Nghiên cứu mới nhất của a16z Crypto: Bốn mô hình kinh doanh mới dưới sự tích hợp AI và blockchain

Video gốc: Web3 với a16z , AI & Crypto

Tác giả gốc: Dan Boneh (Giáo sư tại Đại học Stanford, cố vấn nghiên cứu cấp cao về tiền điện tử a16z), tập trung vào mật mã, bảo mật máy tính và học máy Ali Yahya (tiền điện tử a16z); General Partner), từng làm việc tại Google Brain và cũng là một trong những người đóng góp cốt lõi cho thư viện máy học TensorFlow của Google.

Tổ chức và biên soạn: Qianwen, Chain Catcher

Stephen King từng viết một cuốn tiểu thuyết khoa học viễn tưởng có tên "Thời đại kim cương", trong đó Có một thiết bị trí tuệ nhân tạo đóng vai trò như người cố vấn cho con người trong suốt cuộc đời của họ. Khi bạn được sinh ra, bạn được kết hợp với một trí tuệ nhân tạo biết rất rõ về bạn—biết sở thích của bạn, theo dõi bạn suốt cuộc đời, giúp bạn đưa ra quyết định và hướng dẫn bạn đi đúng hướng. Nghe thật tuyệt vời nhưng bạn không bao giờ muốn công nghệ như thế này rơi vào tay những kẻ trung gian khổng lồ. Bởi vì điều này sẽ mang lại cho công ty nhiều quyền kiểm soát và mở rộng sang một loạt vấn đề về quyền riêng tư và chủ quyền.

Chúng tôi hy vọng rằng công nghệ này thực sự có thể thuộc sở hữu của tôi, vì vậy một tầm nhìn đã xuất hiện, đó là bạn có thể sử dụng blockchain để đạt được điều này một chút. Bạn có thể nhúng trí tuệ nhân tạo vào hợp đồng thông minh. Giữ dữ liệu của bạn ở chế độ riêng tư với sức mạnh của bằng chứng không có kiến thức. Trong những thập kỷ tới, công nghệ này sẽ ngày càng trở nên thông minh hơn. Bạn có thể chọn làm bất cứ điều gì bạn muốn hoặc thay đổi nó theo bất kỳ cách nào bạn muốn.

Vậy mối quan hệ giữa blockchain và trí tuệ nhân tạo là gì? Trí tuệ nhân tạo sẽ dẫn chúng ta đến thế giới nào? Hiện trạng và thách thức của trí tuệ nhân tạo là gì? Blockchain sẽ đóng vai trò gì trong quá trình này?

AI và blockchain: cạnh tranh lẫn nhau

Sự phát triển của trí tuệ nhân tạo, bao gồm " Thời đại kim cương" Cảnh tượng được mô tả trong "Trên thực tế, nó luôn tồn tại, nhưng gần đây nó đã phát triển nhanh chóng."

Trước hết, trí tuệ nhân tạo phần lớn là công nghệ điều khiển tập trung, từ trên xuống. Công nghệ mã hóa là công nghệ hợp tác phi tập trung, từ dưới lên. Theo nhiều cách, tiền điện tử là nghiên cứu về cách xây dựng các hệ thống phi tập trung cho phép con người hợp tác trên quy mô lớn mà không cần bộ điều khiển trung tâm thực sự. Về vấn đề này, đây là cách tự nhiên để hai công nghệ này có thể trở thành một.

Trí tuệ nhân tạo là một sự đổi mới bền vững có thể nâng cao mô hình kinh doanh của các công ty công nghệ hiện có và giúp họ đưa ra các quyết định từ trên xuống. Ví dụ điển hình nhất cho điều này là Google, công ty xác định nội dung nào được hiển thị cho người dùng trên hàng tỷ người dùng và hàng tỷ lượt xem trang. Tiền điện tử về cơ bản là một sự đổi mới đột phá và mô hình kinh doanh của nó về cơ bản trái ngược với mô hình kinh doanh của các công ty công nghệ lớn. Vì vậy đây là một phong trào được lãnh đạo bởi những người nổi dậy ở rìa chứ không phải những người nắm quyền lực.

Do đó, trí tuệ nhân tạo có thể liên quan chặt chẽ đến tất cả các khía cạnh bảo vệ quyền riêng tư và cả hai sẽ thúc đẩy và tương tác với nhau. Trí tuệ nhân tạo với tư cách là một công nghệ đã tạo ra các động cơ khiến người dùng ngày càng có ít quyền riêng tư hơn vì các công ty muốn nắm bắt tất cả dữ liệu của chúng tôi. Và các mô hình trí tuệ nhân tạo được đào tạo dựa trên ngày càng nhiều dữ liệu sẽ trở nên hiệu quả hơn. Mặt khác, trí tuệ nhân tạo không hoàn hảo, mô hình có thể có những sai lệch và những sai lệch có thể dẫn đến kết quả không công bằng. Vì vậy, có rất nhiều bài viết về tính công bằng của thuật toán ở giai đoạn này.

