AO+Arweave：重塑переплетення AI 基础设施的未来

Автор: Цинь Цзіньчун

У попередній статті ми обговорювали, як децентралізований штучний інтелект стає ключовою складовою для втілення Інтернету цінностей Web3, показуючи, що AO + Arweave завдяки своїм технологічним перевагам, таким як постійне зберігання, високопаралельне обчислення та перевірка, надає ідеальну інфраструктуру для цього екосистеми. У цій статті ми подальше зосередимося на технічних деталях AO + Arweave, порівнявши їх з провідними децентралізованими платформами, щоб виявити їх унікальні переваги у підтримці розвитку штучного інтелекту та розглянути їх взаємозв’язок з вертикальними проектами децентралізованого штучного інтелекту.

Останнім часом, зі стрімким розвитком технологій штучного інтелекту та постійним зростанням потреб у навчанні великих моделей, децентралізована ШІІ почала вважатися гарячою темою для обговорення в галузі. Традиційні централізовані обчислювальні платформи, хоча й постійно підвищують свою обчислювальну потужність, також виявляють обмеження у вигляді монополії на дані та високих витрат на зберігання. На відміну від цього, децентралізована платформа може не лише знизити витрати на зберігання, але й забезпечити недоступність даних та обчислень завдяки механізму децентралізованої перевірки, тим самим граючи важливу роль у ключових етапах навчання, міркування та перевірки ШІІ-моделей. Крім того, на сучасному етапі Web3 стикається з проблемою роз’єднаності даних, низькою ефективністю організацій типу DAO та поганою взаємодією між платформами, тому обов’язково потрібно поєднувати децентралізовану ШІІ для подальшого розвитку!

Ця стаття порівнює переваги та недоліки різних провідних платформ за чотирма аспектами: обмеження пам’яті, зберігання даних, можливості паралельних обчислень та перевірка. Докладно обговорюється, чому екосистема AO+Arweave має очевидні конкурентні переваги в галузі децентралізованих штучних інтелектів.

Перший, порівняльний аналіз платформ: чому AO+Arweave вирізняються

1.1 Вимоги до обсягу пам’яті та обчислювальної потужності

Зі збільшенням масштабу моделі штучного інтелекту пам’ять та обчислювальна потужність стають ключовими показниками оцінки потенціалу платформи. Наприклад, для виконання відносно невеликої моделі (наприклад, Llama-3-8 B) потрібно щонайменше 12 ГБ пам’яті; у той час як модель, подібна до GPT-4 з параметрами, що перевищують трильйони, потребує надзвичайних обсягів пам’яті та обчислювальних ресурсів. Під час процесу навчання велика кількість операцій, таких як матричні обчислення, зворотне поширення та синхронізація параметрів, вимагають повного використання паралельних обчислювальних можливостей.

• AO+Arweave : AO за допомогою своїх паралельних обчислювальних блоків (CU) та моделі акторів може розбивати завдання на кілька підзавдань для одночасного виконання, досягаючи дрібнозернового паралельного планування. Ця архітектура дозволяє не тільки повністю використовувати паралельні переваги апаратних засобів, таких як GPU, під час навчання, але й значно підвищувати ефективність в ключових етапах планування завдань, синхронізації параметрів та оновлення градієнтів.
• ICP: Хоча підмережа ICP підтримує певний рівень паралельних обчислень, проте при виконанні всередині єдиного контейнера вона здійснює досить грубі паралельні обчислення, що ускладнює вимоги до точного планування завдань у великому масштабі для навчання моделей дрібнозерновими, що в свою чергу призводить до недостатньої ефективності в цілому.
• Ethereum та базовий ланцюг: Обидва використовують однопотоковий режим виконання, їхнє архітектурне проектування спрямоване в основному на децентралізовані додатки та смарт-контракти, і не має високопаралельної обчислювальної потужності, яка необхідна для навчання, виконання та перевірки складних моделей штучного інтелекту.

Потреба в обчислювальній потужності та конкуренція на ринку

З популярністю проектів, таких як Deepseek, поріг навчання великих моделей постійно знижується, і все більше малих та середніх компаній може приєднатися до конкуренції, що призводить до зростання дефіциту обчислювальних ресурсів на ринку. У такій ситуації інфраструктура децентралізованої обчислювальної потужності з розподіленою паралельною обробкою, подібна до AO, буде все більш популярною. AO+Arweave, як інфраструктура децентралізованого штучного інтелекту, стане ключовою опорою для реалізації цінності Інтернету рівня Web3.

