Автор: Віталік Бутерін через Блог Віталіка Бутеріна
Особлива подяка командам Worldcoin та Modulus Labs, Xinyuan Sun, Martin Koeppelmann та Illia Polosukhin за відгуки та обговорення.
Протягом багатьох років багато людей ставили мені подібне запитання: що таке перетину між криптографією та ШІ, які я вважаю найбільш плідними? Це резонне запитання: крипто та штучний інтелект є двома основними глибокими (програмними) технологічними тенденціями останнього десятиліття, і таке враження, що вони є повинен бути певним зв'язком між ними. Легко придумати синергію на поверхневому рівні: криптодецентралізація може збалансувати централізацію ШІ, штучний інтелект непрозорий, а крипто забезпечує прозорість, штучному інтелекту потрібні дані, а блокчейни підходять для зберігання та відстеження даних. Але протягом багатьох років, коли люди просили мене копнути глибше та поговорити про конкретні програми, моя відповідь була розчаровуючою: «так, є кілька речей, але не дуже».
За останні три роки з появою значно потужнішого ШІ у вигляді сучасного LLM, а також зростання набагато потужнішої криптовалюти у формі не лише рішень для масштабування блокчейну, але й ЗКП, FHE, (двосторонній і N-сторонній) MPC, я починаю бачити цю зміну. Дійсно є кілька перспективних застосувань ШІ в екосистемах блокчейнів ШІ разом із криптографією, хоча важливо бути обережним щодо застосування ШІ. Особлива проблема: у криптографії відкритий вихідний код є єдиним способом зробити щось справді безпечним, але в ШІ модель (або навіть її навчальні дані) є відкритими сильно збільшується його вразливість до змагальне машинне навчання напади. У цьому дописі буде розглянуто різні шляхи, за якими крипто та штучний інтелект можуть перетинатися, а також перспективи та проблеми кожної категорії.
Підсумок високого рівня перетину крипто+AI від a повідомлення в блозі uETH. Але що потрібно, щоб реально реалізувати будь-яку з цих синергій у конкретному застосуванні?
Чотири основні категорії
ШІ — це дуже широке поняття: ви можете думати про «ШІ» як про набір алгоритмів, які ви створюєте, не вказуючи їх явно, а скоріше перемішуючи великий обчислювальний бульйон і додаючи певного тиску оптимізації, який підштовхує суп до створення алгоритмів із властивостями, які вам потрібні. Цей опис точно не слід сприймати зневажливо: він includes процес Що створений ми люди в першу чергу! Але це означає, що алгоритми штучного інтелекту мають деякі спільні властивості: їхня здатність робити надзвичайно потужні речі, а також обмеження нашої здатності знати або розуміти, що відбувається під капотом.
Існує багато способів класифікувати ШІ; для цілей цієї публікації, яка розповідає про взаємодію між штучним інтелектом і блокчейнами (які були описані як платформа для створення «ігор»), я класифікую це так:
- ШІ як гравець у грі [найвища життєздатність]: ШІ, які беруть участь у механізмах, де основним джерелом стимулів є протокол із людським введенням.
- ШІ як інтерфейс до гри [високий потенціал, але з ризиками]: ШІ допомагають користувачам зрозуміти криптосвіт навколо них і переконатися, що їхня поведінка (тобто підписані повідомлення та транзакції) відповідає їхнім намірам, і вони не піддаються обману чи шахрайству.
- ШІ як правила гри [дійте дуже обережно]: блокчейни, DAO та подібні механізми, що безпосередньо викликають ШІ. Подумайте напр. «Судді ШІ»
- ШІ як мета гри [довгострокова, але інтригуюча]: розробка блокчейнів, DAO та подібних механізмів з метою створення та підтримки штучного інтелекту, який можна було б використовувати для інших цілей, використовуючи криптографічні біти або для кращого стимулювання навчання, або для запобігання витоку приватних даних або неправильному використанню ШІ.
Давайте пройдемося по черзі.
ШІ як гравець у грі
Насправді ця категорія існує вже майже десять років, принаймні з того часу децентралізовані біржі в мережі (DEX) почали бачити значне використання. Щоразу, коли відбувається обмін, є можливість заробляти гроші через арбітраж, і боти можуть робити арбітраж набагато краще, ніж люди. Цей варіант використання існував протягом тривалого часу, навіть із набагато простішим штучним інтелектом, ніж той, який ми маємо сьогодні, але в кінцевому підсумку це дуже реальний перетин штучного інтелекту та крипто. Зовсім недавно ми бачили арбітражних ботів MEV часто експлуатують один одного. Кожного разу, коли у вас є програма блокчейну, яка включає аукціони чи торгівлю, у вас будуть арбітражні боти.
