Prognozy VanEck dotyczące przychodów z kryptowalut związanych z AI do 2030 roku

Nakreślamy scenariusze przychodów z kryptowalut związanych ze sztuczną inteligencją do 2030 r., zwracając szczególną uwagę scenariusz podstawowy wynoszący 10,2 miliarda dolarów i podkreślając kluczową rolę publicznych blockchainów w napędzaniu adopcji sztucznej inteligencji za pośrednictwem podstawowych funkcji.

Należy pamiętać, że VanEck może posiadać pozycje w aktywach cyfrowych opisanych poniżej.

Najważniejsze wnioski:

• W naszym przypadku przewidywane przychody z kryptowalut związanych z AI do 2030 roku osiągną 10,2 miliarda dolarów
• Technologia blockchain może stać się kluczowym czynnikiem sprzyjającym adopcji sztucznej inteligencji i postępowi w zdecentralizowanym rozwiązaniu AI
• Integracja z zachętami kryptowalutowymi może zwiększyć bezpieczeństwo i wydajność modeli sztucznej inteligencji
• Blockchain może okazać się rozwiązaniem problemów związanych z weryfikacją tożsamości AI i integralnością danych

Istnieje duża szansa, że publiczne blockchainy będą kluczem do umożliwienia powszechnej adopcji sztucznej inteligencji (AI) i że aplikacje AI staną się racją bytu kryptowalut. Dzieje się tak, ponieważ kryptowaluty zapewniają ważne podstawowe elementy potrzebne AI, takie jak przejrzystość, niezmienność, jasno określone właściwości własności i kontradyktoryjne środowisko testowe. Wierzymy, że te właściwości okażą się pomocne w umożliwieniu sztucznej inteligencji osiągnięcia pełnego potencjału. W oparciu o szacunki rozwoju sztucznej inteligencji stwierdzamy, że bazowy scenariusz projektów kryptowalutowych skupiających się na sztucznej inteligencji umożliwi uzyskanie rocznych przychodów w wysokości 10,2 miliarda dolarów do 2030 r. W tym artykule spekulujemy na temat roli kryptowalut w ułatwianiu adopcji sztucznej inteligencji oraz wartości, jaką kryptowaluty wygenerują od firm zajmujących się sztuczną inteligencją:

Uważamy, że najlepsze zastosowania kryptowalut w AI to:

• Zapewnienie zdecentralizowanych zasobów obliczeniowych
• Testowanie modelu, dostrajanie i weryfikacja
• Ochrona praw autorskich i integralności danych
• Bezpieczeństwo sztucznej inteligencji
• Tożsamość

Krypto będzie niezwykle przydatne dla sztucznej inteligencji, ponieważ już rozwiązuje wiele obecnych i przyszłych wyzwań stojących przed sztuczną inteligencją. W swojej istocie kryptowaluty rozwiązują problemy z koordynacją. Kryptowaluta łączy ludzi, zasoby obliczeniowe i pieniężne, aby umożliwić działanie oprogramowania typu open source. Osiąga to poprzez oferowanie nagród w postaci tokenów powiązanych z wartością każdej sieci tym, którzy tworzą, wspierają i korzystają z sieci każdego blockchaina. Ten system nagród można zastosować do uruchamiania różnych składników stosu wartości AI. Jedną ze znaczących implikacji integracji kryptowalut ze sztuczną inteligencją jest wykorzystanie zachęt związanych z kryptowalutami do rozwijania niezbędnej infrastruktury fizycznej, takiej jak klastry GPU, przeznaczonej do szkolenia, dostrajania i umożliwiania korzystania z modeli generatywnych. Ponieważ kryptowaluty to kontradyktoryjne środowisko, które wykorzystuje kryptowaluty do nagradzania pożądanych zachowań użytkowników, jest to optymalna podstawa do testowania i dostrajania modeli sztucznej inteligencji w celu optymalizacji wyników zgodnych z pewnymi standardami jakości.

Blockchainy zapewniają także przejrzystość praw własności cyfrowej, co może pomóc w rozwiązaniu niektórych problemów z oprogramowaniem typu open source, z którymi sztuczna inteligencja będzie musiała się zmierzyć w sądach, co widać w pozwach NYTimes przeciwko OpenAI i Microsoft. Mianowicie kryptowaluta może w przejrzysty sposób udowodnić własność i ochronę praw autorskich właścicielom danych, twórcom modeli i użytkownikom modeli. Ta przejrzystość będzie dotyczyć również matematycznego dowodu skuteczności modelu publikowanego na publicznych blockchainach. Wreszcie ze względu na niemożliwe do podrobienia podpisy cyfrowe i integralność danych, wierzymy, że publiczne blockchainy pomogą rozwiązać problemy z identyfikacją i bezpieczeństwem, które w przeciwnym razie osłabiłyby skuteczność sztucznej inteligencji.

Definiowanie roli kryptowalut w przedsiębiorstwach z branży AI

Prognozowane przychody z kryptowalut powiązanych z AI w 2030 roku: Scenariusz pesymistyczny, bazowy i optymistyczny

Wielkość rynku TAM (miliardy USD)	Scenariusz pesymistyczny	Scenariusz bazowy	Scenariusz optymistyczny
Wzrost produktywności generatywnej AI w 2030 r. (TAM)	$2,930	$5,851	$8,494
Adopcja biznesowa sztucznej inteligencji w 2030 r.	10.00%	33.00%	50.00%
Branża AI TAM	$293	$1,931	$4,247
Przejęcie wartości stosu AI	6.00%	13.00%	20.00%
Całkowite wydatki biznesowe na AI	$17.58	$251.00	$849.44
Udział stosu AI (miliardy USD)	Scenariusz pesymistyczny	Scenariusz bazowy	Scenariusz optymistyczny
Oprogramowanie	50.00%	50.00%	50.00%
Infrastruktura AI jako usługa	18.90%	18.90%	18.90%
Tożsamość	3.50%	3.50%	3.50%
Bezpieczeństwo	8.90%	8.90%	8.90%
Roczne przychody ze stosu AI (miliardy USD)	Scenariusz pesymistyczny	Scenariusz bazowy	Scenariusz optymistyczny
Oprogramowanie	$8.79	$125.50	$424.72
Infrastruktura AI jako usługa	$3.32	$47.44	$160.54
Tożsamość	$0.62	$8.78	$29.73
Bezpieczeństwo	$1.56	$22.34	$75.60
Udział w rynku kryptowalut	Scenariusz pesymistyczny	Scenariusz bazowy	Scenariusz optymistyczny
Oprogramowanie	2.50%	5.00%	7.50%
IaaS	2.00%	4.00%	6.00%
Tożsamość	5.00%	10.00%	15.00%
Bezpieczeństwo	2.50%	5.00%	7.50%
Przychody z kryptowalut związanych z AI (miliardy USD)	Scenariusz pesymistyczny	Scenariusz bazowy	Scenariusz optymistyczny
Oprogramowanie	$0.22	$6.27	$31.85
IaaS	$0.07	$1.90	$9.63
Tożsamość	$0.03	$0.88	$4.46
Bezpieczeństwo	$0.04	$1.12	$5.67
Całkowite przychody z kryptowalut związanych z AI w 2030 r.	$0.36	$10.17	$51.62

Źródła: Morgan Stanley, Bloomberg Intelligence, VanEck Research, stan na 29.01.2024 r. Wyniki uzyskane w przeszłości nie stanowią gwarancji przyszłych wyników. Informacje, scenariusze wyceny i ceny docelowe prezentowane na tym blogu nie mają na celu porady finansowej ani wezwania do działania, rekomendacji zakupu lub sprzedaży ani prognozy przyszłych wyników przedsiębiorstw zajmujących się sztuczną inteligencją. Rzeczywiste przyszłe wyniki są nieznane i mogą znacznie różnić się od przedstawionych tutaj hipotetycznych wyników. Mogą istnieć ryzyka lub inne czynniki nieuwzględnione w przedstawionych scenariuszach, które potencjalnie pogarszają wyniki. Są to wyłącznie wyniki symulacji opartej na naszych analizach i służą wyłącznie celom ilustracyjnym. Proszę przeprowadzić własne analizy i wyciągnąć własne wnioski.