1.2 Зберігання даних та економічність

Зберігання даних - ще один дуже важливий показник. Традиційні блокчейн-платформи, такі як Ethereum, через високі витрати на зберігання на ланцюжку зазвичай використовуються лише для зберігання ключових метаданих, тоді як для зберігання великих обсягів даних вони використовуються ланцюжкові рішення, такі як IPFS або Filecoin.

• Платформа Ethereum: залежить від зовнішнього сховища (наприклад, IPFS, Filecoin), щоб зберігати більшість даних, хоча це забезпечує незмінність даних, високі витрати на запис на ланцюжку ускладнюють зберігання великих обсягів даних безпосередньо на ланцюжку.
• **AO+Arweave：**Використовуючи постійну можливість низькорівневого зберігання Arweave, досягається довгострокове зберігання даних та неможливість їхнього змінення. Для великомасштабних даних тренування моделей штучного інтелекту, параметрів моделей, журналів тренування тощо Arweave не лише гарантує безпеку даних, але й надає потужну підтримку для подальшого управління життєвим циклом моделей. Також, AO може безпосередньо викликати дані, збережені в Arweave, для створення повного замкнутого економічного циклу активів даних, тим самим сприяючи втіленню та застосуванню технології штучного інтелекту в Web3.
• Інші платформи (Solana, ICP): Хоча Solana оптимізувала сховище стану за допомогою облікової моделі, для масштабного зберігання даних все ще потрібні рішення поза ланцюжком; тоді як ICP використовує вбудоване сховище контейнерів, підтримує динамічне розширення, але для довгострокового зберігання даних потрібно постійно оплачувати цикли, що робить загальну економічну модель складною.

1.3 Важливість паралельних обчислювальних можливостей

Під час навчання великих моделей штучного інтелекту, паралельна обробка обчислювально інтенсивних завдань є ключовим для підвищення ефективності. Розбиття великої кількості матричних обчислень на кілька паралельних завдань може значно знизити витрати часу, при цьому повністю використовуючи ресурси, такі як GPU.

• AO : *AO забезпечує дрібнозернове паралельне обчислення за допомогою окремих обчислювальних завдань та механізму координації передачі повідомлень. Його модель актора підтримує розбиття одного завдання на мільйони дочірніх процесів та ефективну комунікацію між вузлами. Така архітектура особливо підходить для навчання великих моделей та розподілених обчислень, теоретично досягаючи дуже високої кількості операцій на секунду (TPS), незважаючи на обмеження, такі як введення-виведення, але значно перевершує традиційні однопотокові платформи.
• Ефіріум та ланцюжок Base: через використання однопотокового режиму виконання EVM, ці дві системи виявляються недостатньо потужними у випадку складних потреб паралельних обчислень, не можуть відповісти вимогам навчання великих моделей штучного інтелекту.
• Solana та ICP: Хоча рантайм Sealevel у Solana підтримує багатопотокову паралельність, але гранулярність паралелі відносно груба, тоді як у ICP головним залишається однопотоковий в одному контейнері, що призводить до вираженого гальму при обробці екстремальних паралельних завдань.

1.4 Перевірка та довіра системи

Однією з великих переваг децентралізованої платформи є здатність значно підвищити достовірність даних та обчислених результатів за допомогою загального консенсусу та незмінного зберігання.

• Ethereum: за допомогою глобальної перевірки згоди та екосистеми доказів з нульовим відомостями (ZKP) забезпечується висока прозорість та перевіреність виконання і зберігання даних у розумних контрактах, але відповідні витрати на перевірку є високими.
• AO+Arweave： AO шляхом збереження всіх обчислювальних процесів у Arweave та за допомогою “визначеного віртуального комп’ютера” для забезпечення відтворення результатів побудував повний ланцюг аудиту. Ця архітектура не лише підвищує можливість перевірки результатів обчислень, але й зміцнює загальну довіру до системи, забезпечуючи потужні гарантії для навчання та мислення штучних інтелектуальних моделей.

