Ανοιχτά νευρωνικά δίκτυα: η τομή AI και web3

από τους Rishin Sharma & Jake Brukhman.

Ιδιαίτερες ευχαριστίες σε όλους όσους σχολίασαν αυτό το κομμάτι, συμπεριλαμβανομένων των Nick Yakovenko, David Pakman, Jan Coppens, AC, Evan Feng, Adi Sideman.

Πηγή: Εικόνα που δημιουργήθηκε από AI από τη Lexica.art, μια σταθερή μηχανή αναζήτησης διάχυσης

Η τεχνολογική καινοτομία δεν επαναπαύεται ποτέ, και αυτό ισχύει ιδιαίτερα για την τεχνητή νοημοσύνη. Τα τελευταία χρόνια, είδαμε τη δημοτικότητα των μοντέλων βαθιάς μάθησης να επανεμφανίζονται ως πρόδρομοι στην τεχνητή νοημοσύνη. Αναφέρεται επίσης ως νευρωνικά δίκτυα, αυτά τα μοντέλα αποτελούνται από πυκνά διασυνδεδεμένα στρώματα κόμβων που περνούν πληροφορίες ο ένας μέσα από τον άλλο, μιμούμενοι κατά προσέγγιση την κατασκευή του ανθρώπινου εγκεφάλου. Στις αρχές της δεκαετίας του 2010, τα πιο προηγμένα μοντέλα διέθεταν εκατομμύρια παραμέτρους, μοντέλα με μεγάλη εποπτεία που χρησιμοποιήθηκαν για συγκεκριμένη ανάλυση συναισθημάτων και ταξινόμηση. Τα πιο προηγμένα μοντέλα του σήμερα όπως π.χ στούντιο ονείρων, GPT-3, DALL-E2, να Εικόνα πλησιάζουν το ένα τρισεκατομμύριο παραμέτρους και επιτελούν σύνθετες, ακόμη και δημιουργικές εργασίες που συναγωνίζονται την ανθρώπινη εργασία. Πάρτε, για παράδειγμα, την εικόνα κεφαλίδας ή τη σύνοψη αυτής της ανάρτησης ιστολογίου. Και οι δύο παράγονται από τεχνητή νοημοσύνη. Μόλις αρχίζουμε να βλέπουμε τις κοινωνικές και πολιτιστικές επιπτώσεις αυτών των μοντέλων καθώς διαμορφώνουν τον τρόπο με τον οποίο μαθαίνουμε νέα πράγματα, αλληλεπιδρούμε μεταξύ μας και εκφραζόμαστε δημιουργικά.

Ωστόσο, μεγάλο μέρος της τεχνικής τεχνογνωσίας, των βασικών συνόλων δεδομένων και της υπολογιστικής ικανότητας εκπαίδευσης μεγάλων νευρωνικών δικτύων σήμερα είναι κλειστού κώδικα και καλύπτονται από εταιρείες «Big Tech» όπως η Google και η Meta. Ενώ αντίγραφα μοντέλα ανοιχτού κώδικα όπως π.χ GPT-NeoX, DALLE-μέγα, να BLOOM έχουν την αιχμή του δόρατος από οργανώσεις συμπεριλαμβανομένων StabilityAI, Eleuther AI, να Πρόσωπο αγκαλιάς, το web3 είναι έτοιμο να υπερφορτίσει ακόμη περισσότερο την τεχνητή νοημοσύνη ανοιχτού κώδικα.

«Ένα επίπεδο υποδομής web3 για τεχνητή νοημοσύνη θα μπορούσε να εισαγάγει στοιχεία ανάπτυξης ανοιχτού κώδικα, ιδιοκτησίας και διακυβέρνησης της κοινότητας και καθολικής πρόσβασης που δημιουργούν νέα μοντέλα και αποτελεσματικότητες στην ανάπτυξη αυτών των νέων τεχνολογιών."

Επιπλέον, πολλές κρίσιμες περιπτώσεις χρήσης για το web3 θα βελτιωθούν με την υιοθέτηση τεχνολογιών τεχνητής νοημοσύνης. Από γενετική τέχνη NFT σε μετατροπικά τοπία, η τεχνητή νοημοσύνη θα βρει πολλές περιπτώσεις χρήσης στο web3. Η τεχνητή νοημοσύνη ανοιχτού κώδικα εντάσσεται στο ανοιχτό, αποκεντρωμένο και εκδημοκρατισμένο ήθος του web3 και αντιπροσωπεύει μια εναλλακτική λύση στην τεχνητή νοημοσύνη που παρέχεται από τη Big Tech, η οποία δεν είναι πιθανό να ανοίξει σύντομα.