Aby prognozować rynek kryptowalut powiązanych ze, najpierw szacujemy docelowy rynek (TAM) komercyjnego wzrostu produktywności umożliwionego przez sztuczną inteligencję, a nasz punkt odniesienia dla tej liczby pochodzi z założeń McKinsey na rok 2022. Następnie stosujemy założenia dotyczące wzrostu gospodarczego i wzrostu produktywności do danych McKinsey, aby znaleźć scenariusz bazowy – TAM na rok 2030 o wartości 5,85 bln USD. W tym przypadku podstawowym zakładamy, że wzrost produktywności sztucznej inteligencji jest o 50% wyższy niż wzrost PKB, a PKB rośnie o 3%. Następnie prognozujemy penetrację rynku przez sztuczną inteligencję w przedsiębiorstwach o zasięgu globalnym (33% w scenariuszu bazowym) i stosujemy to do naszego początkowego TAM, aby osiągnąć szacunkowy wzrost produktywności wynoszący 1,93 tys. USD w przypadku firm opartych na sztucznej inteligencji. Aby obliczyć przychody wszystkich firm zajmujących się sztuczną inteligencją, zakładamy, że 13% tych wzrostów produktywności jest przejmowanych przez firmy z branży AI (lub wydawanych przez konsumentów korporacyjnych) jako przychody. Analizujemy wskaźnik przychodów ze sztucznej inteligencji, stosując średni udział kosztów pracy w przychodach przedsiębiorstw z S&P 500 i zakładamy, że wydatki na sztuczną inteligencję powinny być podobne. W kolejnej części naszej analizy zastosowano prognozy rozkładu stosu wartości AI opracowane przez Bloomberg Intelligence w celu uzyskania szacunków rocznych przychodów każdej kohorty firm zajmujących się AI. Na koniec stosujemy szczegółowe szacunki udziału w rynku kryptowalut każdej z tych firm zajmujących się sztuczną inteligencją, aby uzyskać każdy scenariusz i ostateczną kwotę dla każdego rynku.

Wyobrażamy sobie przyszłość, w której zdecentralizowane modele sztucznej inteligencji zbudowane na podstawie publicznych repozytoriów typu open source będą wykorzystywane w każdym możliwym przypadku użycia. W wielu przypadkach te modele open source konkurują ze scentralizowanymi tworami sztucznej inteligencji. Podstawą tego przypuszczenia jest założenie, że społeczności open source zrzeszają hobbystów i entuzjastów, którzy są wyjątkowo zmotywowani do wprowadzania ulepszeń. Widzieliśmy już, jak projekty internetowe typu open source niszczą tradycyjne biznesy. Najlepszymi przykładami tego zjawiska są Wikipedia skutecznie kończąca działalność komercyjnych encyklopedii i Twitter zakłócający funkcjonowanie serwisów informacyjnych. Te społeczności open source odnoszą sukcesy tam, gdzie tradycyjne firmy ponoszą porażkę, ponieważ grupy open source koordynują i motywują ludzi do zapewniania wartości poprzez połączenie wysiłków społeczności, ideologii i jedności grupy. Krótko mówiąc, społeczności open source odnoszą sukcesy, ponieważ ich członkom na tym zależy.

Integracja modeli sztucznej inteligencji typu open source z zachętami kryptowalutowymi zwiększa wpływy tych powstających społeczności, zapewniając im możliwości finansowe w celu stworzenia infrastruktury niezbędnej do przyciągnięcia nowych uczestników. Zastosowanie tych czynników do sztucznej inteligencji będzie fascynującym połączeniem pasji i zasobów finansowych. Modele sztucznej inteligencji zostaną poddane testom w konkursach motywowanych kryptowalutami, tworząc krajobraz, w którym do oceny modeli posłuży punkt odniesienia. W tym środowisku będą zwyciężać najskuteczniejsze modele i kryteria oceny, ponieważ wartość każdego modelu jest wyraźnie określona ilościowo. W związku z tym w naszym scenariuszu bazowym przewidujemy, że modele sztucznej inteligencji tworzone w oparciu o technologię blockchain będą stanowić 5% wszystkich przychodów z oprogramowania AI. Szacunki te obejmują sprzęt, oprogramowanie, usługi, reklamy, gry i inne elementy, odzwierciedlając transformację sposobu działania wielu firm. Oczekujemy, całkowite przychody z oprogramowania AI będą stanowić około połowy wszystkich przychodów ze sztucznej inteligencji i wynosić około 125,5 miliarda USD. Oczekiwany przez nas 5-procentowy udział w rynku modeli typu open source odpowiada zatem 6,27 miliarda USD przychodów uzyskiwanych z modeli sztucznej inteligencji wspieranych tokenami kryptowalutowymi.

Przewidujemy, że TAM na zapewnianie infrastruktury obliczeniowej – lub infrastruktury sztucznej inteligencji jako usługi – na potrzeby dostosowywania, szkolenia i wnioskowania może osiągnąć 47,44 miliarda dolarów do 2030 r. W miarę powszechnej adopcji sztuczna inteligencja stanie się integralną częścią wielu funkcji światowej gospodarki, zapewnianie mocy obliczeniowej i przechowywania można uznać za usługę publiczną podobną do wytwarzania i dystrybucji energii. W tej dynamice zdecydowana większość „obciążenia podstawowego” będzie pochodzić od podmiotów zapewniających usługi chmurowe GPU w hiperskali, takich jak Amazon i Google, a ich udział w rynku będzie w przybliżeniu rozkładem Pareto na poziomie 80%. Uważamy, że infrastruktura serwerów back-endowych obsługująca blockchain będzie spełniać wyspecjalizowane potrzeby i działać jako dostawca „szczytowy” podczas wysokiego zapotrzebowania na sieć. Producentom niestandardowych modeli sztucznej inteligencji dostawcy usług przechowywania i przetwarzania kryptowalut oferują korzyści, takie jak świadczenie usług na życzenie, krótsze okresy obowiązywania umowy SLA, bardziej dostosowane środowiska obliczeniowe i zwiększona wrażliwość na opóźnienia. Co więcej, zdecentralizowane procesory graficzne mogą bezproblemowo integrować się ze zdecentralizowanymi modelami sztucznej inteligencji w ramach inteligentnych kontraktów, umożliwiając przypadki użycia niewymagające uprawnień, w których agenci sztucznej inteligencji skalują własne potrzeby obliczeniowe. Postrzegając układy GPU udostępniane przez blockchain jako odpowiednik Uber/Lyft infrastruktury obliczeniowej sztucznej inteligencji, zakładamy, że obliczenia i pamięć masowa dostarczane przez blockchain przejmą 20% rynku infrastruktury sztucznej inteligencji innej niż hiperskalerzy, potencjalnie przynosząc przychody w wysokości 1,90 mld USD do 2030 roku.

Zdefiniowanie „tożsamości” w kontekście agentów i modeli sztucznej inteligencji poprzez możliwe do udowodnienia człowieczeństwo w łańcuchu można postrzegać jako mechanizm obronny Sybil dla światowych sieci komputerowych. Koszt tej usługi możemy oszacować, badając wydatki związane z obroną różnych sieci blockchain. W 2023 roku koszty te w przypadku sieci Bitcoin, Ethereum i Solana wyniosły odpowiednio około 1,71%, 4,3% i 5,57% wartości każdej sieci w emisji inflacyjnej. Konserwatywnie możemy stwierdzić, że tożsamość powinna stanowić około 3,5% rynku sztucznej inteligencji. Biorąc pod uwagę TAM wynoszący 125,5 miliarda USD na oprogramowanie AI, przekłada się to na 8,78 miliarda USD rocznych przychodów. Ponieważ wierzymy, że kryptowaluty zapewniają optymalne rozwiązanie problemów związanych z tożsamością, wierzymy, że będą miały 10% udziału w tym rynku docelowym, co oznacza roczne przychody w wysokości około 878 mln USD.

