Crypto AI：Decentralization計算為王
作者：TengYan，ChainofThought；翻譯：金色財經xiaozou
我有一大遺憾至今還在困擾著我，對任何關注它的人來說，它無疑是最明顯的投資機會，但我沒有投入一分錢。不，我說的不是下一個Solanakiller，也不是帶著滑稽帽子的狗狗meme幣。
而是……NVIDIA。
1、CryptoAI格局
我把去中心化的人工智能堆棧描繪成一個若干層生態系統：它的一端始于去中心化計算和開放數據網絡，為去中心化人工智能模型訓練提供支持。
然后，結合使用密碼學、加密經濟激勵機制和評估網絡來驗證每條推斷——輸入和輸出均如此。這些經驗證的輸出流向可在鏈上自主運行的人工智能代理，以及用戶可以真正信任的消費者和企業AI應用程序。
協調網絡將一切聯系在一起，實現整個生態系統的無縫通信和協作。
在這個愿景中，任何構建人工智能的人都可以根據自己的具體需求，利用這個堆棧的一層或多個層。無論是利用去中心化計算進行模型訓練，還是使用評估網絡來確保高質量的輸出，該堆棧都提供了一系列選擇。
由于Blockchain固有的可組合性，我相信我們將自然而然地走向模塊化未來。每一層都正變得高度專業化，協議針對不同的功能進行優化，而不是采用一體化集成方法。
也就是說，我相信人工智能的規模將如此之大，即使是今天看起來“小眾”的領域也可能演變成一個重要的市場。
同樣值得注意的是，技術進步并不總是沿著一條直線前進——它經常是突飛猛進的。當突然爆發時，我對時機和市場規模的看法將發生變化。
有了這個框架，讓我們來具體來看各個子領域。
2、領域一：去中心化計算
去中心化計算是去中心化人工智能的支柱。
GPU市場、去中心化訓練和去中心化推理是緊密聯系在一起的。
供應端通常來自中小型數據中心和消費者GPU。
需求面雖小，但仍在增長。如今，它來自對價格敏感、對延遲不敏感的用戶和規模較小的人工智能初創公司。
目前Web3GPU市場面臨的最大挑戰是如何讓它們正常運行。
在去中心化網絡上協調GPU需要先進的工程技術和設計良好、可靠的網絡架構。
使計算網絡真正可以工作
與普遍的看法相反，web3分布式GPU市場目前面臨的最大障礙就是讓它們正常工作。
這并不是一個微不足道的問題。
在分布式網絡中協調GPU是非常復雜的，有很多挑戰——資源分配、動態工作負載擴展、節點和GPU間的負載平衡、延遲管理、數據傳輸、容錯以及處理分散在不同地理位置的各種硬件。我還可以繼續說下去。
實現這一點需要深思熟慮的工程設計和可靠的、設計合理的網絡架構。
為了更好地理解，想想谷歌的Kubernetes。它被普遍認為是容器編排的黃金標準，在分布式環境中自動化負載平衡和擴展等過程，這與分布式GPU網絡面臨的挑戰非常相似。Kubernetes本身是建立在谷歌十多年的經驗基礎上的，即使在那時，它也需要數年的不懈迭代才能表現良好。
目前已經上線的一些GPU計算市場可以處理小規模的工作負載，但一旦它們嘗試擴展，就會出現問題。我懷疑這是因為它們的架構基礎設計很糟糕。
去中心化計算網絡的另一個挑戰/機遇是確？尚哦龋候炞C每個節點實際上提供了所聲稱的計算能力。目前，這依賴于網絡聲譽，在某些情況下，算力提供商根據聲譽評分進行排名。Blockchain似乎很適合于無需信任的驗證系統。像Gensyn和Spheron這樣的初創公司正在力求使用一種無需信任的方法來解決這個問題。
今天，許多web3團隊仍在應對這些挑戰，這也意味著機會之門是敞開的。
去中心化計算市場規模
去中心化計算網絡市場有多大？
