AI встречает "момент USB-C", как MC идеально объединяется с Ethereum?

Содержимое | Брюс

Редактирование & верстка | Хуанхуан

Дизайн | Дейзи

“USB-C момент” в эволюции ИИ: в ноябре 2024 года протокол MCP, выпущенный компанией Anthropic, вызывает землетрясение в Силиконовой долине. Этот открытый стандарт, названный “USB-C мира ИИ”, не только реконструирует способ соединения больших моделей с физическим миром, но и скрывает ключ к решению проблемы монополии ИИ и перестройке производственных отношений цифровой цивилизации. Пока мы все еще обсуждаем масштаб параметров GPT-5, MCP уже тихо прокладывает путь к децентрализованной эпохе AGI…

Брюс: В последнее время я изучаю Model Context Protocol (MCP). Это второе, после ChatGPT, что меня очень волнует в области ИИ, поскольку это может помочь решить три проблемы, над которыми я размышлял много лет:

• Как обычные люди, не являющиеся учеными или гениями, могут участвовать в индустрии ИИ и зарабатывать деньги?
• В чем заключается взаимовыгодное сочетание ИИ и Ethereum?
• Как реализовать AI d/acc? Избежать монополии больших централизованных компаний, цензуры, уничтожения человечества AGI?

01, что такое MCP?

MCP — это открытый стандартный фреймворк, который может упростить интеграцию LLM с внешними источниками данных и инструментами. Если мы сравним LLM с операционной системой Windows, приложения, такие как Cursor, являются клавиатурой и аппаратным обеспечением, тогда MCP — это USB-интерфейс, который поддерживает гибкое подключение внешних данных и инструментов, после чего пользователи могут считывать и использовать эти внешние данные и инструменты.

MCP предлагает три возможности для расширения LLM:

• Ресурсы（知识扩展）
• Инструменты（выполнение функций, вызов внешних систем）
• Подсказки（预编写提示词模板）

MCP может быть разработан и размещен любым человеком, предлагая услуги в качестве сервера, и может быть отключен в любое время.

02, почему нужен MCP

В настоящее время LLM использует как можно больше данных для выполнения большого количества вычислений и генерации множества параметров, интегрируя знания в модель, чтобы обеспечить соответствующий вывод знаний в диалоге. Однако существует несколько значительных проблем:

1. Большое количество данных и вычислений требует много времени и оборудования, а знания, используемые для обучения, обычно устарели.
2. Модели с большим количеством параметров трудно развертывать и использовать на локальных устройствах, но на самом деле пользователям в большинстве случаев может не понадобиться вся информация для выполнения требований.
3. Некоторые модели используют способ сбора данных с помощью пауков для получения внешней информации для вычислений с целью достижения актуальности, однако из-за ограничений пауков и качества внешних данных это может привести к более вводящему в заблуждение содержимому.
4. Поскольку ИИ не приносит значительной выгоды создателям, многие сайты и контент начинают внедрять меры против ИИ, генерируя большое количество мусорной информации, что приведет к постепенному снижению качества LLM.
5. LLM трудно расширить во всех аспектах внешних функций и операций, таких как точный вызов интерфейса GitHub для выполнения некоторых операций. Он будет генерировать код на основе устаревшей документации, но не может гарантировать его точное выполнение.

03, Эволюция архитектуры толстых LLM и тонких LLM + MCP

Мы можем рассматривать нынешние сверхмасштабные модели как толстые LLM, архитектура которых может быть представлена на следующей простой схеме:

После ввода информации пользователем, через уровень Восприятия и Рассуждения происходит разбор и логическое обоснование ввода, затем вызываются огромные параметры для генерации результата.

После MCP LLM может сосредоточиться на самом языковом анализе, отделив знания и способности, становясь «тонким» LLM:

В рамках архитектуры Slim LLM, уровень восприятия и рассуждения будет сосредоточен на том, как преобразовать всю информацию о физической среде человека в токены, включая, но не ограничиваясь: голосом, интонацией, запахом, изображениями, текстом, гравитацией, температурой и т.д., а затем через MCP Coordinator организовать и координировать выполнение задач с помощью сотен MCP Servers. Стоимость обучения Slim LLM и скорость значительно возрастут, а требования к развертываемым устройствам станут очень низкими.

04、MCP как решает три основные проблемы

Как обычные люди могут участвовать в индустрии ИИ?

Любой человек с уникальными талантами может создать свой собственный MCP сервер для обслуживания LLM. Например, любитель птиц может предоставить свои многолетние заметки о птицах через MCP. Когда кто-то использует LLM для поиска информации о птицах, будет вызван текущий сервис MCP с заметками о птицах. Создатель также получит долю дохода.

