ผู้แต่ง: Cynic Shigeru, การวิจัย CGV

ความก้าวหน้าในเทคโนโลยี AI ใช้ประโยชน์จากพลังของอัลกอริธึม พลังการประมวลผล และข้อมูล กำลังกำหนดขอบเขตใหม่ของการประมวลผลข้อมูลและการตัดสินใจอย่างชาญฉลาด ในเวลาเดียวกัน DePIN แสดงให้เห็นถึงการเปลี่ยนแปลงกระบวนทัศน์จากโครงสร้างพื้นฐานแบบรวมศูนย์ไปเป็นเครือข่ายแบบกระจายอำนาจที่ใช้บล็อกเชน

ในขณะที่โลกยังคงเร่งไปสู่การเปลี่ยนแปลงทางดิจิทัล AI และ DePIN (โครงสร้างพื้นฐานทางกายภาพแบบกระจายอำนาจ) ได้กลายเป็นเทคโนโลยีพื้นฐานที่ขับเคลื่อนการเปลี่ยนแปลงในทุกสาขาอาชีพ การบูรณาการ AI และ DePIN ไม่เพียงแต่จะส่งเสริมการทำซ้ำอย่างรวดเร็วและการใช้เทคโนโลยีอย่างกว้างขวางเท่านั้น แต่ยังจะเปิดรูปแบบการบริการที่ปลอดภัย โปร่งใส และมีประสิทธิภาพมากขึ้น ซึ่งนำมาซึ่งการเปลี่ยนแปลงในวงกว้างต่อเศรษฐกิจโลก

DePIN: การกระจายอำนาจย้ายจากความเป็นจริงเสมือนไปสู่ความเป็นจริง ซึ่งเป็นแกนนำของเศรษฐกิจดิจิทัล

DePIN เป็นตัวย่อของโครงสร้างพื้นฐานทางกายภาพแบบกระจายอำนาจ ในแง่แคบ DePIN ส่วนใหญ่หมายถึงเครือข่ายแบบกระจายของโครงสร้างพื้นฐานทางกายภาพแบบดั้งเดิมที่ได้รับการสนับสนุนโดยเทคโนโลยีบัญชีแยกประเภทแบบกระจาย เช่น เครือข่ายพลังงาน เครือข่ายการสื่อสาร เครือข่ายการกำหนดตำแหน่ง ฯลฯ โดยทั่วไปแล้ว เครือข่ายแบบกระจายทั้งหมดที่รองรับโดยอุปกรณ์ทางกายภาพสามารถเรียกว่า DePIN ได้ เช่น เครือข่ายการจัดเก็บข้อมูลและเครือข่ายคอมพิวเตอร์

จาก: เมสซารี

หาก Crypto ทำให้เกิดการเปลี่ยนแปลงแบบกระจายอำนาจในระดับการเงิน DePIN ก็เป็นโซลูชันแบบกระจายอำนาจในเศรษฐกิจที่แท้จริง อาจกล่าวได้ว่าเครื่องขุด PoW นั้นเป็น DePIN ประเภทหนึ่ง DePIN เป็นเสาหลักของ Web3 ตั้งแต่วันแรก

องค์ประกอบสามประการของ AI ได้แก่ อัลกอริทึม พลังการประมวลผล และข้อมูล DePIN ครอบครององค์ประกอบที่สองเพียงอย่างเดียว

โดยทั่วไปการพัฒนาปัญญาประดิษฐ์นั้นขึ้นอยู่กับองค์ประกอบหลักสามประการ: อัลกอริธึม พลังการประมวลผล และข้อมูล อัลกอริทึมหมายถึงโมเดลทางคณิตศาสตร์และตรรกะของโปรแกรมที่ขับเคลื่อนระบบ AI พลังการประมวลผลหมายถึงทรัพยากรการประมวลผลที่จำเป็นในการดำเนินการอัลกอริทึมเหล่านี้ และข้อมูลเป็นพื้นฐานสำหรับการฝึกอบรมและเพิ่มประสิทธิภาพโมเดล AI

