欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

當(dāng)前位置：主頁(yè) > 區(qū)塊鏈 > 資訊 > AI與Web3的現(xiàn)狀：失控的蜂群與熵增

ZKML與分布式算力：AI與Web3的潛在治理敘事

2023-06-29 15:45:21 | 來(lái)源：本站整理 | 作者：佚名
這篇文章主要介紹了ZKML與分布式算力：AI與Web3的潛在治理敘事的相關(guān)資料,需要的朋友可以參考下

關(guān)于ZKML：ZKML（Zero Knowledge Machine Learning）是一種機(jī)器學(xué)習(xí)技術(shù)，它結(jié)合了零知識(shí)證明（Zero-Knowledge Proofs）和機(jī)器學(xué)習(xí)算法，旨在解決機(jī)器學(xué)習(xí)中的隱私保護(hù)問(wèn)題。關(guān)于分布式算力：分布式算力是指將一個(gè)計(jì)算任務(wù)分解成多個(gè)小任務(wù)，并將這些小任務(wù)分配給多個(gè)計(jì)算機(jī)或處理器進(jìn)行處理，以實(shí)現(xiàn)高效的計(jì)算。

關(guān)于分布式算力：分布式算力是指將一個(gè)計(jì)算任務(wù)分解成多個(gè)小任務(wù)，并將這些小任務(wù)分配給多個(gè)計(jì)算機(jī)或處理器進(jìn)行處理，以實(shí)現(xiàn)高效的計(jì)算。

AI與Web3的現(xiàn)狀：失控的蜂群與熵增

在《失控：機(jī)器、社會(huì)與經(jīng)濟(jì)的新生物學(xué)》里，凱文·凱利曾提出過(guò)一個(gè)現(xiàn)象：蜂群會(huì)按照分布式管理，以群舞的方式進(jìn)行選舉決策，整個(gè)蜂群跟隨在本次群舞中最大規(guī)模的蜂群成為一次事件的主宰。這也是墨利斯·梅特林克提到的所謂“蜂群的靈魂”——每一只蜜蜂都可以做出自己決定，引導(dǎo)其他蜜蜂進(jìn)行證實(shí)，最后形成的決定真正意義上都是群體的選擇。

熵增無(wú)序的規(guī)律本身就遵循熱力學(xué)定律，物理學(xué)上的理論具象化是把一定數(shù)量的分子放入空箱，測(cè)算最后的分布概況。具體到人，由算法生成的群氓雖有個(gè)體的思維差異也能展現(xiàn)出群體規(guī)律，往往是因時(shí)代等因素被限制在一個(gè)空箱中，最后會(huì)做出共識(shí)性的決策。

當(dāng)然，群體規(guī)律未必是正確的，但是可以代表共識(shí)，能夠以一己之力拉起共識(shí)的意見(jiàn)領(lǐng)袖是絕對(duì)的超級(jí)個(gè)體。但大多數(shù)情況下共識(shí)也并不追求所有人人完全無(wú)條件的同意，只需要群體具有普遍的認(rèn)同性。

我們?cè)诖瞬⒉挥懻揂I是否會(huì)將人類(lèi)帶入歧途，實(shí)際上這類(lèi)討論已然很多，不論是人工智能應(yīng)用生成的大量垃圾已經(jīng)污染了網(wǎng)絡(luò)數(shù)據(jù)的真實(shí)性，還是因?yàn)槿后w決策的失誤會(huì)導(dǎo)致一些事件走向更加危險(xiǎn)的境地。

AI目前的狀況帶有著天然的壟斷，比如大模型的訓(xùn)練和部署需要大量的計(jì)算資源和數(shù)據(jù)，而只有一小部分企業(yè)和機(jī)構(gòu)具備這些條件。這些數(shù)以?xún)|萬(wàn)計(jì)的數(shù)據(jù)被每個(gè)壟斷所有者視若珍寶，不要提開(kāi)源共享，就連互相的接入也是不可能的。

這就帶來(lái)了極大的數(shù)據(jù)浪費(fèi)，每一個(gè)大體量AI項(xiàng)目都要進(jìn)行用戶(hù)數(shù)據(jù)的重復(fù)收集，最后以贏家通吃——不論是并購(gòu)還是賣(mài)出，做大個(gè)別巨形項(xiàng)目，還是傳統(tǒng)互聯(lián)網(wǎng)圈地跑馬的邏輯。

