作者:Kyle Samani(multi coin Capital合伙人)和ChatGPT；翻译:黄金金融加密和ChatGPT
注:本文大部分内容，包括大部分标题，都是ChatGPT写的。作者写的文字是斜体的。这里可以看到作者和ChatGPT的对话。
密码和人工智能的世界一直在平行发展，每个领域都在突破技术和创新的界限。随着我们在这两个领域继续取得进展，越来越清楚的是，它们的未来紧密交织在一起。在本文中，我们将探索加密和人工智能之间的四个重要交叉点。
“显卡的AirBnB”模型AI和机器学习(ML)工作量的上升，对NvidiaA100等高性能显卡产生了巨大的需求。对此，一个类似于“显卡换AirBnB”的新市场应运而生。这使得个人和组织可以出租他们未使用的GPU资源，以满足AI研究人员和开发人员的需求。
这是市场历史上一个真正独特的时刻。在ChatGPT推出之前，GPU供不应求。自那以后，需求可能增加了至少10倍，甚至100倍。此外，我们知道，模型随着训练规模的增大而呈对数增长；这意味着对GPU计算的需求呈指数级增长，以提高模型质量。虽然总供给远远超过需求，但对商品的需求如此大幅度地超过可供给的情况并不多见；如果今天地球上的每一个GPU都可以用于AI推理和训练，那就不会短缺，而是过剩！
然而，在探索“显卡AirBnB”的概念时，有几个主要的技术挑战需要考虑:
并非所有显卡都能支持所有工作负载:显卡有各种形状、尺寸和规格。因此，一些GPU可能无法处理一些AI任务。为了使这个模型成功，需要有一种方法来将正确的GPU资源与适当的AI工作负载相匹配。随着市场的成熟，我们应该会看到针对不同人工智能任务的显卡的进一步专业化和优化。
调整训练过程以适应更高的延迟:今天的大多数基本模型都是在GPU集群上训练的，GPU通过非常低的延迟进行连接。在去中心化的环境下，延迟会增加几个数量级，因为GPU可能分布在多个地点，通过公共互联网连接。为了克服这一挑战，有机会开发具有更高延迟连接的新训练过程。通过重新思考我们训练AI模型的方式，我们可以更好地利用更大GPU的分散集群。
认证问题:没有办法知道不可信的计算机是否执行了特定的代码片段。因此，不可信计算机的输出很难让人相信。但是，这个问题可以通过将信誉系统与加密的经济质押相结合来缓解，并且在某些情况下，还可以通过支持快速验证的新模型来缓解。
有相当多的团队在做这方面的工作，包括训练和推理。MulticoinCapital投资了Render Network，该公司最初专注于3D渲染，并开放了其GPU网络来支持AI推理。
除了RenderNetwork，还有其他公司在这个领域工作:Akash，BitTensor，Gensyn，Prodia，Together，以及其他仍在开发中的项目。
令牌激励RLHF(人类反馈强化学习)令牌激励几乎肯定不适用于人类反馈强化学习(RLHF)的所有用例。问题是，我们可以用什么框架来考虑什么时候象征性激励对RLHF有意义，什么时候应该使用现金支付(如USDC)。
随着以下情况变得更加真实，象征性激励可能会改善RLHF:
模型变得更窄，更垂直(与通用和水平相对，如ChatGPT)。如果有人将提供RLHF作为他们的主要工作，并因此通过提供RLHF产生他们的大部分收入，他们可能需要现金来支付租金和购买食物。当你从一般查询转移到更具体的领域时，模型开发人员将需要更多训练有素的员工参与，他们更有可能实现整体商业机会的长期成功。
在RLHF工作本身之外提供RLHF的人的收入越高。如果一个人有足够的收入或其他硬储蓄来证明在特定领域的RLHF模型中投资有意义的时间的风险，那么他们只能接受锁定/非流动性代币作为补偿，而不是现金。为了最大限度地提高成功的可能性，模型开发人员不仅应该向在特定领域提供RLHF的工作人员发放解锁令牌。相反，应该在一段时间内授予代币，以刺激长期决策。
令牌驱动的RLHF模型可能适用的一些行业包括:
医学:人要能和法学硕士一起搞轻量级的，先反应诊断，长期预防，长寿医学。
法律:企业主和个人应该能够使用LLM来更有效地控制各种异构法律系统的复杂性。
工程和建筑:增强设计工具或模拟模型。
金融和经济:改进预测模型、风险评估和算法交易系统。
