เนื้อหา | บรูซ
แก้ไข & จัดรูปแบบ | หวนหวน
ออกแบบ | เดซี่
“USB-C Moment” ในประวัติศาสตร์การพัฒนา AI ซึ่งเกิดขึ้นในเดือนพฤศจิกายน 2024 เมื่อโปรโตคอล MCP ที่เผยแพร่โดย Anthropic กำลังทำให้เกิดแผ่นดินไหวในซิลิคอนวัลเลย์ มาตรฐานเปิดที่ถูกเรียกว่า “USB-C ของวงการ AI” นี้ไม่เพียงแต่ปรับเปลี่ยนวิธีการเชื่อมต่อระหว่างโมเดลขนาดใหญ่กับโลกทางกายภาพ แต่ยังซ่อนรหัสในการแก้ไขปัญหาการผูกขาด AI และปรับโครงสร้างความสัมพันธ์การผลิตของอารยธรรมดิจิทัลอีกด้วย ขณะที่เรายังถกเถียงเกี่ยวกับขนาดพารามิเตอร์ของ GPT-5 MCP ได้ปูทางไปสู่ยุค AGI อย่างเงียบ ๆ…
Bruce: เมื่อเร็ว ๆ นี้ฉันกําลังทํางานเกี่ยวกับ Model Context Protocol (MCP) นี่เป็นสิ่งที่สองที่ฉันตื่นเต้นมากในพื้นที่ AI หลังจาก ChatGPT เพราะมันมีศักยภาพในการแก้ปัญหาสามข้อที่ฉันคิดมาหลายปีแล้ว:
- ผู้ที่ไม่ใช่นักวิทยาศาสตร์และอัจฉริยะ คนธรรมดาจะมีส่วนร่วมในอุตสาหกรรม AI และสร้างรายได้ได้อย่างไร?
- AI และ Ethereum มีการผสมผสานที่ได้ประโยชน์ร่วมกันอย่างไร?
- จะทำอย่างไรให้ AI d/acc? หลีกเลี่ยงการผูกขาดและการเซ็นเซอร์จากบริษัทใหญ่ ๆ และ AGI จะทำลายมนุษยชาติ?
01、MCP คืออะไร？
MCP เป็นกรอบมาตรฐานแบบเปิดที่สามารถทำให้การรวม LLM กับแหล่งข้อมูลและเครื่องมือภายนอกง่ายขึ้น หากเราเปรียบเทียบ LLM กับระบบปฏิบัติการ Windows แอพพลิเคชั่นเช่น Cursor เป็นคีย์บอร์ดและฮาร์ดแวร์ ดังนั้น MCP จึงเหมือนกับพอร์ต USB ที่สนับสนุนการเชื่อมต่อข้อมูลและเครื่องมือภายนอกอย่างยืดหยุ่น จากนั้นผู้ใช้สามารถอ่านและใช้ข้อมูลและเครื่องมือภายนอกเหล่านี้ได้
MCP มีความสามารถสามอย่างในการขยาย LLM:
- ทรัพยากร (การขยายความรู้)
- เครื่องมือ（ดำเนินการฟังก์ชัน เรียกใช้ระบบภายนอก）
- พร้อมท์ (เทมเพลตพรอมต์ที่เขียนไว้ล่วงหน้า)
MCP สามารถพัฒนาและจัดการโดยใครก็ได้ โดยให้บริการในรูปแบบ Server และสามารถปิดบริการได้ตลอดเวลา
02 ทำไมจึงต้องการ MCP
ในปัจจุบัน LLM ใช้ข้อมูลจำนวนมากเพื่อทำการคำนวณจำนวนมากและสร้างพารามิเตอร์จำนวนมาก โดยนำความรู้เข้ามาในโมเดล เพื่อให้สามารถสร้างการสนทนาที่ให้ความรู้ที่เกี่ยวข้อง อย่างไรก็ตามยังมีปัญหาที่ค่อนข้างใหญ่หลายประการ:
- ข้อมูลและการคำนวณจำนวนมากต้องใช้เวลามากและฮาร์ดแวร์มาก ความรู้ที่ใช้ในการฝึกมักจะล้าสมัย
- โมเดลที่มีพารามิเตอร์จำนวนมาก ทำให้ยากที่จะติดตั้งและใช้งานในอุปกรณ์ท้องถิ่น แต่ในความเป็นจริงผู้ใช้ส่วนใหญ่ในสถานการณ์อาจไม่ต้องการข้อมูลทั้งหมดเพื่อให้บรรลุความต้องการ.