Tôi nghĩ chúng ta đang trên con đường hướng tới trí tuệ nhân tạo, nơi dữ liệu của mọi người được tổng hợp vào các khóa đào tạo mô hình lớn này để tối ưu hóa mô hình. Tiền điện tử đang đi theo hướng ngược lại, tăng cường quyền riêng tư cá nhân và trao quyền cho người dùng kiểm soát dữ liệu của họ. Có thể nói công nghệ mã hóa là công nghệ cạnh tranh với trí tuệ nhân tạo vì nó giúp chúng ta phân biệt nội dung do con người hoặc trí tuệ nhân tạo tạo ra với nội dung dồi dào. công cụ quan trọng để bảo vệ và bảo tồn nội dung của con người.

Tiền điện tử là miền Tây hoang dã vì nó hoàn toàn không cần cấp phép vì bất kỳ ai cũng có thể tham gia. Bạn phải cho rằng một số bên liên quan có ác ý. Vì vậy, hiện nay nhu cầu lớn hơn về các công cụ giúp bạn lọc ra những người tham gia trung thực khỏi những người không trung thực. Máy học và trí tuệ nhân tạo, như những công cụ thông minh, thực sự có thể trợ giúp rất nhiều trong vấn đề này.

Ví dụ: có những dự án sử dụng máy học để xác định các giao dịch đáng ngờ được gửi tới ví. Bằng cách này, các giao dịch của người dùng này sẽ được đánh dấu và gửi tới blockchain. Đây là một cách tuyệt vời để ngăn người dùng vô tình gửi tất cả số tiền của họ cho kẻ tấn công hoặc làm điều gì đó mà sau này họ sẽ hối hận. Học máy cũng có thể được sử dụng như một công cụ giúp bạn xác định trước những giao dịch nào cũng có thể có mev.

Cũng giống như các mô hình LLM có thể được sử dụng để phát hiện dữ liệu giả mạo hoặc hoạt động độc hại, các mô hình này cũng có thể được sử dụng để tạo ra dữ liệu giả mạo. Ví dụ điển hình nhất là deepfake. Bạn có thể tạo video trong đó ai đó nói điều gì đó mà họ chưa từng nói trước đây. Nhưng blockchain thực sự có thể giúp giảm bớt vấn đề này.

Ví dụ: có các dấu thời gian trên blockchain, cho thấy rằng bạn đã nói những từ như vậy vào ngày này. Nếu ai đó giả mạo một video thì bạn có thể sử dụng dấu thời gian để từ chối video đó. Tất cả dữ liệu này, dữ liệu thực sự xác thực, được ghi lại trên chuỗi khối và có thể được sử dụng để chứng minh rằng video deepfake này thực sự là giả mạo. Vì vậy, tôi nghĩ blockchain có thể giúp chống lại hàng giả.

Chúng tôi cũng có thể dựa vào phần cứng đáng tin cậy để đạt được điều này. Các thiết bị như máy ảnh và điện thoại của chúng ta sẽ ký các hình ảnh và video mà chúng chụp theo tiêu chuẩn. Được gọi là C2PA, nó quy định cách máy ảnh ký dữ liệu. Trên thực tế, giờ đây một máy ảnh Sony có thể chụp ảnh và quay video, sau đó tạo chữ ký C2PA trên video. Đây là một chủ đề rất phức tạp và chúng tôi sẽ không đi sâu vào chi tiết ở đây.

Thông thường, khi báo chí đăng ảnh, họ không đăng ảnh chụp bằng máy ảnh còn nguyên vẹn. Họ sẽ cắt nó, thực hiện một số công việc cấp phép cho bức ảnh. Khi bạn bắt đầu chỉnh sửa hình ảnh, điều đó có nghĩa là người nhận, người đọc cuối, người dùng trên trình duyệt không nhìn thấy hình ảnh gốc và không thể thực hiện xác minh chữ ký C2PA.

Câu hỏi đặt ra là, làm cách nào để bạn có thể khiến người dùng xác nhận rằng hình ảnh họ đang xem thực sự được camera C2PA ký chính xác? Đây là lúc công nghệ ZK xuất hiện, bạn có thể chứng minh rằng hình ảnh đã chỉnh sửa thực sự là kết quả của việc lấy mẫu xuống và chia tỷ lệ thang độ xám của một hình ảnh được ký chính xác. Bằng cách này, chúng ta có thể thay thế chữ ký C2PA bằng các bằng chứng zk đơn giản tương ứng một đối một với những hình ảnh này. Giờ đây, độc giả vẫn có thể khẳng định mình đang nhìn thấy hình ảnh thật. Do đó, công nghệ zk có thể được sử dụng để chống lại những tin nhắn này.