องค์ประกอบใดในสามองค์ประกอบที่สำคัญที่สุด? ก่อนการเกิดขึ้นของ chatGPT ผู้คนมักจะคิดว่ามันเป็นอัลกอริทึม ไม่เช่นนั้นการประชุมทางวิชาการและรายงานวารสารจะไม่เต็มไปด้วยการปรับแต่งอัลกอริทึมทีละรายการ แต่เมื่อ chatGPT และ LLM โมเดลภาษาขนาดใหญ่ที่สนับสนุนความชาญฉลาดถูกเปิดเผย ผู้คนเริ่มตระหนักถึงความสำคัญของสองรูปแบบหลัง พลังการประมวลผลขนาดใหญ่เป็นข้อกำหนดเบื้องต้นสำหรับการเกิดโมเดล คุณภาพและความหลากหลายของข้อมูลมีความสำคัญอย่างยิ่งต่อการสร้างระบบ AI ที่แข็งแกร่งและมีประสิทธิภาพ ในทางตรงกันข้าม ข้อกำหนดสำหรับอัลกอริทึมไม่ได้รับการปรับปรุงตามปกติอีกต่อไป

ในยุคของโมเดลขนาดใหญ่ AI ได้เปลี่ยนจากงานฝีมือที่พิถีพิถันมาเป็นอิฐบินที่แข็งแกร่ง ความต้องการพลังการประมวลผลและข้อมูลเพิ่มขึ้นทุกวัน และ DePIN ก็สามารถให้ได้ สิ่งจูงใจด้านโทเค็นจะใช้ประโยชน์จากตลาดหางยาว และพลังการประมวลผลและพื้นที่จัดเก็บข้อมูลขนาดใหญ่ระดับผู้บริโภคจะกลายเป็นสิ่งบำรุงที่ดีที่สุดสำหรับโมเดลขนาดใหญ่

การกระจายอำนาจของ AI ไม่ใช่ทางเลือก แต่ต้องทำ

ในยุคของโมเดลขนาดใหญ่ AI ได้เปลี่ยนจากงานฝีมือที่พิถีพิถันมาเป็นอิฐบินได้ที่แข็งแกร่ง ความต้องการพลังการประมวลผลและข้อมูลเพิ่มขึ้นทุกวัน และ DePIN ก็สามารถให้ได้ สิ่งจูงใจด้านโทเค็นจะใช้ประโยชน์จากตลาดหางยาว และพลังการประมวลผลและพื้นที่จัดเก็บข้อมูลขนาดใหญ่ระดับผู้บริโภคจะกลายเป็นสิ่งบำรุงที่ดีที่สุดสำหรับโมเดลขนาดใหญ่

การกระจายอำนาจของ AI ไม่ใช่ทางเลือก แต่ต้องทำ

แน่นอนว่าบางคนอาจถามเนื่องจากพลังการประมวลผลและข้อมูลมีอยู่ในห้องคอมพิวเตอร์ AWS และดีกว่า DePIN ในแง่ของความเสถียรและประสบการณ์ผู้ใช้ ทำไมเราจึงควรเลือก DePIN แทนบริการแบบรวมศูนย์