Але арбітражні боти штучного інтелекту є лише першим прикладом набагато більшої категорії, яка, я очікую, незабаром почне включати багато інших програм. Знайомтесь, AIOmen, a демонстрація ринку прогнозів, де гравцями є ШІ:
Однією з відповідей на це є вказівка на постійні вдосконалення UX Полімаркет або інші нові прогнозовані ринки, і сподіваються, що вони досягнуть успіху там, де попередні ітерації зазнали невдачі. Зрештою, кажуть, люди готові робити парі десятки мільярдів на спорт, то чому б людям не вкласти достатньо грошей, ставлячи на вибори в США або LK99 що має сенс для серйозних гравців почати приходити? Але цей аргумент повинен суперечити тому факту, що попередні ітерації мати не вдалося досягти такого рівня масштабу (принаймні порівняно з мріями їхніх прихильників), і тому здається, що вам потрібно щось нове щоб зробити ринки прогнозів успішними. І тому інша відповідь полягає в тому, щоб вказати на одну специфічну особливість екосистем прогнозного ринку, яку ми можемо очікувати побачити в 2020-х роках, але якої ми не бачили в 2010-х: можливість повсюдної участі ШІ.
ШІ готові працювати менше ніж за 1 долар на годину та мають знання енциклопедії – і якщо цього недостатньо, їх можна навіть інтегрувати з можливостями веб-пошуку в реальному часі. Якщо ви створите ринок і запропонуєте субсидію на ліквідність у розмірі 50 доларів, людям буде нецікаво робити ставки, але тисячі штучних інтелектів легко кишать по всьому питанню та роблять найкращі припущення. Стимул добре працювати над будь-яким питанням може бути мізерним, але стимул створити штучний інтелект, який робить хороші прогнози в загальному може бути мільйонами. Зауважте, що потенційно, вам навіть не потрібні люди, щоб вирішувати більшість питань: ви можете використовувати багатораундову систему суперечок, подібну до Авгур або Kleros, де ШІ також будуть брати участь у попередніх раундах. Людям потрібно було б реагувати лише в тих кількох випадках, коли відбулася серія ескалацій і обидві сторони витратили великі суми грошей.
Це потужний примітив, тому що як тільки «ринок прогнозів» можна змусити працювати в такому мікроскопічному масштабі, ви можете повторно використовувати примітив «ринок прогнозів» для багатьох інших питань:
- Чи прийнятна ця публікація в соціальних мережах згідно з [умовами використання]?
- Що станеться з ціною акції X (наприклад, див Numerai)
- Чи цей обліковий запис, який зараз надсилає мені повідомлення, справді Ілон Маск?
- Чи прийнятна ця робота на онлайн-ринку завдань?
- Чи є додаток на https://examplefinance.network шахрайством?
- Is
0x1b54....98c3
насправді адреса токена ERC20 “Casinu Inu”?
Ви можете помітити, що багато з цих ідей йдуть у напрямку того, що я назвав «захист інформації” у . У широкому сенсі постає питання: як ми допомагаємо користувачам розрізняти правдиву та неправдиву інформацію та виявляти шахрайство, не даючи централізованим органам влади вирішувати, чи правильно, чи ні, хто потім може зловживати цим становищем? На мікрорівні відповідь може бути «ШІ». Але на макрорівні виникає питання: хто створює ШІ? ШІ є відображенням процесу, який його створив, і тому не може уникнути упереджень. Отже, існує потреба в грі вищого рівня, яка оцінює, наскільки добре працюють різні ШІ, де ШІ можуть брати участь у грі як гравці..
Це використання штучного інтелекту, де штучний інтелект бере участь у механізмі, де вони в кінцевому рахунку отримують винагороду або покарання (ймовірно) за допомогою мережевого механізму, який збирає вхідні дані від людей (назвемо це децентралізованим ринковим механізмом RLHF?), я вважаю те, що справді варто розглянути. Зараз саме час детальніше розглянути подібні випадки використання, тому що масштабування блокчейну нарешті досягає успіху, роблячи «мікро-» будь-що нарешті життєздатним у ланцюзі, коли цього часто не було раніше.
