AI & Crypto: Ba lĩnh vực lớn này đáng để theo dõi

Những giải pháp MLOps, phần cứng phân tán và theo dõi nguồn gốc dựa trên blockchain của Phi tập trung đã mở đường cho tương lai của trí tuệ nhân tạo trở nên Phi tập trung và bao hàm hơn.

Viết bởi: io.net

Biên tập: Alex Liu, Foresight News

Trí tuệ nhân tạo đã nhanh chóng trở thành một trong những lực lượng tập trung nhất trên thế giới. Việc phát triển và triển khai trí tuệ nhân tạo đòi hỏi nhiều tài nguyên - bao gồm vốn đầu tư lớn, khả năng tính toán tiên tiến và nhân tài cao cấp. Tất nhiên, chỉ có những tổ chức có nguồn vốn đầy đủ mới có thể đầu tư vào cơ sở hạ tầng tiên tiến và thu hút nhân tài hàng đầu, trong khi các doanh nghiệp quy mô nhỏ thì khó để theo kịp.

Trong tình huống truyền thống, MLOps (Machine Learning Operations, hoạt động học máy) được điều khiển bởi các tổ chức lớn, những tổ chức này quản lý mọi thứ từ việc thu thập dữ liệu đến việc đào tạo và triển khai mô hình. Hệ sinh thái đóng này độc quyền nguồn nhân lực và tài nguyên, tạo ra rào cản lớn cho các công ty khởi nghiệp và nhỏ.

Một trong những cách thú vị nhất để thách thức sự tập trung này của blockchain là hỗ trợ mô hình trí tuệ nhân tạo không cần phép tập trung. Bằng cách sử dụng cộng đồng phân tán để bảo vệ, xác minh, điều chỉnh và xác minh mỗi giai đoạn của quá trình triển khai LLM (Large Language Model), chúng ta có thể ngăn chặn ít người tham gia chiếm đóng lĩnh vực trí tuệ nhân tạo.

io.net đang chặt chẽ theo dõi điểm giao nhau của trí tuệ nhân tạo và blockchain, xác định ba lĩnh vực chủ chốt có thể tái cấu trúc được.

Phân phối MLOps

Trong MLOps truyền thống, các công ty công nghệ lớn chiếm ưu thế. Họ có tài nguyên chuyên môn và điều hành tất cả mọi thứ bên trong. Trong khi đó, MLOps Phi tập trung sử dụng blockchain và Token để tạo ra mạng phân tán, cho phép tham gia rộng rãi hơn trong toàn bộ vòng đời phát triển trí tuệ nhân tạo.

Từ đánh dấu dữ liệu đến điều chỉnh mô hình, mạng Phi tập trung có thể mở rộng một cách hiệu quả và công bằng hơn. Thư viện tài năng có thể được điều chỉnh dựa trên yêu cầu và độ phức tạp, điều này làm cho phương pháp này đặc biệt hiệu quả trong các lĩnh vực chuyên môn mà tài năng thường tập trung ở các công ty có nguồn vốn mạnh mẽ.

Trong trường hợp của CrunchDao, họ đã xây dựng một mô hình Phi tập trung giống như Kaggle, trong đó các tài năng AI có thể cạnh tranh để giải quyết vấn đề cho các công ty thương mại. Khi các bộ dữ liệu cụ thể trở nên phổ biến hơn, các công ty sẽ ngày càng dựa vào các mạng lưới tài năng này để cung cấp “những người trong vòng lặp” để giám sát, tinh chỉnh và tối ưu hóa. Một dự án khác, Codigo, đang sử dụng một cách tiếp cận tương tự để xây dựng một mạng lưới Phi tập trung được tạo thành từ các nhà phát triển mãhóa, những người kiếm được mã thông báo để đào tạo và tinh chỉnh các mô hình ngôn ngữ dành riêng cho Tiền điện tử.

Phần cứng phân tán

Một trong những rào cản lớn nhất trong việc phát triển trí tuệ nhân tạo hiện nay là việc tiếp cận các GPU hàng đầu như Nvidia A100 và H100. Chúng quan trọng đối với việc huấn luyện các mô hình trí tuệ nhân tạo lớn, nhưng chi phí của chúng lại quá cao đối với hầu hết các công ty startup. Đồng thời, các công ty như AWS đều đang thực hiện giao dịch trực tiếp với Nvidia, làm hạn chế thêm việc tiếp cận của các doanh nghiệp nhỏ.

Đây là lý do tại sao cần có mô hình Phi tập trung dựa trên blockchain như io.net. Bằng cách cho phép mọi người tiền hóa GPU không sử dụng (dù chúng có ở trung tâm dữ liệu, cơ sở khai thác tiền điện tử hoặc thậm chí là trong máy chơi game), các công ty nhỏ có thể có được khả năng tính toán cần thiết với chi phí rất thấp. Đây là một giải pháp thay thế không cần phê duyệt và tiết kiệm chi phí so với các nhà cung cấp đám mây truyền thống, không có rủi ro kiểm duyệt hoặc phí cao.

Theo dõi phân tán

Như Balaji Srinivasan đã nói, “Trí tuệ nhân tạo là sản phẩm số phong phú, tiền điện tử là tài sản kỹ thuật số quý hiếm; Trí tuệ nhân tạo tạo ra, tiền điện tử xác minh.” Khi mô hình trí tuệ nhân tạo ngày càng dựa vào dữ liệu mới lạ, riêng tư và được bảo vệ bản quyền, và đe dọa giả mạo ngày càng lớn, việc đảm bảo nguồn gốc dữ liệu và sự cho phép phù hợp trở nên quan trọng hơn.

Khi liên quan đến việc huấn luyện mô hình trí tuệ nhân tạo trên dữ liệu được bảo vệ mà không có sự đồng ý thích hợp, vi phạm bản quyền là một vấn đề nghiêm trọng. Đó là lý do tại sao giải pháp truy xuất nguồn gốc Phi tập trung đã xuất sắc. Sử dụng sổ sách trong suốt và Phi tập trung của blockchain, chúng ta có thể theo dõi và xác minh dữ liệu trong toàn bộ vòng đời của nó (từ việc thu thập đến triển khai) mà không phụ thuộc vào tổ chức trung tâm. Điều này tăng cường sự tin tưởng, trách nhiệm và tôn trọng quyền lợi dữ liệu, rất quan trọng đối với sự phát triển của trí tuệ nhân tạo trong tương lai.

Kết luận

Sự kết hợp giữa trí tuệ nhân tạo và công nghệ blockchain cung cấp những phương pháp mới thú vị để thách thức mối đe dọa tập trung trong phát triển trí tuệ nhân tạo. MLOps, phần cứng phân tán và giải pháp theo dõi nguồn gốc dựa trên blockchain của Phi tập trung đều đang đóng vai trò trong việc tạo ra một hệ sinh thái trí tuệ nhân tạo công bằng và có thể mở rộng hơn. Những mô hình này cho phép mạng lưới tài năng động, tận dụng tài nguyên tính toán không sử dụng và đảm bảo tính đáng tin cậy của dữ liệu, mở đường cho một tương lai trí tuệ nhân tạo Phi tập trung và bao dung hơn.