Giám đốc điều hành Assisterr, Nick Havryliak, thảo luận về những lợi ích của các mô hình ngôn ngữ nhỏ (SLMs), trí tuệ nhân tạo phi tập trung và blockchain trong phát triển trí tuệ nhân tạo. SLMs là một lựa chọn mở rộng và hiệu quả về chi phí so với các mô hình trí tuệ nhân tạo lớn, đặc biệt là cho các ứng dụng cụ thể theo nhiệm vụ. Assisterr đang phát triển một hệ sinh thái trí tuệ nhân tạo phi tập trung, nơi các cộng đồng có thể sở hữu, quản lý và cải tiến các mô hình trí tuệ nhân tạo của họ thông qua công nghệ blockchain. Cuộc phỏng vấn đề cập đến những lợi thế của SLMs, lợi ích thực tiễn của chúng cho các nhà phát triển và người dùng, các ứng dụng trong thế giới thực, quyền sở hữu của cộng đồng đối với các mô hình trí tuệ nhân tạo, vai trò của blockchain trong quản trị trí tuệ nhân tạo phi tập trung, những thách thức trong việc chuyển đổi sang một hệ sinh thái trí tuệ nhân tạo phi tập trung, và tương lai của trí tuệ nhân tạo trong ngành điện tử tiêu dùng.

Khi trí tuệ nhân tạo chuyển hướng sang các giải pháp hiệu quả hơn, các mô hình ngôn ngữ nhỏ (SLMs) đang trở thành một lựa chọn có thể mở rộng và tiết kiệm chi phí hơn so với các mô hình lớn, tổng quát được các công ty công nghệ lớn ưa chuộng, đặc biệt cho các ứng dụng theo nhiệm vụ cụ thể. Assisterr, một mạng lưới SLMs có trụ sở tại Cambridge, đang phát triển một hệ sinh thái AI phi tập trung, nơi cộng đồng có thể sở hữu, quản lý và cải thiện các mô hình AI của họ trong khi tham gia vào các hệ thống quản trị và phần thưởng thông qua công nghệ blockchain. Trong cuộc phỏng vấn này, Giám đốc điều hành Assisterr, Nick Havryliak, thảo luận về những lợi thế của SLMs, tiềm năng của AI phi tập trung và cách blockchain đang trao quyền cho cộng đồng để định hình tương lai của phát triển AI. Cointelegraph: Điều gì đã truyền cảm hứng cho việc tạo ra SLMs, và chúng khác biệt như thế nào so với các mô hình AI lớn được phát triển bởi các công ty công nghệ lớn? Nick Havryliak: Kinh nghiệm của tôi trong tư vấn công nghệ, đặc biệt là trong việc quản lý các nhóm R&D và phát triển các giải pháp học máy (ML) và Internet vạn vật (IoT), đã làm nổi bật giới hạn lớn về kích thước và chất lượng bộ dữ liệu trong ML. Thử thách này đã dẫn tôi đến việc khám phá cách mà các động lực của Web3 có thể được tận dụng để tập hợp dữ liệu chất lượng cao, chuyên biệt. Ý tưởng này đã đặt nền tảng cho việc tạo ra SLMs, giải quyết những bất cập thấy được trong các mô hình AI lớn hơn, tổng quát hơn. Chúng ta đã nghe nói về những ảo tưởng và chi phí cao của các mô hình ngôn ngữ lớn (LLMs). Điều đó chủ yếu là bởi vì các công ty lớn cố gắng đạt được sự áp dụng cao hơn bằng cách tạo ra các mô hình tổng quát hơn. SLMs cung cấp một lộ trình khác, trong đó các mô hình có thể được chuyên môn hóa cao nhưng chỉ trong những lĩnh vực nhỏ hơn. CT: SLMs hứa hẹn sẽ hiệu quả hơn, có thể mở rộng và dễ tiếp cận hơn. Bạn có thể giải thích cách mà sự hiệu quả này chuyển thành những lợi