คำพูดนี้สมเหตุสมผลโดยธรรมชาติ เมื่อพิจารณาจากสถานการณ์ปัจจุบันแล้ว โมเดลขนาดใหญ่เกือบทั้งหมดได้รับการพัฒนาทั้งทางตรงและทางอ้อมโดยบริษัทอินเทอร์เน็ตขนาดใหญ่ Microsoft อยู่เบื้องหลัง chatGPT และ Google อยู่เบื้องหลัง Gemini บริษัทอินเทอร์เน็ตรายใหญ่เกือบทุกแห่งในจีนก็มีหนึ่งบริษัท รุ่นใหญ่. ทำไม เนื่องจากมีเพียงบริษัทอินเทอร์เน็ตขนาดใหญ่เท่านั้นที่มีข้อมูลคุณภาพสูงและพลังการประมวลผลเพียงพอซึ่งสนับสนุนโดยทรัพยากรทางการเงินที่แข็งแกร่ง แต่นี่เป็นสิ่งที่ผิด ผู้คนไม่ต้องการถูกควบคุมโดยยักษ์ใหญ่ทางอินเทอร์เน็ตอีกต่อไป

ในอีกด้านหนึ่ง AI แบบรวมศูนย์มีความเสี่ยงด้านความเป็นส่วนตัวและความปลอดภัยของข้อมูลและอาจอยู่ภายใต้การเซ็นเซอร์และการควบคุม ในทางกลับกัน AI ที่ผลิตโดยยักษ์ใหญ่ทางอินเทอร์เน็ตจะช่วยเสริมสร้างการพึ่งพาของผู้คน นำไปสู่การกระจุกตัวของตลาด และเพิ่มอุปสรรคต่อนวัตกรรม

ที่มา: https://www.gensyn.ai/

มนุษยชาติไม่ควรต้องการมาร์ติน ลูเธอร์ ในยุค AI อีกต่อไป ผู้คนควรมีสิทธิ์พูดคุยกับพระเจ้าโดยตรง

DePIN จากมุมมองทางธุรกิจ: การลดต้นทุนและการเพิ่มประสิทธิภาพคือกุญแจสำคัญ

แม้จะละทิ้งการถกเถียงเรื่องคุณค่าระหว่างการกระจายอำนาจและการรวมศูนย์ จากมุมมองทางธุรกิจ การใช้ DePIN สำหรับ AI ยังคงมีข้อดีอยู่

ก่อนอื่น เราต้องตระหนักอย่างชัดเจนว่าแม้ว่ายักษ์ใหญ่อินเทอร์เน็ตจะมีทรัพยากรกราฟิกการ์ดระดับไฮเอนด์จำนวนมากอยู่ในมือ แต่การรวมกันของกราฟิกการ์ดระดับผู้บริโภคที่กระจัดกระจายไปตามภาคเอกชนก็สามารถสร้างเครือข่ายพลังการประมวลผลที่สำคัญมากได้เช่นกัน ซึ่งเป็นผลระยะยาวของพลังการประมวลผล อัตราว่างของกราฟิกการ์ดระดับผู้บริโภคประเภทนี้จริงๆ แล้วสูงมาก ตราบใดที่สิ่งจูงใจที่ DePIN มอบให้นั้นเกินกว่าค่าไฟฟ้า ผู้ใช้ก็จะมีแรงจูงใจที่จะสนับสนุนพลังการประมวลผลให้กับเครือข่าย สิ่งอำนวยความสะดวกทางกายภาพทั้งหมดได้รับการจัดการโดยผู้ใช้เอง เครือข่าย DePIN ไม่จำเป็นต้องแบกรับต้นทุนการดำเนินงานที่หลีกเลี่ยงไม่ได้ของซัพพลายเออร์ที่รวมศูนย์

สำหรับข้อมูล เครือข่าย DePIN สามารถปล่อยความพร้อมใช้งานของข้อมูลที่เป็นไปได้ และลดต้นทุนการส่งข้อมูลผ่านการประมวลผลแบบเอดจ์และวิธีการอื่นๆ ในเวลาเดียวกัน เครือข่ายการจัดเก็บข้อมูลแบบกระจายส่วนใหญ่มีฟังก์ชันการขจัดข้อมูลซ้ำซ้อนอัตโนมัติ ซึ่งจะช่วยลดการทำงานของการล้างข้อมูลการฝึกอบรม AI

