Video gốc: Web3 với a16z, AI & Crypto

Tác giả: Dan Boneh (giáo sư tại Đại học Stanford, cố vấn nghiên cứu cấp cao của a16z crypto), tập trung vào mật mã, bảo mật máy tính và máy học tập; Ali Yahya (đối tác chung của a16z crypto), từng làm việc tại Google Brain và cũng là Google machine learning thư viện TensorFlow Một trong những người đóng góp cốt lõi.

Biên dịch: Qianwen, ChainCatcher

Stephen King từng viết một cuốn tiểu thuyết khoa học viễn tưởng mang tên "Kỷ nguyên kim cương", trong đó có một thiết bị trí tuệ nhân tạo đóng vai trò là người cố vấn cho con người trong suốt cuộc đời của họ. Khi bạn được sinh ra, bạn được kết hợp với một AI hiểu rất rõ về bạn—biết những điều bạn thích và không thích, theo bạn trong suốt cuộc đời, giúp bạn đưa ra quyết định và hướng bạn đi đúng hướng. Điều đó nghe thật tuyệt, nhưng bạn không bao giờ muốn công nghệ như thế này rơi vào tay những người trung gian khổng lồ. Vì điều này sẽ mang lại nhiều quyền kiểm soát cho công ty, cũng như hàng loạt vấn đề về quyền riêng tư và chủ quyền.

Chúng tôi muốn công nghệ này thực sự thuộc sở hữu của tôi và đã xuất hiện một tầm nhìn rằng bạn có thể làm điều đó với chuỗi khối. Bạn có thể nhúng trí tuệ nhân tạo vào hợp đồng thông minh. Giữ dữ liệu của bạn ở chế độ riêng tư với sức mạnh của bằng chứng không kiến ​​thức. Trong vài thập kỷ tới, công nghệ này sẽ ngày càng thông minh hơn. Bạn có thể chọn làm bất cứ điều gì bạn muốn hoặc thay đổi nó theo bất kỳ cách nào bạn muốn.

Vậy mối quan hệ giữa blockchain và trí tuệ nhân tạo là gì? Trí tuệ nhân tạo sẽ dẫn chúng ta đến một thế giới như thế nào? Hiện trạng và thách thức của trí tuệ nhân tạo là gì? Blockchain sẽ đóng vai trò gì trong quá trình này?

AI và blockchain: đối kháng lẫn nhau

Sự phát triển của trí tuệ nhân tạo, bao gồm cả cảnh được mô tả trong "Thời đại kim cương", luôn tồn tại và nó chỉ mới trải qua một bước tiến nhảy vọt gần đây.

Đầu tiên, AI phần lớn là một công nghệ được kiểm soát tập trung từ trên xuống. Công nghệ mã hóa là công nghệ hợp tác phi tập trung từ dưới lên. Theo nhiều cách, tiền điện tử là một nghiên cứu về cách xây dựng một hệ thống phi tập trung cho phép con người hợp tác trên quy mô lớn mà không cần bộ điều khiển trung tâm theo đúng nghĩa. Về khía cạnh đó, đó là một cách tự nhiên để hai công nghệ này có thể kết hợp với nhau.

AI là một sự đổi mới bền vững giúp nâng cao mô hình kinh doanh của các công ty công nghệ hiện tại và giúp họ đưa ra các quyết định từ trên xuống. Ví dụ tốt nhất về điều này là Google, có thể quyết định nội dung nào sẽ hiển thị cho người dùng trên hàng tỷ người dùng và hàng tỷ lượt xem trang. Mặt khác, tiền điện tử về cơ bản là một sự đổi mới đột phá có mô hình kinh doanh về cơ bản là trái ngược với mô hình của các công ty công nghệ lớn. Vì vậy, đây là một phong trào do phiến quân bên lề lãnh đạo, không phải bởi những người nắm quyền.

Do đó, trí tuệ nhân tạo có thể liên quan chặt chẽ đến tất cả các khía cạnh của bảo vệ quyền riêng tư và cả hai đều thúc đẩy và tương tác với nhau. AI với tư cách là một công nghệ đã tạo ra nhiều ưu đãi khác nhau dẫn đến ngày càng ít quyền riêng tư hơn cho người dùng vì các công ty muốn lấy tất cả dữ liệu của chúng tôi. Và các mô hình trí tuệ nhân tạo được đào tạo trên càng nhiều dữ liệu sẽ càng hiệu quả. Mặt khác, AI không hoàn hảo, các mô hình có thể bị sai lệch và những sai lệch có thể dẫn đến kết quả không công bằng. Do đó, có nhiều bài báo về sự công bằng thuật toán ở giai đoạn này.