Kwestia bezpieczeństwa sztucznej inteligencji pojawi się jako kolejny ważny element urządzeń AI, a podstawowym wymogiem będzie weryfikacja poprawności działania modelu przy użyciu niezakłóconych, istotnych i aktualnych danych. W miarę jak sztuczna inteligencja zaczyna być używana w zastosowaniach, w których życie ludzi jest zagrożone, takich jak samojezdne samochody, robotyka fabryczna i systemy opieki zdrowotnej, tolerancja na awarie jest ograniczona do minimum. Potrzeba odpowiedzialności w razie wypadków będzie napędzać rynek ubezpieczeń wymagający konkretnych dowodów bezpieczeństwa. Publiczne blockchainy idealnie nadają się do pełnienia tej funkcji, ponieważ mogą zamieszczać „dowody bezpieczeństwa” w niezmiennych rejestrach, które każdy może zobaczyć. Działalność tę można porównać do zapewniania zgodności w przypadku instytucji finansowych. Biorąc pod uwagę, że amerykańskie banki komercyjne i inwestycyjne generują 660 mld USD przychodów, wydając 58,75 mld USD na pokrycie kosztów zapewnienia zgodności z przepisami (8,9% przychodów), przewidujemy, że bezpieczeństwo AI powinno kosztować około 22,34 mld USD z 251 mld USD całkowitej wartości rynku docelowego AI. Pomimo potencjału kryptowalut do zwiększenia bezpieczeństwa sztucznej inteligencji, biorąc pod uwagę koncentrację rządu USA na sztucznej inteligencji, uważamy, że większość kwestii dotyczących zgodności sztucznej inteligencji z przepisami będzie scentralizowana. W związku z tym szacujemy, że kryptowaluty będą stanowić około 5% tego rynku lub około 1,12 miliarda USD.

Organizowanie zdecentralizowanych zasobów obliczeniowych

Kryptowaluty mogą zapewnić znaczne korzyści w zakresie koordynacji społecznej i finansowej w celu demokratyzacji dostępu do obliczeń, tym samym rozwiązując obecne bolączki twórców sztucznej inteligencji. Oprócz wysokich kosztów i ograniczonego dostępu do wysokiej jakości procesorów graficznych, twórcy modeli AI borykają się obecnie z innymi dokuczliwymi problemami. Należą do nich uzależnienie od dostawcy, brak zabezpieczeń, ograniczona dostępność obliczeniowa, małe opóźnienia i geofencing wynikający z przepisów krajowych.

Zdolność kryptowalut do zaspokojenia głodu sztucznej inteligencji na układy GPU wynika ze zdolności kryptowalut do łączenia zasobów za pomocą zachęt tokenowych. Wartość tokenów w sieci Bitcoin wynosząca 850 miliardów USD i 20 miliardów USD w wartości kapitału własnego pokazują tę zdolność. W związku z tym istnieje potencjał zarówno dla obecnych górników bitcoinów, jak i obiecujących zdecentralizowanych rynków GPU, aby dodać znaczną wartość do sztucznej inteligencji poprzez dostarczanie zdecentralizowanych obliczeń.

Pomocną analogią dla zrozumienia dostarczania GPU poprzez blockchain jest branża wytwarzania energii. Upraszczając, istnieją podmioty obsługujące duże, drogie elektrownie, które stale generują energię, aby zaspokoić większość zapotrzebowania na energię elektryczną. Te elektrownie obsługujące „obciążenie podstawowe” odnotowują stały popyt, ale wymagają znacznych inwestycji kapitałowych w budowę, co skutkuje stosunkowo niskim, ale gwarantowanym zwrotem z kapitału. Uzupełnieniem obciążenia podstawowego jest inna kategoria znana jako generatory „mocy szczytowej”. Przedsiębiorstwa te dostarczają energię, gdy zapotrzebowanie na energię elektryczną przekracza możliwości wytwarzania podmiotów obsługujących obciążenie podstawowe. Wiąże się to z kosztowną produkcją energii na małą skalę, strategicznie zlokalizowaną blisko zapotrzebowania na tę energię. Przewidujemy, że podobna dynamika będzie miała miejsce w obszarze „obliczeń na życzenie”.

Dywersyfikacja górników bitcoinów w kierunku AI

Bitcoin i inne kryptowaluty typu proof-of-work dzielą ze sztuczną inteligencją duży popyt na energię. Energia ta musi być wytwarzana, pozyskiwana, transportowana i konwertowana na energię elektryczną nadającą się do zasilania koparek i klastrów obliczeniowych. Ten łańcuch dostaw wymaga znacznych inwestycji ze strony górników w elektrownie, umów zakupu energii elektrycznej, infrastruktury sieciowej i infrastruktury centrów danych. Zachęty pieniężne wiążące się z wydobywaniem kryptowalut PoW doprowadziły do pojawienia się wielu globalnie rozproszonych górników bitcoinów, którzy posiadają prawa do energii i elektryczności oraz zintegrowaną architekturę sieci. Duża część tej energii pochodzi z tańszych, społecznie odrzucanych, wysokoemisyjnych źródeł. W związku z tym najbardziej przekonującą propozycją wartości, jaką mogą zaoferować górnicy bitcoinów, jest tańsza infrastruktura energetyczna do zasilania infrastruktury zaplecza AI.

Dostawcy mocy obliczeniowej w hiperskali, tacy jak AWS i Microsoft, realizują strategię inwestowania w pionowo zintegrowane operacje i tworzenia własnych ekosystemów energetycznych. Giganci technologiczni poszli pod prąd, projektując własne układy krzemowe i pozyskując własną energię, głównie odnawialną. Centra danych zużywają obecnie dwie trzecie energii odnawialnej dostępnej dla korporacji w USA. Zarówno Microsoft, jak i Amazon zobowiązały się do zapewnienia 100% dostaw energii odnawialnej do 2025 r. Jeśli jednak przewidywane potrzeby obliczeniowe przekroczą oczekiwania, jak niektórzy sugerują, zapotrzebowanie na energię elektryczną centrów danych zorientowane na sztuczną inteligencję mogą się podwoić do 2027 roku, a nakłady inwestycyjne mogą trzykrotnie przerosnąć obecne szacunki. Już teraz giganci technologiczni płacą 0,06–0,10 USD za kWh, czyli znacznie więcej niż to, co zazwyczaj płacą górnicy bitcoinów (0,03–0,05 USD za kWh). Jeśli zapotrzebowanie na energię ze strony sztucznej inteligencji przekroczy obecne plany infrastrukturalne Big Tech, przewaga kosztowa energii elektrycznej koparki bitcoinów nad Hyperscalerami może znacznie się zwiększyć. Górników coraz bardziej przyciągają biznesy z wyższą marżą związane ze sztuczną inteligencją, powiązane z dostarczaniem mocy obliczeniowej GPU. Warto zauważyć, że w październiku Hive poinformował, że jego operacje HPC i AI generują 15 razy większe przychody niż wydobywanie bitcoinów w przeliczeniu na megawat. Inni górnicy bitcoinowi korzystający z możliwości sztucznej inteligencji to Hut 8 i Applied Digital.

Górnicy bitcoinów odnotowali wzrost na tym nowym rynku, co pomogło w dywersyfikacji przychodów i poprawiło raporty finansowe. Podczas konferencji dla analityków Hut 8 za trzeci kwartał 2023 r. dyrektor generalny Jaime Leverton stwierdził: „W naszym biznesie nabraliśmy dynamiki w trzecim kwartale dzięki dołączeniu nowych i wzrostowi wśród obecnych klientów. W zeszłym tygodniu dla klientów poszukujących usług HPC uruchomiliśmy naszą usługę w chmurze na życzenie, korzystając z naszych procesorów graficznych z aplikacjami opartymi na Kubernetes, które mogą obsługiwać sztuczną inteligencję, uczenie maszynowe, efekty wizualne i obciążenia związane z renderowaniem. Usługa ta oddaje kontrolę w ręce naszych klientów, jednocześnie skracając czas udostępniania z dni do minut, co jest szczególnie atrakcyjne dla osób poszukujących krótkoterminowych projektów HPC. Hut 8 osiągnął przychody w wysokości 4,5 mln USD z działalności HPC w trzecim kwartale 2023 roku, co stanowi ponad 25% przychodów firmy w tym okresie. Rosnący popyt na usługi HPC i nowe oferty powinny przyczynić się do rozwoju tej linii biznesowej w przyszłości, a wraz ze zbliżającym się halvingiem Bitcoina przychody HPC mogą wkrótce przekroczyć przychody z wydobycia, w zależności od warunków rynkowych.

