Цифрова синергія: чим обернеться злиття штучного інтелекту та блокчейну
У листопаді 2022 року компанія OpenAI представила чат-бота ChatGPT. За два місяці після запуску кількість активних користувачів сервісу сягнула 100 млн. Для порівняння: TikTok знадобилося близько дев’яти місяців, щоб дійти до цієї позначки, а Instagram — понад два роки.
На той момент генеративні нейронні мережі вже були досить популярними, а новий продукт додатково підігрів інтерес до сегмента. Тож не дивно, що хвиля хайпу навколо штучного інтелекту (ШІ) не о минула і криптовалютну індустрію.
З кінця 2022 року періодично можна було спостерігати локальні ралі в токенах проєктів, які, за запевненнями розробників, використовували технологію. Однак дехто зі скепсисом ставиться до подібних активів, небезпідставно вважаючи, що ступінь інтеграції будь-яких алгоритмів перебуває на занадто низькому рівні.
Проте, якщо щодо наявних продуктів висловлюються різні і досить полярні думки, то щодо потенціалу можливої синергії блокчейна і штучного інтелекту спостерігається певний консенсус.
Багато гравців, зокрема біржі та Web3-акселератори, вважають, що злиття технологій принесе користь обом галузям, давши змогу кожній вирішити наявні проблеми. Схожої думки дотримуються і деякі венчурні інвестори. Наприклад, у травні повідомлялося, що Paradigm розширить сферу своїх інтересів на ШІ.
Incrypted розібрався, як штучний інтелект і блокчейн можуть доповнити один одного, навіщо алгоритмам потрібні децентралізовані мережі і чому синергія технологій може значно прискорити їхній розвиток.
Навіщо алгоритмам децентралізація?
Наратив про синергію штучного інтелекту та блокчейну не є чимось новим. При цьому інтерес до галузі значно зріс в останні кілька років — на це, зокрема, вказують дані релевантних досліджень.
Інтеграція розподілених мереж з ШІ-сервісами в перспективі несе багато вигоди розробникам останніх. Потенційно блокчейн здатний усунути або принаймні послабити низку критичних бар’єрів на кшталт тих, що пов’язані з нестачею обчислювальних потужностей.
Ця синергія також відкриває доступ до інноваційних варіантів взаємодії. Наприклад, DLT-технологія може дозволити виконувати тонке налаштування нейронних моделей і збирати більш репрезентативні набори даних для навчання алгоритмів.
Блокчейн-індустрія також виграє від інтеграції систем зі штучним інтелектом — особливо ончейн і в смарт-контрактах. ШІ здатний підвищити продуктивність розподілених мереж і стати одним з основних драйверів зростання сектора децентралізованих фінансів (DeFi).
Проблеми є у всіх
Історія штучного інтелекту як наукового напряму налічує майже 70 років. Однак галузі так і не вдалося усунути деякі бар’єри, які перешкоджають її широкому прийняттю. Ба більше, у міру розвитку індустрії з’явилися нові виклики.
Далі ми детально розглянемо деякі потенційні сценарії, в яких розподілені мережі можуть нівелювати певні обмеження.
Брак потужностей
Графічні процесори (GPU) відіграють важливу роль у навчанні алгоритмів та виведенні користувацьких запитів. Про це, зокрема, свідчить звіт Nvidea за I квартал 2024 фіскального року.
На тлі зростання АІ-сектору відбулося різке збільшення попиту на GPU — це призвело до суттєвого дефіциту чипів. Ситуація виявилася настільки серйозною, що великі провайдери хмарних послуг на кшталт Google і Amazon навіть почали вводити обмеження для своїх клієнтів.
Багато з зайнятих у сфері штучного інтелекту компаній звернулися до альтернативних постачальників (наприклад, Lambda), але вони також вже близькі до межі своїх можливостей.
Проблему потенційно можуть виправити децентралізовані обчислювальні мережі. Останні де-факто є посередниками, які з’єднують організації, що потребують обчислювальних потужностей, з власниками систем, що володіють необхідним ресурсом.
Подібні рішення пропонують нижчі ціни порівняно з централізованими постачальниками послуг. Це в основному пов’язано з відсутністю додаткових витрат у підключених до системи провайдерів.
Існує два основних типи подібних обчислювальних мереж: загального призначення (general purpose; GP) і спеціального призначення (special purpose; SP).
До перших належать децентралізовані хмарні сервіси, що надають ресурси широкому спектру додатків. Їхня модель роботи чимось нагадує маркетплейс — клієнти орендують серверний простір у провайдерів, які самостійно встановлюють ціни. Вищезгадана Akash належить саме до GP-мереж.
SP-мережі, навпаки, призначені для конкретних сценаріїв використання. Зазвичай їхня архітектура об’єднує обчислювальні ресурси в єдиний пул — своєрідний децентралізований комп’ютер. При цьому вартість послуг визначає динаміка ринку або параметри, контрольовані спільнотою.
Прикладом таких продуктів є Gensyn, яка призначена для навчання ML-моделей.
