多維度解析DePIN如何助力人工智能？

2023-06-17 00:06:39

原文作者：Filecoin 洞察特約撰稿人、 Portal Ventures 投資合夥人 Catrina

原文來源： Filecoin Network

過去，初創企業憑借其速度、靈活度和創業文化，擺脫組織慣性桎梏，長期引領着技術創新。 然而，這一切被人工智能時代改寫。 迄今為止，突破性 AI 產品的締造者都是諸如 Microsoft 的 OpenAI、Nvidia、Google 甚至 Meta 這樣的傳統科技巨頭。

發生了什么？ 為什么這一次巨頭贏過了初創？初創企業可以寫出優秀代碼，但與科技巨頭相比，它們面臨多種阻礙：

計算成本居高不下
AI 發展存在反向凸角：由於缺少必要的方針，圍繞 AI 社會影響的擔憂和不確定性阻礙了創新
AI 黑盒問題
大型科技公司建立的“數據護城河”形成進入壁壘

那么，為什么需要區塊鏈技術出場？它與人工智能的交集在哪？雖然不能一次性解決所有問題，但Web3中的 分布式物理基礎設施網絡（DePIN） 為解決上述問題創造了條件。下文將闡述 DePIN 背後的技術如何助力人工智能，主要從四個維度：

降低基礎設施成本
驗證創作者和人格
填補 AI 民主和透明度
設置數據貢獻獎勵機制

下文中：

“web3” 指下一代互聯網，區塊鏈技術與其他現有技術是其有機組成。
“區塊鏈” 指去中心化和分布式账本技術。
“加密” 指利用代幣機制進行激勵和去中心化的做法。

一、降低基礎設施成本（計算和存儲）

每一波技術創新的引子都是某種昂貴的東西變得廉價到可以浪費。

—— 社會的技術債務和軟件的古騰堡時刻，來自 SK Ventures

基礎設施的可負擔性有多重要 （人工智能的基礎設施指計算、傳輸和存儲數據的硬件成本）， Carlota Perez 的技術革命理論有指明，該理論提出技術突破包含兩個階段：

來源：Carlota Perez 的技術革命理論

安裝階段 以大量風險投資、 基礎設施建設 和 “推動式”市場推廣（GTM）策略 為特徵，因為客戶不了解新技術的價值主張。
部署階段以基礎設施供應的大量增加 為特徵，降低拉新門檻，並採用 “拉動式” 市場推廣（GTM）策略， 表明產品市場匹配度高，客戶期待更多尚未成型的產品。

既然 ChatGPT 等嘗試已證明市場契合度和客戶需求，人們可能覺得 AI 已經進入部署階段。 然而，AI 還缺少重要一環：過剩的基礎設施供價格敏感的初創企業進行搭建和嘗試。

問題

當前物理基礎設施領域主要由垂直一體化寡頭壟斷，包括 AWS、GCP、Azure、Nvidia、Cloudflare、Akamai 等，行業利潤率高，據估計 AWS 在商品化計算硬件上的毛利率為 61% 。所以 AI 領域、尤其是 LLM 領域的新進入者要面對及其高昂的計算成本。

ChatGPT 一次訓練的成本估計在 4 百萬美元，硬件推理運營成本約 70 萬美元/天。
Bloom 第二版可能需要花費 1000 萬美元進行訓練和重新訓練。
如果 ChatGPT 進入 Google 搜索，谷歌營收將減少 360 億美元， 巨額利潤將從軟件平臺（Google）向硬件提供商（Nvidia）轉移。

來源：層層分析— LLM 搜索架構與成本

解決方案

DePIN 網絡如 Filecoin（起源於 2014 年的 DePIN 先驅，專注集合互聯網級硬件，服務於分布式數據存儲）、 Bacalhau 、 Gensyn.ai 、 Render Network 、ExaBits（用於匹配 CPU/GPU 供需的協調層）可以通過以下三個方面節約 75% 至 90% +的基礎設施成本：