Tôi nghĩ chúng ta đang hướng tới AI, nơi dữ liệu của mọi người được tổng hợp vào quá trình đào tạo mô hình khổng lồ này để tối ưu hóa mô hình. Mặt khác, tiền điện tử di chuyển theo hướng ngược lại, tăng quyền riêng tư cá nhân và trao quyền cho người dùng kiểm soát chủ quyền dữ liệu của họ. Có thể nói, công nghệ mã hóa là công nghệ cạnh tranh với trí tuệ nhân tạo, bởi vì nó có thể giúp chúng ta phân biệt nội dung do con người hoặc trí tuệ nhân tạo tạo ra với nội dung phong phú. công cụ quan trọng để duy trì và bảo tồn nội dung của con người.

Tiền điện tử là miền tây hoang dã vì nó hoàn toàn không được phép vì bất kỳ ai cũng có thể tham gia. Bạn phải cho rằng một số bên này là độc hại. Vì vậy, hiện nay nhu cầu lớn hơn đối với một số công cụ giúp bạn lọc những người chơi trung thực khỏi những người chơi không trung thực, và học máy và trí tuệ nhân tạo, với tư cách là một công cụ thông minh, thực sự có thể mang lại lợi ích to lớn về mặt này.

Ví dụ: có những dự án sử dụng máy học để xác định các giao dịch đáng ngờ được gửi tới ví. Bằng cách này, các giao dịch này của người dùng sẽ được đánh dấu và gửi tới chuỗi khối. Điều này hoạt động tốt để ngăn người dùng vô tình gửi tất cả tiền của họ cho kẻ tấn công hoặc làm điều gì đó mà họ sẽ hối hận sau này. Học máy cũng có thể được sử dụng như một công cụ giúp bạn đánh giá trước những giao dịch nào cũng có thể có mev.

Giống như các mô hình LLM có thể được sử dụng để phát hiện dữ liệu giả mạo hoặc hoạt động độc hại, đến lượt các mô hình này có thể được sử dụng để tạo dữ liệu giả mạo. Ví dụ điển hình nhất là deepfakes. Bạn có thể tạo video ai đó nói điều gì đó mà họ chưa từng nói trước đây. Nhưng blockchain thực sự có thể giúp giảm bớt vấn đề này.

Ví dụ: có một dấu thời gian trên chuỗi khối, cho biết bạn đã nói như vậy và như vậy vào ngày này. Nếu ai đó làm sai lệch video thì bạn có thể sử dụng dấu thời gian để từ chối. Tất cả dữ liệu này, dữ liệu thực tế thực sự, được ghi lại trên chuỗi khối và có thể được sử dụng để chứng minh rằng video deepfake này thực sự là giả mạo. Vì vậy, tôi nghĩ rằng, blockchain có thể giúp chống lại hàng giả.

Chúng tôi cũng có thể dựa vào phần cứng đáng tin cậy để làm điều này. Các thiết bị như máy ảnh và điện thoại của chúng tôi đánh dấu các hình ảnh và video mà chúng chụp theo tiêu chuẩn. Nó được gọi là C2PA và nó chỉ định cách máy ảnh có thể ký dữ liệu. Trên thực tế, một trong những máy ảnh của Sony hiện có thể chụp ảnh và quay video, sau đó tạo chữ ký C2PA trên video. Đây là một chủ đề phức tạp và chúng tôi sẽ không tập trung vào nó ở đây.

Thông thường, khi các báo đăng ảnh, họ không đăng những bức ảnh được chụp bằng máy ảnh nguyên vẹn. Họ cắt xén, thực hiện một số giấy phép trên ảnh. Khi bạn bắt đầu chỉnh sửa ảnh, điều đó có nghĩa là người nhận, người đọc cuối cùng và người dùng trên trình duyệt không nhìn thấy ảnh gốc và không thể thực hiện xác minh chữ ký C2PA.

Câu hỏi đặt ra là, làm cách nào để người dùng xác nhận rằng những hình ảnh họ nhìn thấy thực sự được ký bởi máy ảnh C2PA? Đây là lúc kỹ thuật ZK phát huy tác dụng, bạn có thể chứng minh rằng hình ảnh đã chỉnh sửa thực sự là kết quả của việc lấy mẫu xuống và chia tỷ lệ thang độ xám của hình ảnh được ký chính xác. Bằng cách này, chúng tôi có thể thay thế chữ ký C2PA bằng bằng chứng zk đơn giản và có sự tương ứng một-một với những hình ảnh này. Hiện tại, độc giả vẫn có thể khẳng định những gì mình đang thấy là hình ảnh thật. Do đó, công nghệ zk có thể được sử dụng để chống lại thông tin này.

