Crypto 和(And) AI 的(Of)世界一(One)直在(Exist)并行發展，每個(Indivual)領域都在(Exist)突破技術和(And)創新的(Of)界限。随着我們在(Exist)這(This)兩個(Indivual)領域不(No)斷取得進展，越來越清楚的(Of)是(Yes)，它們的(Of)未來是(Yes)密切糾纏在(Exist)一(One)起的(Of)。在(Exist)這(This)篇文章中，我們将探索 Crypto 和(And) AI 十字路口的(Of)四個(Indivual)重要(Want)交叉點。

“顯卡的(Of)AirBnB”模型

AI 和(And)機器學習 (ML) 工作(Do)負載的(Of)興起對 Nvidia A100 等高性能顯卡産生了(Got it)巨大(Big)需求。作(Do)爲(For)回應，出(Out)現了(Got it)一(One)個(Indivual)類似于(At)“顯卡的(Of)AirBnB”的(Of)新市場。這(This)允許個(Indivual)人(People)和(And)組織出(Out)租他(He)們未使用(Use)的(Of) GPU 資源，以(By)滿足 AI 研究人(People)員和(And)開發人(People)員的(Of)需求。

這(This)是(Yes)市場曆史上(Superior)真正獨特的(Of)時(Hour)刻。在(Exist) ChatGPT 推出(Out)之前，GPU 的(Of)供應已經供不(No)應求。從那時(Hour)起，需求可能至少增長了(Got it) 10 倍，甚至可能增長了(Got it) 100 倍。此外，我們知道模型随着訓練規模的(Of)增加呈對數增長；這(This)意味着對 GPU 計算的(Of)需求呈指數級增長，以(By)提高模型質量。盡管總供應遠遠超過需求，但對商品的(Of)需求如此巨大(Big)地超過可用(Use)供應的(Of)時(Hour)刻很少見；如果今天地球上(Superior)的(Of)每一(One)個(Indivual) GPU 都可用(Use)于(At) AI 推理和(And)訓練，那麽就不(No)會短缺，而是(Yes)會過剩！

然而，在(Exist)探索“顯卡的(Of) AirBnB”的(Of)概念時(Hour)，需要(Want)考慮幾個(Indivual)主要(Want)的(Of)技術挑戰：

• 并非所有顯卡都能支持所有工作(Do)負載：顯卡有各種形狀、尺寸和(And)規格。因此，某些 GPU 可能無法處理某些 AI 任務。爲(For)了(Got it)使該模型取得成功，需要(Want)有一(One)種方法将正确的(Of) GPU 資源與适當的(Of) AI 工作(Do)負載相匹配。随着市場的(Of)成熟，我們應該期待看到針對不(No)同 AI 任務的(Of)顯卡進一(One)步專業化和(And)優化。

• 調整訓練過程以(By)适應更高的(Of)延遲：今天的(Of)大(Big)多數基礎模型都是(Yes)在(Exist) GPU 集群上(Superior)訓練的(Of)，GPU通過極低延遲連接。在(Exist)去中心化環境中，延遲會增加幾個(Indivual)數量級，因爲(For) GPU 可能分布在(Exist)多個(Indivual)位置并通過公共互聯網連接。爲(For)了(Got it)克服這(This)一(One)挑戰，有機會開發出(Out)新訓練過程，它們具有更高延遲連接。通過重新思考我們訓練 AI 模型的(Of)方式，我們可以(By)更好地利用(Use)更大(Big) GPU 的(Of)去中心化集群。

• 驗證問題：無法知道不(No)受信任的(Of)計算機是(Yes)否執行了(Got it)特定代碼段。因此，很難相信不(No)受信任的(Of)計算機的(Of)輸出(Out)。然而，這(This)個(Indivual)問題可以(By)通過信譽系統與加密經濟質押相結合來緩解，在(Exist)某些情況下，還可以(By)通過支持快速驗證的(Of)新型模型來緩解。

有相當多的(Of)團隊在(Exist)這(This)個(Indivual)領域工作(Do)，包括訓練和(And)推理。Multicoin Capital投資了(Got it)Render Network, Render Network最初專注于(At)3D渲染，并且已經開放了(Got it)它的(Of) GPU 網絡來也支持AI推理。

除了(Got it) Render Network，還有一(One)些其他(He)公司在(Exist)這(This)個(Indivual)領域工作(Do)：Akash、BitTensor、Gensyn、Prodia、Together，以(By)及其他(He)仍處于(At)開發中的(Of)項目。

代币激勵RLHF (Reinforcement Learning from Human Feedback，基于(At)人(People)類反饋的(Of)強化學習)

