Multicoin Capital：加密货币与AI融合的四个关键交叉点

编者注：本博客文章的绝大部分内容包括标题都是由ChatGPT撰写。Kyle撰写的内容用斜体字表示。你可以点击此处链接（https://chat.openai.com/share/efa7424b-94cb-412b-ae5a-4fbf889f9ca5）查看其与ChatGPT的对话过程，这是本文的源头。你也可以通过音频方式（Kyle的声音）阅读这篇博客文章。Kyle并没有朗读并录音；相反，他上传了音频样本到一个称为play.ht的服务中，随后提供了本博客文章的文本，该服务使用人工智能合成了他的声音。

加密货币和人工智能(AI)的世界一直在并行发展，每个领域都在推动技术和创新的边界。随着我们继续在这两个领域取得进展，越来越明显的是，它们的未来是密不可分的。在这篇文章中，我将探讨加密货币和人工智能融合中的四个重要交叉点。

“AirBnB显卡”模型

人工智能和机器学习(ML)工作负载的兴起创造了对高性能显卡(如Nvidia A100)的巨大需求。作为回应，一个新的市场出现了，类似于“显卡的AirBnB”。这允许个人和组织出租他们未使用的GPU资源，以满足人工智能研究人员和开发者的需求。

这是市场历史上一个真正重要的时刻。在ChatGPT推出之前，GPU的供应已经供不应求。从那以后，需求可能增长了至少10倍，甚至可能100倍。此外，我们知道模型随着训练规模的对数增长而提高;这意味着对GPU计算的需求呈指数级增长，因为模型质量呈线性增长。尽管总供给远远超过需求，但对某种商品的需求远远超过可用供应的情况很少出现;如果今天地球上的每个GPU都可以用于人工智能推理和训练，那么就不会出现短缺，而是过剩。

然而，在探索“显卡AirBnB”概念时，有几个主要的技术挑战需要考虑：

并非所有显卡都能支持所有工作负载：显卡有各种形状、大小和规格。因此，一些GPU可能无法处理某些人工智能任务。为了使这一模型成功，需要有一种方法将正确的GPU资源与适当的AI工作负载相匹配。随着市场的成熟，我们应该会看到针对不同AI任务的图形卡的进一步专业化和优化。

调整训练过程以适应更高的延迟：今天大多数基础模型都是在通过极低延迟连接相连的GPU集群上进行训练的。在去中心化的环境中，延迟增加了几个数量级，因为GPU可能分布在多个位置并通过公共互联网连接。为了战胜这一挑战，有机会开发假设更高延迟连接的新训练过程。通过重新思考我们训练人工智能模型的方式，我们可以更好地利用大型GPU的分散集群。

验证问题：不可能知道不受信任的计算机是否执行了一段特定的代码。因此，很难信任一台不受信任的计算机的输出。然而，这一问题可以通过声誉系统与加密经济权益相结合来缓解，在某些情况下，还可以通过能够快速验证的新型模型来缓解。

有相当多的团队在这一领域工作，包括训练和推理。Multicoin Capital投资了Render Network, ，该公司最初专注于3D渲染，此后开放了其GPU网络，以支持人工智能推理。

除Render Network之外，该领域其他参与者还包括： Akash、BitTensor、Gensyn、Prodia、Together，以及其他仍处于隐蔽状态的公司。

基于人类反馈的代币激励强化学习(RLHF)

几乎可以肯定的是，代币激励不会对人类反馈强化学习（RLHF）的所有用途都有效。问题是，我们可以使用什么框架来考虑何时代币激励对RLHF有意义，以及何时应该使用现金支付(例如USDC)。

随着以下情况变得更加真实，代币激励可能会改善RLHF：

模型变得更加狭窄和垂直(与通用和水平相反，例如ChatGPT)。如果有人将提供RLHF作为他们的主要工作，并且因此通过提供RLHF产生大部分收入，他们可能需要现金来支付租金和购买食物。当你从一般查询转移到更具体的领域时，模型开发者将需要更多训练有素的工作人员的参与，他们更有可能在整体业务机会的长期成功中获得利益。

在RLHF工作本身之外，提供RLHF的人的收入越高。只有当一个人从其他努力中获得足够的收入或储蓄，以证明在特定领域的RLHF模型中投入有意义的时间的风险是合理的，他才能负担得起接受锁定/非流动性代币作为补偿。为了最大限度地提高成功的可能性，模型开发者不应该仅仅向提供特定于领域的RLHF的工作人员分发未解锁的代币。相反，代币应该在一段时间内授予，以激励长期决策。

