Цифровая синергия: как будет развиваться слияние искусственного интеллекта и блокчейна

В ноябре 2022 года OpenAI представила чат-бота ChatGPT. Через два месяца после запуска количество активных пользователей сервиса достигло 100 миллионов . Для сравнения, TikTok потребовалось около девяти месяцев, чтобы достичь этой отметки, а Instagram — более двух лет.

К тому времени генеративный искусственный интеллект уже был довольно популярен, и новый продукт еще больше подогрел интерес к этому сегменту. Неудивительно, что волна ажиотажа вокруг искусственного интеллекта (ИИ) не обошла и криптовалютную индустрию .

С конца 2022 года периодически можно было наблюдать локальные розыгрыши токенов проектов, которые, по заверениям разработчиков, использовали данную технологию. Однако некоторые относятся к таким активам скептически, полагая не без оснований, что степень интеграции любых алгоритмов находится на низком уровне.

Однако, хотя существуют разные и довольно поляризованные взгляды на существующие продукты, существует некоторый консенсус относительно потенциальной синергии между блокчейном и искусственным интеллектом.

Многие игроки, в том числе криптобиржи и ускорители Web3 , считают, что слияние искусственного интеллекта и блокчейна принесет пользу обеим отраслям, поскольку позволит каждой из них решать существующие проблемы. Некоторые венчурные капиталисты придерживаются аналогичной точки зрения. Например, в мае 2023 года сообщалось, что Paradigm расширит свои интересы в области искусственного интеллекта .

Почему алгоритмам ИИ нужна децентрализация?

В рассказе о синергии искусственного интеллекта и блокчейна нет ничего нового. Однако, как показывают соответствующие исследования , за последние несколько лет интерес к этой области значительно возрос.

Интеграция распределенных сетей с сервисами ИИ имеет множество долгосрочных преимуществ для разработчиков ИИ. Блокчейн обладает потенциалом устранить или, по крайней мере, смягчить ряд критических барьеров, например, связанных с нехваткой вычислительной мощности.

Эта синергия также открывает доступ к инновационным вариантам взаимодействия. Например, технология DLT может обеспечить точную настройку нейронных моделей и сбор более репрезентативных наборов данных для алгоритмов обучения.

Интеграция систем с искусственным интеллектом, особенно внутрисетевыми и смарт-контрактами, также принесет пользу индустрии блокчейнов. ИИ потенциально может улучшить производительность распределенных сетей и стать основным драйвером роста сектора децентрализованных финансов (DeFi).

У всех есть проблемы

История искусственного интеллекта как научной области насчитывает почти 70 лет. Однако отрасли так и не удалось устранить некоторые барьеры, препятствующие его широкому внедрению. Более того, по мере развития отрасли возникли новые проблемы.

Ниже я подробно описываю некоторые потенциальные сценарии, в которых распределенные сети могут компенсировать определенные ограничения.

Недостаток электроэнергии

Графические процессоры (GPU) играют важную роль в алгоритмах обучения и формировании пользовательских запросов. Это особенно очевидно в отчете Nvidia за первый квартал 2024 финансового года .

На фоне роста сектора искусственного интеллекта произошел резкий рост спроса на графические процессоры — что привело к существенному дефициту микросхем . Ситуация была настолько серьезной, что крупные поставщики облачных услуг, такие как Google и Amazon, даже начали вводить ограничения для своих клиентов.

Многие компании, занимающиеся ИИ, обратились к альтернативным поставщикам (например, Lambda), но и они были близки к пределу своих мощностей.

Децентрализованные вычислительные сети могут решить эту проблему. Они де-факто являются посредниками , связывающими организации, которым необходимы вычислительные мощности, с владельцами систем, имеющими необходимые ресурсы.

Такие решения предлагают более низкие цены по сравнению с централизованными поставщиками услуг. В основном это связано с отсутствием дополнительных затрат для подключенных к системе провайдеров.

Существует два основных типа таких вычислительных сетей:

• Общего назначения (GP). К ним относятся децентрализованные облачные сервисы, которые предоставляют ресурсы различным приложениям. Их операционная модель напоминает рыночную площадку: клиенты арендуют серверное пространство у провайдеров, которые сами устанавливают цены.
• Специального назначения (СП). Они, наоборот, предназначены для конкретных сценариев использования. Обычно их архитектура объединяет вычислительные ресурсы в единый пул — своего рода децентрализованный компьютер. В этом случае стоимость услуг определяется динамикой рынка или параметрами, контролируемыми сообществом. Примером здесь является Gensyn , который предназначен для обучения моделей ML.

