• Emergência: O fenómeno em que muitas pequenas entidades interagem para produzir um todo maior, exibindo novas características não possuídas pelos componentes individuais, como a emergência observada em sistemas biológicos estudados em química.
• Alucinação: A tendência dos modelos para produzir dados enganadores, com os modelos de IA a gerar resultados que parecem correctos mas que, na realidade, estão errados.

A ligação entre a IA e as criptomoedas tem mostrado ondulações distintas. Desde que o AlphaGo derrotou os jogadores profissionais humanos de Go em 2016, as tentativas de combinar os dois, como o surgimento espontâneo de projectos como o Fetch.AI, têm sido testemunhadas no mundo das criptomoedas. Com o advento do GPT-4 em 2023, a tendência de IA + Cripto ressurgiu, exemplificada pela emissão da WorldCoin. A humanidade parece estar prestes a entrar numa era utópica em que a IA é responsável pela produtividade e as criptomoedas tratam da distribuição.

Este sentimento atingiu o seu auge depois de a OpenAI ter lançado a aplicação Sora para síntese de texto para vídeo. No entanto, as emoções envolvem frequentemente elementos irracionais. Li Yizhou, por exemplo, parece fazer parte do segmento dos incompreendidos, exemplificado por:

• A confusão entre aplicações específicas de IA e o desenvolvimento de algoritmos. Embora o Sora e os princípios Transformer subjacentes do GPT-4 sejam de código aberto, a utilização de ambos exige o pagamento à OpenAI.
• Atualmente, a combinação da IA e do criptograma é mais uma iniciativa do criptograma para abordar a IA, uma vez que os principais gigantes da IA não demonstraram uma vontade clara. Nesta fase, o que a IA pode fazer pelo cripto supera o que o cripto pode fazer pela IA.
• A utilização da tecnologia de IA em aplicações de criptomoedas não equivale à integração da IA e das criptomoedas, como se vê em aplicações como os jogos em cadeia de blocos, GameFi, projectos de metaversos, Web3 Games e as personas digitais no universo AW.
• As contribuições que as criptomoedas podem dar para o desenvolvimento da tecnologia de IA envolvem principalmente a descentralização e incentivos simbólicos nos três componentes da IA: capacidade de computação, dados e modelos.
• A WorldCoin serve como uma integração bem-sucedida de ambos, com o zkML posicionado na interseção das tecnologias de IA e criptografia, e a teoria da UBI (Renda Básica Universal) passando por sua primeira implementação em larga escala.

Neste artigo, a tónica será colocada nos benefícios que o Cripto pode trazer à IA, uma vez que os actuais projectos de Cripto que enfatizam as aplicações de IA são, na sua maioria, vistos como artifícios de marketing e não são propícios à nossa discussão.

Da Regressão Linear ao Transformador

Durante muito tempo, o ponto central dos debates sobre a IA foi a questão de saber se a "emergência" da inteligência artificial conduziria à criação de seres sensíveis semelhantes aos do filme "Matrix" ou a uma civilização baseada no silício. As preocupações com a interação entre os seres humanos e as tecnologias de IA têm persistido, com exemplos recentes como o advento do Sora e exemplos anteriores como o GPT-4 (2023), o AlphaGo (2016) e o Deep Blue da IBM que derrotou um campeão mundial de xadrez em 1997.

Embora essas preocupações não se tenham concretizado, vamos relaxar e descrever brevemente o mecanismo subjacente à IA.

Partindo da regressão linear, essencialmente uma equação linear simples, como o mecanismo de perda de peso de Jia Ling, um famoso ator chinês, podemos fazer a seguinte generalização. Aqui, x e y representam a relação entre a ingestão de calorias e o peso, indicando que comer mais leva naturalmente ao aumento de peso e, se quiser perder peso, deve comer menos.

No entanto, esta abordagem levanta alguns problemas. Em primeiro lugar, há limites fisiológicos para a altura e o peso do ser humano, e é pouco provável que encontre gigantes de 3 metros ou senhoras de mil quilos. Por conseguinte, a consideração de situações para além destes limites carece de significado prático. Em segundo lugar, o simples facto de comer menos e fazer mais exercício não respeita os princípios científicos da perda de peso e pode, em casos graves, prejudicar o organismo.

