加密货币与人工智能融合：四个关键交汇点

编者注： 本博文的绝大部分内容（包括大多数标题）由 ChatGPT 撰写。Kyle 撰写的内容用斜体表示。您可以点击[此处]（https://chat.openai.com/share/efa7424b-94cb-412b-ae5a-4fbf889f9ca5 “聊天对话”）查看与本博文相关的 ChatGPT 对话过程。您也可以收听（https://drive.google.com/file/d/1sbf-jE9FSA0WrPszw8XoP2jooQzCZRuq/view “Kyle 声音人工智能后期录音”）模拟 Kyle 声音朗读的本博文。Kyle 并未参与朗读和录音；而是将音频样本上传到名为 [play.ht]（http://play.ht “Play HT”）的服务，随后向其提供了本博文的文本，该服务使用人工智能合成了他的声音。

加密货币和人工智能 (AI) 的世界一直在并行发展，两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不断取得进展，我们越发清楚，二者的未来密不可分。在这篇文章中，我们将探讨加密货币与人工智能融合的四个重要交汇点。

“显卡界 AirBnB”模式

人工智能和机器学习 (ML) 工作负载的增加激发了对 Nvidia A100 等高性能显卡的巨大需求。类似于“显卡界 AirBnB”的新兴市场应运而生。个人和组织可以出租闲置的 GPU 资源，满足人工智能研究人员和开发人员的需求。

这是市场发展史上的重要时刻。在推出 ChatGPT 之前，GPU 的供应已经供不应求。自那以后，需求可能增长了至少十倍，甚至高达百倍。此外，我们知道模型会随着训练规模的增加呈对数增长；这意味着对 GPU 计算的需求会随着模型质量的线性增长呈指数级增长。虽然事实上总供给远超需求量，但对某种商品的需求远远超过可用供给的情况却极少出现；如果今天地球上的所有 GPU 都能用于人工智能推理和训练，那么就不会出现短缺，而是过剩！

然而，在探讨“显卡界 AirBnB”这一概念时，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：显卡的形状、尺寸和规格各有不同。因此，部分 GPU 可能无法执行某些人工智能任务。为了让这一模式发挥作用，我们需要设法将正确的 GPU 资源与适当的人工智能工作负载相匹配。随着市场不断成熟，之后应该会针对不同人工智能任务的显卡完成进一步特化和优化。
• 调整训练过程以适应更高延迟：如今大多数基础模型是在通过极低延迟连接相连的 GPU 集群上完成训练的。在去中心化环境中，延迟会增加几个数量级，因为 GPU 可能分布在多个位置并通过公共互联网连接。为了克服这一挑战，我们应该抓住机会开发出具有更高延迟连接的新训练过程。重新思考训练人工智能模型的方式可以让我们更好地利用大型 GPU 的去中心化集群。
• 验证问题： 我们无法得知，不受信任的计算机是否执行了一段特定代码。所以，很难信任不受信任的计算机的输出。但是，这个问题可以通过信誉系统配合加密经济权益质押来缓解，在某些情况下，还可以通过能够快速验证的新型模式来解决。

有许多团队专注于训练和推理领域。Multicoin Capital 投资了 [Render Network]（https://rendertoken.com/ “Render Network”），这家公司最初专注于[三维渲染]（https://multicoin.capital/2021/12/21/rendering-the-metaverse/ “渲染元宇宙”），此后也通过开放 GPU 网络来[支持人工智能推理]（https://twitter.com/JulesUrbach/status/1645464824678318081?s=20 “Jules 的 Twitter 账号”）。

除了 Render Network 以外，该领域的其他参与者还包括：[Akash]（https://akash.network/ “Akash”）、[BitTensor]（https://bittensor.com/ “Bit Tensor”）、[Gensyn]（https://www.gensyn.ai/ “Gensyn”）、[Prodia]（https://app.prodia.com/#/art-ai “Prodia”）、[Together]（https://www.together.xyz/ “Together”），以及一些仍不为人知的隐秘公司。*

代币激励的人类反馈强化学习 (RLHF)

基本可以肯定的是，代币激励并不适用于人类反馈强化学习（[RLHF]（https://en.wikipedia.org/wiki/Reinforcement_learning_from_human_feedback “RLHF”））的所有用途。问题是，我们可以使用哪些框架来思考代币激励何时对 RLHF 有作用，以及何时应该使用现金支付（例如 USDC）。

如果以下情况成为现实，代币激励便有望改善 RLHF：

• 模型变得更加狭窄和垂直（与通用和水平相反，例如 ChatGPT）。 如果有人将提供 RLHF 作为主要工作，并通过提供 RLHF 产生大部分收入，他们可能需要现金来支付租金和购买食物。如果从通用查询转向更具体的领域，模型开发者就需要更多训练有素的工作人员参与进来，这样才更有可能在整体业务机会的长期成功中收益。
• 在 RLHF 工作本身之外提供 RLHF 的人的收入更高。 如果某人从其他工作中获得足够的收入或储蓄，能够证明在特定领域 RLHF 模型中投入时间的风险是合理的，那么他们才有能力接受已锁定代币/非流动性代币作为代替现金的补偿。为了最大限度地提高成功的可能性，模型开发者不应该只向提供特定领域 RLHF 的工作人员发放未锁定的代币。为了激励长期决策，代币归属权的交予应该持续一段时间。

