jakiro
作者：Casey，Paradigm前投資合伙人；翻譯：比特鏈視界xiaozou
我相信開放帶來創新。近年來，人工智慧已實現飛躍式發展，具有全球效用和影響力。由於計算能力隨著資源的整合而增長，人工智慧自然而然會催生中心化問題，計算能力更強的一方將逐漸佔據主導地位。這將阻礙我們的創新步伐。我認為去中心化和Web3是保持人工智慧開放性的有力競爭者。
1 、用於預訓練和微調的去中心化計算
眾包計算（ CPUs + GPUs ）
支持意見：airbnb/uber的眾包資源模式有可能擴展到計算領域，閒置計算資源將聚合為一個市場。這可能解決如下問題：為某些用例（處理某些停機/延遲故障）提供成本更低的計算資源；使用具抗審查特性的計算資源來訓練可能將在未來受到監管或被取締的模型。
反對意見：眾包計算無法實現規模經濟；大多數高性能GPU都不是由消費者擁有的。去中心化計算完全是一個悖論；它實際上站在了高性能計算的對立面……不信可以問一下任何一個基礎設施/機器學習工程師！
項目示例：Akash、Render、io.net、Ritual、Hyperbolic、Gensyn
2 、去中心化推理
以去中心化方式運行開源模型推理
支持意見：開源（OS）模型在某些方面正越來越接近閉源模型，並獲得越來越多的採用。大多數人使用HuggingFace或Replicate這樣的中心化服務運行OS模型推理，從而引入了隱私和審查問題。有一種解決方案就是通過去中心化或分布式供應商運行推理。
反對意見：沒有必要對推理進行去中心化，局部推理將會成為最終贏家。現在正在發布可以處理7b+參數模型推理的專用晶片。邊緣計算是我們在隱私和抗審查方面解決方案。
項目示例：Ritual、gpt4all (hosted)、Ollama (web2)、Edgellama (Web3, P2P Ollama)、Petals
3 、鏈上 AI 智能體
使用機器學習的鏈上 apps
支持意見：AI智能體（使用AI的應用程式）需要一個協調層來進行交易。對於AI 智能體來說，使用加密貨幣進行支付順理成章，因為它自身就是數位技術，而且顯然智能體是無法通過KYC認證開設銀行帳戶的。去中心化人AI智能體還不存在平颱風險。例如，OpenAI可以突然決定改變他們的ChatGPT插件架構，這會破壞我的Talk2Books插件，但卻沒有事前通知。這是真實發生的。在鏈上創建的智能體就沒有這樣的平颱風險。
反對意見：代理還沒有為生產做好準備……完全沒有。BabyAGI、AutoGPT等都是玩具!此外，對於支付，創建人工智慧代理的實體可以使用Stripe API，不需要加密支付。對於平颱風險的爭論，這是加密貨幣的一個老生常談的用例，我們還沒有看到它發揮出來……為什麼這次不同?
項目示例：AI Arena、MyShell、Operator.io、Fetch.ai
4 、數據和模型來源
對數據和機器學習模型的自主管理及價值收集
支持意見：數據的所有權應該屬於生成數據的用戶，而不是收集數據的公司。數據是數字時代最寶貴的資源，然而卻被大型科技公司壟斷，而且金融化表現欠佳。高度個性化的網絡即將到來，這就要求可移植的數據和模型。我們將通過網際網路將我們的數據和模型從一個應用程式帶到另一個應用程式，就像我們讓自己的加密錢包流轉於不同的dapp之間一樣。數據來源是一個巨大問題，尤其是造假現象越來越嚴重，就連拜登也承認了這一點。區塊鏈架構很可能是解決數據來源謎題的最佳解決方案。
反對意見：沒有人在乎是否擁有自己的數據或隱私。我們已經從用戶偏好上一次又一次地看到了這一點。看看Facebook/Instagram的註冊量吧！最終，人們會信任OpenAI提供他們的機器學習數據。讓我們面對現實吧。
項目示例：Vana、Rainfall
5 、代幣激勵 Apps （如陪伴類 apps ）
設想 Character.ai 具有加密代幣獎勵
支持意見：加密代幣激勵對啟動引導網絡和行為非常有效。我們將看到大量以人工智慧為中心的應用程式採用這一機制。AI伴侶是一個引人注目的市場，我們相信該領域將是一個數萬億美元規模的AI原生市場。2022年，美國人在寵物身上花費了1300多億美元；AI陪伴類app就是寵物2.0。我們已經看到AI陪伴類app已實現產品市場契合度，Character.ai的平均會話時長為1小時以上。如果看到一個加密激勵平臺在這一領域和其他AI應用程式垂直領域佔據市場份額，我們並不會感到驚訝。
反對意見：這只是加密貨幣投機狂熱的延伸現象，並不會持久。代幣就是Web 3.0的獲客成本，難道我們還沒有從Axie Infinity身上吸取教訓嗎？
示例項目：MyShell、Deva
6 、代幣激勵的機器學習操作（如訓練、 RLHF 、推理）
設想 ScaleAI 具有加密代幣獎勵
支持意見：加密激勵可以在整個機器學習工作流程中使用，以激勵諸如優化權重、微調、RLHF等行為——由人類判斷模型的輸出以進一步微調。
反對意見：MLOps（機器學習操作）是加密貨幣獎勵的一個糟糕用例，因為質量太重要了。雖然加密代幣在熵沒問題的情況下善於激勵消費者行為，但在質量和準確性至關重要的情況下，它們並不利於協調行為。
項目示例：BitTensor、Ritual
7 、鏈上可驗證性（ ZKML ）
證明哪些模型可在鏈上有效運行並插入加密世界
支持意見：鏈上模型可驗證性將解鎖可組合性，也就意味著你可以在DeFi和加密領域中利用組合輸出。5年後，當我們有運行醫生模型的智能體為我們檢查身體，而不需要去醫院看醫生時，我們將需要有一些方法來驗證他們的知識，以及診斷具體使用的是什麼模型。模型的可驗證性就好比是智能的聲譽。
反對意見：沒有人需要驗證運行的是什麼模型。這是我們最不關心的事。我們這是在本末倒置。沒有人運行llama2卻害怕後臺運行的是其他模型。這是加密技術（零知識證明）有意要尋找一個問題來解決，以及零知識證明（ZK）大肆炒作獲得大量風投資金的後果。
示例項目：Modulus Labs、UpShot、EZKL