Blockchain phá vỡ tình thế này như thế nào?

Trí tuệ nhân tạo thực chất là một công nghệ tập trung. Nó được hưởng lợi phần lớn từ tính kinh tế theo quy mô, vì việc vận hành một trung tâm dữ liệu duy nhất giúp mọi việc hiệu quả hơn. Ngoài ra, dữ liệu, mô hình học máy, tài năng học máy, v.v. thường được kiểm soát bởi một số công ty công nghệ,Vậy làm cách nào để phá vỡ tình trạng này? Tiền điện tử có thể giúp chúng ta phân quyền trí tuệ nhân tạobằng cách sử dụng các công nghệ như ZKML, có thể áp dụng trong các trung tâm dữ liệu, cơ sở dữ liệu và chính các mô hình học máy. Ví dụ: trong điện toán, sử dụng bằng chứng không có kiến thức, người dùng có thể chứng minh rằng quá trình suy luận hoặc huấn luyện mô hình thực tế là chính xác.

Bằng cách này, bạn có thể thuê ngoài quy trình này cho một cộng đồng lớn. Theo quy trình phân tán này, bất kỳ ai có GPU đều có thể đóng góp sức mạnh tính toán cho mạng và đào tạo các mô hình theo cách này mà không cần phải dựa vào một trung tâm dữ liệu lớn tập trung tất cả các GPU.

Liệu điều này có hợp lý xét từ góc độ kinh tế hay không thì chưa chắc chắn. Nhưng ít nhất với những biện pháp khuyến khích phù hợp, bạn có thể đạt được hiệu ứng đuôi dài. Bạn có thể tận dụng tất cả sức mạnh GPU có thể. Việc tất cả những người này đóng góp sức mạnh tính toán cho việc đào tạo mô hình hoặc chạy suy luận sẽ thay thế các công ty công nghệ lớn đang kiểm soát mọi thứ. Để đạt được điều này, nhiều vấn đề kỹ thuật quan trọng khác nhau phải được giải quyết. Trên thực tế, một công ty có tên NVIDIA đang xây dựng một thị trường điện toán GPU phi tập trung, chủ yếu được sử dụng để đào tạo các mô hình machine learning. Trong thị trường này, bất kỳ ai cũng có thể đóng góp sức mạnh tính toán GPU của riêng mình. Mặt khác, bất kỳ ai cũng có thể huấn luyện các mô hình học máy lớn của mình bằng cách sử dụng bất kỳ tính toán nào có trong mạng. Điều này sẽ trở thành một giải pháp thay thế cho các công ty công nghệ lớn tập trung như openai, Google, siêu dữ liệu, v.v.

Hãy xem xét tình huống trong đó Alice có một hình mẫu mà cô ấy muốn bảo vệ. Cô ấy muốn gửi mô hình ở dạng mã hóa cho Bob, người hiện nhận được mô hình mã hóa và cần chạy dữ liệu của riêng mình trên mô hình được mã hóa này. làm như thế nào? Sau đó, chúng ta cần sử dụng cái gọi là mã hóa đồng cấu hoàn toàn để tính toán dữ liệu được mã hóa. Nếu người dùng có mô hình được mã hóa và dữ liệu văn bản gốc, người đó có thể chạy mô hình được mã hóa trên dữ liệu văn bản gốc và nhận và thu được kết quả được mã hóa. Bạn gửi lại kết quả được mã hóa cho Alice và cô ấy có thể giải mã nó và xem kết quả bằng văn bản gốc.

Đây thực sự là công nghệ đã tồn tại. Câu hỏi đặt ra là, công nghệ hiện tại hoạt động tốt với các mô hình cỡ trung bình, liệu chúng ta có thể mở rộng nó sang các mô hình lớn hơn không? Đây là một thách thức đáng kể đòi hỏi sự nỗ lực của nhiều công ty hơn.

