Три стратегічні напрямки інтеграції ШІ та шифрування

Наразі перетворення AI та шифрування перебуває на швидкій стадії експериментів. У цій статті детально викладено три основні напрямки розвитку інтеграції AI та шифрування.

1. Створення економічної екосистеми на основі інтелектуальних агентів

Вже підтверджено життєздатність інтелектуальних агентів, що працюють в мережі. Експерименти в цій сфері постійно розширюють межі операцій агентів на ланцюгу, маючи величезний потенціал і широкий простір для дизайну. Наразі це стало одним з найперспективніших і вибухових напрямків у сфері шифрування та ШІ, і це лише початок.

У майбутньому розумні агенти можуть керувати складними проектами, які потребують багатосторонньої економічної координації. Наприклад, у сфері наукових досліджень агенти можуть бути відповідальними за пошук лікувальних сполук для конкретних захворювань:

• Збір коштів через платформу для залучення токенів
• Використання залучених коштів для оплати витрат на доступ до дослідницьких матеріалів, витрат на обчислення моделювання сполук у децентралізованій обчислювальній мережі
• Залучення людей для виконання експериментальних перевірок через платформу винагород

Окрім складних проектів, агенти також можуть виконувати прості завдання, такі як створення особистих веб-сайтів, художніх творів та інші, з безмежними можливостями застосування.

Шифрування валюти має унікальні переваги в деяких сферах:

• Додаток для малих платежів
• Перевага швидкості: функція миттєвого розрахунку допомагає агентам досягти максимальної ефективності капіталу
• Увійти на капітальний ринок через DeFi:代理 можуть безшовно випускати активи, здійснювати торгівлю, інвестувати, проводити кредитні операції, використовувати важелі тощо

З точки зору закономірностей технічного розвитку, залежність від шляху відіграє ключову роль. Зі зростанням кількості агентів, які отримують прибуток через шифрування, шифроване з'єднання, ймовірно, стане основною здатністю агентів.

2. Підвищення можливостей великих мовних моделей у розробці коду

Великі мовні моделі вже продемонстрували відмінні результати у написанні коду, і в майбутньому вони ще більше покращаться. Завдяки цим можливостям, ефективність розробників може зрости в 2-10 разів. Нещодавно створення високоякісних еталонів для оцінки розуміння та написання коду великими мовними моделями допоможе зрозуміти їх потенційний вплив на екосистему. Високоякісні плани тонкого налаштування моделей будуть перевірені в рамках еталонного тестування.

Наразі існує кілька викликів, які заважають великим мовним моделям досягти видатного рівня в розумінні специфічних областей:

• Нестача якісних вихідних навчальних даних
• Кількість підтверджень будівництв недостатня
• На платформі технічних запитань і відповідей не вистачає інтерактивності з високою інформаційною цінністю
• Розвиток інфраструктури відбувається швидко, що призводить до того, що старий код може не відповідати сучасним вимогам
• Відсутність методів оцінки рівня розуміння моделей оцінки

Щоб поліпшити цю ситуацію, можна вжити такі заходи:

• Допомога в отриманні кращих відповідних даних
• Заохочення більше команд публікувати перевірені конструкції
• Активно ставити хороші питання та надавати високоякісні відповіді на платформі технічних запитань.
• Створення високоякісних бенчмарків для оцінки рівня розуміння великих мовних моделей
• Створити модель тонкої настройки, яка добре показує себе в бенчмаркінгу

3. Підтримка відкритого та децентралізованого стеку AI технологій

"Відкрита та децентралізована технологічна стек AI" містить такі ключові елементи:

• Отримання навчальних даних
• Обчислювальні можливості навчання та висновків
• Спільне використання ваг моделей
• Перевірка здатності виходу моделі

Важливість цього відкритого технологічного стеку штучного інтелекту полягає в:

• Прискорення розробки інноваційних моделей та експериментів
• Надати альтернативу користувачам, які не довіряють централізованим AI.

Наразі в екосистемі вже є кілька проектів, які підтримують відкриті технологічні стеки AI:

• Збір даних: деякі проекти просувають збір даних
• Децентралізоване обчислення: кілька мереж розробляють відповідні послуги
• Децентралізована тренувальна рамка: є команди, які досліджують цю сферу

В майбутньому ми сподіваємося створити більше продуктів на всіх рівнях відкритої технології штучного інтелекту:

• Децентралізоване збори даних
• Ідентичність на ланцюзі: підтримка протоколу валідації людської ідентичності через гаманець, протоколу валідації відповіді AI API, що дозволяє користувачам підтверджувати, що вони взаємодіють із великими мовними моделями.
• Децентралізоване навчання
• IP інфраструктура: дозволити ШІ ліцензувати (і оплачувати) контент, який він використовує