很多人說(shuō)，AI和Web3是兩回事，沒(méi)有任何聯(lián)系——前半句是對(duì)的，這是兩個(gè)不同的賽道，但后半句是有問(wèn)題的，利用分布式技術(shù)限制人工智能的壟斷終局，以及利用人工智能技術(shù)促進(jìn)去中心化共識(shí)機(jī)制的形成，簡(jiǎn)直是天然的事情。

底層推演：讓AI形成真正的分布式群體共識(shí)機(jī)制

人工智能的核心還是在于人本身，機(jī)器和模型不過(guò)是對(duì)人思維的揣測(cè)和模仿。所謂群體，實(shí)際上很難把群體抽象出來(lái)，因?yàn)槊咳账?jiàn)的還是真實(shí)的個(gè)體。但模型就是利用海量的數(shù)據(jù)進(jìn)行學(xué)習(xí)和調(diào)整，最后模擬出的群體形態(tài)。不去評(píng)價(jià)這種模型會(huì)造成什么樣的結(jié)果，因?yàn)槿后w作惡的事件也并非一次兩次發(fā)生。但模型確切代表了這種共識(shí)機(jī)制的產(chǎn)生。舉個(gè)例子，對(duì)于一個(gè)特定的DAO來(lái)說(shuō)，如若把治理做到機(jī)制，必然會(huì)對(duì)效率產(chǎn)生影響，原因是群體共識(shí)的形成本就是一件麻煩的事情，更何況還要投票、統(tǒng)計(jì)等進(jìn)行一系列操作。如果把DAO的治理以AI模型形式體現(xiàn)，所有的數(shù)據(jù)收集本就來(lái)自于DAO內(nèi)所有人的發(fā)言數(shù)據(jù)，那么輸出的決策實(shí)際上會(huì)更接近于群體共識(shí)。單個(gè)模型的群體共識(shí)可以按照如上的方案進(jìn)行訓(xùn)練模型，但對(duì)于這些個(gè)體來(lái)說(shuō)終究還是孤島。若是有集體智能系統(tǒng)形成群體AI，在這個(gè)系統(tǒng)中每個(gè)AI模型之間會(huì)相互協(xié)同工作，用來(lái)解決復(fù)雜問(wèn)題，其實(shí)就對(duì)共識(shí)層面的賦能有了極大的作用。對(duì)于小型集合既可以自主的去搭建生態(tài)，也可以和其他集合形成配合集，更加高效低成本的滿(mǎn)足超大型的算力或者數(shù)據(jù)交易。但問(wèn)題又來(lái)了，各個(gè)模型數(shù)據(jù)庫(kù)之間的現(xiàn)狀是完全不信任、防備著其他人的——這正是區(qū)塊鏈的天然屬性所在：通過(guò)去信任化，實(shí)現(xiàn)真正分布式的AI機(jī)器間安全高效互動(dòng)。

一個(gè)全球性的智能大腦可以使得原本相互獨(dú)立且功能單一的AI算法模型相互配合，在內(nèi)部執(zhí)行復(fù)雜的智能算法流程，就可以不斷增長(zhǎng)的形成分布式群體共識(shí)網(wǎng)絡(luò)。這也是AI對(duì)Web3賦能的最大意義所在。隱私與數(shù)據(jù)壟斷？ZK與機(jī)器學(xué)習(xí)的結(jié)合人類(lèi)不論是對(duì)于AI作惡還是基于對(duì)隱私的保護(hù)、對(duì)數(shù)據(jù)壟斷的畏懼，都要針對(duì)性的進(jìn)行防范。而最核心的問(wèn)題在于我們并不知道結(jié)論是如何得出，同樣的，模型的運(yùn)營(yíng)者也并不打算對(duì)這個(gè)問(wèn)題解惑答疑。而針對(duì)于上文中我們提到的全球性智能大腦的結(jié)合就更需要解決這個(gè)問(wèn)題，不然沒(méi)有數(shù)據(jù)方愿意拿出自己的核心去和別人共享。ZKML(Zero Knowledge Machine Learning) 是將零知識(shí)證明用于機(jī)器學(xué)習(xí)的技術(shù)。零知識(shí)證明 (Zero-Knowledge Proofs，ZKP)，即證明者（prover）有可能在不透露具體數(shù)據(jù)的情況下讓驗(yàn)證者（verifier）相信數(shù)據(jù)的真實(shí)性。