如今，它可能只是價值6800億至2.5萬億美元的云計算行業的一小部分。然而，盡管增加了用戶的摩擦，但只要成本低于傳統供應商，總是會有需求的。
我相信，由于Tokens補貼和對價格不敏感的用戶的供應解鎖，成本將在中短期內保持較低水平（例如，如果我能出租我的游戲筆記本電腦賺取額外現金，無論是每月20美元還是50美元，我都會很高興的）。
NousResearch正在通過他們的DisTrO框架提高標準，該框架使用優化器在訓練1.2B參數模型的同時，將GPU間的通信要求降低了令10,000倍，令人瞠目結舌。
而且這種勢頭還在不斷增強。去年12月，Nous宣布了一個15B參數模型的預訓練，該模型具有損失曲線（模型誤差如何隨時間減少）和收斂率（模型性能穩定的速度），這與集中式訓練的典型結果相匹配甚至更勝一籌。是的，比中心化要好。
這個模型是為更復雜的、需要大量計劃的任務而設計的，比如填字游戲，以及需要更深層推理的問題。你會注意到它變慢了，需要更多的時間來生成響應，但結果卻更加深思熟慮和細致入微。它的運行成本也高得多（是GPT-4的25倍）。
重心的轉變很明顯：人工智能性能的下一個飛躍將不僅僅來自訓練更大的模型，還來自在推理過程中擴展計算應用。
如果你想了解更多，一些研究文章表明：
通過重復采樣來擴展推理計算，可以在各種任務之間獲得很大的改進。
也有一個用于推理的擴展指數定律。
一旦強大的模型被訓練出來，它們的推理任務——模型所做的事情——就可以被轉移到去中心化計算網絡上。這不無道理，因為：
與訓練相比，推理所需的資源要少得多。經過訓練后，可以使用量化（quantization）、剪枝（pruning）或蒸餾（distillation）等技術對模型進行壓縮和優化。它們甚至可以分解在日常消費設備上運行。你不需要高端GPU來支持推理。
這已經發生了。ExoLabs已經找到了如何在MacBook和MacMini等消費級硬件上運行450B參數Llama3模型的方法？缍嘣O備分布推理可以高效且經濟地處理大規模工作負載。
更好的用戶體驗。在離用戶更近的地方運行計算可以減少延遲，這對于游戲、AR或自動駕駛汽車等實時應用至關重要。每一毫秒都很重要。
把去中心化推理想象成人工智能的CDN（內容分發網絡）：去中心化推理利用本地計算能力，在創紀錄的時間內提供人工智能響應，而不是通過連接到附近的服務器來快速提供網站。通過采用去中心化推理，人工智能應用程序變得更高效、響應更快、更可靠。
趨勢很明顯。蘋果新推出的M4Pro芯片與英偉達的RTX3070Ti競爭，直到最近，RTX3070Ti還是硬核游戲玩家的領地。我們的硬件越來越有能力處理高級人工智能工作負載。
Crypto的增值
去中心化推理網絡要想取得成功，就必須有令人信服的經濟激勵。網絡中的節點需要因其算力貢獻獲得補償。該制度必須確保公平有效地分配獎勵。地理多樣性是必要的，可以減少推理任務的延遲，并提高容錯性。
建立去中心化網絡的最佳方式是什么？Crypto。
Tokens提供了一種強大的機制來協調參與者的利益，確保每個人都朝著同一個目標努力：擴展網絡并提高Tokens價值。
Tokens也加速了網絡的增長。它們通過獎勵早期采用者以及從第一天起推動參與度，幫助解決了經典的雞生蛋還是蛋生雞的問題，這個問題阻礙了大多數網絡的發展。
Bitcoin和Ethereum的成功證明了這一點——它們已經聚集了地球上最大的算力池。
去中心化推理網絡將是下一個。由于地域的多樣性，它們減少了延遲，提高了容錯性，使人工智能更接近用戶。在加密激勵下，它們將比傳統網絡更快、更好地擴展。
（未完待續，敬請關注）