Децентрализованные сети демократизируют доступ к вычислительной мощности. Это снижает затраты на обучение, тонкую настройку алгоритмов и обработку пользовательских запросов, которые представляют собой еще более ресурсоемкие задачи .

Однако сообщество обеспокоено скоростью обучения моделей ML на распределенном ресурсе. По словам Мохамеда Фуды, члена Альянса и партнера Volt Capital, это может быть на один или даже два порядка медленнее, чем централизованные методы.

Команды уже работают над оптимизацией процесса децентрализованного обучения. Разработчики Together создавали решение, теоретически устраняющее узкое место, а Gensyn пытался облегчить проблемы, возникающие при подключении различного оборудования к сети.

Однако сообществу, скорее всего, придется пойти на компромисс в отношении медленного обучения, чтобы сэкономить деньги.

Машинное обучение без раскрытия информации

Отдельно хочу выделить проекты, ориентированные на машинное обучение с нулевым разглашением (ZKML) .

Для обеспечения корректной работы в вычислительных сетях используются различные механизмы, такие как доверенные среды выполнения (TEE) и модели репутации . Но каждый подход имеет свои ограничения и недостатки. Например, TEE может иметь потенциальный вектор аппаратной атаки.

Поэтому новая волна проектов (Gensyn, Modulus Labs и Giza ) начала экспериментировать с применением доказательства с нулевым разглашением (ZKP) для проверки вычислительной целостности для ML.

ZKP — это криптографический протокол , который позволяет одной стороне (доказывающей стороне) подтвердить истинность утверждения другой стороне (проверяющей стороне) без раскрытия какой-либо дополнительной информации. Протокол довольно популярен в индустрии блокчейнов, поскольку позволяет разработчикам создавать масштабируемые и безопасные приложения.

Применительно к машинному обучению ZKP скрывает часть входных данных или саму модель, если это необходимо . Это особенно актуально, когда алгоритмы работают в строго регулируемых отраслях, таких как здравоохранение и финансы.

У ZKML есть и другие преимущества. Метод, например, позволяет доказать, что конкретный алгоритм обучен на строго определенном наборе данных. В случае проприетарного ИИ это также позволяет убедиться, что одна и та же модель доступна всем пользователям.

Недостатком подхода является сам процесс генерации доказательств — это ресурсоемкая задача, выполнение которой может стоить дороже, чем исходные операции. Это означает, что в некоторых случаях его расчет нецелесообразен.

Тем не менее, ZKML — это вектор децентрализации индустрии искусственного интеллекта. Это важно в ситуации, когда концентрация технологий в руках узкого круга игроков является поводом для беспокойства .

Аутентификация контента

Развитие и распространение генеративного ИИ привели к появлению реалистичных дипфейков. Примеры включают сфабрикованные изображения Папы Франциска в пуховике Balenciaga и видео сцены взрыва возле Пентагона .

Криптографические подписи можно использовать для борьбы с такими глубокими фейками — личность создателя контента проверяется путем сопоставления пары секретного и открытого ключей. Одним из примеров реализации являются децентрализованные социальные сети. Проекты на основе протокола Lens связывают учетные записи пользователей с адресами в общедоступной цепочке блоков, упрощая идентификацию.

Команды Bundlr и Arweave также работают над общеотраслевыми стандартами . Arweave предусматривает введение спецификаций, требующих интеграции неизменяемых криптографических подписей и временных меток в цифровой контент, записанный в распределенном реестре.

Синергия искусственного интеллекта и блокчейна для повышения эффективности

В долгосрочной перспективе блокчейн повысит эффективность обучения нейронных моделей и может изменить методы проведения исследований в отрасли.

Хотя большая часть исследований блокчейна на заре его существования проводилась в академических кругах, сейчас в нем доминируют крупные технологические компании. Такая ситуация ограничивает участие местных лабораторий и частных лиц из-за отсутствия стимулов и возможностей для сотрудничества.

Децентрализованные платформы, такие как Bittensor, могут исправить ситуацию. Это торговые площадки, где участники вознаграждаются за вклад в развитие и могут обмениваться данными для обучения моделей. Такие платформы особенно привлекательны при создании ИИ с открытым исходным кодом.

Блокчейн также облегчает применение обучения с подкреплением на основе обратной связи между людьми (RLHF) . Это метод, который включает в процесс обратную связь с человеком для точной настройки нейронной модели.

RLHF позволяет «отшлифовать» модель, уменьшив количество неточных или предвзятых результатов. Например, OpenAI использовала его для отладки GPT-3 и разработки ChatGPT.