Làm thế nào để blockchain phá vỡ thế trận đó?

Trí tuệ nhân tạo thực chất là một công nghệ tập trung. Nó được hưởng lợi phần lớn từ tính kinh tế theo quy mô, vì mọi thứ hoạt động hiệu quả hơn nhiều từ một trung tâm dữ liệu duy nhất. Ngoài ra, dữ liệu, mô hình học máy, tài năng học máy, v.v. thường được kiểm soát bởi một số ít công ty công nghệ,

Vậy làm thế nào để phá vỡ tình trạng này? Tiền điện tử có thể giúp chúng ta đạt được sự phân cấp của trí tuệ nhân tạo bằng cách sử dụng các công nghệ như ZKML, có thể áp dụng cho chính các trung tâm dữ liệu, cơ sở dữ liệu và mô hình máy học. Ví dụ: về mặt điện toán, bằng cách sử dụng bằng chứng không kiến ​​thức, người dùng có thể chứng minh rằng quá trình thực sự suy luận hoặc đào tạo mô hình là chính xác.

Bằng cách đó, bạn có thể thuê ngoài quy trình cho một cộng đồng lớn. Theo quy trình phân tán này, bất kỳ ai có GPU đều có thể đóng góp sức mạnh tính toán cho mạng và đào tạo các mô hình theo cách này mà không cần phải phụ thuộc vào một trung tâm dữ liệu lớn, nơi tập trung tất cả các GPU.

Liệu điều này có hợp lý từ quan điểm kinh tế hay không là điều không chắc chắn. Nhưng ít nhất với những khuyến khích phù hợp, cái đuôi dài có thể đạt được. Bạn có thể tận dụng mọi khả năng có thể của GPU. Việc tất cả những người này đóng góp sức mạnh tính toán cho quá trình đào tạo mô hình hoặc chạy suy luận sẽ thay thế các công ty công nghệ lớn kiểm soát mọi thứ. Để đạt được điều này, các vấn đề kỹ thuật quan trọng khác nhau phải được giải quyết. Trên thực tế, một công ty có tên Nvidia đang xây dựng thị trường điện toán GPU phi tập trung, chủ yếu để đào tạo các mô hình học máy. Trong thị trường này, bất kỳ ai cũng có thể đóng góp sức mạnh tính toán GPU của riêng mình. Mặt khác, bất kỳ ai cũng có thể tận dụng bất kỳ tính toán nào có trong mạng để huấn luyện các mô hình học máy lớn của họ. Đây sẽ là giải pháp thay thế cho các công ty công nghệ lớn tập trung như openai, google, metadata, v.v.

Người ta có thể tưởng tượng một tình huống mà Alice có một hình mẫu mà cô ấy muốn bảo vệ. Cô ấy muốn gửi mô hình cho Bob ở dạng được mã hóa. Bây giờ Bob đã nhận được mô hình được mã hóa và cần chạy dữ liệu của chính mình trên mô hình được mã hóa. làm như thế nào? Sau đó sử dụng cái gọi là mã hóa đồng cấu hoàn toàn để tính toán dữ liệu được mã hóa. Nếu người dùng có mô hình được mã hóa và dữ liệu văn bản gốc, thì mô hình được mã hóa có thể chạy trên dữ liệu văn bản gốc và có thể nhận và thu được kết quả được mã hóa. Bạn gửi lại kết quả được mã hóa cho Alice và cô ấy có thể giải mã nó và xem kết quả ở dạng văn bản rõ.

Đây thực sự là công nghệ đã tồn tại. Câu hỏi đặt ra là công nghệ hiện tại đã hoạt động tốt với các mẫu xe cỡ trung bình, liệu chúng ta có thể nhân rộng nó lên các mẫu xe lớn hơn không? Đây là một thách thức khá lớn và cần sự nỗ lực của nhiều công ty hơn nữa.

Tình trạng, thách thức và cơ chế khuyến khích

Tôi nghĩ đó là về sự phi tập trung hóa trong điện toán. Đầu tiên là vấn đề xác thực mà bạn có thể giải quyết bằng ZK, nhưng hiện tại các kỹ thuật này chỉ có thể xử lý các mô hình nhỏ hơn. Thách thức mà chúng tôi phải đối mặt là hiệu suất của các mã nguyên thủy này không đủ để đào tạo hoặc suy luận các mô hình rất lớn. Vì vậy, có rất nhiều công việc đang diễn ra để cải thiện hiệu suất của quy trình chứng minh để khối lượng công việc ngày càng lớn hơn có thể được chứng minh một cách hiệu quả.