代币激励的RLHF模型可能适用的一些行业包括：

医学：人们应该能够与LLMs合作，进行轻量级、第一反应的诊断，以及长期的预防和以长寿为重点的医学。

法律：企业主和个人应该能够使用LLMs来更有效和高效地驾驭各种不同法律体系的复杂性。

工程与建筑：增强设计工具或仿真模型。

金融：改进预测模型、风险评估和算法交易系统。

科学研究：完善人工智能模型，用于模拟实验、预测分子相互作用和分析复杂数据集。

教育培训：支持人工智能驱动的学习平台，提升教育内容的质量和效果。

环境科学与可持续发展：优化预测环境趋势、资源分配和促进可持续实践的人工智能模型。

代币激励的RLHF已经在某一垂直领域投入生产：地图。Hivemapper不仅对司机有好处，对地图编辑也有好处，他们把时间投入到编辑和策划地图数据。你可以使用Hivemapper的地图AI训练工具自己尝试一下。

零知识机器学习(zkML)

区块链不知道现实世界正在发生什么。然而，了解链外发生的事件对它们来说是非常有益的，这样其就可以基于IRL状态以编程方式转移价值。

预言机解决了这一问题的一部分。但光有预言机是不够的。仅仅将IRL数据中继到链是不够的。很多数据需要在进入链之前进行计算。例如，让我们考虑一下收益聚合器，它需要在不同的池之间转移存款以获得更高的收益。为以最小化信任的方式做到这一点，聚合器需要计算所有可用池当前的收益和风险。这很快就变成了一个优化问题，这适合ML。然而，在链上计算ML太过昂贵，所以这是zkML的一个机会。

Modulus Labs这类团队目前正在这一领域构建协议。我们希望有更多的团队在该领域使用通用的ZKVM（如Risc Zero和Lurk）进行建设。

深度造假时代的真实性

随着深度造假变得越来越复杂，保持对数字媒体的真实性和信任至关重要。一种解决方案是利用公钥加密，允许创建者通过使用公钥对其内容进行签名来保证内容的真实性。

公钥本身不足以解决真实性问题。需要有一个公共记录，将公钥映射到现实世界的身份，从而允许验证和建立信任。通过将公钥与经过验证的身份相关联，如果有人被发现滥用公钥，比如在深度伪造的图像或视频上签名，就有可能创建一个反馈和惩罚系统。

为了使该系统有效，将公钥签名与真实世界的身份验证集成将是至关重要的。区块链技术是许多加密货币系统的基础，可以在创建去中心化和防篡改的身份登记方面发挥至关重要的作用。该注册中心将公钥映射到真实世界的身份，从而更容易建立信任并追究不良行为者的责任。

至少需要两种配置：嵌入式硬件和用户控制的软件。

嵌入式硬件:我们预计智能手机和其他设备将很快为图像、视频和其他媒体集成基于硬件的本地签名功能。

Solana Labs 最近推出了Saga手机，这款手机由Solana移动堆栈(Solana Mobile Stack, SMS)提供支持。在接下来的几个月里，我希望SMS能够更新，这样每张照片都使用SMS种子库SDK进行签名，证明照片不是由人工智能生成的。

用户控制软件:人们将使用设计工具，如Photoshop, Octane和图像生成器，如Stable Diffusion来制作艺术。我们希望这些软件提供商将集成公钥加密机制，使创建者能够证明真实性，同时也承认生产过程中使用的工具。

结论

总而言之，加密货币和人工智能技术的融合为解决紧迫的挑战，以及解锁跨多个行业的创新解决方案提供了大量机会。通过探索这些领域的交叉点，我们可以找到新的方法来优化人工智能训练中的资源分配，利用代币激励从人类反馈中进行特定领域的强化学习，并在面对深度造假时保持数字媒体的真实性。

“显卡的AirBnB”模式为高性能GPU的去中心化和民主化提供了可能，使更多的人和组织能够为人工智能的研究和开发做出贡献。代币激励的RLHF可以应用于各个行业，从工程和金融到教育和环境科学，通过利用各领域专家的知识来改进人工智能模型。ZKML将允许链根据现实世界的复杂变化更新链上的金融状态。最后，通过将公钥加密与现实世界的身份验证和区块链技术相结合，我们可以创建一个强大的系统来应对深度造假带来的挑战，并保持对数字媒体的信任。

随着我们继续发现加密货币和人工智能之间的协同作用，我们无疑会发现更多的机会来推动创新，创造价值，并解决当今社会面临的一些最紧迫的问题。拥抱这两个领域的交叉点将帮助我们突破技术的界限，塑造一个更紧密、更高效、更真实的未来。