Choć ich operacje brzmią obiecująco, górnicy bitcoinów przestawiający się na sztuczną inteligencję mogą napotkać problemy z powodu braku umiejętności w budowie centrów danych lub niemożności skalowania zasilania. Górnicy mogą również napotkać wyzwania związane z ogólnymi kosztami operacyjnymi ze względu na koszty zatrudnienia nowego zespołu sprzedaży specjalizującego się w centrach danych. Ponadto obecne operacje kopania nie charakteryzują się wystarczającą opóźnieniami ani przepustowością sieci, ponieważ optymalizacja pod kątem taniej energii powoduje, że są one zlokalizowane w odległych miejscach, często pozbawionych szybkich połączeń światłowodowych.

Wdrażanie zdecentralizowanej chmury dla sztucznej inteligencji

Dostrzegamy również długi ogon projektów kryptowalutowych skoncentrowanych na obliczeniach, które przejmą niewielką, ale znaczną część rynku zasobów serwerów AI. Podmioty te będą koordynować klastry obliczeniowe poza hiperskalerami, aby zapewnić propozycję wartości dostosowaną do potrzeb początkujących twórców sztucznej inteligencji. Korzyści ze zdecentralizowanych zasobów obliczeniowych obejmują możliwość dostosowywania, otwarty dostęp i lepsze warunki umów. Te firmy obliczeniowe oparte na blockchainie pozwalają małym graczom zajmującym się sztuczną inteligencją uniknąć znacznych wydatków i ogólnej niedostępności wysokiej klasy procesorów graficznych, takich jak H100 i A100. Przedsięwzięcia kryptowalutowe powiązane z AI zaspokoją popyt, tworząc sieć infrastruktury fizycznej zbudowanej w oparciu o zachęty w postaci tokenów kryptowalutowych, oferując jednocześnie zastrzeżony adres IP, który tworzy infrastrukturę oprogramowania w celu optymalizacji wykorzystania mocy obliczeniowej dla aplikacji AI. Projekty obliczeniowe oparte na blockchainie będą wykorzystywać podejście rynkowe wraz z nagrodami kryptowalutowymi, aby odkryć tańsze moce obliczeniowe od niezależnych centrów danych, podmiotów z nadmiarem mocy obliczeniowych i byłych górników kryptowalut opartych na protokole PoW. Kilka projektów zapewniających zdecentralizowane obliczenia dla modeli sztucznej inteligencji to Akash, Render i io.net.

Dzienny dochód Akash

Dzienny dochód Akash. Źródło: Cloudmos, stan na 30.01.2024 r. Wyniki osiągnięte w przeszłości nie stanowią gwarancji przyszłych wyników.

Akash, projekt oparty na sieci Cosmos, można uznać za zdecentralizowaną „superchmurę” ogólnego przeznaczenia, która oferuje procesor, procesor graficzny, pamięć i pamięć masową. W rzeczywistości to dwustronny rynek łączący użytkowników usług w chmurze z ich dostawcami. Oprogramowanie Akash zaprojektowano w celu koordynowania podaży obliczeniowej z popytem podczas tworzenia narzędzi ułatwiających szkolenie, dostrajanie i działanie modeli sztucznej inteligencji. Akash zapewnia też, że zarówno kupujący, jak i sprzedający na rynku uczciwie wypełniają swoje obowiązki. Koordynacja Akash odbywa się za pośrednictwem tokenów $AKT, którymi można płacić za usługi w chmurze ze zniżką. Tokeny $AKT są również rozdawane w ramach zachęty dla dostawców mocy obliczeniowych GPU i innych uczestników sieci. Po stronie podaży w Akash poczyniono ogromne postępy, dodając dostawców rozwiązań obliczeniowych, ponieważ na platformie Akash jest obecnie 65 różnych dostawców. Chociaż popyt na obliczenia był niewielki do czasu debiutu superchmury AI Akash 31 sierpnia 2023 roku, po dacie premiery nabywcy komputerów wydali 138 tysięcy USD.

Render, który niedawno przeniósł się do Solany, początkowo koncentrował się na łączeniu artystów ze zdecentralizowanymi grupami zapewniającymi moc GPU do renderowania obrazów i filmów. Jednak Render zaczął koncentrować swoją zdecentralizowaną flotę procesorów graficznych na zaspokajaniu obciążeń związanych z uczeniem maszynowym w celu obsługi modeli uczenia głębokiego. Dzięki propozycji ulepszenia sieci RNP-004 Render dysponuje teraz interfejsem API do łączenia zewnętrznych sieci, takich jak io.net, które będą wykorzystywać sieć procesorów graficznych Render do uczenia maszynowego. Kolejne propozycje społeczności Render zostały przyjęte, aby umożliwić dostęp do procesorów graficznych za pośrednictwem Beam i FEDML w celu realizacji zadań uczenia maszynowego. W związku z tym Render stał się zdecentralizowanym pośrednikiem w obciążeniach GPU koordynowanym przez płatności $RNDR dla dostawców i zachęty $RNDR dla podmiotów obsługujących infrastrukturę zaplecza sieci.

Porównanie cen procesorów graficznych Io.net. Źródło: stan na 04.01.2024 r.

Innym interesującym projektem opartym na Solanie, uważanym za DePIN lub zdecentralizowaną sieć infrastruktury fizycznej, jest io.net. Celem io.net również jest dostarczanie procesorów graficznych, ale skupia się wyłącznie na zastosowaniu procesorów graficznych do zasilania modeli sztucznej inteligencji. Io.net dodaje więcej usług do swojego podstawowego stosu, wykraczając poza zwykłą koordynacją obliczeń. Jego system ma obsługiwać wszystkie komponenty sztucznej inteligencji, w tym tworzenie, użytkowanie i dostrajanie, aby prawidłowo ułatwiać i rozwiązywać problemy związane z obciążeniami AI w sieci. Projekt wykorzystuje także inne zdecentralizowane sieci GPU, takie jak Render i Filecoin, a także własne procesory graficzne. Chociaż obecnie io.net nie posiada własnego tokena, uruchomienie takiego planowane jest na I kwartał 2024 r.

Pokonywanie wąskich gardeł zdecentralizowanych obliczeń

Wykorzystanie tych rozproszonych mocy obliczeniowych pozostaje jednak wyzwaniem ze względu na wymagania sieciowe narzucane ponad 633 TB danych, które zazwyczaj są niezbędne do szkolenia modeli uczenia głębokiego. Systemy komputerowe zlokalizowane na całym świecie również stwarzają nowe przeszkody w równoległym szkoleniu modeli ze względu na opóźnienia i różnice w możliwościach komputerów. Together jest jedną z firm atakujących z rozmachem rynek modeli open source, która buduje zdecentralizowaną chmurę do hostowania modeli sztucznej inteligencji typu open source. Together umożliwi naukowcom, programistom i firmom wykorzystywanie i ulepszanie sztucznej inteligencji za pomocą intuicyjnej platformy łączącej dane, modele i obliczenia, zwiększając dostępność sztucznej inteligencji i wzmacniając pozycję następnej generacji firm technologicznych. We współpracy z wiodącymi akademickimi instytucjami badawczymi, Together zbudowało Together Research Computer, umożliwiając laboratoriom łączenie obliczeń w celu prowadzenia badań nad sztuczną inteligencją. Firma współpracowała również z Centrum Badań nad Modelami Fundamentalnymi Uniwersytetu Stanforda (Stanford Research Center for Research on Foundational Models – CRFM) w celu stworzenia Holistycznej Ewaluacji Modeli Językowych (Holistic Evaluation of Language Models – HELM). HELM to „żywy punkt odniesienia”, który ma na celu zwiększenie transparentności sztucznej inteligencji poprzez zapewnienie znormalizowanych ram oceny takich modeli.