Друге, AO+Arweave та взаємодія вертикальних децентралізованих проектів з штучного інтелекту

У сфері децентралізованого штучного інтелекту вертикальні проекти, такі як Bittensor, Fetch.ai, Eliza та GameFi, активно досліджують власні сценарії використання. AO+Arweave як інфраструктурна платформа має перевагу у наданні ефективної розподіленої обчислювальної потужності, постійного зберігання даних та можливості повного аудиту ланцюга, що може забезпечити необхідну базову підтримку для цих вертикальних проектів.

2.1 Приклад технічної взаємодоповнюваності

• Біттензор:

Учасники Bittensor повинні надавати обчислювальну потужність для тренування моделей штучного інтелекту, що ставить високі вимоги до паралельних обчислювальних ресурсів та зберігання даних. Суперпаралельна обчислювальна архітектура AO дозволяє багатьом вузлам одночасно виконувати завдання тренування в одній мережі та швидко обмінюватися параметрами моделей та проміжними результатами за допомогою відкритого механізму передачі повідомлень, уникнувши традиційних обмежень послідовного виконання у блокчейні. Ця безблокувальна паралельна архітектура не лише підвищує швидкість оновлення моделей, але й значно збільшує загальну продуктивність тренування.

Тим часом Arweave надає ключові дані, ваги моделі та результати оцінки продуктивності ідеальний засіб збереження. Великий набір даних, який генерується під час тренування, можна надсилати в реальному часі до Arweave, завдяки його незмінності дані будуть доступні для будь-якого нового вузла, що дозволяє йому отримати останні дані тренування та знімок моделі, що забезпечує учасникам мережі спільне навчання на єдиною базі даних. Ця комбінація спрощує процес розподілу даних та забезпечує прозорість та надійність для контролю версій моделі та підтвердження результатів, що дозволяє мережі Bittensor зберегти ефективність централізованого кластера, забезпечуючи при цьому переваги децентралізації та значне збільшення продуктивності децентралізованого навчання машин.

• Самостійні агенти економіки (AEAs) Fetch.ai:

У системі співпраці багатьох агентів Fetch.ai комбінація AO+Arweave також може показати виняткову синергію. Fetch.ai побудував децентралізовану платформу, що дозволяє автономним агентам співпрацювати для проведення економічних дій на ланцюжку. Такі застосунки потребують одночасної обробки великої кількості агентів, які працюють паралельно та обмінюються даними, вимагаючи високих вимог до обчислень та зв’язку. AO забезпечує високопродуктивне середовище для Fetch.ai, де кожен автономний агент може розглядатися як окрема обчислювальна одиниця в мережі AO, дозволяючи багатьом агентам виконувати складні обчислення та логіку рішень паралельно на різних вузлах, не блокуючи одне одного. Відкритий механізм передачі повідомлень подальшим чином оптимізує комунікацію між агентами: агенти можуть асинхронно обмінюватися інформацією через ланцюжкову чергу повідомлень, спровокувати дії, уникнути затримок, які виникають від оновлень глобального стану у традиційних блокчейнах. З підтримкою AO сотні тисяч агентів Fetch.ai можуть спілкуватися в реальному часі, конкуруючи та співпрацюючи, моделюючи ритм економічних дій, близький до реального світу.

Тим часом, можливості постійного зберігання Arweave дозволяють Fetch.ai розділяти дані та зберігати знання, кожен агент може надсилати важливі дані (такі як інформація про ринок, журнали взаємодії, домовленості про протокол і т. д.), зібрані або згенеровані в процесі виконання, для збереження в Arweave, створюючи постійну сховище публічної пам’яті, яку можуть отримати інші агенти або користувачі, не покладаючись на надійність централізованих серверів. Це забезпечує публічну прозорість у відносинах між агентами - наприклад, умови надання послуг або комерційні пропозиції, опубліковані одним агентом в Arweave, стають загальноприйнятими публічними записами, які не можуть бути втрачені через відмову вузлів або злочинні втручання. Завдяки високій швидкості обчислень AO і довіреному сховищу Arweave, система багатоагентних інтелектуальних агентів Fetch.ai може досягти небаченої рівної співпраці на ланцюжку.