代币激勵幾乎肯定不(No)會适用(Use)于(At)從人(People)類反饋中強化學習（RLHF)的(Of)所有用(Use)例。問題是(Yes)，我們可以(By)使用(Use)什麽框架來考慮什麽時(Hour)候代币激勵對 RLHF 有意義，什麽時(Hour)候應該使用(Use)現金支付（例如 USDC）。

随着以(By)下情況變得更加真實，代币激勵可能會改善 RLHF：

• 該模型變得更加狹小和(And)垂直（與通用(Use)和(And)橫向相對，例如 ChatGPT）。 如果某人(People)将提供 RLHF 作(Do)爲(For)他(He)們的(Of)主要(Want)工作(Do)，并因此通過提供 RLHF 産生大(Big)部分收入，他(He)們可能需要(Want)現金來支付租金和(And)購買食物。當你從一(One)般查詢轉向更具體的(Of)領域時(Hour)，模型開發人(People)員将需要(Want)更多訓練有素的(Of)員工參與，他(He)們更有可能獲得整體商業機會的(Of)長期成功。

• 在(Exist) RLHF 工作(Do)本身之外提供 RLHF 的(Of)人(People)的(Of)收入越高。 如果一(One)個(Indivual)人(People)有足夠的(Of)收入或其他(He)努力的(Of)儲蓄來證明在(Exist)特定領域的(Of) RLHF 模型中投入有意義的(Of)時(Hour)間的(Of)風險是(Yes)合理的(Of)，那麽他(He)們隻能接受鎖定/非流動性代币作(Do)爲(For)補償而不(No)是(Yes)現金。爲(For)了(Got it)最大(Big)限度地提高成功的(Of)可能性，模型開發人(People)員不(No)應該隻向提供特定領域 RLHF 的(Of)工作(Do)人(People)員發放未鎖定的(Of)代币。相反，代币應該在(Exist)一(One)段時(Hour)間内授予，以(By)激勵長期決策。

代币激勵 RLHF 模型可能适用(Use)的(Of)一(One)些行業包括：

• 醫學： 人(People)們應該能夠與法學碩士一(One)起從事輕量級、第一(One)反應的(Of)診斷，以(By)及長期預防和(And)長壽醫學。

• 法律： 企業主和(And)個(Indivual)人(People)應該能夠使用(Use)大(Big)語言模型來更有效地駕馭各種異構法律體系的(Of)複雜性。

• 工程和(And)建築：增強設計工具或仿真模型。

• 金融和(And)經濟：改進預測模型、風險評估和(And)算法交易系統。

• 科學研究：完善用(Use)于(At)模拟實驗、預測分子相互作(Do)用(Use)和(And)分析複雜數據集的(Of) AI 模型。

• 教育和(And)培訓：爲(For)人(People)工智能驅動的(Of)學習平台做出(Out)貢獻，以(By)提高教育内容的(Of)質量和(And)有效性。

• 環境科學與可持續性：優化人(People)工智能模型以(By)預測環境趨勢、資源分配和(And)促進可持續實踐。

有一(One)個(Indivual)垂直領域的(Of)代币激勵 RLHF 已經投入生産：地圖(Sitemap)。Hivemapper不(No)僅對司機有好處，對投入時(Hour)間編輯和(And)整理地圖(Sitemap)數據的(Of)地圖(Sitemap)編輯人(People)員也有好處。你可以(By)使用(Use) Hivemapper 自己嘗試地圖(Sitemap)人(People)工智能訓練工具.

零知識機器學習 (zkML)

區塊鏈不(No)知道現實世界中發生了(Got it)什麽。然而，了(Got it)解發生在(Exist)鏈外的(Of)事件對他(He)們來說是(Yes)非常有益的(Of)，這(This)樣他(He)們就可以(By)根據現實世界狀态以(By)編程方式轉移價值。

預言機解決了(Got it)這(This)個(Indivual)問題的(Of)一(One)部分。但是(Yes)預言機還不(No)夠。僅僅将現實世界數據中繼到鏈上(Superior)是(Yes)不(No)夠的(Of)。在(Exist)進入鏈之前，需要(Want)計算很多數據。例如，讓我們考慮一(One)個(Indivual)收益聚合器，它需要(Want)在(Exist)不(No)同池子之間轉移存款以(By)賺取更多收益。爲(For)了(Got it)以(By)信任最小化的(Of)方式做到這(This)一(One)點，聚合器需要(Want)計算所有可用(Use)池子的(Of)當前收益和(And)風險。這(This)很快就變成了(Got it)适合 ML 的(Of)優化問題。然而，在(Exist)鏈上(Superior)計算 ML 的(Of)成本太高，因此這(This)對 zkML 來說是(Yes)一(One)個(Indivual)機會。