代币激励的 RLHF 模型可能适用于以下一些行业：

• 医学： 医学领域应该能够利用大型语言模型 (LLM) 进行轻量级的急救诊断，以及以长寿为重点的长期预防性医学研究。
• 法律： 企业主和个人应该能够利用大型语言模型 (LLM)，更有效且更高效地应对各种不同法律体系的复杂性。
• 工程与建筑： 改进设计工具或仿真模型。
• 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： 完善用于模拟实验、预测分子间相互作用和分析复杂数据集的人工智能模型。
• 教育培训： 支持人工智能驱动的学习平台，提升教育内容的质量和效果。
• 环境科学与可持续发展： 优化用于预测环境趋势、资源分配和促进可持续实践的人工智能模型。

代币激励的 RLHF 已经在一个垂直领域投入生产：地图。[Hivemapper]（https://hivemapper.com/ “Hivemapper”）不仅对驾驶员很有意义，对花费时间编辑和整理地图数据的地图编辑者也有好处。您可以使用 Hivemapper 的[地图人工智能训练工具]（https://hivemapper.com/contribute/map-ai-training/ “人工智能训练”）亲自尝试一下*。

零知识机器学习 (zkML)

区块链不知道现实世界正在发生什么。然而，了解链外发生的事件对区块链来说非常有用，这样它们就可以根据现实生活 (IRL) 状态以编程方式转移价值。

预言机解决了这个问题的一部分。但只有预言机还不够。仅仅将现实生活 (IRL) 数据传送到链是不够的。在进入链之前，需要计算大量数据。例如，以收益聚合器为例，它需要在各种池之间转移存款以赚取更多收益。为了以信任最小化的方式做到这一点，聚合器需要计算所有可用池的当前收益率和风险。这很快就会变成一个适合机器学习 (ML) 的优化问题。但是链上机器学习的计算成本过高，这正是利用零知识机器学习 (zkML) 的机会。

[Modulus Labs]（https://www.moduluslabs.xyz/ “Modulus Labs”）等团队目前正在这一领域开发。我们希望有更多团队在这个领域使用通用 ZKVM 进行构建，比如 [Risc Zero]（https://www.risczero.com/ “Risc Zero”）和 [Lurk]（https://filecoin.io/blog/posts/introducing-lurk-a-programming-language-for-recursive-zk-snarks/ “Lurk”）。

深度造假时代的真实性

深度造假变得越来越复杂，保持数字媒体的真实性和可信度 至关重要。一种解决方案是利用公钥密码技术，允许创作者使用公钥对其内容进行签名，使用个人信誉保证内容的真实性。

公钥本身并不足以解决真实性问题。还需要有公共记录，将公钥映射到现实世界的身份，以便进行验证和建立信任。通过将公钥与经过验证的身份相关联，如果发现有人滥用其密钥（比如在深度伪造的图像或视频上签名），就有可能创建反馈和惩罚系统。

为了使这个系统发挥作用，将公钥签名与现实世界的身份验证集成是至关重要的。区块链技术是许多加密货币系统的基础，它可以在创建去中心化和防篡改的身份注册方面发挥重要作用。身份注册会将公钥映射到现实世界的身份，这样就更容易建立信任并追究不良行为者的责任。

至少需要两种配置：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很快将会为图像、视频和其他媒体集成基于本机硬件的媒体签名功能。
  • Solana Labs 近期推出了 [Saga]（https://solanamobile.com/hardware "Saga Phone"）手机，这款手机由 [Solana Mobile Stack (SMS)]（https://solana.com/news/solana-mobile-stack-reveal “Solana Mobile Stack”）提供支持。预计 SMS 将在未来几个月内进行更新，实现每张照片都使用 SMS [种子库 SDK]（https://github.com/solana-mobile/seed-vault-sdk “查看种子库”）进行签名，以此证明照片不是由人工智能生成的。
• 用户控制的软件： 人们将使用设计工具（如 Photoshop、Octane）和图像生成器（如 Stable Diffusion）来创作艺术作品。我们希望这些软件提供商能够集成公钥加密机制，允许创作者证明作品真实性，同时也承认制作过程中使用的工具。

结论

总而言之，加密货币和人工智能技术的融合为解决紧迫挑战和发掘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汇点，我们可以找到新的方法来优化人工智能训练中的资源分配，利用代币激励从人类反馈中进行特定领域的强化学习，同时在深度造假时代保持数字媒体的真实性。

“显卡界 AirBnB”模式为获取高性能 GPU 提供了去中心化和大众化的可能方案，让更多个人和组织能够为人工智能的研究和开发做出贡献。代币激励的 RLHF 可以应用于从工程和金融到教育和环境科学的各行各业，通过利用不同领域专家的知识来改进人工智能模型。零知识机器学习 (ZKML) 将允许区块链根据现实世界的复杂变化更新链上的财务状况。 最后，通过将公钥密码技术与现实世界的身份验证和区块链技术相结合，我们可以创建出强大的系统来应对深度造假带来的挑战，同时保持数字媒体的可信度。

随着我们继续探索加密货币和人工智能之间的协同作用，我们必然会发现更多机会，帮助我们推动创新、创造价值，解决当今社会面临的一些紧迫问题。积极推进这两个领域的交汇融合将有助于我们突破技术界限，塑造更加互联、高效和真实的未来世界。

如果您也在研究加密货币和人工智能的交汇点 - 无论是构建这些用例还是其他内容，欢迎通过电子邮件 (kyle@multicoin.capital)、[Telegram]（https://t.me/kylesamani Kyle Samani 的 Telegram 账号）、[Twitter]（https://twitter.com/kylesamani Kyle Samani 的 Twitter 账号）或 [Warpcast]（https://warpcast.com/kylesamani Kyle Samani 的 Warpcast 账号）联系我们。我们很愿意和您聊一聊！