Μοντέλα θεμελίωσης είναι νευρωνικά δίκτυα εκπαιδευμένα σε εκτεταμένα σύνολα δεδομένων για την εκτέλεση εργασιών που κανονικά θα απαιτούσαν έξυπνη ανθρώπινη συμπεριφορά. Αυτά τα μοντέλα έχουν δημιουργήσει μερικά εντυπωσιακά αποτελέσματα.

Μοντέλα γλώσσας όπως το OpenAI GPT-3, Το LaMDA της Google, να Το Megatron-Turing NLG της Nvidia έχουν την ικανότητα να κατανοούν και να παράγουν φυσική γλώσσα, να συνοψίζουν και να συνθέτουν κείμενο και ακόμη γράψτε τον κωδικό υπολογιστή.

Το DALLE-2 είναι του OpenAI μοντέλο διάχυσης κειμένου σε εικόνα που μπορεί να παράγει μοναδικές εικόνες από γραπτό κείμενο. Το τμήμα τεχνητής νοημοσύνης της Google, DeepMind, έχει δημιουργήσει ανταγωνιστικά μοντέλα, όπως το PaLM, ένα μοντέλο γλώσσας παραμέτρων 540B, και το Imagen, το δικό του μοντέλο δημιουργίας εικόνων που ξεπερνά το DALLE-2 στα σημεία αναφοράς DrawBench και COCO FID. Το Imagen παράγει κυρίως πιο φωτορεαλιστικά αποτελέσματα και έχει την ικανότητα να συλλαβίζει.

Ενισχυτικά μοντέλα μάθησης όπως αυτό της Google AlphaGo έχουν νικήσει το παγκόσμιος πρωταθλητής human Go ενώ ανακαλύπτει νέες στρατηγικές και τεχνικές παιχνιδιού που δεν έχουν εμφανιστεί στην ιστορία των τριών χιλιάδων ετών του παιχνιδιού.

Ο αγώνας για την κατασκευή πολύπλοκων μοντέλων θεμελίων έχει ήδη ξεκινήσει με την Big Tech στην πρώτη γραμμή της καινοτομίας. Όσο συναρπαστική και αν είναι η εξέλιξη του τομέα, υπάρχει ένα βασικό θέμα που προκαλεί ανησυχία.

Την τελευταία δεκαετία, καθώς τα μοντέλα τεχνητής νοημοσύνης έχουν γίνει πιο εξελιγμένα, έχουν γίνει επίσης όλο και πιο κλειστά στο κοινό.

Οι τεχνολογικοί γίγαντες επενδύουν πολλά στην παραγωγή τέτοιων μοντέλων και διατηρώντας δεδομένα και κώδικα ως αποκλειστικές τεχνολογίες, διατηρώντας παράλληλα την ανταγωνιστική τους τάφρο μέσω των πλεονεκτημάτων τους για οικονομίες κλίμακας για εκπαίδευση και υπολογισμό μοντέλων.

Για οποιοδήποτε τρίτο μέρος, η παραγωγή μοντέλων θεμελίωσης είναι μια διαδικασία έντασης πόρων με τρία σημαντικά σημεία συμφόρησης: δεδομένα, υπολογισμός, και νομισματοποίηση.

Εδώ βλέπουμε τα πρώτα βήματα των θεμάτων web3 για την επίλυση ορισμένων από αυτά τα ζητήματα.

Τα επισημασμένα σύνολα δεδομένων είναι κρίσιμα για τη δημιουργία αποτελεσματικών μοντέλων. Τα συστήματα AI μαθαίνουν γενικεύοντας από παραδείγματα μέσα σε σύνολα δεδομένων και βελτιώνονται συνεχώς καθώς εκπαιδεύονται με την πάροδο του χρόνου. Ωστόσο, η ποιοτική συλλογή δεδομένων και η επισήμανση απαιτούν εξειδικευμένες γνώσεις και επεξεργασία εκτός από υπολογιστικούς πόρους. Οι μεγάλες εταιρείες τεχνολογίας θα έχουν συχνά εσωτερικές ομάδες δεδομένων που ειδικεύονται στην εργασία με μεγάλα, ιδιόκτητα σύνολα δεδομένων και συστήματα IP να εκπαιδεύσουν τα μοντέλα τους και να έχουν ελάχιστα κίνητρα να ανοίξουν την πρόσβαση στην παραγωγή ή τη διανομή των δεδομένων τους.