• Система багаторазових агентів Еліза:

Традиційні AI чат-боти зазвичай ґрунтуються на хмарних ресурсах, обробляючи природну мову за допомогою потужних обчислювальних ресурсів та користуючись базами даних для зберігання довгострокових діалогів або вподобань користувачів. За допомогою надпотужних обчислень AO, інтелектуальний асистент на ланцюжку може розподілити завдання модулів (таких як розуміння мови, генерація діалогів, аналіз емоцій) на кілька вузлів для паралельної обробки, щоб навіть при одночасному запиті від багатьох користувачів реагувати швидко. Механізм обміну повідомленнями AO забезпечує ефективну співпрацю модулів: наприклад, модуль розуміння мови після видобуття семантики асинхронно передає результати модулю генерації діалогу через повідомлення, щоб забезпечити плавність діалогового процесу в розподіленій архітектурі. У той же час Arweave виступає як “довгостроковий сховище пам’яті” для Eliza: всі записи взаємодії користувачів, їх вподобань та нових знань, які навчив асистент, можуть бути постійно зашифровані та збережені, і будь-який раз, коли користувач спілкується, можна витягнути контекст з попередніх взаємодій, щоб забезпечити персоналізовані послідовні відповіді. Постійне зберігання дозволяє уникнути втрати даних у централізованих службах або проблем з пам’яттю, які виникають при міграції облікового запису, а також надає історичну підтримку даних для постійного навчання моделей AI, що дозволяє інтелектуальним асистентам на ланцюжку стати “чим далі, тим розумнішими”.

• Прикладна програма реального часу GameFi:

У децентралізованій грі (GameFi) ключову роль відіграють взаємодоповнюючі властивості AO та Arweave. Традиційні MMO ґрунтуються на централізованих серверах для великого обсягу паралельних обчислень та зберігання стану, що суперечить концепції децентралізації блокчейна. AO пропонує розподіл завдань гри та фізичної моделювання на паралельну обробку в децентралізованій мережі: наприклад, у віртуальному світі на ланцюжку, симуляція сцен у різних областях, прийняття рішень NPC та події взаємодії гравців можуть обчислюватись різними вузлами одночасно та обмінюватись повідомленнями для обміну інформацією між областями, щоб створити повний віртуальний світ. Ця архітектура уникнула бутлера одного сервера, дозволяючи грі лінійно розширювати ресурси обчислень зі збільшенням кількості гравців, забезпечуючи плавний досвід.

Тим часом, постійне зберігання Arweave забезпечує надійний запис стану та управління активами у грі: ключовий стан (такий як зміни на карті, дані гравців) та важливі події (наприклад, отримання рідкісних предметів, розвиток сюжету) регулярно фіксуються як докази на ланцюжку; метадані та медіа-контент гравців (наприклад, шкіра персонажу, NFT предмети) також зберігаються безпосередньо для забезпечення постійної власності та запобігання підробці. Навіть після оновлення системи або заміни вузлів, історичний стан, який зберігає Arweave, можна відновити, щоб гарантувати, що досягнення та майно гравців не загубляться через технічне оновлення: жоден гравець не хоче, щоб ці дані раптово зникли, раніше траплялися багато подібних випадків, наприклад: кілька років тому Віталік Бутерін був обурений тим, що Blizzard раптово скасувала навики відсмоктування життя магів у світі Warcraft. Крім того, постійне зберігання дає змогу гральній спільноті вносити свій внесок у історію гри, будь-яка важлива подія може тривалий час зберігатися на ланцюжку. Завдяки високоінтенсивному паралельному обчисленню AO та постійному зберіганню Arweave ця децентралізована архітектура гри успішно подолала перешкоди традиційної моделі щодо продуктивності та стійкості даних.

!

2.2 Інтеграція та взаємодоповнення екосистем

AO+Arweave не лише надає інфраструктурну підтримку для вертикальних проектів з штучного інтелекту, але також прагне побудувати відкрите, різноманітне та зв’язане децентралізоване AI екосистему. У порівнянні з проектами, які спеціалізуються лише на певній галузі, екосистема AO+Arweave має більший охоплення та більше сфер застосування, мета якої - побудувати повну ланцюжок цінності, що охоплює дані, алгоритми, моделі та обчислювальну потужність. Тільки в такій великій екосистемі можна дійсно розкрити потенціал активів даних Web3 та сформувати здорову, стійку децентралізовану економіку штучного інтелекту.

