Giá Numeraire

Tập trung AI so với Phi tập trung: Điều gì đáng để chơi? Hãy tưởng tượng hai đấu trường: một đấu trường bị chi phối bởi các gã khổng lồ công nghệ điều hành các trung tâm dữ liệu khổng lồ, đào tạo các mô hình tiên tiến và đặt ra các quy tắc. Đấu trường còn lại phân phối tính toán, dữ liệu và quyết định qua hàng triệu thợ mỏ, thiết bị biên và cộng đồng mở. Nơi bạn chọn để xây dựng hoặc đầu tư phụ thuộc vào đấu trường nào bạn tin rằng sẽ nắm bắt làn sóng giá trị tiếp theo, hoặc liệu cơ hội thực sự nằm ở việc kết nối cả hai. --- Ý nghĩa của Tập trung và Phi tập trung trong AI AI tập trung chủ yếu được tìm thấy trong các nền tảng đám mây quy mô lớn như AWS, Azure và Google Cloud, những nơi kiểm soát phần lớn các cụm GPU và nắm giữ 68% thị phần toàn cầu trong thị trường đám mây. Những nhà cung cấp này đào tạo các mô hình lớn, giữ trọng số kín hoặc dưới các giấy phép hạn chế (như đã thấy với OpenAI và Anthropic), và sử dụng các tập dữ liệu độc quyền và các quan hệ đối tác dữ liệu độc quyền. Quản trị thường là doanh nghiệp, được điều khiển bởi các hội đồng, cổ đông và các cơ quan quản lý quốc gia. Mặt khác, AI phi tập trung phân phối tính toán thông qua các thị trường GPU ngang hàng, chẳng hạn như @akashnet_ và @rendernetwork, cũng như các mạng suy diễn trên chuỗi như @bittensor_. Những mạng này nhằm mục đích phi tập trung cả đào tạo và suy diễn. --- Tại sao Tập trung vẫn Chiếm ưu thế Có những lý do cấu trúc khiến AI tập trung tiếp tục dẫn đầu. Đào tạo một mô hình tiên tiến, chẳng hạn như một mô hình đa ngôn ngữ 2 nghìn tỷ tham số, yêu cầu hơn 500 triệu đô la cho phần cứng, điện năng và vốn con người. Rất ít thực thể có thể tài trợ và thực hiện những công việc như vậy. Thêm vào đó, các nghĩa vụ quy định như Lệnh Hành pháp của Mỹ về AI và Đạo luật AI của EU đặt ra các yêu cầu nghiêm ngặt về việc kiểm tra, báo cáo an toàn và tính minh bạch. Đáp ứng những yêu cầu này tạo ra một rào cản tuân thủ có lợi cho những người đã có nguồn lực tốt. Tập trung cũng cho phép giám sát an toàn chặt chẽ hơn và quản lý vòng đời trong các giai đoạn đào tạo và triển khai. --- Vết nứt của Mô hình Tập trung Tuy nhiên, sự thống trị này có những điểm yếu. Có sự lo ngại ngày càng tăng về rủi ro tập trung. Ở châu Âu, các giám đốc điều hành từ 44 công ty lớn đã cảnh báo các nhà quản lý rằng Đạo luật AI của EU có thể vô tình củng cố các độc quyền đám mây của Mỹ và hạn chế sự phát triển AI khu vực. Các biện pháp kiểm soát xuất khẩu, đặc biệt là các hạn chế GPU do Mỹ dẫn đầu, giới hạn ai có thể truy cập vào tính toán cao cấp, khuyến khích các quốc gia và nhà phát triển tìm kiếm các giải pháp phi tập trung hoặc mở. Ngoài ra, giá API cho các mô hình độc quyền đã thấy nhiều lần tăng kể từ năm 2024. Những khoản tiền độc quyền này đang thúc đẩy các nhà phát triển xem xét các giải pháp có chi phí thấp hơn, trọng số mở hoặc phi tập trung. --- AI Phi tập trung Chúng ta có các thị trường tính toán trên chuỗi như Akash, Render và @ionet cho phép các chủ sở hữu GPU cho thuê công suất chưa sử dụng cho các khối lượng công việc AI. Những nền tảng này hiện đang