Υπάρχουν ήδη κοινότητες που κάνουν την κατάρτιση μοντέλου ανοιχτή και προσβάσιμη σε μια παγκόσμια κοινότητα ερευνητών. Ορίστε μερικά παραδείγματα:

1. Κοινή ανίχνευση, ένα δημόσιο αποθετήριο δέκα ετών δεδομένων Διαδικτύου, μπορεί να χρησιμοποιηθεί για γενική εκπαίδευση. (Αν και έρευνα δείχνει ότι πιο ακριβή, τα συγκριτικά σύνολα δεδομένων μπορούν να βελτιώσουν τη γενική γνώση μεταξύ τομέων και τις δυνατότητες γενίκευσης κατάντη των μοντέλων.)
2. ΛΑΙΟΝ είναι ένας μη κερδοσκοπικός οργανισμός που στοχεύει να κάνει μεγάλης κλίμακας μοντέλα μηχανικής μάθησης και σύνολα δεδομένων διαθέσιμα στο ευρύ κοινό και να κυκλοφορήσει ΛΑΙΟΝ5Β, ένα σύνολο δεδομένων ζεύγους εικόνας-κειμένου φιλτραρισμένο με CLIP 5.85 δισεκατομμυρίων, το οποίο μετά την κυκλοφορία έγινε το μεγαλύτερο ανοιχτά προσβάσιμο σύνολο δεδομένων εικόνας-κειμένου στον κόσμο.
3. Eleuther AI είναι μια αποκεντρωμένη συλλογικότητα που κυκλοφόρησε ένα από τα μεγαλύτερα σύνολα δεδομένων κειμένου ανοιχτού κώδικα που ονομάζεται Ο σωρός. Το Pile είναι ένα σύνολο δεδομένων αγγλικής γλώσσας 825.18 GiB για μοντελοποίηση γλώσσας που χρησιμοποιεί 22 διαφορετικές πηγές δεδομένων.

Επί του παρόντος, αυτές οι κοινότητες οργανώνονται ανεπίσημα και βασίζονται σε συνεισφορές από μια ευρεία εθελοντική βάση. Για να αυξήσουν τις προσπάθειές τους, οι ανταμοιβές συμβολικών μπορούν να χρησιμοποιηθούν ως μηχανισμός για τη δημιουργία συνόλων δεδομένων ανοιχτού κώδικα. Τα διακριτικά θα μπορούσαν να εκπέμπονται με βάση συνεισφορές, όπως η επισήμανση ενός μεγάλου συνόλου δεδομένων κειμένου-εικόνας, και μια κοινότητα DAO θα μπορούσε να επικυρώσει τέτοιους ισχυρισμούς. Τελικά, τα μεγάλα μοντέλα μπορούν να εκδίδουν μάρκες από μια κοινή ομάδα και τα κατάντη έσοδα από προϊόντα που έχουν κατασκευαστεί πάνω από τα εν λόγω μοντέλα μπορούν να συγκεντρωθούν στην αξία συμβολαίου. Με αυτόν τον τρόπο οι συνεισφέροντες δεδομένων μπορούν να έχουν μερίδιο στα μεγάλα μοντέλα μέσω των διακριτικών τους και οι ερευνητές θα μπορούν να δημιουργούν έσοδα από πόρους κτιρίου ανοιχτά.

Η συλλογή καλά κατασκευασμένων συνόλων δεδομένων ανοιχτού κώδικα είναι κρίσιμη για τη διεύρυνση της προσβασιμότητας της έρευνας για μεγάλα μοντέλα και τη βελτίωση της απόδοσης του μοντέλου. Τα σύνολα δεδομένων κειμένου-εικόνας μπορούν να επεκταθούν αυξάνοντας το μέγεθος και τα φίλτρα για διαφορετικούς τύπους εικόνων για πιο ακριβή αποτελέσματα. Θα χρειαστούν μη αγγλόφωνα σύνολα δεδομένων για την εκπαίδευση μοντέλων φυσικής γλώσσας που μπορούν να χρησιμοποιήσουν οι μη αγγλόφωνοι πληθυσμοί. Με την πάροδο του χρόνου, μπορούμε να επιτύχουμε αυτά τα αποτελέσματα πολύ πιο γρήγορα και πιο ανοιχτά χρησιμοποιώντας μια προσέγγιση web3.