- บางโมเดลใช้วิธีการดึงข้อมูลจากเว็บเพื่ออ่านข้อมูลภายนอกในการคำนวณเพื่อให้เกิดความทันสมัย แต่เนื่องจากข้อจำกัดของการดึงข้อมูลและคุณภาพของข้อมูลภายนอก อาจส่งผลให้เกิดเนื้อหาที่ทำให้เข้าใจผิดมากยิ่งขึ้น.
- เนื่องจาก AI ไม่ได้สร้างผลประโยชน์ให้กับผู้สร้างเนื้อหาอย่างดีหลายเว็บไซต์และเนื้อหาจึงเริ่มมีการดำเนินการต่อต้าน AI โดยการสร้างข้อมูลที่ไร้ประโยชน์เป็นจำนวนมาก ซึ่งจะส่งผลให้คุณภาพของ LLM ค่อยๆ ลดลง.
- LLM ยากที่จะขยายไปสู่ฟังก์ชันและการดำเนินการภายนอกในทุกด้าน เช่น การเรียกใช้ API ของ GitHub อย่างถูกต้องเพื่อดำเนินการบางอย่าง มันจะสร้างโค้ดตามเอกสารที่อาจล้าสมัย แต่ไม่สามารถรับประกันได้ว่าจะสามารถดำเนินการได้อย่างแม่นยำ
03、胖 LLM และผอม LLM + MCP ของการพัฒนาโครงสร้าง
เราสามารถมองโมเดลขนาดใหญ่ที่มีอยู่ในปัจจุบันว่าเป็น LLM ที่อ้วน โดยสถาปัตยกรรมของมันสามารถแสดงได้ตามแผนภาพง่ายๆ ด้านล่างนี้:
หลังจากผู้ใช้ป้อนข้อมูลแล้ว จะมีการวิเคราะห์และอนุมานข้อมูลที่ป้อนผ่านชั้น Perception & Reasoning จากนั้นจะเรียกใช้พารามิเตอร์ขนาดใหญ่เพื่อสร้างผลลัพธ์.
หลังจาก MCP LLM อาจมุ่งเน้นไปที่การวิเคราะห์ภาษาเอง แยกความรู้และความสามารถออกมา เปลี่ยนเป็น LLM ที่เบาลง:
ภายใต้สถาปัตยกรรม LLM ที่เบา ชั้น Perception & Reasoning จะมุ่งเน้นไปที่การวิเคราะห์ข้อมูลสิ่งแวดล้อมทางกายภาพของมนุษย์ในทุกด้านให้กลายเป็นโทเค็น ซึ่งรวมถึงแต่ไม่จำกัดเพียง: เสียง, น้ำเสียง, กลิ่น, รูปภาพ, ข้อความ, แรงโน้มถ่วง, อุณหภูมิ เป็นต้น จากนั้นจะใช้ MCP Coordinator ในการจัดการและประสานงาน MCP Servers หลายร้อยตัวเพื่อทำภารกิจให้สำเร็จ ค่าใช้จ่ายในการฝึกอบรม LLM ที่เบาจะเพิ่มขึ้นอย่างรวดเร็ว และความต้องการสำหรับอุปกรณ์ที่ใช้ในการติดตั้งจะลดลงอย่างมาก.
04. MCP แก้ปัญหาสําคัญสามประการได้อย่างไร
คนธรรมดาจะเข้าร่วมอุตสาหกรรม AI ได้อย่างไร?