thế thực tiễn cho các nhà phát triển và người dùng không? NH: SLMs tiết kiệm tài nguyên hơn, tiết kiệm chi phí và dễ triển khai hơn. Chúng xuất sắc trong việc tối ưu hóa theo nhiệm vụ và trong các môi trường tài nguyên thấp, làm cho chúng trở thành lựa chọn lý tưởng cho các ứng dụng mà tốc độ và chi phí là rất quan trọng. Nguồn: Assisterr Ngoài ra, đối với hầu hết các nhiệm vụ hàng ngày và tự động hóa AI, bạn không cần "một AI có kiến thức tuyệt đối" nếu kết quả có thể đạt được bằng một giải pháp đơn giản hơn. Khi con người không sử dụng tên lửa để diệt muỗi, chúng ta không cần phải chờ đợi trí tuệ nhân tạo tổng quát (AGI) được phát triển để giải quyết các vấn đề thực tiễn trong nhiều trường hợp sử dụng khác nhau. SLMs có mặt để trao quyền cho những giải pháp như vậy ngay bây giờ, chứ không phải trong tương lai. CT: Một số ứng dụng thực tiễn hoặc ngành nào mà bạn tin rằng sẽ hưởng lợi nhiều nhất từ việc sử dụng SLMs? NH: SLMs có thể được tích hợp vào bất kỳ ứng dụng, khung tác nhân hoặc phần cứng nào mà chúng ta sử dụng hàng ngày, bao gồm cả các thiết bị biên như điện thoại di động và máy tính xách tay. Mặc dù vẫn còn phức tạp để ước lượng toàn bộ phạm vi các trường hợp sử dụng, chúng tôi tin rằng quy mô thị trường SLM và số lượng SLMs sẽ vượt qua số lượng ứng dụng di động, có thị trường trị giá 255 tỷ USD và hơn 5 triệu ứng dụng, trong thập kỷ tới. SLMs sẽ hạ thấp điểm gia nhập bằng cách gần gũi với miền của người dùng cuối trong khi vẫn giữ được chi phí rất hợp lý. CT: Assisterr nhấn mạnh quyền sở hữu cộng đồng đối với các mô hình AI. Nền tảng của bạn làm thế nào để trao quyền cho cộng đồng tạo ra, quản lý và cải thiện các mô hình AI của riêng họ? NH: Thông qua các công cụ của Assisterr, người dùng thiết lập các kho bạc dựa trên hợp đồng thông minh để quản lý các hoạt động, doanh thu và quản trị của các mô hình thông qua các hệ thống bỏ phiếu token hóa. Các nhà đóng góp và xác thực có thể hợp tác bằng cách cải thiện các mô hình, với phần thưởng được phân phối dựa trên nỗ lực của họ. CT: Blockchain đóng một vai trò trung tâm trong mô hình của bạn. Bạn có thể hướng dẫn chúng tôi qua cách mà việc token hóa và công nghệ blockchain cho phép quản trị AI phi tập trung và khuyến khích các đóng góp không? NH: Mỗi SLM hoạt động trong một MiniDAO - một mô hình đồng sở hữu dựa trên kho bạc. Kho bạc được quản lý thông qua việc bỏ phiếu của các đồng sở hữu bằng cách sử dụng các Token Quản Lý (MTs). Các đặc điểm chính của MiniDAO bao gồm: CT: Assisterr đảm bảo rằng sự phát triển dựa trên cộng đồng của SLMs duy trì các tiêu chuẩn cao về chất lượng, an ninh và thực hành AI đạo đức như thế nào? NH: Trong khi chúng tôi tạo ra tất cả các công cụ để xây dựng SLMs một cách an toàn và sử dụng các phương pháp tiên tiến nhất, chất lượng vẫn phụ thuộc rất nhiều vào nhiều yếu tố thực thi.