1. 推動供應曲线，激發市場競爭

DePIN 為硬件供應商成為服務提供商提供了平等機會。它創建了一個人人可以作為“礦工”加入，用 CPU/GPU 或存儲能力可換取經濟報酬的市場，從而給現有提供商帶來競爭。

雖然像 AWS 這樣的公司無疑在用戶界面、運營和垂直整合方面享有 17 年的先發優勢，但是 DePIN 吸引了無法接受中心化供應商客定價的新戶群。 就像 Ebay 不直接與 Bloomingdale 競爭，而是 提供更經濟的替代品 來滿足類似需求，分布式存儲網絡並不取代中心化供應商，而是旨在服務於價格敏感的用戶群體。

2.通過加密經濟設計促進市場經濟平衡

DePIN 創建的補貼機制能 引導硬件供應者參與網絡 ，從而降低最終用戶的成本。究其原理，我們可以看看 AWS 和 Filecoin 在Web2和Web3中存儲提供者的成本和收入。

客戶獲得降價： DePIN 網絡營造了競爭性市場，引入 Bertrand 式競爭，從而降低客戶支付費用。相比之下，AWS EC 2 需要約 55% 的利潤率和 31% 的總體利潤率來維持運營。DePIN 網絡提供的 Token 激勵/區塊獎勵 也是 新的收入來源 。在 Filecoin 的背景下，存儲提供者托管越多真實數據越能獲得區塊獎勵（代幣）。 因此，存儲提供者有動力吸引更多客戶達成交易增加收入。 幾個新興計算 DePIN 網絡的代幣結構仍未公开，但很可能遵循類似模式。類似網絡包括：

Bacalhau：將計算引入數據存儲位置的協調層，避免移動大量數據。
exaBITS：服務於 AI 和計算密集型應用程序的分布式計算網絡。
Gensyn.ai：深度學習模型計算協議。

3. 降低間接成本： Bacalhau、exaBITS 等 DePIN 網絡以及 IPFS/內容尋址存儲的優勢包括：

釋放潛在數據的可用性： 由於傳輸大型數據集的帶寬成本高，目前大量數據未被开發，比如體育場館產生的大量事件數據。DePIN 項目可以現場處理數據並僅傳輸有意義的輸出，發掘潛在數據的可用性。
降低運營成本： 通過本地獲取數據來降低數據輸入、傳輸和導入/導出成本。
最小化敏感數據共享中的人工作業： 如果醫院 A 和 B 需要將各自患者的敏感數據進行組合分析，它們可以使用 Bacalhau 協調 GPU 算力，直接在本地處理敏感數據，而不必通過繁瑣的行政流程與對方進行個人身份信息（PII）交換。
無需重計算基礎數據集： IPFS/內容尋址存儲自帶去重、溯源和驗證數據的能力。有關 IPFS 的功能和性價比可參考這篇文章。

AI 生成摘要： AI 需要 DePIN 提供的經濟實惠的基礎設施，目前基礎設施市場由垂直一體化的寡頭壟斷。像 Filecoin、Bacalhau、Render Network、ExaBits 這樣的 DePIN 網絡使成為硬件供應商的機會民主化，引入競爭，通過加密經濟設計維護市場經濟平衡，讓成本降低 75% -90% 以上，並降低了間接成本。

二、驗證創作者和人格

問題

一份近期調研顯示， 50% 的 AI 學者認為 AI 給人類帶來毀滅性傷害的可能性超過 10% 。

人們需要警醒，A.I.已經引發社會混亂，而且仍缺乏監管或技術規範，這種情況被稱為“反向凸角”。

比如，在這段 Twitter 視頻中，播客主持人 Joe Rogan 與保守評論員 Ben Shapiro 在就電影《料理鼠王》進行着辯論，然而這段視頻是 AI 生成的。

