Crypto AI：Decentralization计算为王

2024年12月05日 03:40

作者：TengYan，ChainofThought；翻译：金色财经xiaozou

我有一大遗憾至今还在困扰着我，对任何关注它的人来说，它无疑是最明显的投资机会，但我没有投入一分钱。不，我说的不是下一个Solanakiller，也不是带着滑稽帽子的狗狗meme币。

而是……NVIDIA。

1、CryptoAI格局

我把去中心化的人工智能堆栈描绘成一个若干层生态系统：它的一端始于去中心化计算和开放数据网络，为去中心化人工智能模型训练提供支持。

然后，结合使用密码学、加密经济激励机制和评估网络来验证每条推断——输入和输出均如此。这些经验证的输出流向可在链上自主运行的人工智能代理，以及用户可以真正信任的消费者和企业AI应用程序。

协调网络将一切联系在一起，实现整个生态系统的无缝通信和协作。

在这个愿景中，任何构建人工智能的人都可以根据自己的具体需求，利用这个堆栈的一层或多个层。无论是利用去中心化计算进行模型训练，还是使用评估网络来确保高质量的输出，该堆栈都提供了一系列选择。

由于Blockchain固有的可组合性，我相信我们将自然而然地走向模块化未来。每一层都正变得高度专业化，协议针对不同的功能进行优化，而不是采用一体化集成方法。

也就是说，我相信人工智能的规模将如此之大，即使是今天看起来“小众”的领域也可能演变成一个重要的市场。

同样值得注意的是，技术进步并不总是沿着一条直线前进——它经常是突飞猛进的。当突然爆发时，我对时机和市场规模的看法将发生变化。

有了这个框架，让我们来具体来看各个子领域。

2、领域一：去中心化计算

去中心化计算是去中心化人工智能的支柱。

GPU市场、去中心化训练和去中心化推理是紧密联系在一起的。

供应端通常来自中小型数据中心和消费者GPU。

需求面虽小，但仍在增长。如今，它来自对价格敏感、对延迟不敏感的用户和规模较小的人工智能初创公司。

目前Web3GPU市场面临的最大挑战是如何让它们正常运行。

在去中心化网络上协调GPU需要先进的工程技术和设计良好、可靠的网络架构。

使计算网络真正可以工作

与普遍的看法相反，web3分布式GPU市场目前面临的最大障碍就是让它们正常工作。

这并不是一个微不足道的问题。

在分布式网络中协调GPU是非常复杂的，有很多挑战——资源分配、动态工作负载扩展、节点和GPU间的负载平衡、延迟管理、数据传输、容错以及处理分散在不同地理位置的各种硬件。我还可以继续说下去。

实现这一点需要深思熟虑的工程设计和可靠的、设计合理的网络架构。

为了更好地理解，想想谷歌的Kubernetes。它被普遍认为是容器编排的黄金标准，在分布式环境中自动化负载平衡和扩展等过程，这与分布式GPU网络面临的挑战非常相似。Kubernetes本身是建立在谷歌十多年的经验基础上的，即使在那时，它也需要数年的不懈迭代才能表现良好。

目前已经上线的一些GPU计算市场可以处理小规模的工作负载，但一旦它们尝试扩展，就会出现问题。我怀疑这是因为它们的架构基础设计很糟糕。

去中心化计算网络的另一个挑战/机遇是确保可信度：验证每个节点实际上提供了所声称的计算能力。目前，这依赖于网络声誉，在某些情况下，算力提供商根据声誉评分进行排名。Blockchain似乎很适合于无需信任的验证系统。像Gensyn和Spheron这样的初创公司正在力求使用一种无需信任的方法来解决这个问题。

今天，许多web3团队仍在应对这些挑战，这也意味着机会之门是敞开的。

去中心化计算市场规模

去中心化计算网络市场有多大？

如今，它可能只是价值6800亿至2.5万亿美元的云计算行业的一小部分。然而，尽管增加了用户的摩擦，但只要成本低于传统供应商，总是会有需求的。

我相信，由于Tokens补贴和对价格不敏感的用户的供应解锁，成本将在中短期内保持较低水平（例如，如果我能出租我的游戏笔记本电脑赚取额外现金，无论是每月20美元还是50美元，我都会很高兴的）。