สุดท้ายนี้ Cryptoeconomics ที่ DePIN นำมาช่วยเพิ่มความทนทานต่อความผิดพลาดของระบบ และคาดว่าจะบรรลุสถานการณ์ที่ได้ประโยชน์ทั้งสองฝ่ายสำหรับผู้ให้บริการ ผู้บริโภค และแพลตฟอร์ม

จาก: ยูซีแอลเอ

ในกรณีที่คุณไม่เชื่อ การวิจัยล่าสุดของ UCLA แสดงให้เห็นว่าการใช้การประมวลผลแบบกระจายอำนาจให้ประสิทธิภาพที่ดีกว่าคลัสเตอร์ GPU แบบเดิมถึง 2.75 เท่าในราคาเท่าเดิม โดยเฉพาะอย่างยิ่ง เร็วกว่า 1.22 เท่า และถูกกว่า 4.83 เท่า

เส้นทางข้างหน้าที่ยากลำบาก: AIxDePIN จะเผชิญกับความท้าทายอะไรบ้าง

ในกรณีที่คุณไม่เชื่อ การวิจัยล่าสุดของ UCLA แสดงให้เห็นว่าการใช้การประมวลผลแบบกระจายอำนาจให้ประสิทธิภาพที่ดีกว่าคลัสเตอร์ GPU แบบเดิมถึง 2.75 เท่าในราคาเท่าเดิม โดยเฉพาะอย่างยิ่ง เร็วขึ้น 1.22 เท่า และถูกกว่า 4.83 เท่า

เส้นทางที่ยากลำบากข้างหน้า: AIxDePIN จะเผชิญกับความท้าทายอะไรบ้าง

เราเลือกที่จะไปดวงจันทร์ในทศวรรษนี้และทำสิ่งอื่น ไม่ใช่เพราะมันง่าย แต่เพราะมันยาก

——จอห์น ฟิตซ์เจอรัลด์ เคนเนดี

ยังคงมีความท้าทายมากมายในการสร้างโมเดลปัญญาประดิษฐ์ที่ไม่ได้รับความเชื่อถือโดยใช้พื้นที่จัดเก็บข้อมูลแบบกระจายและการประมวลผลแบบกระจายของ DePIN

การตรวจสอบการทำงาน

โดยพื้นฐานแล้ว โมเดลการเรียนรู้เชิงลึกของการประมวลผลและการขุด PoW นั้นเป็นการคำนวณทั่วไป และเลเยอร์ต่ำสุดคือการเปลี่ยนแปลงสัญญาณระหว่างวงจรเกต จากมุมมองของมหภาค การขุด PoW ถือเป็น "การคำนวณที่ไร้ประโยชน์" โดยพยายามรับค่าแฮชที่มีศูนย์ n นำหน้าด้วยการสร้างตัวเลขสุ่มจำนวนนับไม่ถ้วนและการคำนวณฟังก์ชันแฮช ในขณะที่การคำนวณการเรียนรู้เชิงลึกนั้นเป็น "การคำนวณที่มีประโยชน์" ผ่านการสร้างตัวเลขสุ่มจำนวนนับไม่ถ้วนและ การคำนวณฟังก์ชันแฮช Forward Derivation และ Backward Derivation จะคำนวณค่าพารามิเตอร์ของแต่ละเลเยอร์ใน Deep Learning เพื่อสร้างโมเดล AI ที่มีประสิทธิภาพ

ความจริงก็คือ "การคำนวณที่ไร้ประโยชน์" เช่น PoW mining ใช้ฟังก์ชันแฮช การคำนวณภาพจากภาพต้นฉบับนั้นง่าย แต่การคำนวณภาพต้นฉบับจากภาพนั้นทำได้ยาก ดังนั้น ใครๆ ก็สามารถตรวจสอบความถูกต้องได้อย่างง่ายดายและรวดเร็ว ในการคำนวณโมเดล Deep Learning เนื่องจากโครงสร้างแบบลำดับชั้นจึงใช้เอาท์พุตของแต่ละเลเยอร์เป็นอินพุตของเลเยอร์ถัดไป ดังนั้น การตรวจสอบความถูกต้องของการคำนวณจึงจำเป็นต้องดำเนินการงานก่อนหน้าทั้งหมดและไม่สามารถ ได้รับการตรวจสอบอย่างง่ายดายและมีประสิทธิภาพ