Ο υπολογισμός που απαιτείται για την εκπαίδευση νευρωνικών δικτύων μεγάλης κλίμακας είναι ένα από τα μεγαλύτερα σημεία συμφόρησης στα μοντέλα θεμελίωσης. Την τελευταία δεκαετία, η ζήτηση για υπολογιστές στην εκπαίδευση μοντέλων τεχνητής νοημοσύνης έχει αυξηθεί διπλασιάζεται κάθε 3.4 μήνες. Κατά τη διάρκεια αυτής της περιόδου, τα μοντέλα τεχνητής νοημοσύνης πέρασαν από την αναγνώριση εικόνας στη χρήση αλγορίθμων ενίσχυσης εκμάθησης, στην νίκη των πρωταθλητών σε παιχνίδια στρατηγικής και στη χρήση μετασχηματιστών για την εκπαίδευση μοντέλων γλώσσας. Για παράδειγμα, το GPT-3 του OpenAI είχε 175 δισεκατομμύρια παραμέτρους και χρειάστηκε 3,640 petaFLOPS-ημέρες για να εκπαιδευτεί. Αυτό θα χρειαζόταν δύο εβδομάδες στον ταχύτερο υπερυπολογιστή στον κόσμο και πάνω από μια χιλιετία για να υπολογιστεί ένας τυπικός φορητός υπολογιστής. Καθώς τα μεγέθη των μοντέλων συνεχίζουν να αυξάνονται, ο υπολογισμός παραμένει εμπόδιο στην πρόοδο του τομέα.

Οι υπερυπολογιστές τεχνητής νοημοσύνης απαιτούν συγκεκριμένο υλικό βελτιστοποιημένο για την εκτέλεση των μαθηματικών λειτουργιών που είναι απαραίτητες για την εκπαίδευση των νευρωνικών δικτύων, όπως Μονάδες Επεξεργασίας Γραφικών (GPU) ή Ενσωματωμένα Κυκλώματα Ειδικής Εφαρμογής (ASIC). Σήμερα, το μεγαλύτερο μέρος του υλικού που έχει βελτιστοποιηθεί για αυτόν τον τύπο υπολογισμού ελέγχεται από μερικούς ολιγοπωλιακούς παρόχους υπηρεσιών cloud, όπως το Google Cloud, το Amazon Web Services, το Microsoft Azure και το IBM Cloud.

Αυτή είναι η επόμενη μεγάλη διασταύρωση όπου βλέπουμε την αποκεντρωμένη κατανομή υπολογιστών μέσω δημόσιων, ανοιχτών δικτύων να κερδίζουν έδαφος. Η αποκεντρωμένη διακυβέρνηση μπορεί να χρησιμοποιηθεί για τη χρηματοδότηση και την κατανομή πόρων για την κατάρτιση έργων με γνώμονα την κοινότητα. Επιπλέον, ένα μοντέλο αποκεντρωμένης αγοράς μπορεί να είναι ανοιχτά προσβάσιμο σε διάφορες γεωγραφικές περιοχές, έτσι ώστε κάθε ερευνητής να έχει πρόσβαση σε υπολογιστικούς πόρους. Φανταστείτε ένα σύστημα επιβράβευσης που μοντελοποιεί την εκπαίδευση μέσω του crowdfund εκδίδοντας μάρκες. Τα επιτυχημένα crowdfundings θα λάβουν υπολογιστές με προτεραιότητα για το μοντέλο τους και θα προωθήσουν καινοτομίες όπου υπάρχει μεγάλη ζήτηση. Για παράδειγμα, εάν υπάρχει σημαντική ζήτηση από το DAO για την παραγωγή ενός ισπανικού ή χίντι μοντέλου GPT για την εξυπηρέτηση μεγαλύτερων τμημάτων του πληθυσμού, η έρευνα μπορεί να επικεντρωθεί σε αυτόν τον τομέα.

