Khám phá các trường hợp Web3 trong trí tuệ nhân tạo
Động lực và thách thức
Lĩnh vực trí tuệ nhân tạo hiện nay bị thống trị bởi những gã khổng lồ công nghệ tập trung, nguồn đóng và độc quyền. Một số công ty kiểm soát các mô hình có hiệu suất cao nhất, phần lớn là do sức mạnh của sự tập trung hóa cao độ tạo điều kiện thuận lợi cho việc phát triển và suy luận mô hình.
Việc tạo một mô hình học máy thường bao gồm ba giai đoạn chính: đào tạo trước, tinh chỉnh và suy luận. Những giai đoạn này rất quan trọng để phát triển một mô hình mạnh mẽ và chính xác, có thể khái quát hóa tốt những dữ liệu mới, chưa được nhìn thấy.
giai đoạn tiền đào tạo
Trong giai đoạn tiền đào tạo, mô hình được đào tạo trên một tập dữ liệu lớn, có mục đích chung. Tập dữ liệu này không liên quan đến nhiệm vụ mà mô hình cuối cùng sẽ thực hiện nhưng nhằm mục đích giúp mô hình tìm hiểu các tính năng và mẫu khác nhau. Ví dụ, trong trường hợp mô hình ngôn ngữ, điều này có thể liên quan đến việc học cấu trúc ngôn ngữ, ngữ pháp và từ vựng phong phú từ một lượng lớn văn bản. Mục tiêu ở đây là phát triển một mô hình hiểu rõ cấu trúc cơ bản của dữ liệu sẽ được xử lý, cho dù đó là văn bản, hình ảnh hay các dạng dữ liệu khác.
Có một số sự tập trung trong giai đoạn trước đào tạo:
Thu thập và sắp xếp dữ liệu - Chìa khóa của giai đoạn tiền đào tạo là tập hợp các tập dữ liệu lớn từ nhiều nguồn khác nhau, bao gồm tài liệu, bài báo kỹ thuật số và cơ sở dữ liệu chuyên nghiệp. Những gã khổng lồ trong ngành như Google trước đây đã tận dụng nội dung do người dùng tạo để xây dựng các mô hình hiệu quả và vượt trội, cách làm này vẫn tiếp tục cho đến ngày nay khi các đơn vị như Microsoft và OpenAI có quyền truy cập vào dữ liệu hàng đầu thông qua các liên minh độc quyền và nền tảng độc quyền. Sự tập trung những khả năng này trong một số công ty đã dẫn đến sự tập trung đáng kể vào ngành AI.
Ngoài ra, việc dựa vào các bộ dữ liệu độc quyền để đào tạo mô hình đưa ra những cân nhắc quan trọng về mặt đạo đức và nguy cơ kéo dài thành kiến. Các thuật toán AI vốn lấy mô hình vận hành từ dữ liệu cơ bản và do đó tạo ra những thành kiến cố hữu có thể dễ dàng nhúng và nhân rộng. Tình huống này nhấn mạnh sự cần thiết phải xem xét cẩn thận và giám sát về mặt đạo đức trong quá trình phát triển để đảm bảo rằng các mô hình phản ánh các mô hình và liên kết công bằng và có chủ ý.
Yêu cầu về tài nguyên - Người ta đã chứng minh rằng hiệu suất của mô hình tăng theo logarit theo lượng dữ liệu huấn luyện, cho thấy rằng các mô hình được hưởng lợi từ phạm vi chu trình tính toán GPU rộng nhất thường hoạt động tốt nhất. Động lực này tạo ra hiệu ứng tập trung hóa quan trọng trong giai đoạn trước đào tạo, được thúc đẩy bởi lợi thế kinh tế về quy mô và năng suất mà các công ty công nghệ và dữ liệu lớn có được. Xu hướng này thể hiện rõ ở sự thống trị của những gã khổng lồ trong ngành OpenAI, Google, Amazon, Microsoft và Meta. Các công ty này sở hữu và vận hành phần lớn các trung tâm dữ liệu trên thế giới và có quyền truy cập vào phần cứng mới nhất và tiên tiến nhất của NVIDIA.
giai đoạn tinh chỉnh
Sau khi mô hình được huấn luyện trước, việc tinh chỉnh sẽ được thực hiện. Ở giai đoạn này, mô hình được đào tạo thêm trên một tập dữ liệu nhỏ hơn, dành riêng cho nhiệm vụ. Mục đích là để điều chỉnh trọng số và tính năng mà mô hình đã học được trong quá trình đào tạo trước để làm cho mô hình phù hợp hơn với nhiệm vụ cụ thể hiện tại. Điều này có thể liên quan đến việc dạy mô hình ngôn ngữ để hiểu thuật ngữ y tế hoặc đào tạo mô hình nhận dạng hình ảnh để phân biệt giữa các loài chim khác nhau.
Giai đoạn tinh chỉnh cho phép mô hình tập trung và cải thiện hiệu suất đối với các nhiệm vụ mà người dùng cuối quan tâm. Một lần nữa, có một số nỗ lực tập trung trong giai đoạn tinh chỉnh, trong đó quan trọng nhất là các mô hình nguồn đóng và khả năng kiểm chứng.