來源：Bloomberg

值得注意的是，A.I.的社會影響力遠不止虛假博客、對話和圖像帶來的問題：

2024 年美國大選期間，AI 生成的 deepfake 競選內容首次達到了以假亂真的效果。
參議員 Elizabeth Warren 的一段視頻經過編輯，讓她“說”出了"共和黨人不應該被允許投票"這樣的話（已闢謠）。
語音合成的拜登的聲音批評跨性別女性。
一群藝術家對 Midjourney 和 Stability AI 提起了集體訴訟，指控其未經授權使用藝術家的作品來訓練 AI，侵犯版權並威脅藝術家生計。
AI 生成的由 The Weeknd 和 Drake 合唱的歌曲“Heart on My Sleeve”在流媒體平臺上走紅，但隨後被下架。當新技術在沒有規範的情況下進入主流，就會造成諸多問題， 版權侵犯就屬於“反向凸角”問題。

那么我們能否在Web3中加入 AI 的相關規範？

解決方案

利用加密鏈上來源證明進行人格證明和創作者證明

讓區塊鏈技術真正發揮作用——作為一個包含不可篡改鏈上歷史記錄的分布式账本，數字內容的真實性可以通過內容加密證明得到驗證。

數字籤名作為創作者證明和人格證明

要識別 deepfake，可用原始內容創作者獨有的數字籤名生成加密證明，籤名可以使用只有創作者知曉的私鑰創建，並可由對所有人公开的公鑰進行驗證。有了籤名就可以證明內容是由原始創作者創建，不論創建者是人類還是 AI，還可以驗證授權或未授權的對內容的更改。

利用 IPFS 和默克爾樹進行真實性證明

IPFS 是使用內容尋址和默克爾樹引用大型數據集的分布式協議。為了證明文件內容收到、更改，會生成一個默克爾證明，即一串哈希，顯示特定的數據塊在默克爾樹中的位置。每次更改，都會在默克爾樹中增加一個哈希，提供了文件修改的證明。

加密方案的痛點是激勵機制， 畢竟，識別出 deepfake 制造者雖然 能減少負面社會影響， 但不會帶來同等的經濟利益。這份責任很可能落在 Twitter、Meta、Google 等主流媒體分發平臺上，事實也的確如此。 那么我們為什么需要區塊鏈？

答案是區塊鏈的加密籤名和真實性證明 更加有效、可驗證和確定。 目前，檢測 deepfake 的過程主要通過機器學習算法（如 Meta 的“Deepfake Detection Challenge”、Google 的“Asymmetric Numeral Systems” (ANS)和 c 2 pa：https://c 2 pa.org/）來識別視覺內容中的規律和異常， 但時常不夠准確，落後於 deepfake 發展速度。 一般需要人工審核來確定真實性，低效且昂貴。

如果有一天每條內容都有加密籤名， 每個人都能可驗證地證明創作來源， 標記篡改或僞造行為，那我們將迎來美麗的世界。

AI 生成摘要： AI 可能對社會構成重大威脅，尤其是 deepfake 和未授權使用內容，而Web3技術，如使用數字籤名的創作者證明和使用 IPFS 和默克爾樹的真實性證明，可以驗證數字內容的真實性，防止未經授權的更改，為 AI 提供規範。

三、AI 民主化

問題

今天的 AI 是由專有數據和專有算法構成的黑盒。大型科技公司 LLM 的封閉性扼殺了我眼中的 “AI 民主” ，即每個开發者甚至用戶都能為 LLM 模型貢獻 算法和數據 ，並在模型盈利時獲得部分利潤（相關文章）。

AI 民主=可視性 （能看到輸入模型的數據和算法） +貢獻 （能向模型貢獻數據或算法）。

解決方案

AI 民主的目的是讓生成式 AI 模型對公衆开放、與公衆相關、為公衆所有。下表對比了 AI 現狀與通過Web3區塊鏈技術能實現的未來。

目前——

對於 客戶：

單向接收 LLM 輸出
無法控制個人數據如何被使用

對於 开發者：

可組合性低
ETL 數據處理不可追溯，難復現
數據貢獻來源僅限於數據所有機構
閉源模型只能通過 API 付費訪問
分享數據輸出缺乏可驗證性，數據科學家 80% 的時間用於低端數據清洗