Đồng thời, một số công ty cũng đang sử dụng các công nghệ khác ngoài mã hóa. Thay vào đó, sử dụng các kỹ thuật có tính chất lý thuyết trò chơi, họ để những người độc lập hơn thực hiện công việc. Đó là một cách tiếp cận lạc quan, theo lý thuyết trò chơi, không dựa vào mật mã, nhưng nó vẫn phù hợp với mục tiêu lớn hơn là phân cấp AI hoặc giúp tạo ra một hệ sinh thái AI. Đây là mục tiêu được đề xuất bởi các công ty như openai.

Vấn đề lớn thứ hai là vấn đề hệ thống phân tán. Giống như, làm thế nào để bạn điều phối một cộng đồng lớn để đóng góp gp cho một mạng giống như một nền tảng điện toán thống nhất, tích hợp? Sẽ có nhiều thách thức, chẳng hạn như cách chia nhỏ khối lượng công việc học máy một cách hợp lý và gán các khối lượng công việc khác nhau cho các nút khác nhau của mạng cũng như cách thực hiện tất cả công việc này một cách hiệu quả.

Các kỹ thuật hiện tại về cơ bản có thể áp dụng cho các mô hình cỡ trung bình, nhưng không thể áp dụng cho các mô hình lớn như gpt 3 hoặc gpt 4. Tất nhiên, chúng tôi có các phương pháp khác. Ví dụ: chúng ta có thể có nhiều người đào tạo và so sánh kết quả, do đó, có một động cơ khuyến khích theo lý thuyết trò chơi. Khuyến khích mọi người không gian lận. Nếu ai đó gian lận, những người khác có thể phàn nàn rằng họ đã tính sai kết quả luyện tập. Bằng cách đó, những người gian lận không được trả tiền.

Chúng tôi cũng có thể phân cấp các nguồn dữ liệu trong cộng đồng để đào tạo các mô hình học máy lớn. Tương tự, chúng ta cũng có thể tự thu thập tất cả dữ liệu và huấn luyện mô hình thay vì một tổ chức tập trung. Điều này có thể đạt được bằng cách tạo ra một loại thị trường. Điều này tương tự như thị trường máy tính mà chúng tôi vừa mô tả.

Chúng ta cũng có thể xem xét nó dưới dạng khuyến khích, khuyến khích mọi người đóng góp dữ liệu mới cho một tập dữ liệu lớn, sau đó dữ liệu này được sử dụng để đào tạo các mô hình. Khó khăn ở đây tương tự như thử thách xác minh. Bạn phải bằng cách nào đó xác minh rằng dữ liệu mà mọi người đóng góp là dữ liệu thực sự tốt. Dữ liệu không phải là dữ liệu trùng lặp, cũng không phải là dữ liệu rác được tạo ngẫu nhiên và cũng không phải là dữ liệu được tạo không trung thực bằng cách nào đó.

Ngoài ra, hãy đảm bảo rằng dữ liệu không phá hỏng mô hình theo một cách nào đó, nếu không hiệu suất của mô hình thực sự sẽ ngày càng trở nên tồi tệ hơn. Có lẽ chúng ta phải dựa vào sự kết hợp giữa giải pháp kỹ thuật và giải pháp xã hội, trong trường hợp đó, bạn cũng có thể tạo dựng uy tín bằng một số loại chỉ số trang web mà các thành viên cộng đồng có quyền truy cập để khi họ đóng góp dữ liệu, nó sẽ hiệu quả hơn. đáng tin cậy.

Nếu không, sẽ mất một thời gian rất dài để thực sự đạt được phân phối dữ liệu bao phủ. Một trong những thách thức của học máy là mô hình chỉ có thể thực sự bao trùm phân phối mà tập dữ liệu huấn luyện có thể tiếp cận. Nếu có một số đầu vào nằm ngoài phạm vi phân phối của dữ liệu đào tạo, mô hình của bạn thực sự có thể hoạt động hoàn toàn không thể đoán trước. Để một mô hình hoạt động tốt trong các trường hợp cạnh, điểm dữ liệu thiên nga đen hoặc đầu vào dữ liệu có thể gặp phải trong thế giới thực, chúng tôi cần một bộ dữ liệu toàn diện nhất có thể.

