欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

當前位置：主頁 > 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）是一種機器學習技術(shù)，它結(jié)合了零知識證明（Zero-Knowledge Proofs）和機器學習算法，旨在解決機器學習中的隱私保護問題。關(guān)于分布式算力：分布式算力是指將一個計算任務分解成多個小任務，并將這些小任務分配給多個計算機或處理器進行處理，以實現(xiàn)高效的計算。

關(guān)于分布式算力：分布式算力是指將一個計算任務分解成多個小任務，并將這些小任務分配給多個計算機或處理器進行處理，以實現(xiàn)高效的計算。

AI與Web3的現(xiàn)狀：失控的蜂群與熵增

在《失控：機器、社會與經(jīng)濟的新生物學》里，凱文·凱利曾提出過一個現(xiàn)象：蜂群會按照分布式管理，以群舞的方式進行選舉決策，整個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，引導其他蜜蜂進行證實，最后形成的決定真正意義上都是群體的選擇。

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

當然，群體規(guī)律未必是正確的，但是可以代表共識，能夠以一己之力拉起共識的意見領(lǐng)袖是絕對的超級個體。但大多數(shù)情況下共識也并不追求所有人人完全無條件的同意，只需要群體具有普遍的認同性。

我們在此并不討論AI是否會將人類帶入歧途，實際上這類討論已然很多，不論是人工智能應用生成的大量垃圾已經(jīng)污染了網(wǎng)絡數(shù)據(jù)的真實性，還是因為群體決策的失誤會導致一些事件走向更加危險的境地。

AI目前的狀況帶有著天然的壟斷，比如大模型的訓練和部署需要大量的計算資源和數(shù)據(jù)，而只有一小部分企業(yè)和機構(gòu)具備這些條件。這些數(shù)以億萬計的數(shù)據(jù)被每個壟斷所有者視若珍寶，不要提開源共享，就連互相的接入也是不可能的。

這就帶來了極大的數(shù)據(jù)浪費，每一個大體量AI項目都要進行用戶數(shù)據(jù)的重復收集，最后以贏家通吃——不論是并購還是賣出，做大個別巨形項目，還是傳統(tǒng)互聯(lián)網(wǎng)圈地跑馬的邏輯。

很多人說，AI和Web3是兩回事，沒有任何聯(lián)系——前半句是對的，這是兩個不同的賽道，但后半句是有問題的，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)促進去中心化共識機制的形成，簡直是天然的事情。

底層推演：讓AI形成真正的分布式群體共識機制

人工智能的核心還是在于人本身，機器和模型不過是對人思維的揣測和模仿。所謂群體，實際上很難把群體抽象出來，因為每日所見的還是真實的個體。但模型就是利用海量的數(shù)據(jù)進行學習和調(diào)整，最后模擬出的群體形態(tài)。不去評價這種模型會造成什么樣的結(jié)果，因為群體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機制的產(chǎn)生。舉個例子，對于一個特定的DAO來說，如若把治理做到機制，必然會對效率產(chǎn)生影響，原因是群體共識的形成本就是一件麻煩的事情，更何況還要投票、統(tǒng)計等進行一系列操作。如果把DAO的治理以AI模型形式體現(xiàn)，所有的數(shù)據(jù)收集本就來自于DAO內(nèi)所有人的發(fā)言數(shù)據(jù)，那么輸出的決策實際上會更接近于群體共識。單個模型的群體共識可以按照如上的方案進行訓練模型，但對于這些個體來說終究還是孤島。若是有集體智能系統(tǒng)形成群體AI，在這個系統(tǒng)中每個AI模型之間會相互協(xié)同工作，用來解決復雜問題，其實就對共識層面的賦能有了極大的作用。對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足超大型的算力或者數(shù)據(jù)交易。但問題又來了，各個模型數(shù)據(jù)庫之間的現(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：通過去信任化，實現(xiàn)真正分布式的AI機器間安全高效互動。