Thực trạng, thách thức và cơ chế khuyến khích

Tôi nghĩ chúng ta cần đạt được sự phân cấp trong điện toán . Đầu tiên là vấn đề xác minh mà bạn có thể giải quyết bằng ZK nhưng hiện tại các kỹ thuật này chỉ có thể xử lý các mô hình nhỏ hơn. Thách thức mà chúng tôi gặp phải là hiệu suất của các mã gốc này không đủ để đào tạo hoặc suy luận trên các mô hình rất lớn. Vì vậy, có rất nhiều việc đang được thực hiện để cải thiện hiệu suất của quy trình chứng minh để khối lượng công việc ngày càng lớn hơn có thể được chứng minh một cách hiệu quả. Đồng thời, một số công ty cũng đang sử dụng các công nghệ khác ngoài mã hóa. Thay vào đó, bằng cách sử dụng các kỹ thuật mang tính chất lý thuyết trò chơi, họ cho phép những người độc lập hơn làm việc. Đây là một cách tiếp cận lạc quan, mang tính lý thuyết trò chơi, không dựa vào mật mã nhưng vẫn phù hợp với mục tiêu lớn hơn là phân cấp AI hoặc giúp tạo ra hệ sinh thái AI. Đây là mục tiêu được đề xuất bởi các công ty như openai.

Vấn đề lớn thứ hai là vấn đề hệ thống phân tán. Ví dụ: bạn điều phối một cộng đồng lớn như thế nào để đóng góp GP cho mạng để mạng có cảm giác giống như một cơ sở hạ tầng điện toán thống nhất, tích hợp? Sẽ có nhiều thách thức, chẳng hạn như làm thế nào để chia nhỏ khối lượng công việc của máy học một cách hợp lý và phân công các khối lượng công việc khác nhau cho các nút khác nhau của mạng cũng như cách hoàn thành tất cả công việc này một cách hiệu quả.

Công nghệ hiện tại về cơ bản có thể áp dụng cho các model cỡ trung bình, nhưng không thể áp dụng cho các model lớn như gpt 3 hay gpt 4. Tất nhiên, chúng tôi có những phương pháp khác. Ví dụ: chúng ta có thể để nhiều người cùng tập luyện rồi so sánh kết quả, từ đó tạo ra cơ chế khuyến khích dựa trên lý thuyết trò chơi. Khuyến khích mọi người không gian lận. Nếu ai đó gian lận, những người khác có thể phàn nàn rằng kết quả luyện tập được tính toán của họ không chính xác. Bằng cách này, kẻ gian lận sẽ không được trả tiền. Chúng tôi cũng có thể phân tán các nguồn dữ liệu trên toàn cộng đồng để đào tạo các mô hình học máy lớn. Tương tự như vậy, chúng tôi cũng có thể tự mình thu thập tất cả dữ liệu và đào tạo mô hình thay vì nhờ một cơ quan tập trung xử lý. Điều này có thể đạt được bằng cách tạo ra một loại thị trường. Điều này tương tự như thị trường máy tính mà chúng tôi vừa mô tả.

Chúng ta cũng có thể xem xét vấn đề này từ góc độ khuyến khích, khuyến khích mọi người đóng góp dữ liệu mới vào một tập dữ liệu lớn và sau đó sử dụng dữ liệu đó để đào tạo mô hình. Độ khó ở đây cũng tương tự như thử thách xác minh. Bạn phải xác minh bằng cách nào đó rằng dữ liệu mà mọi người đóng góp thực sự là dữ liệu tốt. Dữ liệu này không phải là dữ liệu trùng lặp hay dữ liệu rác được tạo ngẫu nhiên, cũng không phải là dữ liệu được tạo ra theo cách nào đó không có thực.

Ngoài ra, hãy đảm bảo rằng dữ liệu không phá hủy mô hình theo một cách nào đó, nếu không hiệu suất của mô hình sẽ thực sự trở nên tồi tệ hơn. Có lẽ chúng ta phải dựa vào sự kết hợp giữa các giải pháp kỹ thuật và giải pháp xã hội, trong trường hợp đó, bạn cũng có thể xây dựng uy tín thông qua một số loại số liệu trang web mà các thành viên cộng đồng có quyền truy cập để khi họ đóng góp dữ liệu, kết quả sẽ tốt hơn thực tế. đáng tin hơn.

Nếu không, sẽ mất rất nhiều thời gian để thực sự đạt được mức phân phối dữ liệu phù hợp. Một trong những thách thức của học máy là mô hình thực sự chỉ có thể bao quát phạm vi phân phối mà tập dữ liệu huấn luyện có thể tiếp cận. Nếu có một số đầu vào nằm ngoài phạm vi phân phối dữ liệu huấn luyện của bạn, thì mô hình của bạn thực sự có thể hoạt động hoàn toàn không thể đoán trước được. Để mô hình hoạt động tốt trong các trường hợp biên, điểm dữ liệu thiên nga đen hoặc dữ liệu đầu vào có thể gặp trong thế giới thực, chúng ta cần một tập dữ liệu toàn diện nhất có thể.