Децентралізовані мережі демократизують доступ до обчислювальних потужностей. Це дає змогу знизити вартість навчання, тонкого налаштування алгоритмів та опрацювання користувацьких запитів, що є ще більш ресурсномістким завданням.
Водночас у спільноті є побоювання щодо швидкості навчання ML-моделей на розподіленому ресурсі. За словами учасника Alliance і партнера Volt Capital Мохамеда Фуда, порівняно з централізованими методами вона може бути нижчою на один або навіть два порядки.
Команди вже працюють над оптимізацією процесу децентралізованого навчання. Розробники Together створюють рішення, яке теоретично дасть змогу усунути «пляшкове горлечко», а в Gensyn намагаються зняти питання, що виникають через підключення до мережі різного обладнання.
Проте цілком імовірно, що спільноті доведеться піти на компроміс — змиритися з повільним навчанням на догоду економії коштів.
Машинне навчання з нульовим розголошенням
Окремо варто виділити проєкти, орієнтовані на машинне навчання з нульовим розголошенням (zero-knowledge machine learning; ZKML).
Для забезпечення коректної роботи в обчислювальних мережах використовуються різні механізми на кшталт довірених середовищ виконання (trusted execution environments; TEE) і репутаційних моделей. Але кожен підхід має свої обмеження та недоліки. Наприклад, у TEE може бути присутнім потенційний вектор апаратної атаки.
Тому нова хвиля проєктів (Gensyn, Modulus Labs і Giza) почала експериментувати із застосуванням доказу з нульовим розголошенням (zero-knowledge proof; ZKP) для перевірки цілісності обчислень для ML.
ZKP – це криптографічний протокол, який дає змогу одній стороні (тій, що доводить) підтвердити істинність твердження іншій стороні (тій, що перевіряє), не розкриваючи водночас жодної додаткової інформації. Протокол досить популярний у блокчейн-індустрії, оскільки дає змогу розробникам створювати масштабовані та безпечні додатки.
Стосовно машинного навчання ZKP за необхідності приховує частину вхідних даних або самої моделі. Це особливо актуально, коли алгоритми працюють у суворо регульованих галузях на кшталт охорони здоров’я і фінансів.
У ZKML є й інші переваги. Метод, наприклад, дає змогу довести, що конкретний алгоритм навчався на строго певному наборі даних. У разі пропрієтарних ШІ він також дає можливість перевірити, що всім користувачам доступна одна і та ж модель.
Недоліком підходу можна вважати сам процес генерації доказів — це ресурсномістке завдання, виконання якого може коштувати дорожче за вихідні операції. Це означає, що в деяких випадках їх обчислення є недоцільним і непрактичним.
Проте ZKML є вектором децентралізації для АІ-індустрії, що важливо в ситуації, коли концентрація технології в руках вузького пулу гравців викликає побоювання.
Перевірка автентичності контенту
Розвиток і поширення генеративних нейромереж призвело до появи реалістичних діпфейків. Прикладом можуть слугувати сфабриковані зображення Папи Франциска в пуховику Balenciaga і відео зі сценою вибуху біля Пентагону.
Для боротьби з подібними підробками можна використовувати криптографічні підписи — особистість творця контенту верифікується шляхом зіставлення пари закритий-відкритий ключ.
Одним із прикладів реалізації є децентралізовані соціальні мережі. Побудовані на базі Lens Protocol проєкти пов’язують облікові записи користувачів з адресами в публічному блокчейні. Це спрощує ідентифікацію.
Команди Bundlr і Arweave також працюють над створенням єдиних для індустрії стандартів. Останні передбачають введення специфікацій, що зобов’язують інтегрувати в цифровий контент незмінні криптографічні підписи і тимчасові мітки, які записуються в розподілений реєстр.
На шляху до ефективності
У перспективі блокчейн підвищить ефективність навчання нейронних моделей і може змінити сам сформований підхід до проведення досліджень у галузі.
Якщо на початку існування напряму більшість досліджень проводили в академічних колах, то зараз домінують великі технологічні компанії. Така ситуація обмежує участь локальних лабораторій і приватних осіб через брак стимулів і можливостей співпраці.
Децентралізовані платформи на кшталт Bittensor можуть виправити стан речей. Це своєрідні маркетплейси, де учасники отримують винагороду за свій внесок у розробку і можуть обмінюватися даними для навчання моделей. Особливо привабливими подібні майданчики виглядають при створенні ШІ з відкритим вихідним кодом.
Блокчейн також спрощує застосування навчання з підкріпленням на основі відгуків людей(Reinforcement Learning from Human Feedback; RLHF). Це метод, який включає в процес зворотний зв’язок від людини для більш тонкого налаштування нейронної моделі.
RLHF дає змогу «відшліфувати» модель, знизивши кількість неточних або необ’єктивних результатів. Наприклад, OpenAI використовувала його для налагодження GPT-3 і при розробці ChatGPT.
