a16z: يؤدي الجمع بين الذكاء الاصطناعي والبلوك تشين إلى إنشاء أربعة نماذج أعمال جديدة

الفيديو الأصلي: Web3 مع a16z و AI & Crypto

المؤلف: دان بونيه (أستاذ في جامعة ستانفورد ، مستشار أبحاث أول في تشفير a16z) ، يركز على التشفير وأمن الكمبيوتر والتعلم الآلي ؛ علي يحيى (الشريك العام لتشفير a16z) ، الذي عمل في Google Brain وهو أيضًا جهاز Google مكتبة التعلم TensorFlow أحد المساهمين الأساسيين.

تنظيم وترجمة: Qianwen، ChainCatcher

كتب ستيفن كينج ذات مرة رواية خيال علمي بعنوان “العصر الماسي” ، حيث يوجد جهاز ذكاء اصطناعي يعمل كمرشد للناس طوال حياتهم. عندما تولد ، يتم إقرانك بذكاء اصطناعي يعرفك جيدًا - يعرف ما تحب وما لا يعجبك ، ويتبعك طوال الحياة ، ويساعدك على اتخاذ القرارات ، ويوجهك في الاتجاه الصحيح. هذا يبدو رائعًا ، لكنك لا تريد أبدًا أن تقع مثل هذه التكنولوجيا في أيدي وسطاء عملاقين. لأن هذا سيجلب قدرًا كبيرًا من السيطرة على الشركة ، بالإضافة إلى سلسلة من مشكلات الخصوصية والسيادة.

** أردنا أن تكون هذه التكنولوجيا مملوكة حقًا للمناجم ، وظهرت رؤية أنه يمكنك القيام بذلك باستخدام blockchain. ** يمكنك تضمين الذكاء الاصطناعي في العقود الذكية. حافظ على خصوصية بياناتك مع قوة براهين انعدام المعرفة. في العقود القليلة القادمة ، ستصبح هذه التكنولوجيا أكثر ذكاءً وذكاءً. يمكنك اختيار القيام بما تريد ، أو تغييره بأي طريقة تريدها.

إذن ما هي العلاقة بين blockchain والذكاء الاصطناعي؟ إلى أي نوع من العالم سيقودنا الذكاء الاصطناعي؟ ما هو الوضع الحالي وتحديات الذكاء الاصطناعي؟ ما الدور الذي سيلعبه blockchain في هذه العملية؟

AI و Blockchain: تنافسوا ضد بعضكم البعض

لطالما كان تطوير الذكاء الاصطناعي ، بما في ذلك المشهد الموصوف في “العصر الماسي” ، موجودًا ، وقد شهد مؤخرًا قفزة إلى الأمام فقط.

** أولاً ، الذكاء الاصطناعي عبارة عن تقنية يتم التحكم فيها مركزيًا من أعلى إلى أسفل. ** تقنية التشفير هي تقنية تعاون لا مركزية تنطلق من القاعدة. من نواحٍ عديدة ، تعد العملة المشفرة دراسة حول كيفية بناء نظام لامركزي يتيح التعاون البشري على نطاق واسع بدون وحدة تحكم مركزية بالمعنى الحقيقي. في هذا الصدد ، إنها طريقة طبيعية يمكن من خلالها الجمع بين هاتين التقنيتين.

الذكاء الاصطناعي هو ابتكار مستدام يعزز نماذج الأعمال لشركات التكنولوجيا الحالية ويساعدها على اتخاذ قرارات من أعلى إلى أسفل. أفضل مثال على ذلك هو Google ، الذي يمكنه تحديد المحتوى الذي سيتم تقديمه للمستخدمين عبر مليارات المستخدمين ومليارات مشاهدات الصفحة. من ناحية أخرى ، تعد العملة المشفرة في الأساس ابتكارًا مدمرًا يتعارض نموذج أعماله بشكل أساسي مع نموذج شركات التكنولوجيا الكبيرة. ** إذن فهذه حركة يقودها متمردون هامشيون وليس من هم في السلطة. **

لذلك ، قد يرتبط الذكاء الاصطناعي ارتباطًا وثيقًا بجميع جوانب حماية الخصوصية ، ويعزز الاثنان ويتفاعلان مع بعضهما البعض. لقد أوجد الذكاء الاصطناعي كتقنية العديد من الحوافز التي تؤدي إلى خصوصية أقل وأقل للمستخدمين لأن الشركات ترغب في الحصول على جميع بياناتنا. وستصبح نماذج الذكاء الاصطناعي المدربة على المزيد والمزيد من البيانات أكثر فعالية. من ناحية أخرى ، فإن الذكاء الاصطناعي ليس مثاليًا ، ويمكن أن تكون النماذج متحيزة ، ويمكن أن تؤدي التحيزات إلى نتائج غير عادلة. لذلك ، هناك العديد من الأوراق حول الإنصاف الحسابي في هذه المرحلة.