Vì vậy, nếu bạn có một thị trường mở, phi tập trung cung cấp dữ liệu cho tập dữ liệu, bạn có thể giúp mọi người trên thế giới có được nó một cách tốt hơn để những người có dữ liệu duy nhất cung cấp dữ liệu này cho mạng. Bởi vì nếu bạn cố gắng làm điều đó với tư cách là một công ty trung tâm, bạn sẽ không có cách nào biết được ai sở hữu dữ liệu. Vì vậy, nếu bạn có thể tạo động lực để những người này tiếp tục và cung cấp dữ liệu này thì tôi nghĩ bạn thực sự có thể nhận được mức độ bao phủ dữ liệu dài hạn tốt hơn đáng kể.

Vì vậy, chúng tôi phải có một số cơ chế để đảm bảo rằng dữ liệu bạn cung cấp là đúng sự thật. Một cách tiếp cận là dựa vào phần cứng đáng tin cậy, với một số phần cứng đáng tin cậy được nhúng trong chính cảm biến và chúng tôi chỉ tin cậy dữ liệu được phần cứng ký chính xác. Nếu không, chúng ta phải có các cơ chế khác để xác định tính xác thực của dữ liệu. Hiện tại có hai xu hướng quan trọng trong học máy. Đầu tiên, các phương pháp đo lường hiệu suất của các mô hình học máy không ngừng được cải tiến nhưng vẫn đang ở giai đoạn đầu và thực sự rất khó để biết mô hình khác hoạt động tốt như thế nào. Một xu hướng khác là chúng ta đang ngày càng giải thích rõ hơn cách thức hoạt động của các mô hình.

Vì vậy, dựa trên hai điểm này, đến một lúc nào đó, tôi có thể hiểu được tác động của tập dữ liệu đến hiệu suất của mô hình học máy. Nếu chúng tôi có thể hiểu liệu các tập dữ liệu do bên thứ ba đóng góp có đóng góp vào hiệu suất của các mô hình học máy hay không thì chúng tôi có thể khen thưởng những đóng góp đó và tạo động lực để thị trường tồn tại.

Hãy tưởng tượng nếu bạn có thể tạo ra một thị trường mở nơi mọi người có thể đóng góp các mô hình đã được đào tạo để giải quyết các loại vấn đề cụ thể hoặc nếu bạn tạo một hợp đồng thông minh với một số loại Thử nghiệm nào đó, nếu ai đó có thể cung cấp mô hình bằng zkml và chứng minh rằng mô hình giải quyết được bài kiểm tra, đó sẽ là một giải pháp. Giờ đây, bạn đã có những công cụ cần thiết để tạo ra một thị trường được khuyến khích khi mọi người đóng góp các mô hình máy học để giải quyết một số vấn đề nhất định.

AI và mã hóa hình thành mô hình kinh doanh như thế nào?

Tôi nghĩ tầm nhìn đằng sau sự giao thoa giữa tiền điện tử và trí tuệ nhân tạo là bạn có thể tạo ra một bộ giao thức nắm bắt được giá trị của công nghệ mới này. trí tuệ nhân tạo Được giao cho nhiều người hơn, mọi người đều có thể đóng góp và mọi người đều có thể chia sẻ lợi ích của công nghệ mới này.

Do đó, những người có thể thu lợi nhuận sẽ là những người đóng góp sức mạnh tính toán, những người đóng góp dữ liệu hoặc những người đóng góp công nghệ mới cho mạng. Những người sử dụng mô hình học máy có thể đào tạo các mô hình học máy tốt hơn và giải quyết các vấn đề quan trọng hơn.

Các bên có nhu cầu mạng cũng có thể được hưởng lợi. Họ sử dụng mạng này làm cơ sở hạ tầng để đào tạo các mô hình học máy của riêng họ. Có lẽ mô hình của họ có thể đóng góp vào điều gì đó thú vị, chẳng hạn như công cụ trò chuyện thế hệ tiếp theo. Trong những mô hình này, vì các công ty này sẽ có mô hình kinh doanh của riêng mình nên bản thân họ sẽ có thể thúc đẩy việc thu được giá trị.

Những người xây dựng mạng lưới này cũng sẽ được hưởng lợi. Ví dụ: tạo mã thông báo cho mạng và mã thông báo sẽ được phân phối cho cộng đồng. Tất cả những người này sẽ có quyền sở hữu chung đối với mạng phi tập trung này để tính toán dữ liệu và mô hình, đồng thời cũng có thể nắm bắt một số giá trị của tất cả hoạt động kinh tế được thực hiện thông qua mạng này.

