Три стратегических направления слияния ИИ и шифрования

В настоящее время сочетание ИИ и шифрования вступает в период инновационного взрыва. В этой статье будут подробно изложены три основных направления развития этого слияния.

1. Построение экономики экосистемы, управляемой интеллектуальными агентами

Недавние практики доказали, что AI-агенты могут эффективно работать на блокчейне. Эта область постоянно преодолевает границы операций на агентских цепочках, обладая огромным потенциалом и широким пространством для дизайна. В настоящее время это стало одним из самых прорывных и взрывных направлений в области шифрования и AI, и это лишь начало.

В будущем интеллектуальные агенты смогут управлять сложными проектами, требующими многослойной экономической координации. Например, в научно-исследовательской сфере агенты могут быть ответственны за поиск лечебных соединений для конкретных заболеваний:

• Сбор средств через платформу для привлечения капитала с помощью токенов
• Использовать привлеченные средства для оплаты доступа к исследовательским данным и проводить моделирование соединений в децентрализованной вычислительной сети
• Нанимать людей для выполнения работы по верификации экспериментов через платформу вознаграждений

Кроме сложных проектов, агенты также могут выполнять простые задачи, такие как создание личного сайта, создание художественных произведений и т. д., возможности применения неограниченны.

Технология блокчейн имеет уникальные преимущества в поддержке деятельности агентов:

• Приложение для микроплатежей
• Преимущество скорости, функция мгновенного расчета помогает агентам добиться максимальной капитализации.
• Вход в капитальный рынок через DeFi, бесшовное выполнение операций по созданию активов, торговле, инвестициям, кредитованию и т.д.

С точки зрения закономерностей технического развития, зависимость от пути играет ключевую роль. С увеличением числа агентов, получающих доход через шифрование, шифрованное соединение, вероятно, станет основной способностью агентов.

Будущие направления развития включают:

1. Исследование механизмов контроля рисков
2. Содействие неспекулятивным сценариям использования
3. Ускорить темпы разработки, реализовать прототип тестовой сети или запустить основную сеть

2. Повышение способности LLM в разработке кода

Большие языковые модели уже показали отличные результаты в написании кода и в будущем будут дальше улучшаться. Благодаря этим возможностям эффективность разработчиков может повыситься в 2-10 раз. В последнее время установление высококачественных стандартов для оценки способности LLMs понимать и писать код поможет понять потенциальное влияние LLMs на экосистему.

Однако в настоящее время все еще существуют некоторые проблемы:

• Нехватка качественных исходных тренировочных данных
• Недостаточное количество проверок сборки
• На техническом форуме не хватает интерактивности с высокой информационной ценностью
• Быстрое развитие инфраструктуры приводит к тому, что старый код может оказаться неприемлемым
• Недостаток методов для понимания модели оценки

Будущие направления развития включают:

• Улучшение качества связанных данных в Интернете
• Поощрять больше команд публиковать проверенные сборки
• Повышение качества вопросов и ответов на технических платформах.
• Создание высококачественных бенчмарков
• Разработка LLM моделей с хорошими показателями в бенчмаркинге

Конечной целью является создание совершенно нового, высококачественного, дифференцированного клиента узла верификации, полностью созданного ИИ.

3. Поддержка открытого и децентрализованного стека технологий ИИ

Долгосрочный баланс сил между открытыми и закрытыми моделями все еще неясен. На данный момент наиболее вероятным сценарием является поддержание статус-кво — крупные технологические компании продвигают передовые разработки, в то время как открытые модели быстро следуют за ними и получают уникальные преимущества в конкретных сценариях применения благодаря тонкой настройке.

Важность поддержки открытого стека технологий AI проявляется в:

1. Ускорение инновационных итераций: быстрое улучшение и тонкая настройка открытых моделей сообществом открытого кода демонстрирует, как сообщество может эффективно дополнять работу крупных AI-компаний.
2. Предложить выбор пользователям, не доверяющим централизованному ИИ: учитывая, что ИИ может использоваться как инструмент контроля, поддержка открытого стека ИИ может предоставить пользователям альтернативу.

В настоящее время в экосистеме уже есть несколько проектов, поддерживающих открытые технологии ИИ, включая сбор данных, децентрализованные вычислительные мощности и децентрализованные тренировочные фреймворки.

Будущие направления развития включают:

• Децентрализованный сбор данных
• Проверка личности на блокчейне
• Децентрализованное обучение
• IP-инфраструктура, позволяющая ИИ лицензировать и оплачивать используемый контент