Точная настройка повышает производительность алгоритмов и позволяет им получить опыт в конкретной предметной области. По мере роста спроса на такие узкоспециализированные модели растет и потребность в экспертах, предоставляющих обратную связь.

Multicoin предлагает способ масштабирования RLHF посредством поощрительных выплат в виде токенов. Однако у этого подхода есть как минимум две проблемы:

• Эксперты должны согласиться принимать токены в качестве компенсации, что ограничивает круг лиц, участвующих в процессе обучения.

• Такую систему необходимо защищать от манипулятивных атак, чтобы поддерживать точность обратной связи.

  
  

Однако такие проекты, как Hivemapper, уже применили этот метод на практике.

Насколько умным может быть смарт-контракт?

Существует множество областей, где блокчейн-платформы могут использовать искусственный интеллект на разных уровнях, от инфраструктуры до приложений.

Однако наибольший интерес для криптовалютной индустрии представляют сценарии, в которых ИИ работает непосредственно в распределенном реестре. В общем смысле есть два способа перенести активность алгоритмов в блокчейн:

• Разрешите автономным агентам использовать инфраструктуру Web3 для осуществления платежей и доступа к цифровым ресурсам.
• Разрешите нейронным моделям взаимодействовать со смарт-контрактами через ZKML.

Интересно, не так ли?

Платежи и ресурсы для автономных агентов

Автономные экономические агенты (АЭА) — это автономные системы, основанные на алгоритмах машинного обучения, выполняющие конкретные задачи от имени своих владельцев без их прямого вмешательства в процесс.

Эксперты ожидают, что по мере развития технологий AEA станут более узкоспециализированными , что приведет к распространению «многоагентных систем».

Это, в свою очередь, повлечет за собой появление рынка, на котором одни агенты смогут «нанимать» других и выплачивать им вознаграждение за выполнение определенных задач. В этом контексте платежи в криптовалюте, вероятно, будут предпочтительнее фиатных платежей по нескольким причинам:

• Существующие законы не позволяют AEA открывать банковские счета или использовать счета владельцев счетов для проведения трансграничных транзакций.
• Криптовалюты устраняют необходимость в доверенных посредниках.
• Инфраструктура блокчейна обеспечивает более быстрые и дешевые расчеты.

AEA смогут взаимодействовать с платежными и децентрализованными сетями физической инфраструктуры (DePIN ). DePIN интегрируют аппаратные устройства — к этому сегменту можно отнести и рассмотренные выше вычислительные системы.

DePINs предоставит ИИ доступ к цифровым ресурсам, таким как дисковое пространство и вычислительная мощность. Например, если алгоритму необходимо создать 3D-модель, он может использовать Render Network для рендеринга и Arweave для хранения данных вместо того, чтобы полагаться на централизованные решения.

Интеграция ИИ в смарт-контракты

Применение моделей ИИ в смарт-контрактах значительно расширяет их возможности. Нейронные сети не только откроют доступ к инновационным вариантам использования, но и повысят эффективность существующих инструментов.

Во многом эта интеграция сдерживается высокими вычислительными затратами, связанными с развертыванием алгоритмов в блокчейне. Однако использование ZKP для проверки точного выполнения оффчейн-моделей может решить эту проблему, поскольку в распределенный реестр можно поместить только соответствующие доказательства.

Такой подход позволит смарт-контрактам принимать решения на основе динамических данных, не ограничиваясь набором жестко запрограммированных правил. Таким образом, они станут более автономными, гибкими и сложными.

ZKML можно использовать во многих отраслях промышленности, включая DeFi, GameFi, DeSo (децентрализованная социальная сеть) и DePIN.

Например, в децентрализованных финансовых приложениях ИИ может корректировать параметры протокола на основе текущих параметров сети. Одним из возможных вариантов использования является протокол кредитования, который использует модель машинного обучения для корректировки фактора обеспечения в режиме реального времени.

Другие сценарии включают автоматическое управление казначейством, кредитный ончейн-скоринг и управление ликвидностью AMM .

Заключение

В настоящее время существует противоречие между индустриями искусственного интеллекта и Web3 на базовом логическом уровне: первая сильно централизована. При этом последняя построена на принципах повсеместной децентрализации. Иногда такая ситуация затрудняет интеграцию приложений.

Однако это же противоречие позволяет продуктам этих двух секторов эффективно дополнять друг друга и способствовать взаимному развитию.

Нет никакой гарантии, что блокчейн станет основой будущих нейронных моделей или что алгоритмы будут работать в ядре децентрализованных платформ.

Но можно с уверенностью сказать, что сочетание двух технологий приведет к появлению множества новых нарративов, некоторые из которых окажутся вполне жизнеспособными.