Vì vậy, nếu bạn có loại thị trường mở, phi tập trung cung cấp dữ liệu cho bộ dữ liệu, bạn có thể nhờ bất kỳ ai trên thế giới có dữ liệu duy nhất đóng góp dữ liệu đó vào mạng, đây là cách tốt hơn nhiều. Bởi vì nếu bạn cố gắng làm điều đó với tư cách là một công ty trung tâm, bạn sẽ không có cách nào biết ai sở hữu dữ liệu. Vì vậy, nếu bạn có thể tạo động lực để những người này tiến lên và cung cấp dữ liệu đó, thì tôi nghĩ bạn thực sự có thể nhận được mức độ phù hợp tốt hơn đáng kể của dữ liệu đuôi dài.

Vì vậy, chúng tôi phải có một số cơ chế để đảm bảo dữ liệu bạn cung cấp là có thật. Một cách là dựa vào phần cứng đáng tin cậy, để cảm biến tự nhúng một số phần cứng đáng tin cậy và chúng tôi chỉ tin tưởng dữ liệu được phần cứng ký chính xác. Nếu không, chúng ta phải có các cơ chế khác để phân biệt tính xác thực của dữ liệu.

Hiện tại có hai xu hướng quan trọng trong học máy. Đầu tiên, các phương pháp đo lường hiệu suất cho các mô hình học máy không ngừng được cải thiện, nhưng vẫn đang ở giai đoạn đầu và thực tế rất khó để biết một mô hình khác hoạt động tốt như thế nào. Một xu hướng khác là chúng ta đang ngày càng giỏi hơn trong việc giải thích cách các mô hình hoạt động.

Vì vậy, dựa trên hai điểm này, đến một lúc nào đó, tôi có thể hiểu được tác động của tập dữ liệu đối với hiệu suất của mô hình máy học. Nếu chúng tôi có thể hiểu liệu các bộ dữ liệu do bên thứ ba đóng góp có đóng góp vào hiệu suất của các mô hình máy học hay không, thì chúng tôi có thể thưởng cho đóng góp này và tạo động lực cho sự tồn tại của thị trường này.

Chỉ cần tưởng tượng nếu bạn có thể tạo ra một thị trường mở nơi mọi người đóng góp các mô hình được đào tạo để giải quyết các loại vấn đề cụ thể hoặc nếu bạn tạo một hợp đồng thông minh nhúng một số loại thử nghiệm vào đó, nếu ai đó có thể cung cấp một mô hình bằng cách sử dụng zkml, và chứng minh rằng mô hình giải quyết bài kiểm tra, đó là một kịch bản kết quả. Giờ đây, bạn đã có các công cụ cần thiết để tạo thị trường được khuyến khích khi mọi người đóng góp các mô hình máy học để giải quyết các vấn đề nhất định.

Làm thế nào để AI và Blockchain thành một mô hình kinh doanh?

Tôi nghĩ tầm nhìn đằng sau sự giao thoa giữa tiền điện tử và trí tuệ nhân tạo là bạn có thể tạo một bộ giao thức phân phối giá trị thu được từ công nghệ trí tuệ nhân tạo mới này cho nhiều người hơn và mọi người đều có thể đóng góp và mọi người có thể chia sẻ Lợi ích của công nghệ mới này.

Vì vậy, những người có thể thu được lợi nhuận sẽ là những người đóng góp sức mạnh tính toán, những người đóng góp dữ liệu hoặc những người đóng góp các mô hình học máy mới cho mạng, để các mô hình học máy tốt hơn có thể được đào tạo để giải quyết các vấn đề quan trọng hơn.

Phía cầu của mạng cũng có thể được hưởng lợi. Họ sử dụng mạng này làm cơ sở hạ tầng để đào tạo các mô hình máy học của riêng mình. Có thể mô hình của họ có thể đóng góp vào điều gì đó thú vị, chẳng hạn như công cụ trò chuyện thế hệ tiếp theo. Trong các mô hình này, vì các công ty này sẽ có mô hình kinh doanh của riêng họ, nên chính họ sẽ có thể thúc đẩy việc nắm bắt giá trị.

Ai xây dựng mạng lưới này cũng có lợi. Ví dụ: tạo mã thông báo cho mạng sẽ được phân phối cho cộng đồng. Tất cả những người này sẽ có quyền sở hữu tập thể đối với mạng phi tập trung này để tính toán dữ liệu và mô hình, đồng thời cũng sẽ có thể nắm bắt một số giá trị của tất cả các hoạt động kinh tế diễn ra thông qua mạng này.