NousResearch正在通过他们的DisTrO框架提高标准，该框架使用优化器在训练1.2B参数模型的同时，将GPU间的通信要求降低了令10,000倍，令人瞠目结舌。

而且这种势头还在不断增强。去年12月，Nous宣布了一个15B参数模型的预训练，该模型具有损失曲线（模型误差如何随时间减少）和收敛率（模型性能稳定的速度），这与集中式训练的典型结果相匹配甚至更胜一筹。是的，比中心化要好。

这个模型是为更复杂的、需要大量计划的任务而设计的，比如填字游戏，以及需要更深层推理的问题。你会注意到它变慢了，需要更多的时间来生成响应，但结果却更加深思熟虑和细致入微。它的运行成本也高得多（是GPT-4的25倍）。

重心的转变很明显：人工智能性能的下一个飞跃将不仅仅来自训练更大的模型，还来自在推理过程中扩展计算应用。

如果你想了解更多，一些研究文章表明：

通过重复采样来扩展推理计算，可以在各种任务之间获得很大的改进。

也有一个用于推理的扩展指数定律。

一旦强大的模型被训练出来，它们的推理任务——模型所做的事情——就可以被转移到去中心化计算网络上。这不无道理，因为：

与训练相比，推理所需的资源要少得多。经过训练后，可以使用量化（quantization）、剪枝（pruning）或蒸馏（distillation）等技术对模型进行压缩和优化。它们甚至可以分解在日常消费设备上运行。你不需要高端GPU来支持推理。

这已经发生了。ExoLabs已经找到了如何在MacBook和MacMini等消费级硬件上运行450B参数Llama3模型的方法。跨多设备分布推理可以高效且经济地处理大规模工作负载。

更好的用户体验。在离用户更近的地方运行计算可以减少延迟，这对于游戏、AR或自动驾驶汽车等实时应用至关重要。每一毫秒都很重要。

把去中心化推理想象成人工智能的CDN（内容分发网络）：去中心化推理利用本地计算能力，在创纪录的时间内提供人工智能响应，而不是通过连接到附近的服务器来快速提供网站。通过采用去中心化推理，人工智能应用程序变得更高效、响应更快、更可靠。

趋势很明显。苹果新推出的M4Pro芯片与英伟达的RTX3070Ti竞争，直到最近，RTX3070Ti还是硬核游戏玩家的领地。我们的硬件越来越有能力处理高级人工智能工作负载。

Crypto的增值

去中心化推理网络要想取得成功，就必须有令人信服的经济激励。网络中的节点需要因其算力贡献获得补偿。该制度必须确保公平有效地分配奖励。地理多样性是必要的，可以减少推理任务的延迟，并提高容错性。

建立去中心化网络的最佳方式是什么？Crypto。

Tokens提供了一种强大的机制来协调参与者的利益，确保每个人都朝着同一个目标努力：扩展网络并提高Tokens价值。

Tokens也加速了网络的增长。它们通过奖励早期采用者以及从第一天起推动参与度，帮助解决了经典的鸡生蛋还是蛋生鸡的问题，这个问题阻碍了大多数网络的发展。

Bitcoin和Ethereum的成功证明了这一点——它们已经聚集了地球上最大的算力池。

去中心化推理网络将是下一个。由于地域的多样性，它们减少了延迟，提高了容错性，使人工智能更接近用户。在加密激励下，它们将比传统网络更快、更好地扩展。

（未完待续，敬请关注）

免责声明:Crypto AI：Decentralization计算为王文章转发自互联网，版权归其所有。
文章内容不代表本站立场和任何投资暗示。加密货币市场极其波动，风险很高，可能不适合所有投资者。在投资加密货币之前，请确保自己充分了解市场和投资的风险，并考虑自己的财务状况和风险承受能力。此外，请遵循您所在国家的法律法规，以及遵守交易所和钱包提供商的规定。对于任何因使用加密货币所造成的投资损失或其他损失，本站不承担任何责任。

Crypto AI：Decentralization计算为王

元宇宙最新

元宇宙热门