以理論案例為引。有一個(gè)9×9的標(biāo)準(zhǔn)數(shù)獨(dú)，完成條件是需要在九個(gè)九宮格里，填入1到9的數(shù)字，讓每個(gè)數(shù)字在每個(gè)行、列及九宮格里都只能出現(xiàn)一次。那么布置這道謎題的人如何在不泄露謎底的情況下向挑戰(zhàn)者證明該數(shù)獨(dú)有解呢？

只需要在填充處用答案蓋住，然后隨機(jī)讓挑戰(zhàn)者抽取幾行或者幾列，把所有的數(shù)字打亂順序然后驗(yàn)證是否都是一到九即可。這就是一個(gè)簡(jiǎn)單的零知識(shí)證明體現(xiàn)。零知識(shí)證明技術(shù)具有完備性，正確性和零知識(shí)性三個(gè)特點(diǎn)，即證明了結(jié)論又不需要透露任何細(xì)節(jié)。其技術(shù)來(lái)源更是可以體現(xiàn)簡(jiǎn)約性，在同態(tài)加密的背景下，驗(yàn)證難度要遠(yuǎn)遠(yuǎn)低于生成證明難度。機(jī)器學(xué)習(xí)（Machine Learning）則是使用算法和模型來(lái)讓計(jì)算機(jī)系統(tǒng)從數(shù)據(jù)中學(xué)習(xí)和改進(jìn)。通過(guò)自動(dòng)化的方式從經(jīng)驗(yàn)中學(xué)習(xí)，可以使系統(tǒng)根據(jù)數(shù)據(jù)和模型自動(dòng)進(jìn)行預(yù)測(cè)、分類(lèi)、聚類(lèi)和優(yōu)化等任務(wù)。機(jī)器學(xué)習(xí)的核心在于構(gòu)建模型，這些模型可以從數(shù)據(jù)中學(xué)習(xí)并自動(dòng)進(jìn)行預(yù)測(cè)和決策。而這些模型的搭建構(gòu)造通常需要三個(gè)關(guān)鍵要素：數(shù)據(jù)集、算法和模型評(píng)估。數(shù)據(jù)集是機(jī)器學(xué)習(xí)的基礎(chǔ)，包含了用于訓(xùn)練和測(cè)試機(jī)器學(xué)習(xí)模型的數(shù)據(jù)樣本。算法是機(jī)器學(xué)習(xí)模型的核心，定義了模型如何從數(shù)據(jù)中學(xué)習(xí)和預(yù)測(cè)。模型評(píng)估是機(jī)器學(xué)習(xí)的重要環(huán)節(jié)，用于評(píng)估模型的性能和準(zhǔn)確性，并決定是否需要對(duì)模型進(jìn)行優(yōu)化和改進(jìn)。

在傳統(tǒng)的機(jī)器學(xué)習(xí)中，數(shù)據(jù)集通常需要被收集到一個(gè)中心化的地方進(jìn)行訓(xùn)練，這意味著數(shù)據(jù)所有者必須將數(shù)據(jù)共享給第三方，這可能會(huì)導(dǎo)致數(shù)據(jù)泄露或隱私泄露的風(fēng)險(xiǎn)。而使用ZKML，數(shù)據(jù)所有者可以在不泄露數(shù)據(jù)的情況下，將數(shù)據(jù)集共享給其他人，這是通過(guò)使用零知識(shí)證明來(lái)實(shí)現(xiàn)的。零知識(shí)證明運(yùn)用于機(jī)器學(xué)習(xí)的賦能，效果應(yīng)該是可以預(yù)見(jiàn)的，這就解決了困擾已久的隱私黑箱和數(shù)據(jù)壟斷問(wèn)題：項(xiàng)目方是否可以在不泄露用戶(hù)數(shù)據(jù)輸入或模型具體細(xì)節(jié)的情況下完成證明和驗(yàn)證，是否可以讓每一個(gè)集合都能夠共享自己的數(shù)據(jù)或者模型進(jìn)行作用而不會(huì)泄露隱私數(shù)據(jù)？當(dāng)然，目前的技術(shù)還早，實(shí)踐肯定會(huì)有很多的問(wèn)題存在，這并不妨礙我們暢想，并且已經(jīng)有許多團(tuán)隊(duì)在進(jìn)行開(kāi)發(fā)。這種狀況會(huì)不會(huì)帶來(lái)小型數(shù)據(jù)庫(kù)對(duì)大型數(shù)據(jù)庫(kù)的白嫖呢？當(dāng)你考慮到治理問(wèn)題的時(shí)候，就又回到我們Web3的思維中了，Crypto的精髓在于治理。不論是通過(guò)大量的運(yùn)用或者是共享都應(yīng)該獲得應(yīng)有的激勵(lì)。不論是通過(guò)原有的Pow、PoS機(jī)制還是最新出現(xiàn)的各種PoR（聲譽(yù)證明機(jī)制），都是在為激勵(lì)效果提供保證。