Trong giai đoạn tinh chỉnh, các tham số của mô hình được tinh chỉnh và thiết lập, định hình chức năng và hiệu suất của mô hình. Xu hướng phổ biến là hướng tới các mô hình AI độc quyền, chẳng hạn như dòng GPT của OpenAI và Gemini của Google, có nghĩa là hoạt động bên trong và các thông số của các mô hình này không được công khai. Do đó, khi người dùng yêu cầu suy luận, họ không thể xác minh rằng phản hồi thực sự đến từ mô hình mà họ cho rằng họ đang tương tác.
Sự thiếu minh bạch này có thể gây ra những tác động bất lợi cho người dùng, đặc biệt là khi độ tin cậy và khả năng xác minh là rất quan trọng. Ví dụ, trong lĩnh vực y tế, các mô hình trí tuệ nhân tạo có thể giúp chẩn đoán bệnh hoặc đề xuất phương pháp điều trị, nhưng các bác sĩ không thể xác nhận nguồn gốc và độ chính xác của các suy luận của mô hình, điều này có thể dẫn đến nghi ngờ, thậm chí chẩn đoán sai. Nếu các chuyên gia y tế không thể chắc chắn rằng các khuyến nghị của AI dựa trên các mô hình cập nhật và đáng tin cậy nhất thì hậu quả có thể ảnh hưởng trực tiếp đến kết quả và việc chăm sóc bệnh nhân, nhấn mạnh tầm quan trọng của tính minh bạch và trách nhiệm giải trình trong việc triển khai AI.
giai đoạn suy luận
Giai đoạn suy luận là giai đoạn áp dụng mô hình vào thực tế. Tại thời điểm này, mô hình đã được đào tạo và tinh chỉnh và sẵn sàng đưa ra dự đoán về dữ liệu mới. Trong trường hợp mô hình AI, điều này có thể có nghĩa là trả lời các câu hỏi, dịch ngôn ngữ hoặc đưa ra đề xuất. Giai đoạn này là giai đoạn áp dụng mô hình đã huấn luyện vào các vấn đề thực tế và thường là giai đoạn nhận ra giá trị của mô hình.
Trong giai đoạn suy luận, các yếu tố dẫn đến sự tập trung hóa là:
truy cập:Giao diện người dùng tập trung để truy cập mô hình AI có thể gặp rủi ro khiến người dùng không thể truy cập API hoặc suy luận. Khi một số ít thực thể kiểm soát các cổng này, họ có thể từ chối quyền truy cập vào các dịch vụ AI quan trọng vì nhiều lý do theo quyết định riêng của mình, bao gồm cả những thay đổi hoặc tranh chấp về chính sách. Việc tập trung hóa này nhấn mạnh sự cần thiết của một cách tiếp cận phi tập trung để đảm bảo quyền truy cập rộng hơn và linh hoạt hơn vào các công nghệ AI, giảm thiểu rủi ro kiểm duyệt và truy cập không bình đẳng.
Yêu cầu về nguồn lực:Chi phí thực hiện suy luận trong trí tuệ nhân tạo, đặc biệt đối với các nhiệm vụ đòi hỏi lượng lớn tài nguyên máy tính, đã trở thành một vấn đề tập trung trong ngành công nghệ. Chi phí suy luận cao có nghĩa là chỉ những công ty lớn có nguồn tài chính đáng kể mới đủ khả năng chạy các mô hình AI tiên tiến trên quy mô lớn. Rào cản tài chính này hạn chế toàn bộ tiềm năng của các thực thể nhỏ hơn hoặc các nhà phát triển cá nhân trong việc tận dụng công nghệ AI tiên tiến.
Kết quả là, tình hình ngày càng bị chi phối bởi một số ít người chơi mạnh mẽ, bóp nghẹt sự cạnh tranh và đổi mới. Sự tập trung hóa này không chỉ ảnh hưởng đến sự đa dạng trong phát triển AI mà còn hạn chế khả năng tiếp cận các lợi ích của AI đối với một nhóm nhỏ các tổ chức được tài trợ tốt, tạo ra sự mất cân bằng đáng kể trong hệ sinh thái công nghệ.
Có một số chủ đề định kỳ đang nổi lên trong không gian AI tập trung, đặc biệt liên quan đến sự phát triển của các công ty Web2. Các thực thể này, ban đầu được thành lập dưới dạng mạng mở, thường tập trung vào việc tối đa hóa giá trị cổ đông. Sự thay đổi này thường khiến họ phải tắt mạng và điều chỉnh thuật toán để chặn các liên kết bên ngoài, thường đi ngược lại lợi ích tốt nhất của người dùng.
Sự sai lệch giữa động cơ của doanh nghiệp và nhu cầu của người dùng thường xảy ra khi một tổ chức trưởng thành và nhận được nguồn tài trợ từ bên ngoài. Thực tế là chúng ta đã thấy hiện tượng này với OpenAI, khởi đầu là một tổ chức phi lợi nhuận nhằm mục đích dân chủ hóa việc sử dụng trí tuệ nhân tạo, minh họa sự thay đổi trọng tâm trong ngành có thể tự biểu hiện như thế nào. Thật dễ dàng để đổ lỗi cho các công ty riêng lẻ này, nhưng chúng tôi tin rằng nó phản ánh các vấn đề mang tính hệ thống do các lực lượng tập trung trong ngành công nghệ gây ra, thường dẫn đến sự sai lệch giữa các động cơ của công ty và nhu cầu rộng rãi của người dùng.