Это более точный и автоматизированный цикл экономики создателей, где содержание услуг более стандартизировано, количество вызовов и выходных токенов можно точно подсчитать. Поставщики LLM могут даже одновременно вызывать несколько MCP серверов Bird Notes, позволяя пользователям выбирать и оценивать, чтобы определить, чье качество лучше, и получить более высокий вес соответствия.

Двойное выигрышное сочетание AI и Ethereum

a. Мы можем создать сеть стимулирования создателей OpenMCP.Network на основе Ethereum. MCP Server должен быть размещен и предоставлять стабильные услуги, пользователи платят поставщикам LLM, а поставщики LLM распределяют реальные стимулы через сеть на вызываемые MCP Servers, чтобы поддерживать устойчивость и стабильность всей сети, побуждая создателей MCP продолжать создание и предоставление качественного контента. Эта сеть будет нуждаться в использовании смарт-контрактов для автоматизации, прозрачности, доверия и защиты от цензуры стимулов. Подписание, проверка прав доступа и защита конфиденциальности в процессе работы могут быть реализованы с использованием технологий Ethereum Wallet, ZK и т.д.

b. Разработка MCP-серверов, связанных с операциями на Ethereum, например, службы вызова кошелька AA, пользователи смогут осуществлять платежи из кошелька в LLM с помощью языка, не раскрывая соответствующие закрытые ключи и права LLM.

c. Также есть различные инструменты для разработчиков, которые упрощают разработку смарт-контрактов Ethereum и генерацию кода.

Реализация децентрализованного ИИ

a. MCP Servers децентрализуют знания и способности ИИ, любой может создавать и размещать MCP Servers, зарегистрировавшись на таких платформах, как OpenMCP.Network, и получать вознаграждение за вызовы. Ни одна компания не может контролировать все MCP Servers. Если поставщик LLM предоставляет несправедливые вознаграждения MCP Servers, создатели поддержат блокировку этой компании, а пользователи, не получив качественных результатов, перейдут к другим поставщикам LLM для обеспечения более справедливой конкуренции.

b. Создатели могут осуществлять тонкую настройку контроля доступа к своим MCP Servers для защиты конфиденциальности и авторских прав. Поставщики тонких LLM должны побуждать создателей вносить вклад в высококачественные MCP Servers, предлагая разумные стимулы.

c. Разрыв в возможностях тонких LLM будет постепенно сглаживаться, поскольку человеческий язык имеет пределы охвата и эволюция происходит очень медленно. Поставщикам LLM придется сосредоточить внимание и средства на качественных MCP-серверах, а не на повторном использовании большего количества графических процессоров для майнинга.

d. Способности AGI будут децентрализованы и уменьшены, LLM будет использоваться только для обработки языка и взаимодействия с пользователем, конкретные способности будут распределены по различным MCP серверам. AGI не будет представлять угрозу для человечества, потому что после отключения MCP серверов возможен только базовый языковой диалог.

05, Общий обзор

1. Эволюция архитектуры LLM + MCP серверов по сути является децентрализацией возможностей ИИ, что снижает риск уничтожения человечества AGI.
2. Способ использования LLM позволяет проводить статистику и автоматизацию вызовов MCP серверов на уровне токенов, что закладывает основу для создания экономической системы для AI-креаторов.
3. Хорошая экономическая система может побудить создателей активно вносить вклад в создание высококачественных MCP-серверов, что приведет к развитию всего человечества и обеспечит положительный цикл. Создатели больше не будут противостоять ИИ, а ИИ также предоставит больше рабочих мест и доходов, разумно распределяя прибыль таких монопольных коммерческих компаний, как OpenAI.
4. Эта экономическая система, сочетая свои особенности и потребности создателя, очень хорошо подходит для реализации на базе Ethereum.

06, Перспективы на будущее: Эволюция следующего сценария

1. Протоколы MCP или подобные им будут появляться один за другим, несколько крупных компаний начнут конкурировать за определение стандарта.
2. Появятся LLM на основе MCP, сосредоточенные на анализе и обработке человеческого языка, с небольшими моделями, подключенными к сети MCP через MCP Coordinator. LLM будет поддерживать автоматическое обнаружение и планирование MCP-серверов без необходимости в сложной ручной настройке.
3. Поставщики услуг сети MCP появятся, у каждого будет своя система экономических стимулов, создатели MCP смогут получать доход, зарегистрировав и разместив свои серверы.
4. Если система экономического стимулирования сети MCP построена с использованием Ethereum и основана на смарт-контрактах, то транзакции сети Ethereum по консервативным оценкам увеличатся примерно в 150 раз (согласно очень консервативным 100 миллионам вызовов серверов MCP в день, текущий блок 12s включает в себя вычисления 100 txs).