ผู้ที่มีความสามารถเฉพาะตัวสามารถสร้างเซิร์ฟเวอร์ MCP ของตนเองเพื่อให้บริการ LLM ได้ ตัวอย่างเช่น ผู้ที่ชื่นชอบนกสามารถนำบันทึกเกี่ยวกับนกที่ตนมีมายาวนานมาให้บริการผ่าน MCP เมื่อมีคนใช้ LLM ค้นหาข้อมูลที่เกี่ยวข้องกับนก เซิร์ฟเวอร์ MCP ที่มีบันทึกเกี่ยวกับนกจะถูกเรียกใช้ ผู้สร้างก็จะได้รับส่วนแบ่งรายได้จากการให้บริการนี้ด้วย
นี่เป็นระบบเศรษฐกิจของผู้สร้างที่มีความแม่นยำและเป็นอัตโนมัติมากขึ้น เนื้อหาบริการมีความเป็นมาตรฐานมากขึ้น การเรียกใช้ จำนวนครั้งและโทเค็นที่ส่งออกสามารถคำนวณได้อย่างแม่นยำ ผู้ให้บริการ LLM สามารถเรียกใช้หลายเซิร์ฟเวอร์นก MCP พร้อมกันเพื่อให้ผู้ใช้เลือกและให้คะแนนเพื่อกำหนดว่าใครมีคุณภาพดีกว่าและได้รับน้ำหนักการจับคู่ที่สูงขึ้น.
การผสมผสานที่ชนะทั้งสองฝ่ายระหว่าง AI และ Ethereum
a. เราสามารถสร้างเครือข่ายการกระตุ้นผู้สร้าง OpenMCP.Network บนพื้นฐานของ Ethereum ได้ MCP Server จำเป็นต้องมีการโฮสต์และให้บริการที่มั่นคง ผู้ใช้จะจ่ายเงินให้กับผู้ให้บริการ LLM และผู้ให้บริการ LLM จะกระจายการกระตุ้นที่แท้จริงไปยัง MCP Servers ที่ถูกเรียกใช้งานผ่านเครือข่ายเพื่อรักษาความยั่งยืนและความมั่นคงของเครือข่ายทั้งหมด กระตุ้นให้ผู้สร้าง MCP สร้างสรรค์และให้บริการเนื้อหาคุณภาพสูงอย่างต่อเนื่อง เครือข่ายชุดนี้จะต้องใช้สัญญาอัจฉริยะในการทำให้การกระตุ้นเป็นไปโดยอัตโนมัติ โปร่งใส เชื่อถือได้ และต้านทานการเซ็นเซอร์ การลงนามในระหว่างการดำเนินงาน การตรวจสอบสิทธิ์ และการปกป้องความเป็นส่วนตัวสามารถใช้เทคโนโลยีเช่น กระเป๋าเงิน Ethereum, ZK เป็นต้นในการดำเนินการได้.
b. พัฒนา MCP Servers ที่เกี่ยวข้องกับการดำเนินการบน Ethereum Chain เช่น บริการเรียกใช้กระเป๋าเงิน AA โดยผู้ใช้จะสามารถสนับสนุนการชำระเงินด้วยกระเป๋าเงินผ่านภาษาใน LLM โดยไม่เปิดเผยคีย์ส่วนตัวและสิทธิ์ที่เกี่ยวข้องให้กับ LLM.
c. ยังมีเครื่องมือสำหรับนักพัฒนาหลายประเภท เพื่อทำให้การพัฒนาและการสร้างโค้ดของสัญญาอัจฉริยะ Ethereum ง่ายขึ้นมากยิ่งขึ้น.
สร้าง AI แบบกระจายอำนาจ
a. MCP Servers ทำให้ความรู้และความสามารถของ AI กระจายอำนาจ ทุกคนสามารถสร้างและโฮสต์ MCP Servers ได้ หลังจากที่ลงทะเบียนในแพลตฟอร์มเช่น OpenMCP.Network แล้ว สามารถได้รับแรงจูงใจตามการเรียกใช้ ไม่มีบริษัทใดสามารถควบคุม MCP Servers ทั้งหมดได้ หากผู้ให้บริการ LLM รายใดให้แรงจูงใจที่ไม่เป็นธรรมต่อ MCP Servers ผู้สร้างจะสนับสนุนการบล็อกบริษัทนั้น และผู้ใช้จะเปลี่ยนไปใช้ผู้ให้บริการ LLM อื่นเพื่อให้เกิดการแข่งขันที่เป็นธรรมมากขึ้น.