จาก: AWS

การตรวจสอบการทำงานเป็นสิ่งสำคัญมาก มิฉะนั้นผู้ให้บริการการคำนวณจะไม่สามารถคำนวณได้เลยและส่งผลการสุ่มส่ง

แนวคิดหนึ่งคือการให้เซิร์ฟเวอร์ที่แตกต่างกันทำหน้าที่ประมวลผลเดียวกัน จากนั้นตรวจสอบประสิทธิภาพของงานโดยทำซ้ำการดำเนินการและตรวจสอบว่าเหมือนกันหรือไม่ อย่างไรก็ตาม การคำนวณแบบจำลองส่วนใหญ่ไม่สามารถกำหนดได้ และผลลัพธ์เดียวกันนั้นไม่สามารถทำซ้ำได้แม้จะอยู่ภายใต้สภาพแวดล้อมการประมวลผลเดียวกันทุกประการ และจะมีความคล้ายคลึงกันในแง่สถิติเท่านั้น นอกจากนี้ การนับซ้ำจะส่งผลให้ต้นทุนเพิ่มขึ้นอย่างรวดเร็ว ซึ่งไม่สอดคล้องกับเป้าหมายหลักของ DePIN ในการลดต้นทุนและเพิ่มประสิทธิภาพ

แนวคิดอีกประเภทหนึ่งคือกลไกในแง่ดีซึ่งเชื่อในแง่ดีในตอนแรกว่าผลลัพธ์ได้รับการคำนวณอย่างมีประสิทธิภาพและในขณะเดียวกันก็ทำให้ใครก็ตามสามารถตรวจสอบผลการคำนวณได้ หากพบข้อผิดพลาด สามารถส่งหลักฐานการฉ้อโกงได้ โดยข้อตกลงจะ ลงโทษผู้ฉ้อโกงและรายงานมัน ได้รับรางวัล

การทำให้ขนานกัน

ดังที่ได้กล่าวไว้ก่อนหน้านี้ DePIN ใช้ประโยชน์จากตลาดพลังงานประมวลผลสำหรับผู้บริโภคระยะยาวเป็นหลัก ซึ่งหมายความว่าพลังการประมวลผลที่อุปกรณ์ตัวเดียวสามารถให้ได้นั้นค่อนข้างจำกัด สำหรับโมเดล AI ขนาดใหญ่ การฝึกบนอุปกรณ์เครื่องเดียวจะใช้เวลานานมากและต้องใช้การทำงานแบบขนานเพื่อลดระยะเวลาการฝึก

ปัญหาหลักในการฝึกอบรมการเรียนรู้เชิงลึกแบบคู่ขนานนั้นอยู่ที่การพึ่งพาระหว่างงานก่อนหน้าและงานต่อๆ ไป ซึ่งทำให้การทำแบบคู่ขนานทำได้ยาก

ในปัจจุบัน การฝึกอบรมการเรียนรู้เชิงลึกแบบขนานนั้นส่วนใหญ่แบ่งออกเป็นความเท่าเทียมของข้อมูลและความเท่าเทียมของแบบจำลอง

ความเท่าเทียมของข้อมูลหมายถึงการกระจายข้อมูลไปยังเครื่องหลายเครื่อง แต่ละเครื่องจะบันทึกพารามิเตอร์ทั้งหมดของแบบจำลอง ใช้ข้อมูลในตัวเครื่องสำหรับการฝึกอบรม และสุดท้ายจะรวมพารามิเตอร์ของแต่ละเครื่อง ความขนานของข้อมูลทำงานได้ดีเมื่อมีข้อมูลจำนวนมาก แต่ต้องมีการสื่อสารแบบซิงโครนัสเพื่อรวมพารามิเตอร์