一個全球性的智能大腦可以使得原本相互獨立且功能單一的AI算法模型相互配合，在內(nèi)部執(zhí)行復雜的智能算法流程，就可以不斷增長的形成分布式群體共識網(wǎng)絡。這也是AI對Web3賦能的最大意義所在。隱私與數(shù)據(jù)壟斷？ZK與機器學習的結(jié)合人類不論是對于AI作惡還是基于對隱私的保護、對數(shù)據(jù)壟斷的畏懼，都要針對性的進行防范。而最核心的問題在于我們并不知道結(jié)論是如何得出，同樣的，模型的運營者也并不打算對這個問題解惑答疑。而針對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問題，不然沒有數(shù)據(jù)方愿意拿出自己的核心去和別人共享。ZKML(Zero Knowledge Machine Learning) 是將零知識證明用于機器學習的技術(shù)。零知識證明 (Zero-Knowledge Proofs，ZKP)，即證明者（prover）有可能在不透露具體數(shù)據(jù)的情況下讓驗證者（verifier）相信數(shù)據(jù)的真實性。

以理論案例為引。有一個9×9的標準數(shù)獨，完成條件是需要在九個九宮格里，填入1到9的數(shù)字，讓每個數(shù)字在每個行、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)獨有解呢？

只需要在填充處用答案蓋住，然后隨機讓挑戰(zhàn)者抽取幾行或者幾列，把所有的數(shù)字打亂順序然后驗證是否都是一到九即可。這就是一個簡單的零知識證明體現(xiàn)。零知識證明技術(shù)具有完備性，正確性和零知識性三個特點，即證明了結(jié)論又不需要透露任何細節(jié)。其技術(shù)來源更是可以體現(xiàn)簡約性，在同態(tài)加密的背景下，驗證難度要遠遠低于生成證明難度。機器學習（Machine Learning）則是使用算法和模型來讓計算機系統(tǒng)從數(shù)據(jù)中學習和改進。通過自動化的方式從經(jīng)驗中學習，可以使系統(tǒng)根據(jù)數(shù)據(jù)和模型自動進行預測、分類、聚類和優(yōu)化等任務。機器學習的核心在于構(gòu)建模型，這些模型可以從數(shù)據(jù)中學習并自動進行預測和決策。而這些模型的搭建構(gòu)造通常需要三個關(guān)鍵要素：數(shù)據(jù)集、算法和模型評估。數(shù)據(jù)集是機器學習的基礎(chǔ)，包含了用于訓練和測試機器學習模型的數(shù)據(jù)樣本。算法是機器學習模型的核心，定義了模型如何從數(shù)據(jù)中學習和預測。模型評估是機器學習的重要環(huán)節(jié)，用于評估模型的性能和準確性，并決定是否需要對模型進行優(yōu)化和改進。

在傳統(tǒng)的機器學習中，數(shù)據(jù)集通常需要被收集到一個中心化的地方進行訓練，這意味著數(shù)據(jù)所有者必須將數(shù)據(jù)共享給第三方，這可能會導致數(shù)據(jù)泄露或隱私泄露的風險。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，這是通過使用零知識證明來實現(xiàn)的。零知識證明運用于機器學習的賦能，效果應該是可以預見的，這就解決了困擾已久的隱私黑箱和數(shù)據(jù)壟斷問題：項目方是否可以在不泄露用戶數(shù)據(jù)輸入或模型具體細節(jié)的情況下完成證明和驗證，是否可以讓每一個集合都能夠共享自己的數(shù)據(jù)或者模型進行作用而不會泄露隱私數(shù)據(jù)？當然，目前的技術(shù)還早，實踐肯定會有很多的問題存在，這并不妨礙我們暢想，并且已經(jīng)有許多團隊在進行開發(fā)。這種狀況會不會帶來小型數(shù)據(jù)庫對大型數(shù)據(jù)庫的白嫖呢？當你考慮到治理問題的時候，就又回到我們Web3的思維中了，Crypto的精髓在于治理。不論是通過大量的運用或者是共享都應該獲得應有的激勵。不論是通過原有的Pow、PoS機制還是最新出現(xiàn)的各種PoR（聲譽證明機制），都是在為激勵效果提供保證。