Пов’язана категорія додатків спрямована на високоавтономні агенти використання блокчейнів для кращої співпраці, через платежі або через використання смарт-контрактів для прийняття надійних зобов’язань.
AI як інтерфейс до гри
Одна ідея, яку я висловив у своєму писання на полягає в тому, що існує ринкова можливість створювати орієнтоване на користувача програмне забезпечення, яке б захищало інтереси користувачів шляхом інтерпретації та виявлення небезпек у онлайн-світі, яким користувач переміщується. Одним із уже існуючих прикладів цього є функція виявлення шахрайства Metamask:
Потенційно такі інструменти можуть бути наповнені ШІ. Штучний інтелект міг би надати набагато більш зручне для людини пояснення того, у якому типі dapp ви берете участь, наслідки складніших операцій, які ви підписуєте, чи є певний токен справжнім (наприклад, BITCOIN
це не просто рядок символів, це назва справжньої криптовалюти, яка не є токеном ERC20 і має ціну набагато вищу за $0.045, і сучасний магістр права це знає), і так далі. Є проекти, які починають розвиватися в цьому напрямку (наприклад, Гаманець LangChain, який використовує ШІ як a первинний інтерфейс). Моя власна думка полягає в тому, що чисті інтерфейси штучного інтелекту зараз, ймовірно, занадто ризиковані, оскільки це збільшує ризик інший види помилок, але штучний інтелект, який доповнює більш традиційний інтерфейс, стає дуже життєздатним.
Варто згадати про один особливий ризик. Я детальніше розповім про це в розділі «ШІ як правила гри» нижче, але загальна проблема полягає у змагальному машинному навчанні: якщо користувач має доступ до помічника зі штучним інтелектом у гаманці з відкритим вихідним кодом, зловмисники також матимуть доступ до цього помічника зі штучним інтелектом, тож у них буде необмежена можливість оптимізувати свої шахрайські дії, щоб не запускати захист гаманця. Усі сучасні штучні інтелекти десь мають помилки, і це не надто важко для навчального процесу, навіть із одним обмежений доступ до моделі, щоб знайти їх.
Саме тут «ШІ, які беруть участь у мережевих мікроринках» працює краще: кожен окремий ШІ вразливий до однакових ризиків, але ви навмисно створюєте відкриту екосистему з десятків людей, які постійно повторюють і вдосконалюють їх на постійній основі. Крім того, кожен окремий штучний інтелект закритий: безпека системи залежить від відкритості правил гра, а не внутрішньої роботи кожного гравець.
Основна інформація: Штучний інтелект може допомогти користувачам зрозуміти, що відбувається простою мовою, він може служити репетитором у режимі реального часу, він може захистити користувачів від помилок, але будьте попереджені, намагаючись використовувати його безпосередньо проти зловмисних дезінформаторів і шахраїв.
ШІ як правила гри
Тепер ми підійшли до програми, яка викликає захват у багатьох людей, але яка, на мою думку, є найбільш ризикованою, і до якої нам потрібно діяти найобережніше: те, що я називаю штучним інтелектом, є частиною правил гри. Це пов’язано з хвилюванням серед основних політичних еліт щодо «суддів ШІ» (наприклад, див цю статтю на сайті «Всесвітнього урядового саміту»), а аналоги цих бажань є в блокчейн-додатках. Якщо смарт-контракт на основі блокчейну або DAO потребує прийняття суб’єктивного рішення (наприклад, чи прийнятний певний робочий продукт у контракті про наймання? Яка правильна інтерпретація конституції природної мови, як-от Optimism Закон ланцюгів?), чи можете ви зробити штучний інтелект просто частиною контракту або DAO, щоб допомогти забезпечити виконання цих правил?
Це де змагальне машинне навчання буде надзвичайно важким викликом. Основний аргумент чому складається з двох речень:
Якщо модель штучного інтелекту, яка відіграє ключову роль у механізмі, закрита, ви не можете перевірити її внутрішню роботу, і тому це не краще, ніж централізована програма. Якщо модель штучного інтелекту відкрита, зловмисник може завантажити та симулювати її локально, а також розробити сильно оптимізовані атаки, щоб обдурити модель, яку потім можна відтворити в живій мережі.
Тепер часті читачі цього блогу (або мешканці криптовсесвіту) можуть уже випередити мене й подумати: але зачекайте! У нас є чудові докази нульового знання та інші дійсно круті форми криптографії. Звісно, ми можемо застосувати певну криптомагію та приховати внутрішню роботу моделі, щоб зловмисники не могли оптимізувати атаки, але в той же час доводити що модель виконується правильно та була створена за допомогою розумного процесу навчання на розумному наборі базових даних!
