加密货币和人工智能（AI）领域一直在平行发展，每个领域都在推动技术和创新的边界。随着我们在这两个领域取得进展，越来越明显的是它们的未来密不可分。在这篇文章中，我们将探讨加密货币和人工智能交汇处的四个重要交叉点。

“显卡版Airbnb”模式

人工智能和机器学习（ML）工作负载的兴起，对高性能显卡（如Nvidia A100）产生了巨大需求。作为回应，出现了一个新市场，类似于“显卡版Airbnb”。这使个人和组织能够出租他们未使用的GPU资源，以满足人工智能研究人员和开发者的需求。

这是市场历史上真正独特的时刻。在ChatGPT发布之前，GPU供应已经短缺。自那时以来，需求可能增长了至少10倍，甚至可能增长了100倍。此外，我们知道模型的质量随着训练规模对数级增长；这意味着对GPU计算的需求呈指数增长，而模型质量的提升只是线性的。尽管总供应远远超过需求，但很少有时刻，一个商品的需求如此之大，超过可用供应；即使地球上的每个GPU都可以用于人工智能推理和训练，也不会有短缺，而是会出现过剩！

然而，在探索“显卡版Airbnb”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，一些GPU可能无法处理某些人工智能任务。为了使这个模式成功，需要找到一种将合适的GPU资源与适当的人工智能工作负载匹配的方式。随着市场的发展，我们应该预计会看到更多为不同人工智能任务进行专门化和优化的显卡。

调整训练过程以适应更高的延迟：目前，大多数基础模型是在通过极低延迟连接连接的GPU集群上训练的。在分散的环境中，延迟增加了数个数量级，因为GPU很可能分布在多个位置，并通过公共互联网连接。为了克服这个挑战，有机会开发新的训练过程，假设存在较高的延迟连接。通过重新思考我们训练人工智能模型的方式，我们可以更好地利用分散的大型GPU集群。

验证问题：无法确定不受信任的计算机是否执行了特定的代码。因此，很难相信不受信任的计算机的输出结果。然而，可以通过声誉系统结合加密经济抵押以及在某些情况下使用新类型的模型来减轻这个问题。

在这个领域，有很多团队正在从事培训和推理的工作。Multicoin Capital投资了Render Network，该网络最初专注于3D渲染，并已经扩展其GPU网络以支持人工智能推理。

除了Render Network，还有一些其他公司在这个领域工作，包括Akash、BitTensor、Gensyn、Prodia、Together等仍处于隐秘状态的公司。

基于人类反馈的令牌激励强化学习（RLHF）

对于基于人类反馈的强化学习（RLHF），令牌激励几乎肯定不适用于所有情况。问题是，我们可以使用什么框架来思考什么情况下令牌激励对于RLHF是合适的，而何时应该使用现金支付（如USDC）。

随着以下情况的出现，令牌激励很可能会改进RLHF：

模型变得更窄、更垂直（而不是一般和水平，如ChatGPT）。如果有人将RLHF作为主要工作，并且因此通过提供RLHF获得大部分收入，他们可能会希望用现金支付房租和购买食物。随着从一般查询转向更特定的领域，模型开发者将需要更高水平的工作者参与，这些工作者更有可能对整个商业机会的长期成功感兴趣。

提供RLHF的人类的收入越高，超出RLHF工作本身。只有当一个人从其他事业中获得足够的收入或储蓄，以证明将时间投资于特定领域的RLHF模型的风险是合理的时，才能接受被锁定/非流动的令牌作为补偿，而不是现金。为了最大化成功的可能性，模型开发者不应该只是向提供特定领域RLHF的工作者提供解锁的令牌。相反，令牌应该在一段时间内解锁，以激励长期决策。

令牌激励RLHF模型可能适用于以下一些行业：

医学：人们应该能够使用轻量级的、首要的诊断以及长期的预防和长寿医学的LLM进行交互。

法律：企业主和个人应该能够使用LLM更有效、更高效地应对各种异质的法律体系的复杂性。

工程和建筑：改进设计工具或模拟模型。

金融和经济学：改进预测模型、风险评估和算法交易系统。

科学研究：优化用于模拟实验、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AI驱动的学习平台做出贡献，以提高教育内容的质量和效果。