b. ผู้สร้างสามารถควบคุมสิทธิ์ใน MCP Servers ของตนได้อย่างละเอียดเพื่อปกป้องความเป็นส่วนตัวและลิขสิทธิ์ ผู้ให้บริการ LLM แบบผอมควรสร้างแรงจูงใจที่เหมาะสมเพื่อให้ผู้สร้างมีส่วนร่วมในการสร้าง MCP Servers ที่มีคุณภาพสูง
c. ความแตกต่างในความสามารถของ LLM ที่บางจะค่อยๆ ถูกลบเลือน เพราะภาษาของมนุษย์มีขีดจำกัดในการเข้าถึง และการพัฒนาก็ช้า LLM ผู้ให้บริการจะต้องตั้งเป้าและลงทุนไปที่ MCP Servers ที่มีคุณภาพสูง แทนที่จะใช้กราฟิกการ์ดที่มากขึ้นในการขุดเหรียญ.
d. ความสามารถของ AGI จะถูกกระจายและลดอำนาจ โดย LLM จะทำหน้าที่เพียงการประมวลผลภาษาและการมีปฏิสัมพันธ์กับผู้ใช้ ความสามารถเฉพาะจะกระจายอยู่ใน MCP Servers ต่างๆ AGI จะไม่เป็นภัยต่อมนุษย์ เพราะเมื่อปิด MCP Servers แล้ว จะสามารถสนทนาได้เพียงพื้นฐานเกี่ยวกับภาษาเท่านั้น.
05、ภาพรวมโดยรวม
- การพัฒนาโครงสร้างของ LLM + MCP Servers โดยพื้นฐานแล้วคือการกระจายความสามารถของ AI ซึ่งลดความเสี่ยงในการทำลายมนุษย์โดย AGI.
- วิธีการใช้ LLM ทำให้สามารถนับจำนวนการเรียกใช้ MCP Servers และการนำเข้าและส่งออกในระดับ token ได้ ซึ่งเป็นรากฐานในการสร้างระบบเศรษฐกิจของผู้สร้าง AI.
- ระบบเศรษฐกิจที่ดีสามารถผลักดันให้ผู้สร้างมีส่วนร่วมในการสร้างสรรค์ MCP Servers ที่มีคุณภาพสูง ซึ่งจะนำไปสู่การพัฒนาทั้งมวลมนุษย์และทำให้เกิดวงล้อเชิงบวก ผู้สร้างไม่ต้องต่อต้าน AI อีกต่อไป และ AI จะนำเสนอโอกาสทำงานและรายได้มากขึ้น ทำให้กำไรของบริษัทพาณิชย์ผูกขาดเช่น OpenAI ถูกแจกจ่ายอย่างสมเหตุสมผล.
- ระบบเศรษฐกิจชุดนี้ ผสมผสานลักษณะเฉพาะและความต้องการของผู้สร้าง ทำให้เหมาะสมอย่างยิ่งสำหรับการดำเนินการบนพื้นฐานของ Ethereum.
06、อนาคต: การพัฒนาบทต่อไป
- โปรโตคอล MCP หรือโปรโตคอลที่คล้ายกับ MCP จะเกิดขึ้นมากมาย บริษัทใหญ่ๆ จะเริ่มแข่งขันกันในการกำหนดมาตรฐาน.
- MCP Based LLM จะเกิดขึ้น โดยมุ่งเน้นไปที่การวิเคราะห์และจัดการกับภาษามนุษย์ของโมเดลขนาดเล็ก พร้อมกับการเชื่อมต่อ MCP Coordinator เข้ากับเครือข่าย MCP LLM จะรองรับการค้นพบและการจัดตาราง MCP Servers โดยไม่ต้องมีการกำหนดค่าด้วยมือที่ซับซ้อน.
- ผู้ให้บริการเครือข่าย MCP จะเกิดขึ้น โดยแต่ละรายมีระบบกระตุ้นทางเศรษฐกิจของตนเอง ผู้สร้าง MCP สามารถลงทะเบียนและโฮสต์เซิร์ฟเวอร์ของตนเพื่อรับรายได้.
- หากระบบแรงจูงใจทางเศรษฐกิจของ MCP Network ถูกสร้างขึ้นด้วย Ethereum โดยอิงจากสมาร์ทคอนแทรค จำนวนธุรกรรมในเครือข่าย Ethereum จะเพิ่มขึ้นประมาณ 150 เท่า (ตามการประมาณการที่ระมัดระวังมากในจำนวนการเรียกใช้ MCP Servers วันละ 100 ล้านครั้ง ปัจจุบัน 12 วินาทีต่อบล็อกรวม 100 txs คำนวณ)