Зазвичай це так точно тип мислення, який я відстоюю як у цьому блозі, так і в інших своїх творах. Але у випадку обчислень, пов’язаних зі штучним інтелектом, є два основних заперечення:
- Криптографічні накладні витрати: набагато менш ефективно робити щось всередині SNARK (або MPC або…), ніж робити це «відкрито». З огляду на те, що штучний інтелект і без того вимагає великих обчислень, чи життєздатним є створення штучного інтелекту всередині криптографічних чорних ящиків?
- Змагальні атаки машинного навчання чорної скриньки: існують способи оптимізації атак проти моделей ШІ навіть не знаючи багато про внутрішню роботу моделі. А якщо сховаєшся забагато, ви ризикуєте зробити це надто легким для того, хто обирає навчальні дані, щоб зіпсувати модель Отруєння нападки.
Обидва вони є складними кролячими норами, тому давайте розберемося в кожній з них по черзі.
Криптографічні накладні витрати
Криптографічні гаджети, особливо універсальні, такі як ZK-SNARK і MPC, мають високі накладні витрати. Блок Ethereum займає кілька сотень мілісекунд для безпосередньої перевірки клієнта, але створення ZK-SNARK для підтвердження правильності такого блоку може зайняти години. Типові накладні витрати інших криптографічних гаджетів, таких як MPC, можуть бути ще гіршими. Штучні обчислення вже дорогі: найпотужніші LLM можуть виводити окремі слова лише трохи швидше, ніж люди можуть їх прочитати, не кажучи вже про багатомільйонні витрати на обчислення. навчання моделі. Різниця в якості між топовими моделями та моделями, які намагаються економити набагато більше вартість навчання or кількість параметрів великий. На перший погляд, це дуже вагомий привід ставитися з підозрою до всього проекту, спрямованого на те, щоб додати гарантії ШІ, загорнувши його в криптографію.
Але, на щастя, AI - це a дуже специфічний тип обчислень, що робить його придатним для всіх видів оптимізації що більш «неструктуровані» типи обчислень, такі як ZK-EVM, не можуть отримати вигоду. Розглянемо базову структуру моделі ШІ:
y = max(x, 0)
). Асимптотично множення матриць займає більшу частину роботи: множення на два N*N
матриці займає �(�2.8) часу, тоді як кількість нелінійних операцій значно менша. Це дуже зручно для криптографії, оскільки багато форм криптографії можуть виконувати лінійні операції (якими є множення матриці, принаймні якщо ви шифруєте модель, але не вхідні дані до неї) майже «безкоштовно».
Якщо ви криптограф, то напевно вже чули про подібне явище в контексті гомоморфне шифрування: виконавський доповнення на зашифрованих зашифрованих текстах справді легко, але множення неймовірно складні, і ми не знайшли жодного способу зробити це з необмеженою глибиною до 2009 року.
Для ZK-SNARK еквівалентом є подібні протоколи від 2013 року, які показують a менше 4х накладні витрати на доведення множення матриці. На жаль, накладні витрати на нелінійні шари все ще залишаються значними, а найкращі реалізації на практиці показують накладні витрати приблизно в 200 разів. Але є надія, що це можна значно зменшити шляхом подальших досліджень; побачити ця презентація від Райана Као за останній підхід, заснований на GKR, і мій власний спрощене пояснення того, як працює основний компонент ГКР.
Але для багатьох програм ми не просто хочемо доводити ми також хочемо, щоб результат штучного інтелекту був обчислений правильно сховати модель. Існують наївні підходи до цього: ви можете розділити модель так, щоб інший набір серверів надлишково зберігав кожен рівень, і сподіватися, що деякі з серверів, які пропускають деякі з шарів, не витікають занадто багато даних. Але існують і напрочуд ефективні форми спеціалізовані багатосторонні обчислення.
В обох випадках мораль історії однакова: найбільша частина обчислень штучного інтелекту – це множення матриць, для яких це можливо дуже ефективний ZK-SNARK або MPC (або навіть FHE), тому загальні накладні витрати на розміщення штучного інтелекту всередині криптографічних ящиків напрочуд низькі. Як правило, найбільш вузьким місцем є нелінійні шари, незважаючи на їхній менший розмір; можливо новіші методи, як аргументи пошуку може допомогти.
