Crypto和AI的融合：四个关键交叉点

作者：Kyle Samani（Multicoin Capital合伙人） 和ChatGPT；翻译：金色财经cryptonaitive和ChatGPT

注：这篇文章的绝大部分内容，包括大部分标题，都是由 ChatGPT 撰写的。作者写的文字是斜体的。你可以在这里看到作者与 ChatGPT 的对话过程。

Crypto 和 AI 的世界一直在并行发展，每个领域都在突破技术和创新的界限。随着我们在这两个领域不断取得进展，越来越清楚的是，它们的未来是密切纠缠在一起的。在这篇文章中，我们将探索 Crypto 和 AI 十字路口的四个重要交叉点。

“显卡的 AirBnB”模型

AI 和机器学习 (ML) 工作负载的兴起对 Nvidia A100 等高性能显卡产生了巨大需求。作为回应，出现了一个类似于“显卡的 AirBnB”的新市场。这允许个人和组织出租他们未使用的 GPU 资源，以满足 AI 研究人员和开发人员的需求。

这是市场历史上真正独特的时刻。在 ChatGPT 推出之前，GPU 的供应已经供不应求。从那时起，需求可能至少增长了 10 倍，甚至可能增长了 100 倍。此外，我们知道模型随着训练规模的增加呈对数增长；这意味着对 GPU 计算的需求呈指数级增长，以提高模型质量。尽管总供应远远超过需求，但对商品的需求如此巨大地超过可用供应的时刻很少见；如果今天地球上的每一个 GPU 都可用于 AI 推理和训练，那么就不会短缺，而是会过剩！

然而，在探索“显卡的 AirBnB”的概念时，需要考虑几个主要的技术挑战：

并非所有显卡都能支持所有工作负载：显卡有各种形状、尺寸和规格。因此，某些 GPU 可能无法处理某些 AI 任务。为了使该模型取得成功，需要有一种方法将正确的 GPU 资源与适当的 AI 工作负载相匹配。随着市场的成熟，我们应该期待看到针对不同 AI 任务的显卡进一步专业化和优化。

调整训练过程以适应更高的延迟：今天的大多数基础模型都是在 GPU 集群上训练的，GPU通过极低延迟连接。在去中心化环境中，延迟会增加几个数量级，因为 GPU 可能分布在多个位置并通过公共互联网连接。为了克服这一挑战，有机会开发出新训练过程，它们具有更高延迟连接。通过重新思考我们训练 AI 模型的方式，我们可以更好地利用更大 GPU 的去中心化集群。

验证问题：无法知道不受信任的计算机是否执行了特定代码段。因此，很难相信不受信任的计算机的输出。然而，这个问题可以通过信誉系统与加密经济质押相结合来缓解，在某些情况下，还可以通过支持快速验证的新型模型来缓解。

有相当多的团队在这个领域工作，包括训练和推理。Multicoin Capital投资了Render Network, Render Network最初专注于3D渲染，并且已经开放了它的 GPU 网络来也支持AI推理。

除了 Render Network，还有一些其他公司在这个领域工作：Akash、BitTensor、Gensyn、Prodia、Together，以及其他仍处于开发中的项目。

代币激励RLHF (Reinforcement Learning from Human Feedback，基于人类反馈的强化学习)

代币激励几乎肯定不会适用于从人类反馈中强化学习（RLHF)的所有用例。问题是，我们可以使用什么框架来考虑什么时候代币激励对 RLHF 有意义，什么时候应该使用现金支付（例如 USDC）。

随着以下情况变得更加真实，代币激励可能会改善 RLHF：

该模型变得更加狭小和垂直（与通用和横向相对，例如 ChatGPT）。 如果某人将提供 RLHF 作为他们的主要工作，并因此通过提供 RLHF 产生大部分收入，他们可能需要现金来支付租金和购买食物。当你从一般查询转向更具体的领域时，模型开发人员将需要更多训练有素的员工参与，他们更有可能获得整体商业机会的长期成功。

在 RLHF 工作本身之外提供 RLHF 的人的收入越高。 如果一个人有足够的收入或其他努力的储蓄来证明在特定领域的 RLHF 模型中投入有意义的时间的风险是合理的，那么他们只能接受锁定/非流动性代币作为补偿而不是现金。为了最大限度地提高成功的可能性，模型开发人员不应该只向提供特定领域 RLHF 的工作人员发放未锁定的代币。相反，代币应该在一段时间内授予，以激励长期决策。

代币激励 RLHF 模型可能适用的一些行业包括：

医学： 人们应该能够与法学硕士一起从事轻量级、第一反应的诊断，以及长期预防和长寿医学。

法律： 企业主和个人应该能够使用 LLM 来更有效地驾驭各种异构法律体系的复杂性。

工程和建筑：增强设计工具或仿真模型。

金融和经济：改进预测模型、风险评估和算法交易系统。

科学研究：完善用于模拟实验、预测分子相互作用和分析复杂数据集的 AI 模型。

教育和培训：为人工智能驱动的学习平台做出贡献，以提高教育内容的质量和有效性。

环境科学与可持续性：优化人工智能模型以预测环境趋势、资源分配和促进可持续实践。