Như bạn có thể tưởng tượng, mọi giao dịch đi qua mạng này, mọi phương thức thanh toán trả tiền cho tính toán, dữ liệu hoặc mô hình, đều có khả năng bị tính phí chuyển vào kho tiền do toàn bộ mạng kiểm soát. Những người nắm giữ mã thông báo cùng sở hữu mạng. Đây thực chất là mô hình kinh doanh của chính mạng.

AI tăng cường bảo mật mã

Nhiều thính giả có thể đã nghe nói về co-pilot, một công cụ được sử dụng để tạo mã. Bạn có thể thử các công cụ đồng tạo này để viết hợp đồng vững chắc hoặc mã mật mã. Điều tôi muốn nhấn mạnh là làm như vậy thực sự rất nguy hiểm. Bởi vì nhiều khi bạn cố gắng chạy, các hệ thống này thực sự tạo ra mã hoạt động nhưng không an toàn.

Trên thực tế, gần đây chúng tôi đã viết một bài báo về vấn đề này, trong đó nêu rõ rằng nếu bạn cố gắng nhờ một đồng nghiệp viết một hàm mã hóa đơn giản, nó sẽ cung cấp hàm mã hóa chính xác. Nhưng nó sử dụng một chế độ hoạt động không chính xác, vì vậy bạn kết thúc bằng một chế độ mã hóa không an toàn.

Bạn có thể hỏi, tại sao điều này lại xảy ra? Một trong những lý do là các mô hình này được đào tạo cơ bản trên mã hiện có, chúng được đào tạo trong kho lưu trữ github. Nhiều kho lưu trữ github thực sự dễ bị tấn công. Do đó, các mã mà các mô hình này học được đang hoạt động nhưng không an toàn. Nó giống như rác thải kém chất lượng tạo ra rác thải. Vì vậy, tôi hy vọng rằng mọi người sẽ cẩn thận khi tạo mã bằng cách sử dụng các mô hình tổng quát này, kiểm tra kỹ xem mã có thực sự làm những gì nó phải làm không và thực hiện nó một cách an toàn.

Bạn có thể sử dụng các mô hình trí tuệ nhân tạo, kết hợp với các công cụ khác để tạo mã, nhằm đảm bảo rằng toàn bộ quy trình không có lỗi. Ví dụ: một ý tưởng là sử dụng mô hình llm để tạo thông số kỹ thuật cho hệ thống xác minh chính thức và yêu cầu llm tạo thông số kỹ thuật cho công cụ xác minh chính thức. Sau đó, yêu cầu cùng một phiên bản của llm tạo một chương trình phù hợp với đặc tả, rồi sử dụng một công cụ xác minh chính thức để xem liệu chương trình có thực sự tuân theo đặc tả hay không. Nếu có một lỗ hổng, công cụ sẽ bắt nó. Những lỗi này có thể được phản hồi lại cho llm dưới dạng phản hồi, và sau đó lý tưởng nhất là llm có thể sửa đổi công việc của mình và sau đó tạo ra một phiên bản mã chính xác khác.

Cuối cùng, nếu bạn lặp lại, bạn sẽ có một đoạn mã lý tưởng đáp ứng chính xác giá trị trả về này và chính thức xác minh rằng nó cũng đáp ứng giá trị trả về này. Và, vì con người có thể đọc được đường lùi, nên bạn có thể xem qua đường lùi và thấy rằng đây là chương trình mà tôi muốn viết. Trên thực tế, đã có nhiều người cố gắng đánh giá khả năng của LLM trong việc tìm lỗi phần mềm, chẳng hạn như hợp đồng thông minh Unity, C và C plus.

Vì vậy, chúng ta có đạt đến điểm mà mã do LLM tạo ít có khả năng chứa lỗi hơn mã do con người tạo không? Ví dụ, khi chúng ta nói về lái xe tự động, điều chúng ta quan tâm là nó có ít khả năng va chạm hơn người lái không? Tôi nghĩ rằng xu hướng này sẽ ngày càng mạnh mẽ hơn và được tích hợp nhiều hơn vào các chuỗi công cụ hiện có.

Bạn có thể tích hợp nó vào một chuỗi công cụ xác minh chính thức và bạn có thể tích hợp nó vào các công cụ khác, chẳng hạn như các công cụ đã nói ở trên để kiểm tra các vấn đề về quản lý bộ nhớ. Bạn cũng có thể tích hợp nó vào chuỗi công cụ kiểm tra tích hợp và kiểm tra đơn vị của mình để llm không chỉ hoạt động trong môi trường chân không. Nó nhận được phản hồi theo thời gian thực từ các công cụ khác kết nối nó với sự thật cơ bản.