Ήδη, εταιρείες αρέσουν GenSyn εργάζονται για την εκκίνηση πρωτοκόλλων για την παροχή κινήτρων και τον συντονισμό εναλλακτικής, οικονομικά αποδοτικής και βασισμένης στο cloud πρόσβαση υλικού για υπολογισμούς βαθιάς μάθησης. Με την πάροδο του χρόνου, ένα κοινόχρηστο, αποκεντρωμένο παγκόσμιο δίκτυο υπολογιστών που έχει δημιουργηθεί με υποδομή web3 θα γίνει πιο οικονομικό στην κλίμακα και θα μας εξυπηρετήσει καλύτερα καθώς εξερευνούμε συλλογικά τα σύνορα της τεχνητής νοημοσύνης.

Τα σύνολα δεδομένων και ο υπολογισμός θα επιτρέψουν αυτή τη διατριβή: μοντέλα τεχνητής νοημοσύνης ανοιχτού κώδικα. Τα τελευταία χρόνια, τα μεγάλα μοντέλα έχουν γίνει ολοένα και πιο ιδιωτικά, καθώς η επένδυση πόρων που απαιτείται για την παραγωγή τους έχει ωθήσει τα έργα να γίνουν κλειστού κώδικα.

Πάρτε το OpenAI. Το OpenAI ιδρύθηκε το 2015 ως μη κερδοσκοπικό ερευνητικό εργαστήριο με αποστολή την παραγωγή τεχνητής γενικής νοημοσύνης προς όφελος όλης της ανθρωπότητας, μια έντονη αντίθεση από τους ηγέτες της τεχνητής νοημοσύνης εκείνη την εποχή, την Google και το Facebook. Με την πάροδο του χρόνου, ο έντονος ανταγωνισμός και η πίεση για χρηματοδότηση έχουν διαβρώσει τα ιδανικά της διαφάνειας και του κώδικα ανοιχτού κώδικα καθώς το OpenAI μετατοπίστηκε σε κερδοσκοπικό μοντέλο και υπέγραψε μαζική Εμπορική συμφωνία 1 δισεκατομμυρίου δολαρίων με τη Microsoft. Επιπλέον, πρόσφατη διαμάχη περιβάλλει το μοντέλο κειμένου σε εικόνα, DALLE-2, για τη γενικευμένη λογοκρισία του. (Για παράδειγμα, το DALLE-2 έχει απαγορεύσει τους όρους «όπλο, «εκτέλεση», «επίθεση», «Ουκρανία» και εικόνες διασημοτήτων· μια τέτοια ωμή λογοκρισία αποτρέπει μηνύματα όπως «ο Lebron James επιτίθεται στο καλάθι» ή «ένας προγραμματιστής που εκτελεί γραμμή κώδικα'.) Η πρόσβαση στην ιδιωτική έκδοση beta για αυτά τα μοντέλα έχει μια σιωπηρή γεωγραφική προκατάληψη για τους δυτικούς χρήστες να αποκόψουν μεγάλα τμήματα του παγκόσμιου πληθυσμού από την αλληλεπίδραση και την ενημέρωση αυτών των μοντέλων.

Δεν πρέπει να διαδίδεται έτσι η τεχνητή νοημοσύνη: να φυλάσσεται, να αστυνομεύεται και να διατηρείται από μερικές μεγάλες εταιρείες τεχνολογίας. Όπως και στην περίπτωση του blockchain, η νέα τεχνολογία θα πρέπει να εφαρμόζεται όσο το δυνατόν πιο δίκαια, ώστε τα οφέλη της να μην συγκεντρώνονται μεταξύ των λίγων που έχουν πρόσβαση. Η σύνθετη πρόοδος στην τεχνητή νοημοσύνη θα πρέπει να αξιοποιηθεί ανοιχτά σε διαφορετικές βιομηχανίες, γεωγραφίες και κοινότητες για να ανακαλύψουμε συλλογικά τις πιο συναρπαστικές περιπτώσεις χρήσης και να επιτύχουμε συναίνεση σχετικά με τη δίκαιη χρήση της τεχνητής νοημοσύνης. Η διατήρηση των μοντέλων θεμελίων ανοιχτού κώδικα μπορεί να διασφαλίσει ότι η λογοκρισία αποτρέπεται και η μεροληψία παρακολουθείται προσεκτικά σε κοινή θέα.

