช้งานสําหรับสัญญาอัจฉริยะเป็นอย่างไรในช่วงแรกของ Ethereum... สิ่งที่เรากําลังทําคือการขยายกรณีการใช้งานสําหรับสัญญาอัจฉริยะ" อย่างไรก็ตามตามที่ระบุไว้การพัฒนาในปัจจุบันส่วนใหญ่เกิดขึ้นในระดับเครื่องมือและโครงสร้างพื้นฐาน แอปพลิเคชันยังอยู่ในขั้นตอนการสํารวจโดยทีมต้องเผชิญกับความท้าทายในการพิสูจน์ว่ามูลค่าที่เกิดจากการใช้โมเดลกับ zkML มีมากกว่าความซับซ้อนและต้นทุน

การใช้งานปัจจุบันรวมถึง:

• การเงินแบบกระจายอํานาจ (DeFi) zkML ช่วยเพิ่มขีดความสามารถของสัญญาอัจฉริยะอัพเกรดพื้นที่การออกแบบสําหรับ DeFi โปรโตคอล DeFi นําเสนอข้อมูลที่ตรวจสอบได้และไม่เปลี่ยนแปลงมากมายสําหรับโมเดลแมชชีนเลิร์นนิงเพื่อใช้ในการสร้างผลตอบแทนหรือกลยุทธ์การซื้อขายการวิเคราะห์ความเสี่ยงประสบการณ์ผู้ใช้ ตัวอย่างเช่น Giza ได้ร่วมมือกับ Yearn Finance เพื่อสร้างเครื่องมือประเมินความเสี่ยงอัตโนมัติแบบพิสูจน์แนวคิดสําหรับห้องนิรภัย v3 ใหม่ของ Yearn Modulus Labs กําลังทํางานร่วมกับ Lyra Finance เพื่อรวมแมชชีนเลิร์นนิงเข้ากับ AMM ด้วย Ion Protocol เพื่อใช้โมเดลสําหรับการวิเคราะห์ความเสี่ยงของผู้ตรวจสอบความถูกต้อง และช่วยเหลือ Upshot ในการตรวจสอบความถูกต้องของข้อมูลราคา NFT ที่รองรับ AI โปรโตคอลเช่น NOYA (ใช้ EZKL) และ Mozaic ให้การเข้าถึงโมเดลนอกเครือข่ายที่เป็นกรรมสิทธิ์ทําให้ผู้ใช้สามารถเข้าถึงการขุดสภาพคล่องอัตโนมัติในขณะที่ตรวจสอบอินพุตข้อมูลและหลักฐานแบบ on-chain Spectral Finance กําลังพัฒนาเครื่องมือการให้คะแนนเครดิตแบบ on-chain เพื่อคาดการณ์ความเป็นไปได้ที่ผู้กู้ Compound หรือ Aave จะผิดนัดชําระหนี้ เนื่องจาก zkML ผลิตภัณฑ์ที่เรียกว่า "De-Ai-Fi" เหล่านี้มีแนวโน้มที่จะได้รับความนิยมมากขึ้นในอีกไม่กี่ปีข้างหน้า