Змагальне машинне навчання чорної скриньки
Тепер давайте перейдемо до іншої великої проблеми: видів атак, які ви можете робити навіть якщо вміст моделі залишається конфіденційним, і ви маєте лише «доступ через API» до моделі. Цитуючи а папір від 2016:
Багато моделей машинного навчання вразливі до суперечливих прикладів: вхідні дані, які спеціально створені, щоб змусити модель машинного навчання видавати неправильні результати. Змагальні приклади, які впливають на одну модель, часто впливають на іншу модель, навіть якщо ці дві моделі мають різні архітектури або були навчені на різних навчальних наборах, якщо обидві моделі були навчені виконувати те саме завдання. Таким чином, зловмисник може навчити свою власну модель заміни, створювати змагальні приклади проти заміни та передати їх моделі жертви, маючи дуже мало інформації про жертву.
Потенційно ви навіть можете створювати атаки, знаючи лише дані навчання, навіть якщо ви маєте дуже обмежений або взагалі не маєте доступу до моделі, яку намагаєтеся атакувати. Станом на 2023 рік такі атаки залишаються великою проблемою.
Щоб ефективно обмежити ці види атак чорної скриньки, нам потрібно зробити дві речі:
- Насправді обмежити, хто або що може запитувати модель і скільки. Чорні скриньки з необмеженим доступом до API не є безпечними; чорні ящики з дуже обмеженим доступом до API.
- Приховайте дані навчання, зберігаючи довіру що процес, використаний для створення навчальних даних, не пошкоджений.
Проект, який зробив найбільше для першого, це, мабуть, Worldcoin, я детально аналізую попередню версію (серед інших протоколів) тут. Worldcoin широко використовує моделі штучного інтелекту на рівні протоколу, щоб (i) перетворювати сканування райдужної оболонки ока в короткі «коди райдужної оболонки ока», які легко порівняти на схожість, і (ii) перевіряти, чи те, що він сканує, насправді є людиною. Основний захист, на який покладається Worldcoin, полягає в тому, що він не дозволяє нікому просто звертатися до моделі штучного інтелекту: скоріше, він використовує надійне обладнання, щоб гарантувати, що модель приймає лише вхідні дані з цифровим підписом камери сфери.
Цей підхід не гарантовано спрацює: виявляється, що ви можете здійснити змагальні атаки проти біометричного ШІ у формі фізичні нашивки або ювелірні вироби, які можна покласти на обличчя:
Але є надія, що якщо ви об'єднати всі засоби захисту разом, приховуючи саму модель штучного інтелекту, значно обмежуючи кількість запитів і вимагаючи певної автентифікації кожного запиту, ви можете протистояти агресивним атакам досить складно, щоб система могла бути безпечною.
І це підводить нас до другої частини: як ми можемо приховати навчальні дані? Ось де «DAO для демократичного управління ШІ» насправді може мати сенс: ми можемо створити DAO у ланцюжку, який керуватиме процесом того, кому дозволено подавати навчальні дані (і які атестації потрібні для самих даних), кому дозволено робити запити та скільки, а також використовувати криптографічні методи, такі як MPC. щоб зашифрувати весь конвеєр створення та запуску ШІ від кожного індивідуального навчального введення користувача до остаточного результату кожного запиту. Цей DAO міг би одночасно задовольнити дуже популярну мету компенсації людям за надання даних.
- Криптографічні витрати все ще можуть виявитися занадто високими щоб така архітектура повністю чорної скриньки була конкурентоспроможною традиційним закритим підходам «повірте мені».
- Могло виявитися, що немає хорошого способу зробити процес подання даних навчання децентралізованим та захищений проти нападів отруєння.
- Багатосторонні обчислювальні гаджети можуть зламатися їх гарантії безпеки чи конфіденційності через змова учасників: зрештою, це сталося з міжланцюжковими мостами криптовалюти знову та знову.
Одна з причин, чому я не почав цей розділ із великими червоними попереджувальними написами «НЕ ЗАВДАЙТЕ СУДДЯМИ ШІ, ЦЕ АНТИСТОПІЯ», полягає в тому, що наше суспільство вже сильно залежить від непідзвітних централізованих суддів ШІ: алгоритмів, які визначають, які види публікації та політичні погляди підвищуються та знижуються або навіть піддаються цензурі в соціальних мережах. Я думаю, що розширити цю тенденцію далі на цьому етапі це досить погана ідея, але я не думаю, що є велика ймовірність цього блокчейн-спільнота більше експериментує з ШІ буде тим, що сприятиме погіршенню ситуації.