أعتقد أننا نتجه إلى طريق الذكاء الاصطناعي حيث يتم تجميع بيانات الجميع في هذا النموذج الضخم للتدريب لتحسين النموذج. من ناحية أخرى ، تتحرك العملات المشفرة في الاتجاه المعاكس ، مما يزيد من الخصوصية الشخصية ويمكّن المستخدمين من التحكم في سيادة بياناتهم. ** يمكن القول إن التشفير هو تقنية تنافس الذكاء الاصطناعي لأنها تساعدنا على التمييز بين المحتوى الذي تم إنشاؤه بواسطة الإنسان أو الذكاء الاصطناعي من المحتوى الغني ، وفي عالم مليء بالمحتوى الذي تم إنشاؤه بواسطة الذكاء الاصطناعي ، ستكون تقنية التشفير أداة مهمة للحفاظ على المحتوى البشري. **

Cryptocurrency هو الغرب المتوحش لأنه غير مصرح به تمامًا لأنه يمكن لأي شخص المشاركة. عليك أن تفترض أن بعض هذه الأطراف خبيثة. ** هناك الآن حاجة أكبر للأدوات التي تساعدك على فرز اللاعبين الصادقين من غير النزيهين ، ويمكن أن يكون التعلم الآلي والذكاء الاصطناعي ، كأداة ذكية ، ذات فائدة كبيرة في هذا الصدد. **

على سبيل المثال ، هناك مشاريع تستخدم التعلم الآلي لتحديد المعاملات المشبوهة التي يتم إرسالها إلى المحافظ. بهذه الطريقة ، سيتم تمييز معاملات المستخدمين هذه وإرسالها إلى blockchain. يعمل هذا بشكل جيد لمنع المستخدمين من إرسال جميع أموالهم عن طريق الخطأ إلى مهاجم ، أو القيام بشيء يندمون عليه لاحقًا. يمكن أيضًا استخدام التعلم الآلي كأداة لمساعدتك في الحكم مسبقًا على المعاملات التي قد تكون لها أيضًا.

** مثلما يمكن استخدام نماذج LLM لاكتشاف البيانات المزيفة أو الأنشطة الضارة ، يمكن أيضًا استخدام هذه النماذج لإنشاء بيانات مزيفة. ** المثال الأكثر شيوعًا هو التزييف العميق. يمكنك إنشاء مقطع فيديو لشخص يقول شيئًا لم يقله من قبل. لكن blockchain يمكن أن يساعد في الواقع في تخفيف هذه المشكلة.

على سبيل المثال ، هناك طابع زمني على blockchain ، يوضح أنك قلت كذا وكذا شيء في هذا التاريخ. إذا قام شخص ما بتزوير الفيديو ، فيمكنك استخدام الطابع الزمني للرفض **. يتم تسجيل كل هذه البيانات ، بيانات حقيقية حقيقية ، على blockchain ويمكن استخدامها لإثبات أن هذا الفيديو المزيف العميق مزيف حقًا. ** أعتقد أن blockchain قد يساعد في مكافحة التزييف.

يمكننا أيضًا الاعتماد على أجهزة موثوقة للقيام بذلك. تقوم الأجهزة مثل الكاميرات والهواتف الخاصة بنا بتوقيع الصور ومقاطع الفيديو التي تلتقطها كمعيار. يطلق عليه C2PA ، وهو يحدد كيف يمكن للكاميرات تسجيل البيانات. في الواقع ، يمكن لإحدى كاميرات Sony الآن التقاط الصور ومقاطع الفيديو ، ثم إنشاء توقيع C2PA على الفيديو. هذا موضوع معقد ولن نتطرق إليه هنا.

عادة ، عندما تنشر الصحف الصور ، فإنها لا تنشر الصور التي التقطتها الكاميرات سليمة. إنهم يقومون بالقص ، ويقومون ببعض التراخيص على الصورة. بمجرد أن تبدأ في تحرير الصور ، فهذا يعني أن المستلمين والقراء النهائيين والمستخدمين على المستعرض لن يروا الصور الأصلية ، ولن يكون التحقق من توقيع C2PA ممكنًا.

السؤال هو ، كيف تجعل المستخدمين يؤكدون أن الصور التي يرونها موقعة بشكل صحيح بالفعل بواسطة كاميرا C2PA؟ هذا هو المكان الذي تأتي فيه تقنية ZK ، يمكنك إثبات أن الصورة المحررة هي في الواقع نتيجة لاختزال الصورة الموقعة بشكل صحيح وتدرجها الرمادي. بهذه الطريقة ، يمكننا استبدال توقيع C2PA بإثبات zk بسيط ، والتوافق مع هذه الصور واحد لواحد. في الوقت الحالي ، لا يزال بإمكان القراء تأكيد أن ما يرونه هو الصورة الحقيقية. لذلك ، يمكن استخدام تقنية zk لمواجهة هذه المعلومات.