• เกม เกมได้รับการพิจารณามานานแล้วสําหรับการหยุดชะงักและการปรับปรุงผ่านบล็อกเชนสาธารณะ zkML เปิดใช้งานการเล่นเกมปัญญาประดิษฐ์แบบ on-chain Modulus Labs ได้ตระหนักถึงการพิสูจน์แนวคิดสําหรับเกมออนเชนที่เรียบง่าย "Leela vs the World" เป็นเกมหมากรุกตามทฤษฎีเกมที่ผู้ใช้แข่งขันกับโมเดลหมากรุก AI โดย zkML จะตรวจสอบทุกการเคลื่อนไหวที่ Leela สร้างขึ้นตามรูปแบบการวิ่งของเกม ในทํานองเดียวกันทีมกําลังใช้เฟรมเวิร์ก EZKL เพื่อสร้างการแข่งขันร้องเพลงที่เรียบง่ายและ tic-tac-toe แบบ on-chain คาร์ทริดจ์กําลังใช้ Giza เพื่อให้ทีมสามารถปรับใช้เกมออนเชนได้อย่างเต็มที่ โดยเมื่อเร็ว ๆ นี้เน้นเกมขับรถ AI ที่เรียบง่ายซึ่งผู้ใช้สามารถแข่งขันเพื่อสร้างโมเดลที่ดีกว่าสําหรับรถยนต์ที่พยายามหลีกเลี่ยงอุปสรรค แม้ว่าจะเรียบง่าย แต่การพิสูจน์แนวคิดเหล่านี้ชี้ให้เห็นถึงการใช้งานในอนาคตที่สามารถตรวจสอบแบบ on-chain ที่ซับซ้อนมากขึ้นเช่นนักแสดง NPC ที่ซับซ้อนซึ่งสามารถโต้ตอบกับเศรษฐกิจในเกมดังที่เห็นใน "AI Arena" เกม Super Smash Brothers ที่ผู้เล่นสามารถฝึกนักรบของพวกเขาแล้วปรับใช้เป็นโมเดล AI เพื่อต่อสู้
• อัตลักษณ์ ที่มา และความเป็นส่วนตัว มีการใช้ Cryptocurrencies เพื่อตรวจสอบความถูกต้องและต่อสู้กับปัญหาที่เพิ่มขึ้นของเนื้อหาที่สร้างโดย AI/จัดการและการปลอมแปลงเชิงลึก zkML สามารถพัฒนาความพยายามเหล่านี้ได้ WorldCoin เป็นโซลูชันการยืนยันตัวตนที่กําหนดให้ผู้ใช้สแกนม่านตาเพื่อสร้าง ID ที่ไม่ซ้ํากัน ในอนาคตรหัสไบโอเมตริกซ์อาจถูกโฮสต์ด้วยตนเองบนอุปกรณ์ส่วนตัวโดยใช้การเข้ารหัสและยืนยันโดยใช้โมเดลที่ทํางานในพื้นที่ จากนั้นผู้ใช้สามารถให้หลักฐานไบโอเมตริกซ์โดยไม่เปิดเผยตัวตนของพวกเขาจึงป้องกันการโจมตีของ Sybil ในขณะที่มั่นใจในความเป็นส่วนตัว นอกจากนี้ยังสามารถนําไปใช้กับการอนุมานที่ต้องการความเป็นส่วนตัวอื่น ๆ เช่นการใช้แบบจําลองเพื่อวิเคราะห์ข้อมูล / ภาพทางการแพทย์สําหรับการตรวจหาโรคการตรวจสอบบุคลิกและการพัฒนาอัลกอริธึมการจับคู่ในแอปพลิเคชันหาคู่หรือสถาบันประกันภัยและการให้กู้ยืมที่ต้องการตรวจสอบข้อมูลทางการเงิน

