Три основні напрями розвитку інтеграції AI та шифрування

Наразі поєднання штучного інтелекту та шифрування перебуває на швидкому етапі розвитку. У цій статті буде детально розглянуто три основні напрямки розвитку AI+шифрування.

1. Створення активної економіки, керованої розумними агентами

Нещодавні практики довели життєздатність AI-агентів, що працюють на блокчейні. Ця сфера постійно розширює межі операцій агентів на блокчейні, має величезний потенціал і широкий простір для дизайну. Наразі це стало одним із найбільш проривних і динамічних напрямків у сферах шифрування та AI, і це лише початок.

У майбутньому розумні агенти можуть управляти складними проектами, які вимагають багатосторонньої економічної координації. Наприклад, у сфері наукових досліджень агенти можуть відповідати за пошук лікувальних сполук для конкретних захворювань. Конкретніше:

• Збір коштів через платформу для збору коштів на токени
• Використання залучених коштів для оплати витрат на доступ до дослідницьких матеріалів, а також витрат на комп'ютерне моделювання сполук у децентралізованій обчислювальній мережі
• Через платформу винагороди залучати людей для виконання експериментальних перевірок

Окрім складних проєктів, агенти можуть виконувати прості завдання, такі як створення особистих веб-сайтів, створення художніх творів тощо, їхні можливості застосування безмежні.

Розумні агенти мають перевагу в виконанні фінансових операцій на блокчейні порівняно з використанням традиційних каналів:

• Додаток для малих платежів
• Переваги швидкості: функція миттєвого розрахунку допомагає агентам досягти максимальної ефективності капіталу
• Вхід на ринок капіталу через DeFi: агенти можуть безшовно карбувати активи, здійснювати торгівлю, інвестувати, управляти фінансами, проводити кредитні операції, використовувати важелі тощо.

Майбутні напрямки розвитку слід зосередити на:

1. Механізм контролю ризиків
2. Сприяння неспекулятивним сценаріям використання
3. Вимоги до розробки: принаймні досягти етапу прототипу тестової мережі, найкраще, якщо вже працює в основній мережі.

2. Підвищення можливостей великих мовних моделей у розробці коду

Великі мовні моделі вже продемонстрували відмінні результати в написанні коду і в майбутньому ще більше покращаться. Завдяки цим можливостям, ефективність розробників може зрости в 2-10 разів. Нещодавно, створення високоякісних бенчмарків для оцінки здатності великих мовних моделей розуміти та писати код допоможе зрозуміти їх потенційний вплив на екосистему. Високоякісні рішення для доопрацювання моделей будуть перевірені у бенчмарк-тестах.

Однак наразі все ще існують певні виклики:

• Нестача якісних вихідних навчальних даних
• Недостатня кількість перевірок конструкцій
• На платформі технічних запитань та відповідей не вистачає інтерактивності з високою інформаційною цінністю
• Розвиток інфраструктури швидко відбувається, що призводить до того, що старий код може не відповідати сучасним вимогам
• Відсутність методів оцінки моделі для розуміння певних технологій

Майбутній напрямок розвитку:

• Покращення якості відповідних даних в Інтернеті
• Заохочення більше команд публікувати перевірені конструкції
• Поставте хороші запитання та надавайте якісні відповіді на платформі технічних запитань.
• Створення високоякісних бенчмарків для оцінки рівня розуміння великих мовних моделей
• Створення плану тонкої настройки моделей, які добре показують себе в бенчмаркінгу

Остаточним значним досягненням буде: абсолютно новий, високоякісний, диференційований клієнт вузла верифікації, повністю створений штучним інтелектом.

3. Підтримка відкритих і децентралізованих технологій штучного інтелекту

Тривалий баланс сил між відкритими та закритими моделями залишається нез'ясованим. Найпростішим поточним прогнозом є підтримка статус-кво — великі технологічні компанії просувають передові розробки, тоді як відкриті моделі швидко слідують за ними і отримують унікальні переваги в конкретних сферах застосування шляхом доопрацювання.

Важливість підтримки технологічного стеку відкритого штучного інтелекту проявляється в:

1. Відкриті моделі прискорюють інноваційні ітерації: швидке покращення та доопрацювання відкритих моделей спільнотою демонструє, як спільнота може ефективно доповнювати роботу великих AI-компаній, просуваючи межі AI-можливостей.

2. Надати вибір для користувачів, які не довіряють централізованому ШІ: ШІ може використовуватися як інструмент контролю, підтримка відкритого стеку технологій ШІ може надати користувачам альтернативи.

Вже є кілька проектів, які підтримують відкритий набір технологій AI:

• Збір даних
• Децентралізовані обчислення
• Децентралізована навчальна рамка

Майбутній напрям розвитку:

• Децентралізований збір даних
• Ідентичність в мережі: підтримка протоколу верифікації людської ідентичності через гаманці, протоколу верифікації відповідей AI API
• Децентралізоване навчання
• Інфраструктура IP: дозволяє ШІ ліцензувати (та оплачувати) контент, який він використовує

Через ці зусилля ми сподіваємося побачити, як поєднання ШІ та шифрування принесе галузі більше інновацій і проривів.