كيف يكسر blockchain اللعبة؟

الذكاء الاصطناعي هو في الأساس تقنية مركزية. إنها تستفيد إلى حد كبير من وفورات الحجم ، حيث تكون الأشياء أكثر كفاءة من تشغيل مركز بيانات واحد. بالإضافة إلى ذلك ، عادةً ما يتم التحكم في البيانات ونماذج التعلم الآلي وموهبة التعلم الآلي وما إلى ذلك من قبل عدد صغير من شركات التكنولوجيا ،

** فكيف نكسر الموقف؟ يمكن أن تساعدنا العملة المشفرة في تحقيق لامركزية الذكاء الاصطناعي باستخدام تقنيات مثل ZKML ، والتي يمكن تطبيقها على مراكز البيانات وقواعد البيانات ونماذج التعلم الآلي نفسها. على سبيل المثال ، فيما يتعلق بالحوسبة ، باستخدام براهين المعرفة الصفرية ، يمكن للمستخدمين إثبات صحة عملية الاستدلال أو التدريب على النموذج.

بهذه الطريقة ، يمكنك الاستعانة بمصادر خارجية للعملية إلى مجتمع كبير. في ظل هذه العملية الموزعة ، يمكن لأي شخص لديه وحدة معالجة رسومات (GPU) المساهمة في قوة الحوسبة للشبكة وتدريب النماذج بهذه الطريقة ، دون الحاجة إلى الاعتماد على مركز بيانات كبير حيث تتركز جميع وحدات معالجة الرسومات.

** ما إذا كان هذا الأمر منطقيًا من وجهة نظر اقتصادية أم لا. ولكن على الأقل مع وجود الحوافز المناسبة ، يمكن تحقيق الذيل الطويل. ** يمكنك الاستفادة من جميع إمكانيات وحدة معالجة الرسومات الممكنة. إن قيام كل هؤلاء الأشخاص بالمساهمة في قوة الحوسبة في نموذج التدريب أو عمليات الاستدلال من شأنه أن يحل محل شركات التكنولوجيا الكبيرة التي تتحكم في كل شيء. لتحقيق ذلك ، يجب حل العديد من القضايا الفنية الهامة. في الواقع ، تقوم شركة تدعى Nvidia ببناء سوق حوسبة لا مركزية لوحدة معالجة الرسومات ، خاصة لتدريب نماذج التعلم الآلي. في هذا السوق ، يمكن لأي شخص أن يساهم بقوة حوسبة GPU الخاصة به. من ناحية أخرى ، يمكن لأي شخص الاستفادة من أي حساب موجود في الشبكة لتدريب نماذج التعلم الآلي الكبيرة الخاصة بهم. سيكون هذا بديلاً لشركات التكنولوجيا الكبرى المركزية مثل openai و google والبيانات الوصفية وما إلى ذلك.

يمكن للمرء أن يتخيل حالة يكون فيها لدى أليس نموذجًا تريد حمايته. إنها تريد إرسال النموذج إلى Bob في شكل مشفر. يتلقى Bob الآن النموذج المشفر ويحتاج إلى تشغيل بياناته الخاصة على النموذج المشفر. كيف نفعل ذلك؟ ثم استخدم ما يسمى بالتشفير المتجانس بالكامل لحساب البيانات المشفرة. إذا كان لدى المستخدم النموذج المشفر وبيانات النص العادي ، فيمكن تشغيل النموذج المشفر على بيانات النص العادي ، ويمكن استلام النتيجة المشفرة والحصول عليها. تقوم بإرسال النتيجة المشفرة إلى أليس ، ويمكنها فك تشفيرها ورؤية نتيجة النص العادي.

** هذه بالفعل تقنية موجودة بالفعل. السؤال هو ، التكنولوجيا الحالية تعمل بشكل جيد للنماذج متوسطة الحجم ، هل يمكننا توسيعها لتناسب النماذج الأكبر؟ ** يعد هذا تحديًا كبيرًا ويتطلب جهودًا من المزيد من الشركات.