ทัศนคติ

zkML ยังเป็นการทดลองอยู่ โดยซึ่งโครงการส่วนใหญ่เน้นการสร้างพื้นฐานโครงสร้างและพิสส์ของแนวคิด อุปสรรคปัจจุบันรวมถึงค่าใช้จ่ายในการคำนวณ ข้อจำกัดของหน่วยความจำ ความซับซ้อนของโมเดล เครื่องมือและโครงสร้างที่จำกัด และความสามารถของนักพัฒนา โดยสรุปกันว่า ยังมีงานมากมายที่ต้องทำก่อนที่ zkML จะสามารถนำมาใช้บนขอบข่ายที่ต้องการโดยผู้บริโภค

อย่างไรก็ตามเมื่อฟิลด์เติบโตขึ้นและข้อ จํากัด เหล่านี้ได้รับการแก้ไข zkML จะกลายเป็นองค์ประกอบสําคัญของการรวมปัญญาประดิษฐ์เข้ากับการเข้ารหัส โดยพื้นฐานแล้ว zkML สัญญาว่าจะนําขนาดของการคํานวณนอกเครือข่ายมาเป็นเครือข่ายในขณะที่ยังคงรักษาการรับประกันความปลอดภัยที่เหมือนกันหรือคล้ายกันกับการทํางานแบบ on-chain แต่ก่อนที่จะตระหนักถึงวิสัยทัศน์นี้ผู้เริ่มใช้เทคโนโลยีจะยังคงต้องสร้างสมดุลระหว่างความเป็นส่วนตัวและความปลอดภัยของ zkML กับประสิทธิภาพของทางเลือก

ตัวแทนปัญญาประดิษฐ์

ตัวแทนปัญญาประดิษฐ์

หนึ่งในการผสมผสานที่น่าตื่นเต้นที่สุดระหว่างปัญญาประดิษฐ์และสกุลเงินดิจิทัลคือการทดลองกับตัวแทนปัญญาประดิษฐ์อย่างต่อเนื่อง ตัวแทนเป็นหุ่นยนต์ที่สามารถทำงานอิสระ สามารถรับ ตีความ และดำเนินงานโดยใช้โมเดลปัญญาประดิษฐ์ สิ่งนี้สามารถครอบคลุมตั้งแต่มีผู้ช่วยส่วนตัวที่พร้อมใช้งานตลอดเวลา ถูกปรับแต่งให้เข้ากับความชอบของคุณ ไปจนถึงการจ้างตัวแทนทางการเงินเพื่อจัดการและปรับแต่ง portofolio การลงทุนของคุณโดยขึ้นอยู่กับความชอบในการรับความเสี่ยงของคุณ

เนื่องจากสกุลเงินดิจิทัลมีโครงสร้างพื้นฐานในการชำระเงินที่ไม่ต้องขออนุญาตและไม่มีความเชื่อถือได้ ตัวแทนและสกุลเงินดิจิทัลสามารถรวมกันได้อย่างดี หลังจากฝึกอบรมแล้ว ตัวแทนจะมีกระเป๋าเงิน ทำให้สามารถดำเนินการธุรกรรมได้ด้วยตัวเองโดยใช้สัญญาอัจฉริยะ ตัวอย่างเช่น ตัวแทนวันนี้สามารถเก็บข้อมูลจากอินเทอร์เน็ตแล้วทำการซื้อขายบนตลาดทำนายโดยใช้แบบจำลอง

ผู้ให้บริการของตัวแทน

Morpheus เป็นหนึ่งในโครงการเอเจ้นต์โอเพนซอร์สล่าสุดที่เริ่มใช้งานในปี 2024 บน Ethereum และ Arbitrum หนังสือขาวของมันถูกเผยแพร่โดยไม่ระบุชื่อในเดือนกันยายน 2023 เป็นรากฐานสำหรับการสร้างชุมชนและการสร้างองค์กรรมสำคัญ เช่น Erik Vorhees หนังสือขาวรวมถึงโปรโตคอลเอเจนต์สมาร์ทที่สามารถดาวน์โหลดได้ แอลแอลเอ็มโอเปิดซอร์สที่สามารถทำงานในท้องถิ่น โดยจัดการโดยกระเป๋าเงินของผู้ใช้ และสื่อสารกับสัญญาอัจฉริยะ มันใช้การจัดอันดับสัญญาอัจฉริยะเพื่อช่วยเอเจนต์ในการกำหนดว่าสัญญาอัจฉริยะไหนสามารถสื่อสารได้อย่างปลอดภัยตามเกณฑ์ เช่น จำนวนธุรกรรมที่ประมวลผล