分布式算力：謊言與現(xiàn)實交織的創(chuàng)新敘事

去中心化算力網(wǎng)絡一直是加密圈熱門提到的一個場景，畢竟AI大模型需要的算力驚人，而中心化的算力網(wǎng)絡不單會造成資源浪費還會形成實質(zhì)上的壟斷——如果比到最后拼的就是GPU的數(shù)量，那未免太沒有意思了。

去中心化算力網(wǎng)絡，實質(zhì)是將分散在不同地點、不同設(shè)備上的計算資源整合起來。大家常提的主要優(yōu)勢都有：提供分布式計算能力、解決隱私問題、增強人工智能模型的可信度和可靠性、支持各種應用場景下的快速部署和運行，以及提供去中心化的數(shù)據(jù)存儲和管理方案。沒錯，通過去中心化算力，任何人都可以運行AI模型，并在來自全球用戶的真實鏈上數(shù)據(jù)集上進行測試，這樣就可以享受到更加靈活、高效、低成本的計算服務。

同時，去中心化算力可以通過創(chuàng)建一個強大的框架來解決隱私問題，保護用戶數(shù)據(jù)的安全和隱私。并且提供透明、可驗證的計算過程，增強人工智能模型的可信度和可靠性，為各種應用場景下的快速部署和運行提供靈活、可擴展的計算資源。

我們從一套完整的中心化算力流程來看模型訓練，步驟通常會分為：數(shù)據(jù)準備、數(shù)據(jù)分割、設(shè)備間數(shù)據(jù)傳輸、并行訓練、梯度聚合、參數(shù)更新、同步，再到重復訓練。在這個過程當中，即便是中心化機房使用高性能的計算設(shè)備集群，通過高速網(wǎng)絡連接共享計算任務，高昂的通信成本也成為了去中心化算力網(wǎng)絡的最大限制之一。

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

留給理想主義者的期待

回歸當商業(yè)現(xiàn)實之中，AI與Web3深度結(jié)合的敘事看上去如此美好，但資本與用戶卻更多地用實際行動告訴我們這注定是場異常艱難的創(chuàng)新之旅，除非項目方能像OpenAI一樣，在自身強大的同時抱住一個強有力的金主，否則深不見底的研發(fā)費用與尚不清晰的商業(yè)模式將把我們徹底擊碎。

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

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

當時間的潮水逐漸褪去，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關(guān)注腳本之家其它相關(guān)文章！

免責聲明：本文只為提供市場訊息，所有內(nèi)容及觀點僅供參考，不構(gòu)成投資建議，不代表本站觀點和立場。投資者應自行決策與交易，對投資者交易形成的直接或間接損失，作者及本站將不承擔任何責任。！