結合區塊鏈後——

對於 客戶：

用戶可提供反饋（比如偏見、內容審核、針對輸出的顆粒度反饋）作為微調依據

用戶可選擇貢獻數據換取模型盈利後的利潤

對於 开發者：

分布式數據管理層： 衆包重復耗時的數據標記等數據准備工作
可視性 &組合&微調算法的能力，借助可驗證源（可以看到所有改動的防篡改歷史記錄）
數據主權 （通過內容尋址/IPFS 實現）和算法主權（例如 Urbit 實現了數據和算法的點對點組合和可移植性）
加速 LLM 創新， 從基礎开源模型的各種變體中加速 LLM 創新。
可復現訓練數據輸出， 通過區塊鏈對過去 ETL 操作和查詢的不可變記錄（如 Kamu）實現。

有人說Web2的开源平臺也提供了一種折中方案，但其效果並不理想，相關討論可見 exaBITS 的博文。

AI 生成摘要：大型科技公司封閉的 LLM 扼殺了“AI 民主”，即每個开發者或用戶都能夠為一個 LLM 模型貢獻算法和數據，並在模型盈利時獲得部分利潤。AI 應該對公衆开放，與公衆相關，為公衆所有。借助區塊鏈網絡，用戶能夠提供反饋，為模型貢獻數據換取變現後的利潤，开發者也能獲得可視性和可驗證源，從而組合和微調算法。內容尋址/IPFS 和 Urbit 等Web3創新將實現數據和算法主權。通過區塊鏈對過去 ETL 操作和查詢的不可變記錄，訓練數據輸出的可復現性也將成為可能。

四、設置數據貢獻獎勵機制

問題

今天，最有價值的消費者數據為大型科技公司的專有資產，構成其核心商業壁壘。科技巨頭沒有動力將這些數據與外部方共享。

那么，為什么我們不能直接從數據創造者或用戶那裏獲取數據呢？為什么我們不能把數據變成公共資源，貢獻數據將數據开源化供數據科學家使用？

簡單來說是因為 缺乏激勵機制和協調機制 。維護數據和執行 ETL（提取、轉換和加載）是一大筆間接成本。事實上，僅數據存儲就將在 2030 年成為價值 7770 億美元的行業，這還不包括計算成本。沒有人會無償承擔數據處理的工作和成本。

不妨看看 OpenAI，最初設定是开源非盈利，但變現困難無法覆蓋成本。2019 年，OpenAI 不得不接受微軟注資，算法不再對公衆的开放。預計到 2024 年， OpenAI 盈利將達 10 億美元。

解決方案

Web3引入了 名為“dataDAO”的新機制， 促進了 AI 模型所有者和數據貢獻者之間的收入再分配，為衆包數據貢獻創建了激勵層。由於篇幅限制，此處不會展开，想要了解可閱讀下方兩篇文章：

How DataDAO works/DataDAO 原理，作者是 Protocol Labs 的 HQ Han
How data contribution and monetization works in web3/web3數據貢獻和變現如何運作，我在這篇深入討論了 dataDAO 的機制、欠缺和機遇

總的來說，DePIN 另闢蹊徑，為推動Web3和 AI 創新提供了新的硬件能源。盡管科技巨頭主導了 AI 行業，但新興參與者可以利用區塊鏈技術加入競爭：DePIN 網絡降低准入門檻的方式包括降低計算成本；區塊鏈的可驗證和分布式特性使真正的开放式 AI 成為可能；dataDAO 等創新機制激勵數據貢獻；區塊鏈的不可變性和防篡改特性提供了創造者身份證明，打消人們對 AI 負面社會影響的擔憂。