เอกสารขาวยังระบุโครงสร้างสำหรับการสร้างเครือข่าย Morpheus ซึ่งรวมถึงโครงสร้างรางวัลและพื้นที่พื้นฐานที่จำเป็นในการเรียกใช้โปรโตคอลสมาร์ทเอเจนต์ ซึ่งรวมถึงการระบุรางวัลสำหรับผู้ให้ส่วนร่วมในการสร้างพื้นหน้าหน้าสำหรับการโต้ตอบกับเอเจนต์ ส่วนของ API สำหรับนักพัฒนาที่จะสร้างเอเจนต์ปลั๊กอินสำหรับการโต้ตอบร่วมกัน และโซลูชั่นคลาวด์สำหรับผู้ใช้เข้าถึงการคำนวณและพื้นที่จัดเก็บที่จำเป็นในการเรียกใช้เอเจนต์บนอุปกรณ์ขอบ การเงินเริ่มต้นของโครงการได้เริ่มต้นในช่วงต้นเดือนกุมภาพันธ์ โดยคาดว่าโปรโตคอลเต็มรูปแบบจะเริ่มใช้งานในไตรมาสที่สองของปี 2024

Decentralized Autonomous Infrastructure Network (DAIN) เป็นโปรโตคอลโครงสร้างพื้นฐานของเอเจนต์ใหม่ที่สร้างเศรษฐกิจแบบตัวแทนต่อตัวแทนบน Solana เป้าหมายของ DAIN คือการช่วยให้ตัวแทนจากองค์กรต่างๆ สามารถโต้ตอบกันได้อย่างราบรื่นผ่าน API ทั่วไป ซึ่งเปิดพื้นที่การออกแบบสําหรับตัวแทน AI อย่างมีนัยสําคัญ โดยมุ่งเน้นไปที่ตัวแทนที่สามารถโต้ตอบกับผลิตภัณฑ์ web2 และ web3 ได้อย่างมาก ในเดือนมกราคม DAIN ได้ประกาศความร่วมมือครั้งแรกกับ Asset Shield ทําให้ผู้ใช้สามารถเพิ่ม "ผู้ลงนามตัวแทน" ลงในมัลติซิกส์ของพวกเขาสามารถตีความธุรกรรมและอนุมัติ / ปฏิเสธตามกฎที่ผู้ใช้กําหนด

Fetch.AI เป็นหนึ่งในโปรโตคอลเอเจนต์ AI ที่ถูกใช้งานเร็วที่สุดและได้พัฒนานิเคอะโซสเซตอะไรท์เพื่อการสร้าง การใช้งาน และการใช้เอเจนต์บนเชนโดยใช้ FET tokens และ Fetch.AI wallets โปรโตคอลนี้มีชุดเครื่องมือและแอปพลิเคชันชุดครบครันสำหรับการใช้เอเจนต์ รวมทั้งฟังก์ชันการใช้งาน Wallet-in สำหรับการโต้ตอบกับเอเจนต์และสั่งซื้อ

Autonolas ก่อตั้งโดยอดีตสมาชิกของทีม Fetch เป็นตลาดเปิดสําหรับการสร้างและใช้ตัวแทน AI แบบกระจายอํานาจ Autonolas ยังมีชุดเครื่องมือสําหรับนักพัฒนาในการสร้างตัวแทน AI ที่โฮสต์นอกเครือข่ายซึ่งสามารถเสียบเข้ากับบล็อกเชนหลายตัว รวมถึง Polygon, Ethereum, Gnosis Chain และ Solana ปัจจุบันพวกเขามีผลิตภัณฑ์พิสูจน์แนวคิดของตัวแทนที่ใช้งานอยู่รวมถึงตลาดที่คาดการณ์ได้และการกํากับดูแล DAO