Một tương lai khả thi: Trí tuệ nhân tạo và Web3
Thế giới tiền điện tử cung cấp nền tảng cho trí tuệ nhân tạo, giúp việc trao đổi thông tin và giá trị trở nên liền mạch, cởi mở và an toàn. Công nghệ chuỗi khối cung cấp một hệ thống rõ ràng và có thể theo dõi để quản lý các giao dịch và ghi lại dữ liệu. Tại điểm giao nhau giữa tiền điện tử và trí tuệ nhân tạo, nhiều cơ hội nảy sinh khi hai lĩnh vực này có thể nâng cao lẫn nhau và hưởng lợi từ khả năng của lĩnh vực kia.
sự liên kết động lực
Điện toán phân tán có giá trị trong giai đoạn tiền đào tạo và tinh chỉnh quá trình phát triển mô hình. Các mô hình cơ sở thường yêu cầu số lượng lớn chu kỳ tính toán GPU và các quy trình này thường được chạy trong các trung tâm dữ liệu tập trung. Mạng cơ sở hạ tầng vật lý phi tập trung (DePIN) có thể cung cấp quyền truy cập phi tập trung, không cần cấp phép vào máy tính. Thông qua các ưu đãi kinh tế của tiền điện tử, phần mềm có thể tự động bù đắp cho việc sử dụng phần cứng mà không cần đến một thực thể quản trị trung tâm. Điều này cho phép người dùng mạng kiểm soát mạng, điều chỉnh các ưu đãi và đảm bảo rằng các nhà cung cấp dữ liệu và mô hình được đền bù thỏa đáng.
Khả năng kiểm chứng
Cơ sở hạ tầng AI hiện tại thiên về các mô hình độc quyền và người dùng cần tin tưởng vào nhà cung cấp suy luận để thực hiện các truy vấn thông qua các mô hình được chỉ định và tạo ra đầu ra hợp pháp. Trong bối cảnh này, các hệ thống chứng minh mật mã đã nổi lên như một công nghệ chủ chốt, cung cấp cơ chế xác minh kết quả đầu ra của mô hình trên blockchain. Quá trình này cho phép người dùng gửi các truy vấn, được xử lý bởi nhà cung cấp suy luận bằng cách sử dụng mô hình đã được thỏa thuận, sau đó tạo ra kết quả đầu ra có bằng chứng mật mã. Bằng chứng này đóng vai trò là bằng chứng có thể kiểm chứng rằng truy vấn thực sự đã được xử lý bởi mô hình được chỉ định.
Mục tiêu chính của những sáng kiến này là giảm tải các tác vụ tính toán nặng nề sang môi trường ngoài chuỗi trong khi vẫn đảm bảo rằng kết quả có thể được xác minh trên chuỗi. Cách tiếp cận này không chỉ làm giảm gánh nặng tính toán trên blockchain mà còn tạo ra một lớp minh bạch và đáng tin cậy bằng cách cung cấp bằng chứng bất biến về tính chính xác và đầy đủ của các phép tính ngoài chuỗi.
Việc kết hợp các bằng chứng mật mã này vào quy trình xác minh mô hình AI sẽ giải quyết một số vấn đề chính liên quan đến hệ thống AI nguồn đóng. Nó giảm thiểu rủi ro tính toán không rõ ràng hoặc chưa được xác minh, nâng cao tính toàn vẹn của quá trình tính toán và thúc đẩy mối quan hệ dựa trên niềm tin giữa người dùng và nhà cung cấp suy luận. Hơn nữa, cách tiếp cận này phù hợp với xu hướng rộng hơn hướng tới các hệ thống phi tập trung và minh bạch, lặp lại các nguyên tắc cơ bản của công nghệ blockchain.
khả năng kết hợp
Một trong những lợi thế chính của mạng lưới tài chính phi tập trung và blockchain là khả năng kết hợp mà chúng cho phép. Khả năng kết hợp cho phép sử dụng rộng rãi “LEGO tiền tệ” trong DeFi, tức là kết hợp các giao thức và đầu ra khác nhau để tạo ra các ứng dụng mới. Mặc dù mô-đun này đưa các dạng rủi ro mới vào hệ thống, nhưng nó cũng đơn giản hóa việc phát triển ứng dụng cho các nhà phát triển, tăng tốc độ đổi mới và phát triển, đồng thời mang lại trải nghiệm người dùng đơn giản và thuận tiện hơn.
Tương tự như cách tiền điện tử cung cấp khả năng kết hợp cho các sản phẩm tài chính, nó cũng sẽ tạo ra khả năng kết hợp cho các mạng và ứng dụng AI bằng cách đóng vai trò là lớp không được phép và không cần tin cậy mà trên đó các mô-đun AI có thể được xây dựng và hoạt động độc lập, trong khi vẫn được kết nối với các mô-đun khác để tạo thành một mạng có thể cung cấp các dịch vụ khác nhau. Thông qua các hiệu ứng mạng blockchain và tiền điện tử, các dự án và ứng dụng trí tuệ nhân tạo phi tập trung có thể được kết nối với nhau để hoàn thiện kiến trúc tổng thể của trí tuệ nhân tạo.