Od momentu powstania Together założyciel Vipul Ved Prakash stał na czele kilku projektów, takich jak 1) GPT-JT, otwarty LLM z modelem 6B parametrów trenowanym na łączu <1gbps, 2) openchatkit, rozbudowana baza open source do tworzenia zarówno wyspecjalizowanych, jak i ogólnych chatbotów, 3) redpajama, projekt mający na celu stworzenie wiodących modeli open source, z myślą o tym, by stał się on podstawą dla badań i zastosowań komercyjnych. platforma together to podstawowy model składający się z otwartych modeli na sprzęcie komercyjnym, zdecentralizowanej chmury i kompleksowej chmury programistycznej, łączącej różne źródła obliczeniowe, w tym górników detalicznych, kopalnie kryptowalut, dostawców chmury t2–t4 i akademickie systemy obliczeniowe.>

Ocena HELM (RAFT)

Wyniki GPT-JT. Źródło: stan na 04.01.2024 r.

Uważamy, że zdecentralizowane i zdemokratyzowane rozwiązania obliczeniowe w chmurze, takie jak Together, mogą znacznie obniżyć koszty tworzenia nowych modeli, potencjalnie zaburzając rynek i konkurując z uznanymi gigantami, takimi jak Amazon Web Services, Google Cloud i Azure. Dla lepszego kontekstu: Together może zaoferować ceny około czterokrotnie niższe niż AWS, porównując AWS Capacity Blocks i instancje AWS p5.48xlarge do klastrów GPU Together skonfigurowanych z taką samą liczbą procesorów graficznych H100 SXM5.

W miarę jak otwarte LLM stają się coraz dokładniejsze, a tym samym coraz szerzej stosowane, Together może stać się standardem branżowym dla modeli typu open source, podobnie jak Red Hat dla Linuksa. Konkurenci w tej dziedzinie obejmują Stability A i HuggingFace jako dostawców modeli oraz Gensyn i Coreweave jako dostawców chmury AI.

Ulepszanie modeli sztucznej inteligencji poprzez zachęty kryptowalutowe

Blockchainy i zachęty kryptowalutowe dowodzą, że efekty sieciowe i nagrody związane z wielkością tego efektu sieciowego skłaniają użytkowników do wykonywania użytecznej pracy. W kontekście wydobycia bitcoinów, zadaniem tym jest zabezpieczenie sieci Bitcoin poprzez wykorzystanie drogich banków energii elektrycznej, personelu technicznego i maszyn ASIC. Ten układ zasobów ekonomicznych zapewnia mechanizm obrony przed atakami typu Sybil, co zapobiega atakom ekonomicznym na sieć Bitcoin. W zamian górnicy zarządzający tymi zasobami otrzymują tokeny BTC. Jednak przestrzeń do użytecznej pracy dla sztucznej inteligencji jest znacznie większa, a niektóre projekty już przyczyniają się do ulepszenia modeli sztucznej inteligencji i uczenia maszynowego.

Najbardziej prymitywnym z tych projektów jest Numerai. Obecnie Numerai można uznać za zdecentralizowany turniej data science, mający na celu wyłonienie najlepszych modeli uczenia maszynowego, które optymalizują zwroty finansowe poprzez budowanie portfela akcji. Na każdym etapie anonimowi uczestnicy Numerai otrzymują dostęp do maskowanych nieprzetworzonych danych i są proszeni o wykorzystanie tych danych do zbudowania najlepszego portfela akcji. Aby wziąć w nim udział, użytkownicy muszą nie tylko przesyłać prognozy, ale także obstawiać tokenami NMR prognozy na podstawie swoich modeli, aby potwierdzić ich wartość. Inni użytkownicy mogą również obstawiać tokenami modele, które ich zdaniem będą działać najlepiej. Wyniki każdego przesłanego modelu są następnie wprowadzane do algorytmu uczenia maszynowego w celu utworzenia metamodelu, który stanowi podstawę decyzji inwestycyjnych funduszu hedgingowego Numerai One. Użytkownicy, którzy prześlą wnioski o najwyższej skuteczności, są nagradzani tokenami NMR. Równocześnie ci, którzy obstawiali najgorsze modele, zostają pozbawieni swoich tokenów (zostają one przejęte i przeznaczone na nagrody dla zwycięzców).

Podsieci i scenariusze użycia na Bittensor. Źródło: stan na 02.01.2024 r.

Podobnym projektem, który znacznie rozszerza podstawowe koncepcje Numerai, jest Bittensor. Bittensor można uznać za „Bitcoin inteligencji maszynowej”, ponieważ jest to sieć, która zapewnia zachęty ekonomiczne dla modeli AI/ML. Realizują to podmioty zwane górnikami, budującymi modele sztucznej inteligencji, oraz walidatorami, oceniającymi jakość danych wyjściowych z tych modeli. Architektura Bittensor składa się z sieci bazowej i wielu mniejszych podsieci (Subnets). Każda podsieć koncentruje się na innej dziedzinie inteligencji maszynowej. Walidatorzy przesyłają do górników w tych podsieciach różne zapytania lub żądania w celu oceny jakości ich modeli sztucznej inteligencji.

Najlepiej działające modele otrzymują najwyższe nagrody w postaci tokenów TAO, natomiast walidatorzy są wynagradzani za trafne oceny górników. Na wyższym poziomie zarówno walidatorzy, jak i górnicy muszą stakować tokeny, aby uczestniczyć w każdej podsieci, a proporcja całkowitej puli dla każdej podsieci określa, ile tokenów TAO otrzyma z całkowitej inflacji Bittensor. W ten sposób każdy górnik ma motywację nie tylko do optymalizacji swojego modelu w celu zdobycia jak największej liczby nagród, ale także do skupienia swojego modelu na najlepszej podsieci domeny AI. Co więcej, ponieważ górnicy i walidatorzy muszą utrzymywać fundusze, aby uczestniczyć w sieci, każdy z nich musi przekroczyć próg kosztu kapitału, w przeciwnym razie wypadną z systemu.

W styczniu 2024 roku istniały 32 różne podsieci, z których każda była poświęcona określonej dziedzinie uczenia maszynowego lub sztucznej inteligencji. Na przykład Podsieć 1 to LLM z komunikatami tekstowymi podobny do ChatGPT. W tej podsieci górnicy obsługują różne ulepszone wersje LLM, aby jak najlepiej reagować na komunikaty walidatorów, którzy oceniają jakość odpowiedzi. W Podsieci 8, zwanej Taoshi, górnicy przedstawiają krótkoterminowe prognozy ceny bitcoina i różnych aktywów finansowych. Bittensor posiada również podsieci poświęcone tłumaczeniu na język ludzki, przechowywaniu, audio, pozyskiwaniu danych z witryn internetowych, tłumaczeniu maszynowemu i generowaniu obrazów. Tworzenie podsieci odbywa się bez uprawnień i każdy, kto ma 200 TAO, może utworzyć podsieć. Operatorzy podsieci są odpowiedzialni za tworzenie mechanizmów oceny i nagradzania za aktywność w każdej podsieci. Na przykład Opentensor, fundacja stojąca za Bittensor, obsługuje Podsieć 1 i niedawno opublikowała model we współpracy z Cerebras w celu oceny wyników LLM górników w tej podsieci.

