Tiga Arah Strategis Integrasi AI dan Enkripsi

Saat ini, kombinasi AI dan enkripsi sedang memasuki tahap perkembangan yang cepat. Artikel ini menjelaskan secara rinci tiga arah pengembangan utama dari perpaduan AI+enkripsi.

1. Membangun ekonomi yang didorong oleh agen cerdas yang aktif

Agen cerdas yang beroperasi di atas blockchain telah terbukti dapat dilakukan. Eksperimen di bidang ini terus melampaui batasan operasi agen di blockchain, dengan potensi besar dan ruang desain yang luas. Saat ini, ini telah menjadi salah satu arah paling terobosan di bidang enkripsi dan AI, dan ini baru permulaan.

Di masa depan, agen cerdas mungkin mengelola proyek kompleks yang memerlukan koordinasi ekonomi multi-pihak. Misalnya, di bidang penelitian ilmiah, agen dapat bertanggung jawab untuk mencari senyawa pengobatan untuk penyakit tertentu:

• Melakukan penggalangan dana token melalui platform terkait
• Menggunakan dana yang dihimpun untuk membayar biaya akses data penelitian dan biaya komputasi jaringan terdesentralisasi
• Merekrut manusia untuk melakukan pekerjaan verifikasi eksperimen melalui platform bounty

Selain proyek yang kompleks, agen juga dapat melakukan tugas sederhana seperti membangun situs web pribadi, menciptakan karya seni, dan lain-lain, dengan skenario aplikasi yang memiliki kemungkinan tak terbatas.

Keuntungan unik dari menggunakan sistem enkripsi mata uang digital oleh agen:

• Aplikasi pembayaran kecil
• Keunggulan kecepatan: Fitur penyelesaian instan membantu agen mencapai efisiensi modal maksimum
• Masuk ke pasar modal melalui DeFi: perantara dapat mencetak aset, melakukan perdagangan, investasi, pinjaman, dan menggunakan leverage dengan mulus.

Industri berharap melihat agen yang dilengkapi dengan enkripsi dompet dapat melakukan eksperimen inovatif di blockchain. Fokus khusus pada arah berikut:

1. Mekanisme Pengendalian Risiko
2. Mendorong skenario penggunaan non-spekulatif
3. Persyaratan kemajuan pengembangan: setidaknya mencapai tahap prototipe jaringan uji, sebaiknya sudah berjalan di jaringan utama

2. Meningkatkan kemampuan LLM dalam pengembangan kode

Model bahasa besar menunjukkan kinerja yang luar biasa dalam penulisan kode, dan di masa depan akan semakin meningkat. Melalui kemampuan ini, efisiensi pengembang diharapkan meningkat 2-10 kali lipat. Baru-baru ini, membangun tolok ukur berkualitas tinggi untuk mengevaluasi kemampuan LLM dalam memahami dan menulis kode akan membantu memahami dampak potensial LLM terhadap ekosistem.

Namun, saat ini ada beberapa tantangan yang menghalangi LLMs untuk mencapai tingkat pemahaman yang luar biasa:

• Kurangnya data pelatihan asli yang berkualitas
• Jumlah konstruksi verifikasi tidak cukup
• Kurangnya interaksi yang memiliki nilai informasi tinggi di beberapa platform
• Pengembangan infrastruktur berkembang dengan cepat, kode lama mungkin tidak sesuai dengan kebutuhan saat ini
• Kurangnya metode untuk memahami tingkat pemodelan evaluasi

Industri berharap untuk melihat:

• Membantu mendapatkan data terkait yang lebih baik
• Lebih banyak tim merilis verifikasi pembangunan
• Lebih banyak orang di ekosistem yang secara aktif mengajukan pertanyaan baik dan memberikan jawaban berkualitas tinggi di platform terkait.
• Membuat benchmark berkualitas tinggi untuk mengevaluasi tingkat pemahaman LLMs
• Membangun model LLM fine-tuning yang tampil baik dalam pengujian kinerja

Prestasi besar terakhir akan menjadi: klien node validator yang sepenuhnya baru, berkualitas tinggi, dan terdistribusi yang sepenuhnya dibuat oleh AI.

3. Mendukung tumpukan teknologi AI yang terbuka dan terdesentralisasi

"Tumpukan teknologi AI yang terbuka dan terdesentralisasi" mencakup elemen kunci berikut:

• Pengambilan data pelatihan
• Kemampuan komputasi pelatihan dan inferensi
• Berbagi bobot model
• Kemampuan verifikasi output model

Pentingnya tumpukan teknologi AI terbuka ini terletak pada:

• Mempercepat inovasi dan eksperimen pengembangan model
• Menyediakan alternatif bagi pengguna yang tidak mempercayai AI terpusat

Saat ini sudah ada beberapa proyek dalam ekosistem yang mendukung tumpukan teknologi AI terbuka:

• Pengumpulan data
• Kekuatan komputasi terdesentralisasi
• Kerangka pelatihan terdesentralisasi

Industri berharap dapat membangun lebih banyak produk di berbagai lapisan tumpukan teknologi AI sumber terbuka:

• Pengumpulan data terdesentralisasi
• Identitas di blockchain: mendukung protokol yang memverifikasi identitas manusia dengan dompet, protokol yang memverifikasi respons API AI
• Pelatihan terdesentralisasi
• Infrastruktur IP: Memungkinkan AI untuk memberikan lisensi (dan membayar) untuk konten yang digunakannya