分布式算力：謊言與現(xiàn)實(shí)交織的創(chuàng)新敘事

去中心化算力網(wǎng)絡(luò)一直是加密圈熱門(mén)提到的一個(gè)場(chǎng)景，畢竟AI大模型需要的算力驚人，而中心化的算力網(wǎng)絡(luò)不單會(huì)造成資源浪費(fèi)還會(huì)形成實(shí)質(zhì)上的壟斷——如果比到最后拼的就是GPU的數(shù)量，那未免太沒(méi)有意思了。

去中心化算力網(wǎng)絡(luò)，實(shí)質(zhì)是將分散在不同地點(diǎn)、不同設(shè)備上的計(jì)算資源整合起來(lái)。大家常提的主要優(yōu)勢(shì)都有：提供分布式計(jì)算能力、解決隱私問(wèn)題、增強(qiáng)人工智能模型的可信度和可靠性、支持各種應(yīng)用場(chǎng)景下的快速部署和運(yùn)行，以及提供去中心化的數(shù)據(jù)存儲(chǔ)和管理方案。沒(méi)錯(cuò)，通過(guò)去中心化算力，任何人都可以運(yùn)行AI模型，并在來(lái)自全球用戶(hù)的真實(shí)鏈上數(shù)據(jù)集上進(jìn)行測(cè)試，這樣就可以享受到更加靈活、高效、低成本的計(jì)算服務(wù)。

同時(shí)，去中心化算力可以通過(guò)創(chuàng)建一個(gè)強(qiáng)大的框架來(lái)解決隱私問(wèn)題，保護(hù)用戶(hù)數(shù)據(jù)的安全和隱私。并且提供透明、可驗(yàn)證的計(jì)算過(guò)程，增強(qiáng)人工智能模型的可信度和可靠性，為各種應(yīng)用場(chǎng)景下的快速部署和運(yùn)行提供靈活、可擴(kuò)展的計(jì)算資源。

我們從一套完整的中心化算力流程來(lái)看模型訓(xùn)練，步驟通常會(huì)分為：數(shù)據(jù)準(zhǔn)備、數(shù)據(jù)分割、設(shè)備間數(shù)據(jù)傳輸、并行訓(xùn)練、梯度聚合、參數(shù)更新、同步，再到重復(fù)訓(xùn)練。在這個(gè)過(guò)程當(dāng)中，即便是中心化機(jī)房使用高性能的計(jì)算設(shè)備集群，通過(guò)高速網(wǎng)絡(luò)連接共享計(jì)算任務(wù)，高昂的通信成本也成為了去中心化算力網(wǎng)絡(luò)的最大限制之一。

因此，盡管去中心化算力網(wǎng)絡(luò)具有很多優(yōu)勢(shì)和潛力，但依照目前的通信成本和實(shí)際運(yùn)行難度來(lái)看發(fā)展道路仍然曲折。在實(shí)踐中，實(shí)現(xiàn)去中心化算力網(wǎng)絡(luò)需要克服很多實(shí)際的技術(shù)問(wèn)題，不論是如何確保節(jié)點(diǎn)的可靠性和安全性、如何有效地管理和調(diào)度分散的計(jì)算資源，還是如何實(shí)現(xiàn)高效的數(shù)據(jù)傳輸和通信等等，恐怕都是實(shí)際面臨的大問(wèn)題。

留給理想主義者的期待

回歸當(dāng)商業(yè)現(xiàn)實(shí)之中，AI與Web3深度結(jié)合的敘事看上去如此美好，但資本與用戶(hù)卻更多地用實(shí)際行動(dòng)告訴我們這注定是場(chǎng)異常艱難的創(chuàng)新之旅，除非項(xiàng)目方能像OpenAI一樣，在自身強(qiáng)大的同時(shí)抱住一個(gè)強(qiáng)有力的金主，否則深不見(jiàn)底的研發(fā)費(fèi)用與尚不清晰的商業(yè)模式將把我們徹底擊碎。

無(wú)論是AI還是Web3，現(xiàn)在都處于極為早期的發(fā)展階段，就如同上世紀(jì)末的互聯(lián)網(wǎng)泡沫，一直到近十年之后才正式迎來(lái)真正的黃金時(shí)期。麥卡錫曾幻想在一個(gè)假期之內(nèi)設(shè)計(jì)出具有人類(lèi)智力的人工智能，但直到近七十年后我們才真正邁開(kāi)人工智能的關(guān)鍵一步。