Ví dụ: bạn có thể sử dụng dữ liệu được xử lý trước của Akash hoặc Filecoin để huấn luyện mô hình bằng Marlin, Gensyn hoặc Together. Sau khi tinh chỉnh, các mô hình được đào tạo này có thể trả lời các truy vấn (suy luận) của người dùng thông qua Bittensor. Mặc dù nó có vẻ phức tạp hơn nhưng người dùng cuối chỉ cần tương tác với một giao diện người dùng, trong khi các nhà phát triển và ứng dụng được hưởng lợi từ việc xây dựng trên các ngăn xếp và ứng dụng khác nhau.
Một khía cạnh quan trọng khác của tính tổng hợp được kích hoạt bởi các mạng phi tập trung là tính tổng hợp dữ liệu. Khi người dùng ngày càng quan tâm đến việc sở hữu dữ liệu họ tạo ra và yêu cầu khả năng truyền dữ liệu giữa các giao thức AI khác nhau, họ sẽ yêu cầu dữ liệu của họ không bị giới hạn trong môi trường khép kín. Các ứng dụng AI mã nguồn mở và phi tập trung giúp dữ liệu có thể di chuyển được.
Bảo vệ dữ liệu
Điện toán phi tập trung, kết hợp với các giải pháp bảo mật và dữ liệu bên ngoài, cung cấp cho người dùng nhiều quyền tự chủ hơn đối với dữ liệu của họ, khiến nó trở thành một lựa chọn hấp dẫn hơn so với các đối tác tập trung. Đặc biệt, các phương pháp như mã hóa đồng cấu hoàn toàn (FHE) cho phép thực hiện tính toán trên dữ liệu được mã hóa mà không cần giải mã dữ liệu trước.
Với FHE, các mô hình học máy có thể được đào tạo bằng cách sử dụng bộ dữ liệu được mã hóa, giữ dữ liệu ở chế độ riêng tư và bảo mật trong suốt quá trình đào tạo. Điều này cung cấp giải pháp bảo mật đầu cuối với sự đảm bảo về mật mã mạnh mẽ, cho phép đào tạo mô hình bảo vệ quyền riêng tư trong các mạng biên và cho phép phát triển hệ thống AI bảo vệ quyền riêng tư của người dùng và tận dụng các khả năng AI nâng cao.
Vai trò của FHE mở rộng đến việc chạy các mô hình ngôn ngữ lớn một cách an toàn trên dữ liệu được mã hóa trong môi trường đám mây. Điều này không chỉ bảo vệ quyền riêng tư và thông tin nhạy cảm của người dùng mà còn nâng cao khả năng chạy các mô hình trên các ứng dụng có quyền riêng tư vốn có. Với sự tích hợp của trí tuệ nhân tạo trong nhiều lĩnh vực khác nhau, đặc biệt là các lĩnh vực nhạy cảm như tài chính, nhu cầu về các công nghệ như mã hóa đồng hình hoàn toàn có thể ngăn chặn rò rỉ thông tin tiềm ẩn đã trở nên quan trọng.
Khả năng nâng cấp tự động
AI có thể được sử dụng để duy trì, cập nhật và tự động nâng cấp hợp đồng thông minh dựa trên nhiều thay đổi và điều kiện. Ví dụ: AI có thể được sử dụng ở phía giao thức để điều chỉnh các thông số rủi ro dựa trên những thay đổi về rủi ro và các điều kiện thị trường khác. Một ví dụ phổ biến là thị trường tiền tệ. Thị trường tiền tệ hiện đang dựa vào các tổ chức bên ngoài hoặc các quyết định của DAO để điều chỉnh các thông số rủi ro của tài sản cho vay. Các tác nhân AI có thể đơn giản hóa việc cập nhật và nâng cấp các thông số cụ thể, đây sẽ là một cải tiến đáng kể so với con người và các tổ chức DAO, vốn có thể chậm và không hiệu quả.
Những thách thức của trí tuệ nhân tạo phi tập trung
AI phi tập trung phải đối mặt với nhiều thách thức riêng, đặc biệt là trong việc cân bằng bản chất nguồn mở của mật mã với những lo ngại về bảo mật của AI và nhu cầu tính toán của AI. Trong mật mã, nguồn mở rất quan trọng để đảm bảo an ninh, nhưng trong lĩnh vực trí tuệ nhân tạo, việc tiết lộ một mô hình hoặc dữ liệu đào tạo của nó sẽ làm tăng nguy cơ xảy ra các cuộc tấn công học máy đối nghịch. Việc phát triển các ứng dụng sử dụng hai công nghệ này đặt ra những thách thức đáng kể. Ngoài ra, việc ứng dụng trí tuệ nhân tạo trong blockchain, chẳng hạn như các chương trình chênh lệch giá dựa trên trí tuệ nhân tạo, thị trường dự đoán và cơ chế ra quyết định, đặt ra các vấn đề về tính công bằng và thao túng. AI có tiềm năng cải thiện hiệu quả và khả năng ra quyết định trong những lĩnh vực này, nhưng có nguy cơ AI sẽ không nắm bắt được đầy đủ các sắc thái của động lực thị trường do con người điều khiển, dẫn đến những hậu quả không lường trước được.