ความขนานของโมเดลหมายความว่าเมื่อขนาดของโมเดลใหญ่เกินกว่าที่จะใส่ลงในเครื่องเดียว โมเดลสามารถแบ่งออกเป็นหลายเครื่องได้ และเครื่องแต่ละเครื่องจะบันทึกพารามิเตอร์ส่วนหนึ่งของโมเดลไว้ การแพร่กระจายไปข้างหน้าและย้อนกลับจำเป็นต้องมีการสื่อสารระหว่างเครื่องที่แตกต่างกัน ความขนานของโมเดลมีข้อดีเมื่อโมเดลมีขนาดใหญ่ แต่ค่าใช้จ่ายในการสื่อสารระหว่างการแพร่กระจายไปข้างหน้าและข้างหลังนั้นมีมาก

ข้อมูลการไล่ระดับสีระหว่างเลเยอร์ต่างๆ สามารถแบ่งออกเป็นการอัปเดตแบบซิงโครนัสและการอัปเดตแบบอะซิงโครนัส การอัปเดตแบบซิงโครนัสนั้นง่ายและตรงไปตรงมา แต่จะเพิ่มเวลารอ อัลกอริธึมการอัปเดตแบบอะซิงโครนัสมีเวลารอสั้น แต่จะทำให้เกิดปัญหาด้านความเสถียร

จาก: มหาวิทยาลัยสแตนฟอร์ด การเรียนรู้เชิงลึกแบบขนานและแบบกระจาย

ความเป็นส่วนตัว

แนวโน้มระดับโลกในการปกป้องความเป็นส่วนตัวกำลังเพิ่มสูงขึ้น และรัฐบาลทั่วโลกกำลังเสริมสร้างความเข้มแข็งในการปกป้องความปลอดภัยความเป็นส่วนตัวของข้อมูลส่วนบุคคล แม้ว่า AI จะใช้ชุดข้อมูลสาธารณะอย่างกว้างขวาง แต่สิ่งที่ทำให้โมเดล AI ที่แตกต่างกันมีความแตกต่างอย่างแท้จริงก็คือข้อมูลผู้ใช้ที่เป็นกรรมสิทธิ์ของแต่ละองค์กร

จะได้รับประโยชน์จากข้อมูลที่เป็นกรรมสิทธิ์ในระหว่างการฝึกอบรมโดยไม่เปิดเผยความเป็นส่วนตัวได้อย่างไร จะแน่ใจได้อย่างไรว่าพารามิเตอร์ของโมเดล AI ที่สร้างขึ้นจะไม่รั่วไหล

ความเป็นส่วนตัว ความเป็นส่วนตัวของข้อมูล และความเป็นส่วนตัวของโมเดลมีสองด้าน ความเป็นส่วนตัวของข้อมูลปกป้องผู้ใช้ ในขณะที่ความเป็นส่วนตัวของโมเดลปกป้ององค์กรที่สร้างโมเดล ในสถานการณ์ปัจจุบัน ความเป็นส่วนตัวของข้อมูลมีความสำคัญมากกว่าความเป็นส่วนตัวของแบบจำลอง

มีการพยายามแก้ไขปัญหาต่างๆ มากมายเพื่อแก้ไขปัญหาความเป็นส่วนตัว การเรียนรู้แบบสมาพันธ์รับประกันความเป็นส่วนตัวของข้อมูลโดยการฝึกอบรมที่แหล่งที่มาของข้อมูล เก็บข้อมูลไว้ในเครื่อง และการส่งพารามิเตอร์โมเดล และการพิสูจน์ความรู้แบบศูนย์อาจกลายเป็นดาวรุ่ง

การวิเคราะห์กรณี: มีโครงการคุณภาพสูงใดบ้างในตลาด?