Web3+AI也同樣如此，我們已經(jīng)確定了前進(jìn)方向的正確性，剩下的便交給時(shí)間。

當(dāng)時(shí)間的潮水逐漸褪去，那些屹立不倒的人和物，便是我們由科幻通向現(xiàn)實(shí)的基石。

以上就是ZKML與分布式算力：AI與Web3的潛在治理敘事的詳細(xì)內(nèi)容，更多關(guān)于AI與Web3的現(xiàn)狀：失控的蜂群與熵增的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

聲明：文章內(nèi)容不代表本站觀點(diǎn)及立場(chǎng)，不構(gòu)成本平臺(tái)任何投資建議。本文內(nèi)容僅供參考，風(fēng)險(xiǎn)自擔(dān)！

你可能感興趣的文章

幣圈快訊

  • 過(guò)去24小時(shí)全網(wǎng)爆倉(cāng)3.55億美元

    2025-06-11 07:00
    金色財(cái)經(jīng)報(bào)道，數(shù)據(jù)顯示，過(guò)去24小時(shí)，全網(wǎng)爆倉(cāng)金額達(dá)到3.55億美元，其中多單爆倉(cāng)金額約為1.40億美元，空單爆倉(cāng)金額約為2.15億美元。

  • 特朗普：一天多前與加州州長(zhǎng)紐森通過(guò)電話，已告訴紐森把事情處理好

    2025-06-11 06:59
    金色財(cái)經(jīng)報(bào)道，美國(guó)總統(tǒng)特朗普表示，一天多前與加州州長(zhǎng)紐森通過(guò)電話，已告訴紐森把事情處理好，通話時(shí)長(zhǎng)約16分鐘。

  • MichaelSaylor：加密貨幣寒冬不會(huì)卷土重來(lái)

    2025-06-11 06:39
    金色財(cái)經(jīng)報(bào)道，比特幣堅(jiān)定支持者、Strategy創(chuàng)始人MichaelSaylor表示，加密貨幣寒冬不會(huì)卷土重來(lái)，比特幣將達(dá)到100萬(wàn)美元。

  • 美法官駁回加州有關(guān)立即阻止特朗普政府向該州派兵的請(qǐng)求

    2025-06-11 06:29
    金色財(cái)經(jīng)報(bào)道，美國(guó)加利福尼亞州一名聯(lián)邦法官當(dāng)天駁回了加州請(qǐng)求法院立即阻止特朗普政府動(dòng)用美軍和加州國(guó)民警衛(wèi)隊(duì)在該州各社區(qū)參與執(zhí)法活動(dòng)的臨時(shí)限制令動(dòng)議，但決定于12日就此動(dòng)議舉行聽(tīng)證會(huì)。（央視）

  • 美國(guó)和瑞士就客戶(hù)投資信息共享達(dá)成協(xié)議

    2025-06-11 06:28
    金色財(cái)經(jīng)報(bào)道，據(jù)英國(guó)金融時(shí)報(bào)，美國(guó)和瑞士結(jié)束了在共享客戶(hù)投資信息問(wèn)題上長(zhǎng)達(dá)數(shù)年的僵局，這將使美國(guó)能夠更清楚地了解在歐洲銀行業(yè)中心持有的資產(chǎn)。三位知情人士表示，該協(xié)議是在美國(guó)證券交易委員會(huì)對(duì)至少8家通過(guò)美國(guó)實(shí)體開(kāi)展業(yè)務(wù)的瑞士公司進(jìn)行檢查之后達(dá)成的。檢查對(duì)象包括規(guī)模較小的管理公司和規(guī)模較大的投資集團(tuán)Vontobel。兩國(guó)在美國(guó)客戶(hù)信息方面關(guān)系復(fù)雜，美國(guó)客戶(hù)長(zhǎng)期以來(lái)將資產(chǎn)藏匿在瑞士賬戶(hù)中以逃避美國(guó)稅收。兩國(guó)在2013年就信息共享問(wèn)題達(dá)成一致后，瑞士公司支付了數(shù)十億美元的罰款。美國(guó)周二還取消了暫停批準(zhǔn)瑞士新投資顧問(wèn)開(kāi)展美國(guó)財(cái)富管理業(yè)務(wù)的禁令。
    • 查看更多