Chociaż wszystkie te podsieci są początkowo w pełni subsydiowane przez nagrody inflacyjne, każda podsieć będzie musiała w końcu utrzymać się ekonomicznie. W związku z tym operatorzy podsieci i weryfikatorzy muszą koordynować tworzenie narzędzi umożliwiających użytkownikom zewnętrznym płacenie za dostęp do usług każdej podsieci. W miarę zmniejszania się inflacyjnych nagród TAO, każda podsieć będzie coraz bardziej zależna od zewnętrznych przychodów, aby się utrzymać. W tym konkurencyjnym środowisku istnieje bezpośrednia presja ekonomiczna na tworzenie najlepszych modeli i zachęt dla innych do tworzenia opłacalnych zastosowań tych modeli w świecie rzeczywistym. Bittensor uwalnia potencjał sztucznej inteligencji, wykorzystując małe przedsięwzięcia do identyfikacji i monetyzacji modeli AI. Jak ujął to znany propagator Bittensor, MogMachine, dynamikę tę można uznać za „darwinowską konkurencję dla AI”.

Inną interesującą kohortą projektów jest ta wykorzystująca kryptowaluty jako zachętę do tworzenia agentów AI, którzy są zaprogramowani do autonomicznego wykonywania zadań w imieniu ludzi lub innych programów komputerowych. Podmioty te są zasadniczo adaptacyjnymi programami komputerowymi, których zadaniem jest rozwiązywanie określonych problemów. Agenci to termin obejmujący chatboty, zautomatyzowane strategie handlowe, postacie z gier, a nawet asystentów metawersum. Jednym z godnych uwagi projektów w tej dziedzinie jest Altered State Machine, platforma do tworzenia agentów AI, których własność, obsługa i szkolenie są oparte na NFT. W Altered State Machine użytkownicy tworzą swoich „agentów”, a następnie „trenują” ich przy użyciu zdecentralizowanych klastrów GPU. Agenty te są zoptymalizowane pod kątem konkretnych przypadków użycia. Kolejny projekt, Fetch.ai, to platforma do tworzenia agentów dostosowanych do potrzeb każdego użytkownika. Fetch.ai to także biznes SaaS, który umożliwia rejestrację i dzierżawę lub sprzedaż agentów.

Zwroty z tokenów powiązanych AI od 1.01.2023 r.

Źródło:  XYZ; stan na 10.01.2024 r. Wyniki osiągnięte w przeszłości nie stanowią gwarancji przyszłych wyników.

Weryfikacja poprzez dowody z wiedzą zerową

Rok 2023 był sztandarowym rokiem dla nowych modeli sztucznej inteligencji, w którym zaprezentowano ChatGPT firmy OpenAI, LLAMA-2 firmy Meta i BERT firmy Google. Z powodu obietnicy głębokiego uczenia w czerwcu 2023 roku w Stanach Zjednoczonych istniało ponad 18 563 start-upów związanych ze sztuczną inteligencją. Te i inne start-upy stworzyły tysiące nowych bazowych i dopracowanych modeli. Jednak mnożenie się wielu nowych podmiotów w przestrzeni, w której 1 na 4 dolary venture capital jest inwestowany w firmy związane ze sztuczną inteligencją, powinno budzić poważne obawy.

• Kto właściwie stworzył i jest właścicielem każdego modelu?
• Czy dane wyjściowe rzeczywiście zostały wyprodukowane na podstawie określonego modelu?
• Czy model ten jest rzeczywiście tak efektywny, jak się go reklamuje?
• Jakie było źródło danych dla każdego modelu i kto jest właścicielem tych danych?
• Czy szkolenie, dostrajanie i/lub wnioskowanie naruszyło jakiekolwiek prawa autorskie lub prawa do danych?

Zarówno inwestorzy, jak i użytkownicy tych modeli powinni mieć 100% pewność, że potrafią odpowiedzieć na te pytania. Obecnie istnieje wiele testów porównawczych dla różnych komponentów wyników LLM, takich jak HumanEval dla generowania kodu, Chatbot Arena dla zadań pomocy LLM i ARC Benchmark dla zdolności rozumowania LLM. Jednak pomimo prób zapewnienia przejrzystości modeli, takich jak Open LLM Leaderbord firmy Hugging Face, nie ma konkretnego dowodu na skuteczność modelu, jego ostateczne pochodzenie lub źródło jego danych szkoleniowych/wnioskowych. Nie tylko benchmarki mogą być oszukiwane, ale nie ma również pewności, że konkretny model został faktycznie uruchomiony (w przeciwieństwie do korzystania z API łączącego się z innym modelem), ani nie ma żadnej pewności, że same tabele wyników są uczciwe.

W tym właśnie tkwi połączenie publicznych blockchainów, sztucznej inteligencji i najnowocześniejszej dziedziny matematyki zwanej dowodami zerowej wiedzy (zk). Dowody zk pozwalają komuś udowodnić, z matematyczną pewnością do pożądanego poziomu, że oświadczenie, które składa na temat danych, jest poprawne, nie ujawniając przy tym nikomu danych leżących u jego podstaw. Instrukcje mogą zawierać proste deklaracje, takie jak rankingi, ale można je rozszerzyć na złożone obliczenia matematyczne. Na przykład, ktoś mógłby nie tylko udowodnić, że zna względne bogactwo wybranej grupy osób bez ujawniania tej wiedzy innej osobie, ale także wykazać prawidłowe obliczenie średniej i odchylenia standardowego grupy. Można udowodnić, że zna się dane i/lub dokonało się prawdziwych stwierdzeń przy użyciu tych danych, nie ujawniając ani szczegółów tych danych, ani sposobu dokonania obliczeń. Poza sztuczną inteligencją, dowody z zerową wiedzą są już stosowane do skalowania Ethereum, umożliwiając transakcje poza łańcuchem na blockchainach warstwy drugiej. Ostatnio dowody z wiedzą zerową zostały zastosowane do modeli głębokiego uczenia się w celu udowodnienia, że:

• określone dane zostały wykorzystane do wygenerowania modelu lub dostarczenia wyniku wnioskowania (również, jakie dane/źródła nie zostały wykorzystane)
• określony model został wykorzystany do wygenerowania wnioskowania
• wynik wnioskowania nie został sfałszowany

dowody z wiedzą zerową mogą być publikowane w publicznych, stałych blockchainach i weryfikowane przez inteligentne kontrakty. W rezultacie blockchainy mogą publicznie i niepodważalnie udowodnić ważne właściwości modeli sztucznej inteligencji. Dwa nowatorskie projekty stosujące dowód z wiedzą zerową w sztucznej inteligencji, określane jako „uczenie maszynowe z wiedzą zerową” (Zero-Knowledge Machine Learning – ZKML), to  i  . EZKL wykorzystuje system dowodu do generowania zk-snarks, rodzaju dowodu z wiedzą zerową, który można następnie publicznie zweryfikować za pomocą EVM Ethereum. Chociaż rozmiary modeli, które EZKL może obecnie udowodnić, są stosunkowo niewielkie, około 100 milionów parametrów w porównaniu z 175 miliardami w przypadku ChatGPT 4, dyrektor generalny EZKL uważa, że mają do czynienia z „problemem inżynieryjnym”, a nie kwestią „ograniczeń technologicznych”. EZKL uważa, że może przezwyciężyć problemy związane z dowodami, wykonując je równolegle, aby zmniejszyć ograniczenia pamięci i czas obliczeń. Jason Morton uważa, że pewnego dnia „weryfikacja modelu będzie tak łatwa, jak zawarcie transakcji na blockchainie”.

Zastosowanie dowodu ZKML do sztucznej inteligencji może rozwiązać ważne problemy związane z jej wdrażaniem, w tym kwestie praw autorskich i bezpieczeństwa. Jak pokazuje niedawny pozew New York Timesa przeciwko Open AI i Microsoftowi, prawo autorskie będzie miało zastosowanie do własności danych, a projekty AI będą musiały przedstawić dowody na swoje źródła danych. Technologię ZKML można wykorzystać do szybkiego rozstrzygania sporów sądowych dotyczących modeli i własności danych. W rzeczywistości jednym z najlepszych zastosowań ZKML jest umożliwienie platformom handlu danymi/modelami, takim jak Ocean Protocol i SingularityNet, udowodnienia autentyczności i skuteczności ich ofert.

