Tiga Arah Perkembangan Integrasi AI dan enkripsi

Saat ini, kombinasi antara kecerdasan buatan dan enkripsi sedang dalam tahap perkembangan yang pesat. Artikel ini akan menjelaskan secara rinci tiga arah pengembangan utama dari penggabungan AI+enkripsi.

1. Membangun Ekonomi yang Didorong oleh Agen Cerdas yang Aktif

Praktik terbaru telah membuktikan kelayakan agen AI beroperasi di atas blockchain. Bidang ini terus menerus menembus batas operasi di dalam rantai agen, dengan potensi besar dan ruang desain yang luas. Saat ini, ini telah menjadi salah satu arah paling inovatif dan berpotensi tinggi dalam bidang enkripsi dan AI, dan ini baru permulaan.

Di masa depan, agen cerdas 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. Secara spesifik:

• Melakukan penggalangan dana melalui platform penggalangan dana token
• Memanfaatkan dana yang dihimpun untuk membayar biaya akses data penelitian, dan biaya perhitungan simulasi senyawa di jaringan komputasi terdesentralisasi.
• Merekrut manusia untuk 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 sebagainya, dengan kemungkinan aplikasi yang tidak terbatas.

Agen pintar memiliki keunggulan dalam melaksanakan aktivitas keuangan di blockchain dibandingkan menggunakan saluran tradisional:

• 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 transaksi, investasi, operasi pinjam-meminjam, menggunakan leverage, dan lainnya

Arah perkembangan di masa depan harus diperhatikan:

1. Mekanisme pengendalian risiko
2. Mendorong skenario penggunaan non-spekulatif
3. Persyaratan kemajuan pengembangan: setidaknya harus mencapai tahap prototipe jaringan pengujian, lebih baik jika sudah berjalan di jaringan utama.

2. Meningkatkan kemampuan model bahasa besar dalam pengembangan kode

Model bahasa besar telah menunjukkan performa yang sangat baik dalam penulisan kode, dan di masa depan akan terus meningkat. Melalui kemampuan ini, efisiensi pengembang diharapkan meningkat 2-10 kali lipat. Baru-baru ini, dengan membangun tolok ukur berkualitas tinggi untuk mengevaluasi pemahaman dan kemampuan model bahasa besar dalam menulis kode, akan membantu memahami potensi dampaknya terhadap ekosistem. Rencana pemfinelan model berkualitas tinggi akan diverifikasi dalam pengujian tolok ukur.

Namun, masih ada beberapa tantangan saat ini:

• Kurangnya data pelatihan asli yang berkualitas tinggi
• Jumlah konstruksi verifikasi tidak cukup
• Di platform tanya jawab teknologi kurang interaksi yang memiliki nilai informasi tinggi
• Perkembangan infrastruktur yang pesat menyebabkan kode lama mungkin tidak cocok untuk kebutuhan saat ini
• Kurangnya model evaluasi untuk memahami tingkat pemahaman terhadap teknologi tertentu

Arah pengembangan di masa depan:

• Meningkatkan kualitas data yang relevan di internet
• Mendorong lebih banyak tim untuk merilis konstruksi verifikasi
• Ajukan pertanyaan yang baik dan berikan jawaban berkualitas tinggi di platform tanya jawab teknologi
• Membuat pengujian acuan berkualitas tinggi untuk mengevaluasi tingkat pemahaman model bahasa besar
• Membuat skema fine-tuning model yang berkinerja baik dalam pengujian benchmark

Prestasi besar terakhir akan menjadi: klien node validasi baru yang sepenuhnya dibuat oleh AI, berkualitas tinggi, dan terdistribusi.

3. Mendukung tumpukan teknologi AI yang terbuka dan terdesentralisasi

Keseimbangan kekuatan jangka panjang antara model sumber terbuka dan tertutup masih belum jelas. Ekspektasi yang paling sederhana saat ini adalah mempertahankan status quo—perusahaan teknologi besar mendorong perkembangan terdepan, sementara model sumber terbuka dengan cepat mengikuti dan mendapatkan keuntungan unik melalui penyesuaian di aplikasi tertentu.

Pentingnya mendukung tumpukan teknologi AI terbuka terletak pada:

1. Model sumber terbuka mempercepat iterasi inovasi: Komunitas sumber terbuka melakukan perbaikan dan penyesuaian cepat terhadap model sumber terbuka, menunjukkan bagaimana komunitas dapat secara efektif melengkapi pekerjaan perusahaan AI besar dan 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 solusi alternatif bagi pengguna.

Saat ini sudah ada beberapa proyek yang mendukung tumpukan teknologi AI terbuka:

• Pengumpulan data
• Kekuatan komputasi terdesentralisasi
• Kerangka pelatihan terdesentralisasi

Arah pengembangan di masa depan:

• Pengumpulan data terdesentralisasi
• Identitas di blockchain: mendukung protokol yang memverifikasi identitas manusia melalui dompet, protokol yang memverifikasi respons AI API
• Pelatihan terdesentralisasi
• Infrastruktur IP: memungkinkan AI untuk memberikan lisensi (dan membayar) untuk konten yang digunakannya.

Melalui upaya ini, kami berharap melihat perpaduan AI dengan enkripsi membawa lebih banyak inovasi dan terobosan bagi industri.