科学研究:改进用于模拟实验、预测分子相互作用和分析复杂数据集的AI模型。
教育和培训:为人工智能驱动的学习平台做出贡献，以提高教育内容的质量和有效性。
环境科学和可持续性:优化人工智能模型以预测环境趋势、分配资源和促进可持续实践。
有一个受token启发的RLHF的垂直领域已经投入生产:地图。Hivemapper不仅适合司机，也适合花时间编辑和整理地图数据的地图编辑。可以用Hivemapper自己试试地图人工智能训练工具。
零知识机器学习(zkML)区块链不知道现实世界中正在发生什么。但是，让他们知道链外发生了什么是非常有益的，这样他们就可以根据现实世界的状态有计划地转移价值。
先知解决了这个问题的一部分。但是预言机还不够。仅仅将真实世界的数据传递给链是不够的。在进入链条之前，需要计算大量的数据。例如，让我们考虑一个收入聚合器，它需要在不同的池之间转移存款，以获得更多的收入。为了以最小化信任的方式做到这一点，聚合器需要计算所有可用池的当前收益和风险。这很快成为一个适合ML的优化问题。但是链上计算ML的成本太高，所以这是zkML的机会。
像模数实验室这样的团队正在这个领域进行建设。我们希望有更多的团队使用通用的ZKVM在这个领域进行构建，比如Risc Zero和潜伏。
深度伪造时代的真实性随着深度伪造变得越来越复杂，所以保持数字媒体的真实性和信任度非常重要。一种解决方案是使用公钥加密，它允许创作者通过用公钥签名来确保其内容的真实性。
公钥本身不足以解决真实性问题。为了验证和建立信任，需要公共记录来将公钥映射到现实世界的身份。通过将公钥与经过验证的身份相关联，可以创建一个反馈和惩罚系统，如果发现有人滥用他们的密钥，例如签署一个深度伪造的图像或视频。
为了使该系统有效，公钥签名和真实世界认证的集成将是至关重要的。支持许多加密货币系统的区块链技术可以在创建去中心化和防篡改的身份注册中发挥重要作用。注册表将公钥映射到现实世界的身份，从而更容易建立信任并追究坏人的责任。
至少会有两种配置:嵌入式硬件和用户控制的软件。
嵌入式硬件:我们预计智能手机和其他设备将很快集成基于硬件的本地图像、视频和其他媒体签名功能。
SolanaLabs最近推出了由Solana Mobile Stack驱动的Saga phone。接下来的几个月，希望S能更新，让每张照片都用S作为签名种子库SDK，证明照片不是AI生成的。
用户控制的软件:人们将使用Photoshop和Octane等设计工具和StableDiffusion等图像生成器来制作艺术品。我们期待这些软件提供商整合公钥加密机制，让创作者能够证明真实性，同时承认制作过程中使用的工具。
结论总之，加密货币和人工智能技术的融合为应对紧迫挑战和解锁跨多个行业的创新解决方案提供了大量机会。通过探索这些领域的交集，我们可以找到优化AI训练资源配置的新途径，使用令牌激励从人类反馈中加强特定领域的学习，并在面对深度伪造时保持数字媒体的真实性。
显卡的AirBnB模式提供了去中心化和民主访问高性能GPU的潜力，使更多的人和组织能够为AI研发做出贡献。受令牌启发的RLHF可以应用于从工程和金融到教育和环境科学的各个行业，并且可以利用领域专家的知识来改进人工智能模型。ZKML将允许区块链根据真实世界的复杂变化更新其财务状态。最后，通过将公钥加密与真实世界的身份验证和区块链技术相结合，我们可以创建一个强大的系统来应对深度伪造带来的挑战，并保持对数字媒体的信任。
随着我们不断发现加密和人工智能之间的协同作用，我们无疑会发现更多促进创新、创造价值和解决当今社会面临的一些最紧迫问题的机会。拥抱这两个领域的交集将帮助我们突破技术的界限，塑造一个更加互联、高效和真实的未来。
本网站声明:网站内容来源于网络。如有侵权，请联系我们，我们会及时处理。
温馨提示：注：内容来源均采集于互联网，不要轻信任何，后果自负，本站不承担任何责任。若本站收录的信息无意侵犯了贵司版权，请给我们来信(j7hr0a@163.com)，我们会及时处理和回复。
原文地址"Crypto和AI的融合：四个关键交叉点"：http://www.guoyinggangguan.com/qkl/145095.html。
微信扫描二维码关注官方微信
▲长按图片识别二维码