SingularityNet กำลังสร้างตลาดกระจายสำหรับเอเจนต์ AI ที่ทำงานเฉพาะ ที่สามารถถูกนำไปใช้งาน สามารถจ้างได้โดยผู้อื่นหรือเอเจนต์อื่นๆ เพื่อทำงานที่ซับซ้อน บริษัทอื่น ๆ เช่น AlteredStateMachine กำลังสร้างการผสมผสานของเอเจนต์ AI กับ NFTs ผู้ใช้สามารถสร้าง NFTs ที่มีคุณสมบัติสุ่มซึ่งจะให้ความได้เปรียบและความเสียความเสียได้ในงานที่แตกต่าง เอเจนต์เหล่านี้จึงสามารถถูกฝึกฝนเพื่อเสริมสร้างคุณลักษณะบางประการเพื่อใช้ในเกมมิ่ง DeFi หรือเป็นผู้ช่วยเสมือนจริงและจำหน่ายกับผู้ใช้อื่น

โดยรวมแล้วโครงการเหล่านี้มองการจะมีระบบนิวเรคระบบของตัวแทนที่สามารถทำงานร่วมกันไม่เพียงเพื่อทำงาน แต่ยังช่วยสร้างปัญญาประดิษฐ์ที่ทั่วไปได้ด้วย ตัวแทนที่ซับซ้อนจริง ๆ จะมีความสามารถในการทำงานอิสระในการทำงานใด ๆ ของผู้ใช้ ตัวอย่างเช่น ตัวแทนที่ทำงานอิสระจะสามารถค้นหาวิธีในการจ้างตัวแทนอีกคนให้ผสมผสาน API แล้วดำเนินการทำงานโดยไม่ต้องแน่ใจว่าตัวแทนได้ผสมผสานกับ API ภายนอกไว้ก่อน (เช่นเว็บไซต์จองที่พัก) ก่อนใช้งาน จากมุมมองของผู้ใช้ ไม่จำเป็นต้องตรวจสอบว่าตัวแทนสามารถทำงานเสร็จสิ้นหรือไม่ เนื่องจากตัวแทนสามารถกำหนดสิ่งนี้เอง

บิตคอยน์และเอไอเอเจนต์

ในเดือนกรกฎาคม 2023 ไลท์นิงแล็บ ได้เปิดตัวการใช้งานโดยใช้ตัวแทนบนเครือข่าย Lightning ซึ่งถูกเรียกว่าชุดบิทคอยน์โดย LangChain ผลิตภัณฑ์นี้น่าสนใจมากโดยเฉพาะเพราะมีเป้าหมายที่จะแก้ปัญหาที่กำลังรุนแรงขึ้นในโลก Web 2—API keys ของแอปพลิเคชันเว็บที่มีการควบคุมและมีค่าใช้จ่ายสูง

LangChain จัดการปัญหานี้โดยการให้นักพัฒนาเครื่องมือชุดหนึ่งที่ทำให้เอเยนต์สามารถซื้อ ขาย และถือ Bitcoin ได้ และสามารถสอบถามคีย์ API และส่งการชำระเงินขนาดเล็กได้ บนรางการชำระเงิน传统 การชำระเงินขนาดเล็กมีค่าใช้จ่ายสูงเกินไปเนื่องจากค่าธรรมเนียม แต่บนเครือข่าย Lightning เอเยนต์สามารถส่งการชำระเงินขนาดเล็กจำนวนไม่จำกัดทุกวันในราคาต่ำ เมื่อใช้ร่วมกับกรอบการชำระเงิน L402 ของ LangChain บริษัทสามารถปรับต้นทุนเข้าถึงของ API ของพวกเขาตามการเพิ่มขึ้นและลดลงในการใช้งาน ไม่ใช่การกำหนดมาตรฐานเดียวที่มีค่าใช้จ่ายสูง