Introduzimos o Índice de Massa Corporal (IMC), que mede a relação entre o peso e a altura, dividindo o peso pelo quadrado da altura. Através de três factores - comer, dormir e fazer exercício - para avaliar a relação entre altura e peso, precisamos agora de três parâmetros e dois resultados. A regressão linear é manifestamente insuficiente, dando origem às redes neuronais. Como o nome sugere, as redes neuronais imitam a estrutura do cérebro humano, com a possibilidade de que mais pensamento leve a mais racionalidade. Aumentar a frequência e a profundidade do pensamento, conhecido como aprendizagem profunda (estou a fazer uma analogia um pouco vaga), permite uma reflexão mais aprofundada antes de agir.

Breve panorâmica da história do desenvolvimento dos algoritmos de IA

No entanto, o aumento do número de camadas não é ilimitado; existe ainda um limite máximo. Quando é atingido um limiar crítico, a eficácia pode diminuir. Por conseguinte, torna-se essencial compreender a relação entre as informações existentes de uma forma mais razoável. Por exemplo, uma compreensão profunda da relação mais matizada entre a altura e o peso, descobrindo factores anteriormente despercebidos, ou o facto de Jia Ling encontrar um treinador de topo mas hesitar em expressar diretamente o seu desejo de perder peso.

Nesses cenários, Jia Ling e o treinador formam adversários na codificação e descodificação, transmitindo significados que representam as verdadeiras intenções de ambas as partes. No entanto, ao contrário da afirmação direta "Quero perder peso, aqui está um presente para o treinador", as verdadeiras intenções de ambas as partes estão escondidas por detrás do "significado".

Constatamos um facto: se o número de iterações entre as duas partes for suficiente, os significados de cada comunicação tornam-se mais fáceis de decifrar.

Se alargarmos este modelo, ele representa o que é coloquialmente conhecido como um Modelo de Linguagem Ampla (LLM), examinando as relações contextuais entre palavras e frases. Atualmente, os modelos de grande dimensão expandiram-se para se aprofundarem em cenários como imagens e vídeos.

No espetro da IA, quer se trate de uma simples regressão linear ou de um Transformer extremamente complexo, todos eles são algoritmos ou modelos. Para além destes, existem dois factores essenciais: a capacidade de computação e os dados.

Descrição: Breve história do desenvolvimento da IA, Fonte: https://ourworldindata.org/brief-history-of-ai

Em termos simples, a IA é uma máquina que processa dados, efectua cálculos e produz resultados. No entanto, em comparação com entidades físicas como os robots, a IA é mais virtual. Em termos de capacidade de computação, dados e modelos, o processo operacional atual na comercialização da Web2 é o seguinte:

• Os dados são divididos em dados públicos, dados de propriedade da empresa e dados comerciais, que exigem anotação e pré-processamento profissionais. Por exemplo, a Scale AI fornece o pré-processamento de dados para as principais empresas de IA.
• A capacidade de computação divide-se em dois modos: auto-construção e locação de computação em nuvem. Atualmente, a NVIDIA domina o hardware de GPU e a biblioteca CUDA foi preparada durante muitos anos. O ecossistema de hardware e software é dominado por uma empresa. A segunda opção é o aluguer de capacidade de computação por parte dos fornecedores de serviços em nuvem, como o Azure da Microsoft, o Google Cloud e o AWS, que fornecem serviços de computação e implementação de modelos num só local.
• Os modelos podem ser classificados em quadros e algoritmos. A batalha dos modelos já terminou, com o TensorFlow da Google a emergir em primeiro lugar, embora com o recuo inicial, e o PyTorch da Meta a chegar mais tarde, mas a liderar. No entanto, quer seja a Google, que introduziu o Transformer, ou a Meta, com o PyTorch, ambas estão gradualmente a ficar atrás da OpenAI em termos de comercialização. No entanto, a sua força continua a ser formidável; os algoritmos são atualmente dominados pelo Transformer e os vários modelos de grande dimensão competem sobretudo em termos de fontes de dados e de pormenores.