Третє, Web3 Інтернет цінностей та постійне зберігання вартості

Приход Web3.0 означає, що дані активи стануть найважливішим ресурсом в Інтернеті. Схоже на зберігання ‘цифрового золота’ у мережі Bitcoin, послуги по постійному зберіганню, які надає Arweave, дозволяють цінним даним зберігатися на довготривалий термін і неможливо підробити. Зараз монополізація даних користувачів великими Інтернет-компаніями призводить до того, що вартість особистих даних важко визначити, але в епоху Web3 користувачі матимуть право власності на дані, а обмін даними буде ефективно реалізований через механізм стимулювання токенами.

• Властивості зберігання вартості:

Arweave за допомогою технологій Blockweave, SPoRA та зв’язування реалізує потужні можливості горизонтального масштабування, особливо в сценаріях зберігання великих обсягів даних. Ця особливість дозволяє Arweave не лише виконувати завдання постійного зберігання даних, а й надає тверду підтримку для подальшого управління правами на інтелектуальну власність, торгівлі активами даних та управління життєвим циклом моделей штучного інтелекту.

• Економіка активів даних:

Активи даних лежать в основі Інтернету цінності Web3. У майбутньому персональні дані, параметри моделі та журнали навчання стануть цінними активами, які можна буде ефективно поширювати за допомогою таких механізмів, як заохочення токенів та підтвердження прав на дані. AO+Arweave — це інфраструктура, побудована на основі цієї концепції, з метою відкрити канали циркуляції активів даних і внести безперервну життєздатність в екосистему Web3.

!

Четверте. Ризики та виклики, а також перспективи у майбутньому

Незважаючи на технічні переваги AO+Arweave, в процесі практичного застосування все ще існують наступні виклики:

1. Складність економічної моделі

Економічна модель AO потребує глибокої інтеграції з економічною системою токенів AR, щоб забезпечити низькі витрати на зберігання даних та ефективний передачу даних. Цей процес включає стимулювання та покарання різних вузлів (таких як MU, SU, CU) та повинен бути збалансований гнучким механізмом підзастави SIV для забезпечення безпеки, вартості та масштабованості. У процесі фактичного впровадження проектній стороні потрібно серйозно розглянути, як збалансувати кількість вузлів та вимоги завдань, уникнути простою ресурсів або недостатнього прибутку.

2. Недостатня побудова ринку децентралізованих моделей та алгоритмів

В даний час екосистема AO+Arweave в основному зосереджена на зберіганні даних і підтримці обчислювальної потужності, і ще не сформувала повноцінний ринок децентралізованих моделей і алгоритмів. Якщо не буде стабільного постачальника моделей, розвиток AI-Agent в екосистемі буде обмежений. Тому рекомендується підтримувати проекти децентралізованого модельного ринку через екологічні фонди, щоб сформувати високі конкурентні бар’єри та довгострокові рови.

Незважаючи на багато викликів, проте з поступовим приходом епохи Web3.0, право власності та обіг даних активів сприятимуть перебудові всієї ціннісної системи Інтернету. AO+Arweave, як піонер інфраструктури, має надію відіграти ключову роль у цьому перетворенні, сприяючи будівництву децентралізованої екосистеми штучного інтелекту та ціннісного Інтернету Web3.

Висновок

Загальний аналіз та порівняльний аналіз чотирьох аспектів: загальна пам’ять, зберігання даних, паралельні обчислення та перевірка. Ми вважаємо, що AO+Arweave проявляє виразні переваги в підтримці децентралізованих завдань з штучного інтелекту, особливо в області вимог до навчання великих масштабів моделей штучного інтелекту, зменшення витрат на зберігання та підвищення довіри до системи. В той же час AO+Arweave надає потужну інфраструктурну підтримку для вертикальних проектів децентралізованого штучного інтелекту та має потенціал для створення повноцінної екосистеми штучного інтелекту, яка сприятиме утворенню замкнутого циклу економічної діяльності в області активів даних Web3, що в свою чергу приведе до більш глибоких змін.

У майбутньому, разом зі сталим вдосконаленням економічної моделі, поступовим розширенням екосистеми та заглибленням міжгалузевого співробітництва AO + Arweave + AI має надію стати важливим каменем кутним у цифровому просторі Web3, принеся нові зміни у права на дані, обмін вартості та децентралізовані застосунки. Незважаючи на певні ризики та виклики у процесі впровадження, саме завдяки постійним помилкам і вдосконаленню, технології та екосистема врешті-решт зазнають прориву.