Με μια συμβολική δομή για γενικευμένα μοντέλα θεμελίωσης, θα είναι δυνατό να συγκεντρωθεί μια μεγαλύτερη ομάδα συνεισφερόντων που θα μπορούν να αποκομίσουν έσοδα από την εργασία τους ενώ απελευθερώνουν κώδικα ανοιχτού κώδικα. Έργα όπως το OpenAI που χτίστηκαν με μια διατριβή ανοιχτού κώδικα έπρεπε να στραφούν σε μια αυτόνομη χρηματοδοτούμενη εταιρεία για να ανταγωνιστούν για ταλέντα και πόρους. Το Web3 επιτρέπει στα έργα ανοιχτού κώδικα να είναι εξίσου προσοδοφόρα οικονομικά και να ανταγωνιστούν περαιτέρω εκείνα που οδηγούνται από ιδιωτικές επενδύσεις της Big Tech. Επιπλέον, οι καινοτόμοι που κατασκευάζουν προϊόντα πάνω από μοντέλα ανοιχτού κώδικα μπορούν να δημιουργήσουν με σιγουριά ότι υπάρχει διαφάνεια στην υποκείμενη τεχνητή νοημοσύνη. Το επακόλουθο αποτέλεσμα αυτού θα είναι η ταχεία υιοθέτηση και διάθεση στην αγορά νέων περιπτώσεων χρήσης τεχνητής νοημοσύνης. Στον χώρο web3, αυτό περιλαμβάνει εφαρμογές ασφαλείας που διενεργούν προγνωστικές αναλύσεις για ευπάθειες έξυπνων συμβολαίων και τραβήγματα, γεννήτριες εικόνας που μπορεί να χρησιμοποιηθεί για την κοπή NFTs και τη δημιουργία μετακοσμικών τοπίων, προσωπικότητες ψηφιακής τεχνητής νοημοσύνης που μπορεί να υπάρχουν στην αλυσίδα για τη διατήρηση της ατομικής ιδιοκτησίας, και πολλά άλλα.

Η τεχνητή νοημοσύνη είναι μια από τις ταχύτερα εξελισσόμενες τεχνολογίες σήμερα που θα έχει τεράστιες επιπτώσεις στην κοινωνία μας στο σύνολό της. Σήμερα, ο τομέας κυριαρχείται από μεγάλες τεχνολογίες, καθώς οι οικονομικές επενδύσεις σε ταλέντα, δεδομένα και υπολογιστές δημιουργούν σημαντικές τάφρους για την ανάπτυξη ανοιχτού κώδικα. Η ενσωμάτωση του web3 στο επίπεδο υποδομής της τεχνητής νοημοσύνης είναι ένα κρίσιμο βήμα για να διασφαλιστεί ότι τα συστήματα τεχνητής νοημοσύνης είναι κατασκευασμένα με τρόπο δίκαιο, ανοιχτό και προσβάσιμο. Βλέπουμε ήδη ανοιχτά μοντέλα να παίρνουν θέση ταχείας, η δημόσια καινοτομία σε ανοιχτούς χώρους όπως το Twitter και το HuggingFace και η κρυπτογράφηση μπορεί να ενισχύσει αυτές τις προσπάθειες προς τα εμπρός.

Εδώ είναι τι αναζητά η ομάδα του CoinFund στη διασταύρωση AI και κρυπτογράφησης:

1. Ομάδες με ανοιχτή τεχνητή νοημοσύνη στον πυρήνα της αποστολής τους
2. Κοινότητες που επιμελούνται δημόσιους πόρους, όπως δεδομένα και υπολογισμούς, για να βοηθήσουν στη δημιουργία μοντέλων τεχνητής νοημοσύνης
3. Προϊόντα που χρησιμοποιούν τεχνητή νοημοσύνη για να φέρουν τη δημιουργικότητα, την ασφάλεια και την καινοτομία στην επικρατούσα υιοθέτηση

Εάν χτίζετε ένα έργο στη διασταύρωση AI και web3, συνομιλήστε μαζί μας επικοινωνώντας με το CoinFund στο Twitter ή e-mail rishin@coinfund.io or jake@coinfund.io.