Processo de trabalho da IA

Como já foi referido, as aplicações de IA têm uma vasta gama de domínios, como a correção de código mencionada por Vitalik, que já foi utilizada. Numa perspetiva diferente, a contribuição das criptomoedas para a IA centra-se principalmente em áreas não técnicas, como os mercados de dados descentralizados, as plataformas descentralizadas de capacidade de computação, etc. Foram efectuadas algumas experiências com Modelos de Linguagem de Grande Porte (LLMs) descentralizados. No entanto, é crucial notar que a análise do código Crypto com IA e a execução de modelos de IA em grande escala na blockchain são fundamentalmente diferentes. A incorporação de alguns elementos criptográficos nos modelos de IA não pode ser considerada uma integração perfeita.

Atualmente, a Crypto destaca-se na produção e nos incentivos. Não é necessário alterar à força o paradigma de produção da IA com o cripto. A escolha racional é integrar o criptograma nos fluxos de trabalho da IA e capacitar a IA com o criptograma. Eis algumas integrações potenciais que resumi:

1. Produção descentralizada de dados, como a recolha de dados da DePIN, e a abertura de dados na cadeia que contêm dados de transação ricos para análise financeira, análise de segurança e formação de dados.
2. Plataformas de pré-processamento descentralizadas, em que a pré-treino tradicional não apresenta barreiras técnicas intransponíveis. Por detrás dos grandes modelos da Europa e dos Estados Unidos está o trabalho intensivo de anotadores manuais do terceiro mundo.
3. Plataformas descentralizadas de potência de computação, com incentivos descentralizados e utilização de largura de banda pessoal, potência de computação GPU e outros recursos de hardware.
4. zkML, uma vez que os métodos tradicionais de privacidade, como a dessensibilização de dados, podem não resolver perfeitamente o problema. O zkML pode ocultar a direccionalidade dos dados e avaliar eficazmente a autenticidade e a eficácia dos modelos de fonte aberta e de fonte fechada.

Estes quatro aspectos são cenários potenciais em que, na minha opinião, o criptograma pode potenciar a IA. A IA é uma ferramenta versátil, e as áreas e projectos de IA para o Cripto não são aqui discutidos; pode explorá-los por si próprio.

Pode observar-se que a criptografia desempenha atualmente um papel importante na encriptação, na proteção da privacidade e na conceção económica. A única tentativa de integração técnica é o zkML. Aqui, vamos fazer um pequeno brainstorming: se, no futuro, o Solana TPS puder realmente atingir 100.000+, e se a combinação de Filecoin e Solana for perfeita, poderíamos criar um ambiente LLM na cadeia? Isto poderia potencialmente estabelecer uma verdadeira IA na cadeia, alterando a atual relação desigual em que o Crypto está integrado na IA.

Integração da Web3 em fluxos de trabalho de IA

Como é do conhecimento de todos, a placa gráfica NVIDIA RTX 4090 é um bem valioso que atualmente é difícil de obter num determinado país da Ásia Oriental. Mais grave ainda é o facto de os particulares, as pequenas empresas e as instituições académicas também se terem deparado com uma crise de placas gráficas. Afinal de contas, as grandes empresas comerciais são as que mais gastam. Se fosse possível abrir uma terceira via para além das compras pessoais e dos fornecedores de serviços de computação em nuvem, esta teria claramente um valor comercial prático, afastando-se dos objectivos puramente especulativos. A abordagem lógica da Web3 para a IA deve ser: "Se a Web3 não for utilizada, o projeto não pode ser sustentado".

Fluxo de trabalho de IA na perspetiva da Web3

Fonte de dados: Ecossistema automóvel Grass e DePIN

O Grass, introduzido pela Wynd Network, é um mercado para a venda de largura de banda ociosa. A Grass funciona como uma rede aberta para a aquisição e distribuição de dados, diferenciando-se da simples recolha e venda de dados. A Grass tem funções de limpeza e validação de dados para navegar no ambiente de rede cada vez mais fechado. Além disso, o Grass pretende interagir diretamente com os modelos de IA, fornecendo-lhes conjuntos de dados facilmente utilizáveis. Os conjuntos de dados de IA requerem um tratamento profissional, incluindo uma afinação manual extensiva para satisfazer as necessidades específicas dos modelos de IA.