像Modulus Labs這(This)樣的(Of)團隊現在(Exist)正在(Exist)這(This)個(Indivual)領域建設。我們希望更多的(Of)團隊使用(Use)通用(Use) ZKVM 在(Exist)這(This)個(Indivual)領域進行構建，例如Risc Zero和(And)Lurk。

深度僞造時(Hour)代的(Of)真實性

随着深度僞造變得越來越複雜，保持對數字媒體的(Of)真實性和(And)信任至關重要(Want)。一(One)種解決方案涉及利用(Use)公鑰密碼學，允許創作(Do)者通過使用(Use)公鑰對其内容進行簽名來保證其内容的(Of)真實性。

公鑰本身不(No)足以(By)解決真實性問題。需要(Want)有一(One)個(Indivual)公共記錄，将公鑰映射到真實世界的(Of)身份，以(By)便進行驗證和(And)建立信任。通過将公鑰與經過驗證的(Of)身份相關聯，可以(By)創建一(One)個(Indivual)反饋和(And)懲罰系統，如果有人(People)被發現濫用(Use)他(He)們的(Of)密鑰，例如在(Exist)深度僞造的(Of)圖像或視頻上(Superior)簽名。

爲(For)了(Got it)使這(This)個(Indivual)系統有效，公鑰簽名與現實世界身份驗證的(Of)集成将是(Yes)至關重要(Want)的(Of)。支撐許多加密貨币系統的(Of)區塊鏈技術可以(By)在(Exist)創建去中心化和(And)防篡改的(Of)身份注冊方面發揮重要(Want)作(Do)用(Use)。該注冊表會将公鑰映射到真實世界的(Of)身份，從而更容易建立信任并追究不(No)良行爲(For)者的(Of)責任。

至少會有兩種配置：嵌入式硬件和(And)用(Use)戶控制的(Of)軟件。

• 嵌入式硬件：我們預計智能手機和(And)其他(He)設備将很快集成基于(At)硬件的(Of)本地圖(Sitemap)像、視頻和(And)其他(He)媒介簽名功能。

      Solana Labs 最近推出(Out)了(Got it)Saga電話，它由Solana 移動堆棧（Solana Mobile Stack，SMS）驅動。在(Exist)接下來的(Of)幾個(Indivual)月裏，我希望 SMS 能夠得到更新，以(By)便每張照片都使用(Use) SMS 進行簽名種子庫SDK，證明照片不(No)是(Yes)由 AI 生成的(Of)。

• 用(Use)戶控制的(Of)軟件：人(People)們将使用(Use)Photoshop、Octane 等設計工具和(And) Stable Diffusion 等圖像生成器來制作(Do)藝術品。我們期望這(This)些軟件提供商将集成公鑰加密機制，使創作(Do)者能夠證明真實性，同時(Hour)也承認在(Exist)制作(Do)過程中使用(Use)的(Of)工具。

結論

總之，加密貨币和(And)人(People)工智能技術的(Of)融合爲(For)應對緊迫挑戰和(And)解鎖跨多個(Indivual)行業的(Of)創新解決方案提供了(Got it)大(Big)量機會。通過探索這(This)些領域的(Of)交叉點，我們可以(By)找到新的(Of)方法來優化 AI 訓練中的(Of)資源分配，利用(Use)代币激勵從人(People)類反饋中進行特定領域的(Of)強化學習，并在(Exist)面對深度僞造時(Hour)保持數字媒體的(Of)真實性。

“顯卡的(Of) AirBnB”模型提供了(Got it)去中心化和(And)民主化訪問高性能 GPU 的(Of)潛力，使更多的(Of)人(People)和(And)組織能夠爲(For) AI 研究和(And)開發做出(Out)貢獻。代币激勵的(Of) RLHF 可以(By)應用(Use)于(At)從工程和(And)金融到教育和(And)環境科學的(Of)各個(Indivual)行業，通過利用(Use)領域專家的(Of)知識改進人(People)工智能模型。ZKML 将允許區塊鏈根據現實世界中的(Of)複雜變化更新鏈上(Superior)的(Of)财務狀态。最後，通過将公鑰密碼學與現實世界的(Of)身份驗證和(And)區塊鏈技術相結合，我們可以(By)創建一(One)個(Indivual)強大(Big)的(Of)系統來應對深度僞造帶來的(Of)挑戰并保持對數字媒體的(Of)信任。

随着我們不(No)斷發現加密和(And)人(People)工智能之間的(Of)協同作(Do)用(Use)，我們無疑會發現更多機會來推動創新、創造價值并解決當今社會面臨的(Of)一(One)些最緊迫的(Of)問題。擁抱這(This)兩個(Indivual)領域之間的(Of)交叉點将幫助我們突破技術的(Of)界限，塑造一(One)個(Indivual)更加互聯、高效和(And)真實的(Of)未來。