Тонке налаштування збільшує продуктивність алгоритмів і дає їм можливість набувати досвіду в конкретних галузях. У міру зростання попиту на такі вузькоспеціалізовані моделі зростає і потреба в експертах для забезпечення зворотного зв’язку.
У Multicoin пропонують спосіб масштабування RLHF за рахунок використання стимулюючих виплат у вигляді токенів. Однак у такого підходу є щонайменше дві проблеми:
- Оскільки експерти повинні погодитися прийняти токени як компенсацію, це обмежує коло осіб, які беруть участь у навчанні;
- подібну систему необхідно захистити від маніпулятивних атак, щоб зберегти точність зворотного зв’язку.
Водночас уже існують проєкти на кшталт Hivemapper, які реалізують метод на практиці.
Наскільки розумним може бути смарт-контракт?
Є безліч галузей, у яких блокчейн-платформи можуть використовувати штучний інтелект на найрізноманітніших рівнях: від інфраструктурного до прикладного.
Водночас найбільший інтерес для криптовалютної індустрії становлять сценарії, за яких ШІ працює безпосередньо в розподіленому реєстрі. У загальному сенсі існують два способи перенести діяльність алгоритмів у блокчейн:
- Дозволити автономним агентам використовувати інфраструктуру Web3 для здійснення платежів і доступу до цифрових ресурсів;
- Дозволити нейронним моделям взаємодіяти зі смарт-контрактами через ZKML.
Платежі та ресурси для автономних агентів
Автономні економічні агенти (AEA) – це автономні системи на базі алгоритмів машинного навчання, що виконують конкретні завдання від імені своїх власників без їхнього безпосереднього втручання в процес.
Фахівці очікують, що в міру розвитку технології AEA стануть більш вузькоспеціалізованими, що призведе до поширення «мультиагентних систем».
Це, своєю чергою, спричинить появу ринку, на якому одні агенти зможуть «наймати» інших і платити їм винагороду за виконання певних завдань. У цьому контексті цілком імовірно, що криптовалютні платежі будуть кращими за фіатні з кількох причин:
- Існуючі законодавства не дозволяють AEA відкривати банківські рахунки або використовувати акаунти власників для проведення транскордонних транзакцій;
- Криптовалюти усувають необхідність у довірених посередниках;
- Блокчейн-інфраструктура забезпечує більш швидкі та дешеві взаєморозрахунки.
AEA зможуть взаємодіяти не тільки з платіжними, а й з децентралізованими мережами фізичної інфраструктури(Decentralized Physical Infrastructure Networks; DePIN). Останні об’єднують апаратні пристрої – розглянуті вище обчислювальні системи також можна віднести до цього сегмента.
DePIN надасть ШІ доступ до цифрових ресурсів на кшталт дискового простору та комп’ютерних потужностей. Наприклад, якщо алгоритму потрібно створити 3D-модель, він може використовувати Render Network для рендерингу і Arweave для зберігання даних, замість того, щоб покладатися на централізовані рішення.
Інтеграція ШІ в смарт-контракти
Застосування ШІ-моделей у смарт-контрактах значно розширює можливості останніх. Нейронні мережі не тільки відкриють доступ до інноваційних варіантів використання, а й підвищать ефективність наявних інструментів.
Багато в чому цій інтеграції заважають високі обчислювальні витрати, пов’язані з розгортанням алгоритмів у блокчейні. Однак застосування ZKP для підтвердження точного виконання моделей офчейн може вирішити цю проблему, оскільки в розподіленому реєстрі можна розміщувати тільки релевантні докази.
Такий підхід дасть змогу смарт-контрактам ухвалювати рішення на основі динамічних даних, не обмежуючись набором жорстко закодованих правил. Таким чином вони стануть автономнішими, гнучкішими і складнішими.
ZKML можна використовувати в безлічі секторів індустрії, включно з DeFi, GameFi, DeSo (Decentralized Social) і DePIN.
Наприклад, у децентралізованих фінансових застосунках ШІ здатний коригувати параметри протоколу залежно від поточних параметрів мережі. Один із можливих юзкейсів – лендинговий протокол використовує ML-модель, щоб регулювати фактор застави в режимі реального часу.
Серед інших сценаріїв: автоматизоване управління казначейством, кредитний ончейн-скоринг і управління ліквідністю AMM.
Вдале протиріччя
На поточний момент між галузями ШІ та Web3 існує протиріччя на рівні базової логіки: перша є високо централізованою, друга — будується на принципах повсюдної децентралізації. Часом така ситуація ускладнює інтеграцію додатків.
Однак те ж саме протиріччя дає змогу продуктам із цих двох секторів ефективно доповнювати один одного і сприяти обопільному розвитку.
Зовсім не обов’язково, що блокчейн стане фундаментом для майбутніх нейронних моделей. І немає абсолютно ніякої гарантії, що алгоритми працюватимуть у самому ядрі децентралізованих платформ.
Але можна з упевненістю сказати, що поєднання двох технологій ще принесе безліч нових наративів, деякі з яких виявляться цілком життєздатними.
Буде цікаво
