Три основных направления интеграции ИИ и шифрования

В настоящее время сочетание искусственного интеллекта и шифрования находится на стадии быстрого развития. В данной статье будут подробно рассмотрены три основных направления развития интеграции AI и шифрования.

1. Создание активной экономики, управляемой умными агентами

Недавние практики уже доказали жизнеспособность работы AI-агентов на блокчейне. Эта область постоянно преодолевает границы операций на агентских цепочках, обладая огромным потенциалом и широким пространством для дизайна. В настоящее время это направление стало одним из самых прорывных и взрывных в области шиффрования и AI, и это лишь начало.

В будущем интеллектуальные агенты могут управлять сложными проектами, требующими многопрофильной экономической координации. Например, в области научных исследований агенты могут отвечать за поиск терапевтических соединений для лечения определённых заболеваний. Конкретно:

• Проведение сбора средств через платформу для привлечения капитала с помощью токенов
• Использование привлеченных средств для оплаты доступа к исследовательским данным, расходы на вычисление моделирования соединений в децентрализованной вычислительной сети.
• Нанимать людей для выполнения экспериментальных проверок через платформу вознаграждений

Кроме сложных проектов, агенты также могут выполнять простые задачи, такие как создание личных веб-сайтов, создание произведений искусства и т.д., их сфера применения имеет бесконечные возможности.

Умные агенты имеют преимущества в выполнении финансовых операций на блокчейне по сравнению с традиционными каналами:

• Приложение для мелких платежей
• Преимущества скорости: функция мгновенного расчета помогает агентам достичь максимальной эффективности капитала
• Вход в капитализацию через DeFi: агенты могут без проблем создавать активы, проводить сделки, инвестировать, заниматься кредитованием и использовать кредитное плечо и др.

Будущие направления развития должны быть сосредоточены на:

1. Механизм контроля рисков
2. Продвижение неспекулятивных сценариев использования
3. Требования к прогрессу разработки: необходимо достичь хотя бы стадии прототипа тестовой сети, лучше если уже работает в основной сети

2. Повышение возможностей больших языковых моделей в разработке кода

Большие языковые модели уже продемонстрировали отличные результаты в написании кода и в будущем будут дальше развиваться. Благодаря этим возможностям, эффективность разработчиков может увеличиться в 2-10 раз. В последнее время создание высококачественных стандартов для оценки способности больших языковых моделей понимать и писать код поможет понять их потенциальное влияние на экосистему. Высококачественные схемы дообучения моделей будут проверены в рамках бенчмаркинга.

Однако в настоящее время все еще существуют некоторые проблемы:

• Недостаток качественных исходных обучающих данных
• Недостаточное количество построений для проверки
• На платформе вопросов и ответов по технологиям отсутствует интерактивность с высокой информационной ценностью.
• Развитие инфраструктуры идет стремительно, что приводит к тому, что старый код может не соответствовать текущим требованиям
• Отсутствие методов оценки уровня понимания конкретных технологий

Будущее направление:

• Улучшение качества соответствующих данных в Интернете
• Поощрение большего количества команд к выпуску верифицированных сборок
• Задавайте хорошие вопросы и предоставляйте качественные ответы на технических вопросах.
• Создание высококачественных бенчмарков для оценки уровня понимания больших языковых моделей
• Создание схемы тонкой настройки модели, которая хорошо работает в бенчмаркинге

Окончательное значительное достижение будет следующим: полностью созданный ИИ новый, высококачественный и дифференцированный клиент верификационного узла.

3. Поддержка открытого и децентрализованного стека технологий ИИ

Долгосрочный баланс сил между открытыми и закрытыми моделями все еще неясен. На данный момент самым простым ожиданием является сохранение статус-кво — крупные технологические компании продвигают передовые разработки, в то время как открытые модели быстро следуют за ними и получают уникальные преимущества в определенных сценариях применения за счет тонкой настройки.

Важность поддержки открытого стека технологий AI проявляется в:

1. Открытые модели ускоряют инновационные итерации: быстрое улучшение и настройка открытых моделей сообществом показывает, как сообщество может эффективно дополнять работу крупных AI-компаний, продвигая границы возможностей AI.

2. Предоставить пользователям, не доверяющим централизованному ИИ, выбор: ИИ может использоваться как инструмент контроля, поддержка открытого стека ИИ технологий может предоставить пользователям альтернативные решения.

В настоящее время существует несколько проектов, поддерживающих технологический стек открытого ИИ:

• Сбор данных
• Децентрализованная вычислительная мощность
• Децентрализованная обучающая платформа

Будущее направление:

• Децентрализованный сбор данных
• Цифровая идентичность: поддержка протокола проверки человеческой идентичности с помощью кошелька, протокол проверки ответов AI API.
• Децентрализованное обучение
• IP-инфраструктура: позволяет ИИ лицензировать (и оплачивать) контент, который он использует

С помощью этих усилий мы ожидаем увидеть, как интеграция ИИ и шифрования принесет больше инноваций и прорывов в отрасль.