المكانة والتحديات والحوافز

أعتقد أن الأمر يتعلق باللامركزية في الحوسبة. ** المشكلة الأولى هي مشكلة التحقق ، ** يمكنك استخدام ZK لحل هذه المشكلة ، لكن هذه التقنيات حاليًا لا يمكنها التعامل إلا مع النماذج الأصغر. ** التحدي الذي نواجهه هو أن أداء بدائل التشفير هذه بعيد عن أن يكون كافياً للتدريب أو الاستدلال على نماذج كبيرة جدًا. ** لذلك هناك الكثير من العمل الجاري لتحسين أداء عملية الإثبات بحيث يمكن إثبات أعباء العمل الأكبر والأكبر بكفاءة.

في الوقت نفسه ، تستخدم بعض الشركات أيضًا تقنيات أخرى تتجاوز التشفير. بدلاً من ذلك ، باستخدام تقنيات ذات طبيعة نظرية اللعبة ، سمحوا لمزيد من الأشخاص المستقلين بالقيام بهذا العمل. إنه نهج متفائل نظري للعبة لا يعتمد على التشفير ، لكنه لا يزال متسقًا مع الهدف الأكبر المتمثل في تحقيق اللامركزية في الذكاء الاصطناعي أو المساعدة في إنشاء نظام بيئي للذكاء الاصطناعي. هذا هو الهدف الذي تقترحه شركات مثل openai.

** المشكلة الثانية هي مشكلة النظام الموزع. ** مثل ، كيف يمكنك تنسيق مجتمع كبير للمساهمة في gp في شبكة تبدو وكأنها أساس حوسبة متكاملة وموحدة؟ سيكون هناك العديد من التحديات ، مثل كيفية تقسيم عبء العمل للتعلم الآلي بطريقة معقولة ، وتعيين أعباء عمل مختلفة لعقد مختلفة من الشبكة ، وكيفية القيام بكل هذا العمل بكفاءة.

يمكن تطبيق التقنيات الحالية بشكل أساسي على النماذج متوسطة الحجم ، ولكن لا يمكن تطبيقها على النماذج الكبيرة مثل gpt 3 أو gpt 4. بالطبع ، لدينا طرق أخرى. على سبيل المثال ، يمكن أن يكون لدينا عدة أشخاص يتدربون ويقارنون النتائج ، لذلك هناك حافز نظري اللعبة. حفز الناس على عدم الغش. إذا قام شخص ما بالغش ، فقد يشتكي آخرون من أنهم حسبوا نتائج التدريب غير الصحيحة. بهذه الطريقة ، الأشخاص الذين يغشون لا يتقاضون رواتبهم.

يمكننا أيضًا إضفاء اللامركزية على مصادر البيانات في المجتمع لتدريب نماذج التعلم الآلي الكبيرة. وبالمثل ، يمكننا أيضًا جمع جميع البيانات وتدريب النموذج بأنفسنا بدلاً من مؤسسة مركزية. يمكن تحقيق ذلك من خلال إنشاء نوع من السوق. هذا مشابه لسوق الحوسبة الذي وصفناه للتو.

يمكننا أيضًا النظر إليها من حيث الحوافز ، وتشجيع الناس على المساهمة ببيانات جديدة في مجموعة كبيرة من البيانات ، والتي تُستخدم بعد ذلك لتدريب النماذج. الصعوبة هنا مشابهة لتحدي التحقق. ** عليك أن تتحقق بطريقة ما من أن البيانات التي يساهم بها الأشخاص هي بيانات جيدة حقًا. البيانات ليست مكررة ولا يتم إنشاؤها عشوائيًا ولا يتم إنشاؤها بطريقة غير صحيحة. **

تأكد أيضًا من أن البيانات لا تخرب النموذج بطريقة ما ، وإلا فإن أداء النموذج سيزداد سوءًا. ربما يتعين علينا الاعتماد على مزيج من الحلول التقنية والحلول الاجتماعية ، وفي هذه الحالة يمكنك أيضًا بناء المصداقية مع نوع من مقاييس الموقع التي يمكن لأعضاء المجتمع الوصول إليها بحيث عندما يساهمون بالبيانات ، يصبح الأمر أكثر. يمكن تصديقه.

خلاف ذلك ، سوف يستغرق الأمر وقتًا طويلاً لتحقيق توزيع بيانات التغطية فعليًا. تتمثل إحدى تحديات التعلم الآلي في أن النموذج يمكن أن يغطي فقط التوزيع الذي يمكن أن تصل إليه مجموعة بيانات التدريب. إذا كانت هناك بعض المدخلات التي تقع خارج نطاق توزيع بيانات التدريب ، فقد يتصرف نموذجك في الواقع بشكل غير متوقع تمامًا. لكي يعمل النموذج جيدًا في حالات الحافة أو نقاط بيانات البجعة السوداء أو مدخلات البيانات التي قد تتم مواجهتها في العالم الحقيقي ، نحتاج إلى مجموعة بيانات تكون شاملة قدر الإمكان.