Tôi nghĩ rằng bằng cách kết hợp các mô hình máy học rất lớn được đào tạo trên tất cả dữ liệu trên thế giới, cùng với các công cụ khác này, có thể tạo ra các chương trình máy tính tốt hơn các lập trình viên con người. Ngay cả khi họ vẫn phạm sai lầm, họ có thể chỉ là siêu nhân. Đây sẽ là một thời điểm quan trọng trong công nghệ phần mềm.

Trí tuệ nhân tạo và đồ thị xã hội

Một khả năng khác là chúng ta có thể xây dựng các mạng xã hội phi tập trung thực sự hoạt động rất giống Weibo, nhưng ở đó biểu đồ xã hội thực sự hoàn toàn trực tuyến. Nó gần giống như một sản phẩm công cộng mà bất kỳ ai cũng có thể xây dựng trên đó. Là người dùng, bạn kiểm soát bạn là ai trên biểu đồ xã hội. Bạn kiểm soát dữ liệu của mình, những người bạn theo dõi và những người có thể theo dõi bạn. Ngoài ra, có rất nhiều công ty xây dựng cổng vào biểu đồ xã hội, mang đến cho người dùng trải nghiệm như twitter, instagram, tick tock hoặc bất kỳ thứ gì khác mà họ muốn xây dựng.

Nhưng tất cả đều được xây dựng trên cùng một biểu đồ xã hội và không ai sở hữu nó, và không một công ty công nghệ trị giá hàng tỷ đô la nào ở giữa kiểm soát hoàn toàn nó.

Đó là một thế giới thú vị bởi vì nó có nghĩa là nó có thể sôi động hơn, nó có thể có một hệ sinh thái gồm những người cùng nhau xây dựng. Mỗi người dùng có nhiều quyền kiểm soát hơn đối với những gì họ thấy và làm trên nền tảng.

Nhưng đồng thời người dùng cũng cần lọc tín hiệu khỏi nhiễu. Ví dụ: cần phát triển một thuật toán đề xuất hợp lý để lọc tất cả nội dung và hiển thị cho bạn những nguồn tin tức mà bạn thực sự muốn xem. Điều này sẽ mở ra cánh cửa cho toàn bộ thị trường, một sân chơi của những người chơi cung cấp dịch vụ. Bạn có thể sử dụng các thuật toán, sử dụng các thuật toán dựa trên AI để sắp xếp nội dung cho bạn. Với tư cách là người dùng, bạn có thể quyết định có nên sử dụng một thuật toán cụ thể hay không, có thể là thuật toán do twitter thiết lập hoặc thứ gì đó khác. Nhưng một lần nữa, bạn cũng cần các công cụ như "học máy" để giúp bạn sàng lọc tiếng ồn, để giúp bạn phân tích tất cả những thứ tào lao trong một thế giới nơi các mô hình tổng quát tạo ra tất cả những thứ tào lao trên thế giới.

Tại sao bằng chứng con người lại quan trọng?

Một câu hỏi rất thích hợp là làm thế nào để bạn chứng minh rằng bạn thực sự là con người trong một thế giới tràn ngập nội dung giả tạo?

Sinh trắc học là một hướng khả thi, một trong những dự án có tên là World Coin (Đồng tiền thế giới), sử dụng quét võng mạc làm thông tin sinh trắc học để xác minh rằng bạn là người thật, để đảm bảo rằng bạn thực sự là một người sống chứ không chỉ là một con mắt. hình chụp. Hệ thống này có phần cứng bảo mật rất khó bị giả mạo, vì vậy bằng chứng xuất hiện ở đầu bên kia, bằng chứng không có kiến ​​thức che giấu thông tin sinh trắc học thực tế của bạn, rất khó giả mạo theo cách này.

Trên Internet, không ai biết bạn là người máy. Vì vậy, tôi đoán đó là nơi mà dự án Proof of Humanity trở nên thực sự quan trọng, bởi vì việc biết liệu bạn đang tương tác với người máy hay con người sẽ thực sự quan trọng. Nếu bạn không có bằng chứng của con người, thì bạn không thể biết liệu một địa chỉ thuộc về một người hay một nhóm người hay liệu 10.000 địa chỉ thực sự thuộc về một người hay họ chỉ giả vờ là 10.000 người khác.