Насправді є кілька досить простих способів із низьким рівнем ризику, якими криптотехнологія може зробити навіть ці існуючі централізовані системи кращими, у чому я досить впевнений. Одна проста техніка: перевірений AI із затримкою публікації: коли сайт соціальних мереж створює рейтинг дописів на основі ШІ, він може опублікувати ZK-SNARK, що підтверджує хеш моделі, яка згенерувала цей рейтинг. Сайт може взяти на себе зобов’язання розкрити свої моделі штучного інтелекту після, наприклад, затримка на рік. Після розкриття моделі користувачі можуть перевірити хеш, щоб переконатися, що була випущена правильна модель, а спільнота може провести тестування моделі, щоб перевірити її справедливість. Затримка публікації призведе до того, що до того моменту, як модель буде розкрито, вона вже застаріла.
Так порівняно з централізована світ, питання не в тому if ми можемо зробити краще, але на скільки. Для децентралізований світоднак важливо бути обережним: якщо хтось будує напр. ринок прогнозів або стейблкойн, який використовує оракул ШІ, і виявляється, що оракул можна атакувати, це величезна сума грошей, яка може зникнути миттєво.
AI як мета гри
Якщо наведені вище методи створення масштабованого децентралізованого приватного штучного інтелекту, вміст якого є ніким невідомим чорним ящиком, справді можуть працювати, то це також можна використовувати для створення штучного інтелекту з корисністю, що виходить за межі блокчейнів. Команда протоколу NEAR робить це a основна мета їхньої поточної роботи.
Для цього є дві причини:
- Якщо ви може зробити "надійні штучні інтелекти чорної скриньки», запустивши процес навчання та висновків з використанням певної комбінації блокчейнів і MPC, тоді багато програм, у яких користувачі стурбовані тим, що система буде упередженою або їх обдурить, можуть отримати від цього користь. Багато людей виявили бажання демократичне управління системно важливих ШІ від якого ми будемо залежати; криптографічні та блокчейн-технології можуть бути шляхом до цього.
- Від а Безпека ШІ З точки зору, це буде техніка для створення децентралізованого штучного інтелекту, який також має природний вимикач і який може обмежити запити, які прагнуть використовувати ШІ для зловмисної поведінки.
Варто також зазначити, що «використання криптографічних стимулів для стимулювання створення кращого штучного інтелекту» можна зробити, не вдаючись у повну кролячу нору використання криптографії для її повного шифрування: такі підходи, як BitTensor належать до цієї категорії.
Висновки
Тепер, коли і блокчейни, і штучний інтелект стають все більш потужними, зростає кількість варіантів використання на перетині цих двох областей. Однак деякі з цих варіантів використання мають набагато більше сенсу та є набагато надійнішими, ніж інші. Загалом, використовуйте випадки, коли базовий механізм продовжує проектуватися приблизно так само, як і раніше, але індивідуально гравці стають штучним інтелектом, що дозволяє механізму ефективно працювати на значно більшому мікромасштабі, є найбільш перспективними та найлегшими для правильного використання.
Найскладнішими є додатки, які намагаються використовувати блокчейни та криптографічні методи для створення «єдиного елемента»: єдиного децентралізованого довіреного штучного інтелекту, на який певна програма покладається з певною метою. Ці додатки є перспективними як щодо функціональності, так і для підвищення безпеки штучного інтелекту таким чином, щоб уникнути ризиків централізації, пов’язаних із більш масовими підходами до цієї проблеми. Але є також багато способів, якими основні припущення можуть виявитися невдалими; отже, варто діяти обережно, особливо під час розгортання цих програм у контекстах високої цінності та високого ризику.
Я з нетерпінням чекаю нових спроб конструктивного використання штучного інтелекту в усіх цих сферах, щоб ми могли побачити, які з них справді життєздатні в масштабі.
Автор: Віталік Бутерін
- Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
- PlatoData.Network Vertical Generative Ai. Додайте собі сили. Доступ тут.
- PlatoAiStream. Web3 Intelligence. Розширення знань. Доступ тут.
- ПлатонЕСГ. вуглець, CleanTech, Енергія, Навколишнє середовище, Сонячна, Поводження з відходами. Доступ тут.
- PlatoHealth. Розвідка про біотехнології та клінічні випробування. Доступ тут.
- BlockOffsets. Модернізація екологічної компенсаційної власності. Доступ тут.
- джерело: Інформація про дані Платона.