ในอนาคตกิจกรรมโซ่จะถูกขับเคลื่อนโดยการโต้ตอบระหว่างตัวแทนและตัวแทนโดยส่วนใหญ่ จำเป็นต้องมีกลไกเพื่อให้ตัวแทนสามารถโต้ตอบกับกันได้โดยไม่มีค่าใช้จ่ายที่สูงเกินไป ตัวอย่างเร็วๆนี้แสดงให้เห็นถึงศักยภาพในการใช้ตัวแทนบนรางการชำระเงินแบบไม่จำกัดและมีประสิทธิภาพทางเศรษฐกิจ เปิดโอกาสสำหรับตลาดและการโต้ตอบทางเศรษฐกิจใหม่

ที่มุมมอง

สาขาของตัวแทนยังอยู่ในช่วงเริ่มต้น โปรเจกต์เพิ่งเริ่มเปิดตัวเอเจนต์ที่ใช้งานได้ซึ่งสามารถจัดการงานง่ายๆ ได้ ซึ่งโดยทั่วไปการเข้าถึงจะจํากัดเฉพาะนักพัฒนาและผู้ใช้ที่มีประสบการณ์เท่านั้น อย่างไรก็ตามเมื่อเวลาผ่านไปหนึ่งในผลกระทบที่สําคัญที่สุดของตัวแทนปัญญาประดิษฐ์ต่อสกุลเงินดิจิทัลคือการปรับปรุงประสบการณ์ของผู้ใช้ในทุกแนวดิ่ง ธุรกรรมจะเริ่มเปลี่ยนจากการคลิกเป็นข้อความทําให้ผู้ใช้สามารถโต้ตอบกับตัวแทนแบบ on-chain ผ่านอินเทอร์เฟซการสนทนา ทีมอย่าง Dawn Wallet ได้เปิดตัวกระเป๋าเงินแชทบอทแล้ว ทําให้ผู้ใช้สามารถโต้ตอบแบบออนเชนได้

นอกจากนี้ยังไม่ชัดเจนว่าตัวแทนจะดำเนินการอย่างไรใน Web 2 เนื่องจากรางการเงินเชื่อพันธบัญชีที่ได้รับการควบคุมไม่สามารถดำเนินการตลอด 24/7 หรือสะดวกสบายในการทำธุรกรรมข้ามชาติได้อย่างไมาไหล. ตามที่ Lyn Alden ได้เน้นถึง ข้อบกพร่องของการคืนเงินและความสามารถในการจัดการธุรกรรมขนาดเล็ก ทำให้รางการเงินดิจิทัลมีเสน่ห์ โดยเฉเนียวกับบัตรเครดิต. อย่างไรก็ตาม หากตัวแทนกลายเป็นสื่อที่ทั่วไปมากขึ้นสำหรับการทำธุรกรรม ผู้ให้บริการการชำระเงินและแอพพลิเคชั่นที่มีอยู่อาจจะปรับตัวอย่างรวดเร็ว การใช้โครงสร้างพื้นฐานที่จำเป็นสำหรับดำเนินการบนรางการเงินที่มีอยู่ ซึ่งจะลดลงบางประโยชน์ของการใช้รางการเงินดิจิทัล

ปัจจุบันตัวแทนอาจถูก จํากัด เฉพาะธุรกรรมสกุลเงินดิจิทัลที่กําหนดซึ่งอินพุตที่กําหนดรับประกันผลลัพธ์ที่กําหนด ทั้งสองรุ่นได้สรุปความสามารถของตัวแทนเหล่านี้ในการหาวิธีทํางานที่ซับซ้อนและเครื่องมือกําลังขยายช่วงของงานที่สามารถทําได้ซึ่งทั้งสองอย่างนี้ต้องการการพัฒนาเพิ่มเติม เพื่อให้ตัวแทน crypto มีประโยชน์นอกเหนือจากกรณีการใช้งานสกุลเงินดิจิทัลแบบ on-chain จําเป็นต้องมีการรวมและการยอมรับสกุลเงินดิจิทัลเป็นรูปแบบการชําระเงินที่กว้างขึ้นพร้อมกับความชัดเจนด้านกฎระเบียบ อย่างไรก็ตามเมื่อส่วนประกอบเหล่านี้พัฒนาขึ้นตัวแทนก็พร้อมที่จะกลายเป็นหนึ่งในผู้บริโภครายใหญ่ที่สุดของการประมวลผลแบบกระจายอํานาจและโซลูชัน zkML โดยรับและแก้ไขงานใด ๆ โดยอัตโนมัติในลักษณะที่ไม่กําหนด