Điều này rất quan trọng trong quản trị. Nếu mọi người tham gia vào hệ thống quản trị có thể chứng minh rằng họ thực sự là con người, và họ có thể chứng minh rằng họ là con người theo một cách riêng, bởi vì họ chỉ có một nhãn cầu, thì hệ thống quản trị sẽ công bằng hơn, và nó sẽ không Sau đó, tài phiệt hóa (dựa trên sở thích về số tiền lớn nhất bị khóa trong một hợp đồng thông minh nhất định).

Trí tuệ nhân tạo và Nghệ thuật

Các mô hình AI có nghĩa là chúng ta sẽ sống trong một thế giới có vô số phương tiện truyền thông phong phú, một thế giới mà các cộng đồng xung quanh bất kỳ phương tiện cụ thể nào hoặc những câu chuyện xung quanh một phương tiện nhất định sẽ ngày càng trở nên quan trọng.

Ví dụ: Sound.xyz đang xây dựng một nền tảng phát nhạc phi tập trung cho phép các nghệ sĩ, nhạc sĩ tải nhạc lên và sau đó kết nối trực tiếp với cộng đồng của chúng tôi bằng cách bán NFT cho họ. Ví dụ: bạn có thể nhận xét về một bản nhạc trên trang web sound dot xyz để những người khác chơi bài hát đó cũng có thể xem nhận xét. Điều này tương tự như tính năng Sound Cloud trước đây. Hành động mua NFT cũng đang hỗ trợ các nghệ sĩ, giúp họ phát triển bền vững và sáng tạo ra nhiều tác phẩm âm nhạc hơn. Nhưng cái hay của nó là nó thực sự mang đến cho các nghệ sĩ một nền tảng để thực sự tương tác với cộng đồng. Nghệ sĩ là nghệ sĩ của mọi người.

Vì những gì tiền điện tử làm ở đây, bạn có thể tạo một cộng đồng xung quanh một bản nhạc sẽ không tồn tại nếu một bản nhạc chỉ được tạo bởi mô hình máy học mà không có bất kỳ yếu tố con người nào.

Rất nhiều bản nhạc mà chúng ta sẽ tiếp xúc sẽ hoàn toàn do AI tạo ra và các công cụ để xây dựng cộng đồng và kể những câu chuyện xung quanh nghệ thuật, xung quanh âm nhạc, xung quanh các loại phương tiện khác sẽ thực sự quan trọng, tập hợp những gì chúng tôi thực sự quan tâm và thực sự muốn đầu tư vào và Phương tiện dành thời gian để tương tác khác với các phương tiện truyền thông khác nói chung.

Có thể có một số hiệp lực giữa cả hai, vì nhiều âm nhạc sẽ được tăng cường hoặc tạo ra bởi trí tuệ nhân tạo. Nhưng nếu có cả yếu tố con người tham gia, chẳng hạn như người sáng tạo tạo ra một bản nhạc mới bằng công cụ AI, thì họ có đặc điểm giọng hát riêng, họ có trang nghệ sĩ riêng, cộng đồng riêng và những người theo dõi riêng.

Giờ đây, có một sức mạnh tổng hợp giữa hai thế giới và bạn có âm nhạc hay nhất vì AI trao cho bạn siêu năng lực. Nhưng đồng thời, bạn cũng có các yếu tố con người và câu chuyện được phối hợp và kích hoạt thông qua công nghệ mã hóa cho phép bạn tập hợp tất cả những người này lại với nhau trên một nền tảng.

Đó chắc chắn là một thế giới hoàn toàn mới khi nói đến việc tạo nội dung. Vậy làm thế nào để chúng ta phân biệt giữa nghệ thuật do con người tạo ra và nghệ thuật do máy tạo ra cần hỗ trợ?

Điều này thực sự mở ra cánh cửa cho nghệ thuật tập thể, nghệ thuật xuất hiện thông qua quá trình sáng tạo của cả một cộng đồng chứ không phải của một nghệ sĩ đơn lẻ. Hiện đã có những dự án thực hiện điều này trong đó cộng đồng tác động đến chuỗi thông qua một số quy trình bỏ phiếu, tạo ra tác phẩm nghệ thuật dựa trên tín hiệu từ các mô hình máy học. Có thể bạn tạo ra không phải một tác phẩm nghệ thuật mà là mười nghìn tác phẩm. Sau đó, bạn sử dụng một mô hình học máy khác, cũng được đào tạo dựa trên phản hồi từ cộng đồng, để chọn mô hình tốt nhất trong số 10.000 mô hình đó.