เกนซิน

Gensyn คือเครือข่ายคอมพิวเตอร์แบบกระจายที่ใช้ในการฝึกโมเดล AI เครือข่ายใช้เลเยอร์ของบล็อคเชนตาม Polkadot เพื่อตรวจสอบว่างานการเรียนรู้เชิงลึกได้รับการดำเนินการอย่างถูกต้องและทริกเกอร์การชำระเงินผ่านคำสั่ง ก่อตั้งขึ้นในปี 2563 และเปิดเผยการระดมทุน Series A มูลค่า 43 ล้านดอลลาร์สหรัฐในเดือนมิถุนายน 2566 นำโดย a16z

Gensyn ใช้ข้อมูลเมตาของกระบวนการปรับให้เหมาะสมตามการไล่ระดับสีเพื่อสร้างใบรับรองของงานที่ดำเนินการ ซึ่งดำเนินการอย่างต่อเนื่องโดยโปรโตคอลที่มีความแม่นยำบนกราฟแบบหลายเม็ดและตัวประเมินข้ามเพื่อให้งานตรวจสอบความถูกต้องสามารถรันซ้ำและเปรียบเทียบเพื่อความสอดคล้องกัน และท้ายที่สุดโดยลูกโซ่ ยืนยันด้วยตัวเองเพื่อให้แน่ใจว่าการคำนวณมีความถูกต้อง เพื่อเสริมสร้างความน่าเชื่อถือในการตรวจสอบการทำงาน Gensyn แนะนำการปักหลักเพื่อสร้างแรงจูงใจ

ผู้เข้าร่วมในระบบมีสี่ประเภท: ผู้ส่ง ผู้แก้ปัญหา ผู้ตรวจสอบ และผู้รายงาน

นักแก้ปัญหาจำเป็นต้องให้คำมั่นสัญญา และผู้แจ้งเบาะแสจะทดสอบการทำงานของผู้แก้ปัญหา หากเขาค้นพบการกระทำชั่ว เขาจะท้าทายมัน หลังจากผ่านการท้าทายแล้ว โทเค็นที่ผู้แก้ปัญหาให้คำมั่นไว้จะถูกปรับ และผู้แจ้งเบาะแสจะได้รับรางวัล

ตามการคาดการณ์ของ Gensyn โซลูชันนี้คาดว่าจะลดต้นทุนการฝึกอบรมลงเหลือ 1/5 ของต้นทุนของผู้ให้บริการแบบรวมศูนย์

นักแก้ปัญหาจำเป็นต้องให้คำมั่นสัญญา และผู้แจ้งเบาะแสจะทดสอบการทำงานของผู้แก้ปัญหา หากเขาค้นพบการกระทำชั่ว เขาจะท้าทายมัน หลังจากผ่านการท้าทายแล้ว โทเค็นที่ผู้แก้ปัญหาให้คำมั่นไว้จะถูกปรับ และผู้แจ้งเบาะแสจะได้รับรางวัล

ตามการคาดการณ์ของ Gensyn โซลูชันนี้คาดว่าจะลดต้นทุนการฝึกอบรมลงเหลือ 1/5 ของต้นทุนของผู้ให้บริการแบบรวมศูนย์

จาก: Gensyn

FedML

FedML เป็นแพลตฟอร์มแมชชีนเลิร์นนิงการทำงานร่วมกันแบบกระจายอำนาจสำหรับ AI แบบกระจายอำนาจและการทำงานร่วมกัน ทุกที่และทุกขนาด โดยเฉพาะอย่างยิ่ง FedML มอบระบบนิเวศ MLOps เพื่อฝึกอบรม ปรับใช้ ตรวจสอบ และปรับปรุงโมเดลการเรียนรู้ของเครื่องอย่างต่อเนื่อง ขณะเดียวกันก็ทำงานร่วมกันบนข้อมูล โมเดล และทรัพยากรการประมวลผลที่รวมกันในลักษณะการรักษาความเป็นส่วนตัว FedML ก่อตั้งขึ้นในปี 2022 และเปิดเผยรอบ Seed Round มูลค่า 6 ล้านดอลลาร์ในเดือนมีนาคม 2023