Bạn có thể tưởng tượng rằng mọi giao dịch được thực hiện qua mạng này, mọi phương thức thanh toán để trả phí điện toán, phí dữ liệu hoặc phí mô hình, đều có thể bị tính phí, đi vào một kho tiền được kiểm soát bởi toàn bộ mạng. Người nắm giữ token sở hữu chung mạng lưới. Đây thực chất là mô hình kinh doanh của chính mạng lưới.

Trí tuệ nhân tạo thúc đẩy bảo mật mã

Nhiều thính giả có thể đã nghe nói về thí điểm hợp tác (co thí điểm ), một công cụ để tạo mã. Bạn có thể thử sử dụng các công cụ đồng tạo này để viết các hợp đồng vững chắc hoặc mã mật mã. Điều tôi muốn nhấn mạnh là điều này thực sự rất nguy hiểm. Bởi vì nhiều khi, khi bạn cố chạy nó, các hệ thống này thực sự tạo ra mã hoạt động nhưng không an toàn.

Trên thực tế, gần đây chúng tôi đã viết một bài báo về vấn đề này, trong đó tuyên bố rằng nếu bạn cố gắng nhờ một phi công cộng tác viết một hàm mã hóa đơn giản , chức năng mã hóa mà nó cung cấp là chính xác. Tuy nhiên, nó sử dụng chế độ hoạt động không chính xác, vì vậy bạn sẽ sử dụng chế độ mã hóa không an toàn.

Bạn có thể hỏi, tại sao điều này lại xảy ra? Một lý do là các mô hình này về cơ bản được đào tạo từ mã hiện có và chúng được đào tạo trong kho github. Nhiều kho lưu trữ github thực sự dễ bị tấn công bởi các cuộc tấn công khác nhau. Do đó, các mã mà các mô hình này học được hoạt động tốt nhưng không an toàn. Nó giống như rác thải chất lượng thấp sinh ra từ rác vậy. Vì vậy, tôi hy vọng mọi người sẽ cẩn thận khi tạo mã bằng cách sử dụng các mô hình tổng quát này và kiểm tra kỹ xem mã có thực sự làm những gì nó phải làm và thực hiện nó một cách an toàn hay không.

Bạn có thể sử dụng các mô hình trí tuệ nhân tạo kết hợp với các công cụ khác để tạo mã nhằm đảm bảo toàn bộ quá trình không có lỗi. Ví dụ: một ý tưởng là sử dụng mô hình llm để tạo thông số kỹ thuật cho hệ thống xác minh chính thức, yêu cầu llm tạo thông số kỹ thuật cho công cụ xác minh chính thức. Sau đó, phiên bản llm tương tự được yêu cầu tạo ra một chương trình phù hợp với đặc tả và các công cụ xác minh chính thức được sử dụng để xem liệu chương trình có thực sự tuân thủ đặc tả hay không. Nếu một lỗ hổng phát sinh, công cụ sẽ phát hiện ra nó. Những lỗi này có thể được phản hồi lại cho llm dưới dạng phản hồi và sau đó lý tưởng nhất là hy vọng llm có thể sửa đổi công việc của nó và tạo ra một phiên bản mã chính xác khác.

Cuối cùng, nếu bạn lặp lại thao tác, bạn sẽ thu được một đoạn mã lý tưởng nhất là đáp ứng đầy đủ giá trị trả về này và đã được xác minh chính thức. giá trị trả về cũng có thể được thỏa mãn. Và vì con người có thể đọc traceback này nên bạn có thể nhìn vào traceback này và thấy rằng đây chính là chương trình tôi muốn viết. Trên thực tế, đã có nhiều nỗ lực đánh giá khả năng tìm ra lỗ hổng phần mềm của LLM, chẳng hạn như hợp đồng thông minh Unity, C và C plus.

Vậy, liệu chúng ta có đạt đến điểm mà mã do LLM tạo ra ít có khả năng chứa lỗi hơn mã do con người tạo ra không? Ví dụ: khi nói về xe tự hành, chúng ta có quan tâm đến việc nó ít có khả năng va chạm hơn người lái xe không? Tôi nghĩ xu hướng này sẽ ngày càng mạnh mẽ hơn và được tích hợp nhiều hơn vào các chuỗi công cụ hiện có.

Bạn có thể tích hợp nó vào chuỗi công cụ xác minh chính thức của mình và bạn cũng có thể tích hợp nó vào các công cụ khác, chẳng hạn như công cụ được đề cập trước đó để kiểm tra các vấn đề quản lý bộ nhớ. dụng cụ. Bạn cũng có thể tích hợp nó vào đơn vị của mình và chuỗi công cụ kiểm tra tích hợp để llm không chỉ hoạt động trong chân không. Nó có thể nhận được phản hồi theo thời gian thực từ các công cụ khác kết nối nó với sự thật cơ bản.