Một lĩnh vực đáng quan tâm khác là việc sử dụng trí tuệ nhân tạo làm giao diện cho các ứng dụng mật mã. Mặc dù AI có thể giúp người dùng điều hướng thế giới tiền điện tử phức tạp nhưng nó cũng tiềm ẩn những rủi ro, chẳng hạn như dễ bị ảnh hưởng bởi các yếu tố đầu vào bất lợi hoặc khiến người dùng quá phụ thuộc vào AI để đưa ra các quyết định quan trọng. Ngoài ra, còn có những rủi ro liên quan đến việc tích hợp trí tuệ nhân tạo vào các quy tắc của ứng dụng blockchain, chẳng hạn như DAO hoặc hợp đồng thông minh. Học máy đối nghịch có thể khai thác điểm yếu trong các mô hình trí tuệ nhân tạo, dẫn đến kết quả bị thao túng hoặc không chính xác. Việc đảm bảo rằng các mô hình AI chính xác, thân thiện với người dùng và không bị thao túng là một thách thức đáng kể.
Hơn nữa, việc kết hợp trí tuệ nhân tạo với bằng chứng không có kiến thức hoặc tính toán nhiều bên không chỉ đòi hỏi tính toán chuyên sâu mà còn phải đối mặt với những trở ngại như chi phí tính toán cao, hạn chế về bộ nhớ và độ phức tạp của mô hình. Các công cụ và cơ sở hạ tầng cho máy học không kiến thức (zkML) hiện vẫn chưa được phát triển và thiếu nhà phát triển lành nghề trong lĩnh vực này. Những yếu tố này dẫn đến một lượng công việc đáng kể cần thiết trước khi zkML có thể được triển khai ở quy mô phù hợp với các sản phẩm tiêu dùng.
bản tóm tắt
Điều đặc biệt quan trọng là phải cân bằng giữa phân quyền và tin cậy trong khi duy trì tinh thần phi tập trung của blockchain và đảm bảo độ tin cậy của hệ thống AI, đặc biệt khi AI sử dụng phần cứng đáng tin cậy hoặc các mô hình quản trị dữ liệu cụ thể. Trong phần tiếp theo của bài viết này, chúng ta sẽ đi sâu vào các công nghệ có thể hỗ trợ AI phi tập trung và vai trò quan trọng của cơ sở hạ tầng Marlin trong việc biến điều này thành hiện thực.
Phần 2: Tổng quan về công nghệ triển khai
Trong phần trước của bài viết này, chúng tôi đã khám phá những thiếu sót của AI tập trung và cách Web3 có thể giảm bớt những vấn đề này. Tuy nhiên, việc chạy mô hình trên chuỗi là không thể do phí gas cực cao. Cố gắng tăng sức mạnh tính toán của chuỗi khối cơ bản sẽ làm tăng các yêu cầu về nút đối với người xác thực, điều này có thể làm giảm tính phân cấp do những khó khăn mà người xác nhận tại nhà nhỏ sẽ gặp phải.
Trong các chương tiếp theo, chúng tôi sẽ giới thiệu một số công cụ và công nghệ phổ biến cần thiết để phát triển hơn nữa trí tuệ nhân tạo trong Web3, cụ thể là bằng chứng không có kiến thức (ZKP), mã hóa đồng hình hoàn toàn (FHE) và môi trường thực thi đáng tin cậy (TEE).
ZKP và ZKML
Bằng chứng không có kiến thức (ZKP) đặc biệt quan trọng đối với trí tuệ nhân tạo và Web3 vì chúng có thể cải thiện khả năng mở rộng và bảo vệ quyền riêng tư. Chúng cho phép thực hiện các phép tính ngoài chuỗi và sau đó được xác minh trên chuỗi (tính toán xác thực), hiệu quả hơn nhiều so với việc thực hiện lại các phép tính trên tất cả các nút của chuỗi khối, giảm tải mạng và cho phép các hoạt động phức tạp hơn. zkML cho phép các mô hình AI chạy trong môi trường trên chuỗi. Điều này đảm bảo rằng đầu ra của các phép tính ngoài chuỗi này được tin cậy và xác minh.
Ngoài ra, zkML có thể xác minh các khía cạnh cụ thể của quy trình học máy, chẳng hạn như xác nhận rằng một mô hình cụ thể đã được sử dụng để đưa ra dự đoán hoặc mô hình đó đã được đào tạo trên một tập dữ liệu cụ thể. zkML cũng có thể được sử dụng để xác minh các quy trình tính toán. Ví dụ: nó cho phép các nhà cung cấp máy tính chứng minh thông qua bằng chứng có thể kiểm chứng rằng họ đã sử dụng đúng mô hình để xử lý dữ liệu. Điều này đặc biệt quan trọng đối với các nhà phát triển dựa vào các nhà cung cấp điện toán phi tập trung như Akash và muốn đảm bảo tính chính xác và toàn vẹn trong các tính toán của họ.
zkML cũng hữu ích cho những người dùng cần chạy mô hình trên dữ liệu của họ nhưng muốn giữ dữ liệu ở chế độ riêng tư. Họ có thể thực thi mô hình trên dữ liệu của riêng mình, tạo bằng chứng và sau đó xác minh việc sử dụng đúng mô hình mà không ảnh hưởng đến quyền riêng tư của dữ liệu.