** لذلك إذا كان لديك هذا السوق المفتوح اللامركزي الذي يغذي البيانات لمجموعات البيانات ، فيمكنك أن تجعل أي شخص في العالم لديه بيانات فريدة يساهم بهذه البيانات في الشبكة ، وهذه طريقة أفضل بكثير. لأنه إذا حاولت القيام بذلك كشركة مركزية ، فليس لديك طريقة لمعرفة من يملك البيانات. ** لذا إذا كان بإمكانك إنشاء حافز لهؤلاء الأشخاص للتقدم وتقديم هذه البيانات ، فأعتقد أنه يمكنك بالفعل الحصول على تغطية أفضل بكثير لبيانات الذيل الطويل.

لذلك يجب أن يكون لدينا بعض الآليات للتأكد من أن البيانات التي تقدمها حقيقية. تتمثل إحدى الطرق في الاعتماد على الأجهزة الموثوقة ، والسماح للمستشعر نفسه بتضمين بعض الأجهزة الموثوقة ، ونحن نثق فقط في البيانات التي تم توقيعها بشكل صحيح بواسطة الجهاز. خلاف ذلك ، يجب أن يكون لدينا آليات أخرى للتمييز بين صحة البيانات.

يوجد حاليًا اتجاهان مهمان في التعلم الآلي. أولاً ، تتحسن طرق قياس الأداء لنماذج التعلم الآلي باستمرار ، ولكنها لا تزال في مراحلها الأولى ، ومن الصعب عمليًا معرفة مدى جودة أداء نموذج آخر. الاتجاه الآخر هو أننا نتحسن في شرح كيفية عمل النماذج.

بناءً على هاتين النقطتين ، قد أتمكن في مرحلة ما من فهم تأثير مجموعة البيانات على أداء نموذج التعلم الآلي. ** إذا تمكنا من فهم ما إذا كانت مجموعات البيانات التي تساهم بها جهات خارجية تساهم في أداء نماذج التعلم الآلي ، فيمكننا مكافأة هذه المساهمة وخلق زخم لوجود هذا السوق. **

فقط تخيل ما إذا كان بإمكانك إنشاء سوق مفتوح حيث يساهم الأشخاص في نماذج مدربة لحل أنواع معينة من المشكلات ، أو إذا قمت بإنشاء عقد ذكي يتضمن نوعًا من الاختبار فيه ، إذا كان بإمكان شخص ما تقديم نموذج باستخدام zkml ، وإثبات أن نموذج يحل الاختبار ، وهو سيناريو نتيجة. لديك الآن الأدوات التي تحتاجها لإنشاء سوق يتم تحفيزه عندما يساهم الأشخاص في نماذج التعلم الآلي التي تحل مشكلات معينة.

كيف يشكل الذكاء الاصطناعي والتشفير نموذج عمل؟

** أعتقد أن الرؤية الكامنة وراء تقاطع العملات المشفرة والذكاء الاصطناعي هي أنه يمكنك إنشاء مجموعة من البروتوكولات التي توزع القيمة التي تلتقطها هذه التكنولوجيا الجديدة للذكاء الاصطناعي على المزيد من الأشخاص ، ويمكن للجميع المساهمة ، ويمكن للجميع الاستفادة من هذا الجديد. يمكن مشاركة التكنولوجيا. **

** وبالتالي ، فإن الأشخاص الذين يمكن أن يستفيدوا هم أولئك الذين يساهمون في قوة الحوسبة ، أو أولئك الذين يساهمون بالبيانات ، أو أولئك الذين يساهمون في نماذج جديدة للتعلم الآلي في الشبكة ، بحيث يمكن تدريب نماذج التعلم الآلي الأفضل على حل المشكلات الأكثر أهمية. . **

يمكن أن يستفيد جانب الطلب من الشبكة أيضًا. يستخدمون هذه الشبكة كبنية أساسية لتدريب نماذج التعلم الآلي الخاصة بهم. ربما يمكن أن يساهم نموذجهم في شيء مثير للاهتمام ، مثل أداة الدردشة من الجيل التالي. في هذه النماذج ، نظرًا لأن هذه الشركات سيكون لها نماذج أعمال خاصة بها ، فستكون هي نفسها قادرة على تحفيز الحصول على القيمة.

كل من يبني هذه الشبكة يستفيد أيضا. على سبيل المثال ، قم بإنشاء رمز مميز للشبكة التي سيتم توزيعها على المجتمع. سيكون لكل هؤلاء الأشخاص ملكية جماعية لهذه الشبكة اللامركزية لحوسبة البيانات والنماذج ، وسيكونون أيضًا قادرين على التقاط بعض قيمة كل الأنشطة الاقتصادية التي تحدث من خلال هذه الشبكة.