Modele AI z czasem rozprzestrzenią się w domenach, w których pewność dokładności i bezpieczeństwa będzie miała ogromne znaczenie. Szacuje się, że do 2027 roku będzie 5,8 mld urządzeń brzegowych AI, które mogą potencjalnie obejmować maszyny ciężkie, robotykę oraz autonomiczne drony i pojazdy. Ponieważ inteligencja maszynowa jest stosowana w urządzeniach, które mogą ranić i zabijać ludzi, ważne będzie, aby udowodnić, że renomowany model został uruchomiony na tym urządzeniu przy użyciu wysokiej jakości danych z wiarygodnego źródła. Chociaż konstruowanie i publikowanie ciągłych dowodów w czasie rzeczywistym z tych urządzeń brzegowych na blockchainie będzie prawdopodobnie wyzwaniem ekonomicznym i technicznym, certyfikowanie modeli po aktywacji lub okresowe publikowanie na blockchainie może być bardziej wykonalne. Jednak Zupass, wywodzący się z Fundacji 0xPARC, opracował już dowód wywodzący się z „Proof Carrying Data”, który może w niedrogi sposób udowodnić fakty występujące na urządzeniach brzegowych. Obecnie dotyczy to frekwencji na wydarzeniach, ale można się spodziewać, że wkrótce zjawisko to przeniesie się na inne obszary, takie jak tożsamość czy nawet opieka zdrowotna.

Jak dobry jest model AI Twojego robota-chirurga?

Chirurgia wspomagana robotem. Źródło: stan na 30.01.2024.

Z punktu widzenia przedsiębiorstw, które mogą ponosić zobowiązania z tytułu nieprawidłowo funkcjonujących urządzeń, idealnym rozwiązaniem byłoby posiadanie weryfikowalnego dowodu na to, że ich model nie był przyczyną kosztownej awarii. Podobnie z punktu widzenia ubezpieczeń weryfikacja i udowodnienie stosowania wiarygodnych modeli wyszkolonych na realistycznych danych może okazać się konieczna finansowo. Podobnie, w świecie deepfake'ów AI, wykorzystywanie zweryfikowanych i poświadczonych przez blockchain kamer, telefonów i komputerów do wykonywania różnych czynności może stać się normą. Oczywiście dowody autentyczności i dokładności tych urządzeń powinny być publikowane w publicznie dostępnych rejestrach typu open source, co zapobiegnie manipulacjom i oszustwom.

Pomimo obiecującego potencjału tych dowodów, są one obecnie ograniczone opłatami paliwowymi i obciążeniem obliczeniowym. Przy obecnych cenach ETH przesłanie dowodu na blockchain kosztuje około 300–500 tys. tokenów paliwowych (ok. 35–58 USD przy obecnych cenach ETH). Z obliczeniowego punktu widzenia Sreeram Kennan z Eigenlayer szacuje, że „udowadnianie obliczeń, które kosztują 50 USD w AWS, kosztowałoby ok. 1 000 000 razy więcej przy użyciu obecnej technologii z wykorzystaniem dowodu z wiedzą zerową”. Konsekwencją jest to, że w przypadku dowodów z wiedzą zerową, które ewoluowały znacznie szybciej, niż ktokolwiek przewidywał kilka lat temu, pozostaje jeszcze wiele do zrobienia, zanim możliwe będzie ich praktyczne wykorzystanie. Załóżmy, że ktoś jest ciekawy zastosowania ZKML. W takim przypadku osoba ta może wziąć udział w zdecentralizowanym konkursie wokalnym ocenianym przez poświadczony na łańcuchu model inteligentnego kontraktu, a jej wyniki zostaną na zawsze zapisane na blockchainie.

Ustalenie człowieczeństwa za pomocą tożsamości opartej na blockchainie

Prawdopodobną konsekwencją powszechnej, zaawansowanej inteligencji maszynowej jest to, że autonomiczni agenci staną się najbardziej rozpowszechnionymi użytkownikami Internetu. Istnieje duże prawdopodobieństwo, że uwolnienie agentów AI doprowadzi do zakłóceń w sieci z powodu celowego spamu generowanego przez boty, a nawet nieszkodliwych agentów opartych na zadaniach zatykających sieci („Pozbądź się wiadomości-śmieci”). Solana odnotowała ruch danych na poziomie 100 gigabitów na sekundę, gdy boty rywalizowały o możliwości arbitrażu o wartości około 100 tysięcy USD. Wystarczy wyobrazić sobie potok ruchu w sieci, który zostanie uruchomiony, gdy agenci AI będą mogli okupować miliony korporacyjnych stron internetowych za miliardy dolarów. Wskazuje to na przyszłość Internetu z ograniczeniami nałożonymi na ruch inny niż ludzki. Jednym z najlepszych sposobów na ograniczenie tego typu ataków jest nałożenie podatków ekonomicznych na nadmierne wykorzystanie słabo wycenionych zasobów. Jak jednak określić optymalne ramy opłat za spam i jak określić człowieczeństwo?

Na szczęście blockchainy mają już wbudowaną ochronę, która zapobiega atakom Sybil w stylu botów AI. Połączenie pomiaru użytkowników niebędących ludźmi wraz z opłatami za użytkowanie przez takich użytkowników byłoby idealną implementacją wraz z nieznacznie opodatkowanymi obliczeniami, takimi jak hashcash, które hamowałyby boty. Jeśli chodzi o dowody człowieczeństwa, blockchainy od dawna zmagają się z przezwyciężeniem anonimowości w celu odblokowania takich operacji jak nie w pełni zabezpieczone pożyczki i inne działania oparte na reputacji.

Jednym z podejść, które zyskuje na popularności, do wykazania tożsamości, jest wykorzystanie tokenów sieciowych JSON (JWT). JWT to dane uwierzytelniające „0Auth” podobne do „plików cookie” generowane podczas logowania się w witrynie takiej jak Google. Pozwalają one zademonstrować swoją tożsamość Google podczas odwiedzania różnych witryn w Internecie, gdy jesteś zalogowany do Google. zKLogin, stworzony przez L1 blockchain Sui, pozwala użytkownikom łączyć klucze prywatne portfela i działania z kontami Google lub Facebook, które generują JWT. zkP2P rozszerza tę koncepcję dalej, wykorzystując JWT, aby bez uprawnień umożliwić użytkownikom wymianę walut fiducjarnych na kryptowaluty na blockchainie Base. Odbywa się to poprzez potwierdzanie przelewów gotówkowych peer-to-peer za pośrednictwem aplikacji płatniczej Venmo, które po potwierdzeniu za pośrednictwem wiadomości e-mail JWT odblokowują tokeny USDC zabezpieczone inteligentnym kontraktem. Konsekwencją obu projektów jest ustanowienie trwałych połączeń z tożsamościami poza łańcuchem. Na przykład gdy zkLogin łączy adresy portfeli z tożsamościami Google, zkP2P jest dostępny tylko dla użytkowników KYC Venmo. Chociaż obu brakuje solidnych gwarancji, aby uczynić je wystarczająco niezawodnymi dla tożsamości w łańcuchu, tworzą one ważne elementy, które inni mogą wykorzystać.