FHE
Như đã đề cập trước đó, mã hóa đồng cấu hoàn toàn (FHE) cho phép thực hiện các phép tính trực tiếp trên dữ liệu được mã hóa mà không cần giải mã trước. Công nghệ này có những ứng dụng quan trọng trong lĩnh vực trí tuệ nhân tạo, đặc biệt là trong lĩnh vực học máy và xử lý dữ liệu nhạy cảm.
Một trong những ứng dụng chính của FHE là đào tạo các mô hình học máy bằng cách sử dụng bộ dữ liệu được mã hóa. Cách tiếp cận này đảm bảo rằng dữ liệu vẫn được mã hóa và bảo mật trong suốt quá trình đào tạo. Do đó, FHE cung cấp giải pháp bảo mật toàn diện giúp giữ dữ liệu ở chế độ riêng tư từ đầu đến cuối quá trình học máy. Điều này đặc biệt quan trọng trong các mạng biên, nơi mà bảo mật và quyền riêng tư dữ liệu là rất quan trọng và tài nguyên máy tính thường bị hạn chế hơn so với các trung tâm dữ liệu tập trung.
Sử dụng công nghệ mã hóa đồng hình hoàn toàn có thể phát triển các hệ thống bảo vệ quyền riêng tư của người dùng đồng thời tận dụng tối đa các khả năng tiên tiến của trí tuệ nhân tạo. Bằng cách đảm bảo rằng dữ liệu vẫn được mã hóa trong quá trình lưu trữ và xử lý, Mã hóa đồng hình hoàn toàn (FHE) cung cấp các bảo đảm mật mã mạnh mẽ chống lại truy cập trái phép và rò rỉ dữ liệu. Điều này đặc biệt quan trọng trong các tình huống xử lý thông tin nhạy cảm, chẳng hạn như dữ liệu cá nhân trong các ứng dụng y tế hoặc hồ sơ tài chính bí mật.
Mã hóa hoàn toàn đồng hình (FHE) mở rộng tiện ích của nó sang việc chạy các mô hình ngôn ngữ lớn trong môi trường đám mây. Bằng cách cho phép các mô hình này xử lý dữ liệu được mã hóa, Mã hóa đồng hình hoàn toàn (FHE) đảm bảo rằng quyền riêng tư và thông tin nhạy cảm của người dùng được bảo vệ. Khả năng này ngày càng trở nên quan trọng khi ngày càng có nhiều ứng dụng AI được triển khai trong môi trường đám mây và bảo mật dữ liệu trở thành một vấn đề quan trọng. Khả năng chạy các mô hình một cách an toàn trên dữ liệu được mã hóa giúp nâng cao khả năng ứng dụng của AI trong các lĩnh vực yêu cầu bảo mật nghiêm ngặt, chẳng hạn như ngành pháp lý, y tế và tài chính.
Mã hóa hoàn toàn đồng hình (FHE) giải quyết nhu cầu quan trọng để bảo vệ dữ liệu nhạy cảm khỏi khả năng rò rỉ thông tin và truy cập trái phép. Ở những khu vực mà quyền riêng tư dữ liệu không chỉ là ưu tiên mà còn là yêu cầu pháp lý, mã hóa đồng hình hoàn toàn (FHE) cung cấp một cách để tận dụng trí tuệ nhân tạo mà không ảnh hưởng đến các tiêu chuẩn tuân thủ và bảo mật dữ liệu.
TEE
Môi trường thực thi đáng tin cậy (TEE) có lợi thế đáng kể trong việc đào tạo và thực hiện suy luận trí tuệ nhân tạo, đặc biệt là về mặt đảm bảo an ninh, cách ly, bảo mật và bảo vệ dữ liệu. Vì TEE hoạt động như môi trường cách ly an toàn nên chúng cung cấp tính bảo mật và tính toàn vẹn mạnh mẽ cho dữ liệu và tính toán.
Lợi ích lớn đầu tiên là tăng cường đảm bảo an toàn và an ninh. TEE được thiết kế đặc biệt để chống lại các lỗ hổng trong hệ thống có Cơ sở tính toán đáng tin cậy (TCB) mở rộng, bao gồm nhân hệ điều hành, trình điều khiển thiết bị và thư viện. Các thành phần này dễ bị tổn thương hơn do bề mặt tấn công lớn hơn. Bằng cách cung cấp một môi trường thực thi an toàn, TEE bảo vệ các ứng dụng quan trọng và duy trì tính toàn vẹn và bảo mật của phần mềm trong ngăn ngay cả khi hệ điều hành máy chủ bị xâm phạm.
Một lợi thế quan trọng khác là sự cô lập. Trong vùng cách ly, mã và dữ liệu được lưu trữ an toàn và chỉ có thể được truy cập bằng mã trong vùng cách ly. Thiết kế này ngăn chặn truy cập từ bên ngoài, bao gồm từ các máy ảo hoặc siêu giám sát khác, bảo vệ khỏi các cuộc tấn công vật lý và các mối đe dọa từ các máy ảo khác.