كما يمكنك أن تتخيل ، من المرجح أن يتم فرض رسوم على كل معاملة تمر عبر هذه الشبكة أو كل طريقة دفع تدفع مقابل الحساب أو البيانات أو النماذج ، والتي تدخل في قبو تتحكم فيه الشبكة بالكامل. يمتلك حاملو الرمز المميز الشبكة بشكل مشترك. هذا هو في الأساس نموذج عمل الشبكة نفسها.

الذكاء الاصطناعي لأمن الكود

ربما سمع العديد من المستمعين عن المساعد ، وهي أداة تستخدم لإنشاء الكود. ** يمكنك محاولة استخدام أدوات التوليد المشترك هذه لكتابة عقود الصلابة أو كود التشفير. ما أريد التأكيد عليه هو أن القيام بذلك أمر خطير للغاية في الواقع. لأنه في كثير من الأحيان ، عند محاولة التشغيل ، تقوم هذه الأنظمة في الواقع بإنشاء تعليمات برمجية تعمل ولكنها ليست آمنة. **

في الواقع ، لقد كتبنا مؤخرًا ورقة بحثية حول هذه المشكلة ، والتي تنص على أنه إذا حاولت الحصول على مساعد طيار لكتابة وظيفة تشفير بسيطة ، فإنها توفر وظيفة التشفير الصحيحة. لكنه يستخدم وضع تشغيل غير صحيح ، لذلك ينتهي بك الأمر إلى وضع تشفير غير آمن.

قد تسأل لماذا يحدث هذا؟ أحد الأسباب هو أن هذه النماذج يتم تدريبها بشكل أساسي من التعليمات البرمجية الموجودة ، ويتم تدريبها في مستودع جيثب. العديد من مستودعات github معرضة بالفعل لهجمات مختلفة. لذلك ، فإن الرموز التي تعلمتها هذه النماذج تعمل ولكنها ليست آمنة. إنها مثل القمامة ذات النوعية الرديئة التي تنتج القمامة. لذلك آمل أن يتوخى الناس الحذر عند إنشاء الكود باستخدام هذه النماذج التوليدية ، والتحقق مرة أخرى من أن الكود يقوم بالفعل بما يفترض أن يفعله ، ويفعله بأمان.

** يمكنك استخدام نموذج الذكاء الاصطناعي ، جنبًا إلى جنب مع الأدوات الأخرى لإنشاء التعليمات البرمجية ، للتأكد من أن العملية برمتها خالية من الأخطاء. ** على سبيل المثال ، تتمثل إحدى الأفكار في استخدام نموذج llm لإنشاء مواصفات لنظام تحقق رسمي واطلب من llm إنشاء مواصفات لأداة تحقق رسمية. بعد ذلك ، اطلب من نفس مثيل llm إنشاء برنامج يتوافق مع المواصفات ، ثم استخدم أداة تحقق رسمية لمعرفة ما إذا كان البرنامج يتوافق بالفعل مع المواصفات. إذا كانت هناك ثغرة أمنية ، فستكتشفها الأداة. يمكن إرجاع هذه الأخطاء إلى llm كتغذية مرتدة ، ومن ثم ، من الناحية المثالية ، يمكن لـ llm تعديل عملها ثم إنتاج نسخة صحيحة أخرى من الكود.

في النهاية ، إذا قمت بالتكرار ، فسينتهي بك الأمر بقطعة من التعليمات البرمجية التي ، بشكل مثالي ، تلبي هذه القيمة المرجعة تمامًا ، وتتحقق رسميًا من أنها تلبي أيضًا هذه القيمة المرجعة. وبما أن البشر يستطيعون قراءة backtrace ، يمكنك الذهاب من خلال backtrace وترى أن هذا هو البرنامج الذي أردت كتابته. في الواقع ، هناك بالفعل العديد من الأشخاص الذين يحاولون تقييم قدرة LLM في العثور على أخطاء البرامج ، مثل عقود Unity الذكية و C و C plus.

** إذن ، هل وصلنا إلى نقطة يقل فيها احتمال احتواء الشفرة التي تم إنشاؤها بواسطة LLM على أخطاء من الشفرة التي أنشأها الإنسان؟ ** على سبيل المثال ، عندما نتحدث عن القيادة الذاتية ، ما الذي يهمنا ، هل هي أقل عرضة للاصطدام من السائق البشري؟ أعتقد أن هذا الاتجاه سيصبح أقوى وأكثر اندماجًا في سلاسل الأدوات الحالية.