Para além disso, a Grass aborda a questão da venda de dados, enquanto o sector DePIN da Web3 pode produzir os dados necessários para a IA. Este sector centra-se essencialmente na condução automática de veículos. Tradicionalmente, a condução autónoma exigia que as empresas acumulassem os dados correspondentes. No entanto, projectos como o DIMO e o Hivemapper operam diretamente nos veículos, recolhendo uma quantidade crescente de informações de condução e de dados rodoviários.

Em cenários anteriores de condução autónoma, a tecnologia de reconhecimento de veículos e os mapas de alta precisão eram essenciais. Informações como mapas de alta precisão foram acumuladas por empresas como a NavInfo, criando barreiras no sector. Se os recém-chegados tirarem partido dos dados da Web3, poderão ter a oportunidade de ultrapassar os concorrentes na curva.

Pré-processamento de dados: Libertar os seres humanos escravizados pela IA

A inteligência artificial pode ser dividida em duas partes: anotação manual e algoritmos inteligentes. Em regiões do terceiro mundo como o Quénia e as Filipinas, onde a curva de valor da anotação manual é mais baixa, as pessoas são responsáveis por esta tarefa. Entretanto, as empresas de pré-processamento de IA na Europa e nos Estados Unidos ficam com a parte de leão das receitas, vendendo-as posteriormente a empresas de investigação e desenvolvimento de IA.

Com o avanço da IA, cada vez mais empresas estão de olho neste negócio. Face à concorrência, o preço unitário da anotação de dados continua a diminuir. Esta atividade consiste principalmente na etiquetagem de dados, semelhante a tarefas como o reconhecimento de captchas, sem qualquer limiar técnico e até com preços muito baixos, como 0,01 RMB.

Source: https://aim.baidu.com/product/0793f1f1-f1cb-4f9f-b3a7-ef31335bd7f0

Neste cenário, as plataformas de anotação de dados Web3, como a Public AI, têm um mercado comercial prático. Ligam as empresas de IA aos trabalhadores de anotação de dados, substituindo um modelo simples de concorrência comercial de baixo preço por um sistema de incentivos. No entanto, é essencial notar que empresas maduras como a Scale AI garantem uma qualidade fiável na tecnologia de anotação. Para plataformas de anotação de dados descentralizadas, o controlo da qualidade e a prevenção de abusos são necessidades absolutas. Essencialmente, isto representa um serviço empresarial C2B2B, em que a escala e a quantidade de dados por si só não conseguem convencer as empresas.

Liberdade de hardware: Rede de renderização e Bittensor

Deve ser esclarecido que, ao contrário das plataformas de extração de Bitcoin, não existe atualmente nenhum hardware dedicado à IA da Web3. A potência e as plataformas de computação existentes são transformadas a partir de hardware maduro com camadas de incentivo criptográfico adicionadas, essencialmente abrangidas pelo sector DePIN. No entanto, uma vez que difere dos projectos de fontes de dados, está incluído no fluxo de trabalho de IA aqui.

Para a definição de DePIN, consulte o artigo que escrevi anteriormente: DePIN antes do Hélio: Explorando Bitcoin, Arweave e STEPN

A Render Network é um projeto há muito estabelecido que não foi inicialmente concebido para a IA. Iniciou a sua atividade em 2017, centrando-se na prestação de serviços, como sugere o seu nome. Nessa altura, as GPU não eram procuradas, mas as oportunidades de mercado foram surgindo gradualmente. O mercado das GPU, especialmente as GPU topo de gama monopolizadas pela NVIDIA, impediu a entrada de utilizadores de renderização, IA e metaversos devido aos preços exorbitantes. Se fosse possível criar um canal entre a procura e a oferta, um modelo económico semelhante ao das bicicletas partilhadas poderia ter uma oportunidade de se estabelecer.

Além disso, os recursos da GPU não requerem a transferência efectiva de hardware; podem ser atribuídos utilizando recursos de software. Vale a pena mencionar que a Render Network mudou para o ecossistema Solana em 2023, abandonando a Polygon. A mudança para Solana, mesmo antes do seu ressurgimento, provou ser uma decisão correcta ao longo do tempo. Para a utilização e distribuição de GPU, uma rede de alta velocidade é um requisito crucial.

Se a Render Network pode ser considerada um projeto estabelecido, a Bittensor está atualmente a ganhar força.

