Три стратегічні напрямки інтеграції AI та шифрування

Наразі поєднання ШІ та шифрування технологій входить в період інноваційного вибуху. У цій статті докладно розглядаються три ключові напрямки розвитку цього злиття.

1. Побудова економічної екосистеми на основі інтелектуальних агентів

Недавня практика довела, що AI-агенти можуть ефективно функціонувати на блокчейні. Ця сфера постійно розширює межі операцій агентів на ланцюгу, має величезний потенціал і широкий простір для дизайну. Наразі це стало одним з найінноваційніших і найвибуховіших напрямків у сфері шифрування та AI, і це лише початок.

У майбутньому розумні агенти можуть управляти складними проектами, які потребують економічної координації між багатьма сторонами. Наприклад, у науково-дослідній сфері агенти можуть відповідати за пошук лікувальних сполук для конкретних захворювань:

• Збір коштів через платформу залучення капіталу за допомогою токенів
• Використання залучених коштів для оплати доступу до дослідницьких матеріалів, проведення моделювання сполук у децентралізованій обчислювальній мережі
• Залучення людей для виконання експериментальних верифікаційних робіт через платформу винагород.

Окрім складних проєктів, агенти також можуть виконувати прості завдання, такі як створення особистих вебсайтів, створення художніх творів тощо, де можливості застосування безмежні.

Технологія блокчейн має унікальні переваги у підтримці агентських дій:

• Додаток для малих платежів
• Перевага швидкості, функція миттєвого розрахунку допомагає агентам досягти максимальної капітальної ефективності
• Увійти в капітальний ринок через DeFi, безшовно виконувати операції з випуску активів, торгівлі, інвестування, управління фінансами, позиками тощо

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

Майбутні напрямки розвитку включають:

1. Дослідження механізмів контролю ризиків
2. Сприяння неспекулятивним сценаріям використання
3. Прискорити темпи розробки, реалізувати прототип тестової мережі або роботу основної мережі

2. Підвищення можливостей LLM у розробці коду

Великі мовні моделі вже продемонстрували видатні 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 стандартів для оцінки здатності LLMs розуміти та писати код допоможе зрозуміти потенційний вплив LLMs на екосистему.

Однак зараз все ще існують деякі виклики:

• Брак якісних вихідних навчальних даних
• Неправильна кількість побудов для перевірки
• На технічному форумі бракує інтерактивності з високою інформаційною цінністю
• Швидкий розвиток інфраструктури призводить до того, що старий код може бути непридатним
• Відсутність методів оцінки рівня розуміння моделей

Майбутні напрямки розвитку включають:

• Покращення якості відповідних даних в Інтернеті
• Заохочення більше команд до публікації перевірених будівель
• Підвищення якості запитань і відповідей на технічних комунікаційних платформах
• Створення високоякісних бенчмарків
• Розробка LLM моделі тонкої настройки, яка добре зарекомендувала себе в бенчмаркінгу

Кінцевою метою є досягнення абсолютно нових, високоякісних, диференційованих клієнтів верифікаційних вузлів, створених повністю штучним інтелектом.

3. Підтримка відкритого та децентралізованого технологічного стеку AI

Тривалий баланс сил між відкритими та закритими моделями залишається невизначеним. Найбільш імовірний сценарій — це збереження статус-кво: великі технологічні компанії просувають передові розробки, в той час як відкриті моделі швидко реагують і отримують унікальні переваги в конкретних прикладних сценаріях завдяки тонкій настройці.

Важливість підтримки відкритого технологічного стеку AI полягає в:

1. Прискорення інноваційних ітерацій: відкрита спільнота швидко вдосконалює та налаштовує відкриті моделі, демонструючи, як спільнота може ефективно доповнювати роботу великих AI-компаній.
2. Надання вибору користувачам, які не довіряють централізованому AI: враховуючи, що AI може використовуватися як інструмент контролю, підтримка технологічного стеку з відкритим вихідним кодом може надати користувачам альтернативу.

В даний час в екосистемі вже існує кілька проектів, які підтримують відкритий стек технологій AI, включаючи збір даних, децентралізовані обчислювальні потужності та децентралізовану навчальну платформу.

Майбутні напрямки розвитку включають:

• Децентралізований збір даних
• Підтвердження особи на ланцюгу
• Децентралізоване навчання
• IP інфраструктура, що дозволяє ШІ ліцензувати та оплачувати контент, який вона використовує