يمكنك دمجها في سلسلة أدوات تحقق رسمية ، ويمكنك دمجها في أدوات أخرى ، مثل الأدوات المذكورة أعلاه التي تتحقق من مشكلات إدارة الذاكرة. يمكنك أيضًا دمجه في سلسلة أدوات الاختبار واختبار التكامل الخاصة بوحدتك بحيث لا يعمل llm في فراغ. يحصل على تعليقات في الوقت الفعلي من أدوات أخرى تربطه بالحقيقة على أرض الواقع.

** أعتقد أنه من خلال الجمع بين نماذج التعلم الآلي الضخمة المدربة على جميع البيانات في العالم ، جنبًا إلى جنب مع هذه الأدوات الأخرى ، قد يكون من الممكن جعل البرامج الحسابية أفضل من المبرمجين البشريين. حتى لو استمروا في ارتكاب الأخطاء ، فقد يكونوا مجرد بشر خارقين. ستكون هذه لحظة كبيرة في هندسة البرمجيات. **

الذكاء الاصطناعي والرسم البياني الاجتماعي

الاحتمال الآخر هو أننا قد نكون قادرين على بناء شبكات اجتماعية لامركزية تتصرف في الواقع إلى حد كبير مثل Weibo ، ولكن حيث يكون الرسم البياني الاجتماعي في الواقع متصلًا بالكامل. يكاد يكون مثل منتج عام يمكن لأي شخص البناء عليه. كمستخدم ، أنت تتحكم في هويتك على الرسم البياني الاجتماعي. أنت تتحكم في بياناتك ومن تتابع ومن يمكنه متابعتك. بالإضافة إلى ذلك ، هناك مجموعة كاملة من الشركات التي تبني بوابات في الرسم البياني الاجتماعي توفر للمستخدمين تجارب مثل Twitter أو instagram أو tick tock أو أي شيء آخر يرغبون في بنائه.

لكن كل ذلك مبني على نفس الرسم البياني الاجتماعي ، ولا أحد يمتلكه ، ولا تتحكم فيه أي شركة تكنولوجية بمليارات الدولارات في الوسط بالكامل.

** إنه عالم مثير لأنه يعني أنه يمكن أن يكون أكثر حيوية ، ويمكن أن يحتوي على نظام بيئي للأشخاص الذين يبنون معًا. ** يتمتع كل مستخدم بمزيد من التحكم فيما يشاهده ويفعله على المنصة.

** ولكن في نفس الوقت يحتاج المستخدم أيضًا إلى تصفية الإشارة من الضوضاء. ** على سبيل المثال ، يجب تطوير خوارزمية توصية معقولة لتصفية كل المحتوى وإظهار مصادر الأخبار التي تريد مشاهدتها حقًا. سيؤدي هذا إلى فتح الباب أمام السوق بأكمله ، وهو ساحة لعب للاعبين الذين يقدمون الخدمات. يمكنك استخدام الخوارزميات واستخدام الخوارزميات القائمة على الذكاء الاصطناعي لتنظيم المحتوى من أجلك. كمستخدم ، يمكنك أن تقرر ما إذا كنت تريد استخدام خوارزمية معينة ، ربما تلك التي أنشأتها Twitter ، أو أي شيء آخر. ولكن مرة أخرى ، تحتاج أيضًا إلى أدوات مثل “التعلم الآلي” لمساعدتك على غربلة الضوضاء ، لمساعدتك على تحليل كل هراء في عالم حيث تخلق النماذج التوليدية كل الهراء في العالم.

ما أهمية الدليل البشري؟

السؤال وثيق الصلة بالموضوع هو كيف تثبت أنك بالفعل إنسان في عالم مليء بالمحتوى المزيف بشكل مصطنع؟

القياسات الحيوية هي أحد الاتجاهات الممكنة ، أحد المشاريع يسمى World Coin (العملة العالمية) ، والذي يستخدم مسح الشبكية كمعلومات بيومترية للتحقق من أنك شخص حقيقي ، للتأكد من أنك بالفعل شخص حي ، وليس مجرد عين. صورة. يحتوي هذا النظام على أجهزة آمنة يصعب التلاعب بها ، لذا فإن الدليل الذي يظهر على الطرف الآخر ، إثبات عدم المعرفة الذي يخفي القياسات الحيوية الفعلية ، يصعب جدًا تزويره بهذه الطريقة.

على الإنترنت ، لا أحد يعرف أنك إنسان آلي. لذلك أعتقد أن هذا هو المكان الذي يصبح فيه مشروع إثبات الإنسانية مهمًا حقًا ، لأن معرفة ما إذا كنت تتفاعل مع روبوت أو إنسان سيكون أمرًا مهمًا حقًا. إذا لم يكن لديك دليل بشري ، فلا يمكنك معرفة ما إذا كان العنوان يخص شخصًا واحدًا ، أو لمجموعة من الأشخاص ، أو ما إذا كان 10000 عنوان يخص شخصًا واحدًا ، أو إذا كانوا يتظاهرون فقط بأنهم 10000 أناس مختلفون.