你可能感興趣的文章

更多

熱門幣種

  • 幣名
    最新價格
    24H漲幅
  • bitcoin BTC 比特幣

    BTC

    比特幣

    $ 103142.17￥ 734145.33
    -3.75%
  • ethereum ETH 以太坊

    ETH

    以太坊

    $ 3436.08￥ 24457.33
    -5.44%
  • tether USDT 泰達幣

    USDT

    泰達幣

    $ 0.9996￥ 7.1149
    +0.01%
  • ripple XRP 瑞波幣

    XRP

    瑞波幣

    $ 2.4051￥ 17.119
    -6.04%
  • binance-coin BNB 幣安幣

    BNB

    幣安幣

    $ 961.7￥ 6845.18
    -4.25%
  • solana SOL Solana

    SOL

    Solana

    $ 154.92￥ 1102.68
    -8.58%
  • usdc USDC USD Coin

    USDC

    USD Coin

    $ 1.0002￥ 7.1192
    +0.02%
  • tron TRX 波場

    TRX

    波場

    $ 0.2985￥ 2.1246
    +0.37%
  • dogecoin DOGE 狗狗幣

    DOGE

    狗狗幣

    $ 0.1724￥ 1.2271
    -6.3%
  • cardano ADA 艾達幣

    ADA

    艾達幣

    $ 0.5576￥ 3.9688
    -7.44%

幣圈快訊

  • Solana財務公司Upexi：增長主要得益于Solana儲備帶來約7800萬美元未實現(xiàn)收益

    2025-11-12 09:54
    據(jù)TheBlock報道，在納斯達克上市的Solana財務公司Upexi公布“創(chuàng)紀錄”季度財報，數(shù)字資產(chǎn)收入超600萬美元，毛利潤830萬美元，同比增183%。其第一財季總收入920萬美元，去年同期為440萬美元，其中數(shù)字資產(chǎn)收入（主要為質(zhì)押收入）610萬美元。截至2024年9月30日的季度，公司凈利潤6670萬美元，合每股1.21美元，去年同期凈虧160萬美元，合每股1.55美元，增長主要得益于Solana儲備帶來約7800萬美元未實現(xiàn)收益。此外，上周Upexi購入更新后，Solana總持有量超210萬枚，是僅次于DeFiDevelopmentCorp.的第二大Solana儲備持有者。

  • SonicLabs公布下一階段計劃：引入分層費用貨幣化結(jié)構(gòu)，在紐約開設(shè)辦事處等

    2025-11-12 09:52
    SonicLabs首席執(zhí)行官MitchellDemeter在X平臺上分享了該項目的下一階段計劃。Demeter稱，Sonic目前資金充足，不存在流動性方面的擔憂，且擁有執(zhí)行長期計劃所需的資源。Sonic在本輪發(fā)展中，將由實際用途、明確的經(jīng)濟效益以及持續(xù)的成果交付來驅(qū)動，而非投機行為。 此外，Sonic計劃完善代幣經(jīng)濟學，致力于實現(xiàn)通縮，并打算引入一種全新的分層費用貨幣化（FeeM）結(jié)構(gòu)，其獎勵級別從15%到90%不等。其中，10%將分配給驗證者，其余部分則會被銷毀。這一舉措既能獎勵實際使用和網(wǎng)絡活動，又能推動通縮。Sonic還在推進在紐約市設(shè)立辦公室的計劃，以此穩(wěn)固不斷壯大的團隊，并重新聚焦于機構(gòu)合作以及政策關(guān)系的維護。 目前，Sonic的重點將轉(zhuǎn)向推動業(yè)務價值升級，采用精選的以太坊改進提案（EIPs），并推出Sonic改進提案（SIPs）。

  • Coinbase推遲上線ALLO現(xiàn)貨交易

    2025-11-12 09:49
    11月12日消息，據(jù)官方公告，Coinbase上Allora（ALLO）現(xiàn)貨交易的上線時間已推遲至2025年11月12日。在支持交易的地區(qū)，ALLO-USD交易對將于東部時間上午9點或之后開放，前提是滿足流動性條件。

  • 財新：6萬枚比特幣洗錢案主犯錢志敏預計將于2030年2月下旬獲釋

    2025-11-12 09:49
    據(jù)財新網(wǎng)報道，6萬枚比特幣洗錢案主犯錢志敏在英獲刑11年零8個月，但由于錢志敏自2024年4月23日起已被羈押約18個月，該段時間將直接從其總刑期中扣除，根據(jù)英國“過半自動釋放”規(guī)則，普通確定刑期罪犯在服刑過半后，可轉(zhuǎn)入社區(qū)監(jiān)管階段。據(jù)此推算她預計將于2030年2月下旬獲釋。此外，錢志敏還將被處以...

  • 標普全球：美國關(guān)稅將在2025年給企業(yè)帶來1.2萬億美元的額外成本

    2025-11-12 09:43
    據(jù)金十數(shù)據(jù)報道，標普全球表示：美國關(guān)稅將在2025年給企業(yè)帶來1.2萬億美元的額外成本，其中大部分成本將轉(zhuǎn)嫁給消費者。
    • 查看更多