环境科学和可持续发展：优化用于预测环境趋势、资源分配和促进可持续实践的AI模型。

在一个垂直领域中，令牌激励RLHF已经在实际应用中：地图。Hivemapper不仅对驾驶员进行奖励，还对地图编辑人员进行奖励，他们投入时间进行编辑和策划地图数据。您可以使用Hivemapper的地图AI培训工具亲自尝试一下。

零知识机器学习（zkML）

区块链无法了解现实世界中发生的事情。然而，对于它们来说，了解链外事件可以让它们根据现实世界的状态自动移动价值，这是非常有益的。

Oracle解决了这个问题的一部分。但是仅仅将IRL数据传递到链上是不够的。在将数据发送到链上之前，需要对其中很多数据进行计算。例如，考虑一个需要在各种资金池之间移动存款以获得更高收益的收益聚合器。为了以一种最小信任的方式进行操作，聚合器需要计算所有可用资金池的当前收益和风险。这很快就会变成一个优化问题，适合使用机器学习。然而，在链上计算机器学习成本太高，因此这就是zkML的机会。

像Modulus Labs这样的团队正在这个领域进行建设。我们预计会有更多的团队使用通用的零知识虚拟机（如Risc Zero和Lurk）在这个领域进行建设。

深度造假时代的真实性

在深度伪造技术不断变得更加复杂的同时，保持数字媒体的真实性和信任至关重要。其中一个解决方案涉及利用公钥密码学，让创作者通过使用他们的公钥对内容进行签名来将其声誉与内容的真实性挂钩。

仅仅拥有公钥是无法解决真实性问题的。需要有一个公共记录，将公钥映射到现实世界的身份，以便进行验证和建立信任。通过将公钥与经过验证的身份相关联，可以创建一个反馈和惩罚系统，如果有人被发现滥用他们的密钥，例如签署一个深度伪造的图像或视频。

为了使这个系统有效，将公钥签名与现实世界身份验证的整合将至关重要。区块链技术，作为许多加密货币系统的基础，可以在创建一个去中心化和防篡改的身份注册表时发挥重要作用。这个注册表将公钥映射到现实世界的身份，从而更容易建立信任并追究不良行为的责任。

至少会有两种配置方式：嵌入式硬件和用户控制的软件。

嵌入式硬件：我们预计智能手机和其他设备将很快整合本地硬件签名功能，用于图像、视频和其他媒体。

Solana Labs最近推出了Saga手机，它由Solana移动堆栈（SMS）提供支持。在未来几个月内，我们预计SMS将进行更新，以便使用SMS种子库SDK对每张照片进行签名，以证明该照片不是由人工智能生成的。

用户控制的软件：人们将使用诸如Photoshop、Octane和图像生成器（如Stable Diffusion）的设计工具来生成艺术作品。我们预计这些软件提供商将整合公钥密码学机制，使创作者能够在展示真实性的同时，也承认在制作过程中使用的工具。

总结

加密货币和人工智能技术的融合为我们解决紧迫的挑战和开发创新解决方案提供了丰富的机会。通过探索这些领域的交叉点，我们可以找到优化AI训练资源分配的新方法，利用令牌激励进行面向特定领域的基于人类反馈的强化学习，并在面对深度伪造时保持数字媒体的真实性。

“显卡版Airbnb”模式提供了将高性能GPU的访问权分散和民主化的潜力，使更多的人和组织能够为人工智能研究和开发做出贡献。通过将公钥密码学与现实世界身份验证和区块链技术整合，我们可以创建一个强大的系统，应对深度伪造带来的挑战，并在数字媒体中保持信任。

随着我们继续发掘加密货币和人工智能之间的协同作用，我们无疑会发现更多的机会推动创新，创造价值，并解决当今社会面临的一些最紧迫的问题。拥抱这两个领域之间的交叉点将帮助我们推动技术的边界，塑造一个更加连接、高效和真实的未来。