Tôi nghĩ rằng bằng cách kết hợp các mô hình học máy rất lớn được đào tạo với tất cả dữ liệu trên thế giới, kết hợp với các công cụ khác này, có thể làm cho các chương trình điện toán tốt hơn các lập trình viên của con người. Ngay cả khi họ vẫn mắc sai lầm, họ có thể chỉ là siêu nhân. Đây sẽ là một thời điểm quan trọng trong công nghệ phần mềm.

Trí tuệ nhân tạo và đồ thị xã hội

Một khả năng khác là chúng ta Có lẽ nó có thể xây dựng một mạng xã hội phi tập trung thực sự hoạt động rất giống Weibo, nhưng trong đó biểu đồ xã hội thực sự hoàn toàn trực tuyến. Nó gần giống như một loại hàng hóa công cộng mà ai cũng có thể xây dựng được. Với tư cách là người dùng, bạn kiểm soát mình là ai trên biểu đồ xã hội. Bạn kiểm soát dữ liệu của mình, người bạn theo dõi và ai có thể theo dõi bạn. Ngoài ra, có rất nhiều công ty xây dựng cổng vào biểu đồ xã hội để cung cấp cho người dùng những trải nghiệm như Twitter, Instagram, tích tắc hoặc bất kỳ thứ gì khác mà họ muốn xây dựng.

Nhưng tất cả đều được xây dựng trên cùng một biểu đồ xã hội và không ai sở hữu nó, cũng như không một công ty công nghệ trị giá hàng tỷ đô la nào ở giữa hoàn toàn kiểm soát nó.

Đây là một thế giới thú vị vì nó có nghĩa là nó có thể sôi động hơn và có một hệ sinh thái do con người xây dựng. Mỗi người dùng sẽ có nhiều quyền kiểm soát hơn đối với những gì họ nhìn thấy và làm trên nền tảng.

Nhưng đồng thời, người dùng cũng cần lọc tín hiệu khỏi nhiễu. Ví dụ: cần phát triển một thuật toán đề xuất hợp lý để lọc tất cả nội dung và hiển thị cho bạn những nguồn tin tức mà bạn thực sự muốn xem. Điều này sẽ mở ra cánh cửa cho toàn bộ thị trường, một môi trường cạnh tranh bao gồm những người chơi cung cấp dịch vụ. Bạn có thể sử dụng thuật toán, sử dụng thuật toán dựa trên AI để quản lý nội dung cho mình. Với tư cách là người dùng, bạn có thể quyết định xem có nên sử dụng một thuật toán cụ thể hay không, có thể là thuật toán do Twitter thiết lập hoặc thuật toán khác. Nhưng không kém phần quan trọng, bạn cũng cần những công cụ như "học máy" để giúp bạn sàng lọc tiếng ồn và giúp bạn phân tích tất cả thông tin rác. Trong thế giới này, các mô hình tổng quát có thể tạo ra tất cả thông tin rác trên thế giới.

Tại sao bằng chứng của con người lại quan trọng?

Một câu hỏi rất phù hợp là, trong một thế giới mà nội dung giả mạo trí tuệ nhân tạo tràn lan, làm thế nào để chứng minh rằng bạn thực sự là con người?

Công nghệ sinh trắc học là một hướng khả thi. Một dự án có tên là World Coin, sử dụng quét võng mạc làm thông tin sinh trắc học để xác minh xem bạn có phải là người thật hay không để đảm bảo rằng bạn là người thật. thực ra là một người sống chứ không chỉ là hình ảnh của đôi mắt. Hệ thống này có phần cứng bảo mật khó bị giả mạo, do đó, bằng chứng xuất hiện ở đầu bên kia, là bằng chứng không có kiến thức che giấu thông tin sinh trắc học thực tế của bạn, rất khó bị giả mạo theo cách này.

Trên Internet, không ai biết bạn là robot. Vì vậy, tôi nghĩ đây là lúc dự án bằng chứng về con người trở nên rất quan trọng, bởi vì việc biết bạn đang tương tác với robot hay con người sẽ rất quan trọng. Nếu không có bằng chứng của con người thì bạn không thể biết một địa chỉ thuộc về một người hay một nhóm người, hay mười nghìn địa chỉ thực sự thuộc về một người hay chỉ là giả danh mười nghìn người khác nhau.

Điều này rất quan trọng trong quản trị. Nếu mọi người tham gia vào hệ thống quản trị có thể chứng minh rằng họ thực sự là con người và họ có thể chứng minh rằng họ là con người theo một cách riêng vì họ chỉ có một bộ nhãn cầu, thì hệ thống quản trị sẽ công bằng hơn và ít hơn. tùy theo số tiền tối đa bị khóa trong một hợp đồng thông minh nhất định).