O BitTensor é construído sobre o Polkadot, com o objetivo de treinar modelos de IA através de incentivos económicos. Os nós competem para treinar modelos de IA com o mínimo de erro ou a máxima eficiência, assemelhando-se aos processos clássicos na cadeia em projectos Crypto. No entanto, o processo de treino real ainda requer GPUs NVIDIA e plataformas tradicionais, tornando-o semelhante a plataformas de competição como o Kaggle.

zkML e UBI: Os dois aspectos da Worldcoin

A aprendizagem automática de conhecimento zero (zkML) introduz a tecnologia zk no processo de formação de modelos de IA para resolver problemas como fugas de dados, falhas de privacidade e verificação de modelos. Os dois primeiros são fáceis de compreender - os dados encriptados com zk podem ser treinados sem que haja fuga de informação pessoal ou privada.

A verificação de modelos refere-se à avaliação de modelos de fonte fechada. Com a tecnologia zk, é possível definir um valor-alvo, permitindo que os modelos de código fechado provem as suas capacidades através da verificação de resultados sem revelar o processo de cálculo.

A Worldcoin não só previu o zkML desde o início, como também defende o Rendimento Básico Universal (RBI). Na sua visão, a produtividade futura da IA excederá em muito os limites da procura humana. O verdadeiro desafio é a distribuição justa dos benefícios da IA, e o conceito de RBI deve ser partilhado globalmente através do token $WLD, exigindo o reconhecimento biométrico de pessoas reais para aderir aos princípios de justiça.

É claro que o zkML e o UBI ainda estão na fase experimental inicial, mas são desenvolvimentos intrigantes que continuarei a seguir de perto.

Conclusão

O desenvolvimento da IA, representado pelos modelos de transformação e de grandes linguagens (LLM), está a enfrentar progressivamente estrangulamentos, semelhantes aos da regressão linear e das redes neuronais. Não é viável aumentar indefinidamente os parâmetros do modelo ou o volume de dados, uma vez que os retornos marginais diminuirão.

A IA pode ser a semente que emerge com sabedoria, mas o problema da alucinação é atualmente grave. Pode observar que a crença de que o Cripto pode mudar a IA é uma forma de confiança e uma alucinação padrão. Embora a adição de criptografia possa não resolver tecnicamente os problemas de alucinação, pode pelo menos alterar alguns aspectos numa perspetiva de equidade e transparência.

Referências:

1. OpenAI: "GPT-4 Technical Report", 2023; arXiv:2303.08774.
2. Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, Illia Polosukhin: "Attention Is All You Need", 2017; arXiv:1706.03762.
3. Jared Kaplan, Sam McCandlish, Tom Henighan, Tom B. Brown, Benjamin Chess, Rewon Child, Scott Gray, Alec Radford, Jeffrey Wu, Dario Amodei: "Leis de escala para modelos de linguagem neural", 2020; arXiv:2001.08361.
4. Hao Liu, Wilson Yan, Matei Zaharia, Pieter Abbeel: "World Model on Million-Length Video And Language With RingAttention", 2024; arXiv:2402.08268.
5. Max Roser (2022) - "A breve história da inteligência artificial: O mundo mudou rapidamente - o que poderá vir a seguir?" Publicado em linha em OurWorldInData.org. Obtido de: 'https://ourworldindata.org/brief-history-of-ai'[Recurso em linha]
6. Uma introdução à aprendizagem automática de conhecimento zero (ZKML)
7. Compreender a intersecção entre a criptografia e a IA
8. A relva é a camada de dados da IA
9. Bittensor: Um Mercado de Inteligência Peer-to-Peer

Declaração de exoneração de responsabilidade：

1. Este artigo foi reimpresso de[佐爷歪脖山], Todos os direitos de autor pertencem ao autor original[佐爷]. Se houver objecções a esta reimpressão, contacte a equipa da Gate Learn, que tratará prontamente do assunto.
2. Declaração de exoneração de responsabilidade: Os pontos de vista e opiniões expressos neste artigo são da exclusiva responsabilidade do autor e não constituem um conselho de investimento.
3. As traduções do artigo para outras línguas são efectuadas pela equipa Gate Learn. A menos que seja mencionado, é proibido copiar, distribuir ou plagiar os artigos traduzidos.