** هذا أمر بالغ الأهمية في الحوكمة. إذا تمكن كل مشارك في نظام الحوكمة من إثبات أنه بشر بالفعل ، ويمكنهم إثبات أنهم بشر بطريقة فريدة ، لأن لديهم مجموعة واحدة فقط من مقل العيون ، فإن نظام الحكم سيكون أكثر عدلاً ، ولن يكون كذلك ثم البلوتوقراطية (بناءً على تفضيل أكبر مبلغ مقفل في عقد ذكي معين). **

الذكاء الاصطناعي والفن

تعني نماذج الذكاء الاصطناعي أننا سنعيش في عالم من الوفرة الإعلامية اللانهائية ، عالم تزداد فيه أهمية المجتمعات المحيطة بأي وسيط معين أو السرديات المحيطة بوسيلة معينة.

على سبيل المثال ، تقوم Sound.xyz ببناء منصة دفق موسيقى لامركزية تسمح للفنانين والموسيقيين بتحميل الموسيقى ثم التواصل مباشرة مع مجتمعنا عن طريق بيع NFT لهم. على سبيل المثال ، يمكنك التعليق على مقطع صوتي على موقع sound dot xyz على الويب حتى يتمكن الأشخاص الآخرون الذين يقومون بتشغيل الأغنية من رؤية التعليق أيضًا. هذا مشابه لميزة Sound Cloud السابقة. إن شراء NFT يدعم أيضًا الفنانين ، ويساعدهم على تحقيق التنمية المستدامة وإنشاء المزيد من الأعمال الموسيقية. ** لكن جمال هذا كله هو أنه يمنح الفنانين بالفعل منصة للتفاعل مع المجتمع حقًا. الفنانون هم فنانون الجميع. **

بسبب ما تفعله العملة المشفرة هنا ، يمكنك إنشاء مجتمع حول مقطوعة موسيقية لن تكون موجودة إذا تم إنشاء قطعة موسيقية للتو بواسطة نموذج التعلم الآلي بدون أي عنصر بشري.

سيتم إنشاء الكثير من الموسيقى التي سنتعرض لها بواسطة الذكاء الاصطناعي بالكامل ، وستكون أدوات بناء المجتمع ورواية القصص حول الفن والموسيقى وأنواع الوسائط الأخرى حقًا مهم ، حيث نجمع بين ما نهتم به حقًا ونريد حقًا الاستثمار فيه ، وتتميز الوسائط التي تستغرق وقتًا للمشاركة عن الوسائط الأخرى بشكل عام.

** قد يكون هناك بعض التآزر بين الاثنين ، مثل الكثير من الموسيقى التي سيتم تحسينها أو إنشاؤها بواسطة الذكاء الاصطناعي. ولكن إذا كان هناك أيضًا عنصر بشري متضمن ، على سبيل المثال ، يستخدم منشئ المحتوى أداة الذكاء الاصطناعي لإنشاء مقطوعة موسيقية جديدة ، فلديهم توقيع صوتي خاص بهم ، ولهم صفحة فنان خاصة بهم ، ولهم مجتمعهم الخاص ، ولهم أتباعهم. . **

الآن ، هناك تآزر بين العالمين ، ولديك أفضل موسيقى لأن الذكاء الاصطناعي يمنحك قوى خارقة. ولكن في نفس الوقت ، لديك أيضًا قصص وعناصر بشرية يتم تنسيقها وتمكينها من خلال تقنية التشفير التي تتيح لك جمع كل هؤلاء الأشخاص معًا في نظام أساسي واحد.

** إنه بالتأكيد عالم جديد تمامًا عندما يتعلق الأمر بإنشاء المحتوى. إذن كيف نفرق بين الفن الذي يولده الإنسان والفن الناتج عن الآلة والذي يحتاج إلى دعم؟ **

هذا في الواقع يفتح الباب أمام الفن الجماعي ، الفن الذي يظهر من خلال العملية الإبداعية لمجتمع بأكمله بدلاً من فنان واحد. هناك بالفعل مشاريع تقوم بذلك حيث يؤثر المجتمع على السلسلة من خلال بعض إجراءات التصويت ، مما يؤدي إلى إنشاء عمل فني بناءً على إشارات من نماذج التعلم الآلي. ** ربما لا تولد قطعة فنية واحدة ، بل عشرة آلاف قطعة. ثم تستخدم نموذجًا آخر للتعلم الآلي ، تم تدريبه أيضًا على التعليقات الواردة من المجتمع ، لاختيار الأفضل من بين هؤلاء 10000. **