Đó là lý do tại sao chúng tôi muốn làm cho quá trình này trở nên dễ tiếp cận nhất có thể, thúc đẩy sự cạnh tranh lành mạnh giữa các SLM hàng đầu và cộng đồng của họ! CT: Bạn có thấy bất kỳ thách thức nào trong việc chuyển đổi từ các mô hình AI tập trung truyền thống sang một hệ sinh thái AI phi tập trung không? Nếu có, Assisterr đang giải quyết những trở ngại này như thế nào? NH: Chúng tôi nhận thấy thách thức chính là khó khăn trong việc xây dựng các trường hợp sử dụng AI thực tế cho những người không có kỹ thuật. Ví dụ, làm thế nào để chọn một vấn đề, làm thế nào để hiểu xem nó có quá phức tạp cho AI hay không và làm thế nào để xác định các hướng dẫn cho mô hình thực hiện. Nguồn: Assisterr Chúng tôi muốn chuyển giao tất cả kiến thức này từ các đội kỹ thuật, làm cho quá trình này trở nên suôn sẻ với trợ lý AI của chúng tôi. Thay vì tập trung vào cộng đồng nhà phát triển, chúng tôi đang làm cho việc tạo ra AI trở nên dễ tiếp cận hơn cho các nhà sáng tạo, chủ sở hữu dữ liệu và nhiều người với các nền tảng khác nhau. CT: Các thiết bị cạnh như điện thoại thông minh và máy tính xách tay ngày càng mạnh mẽ. Các SLM đang chuẩn bị như thế nào để tận dụng xu hướng này nhằm cung cấp các ứng dụng AI thông minh hơn và tiết kiệm chi phí hơn? NH: Điện thoại thông minh và các thiết bị đeo khác là những động lực ban đầu chính của sự phát triển SLM. Những thiết bị này thường có hạn chế lớn hơn về khả năng tính toán và hiện tại, thật sự không thể chạy các LLM trên chúng. Nhưng cùng lúc đó, SLM là lực lượng chính cho sự phát triển của các thiết bị mới vì chúng có thể mở khóa các phương thức sử dụng thông minh mới. Điều này bao gồm những thứ như kính Meta đến những người bạn hoặc trợ lý đeo luôn trong tầm tay. CT: Nhìn về phía trước, bạn hình dung tương lai của AI trong điện tử tiêu dùng như thế nào khi các SLM trở nên phổ biến hơn? Liệu chúng có thể định hình lại cách chúng ta tương tác với công nghệ hàng ngày không? NH: SLM chắc chắn sẽ định hình lại cuộc sống của chúng ta — không chỉ là sự tương tác của chúng ta với công nghệ. Chúng tôi tin rằng trong tương lai gần, mỗi quyết định có thể được thực hiện bởi một SLM cụ thể nào đó. Mỗi trường hợp sử dụng sẽ có mô hình nhỏ của riêng nó, làm cho việc tìm kiếm một “người bạn trợ lý AI” hữu ích cho bất kỳ nhu cầu nào trở nên cực kỳ dễ dàng. Đó là nơi chúng tôi thấy sức mạnh của hiệu ứng mạng bởi vì càng nhiều SLM thì mạng lưới càng mạnh và có giá trị hơn cho người dùng cuối. Tìm hiểu thêm về Assisterr. Tuyên bố miễn trừ trách nhiệm. Cointelegraph không ủng hộ bất kỳ nội dung hoặc sản phẩm nào trên trang này. Trong khi chúng tôi cố gắng cung cấp cho bạn tất cả thông tin quan trọng mà chúng tôi có thể thu thập được trong bài viết tài trợ này, người đọc nên tự nghiên cứu trước khi thực hiện bất kỳ hành động nào liên quan đến công ty và chịu trách nhiệm hoàn toàn về quyết định của mình, cũng như bài viết này không thể được coi là lời khuyên đầu tư.

Mô Hình Ngôn Ngữ Nhỏ, AI Phi Tập Trung và Blockchain: Một Cuộc Phỏng Vấn Với Giám Đốc Điều Hành Assisterr Nick Havryliak