TEE (Môi trường thực thi tin cậy) hỗ trợ quá trình xác minh từ xa để xác minh rằng phần mềm đang thực thi trong TEE thực. Tính năng này rất quan trọng để đảm bảo tính xác thực và tính toàn vẹn của phần mềm chạy trong khu phi quân sự. Nó thiết lập sự tin cậy giữa thực thể từ xa và môi trường thực thi đáng tin cậy, đảm bảo rằng phần mềm và môi trường thực thi của nó được an toàn và không bị giả mạo.
Cuối cùng, TEE vượt trội trong việc bảo vệ dữ liệu. Các tính năng bảo mật được triển khai bằng phần cứng của TEE bảo vệ tính bảo mật và tính toàn vẹn của các phép tính. Điều này bao gồm việc gửi mã và dữ liệu (chẳng hạn như khóa) một cách an toàn vào vùng cách ly. TEE cũng thiết lập một kênh liên lạc đáng tin cậy để truy xuất kết quả và đầu ra tính toán, đảm bảo rằng dữ liệu vẫn được bảo mật trong suốt vòng đời của nó trong khu vực. Những đặc điểm này làm cho TEE trở thành môi trường lý tưởng để đào tạo AI và thực hiện suy luận AI, đặc biệt là trong các ứng dụng yêu cầu mức độ bảo mật và tính toàn vẹn dữ liệu cao.
Marlin Oyster
Marlin Oyster là một nền tảng mở dành cho các nhà phát triển triển khai các tác vụ điện toán tùy chỉnh hoặc phục vụ các môi trường thực thi đáng tin cậy. Tương tự như SGX của Intel và Nitro Enclaves của AWS. Với Oyster, các nhà phát triển có thể thực thi mã trong một môi trường biệt lập và đảm bảo rằng cả máy chủ lẫn bất kỳ ứng dụng nào khác trong đó đều không thể thay đổi tính toàn vẹn của tính toán trong môi trường thực thi đáng tin cậy. Ngoài các đảm bảo tính toàn vẹn và bảo mật tính toán do Môi trường thực thi tin cậy (TEE) cung cấp, Nền tảng Oyster còn mang lại các lợi ích bổ sung:
Thời gian hoạt động:Oyster đảm bảo tính khả dụng của ứng dụng thông qua giao thức giám sát nhằm hạn chế thời gian ngừng hoạt động và phân phối lại nhiệm vụ cho các nút khỏe mạnh. Cơ chế này đảm bảo rằng các nhà phát triển triển khai trên Oyster sẽ cung cấp liên tục chức năng và sức sống của ứng dụng cho người dùng cuối.
Không có máy chủ:Tương tự như AWS Lambda, khung không máy chủ của Oyster cho phép các nhà phát triển triển khai ứng dụng mà không cần thuê riêng các nút cụ thể. Các nhà phát triển tiết kiệm chi phí và giảm chi phí quản trị bằng cách chỉ trả tiền cho thời gian ứng dụng của họ chạy.
mạng:Các khu ổ chuột hàu được cấu hình sẵn với khả năng kết nối mạng tạo điều kiện thuận lợi cho việc thiết lập các kết nối TLS an toàn trong khu ổ chuột. Tính năng này cho phép thực thi các hoạt động và truy vấn API bên ngoài trên các dịch vụ có điểm cuối được hiển thị, tăng cường tích hợp ứng dụng với Internet.
tiếp sức:Oyster hỗ trợ chuyển các nhiệm vụ tính toán chuyên sâu sang môi trường ngoài chuỗi để xử lý thông qua các hợp đồng chuyển tiếp. Các hợp đồng thông minh này giúp thực thi các chức năng trên Oyster, đảm bảo kết quả đáng tin cậy và phản hồi dựa trên sự kiện nhằm tối ưu hóa việc sử dụng tài nguyên trên chuỗi.
điểm chuẩn
Trong so sánh điểm chuẩn giữa khung zkML và TEE ML (Oyster), số liệu hiệu suất cho thấy Oyster hiệu quả hơn. Cụ thể, khung Oyster cho thấy tổng thời gian tính toán thấp hơn đáng kể trên tất cả các mô hình học máy đã được thử nghiệm.
Đối với mô hình bình phương tối thiểu thông thường trên dữ liệu Iris, khung zkML (RisQ) mất hơn 32 giây để chứng minh và xác minh, trong khi Oyster chỉ mất 0,047 giây để hoàn thành nhiệm vụ. Tương tự, trên cùng một tập dữ liệu, tổng thời gian mạng nơ-ron sử dụng zkML (khung EZKL) cho 500 đầu vào là hơn 212 giây, trong khi Oyster chỉ mất 0,045 giây. Sự khác biệt đáng kể về thời gian xử lý này cho thấy Oyster hiệu quả hơn trong những tình huống này.
Trên tập dữ liệu MNIST, mô hình LeNet làm sâu sắc thêm quan sát này. Khung zkML của EZKL mất 60 giây để xác minh và chứng minh, trong khi Oyster chỉ mất 0,056 giây. Mặc dù khung zkML của DDKang hoạt động tốt hơn EZKL với tổng thời gian khoảng 3,33 giây nhưng vẫn không tốt bằng 0,056 giây của Oyster.