Trí tuệ nhân tạo và nghệ thuật

Mô hình trí tuệ nhân tạo có nghĩa là chúng ta sẽ sống trong một thế giới có vô số phương tiện truyền thông phong phú. Trong một thế giới như vậy, xung quanh bất kỳ Cộng đồng cụ thể nào. của phương tiện truyền thông, hoặc những câu chuyện xung quanh phương tiện truyền thông cụ thể, sẽ ngày càng trở nên quan trọng.

Ví dụ: Sound.xyz đang xây dựng một nền tảng phát nhạc trực tuyến phi tập trung cho phép các nghệ sĩ và nhạc sĩ tải nhạc lên, sau đó bán trực tiếp NFT cho họ. Kết nối với chúng tôi. cộng đồng. Ví dụ: bạn có thể để lại nhận xét về một bản nhạc trên trang web sound dot xyz để những người chơi bài hát đó cũng có thể xem nhận xét đó. Điều này tương tự như chức năng Sound Cloud trước đây. Hành động mua NFT cũng đang hỗ trợ các nghệ sĩ, giúp họ đạt được sự phát triển bền vững và tạo ra nhiều tác phẩm âm nhạc hơn. Nhưng cái hay của tất cả là nó thực sự mang lại cho các nghệ sĩ một nền tảng để thực sự tương tác với cộng đồng. Nghệ sĩ là nghệ sĩ của tất cả mọi người.

Do vai trò của tiền điện tử ở đây, bạn có thể tạo một cộng đồng xung quanh một bản nhạc, trong khi nếu một bản nhạc chỉ được tạo bởi một mô hình machine learning, không có yếu tố con người thì cộng đồng này sẽ không tồn tại.

Phần lớn âm nhạc mà chúng ta sắp tiếp xúc sẽ hoàn toàn được tạo ra bởi trí tuệ nhân tạo và thách thức là xây dựng cộng đồng, kể những câu chuyện xung quanh nghệ thuật, âm nhạc, các loại phương tiện truyền thông khác sẽ rất quan trọng trong việc phân biệt phương tiện truyền thông mà chúng ta thực sự quan tâm, mà chúng ta thực sự muốn đầu tư và dành thời gian với các phương tiện truyền thông còn lại nói chung.

Có thể có một số sự phối hợp giữa hai bên, chẳng hạn như nhiều âm nhạc được nâng cao hoặc tạo ra bởi trí tuệ nhân tạo. Nhưng nếu cũng có yếu tố con người tham gia, chẳng hạn, người sáng tạo sử dụng các công cụ trí tuệ nhân tạo để tạo ra một bản nhạc mới, họ có đặc điểm âm thanh riêng, họ có trang nghệ sĩ riêng, cộng đồng riêng và những người theo dõi riêng.

Giờ đây có sự kết hợp giữa hai thế giới và chúng ta có thứ âm nhạc tuyệt vời nhất vì trí tuệ nhân tạo mang đến cho chúng ta những khả năng siêu phàm. Nhưng đồng thời, bạn cũng có các yếu tố và câu chuyện con người được điều phối và kích hoạt bằng mật mã, cho phép bạn tập hợp tất cả những người này lại với nhau trên một nền tảng.

Đây chắc chắn là một thế giới mới khi nói đến việc tạo nội dung. Vậy làm cách nào để phân biệt giữa nghệ thuật do con người tạo ra và nghệ thuật do máy tạo ra cần được hỗ trợ?

Điều này thực sự mở ra cánh cửa cho nghệ thuật tập thể, nghệ thuật được tạo ra thông qua quá trình sáng tạo của cả một cộng đồng chứ không phải của một nghệ sĩ đơn lẻ. Hiện đã có một số dự án thực hiện việc này, trong đó cộng đồng tác động đến chuỗi thông qua một số quy trình bỏ phiếu, tạo ra tác phẩm nghệ thuật dựa trên lời nhắc từ các mô hình học máy. Có thể bạn tạo ra không phải một tác phẩm nghệ thuật mà là hàng chục nghìn tác phẩm. Sau đó, bạn sử dụng một mô hình học máy khác, cũng được đào tạo dựa trên phản hồi của cộng đồng, để chọn ra mô hình tốt nhất trong số 10.000 mô hình đó.

Liên kết nguồn

Chào mừng bạn tham gia cộng đồng chính thức của BlockBeats:

Nhóm Telegram đăng ký: https://t.me/theblockbeats

Nhóm Telegram thảo luận: https://t.me/BlockBeats_App

Tài khoản Twitter chính thức: https://twitter.com/BlockBeatsAsia