สรุป

AI นำนวัตกรรมเดียวกันมาสู่สกุลเงินดิจิทัลที่เราเห็นใน web2 โดยเสริมสร้างทุกอย่างตั้งแต่การพัฒนาโครงสร้างถึงประสบการณ์ผู้ใช้และความสะดวกสบาย อย่างไรก็ตาม โครงการยังอยู่ในขั้นตอนเริ่มแรกของการพัฒนา และการบูรณาการระยะใกล้ชิดระหว่างสกุลเงินดิจิทัลและ AI จะเป็นไปตามการบูรณาการออฟเชนที่สำคัญ

ผลิตภัณฑ์เช่น Copilot ถูกตั้งไว้ให้"เพิ่มประสิทธิภาพของนักพัฒนา 10 เท่า" และแอปพลิเคชัน Layer 1 และ DeFi ได้เปิดตัวแพลตฟอร์มการพัฒนาที่มีความช่วยเหลือจาก AI แล้วในการร่วมมือกับบริษัทชั้นนำอย่าง Microsoft บริษัทเช่น Cub3.ai และ Test Machine กำลังพัฒนาการผสมรวม AI สำหรับการตรวจสอบสัญญาฉลาดและการตรวจสอบภัยคุกคามแบบ real-time เพื่อเสริมความปลอดภัยบนเชื่อมโยง LLM chatbots กำลังถูกฝึกอบรมด้วยข้อมูลเชื่อมโยง คำแนะนำเกี่ยวกับโปรโตคอล และแอปพลิเคชันเพื่อให้ผู้ใช้ได้รับความสะดวกสะบายและประสบการณ์การใช้งานที่ดีขึ้น

ความท้าทายสำหรับการผสานการบูรณาการที่ขั้นสูงกว่าที่ใช้เทคโนโลยีพื้นฐานของสกุลเงินดิจิทัลอย่างแท้จริงคือการพิสูจน์ว่าการนำโซลูชัน AI มาใช้บนเชนเป็นเรื่องที่เป็นไปได้ทั้งด้านเทคนิคและเศรษฐกิจ การพัฒนาการคำนวณที่ไม่centralized zkML และ AI agents ชี้ให้เห็นถึงด้านดีของ verticals ที่มีโอกาสที่จะเป็นพื้นฐานสำคัญสำหรับอนาคตที่เชื่อมโยงอย่างลึกซึ้งระหว่างสกุลเงินดิจทัลและ AI

ปฏิเสธ:

1. บทความนี้ถูกพิมพ์อีกครั้งจากtechflow, สิทธิ์ในการคัดลอกทั้งหมดเป็นของผู้เขียนต้นฉบับ [ลูกัส เตเชยัน]. หากมีข้อความที่ไม่เห็นด้วยในการพิมพ์นี้ โปรดติดต่อGate Learnทีม และพวกเขาจะดำเนินการให้ทันที
2. คำปฏิเสธความรับผิด: มุมมองและความคิดเห็นที่แสดงในบทความนี้เป็นเพียงของผู้เขียนเท่านั้น และไม่เป็นการให้คำแนะนำทางการลงทุนใดๆ
3. การแปลบทความเป็นภาษาอื่นๆ โดยทีม Gate Learn ทำขึ้น นอกจากการกล่าวถึงแล้ว การคัดลอก การแจกจ่าย หรือการลอกเลียนบทความที่ถูกแปลนั้นถือเป็นการละเมิดสิทธิ์