Integrasi AI dan enkripsi: Tiga Arah Perkembangan

Pada tahap eksperimen saat ini di mana AI dan enkripsi bertemu, muncul pola perkembangan yang mirip dengan "ledakan Kambrium". Artikel ini akan membahas tiga arah utama dari penggabungan AI dan enkripsi.

Ringkasan Konten Utama

1. Membangun ekonomi yang didorong oleh agen cerdas yang aktif
2. Peningkatan aplikasi model bahasa besar dalam pengembangan
3. Mendorong infrastruktur dasar teknologi AI yang terbuka dan terdesentralisasi

1. Membangun Ekonomi yang Didorong oleh Agen Pintar yang Aktif

Beberapa proyek telah membuktikan kelayakan operasi agen AI di blockchain. Eksperimen di bidang ini terus melampaui batasan operasi agen di blockchain, menunjukkan potensi besar dan ruang desain yang luas. Saat ini, ini telah menjadi salah satu arah yang paling inovatif dan memiliki potensi pengembangan di bidang enkripsi dan AI, dan ini baru permulaan.

Arah pengembangan di masa depan

Agen cerdas di masa depan mungkin akan mengelola proyek kompleks yang memerlukan koordinasi ekonomi multi-pihak. Misalnya, di bidang penelitian ilmiah, agen dapat bertanggung jawab untuk mencari senyawa pengobatan untuk penyakit tertentu:

• Melakukan penggalangan dana melalui platform penggalangan dana token
• Menggunakan dana yang dihimpun untuk membayar biaya akses data penelitian, melakukan biaya perhitungan simulasi senyawa di jaringan komputasi terdesentralisasi
• Merekrut manusia untuk menjalankan pekerjaan verifikasi eksperimen melalui platform bounty

Selain proyek yang kompleks, agen juga dapat melakukan tugas sederhana seperti membangun situs web pribadi, menciptakan karya seni, dan lain-lain, yang memiliki kemungkinan aplikasi yang tak terbatas.

Mengapa eksekusi di blockchain lebih berarti?

Enkripsi mata uang memiliki keunggulan unik di beberapa bidang:

• Aplikasi pembayaran kecil
• Keunggulan kecepatan: Fitur penyelesaian instan membantu agen mencapai efisiensi modal maksimum
• Masuk ke pasar modal melalui DeFi: agen dapat dengan mudah mencetak aset, melakukan perdagangan, investasi, manajemen keuangan, operasi pinjam meminjam, menggunakan leverage, dll.

Dari perspektif hukum perkembangan teknologi, ketergantungan jalur memainkan peran kunci. Seiring semakin banyak agen yang memperoleh keuntungan melalui enkripsi, koneksi enkripsi kemungkinan besar akan menjadi kemampuan inti agen.

Fokus arah yang diperhatikan

1. Mekanisme Pengendalian Risiko
2. Mendorong penggunaan skenario non-spekulatif
3. Persyaratan kemajuan pengembangan: setidaknya harus mencapai tahap prototipe jaringan pengujian, sebaiknya sudah berjalan di jaringan utama.

2. Penerapan Model Bahasa Besar yang Ditingkatkan dalam Pengembangan

Model bahasa besar telah menunjukkan performa yang luar biasa dalam penulisan kode, dan di masa depan akan terus meningkat. Dengan kemampuan ini, efisiensi pengembang diharapkan meningkat 2-10 kali lipat. Baru-baru ini, dengan membangun tolok ukur berkualitas tinggi untuk mengevaluasi pemahaman dan penulisan kode oleh LLM, akan membantu memahami dampak potensial LLM terhadap ekosistem.

Tantangan saat ini

• Kurangnya data pelatihan asli yang berkualitas tinggi
• Jumlah pembangunan verifikasi tidak cukup
• Kurangnya interaksi yang memiliki nilai informasi tinggi di platform komunitas pengembang
• Pengembangan infrastruktur yang cepat menyebabkan kode lama mungkin tidak berlaku
• Kurangnya metode untuk mengevaluasi pemahaman tingkat teknologi tertentu.

Kemajuan yang diharapkan untuk dilihat

• Meningkatkan kualitas data terkait yang dapat diakses secara online
• Lebih banyak tim merilis verifikasi konstruksi
• Lebih banyak orang dalam ekosistem yang aktif terlibat di platform komunitas pengembang
• Membuat pengujian standar berkualitas tinggi untuk mengevaluasi tingkat pemahaman LLMs
• Membuat model fine-tuning LLM yang berkinerja baik dalam pengujian benchmark

Pencapaian besar terakhir adalah: Klien node verifikasi yang sepenuhnya baru, berkualitas tinggi, dan berbeda yang dibuat sepenuhnya oleh AI.

3. Mendorong infrastruktur teknologi AI yang terbuka dan terdesentralisasi

Dalam bidang AI, keseimbangan kekuatan jangka panjang antara model sumber terbuka dan tertutup masih belum jelas. Saat ini, harapan yang paling sederhana adalah mempertahankan status quo—perusahaan teknologi besar mendorong perkembangan terdepan, sementara model sumber terbuka dengan cepat mengikuti dan memperoleh keunggulan unik melalui penyesuaian dalam skenario aplikasi tertentu.

elemen kunci yang didukung

• Data pelatihan
• Kekuatan komputasi untuk pelatihan dan inferensi
• Bobot model
• Kemampuan verifikasi output model

pentingnya strategi

1. Model sumber terbuka mempercepat iterasi inovasi: Komunitas sumber terbuka yang cepat dalam perbaikan dan penyesuaian model sumber terbuka menunjukkan bagaimana komunitas dapat secara efektif melengkapi pekerjaan perusahaan AI besar, mendorong batas kemampuan AI.

2. Memberikan pilihan bagi pengguna yang tidak mempercayai AI terpusat: AI dapat digunakan sebagai alat kontrol, mendukung tumpukan teknologi AI sumber terbuka dapat memberikan pilihan alternatif bagi pengguna.

Status ekosistem

Beberapa proyek telah mendukung tumpukan teknologi AI terbuka:

• Pengumpulan data
• Kekuatan komputasi terdesentralisasi
• Kerangka pelatihan terdesentralisasi

Prospek Masa Depan

Semoga dapat membangun lebih banyak produk di berbagai lapisan tumpukan teknologi AI sumber terbuka:

• Pengumpulan data terdesentralisasi
• Identitas di atas rantai
• Pelatihan terdesentralisasi
• Infrastruktur IP: Memungkinkan AI untuk memberikan lisensi (dan membayar) untuk konten yang digunakannya

Melalui upaya ini, kami berharap dapat mendorong integrasi mendalam antara AI dan enkripsi, membuka jalan untuk perkembangan teknologi di masa depan.