FedML ประกอบด้วยองค์ประกอบหลักสองส่วน ได้แก่ FedML-API และ FedML-core ซึ่งเป็นตัวแทนของ API ระดับสูงและ API ระดับต่ำตามลำดับ

FedML-core ประกอบด้วยโมดูลอิสระสองโมดูล: การสื่อสารแบบกระจายและการฝึกอบรมโมเดล โมดูลการสื่อสารมีหน้าที่รับผิดชอบในการสื่อสารพื้นฐานระหว่างพนักงาน/ลูกค้าที่แตกต่างกัน และขึ้นอยู่กับ MPI ส่วนโมดูลการฝึกอบรมแบบจำลองจะขึ้นอยู่กับ PyTorch

FedML-API สร้างขึ้นบน FedML-core ด้วย FedML-core อัลกอริธึมแบบกระจายใหม่สามารถนำไปใช้ได้อย่างง่ายดายโดยการนำอินเทอร์เฟซการเขียนโปรแกรมที่เน้นไคลเอนต์มาใช้

ผลงานล่าสุดของทีม FedML ได้พิสูจน์แล้วว่าการใช้ FedML Nexus AI ทำการอนุมานโมเดล AI บน GPU RTX 4090 สำหรับผู้บริโภคนั้นมีราคาถูกกว่า 20 เท่าและเร็วกว่า A100 ถึง 1.88 เท่า

ที่มา: FedML

แนวโน้มในอนาคต: DePIN นำเสนอการทำให้ AI เป็นประชาธิปไตย

วันหนึ่ง AI จะพัฒนาต่อไปเป็น AGI และพลังการประมวลผลจะกลายเป็นสกุลเงินสากลโดยพฤตินัย DePIN จะทำให้กระบวนการนี้เกิดขึ้นล่วงหน้า

การบูรณาการ AI และ DePIN ได้เปิดจุดเติบโตทางเทคโนโลยีใหม่ และมอบโอกาสมหาศาลสำหรับการพัฒนาปัญญาประดิษฐ์ DePIN มอบพลังการประมวลผลและข้อมูลแบบกระจายมหาศาลให้กับ AI ช่วยฝึกฝนโมเดลขนาดใหญ่ขึ้นและบรรลุความฉลาดที่แข็งแกร่งยิ่งขึ้น ในเวลาเดียวกัน DePIN ยังช่วยให้ AI พัฒนาในทิศทางที่เปิดกว้าง ปลอดภัย และเชื่อถือได้มากขึ้น โดยลดการพึ่งพาโครงสร้างพื้นฐานแบบรวมศูนย์เพียงแห่งเดียว

เมื่อมองไปสู่อนาคต AI และ DePIN จะยังคงพัฒนาร่วมกันต่อไป เครือข่ายแบบกระจายจะเป็นรากฐานที่แข็งแกร่งสำหรับการฝึกโมเดลขนาดใหญ่มาก และโมเดลเหล่านี้จะมีบทบาทสำคัญในการประยุกต์ใช้ DePIN ในขณะที่ปกป้องความเป็นส่วนตัวและความปลอดภัย AI ยังช่วยเพิ่มประสิทธิภาพโปรโตคอลเครือข่ายและอัลกอริธึม DePIN เราหวังเป็นอย่างยิ่งว่า AI และ DePIN จะนำเสนอโลกดิจิทัลที่มีประสิทธิภาพ ยุติธรรม และน่าเชื่อถือยิ่งขึ้น