Nhìn chung, dữ liệu cho thấy Oyster cung cấp giải pháp hiệu quả hơn cho các tác vụ học máy so với các khung zkML đã được thử nghiệm. Thời gian tính toán nhanh hơn cho thấy rằng, đối với các điểm chuẩn được trình bày, Oyster có thể xử lý cùng một tác vụ với thời gian xử lý ít hơn đáng kể, mang lại lợi thế về hiệu quả và tốc độ.
Để áp dụng rộng rãi AI phi tập trung, có thể kiểm chứng, các hệ thống xác minh mật mã ngoài chuỗi phải vượt xa việc thực hiện các nhiệm vụ đơn giản như tính toán bình phương tối thiểu thông thường. Tiến bộ quan trọng cần có là khả năng xử lý các tác vụ phức tạp hơn, cụ thể là chạy lời nhắc một cách hiệu quả thông qua LLM phổ biến. Điều này đòi hỏi sức mạnh tính toán tăng lên, hiệu quả thuật toán và khả năng mở rộng để xử lý các nhu cầu phức tạp và tốn nhiều tài nguyên của LLM hiện đại, cho phép các ứng dụng AI phức tạp và đa dạng hơn trong khuôn khổ phi tập trung. Các khung zkML vẫn còn ở giai đoạn sơ khai và ở giai đoạn này, khả năng xử lý các tín hiệu này của chúng bị cản trở nghiêm trọng vì việc tạo bằng chứng zk là một nhiệm vụ đòi hỏi nhiều tính toán.
Mặc dù giao thức zkML chưa được chứng minh là có thể xử lý LLM, nhưng có lý khi cho rằng sự khác biệt về thời gian xử lý giữa TEE đáng tin cậy của Oyster và các khung zkML này ít nhất cũng quan trọng như các ví dụ đã thảo luận trước đó. Sử dụng Marlin’s Oyster, có thể thiết lập kết quả điểm chuẩn cho các LLM khác nhau:
Số lượng đánh giá: Số lượng mã thông báo trong phản hồi; Thời lượng đánh giá: Tính bằng nano giây cần thiết để tạo phản hồi
Kết quả benchmark GPT2-XL trong Oyster:
Cấu hình cách ly: 12 CPU, bộ nhớ 28 GB (c6a.4xlarge)
Mẹo: Ethereum là công nghệ do cộng đồng vận hành
Kết quả: Ethereum là công nghệ do cộng đồng điều hành cho phép Internet hoạt động. Giống như Linux đã làm cho máy tính, Ethereum sẽ trao quyền cho Internet trong tương lai.
Thời gian cần thiết để tạo đầu ra: 22,091819524765015 giây
Điểm mỗi giây: 1,6295624703815754 giây
Phần 2: Kết luận
Sự phát triển và phân phối công nghệ AI ngày càng bị chi phối bởi một số ít doanh nghiệp lớn với phần cứng tiên tiến và mô hình phức tạp. Mức độ tập trung này làm dấy lên mối lo ngại về kiểm duyệt, thành kiến cố hữu và việc xác minh tính toàn vẹn và công bằng của hệ thống AI. Ngược lại, các nguyên tắc cơ bản của tiền điện tử – cụ thể là không được phép và chống kiểm duyệt – đưa ra con đường dân chủ hóa công nghệ AI.
Bản chất phi tập trung và nguồn mở của công nghệ blockchain cho phép trí tuệ nhân tạo phi tập trung cạnh tranh với các đối thủ tập trung. Điều này đạt được thông qua DePIN, bằng chứng mật mã và sử dụng các cơ chế tương đương khóa công khai và riêng tư, cùng nhau đảm bảo sự phát triển và sử dụng AI an toàn, minh bạch và công bằng. Để nhận ra toàn bộ tiềm năng của trí tuệ nhân tạo phi tập trung, đặc biệt là trong hệ sinh thái blockchain, cần có cơ sở hạ tầng điện toán ngoài chuỗi mạnh mẽ. Điều này rất quan trọng để xử lý các tác vụ AI phức tạp một cách hiệu quả, chính xác và có thể kiểm chứng.
Hiện tại, Môi trường thực thi tin cậy (TEE) nổi lên là giải pháp khả thi nhất để đáp ứng yêu cầu này. TEE cung cấp một không gian thực thi mã an toàn và tách biệt, bảo vệ tính bảo mật và tính toàn vẹn của dữ liệu đang được xử lý. Điều này làm cho chúng trở thành lựa chọn tốt nhất cho tính toán ngoài chuỗi cần thiết trên chuỗi khối cho các ứng dụng AI. Khi lĩnh vực này phát triển, những tiến bộ trong công nghệ như zkML, FHE và các cải tiến đối với Môi trường thực thi đáng tin cậy (TEE) sẽ rất quan trọng để hệ sinh thái AI phi tập trung khắc phục những hạn chế hiện tại. Sự phát triển này sẽ thúc đẩy một lĩnh vực trí tuệ nhân tạo cởi mở, dễ tiếp cận và an toàn hơn, phù hợp với triết lý phân cấp của cộng đồng tiền điện tử.