mở rộng để hỗ trợ GPU AMD và đang làm việc trên các bằng chứng cấp độ khối lượng công việc để đảm bảo hiệu suất. Bittensor khuyến khích các xác thực viên và người chạy mô hình thông qua token $TAO. Học tập liên kết đang ngày càng được áp dụng, chủ yếu trong lĩnh vực chăm sóc sức khỏe và tài chính, bằng cách cho phép đào tạo hợp tác mà không cần di chuyển dữ liệu thô nhạy cảm. Bằng chứng về suy diễn và học máy không biết cho phép đầu ra mô hình có thể xác minh ngay cả khi chạy trên phần cứng không đáng tin cậy. Đây là những bước cơ bản cho các API AI phi tập trung, không cần tin cậy. --- Cơ hội Kinh tế Nằm ở đâu Trong ngắn hạn (hôm nay đến 18 tháng), trọng tâm là cơ sở hạ tầng lớp ứng dụng. Các công cụ cho phép các doanh nghiệp dễ dàng chuyển đổi giữa OpenAI, Anthropic, Mistral hoặc các mô hình trọng số mở địa phương sẽ có giá trị. Tương tự, các studio tinh chỉnh cung cấp các phiên bản tuân thủ quy định của các mô hình mở dưới các SLA doanh nghiệp đang thu hút sự chú ý. Trong trung hạn (18 tháng đến 5 năm), các mạng GPU phi tập trung sẽ phát triển khi giá token của chúng phản ánh việc sử dụng thực tế. Trong khi đó, các mạng con kiểu Bittensor tập trung vào các nhiệm vụ chuyên biệt, như đánh giá rủi ro hoặc gập protein, sẽ mở rộng hiệu quả thông qua các hiệu ứng mạng. Trong dài hạn (trên 5 năm), AI biên có khả năng chiếm ưu thế. Điện thoại, ô tô và các thiết bị IoT sẽ chạy các LLM địa phương được đào tạo thông qua học tập liên kết, giảm độ trễ và sự phụ thuộc vào đám mây. Các giao thức sở hữu dữ liệu cũng sẽ xuất hiện, cho phép người dùng kiếm tiền bản quyền nhỏ khi thiết bị của họ đóng góp các gradient cho các bản cập nhật mô hình toàn cầu. --- Cách Xác định Người chiến thắng Các dự án có khả năng thành công sẽ có một rào cản kỹ thuật mạnh mẽ, giải quyết các vấn đề xung quanh băng thông, xác minh hoặc quyền riêng tư theo cách mang lại những cải tiến lớn. Các vòng quay kinh tế phải được thiết kế tốt. Việc sử dụng cao hơn nên tài trợ cho cơ sở hạ tầng và các nhà đóng góp tốt hơn, không chỉ trợ cấp cho những người không đóng góp. Quản trị là điều cần thiết. Bỏ phiếu bằng token một mình là yếu ớt, hãy tìm kiếm các hội đồng đa bên, các con đường phi tập trung tiến bộ, hoặc các mô hình token hai lớp. Cuối cùng, sức hút của hệ sinh thái là quan trọng. Các giao thức tích hợp sớm với các chuỗi công cụ phát triển sẽ thúc đẩy việc áp dụng nhanh hơn. --- Các Chiến lược Chiến lược Đối với các nhà đầu tư, có thể khôn ngoan khi phòng ngừa, giữ sự tiếp xúc với cả các API tập trung (để có lợi nhuận ổn định) và các token phi tập trung (để có tiềm năng tăng trưởng không đối xứng). Đối với các nhà xây dựng, các lớp trừu tượng cho phép chuyển đổi thời gian thực giữa các điểm cuối tập trung và phi tập trung, dựa trên độ trễ, chi phí hoặc tuân thủ, là một cơ hội có sức ảnh hưởng cao. Các cơ hội có giá trị nhất có thể không nằm ở các cực mà ở các mô hình kết nối: các giao thức, các lớp điều phối và các bằng chứng mật mã cho phép các khối lượng công việc được định tuyến tự do trong cả hai hệ thống tập trung và phi tập trung. Cảm ơn bạn đã đọc!