Chociaż wiele projektów próbuje potwierdzić ludzką tożsamość użytkowników blockchain, najbardziej śmiałym z nich jest Worldcoin, założony przez Sama Altmana, CEO OpenAI. Choć WorldCoin jest bardzo kontrowersyjny, ponieważ użytkownicy muszą skanować swoje tęczówki za pomocą dystopijnego urządzenia „Orb”, WorldCoin zmierza w kierunku niezmiennego systemu tożsamości, którego nie można łatwo sfałszować ani pokonać przez inteligencję maszynową. Dzieje się tak, ponieważ WorldCoin tworzy zaszyfrowany identyfikator na podstawie unikalnego „odcisku palca” oka każdego człowieka, z którego można pobrać próbkę pod kątem niepowtarzalności i autentyczności. Po weryfikacji użytkownik otrzymuje cyfrowy paszport o nazwie World ID na blockchainie Optimism, pozwalający mu udowodnić swoje człowieczeństwo na blockchainie. Co najważniejsze, unikalny podpis danej osoby nigdy nie jest ujawniany ani nie można go śledzić, ponieważ jest zaszyfrowany. World ID po prostu potwierdza, że adres na blockchainie należy do człowieka. Projekty takie jak Checkmate już łączą World ID z profilami w mediach społecznościowych, aby zapewnić użytkownikom wyjątkowość i autentyczność. W Internecie przyszłości zdominowanym przez sztuczną inteligencję powszechne może stać się definitywne udowadnianie człowieczeństwa w każdej interakcji online. Gdy ograniczenia Captcha zostaną pokonane przez sztuczną inteligencję, aplikacje blockchainowe mogą tanio, szybko i konkretnie udowodnić tożsamość.

Wkład w sztuczną inteligencję za pośrednictwem technologii blockchain

Bez wątpienia jesteśmy na początku rewolucji AI. Jeśli jednak trajektoria rozwoju inteligencji maszynowej będzie zgodna z najśmielszymi prognozami, należy rzucać wyzwania sztucznej inteligencji, aby osiągnęła sukces, jednocześnie ograniczając jej potencjał wyrządzania szkód. Uważamy, że kryptowaluty są idealnym narzędziem do bezpiecznego wykorzystania potencjału sztucznej inteligencji. Zestaw rozwiązań blockchaina dla sztucznej inteligencji może zwiększyć wydajność twórców inteligencji maszynowej, zapewniając im bardziej responsywne, elastyczne i potencjalnie tańsze zdecentralizowane obliczenia. Motywuje także twórców, którzy mogą tworzyć lepsze modele, jednocześnie zapewniając impuls gospodarczy innym do zakładania użytecznych działalności w oparciu o te modele sztucznej inteligencji. Co równie ważne, właściciele modeli mogą udowodnić ich skuteczność, wykazując jednocześnie, że nie korzystają one z chronionych źródeł danych. Użytkownikom AI aplikacje kryptowalutowe mogą potwierdzić, że uruchamiane przez nich modele są zgodne ze standardami bezpieczeństwa i prawdopodobnie są użyteczne. Dla wszystkich innych blockchain i kryptowaluty mogą być plątaniną kar i nagród, które wiążą Guliwera, którym z pewnością stanie się sztuczna inteligencja.

Dostawca	Opis	Kategoria usług	W pełni rozwodniona kapitalizacja rynkowa (w milionach)	Wykorzystanie
io.net	Zdecentralizowana sieć komputerowa umożliwiająca dostęp do rozproszonych klastrów chmurowych.	Obliczenia	Seria A zakończona	Procesory graficzne w io.net przepracowały ponad 17 tys. godzin obliczeniowych i zarobiły 190 tys. USD.
Together	Zdecentralizowana platforma chmurowa dla modeli AI typu open source.	Pula obliczeniowa	Seria A zakończona	Pierwsza usługa Together, Forge, jest na dobrej drodze do wygenerowania rocznych przychodów w wysokości 20 milionów USD.
Worldcoin	Projekt tożsamości online rozpoczęty przez Sama Altmana, który weryfikuje osobowość poprzez skanowanie tęczówek użytkowników.	Tożsamość	$27,508	World App przyciągnęła 5 milionów użytkowników w ciągu pierwszych 6 miesięcy.
Bittensor	Zdecentralizowana sieć motywacyjna stworzona, aby nagradzać najbardziej przydatne modele AI tokenami $TAO.	Optymalizacja modelu	$5,677	Bittensor rozrósł się do 80 tys. kont, na których postawiono 89% tokenów $TAO.
Render	Zdecentralizowana sieć GPU na blockchainie Solana ułatwiająca renderowanie i pracę z uczeniem maszynowym.	Obliczenia	$1,558	Sieć Render zatrudnia 600 operatorów węzłów GPU, którzy wyrenderowali 1,3 miliona scen.
Akash	Zdecentralizowana platforma superchmury oparta na blockchainie Cosmos dla procesorów, procesorów graficznych, pamięci i pamięci masowej.	Obliczenia	$1,103	Akash zapewnia ok. 2000 USD dziennych przychodów dostawcom procesorów graficznych w sieci.
Hut 8	Kopalnia aktywów cyfrowych i dostawca infrastruktury HPC.	Obliczenia	$855	Hut 8 wygenerował 4,5 mln USD przychodów ze swojej działalności HPC w trzecim kwartale 2023 r.
Fetch.ai	Platforma do tworzenia, dostosowywania i monetyzacji agentów AI.	Narzędzia agentów	$780	59 tys. unikalnych portfeli zawierających tokeny $FET.
Applied Digital	Kopalnia bitcoinów wspierająca operacje sztucznej inteligencji za pośrednictwem swojej spółki zależnej, Sai Computing, która udostępnia usługę chmury AI.	Obliczenia	$587	Applied Digital ma obecnie w fazie rozwoju moc 400 MW do obsługi aplikacji HPC.
Hive	Kopalnia bitcoinów świadcząca usługi HPC.	Obliczenia	$313	Na koniec 2023 r. działalność HPC firmy Hive miała aktywnych 4800 procesorów graficznych, a docelowo 38 000 kart z procesorami graficznymi przeznaczonych do usług w chmurze.
Altered State Machine	Zdecentralizowany protokół do szkolenia agentów AI i handlu nimi, którego można używać z NFT.	Narzędzia agentów	$110	Ponad 27 tys. unikalnych portfeli zawierających NFT, które mogą być zasilane przez agentów AI Altered State Machine.

Źródło: VanEck Research, strony internetowe projektów, stan na 15.01.2024 r.

Linki do witryn internetowych stron trzecich są udostępniane dla wygody i umieszczenie takich linków nie oznacza żadnego poparcia, zatwierdzenia, badania, weryfikacji lub monitorowania przez nas jakichkolwiek treści lub informacji zawartych lub dostępnych w powiązanych witrynach. Klikając łącze do strony internetowej innej niż VanEck, potwierdzasz, że wchodzisz na witrynę internetową strony trzeciej podlegającą jej własnym warunkom. VanEck nie ponosi odpowiedzialności za treść, legalność dostępu i przydatność witryn internetowych osób trzecich.

Czynniki ryzyka

• Ryzyko technologiczne: Systemy handlowe i transakcyjne mogą zostać zhakowane lub działać nieprawidłowo, powodując utratę zasobów cyfrowych.
• Ryzyko regulacyjne: Zakłócenia i interwencje mogą spowodować, że zasoby cyfrowe staną się nielegalne.
• Ryzyko całkowitej straty: Brak gwarancji dotyczącej przechowywania ze względu na ryzyko włamań, ryzyko kontrahenta i ryzyko rynkowe.
• Ryzyko ekstremalnej zmienności: Ceny transakcyjne aktywów cyfrowych mogą charakteryzować się ekstremalną zmiennością.
• Inne zagrożenia specyficzne dla cyfrowych aktywów ETN można również znaleźć w akademii kryptowalut VanEck

Ujawnienie: VanEck ma udział w Together dzięki naszemu strategicznemu partnerstwu z Cadenza, menedżerem ds. przedsięwzięć na wczesnym etapie rozwoju, który był na tyle uprzejmy, że przyczynił się do powstania sekcji „Przezwyciężanie wąskich gardeł zdecentralizowanych obliczeń”.

Specjalne podziękowania dla:

Jason Morton, dyrektor generalny ZKML

Ala Shaabana, współzałożycielka Bittensor

Arrash Yasavolian, założyciel podsieci Taoshi firmy Bittensor

Greg Osuri, dyrektor generalny i założyciel Akash

Richard Liang, dyrektor generalny zkP2P

Kluczowi członkowie zespołu Sui Blockchain – Sam Blackshear, Nihar Shah, Sina Nader, Alonso Gortari