เจนสัน ฮวง กล่าวว่า AI แบบเปิดและปิดจะอยู่ร่วมกัน: หมายความว่าอย่างไรต่อคริปโตและ AI แบบกระจายอำนาจ
2026/08/02 08:06:00
มุมมองของเจนสัน ฮวง ซีอีโอของ NVIDIA ที่ว่าปัญญาประดิษฐ์แบบเปิดและแบบเป็นกรรมสิทธิ์จะพัฒนาไปพร้อมกัน มีผลกระทบไกลเกินกว่าการแข่งขันระหว่างห้องปฏิบัติการปัญญาประดิษฐ์ชั้นนำ หากน้ำหนักของโมเดลขั้นสูงกลายเป็นที่เข้าถึงได้กว้างขวางยิ่งขึ้น ข้อจำกัดถัดไปจะยิ่งเป็นโครงสร้างพื้นฐานที่จำเป็นสำหรับการฝึกอบรม ปรับแต่ง และดำเนินการโมเดลเหล่านั้น ซึ่งสร้างโอกาสที่เป็นไปได้สำหรับเครือข่าย GPU แบบกระจายศูนย์ ตลาดปัญญาประดิษฐ์ที่ใช้บล็อกเชน และโปรโตคอลต่างๆ เช่น Bittensor แต่ไม่ได้รับประกันว่าโครงการปัญญาประดิษฐ์แบบกระจายศูนย์ทุกโครงการหรือโทเค็นที่เกี่ยวข้องจะประสบความสำเร็จ
คำถามหลักสำหรับคริปโตไม่ได้แค่ว่าจะมีโมเดล AI เพิ่มขึ้นอีกไหมที่สามารถดาวน์โหลดได้ แต่คือว่าเครือข่ายแบบกระจายศูนย์สามารถให้การประมวลผล การอนุมาน การจัดเก็บ การชำระเงิน และการยืนยันที่มีประโยชน์ในระดับที่ธุรกิจและนักพัฒนาพร้อมจะจ่ายหรือไม่ ความเห็นของฮวงช่วยเสริมกรณีสำหรับระบบนิเวศ AI ที่หลากหลาย แต่ประสิทธิภาพทางเทคนิค ความน่าเชื่อถือของเครือข่าย เศรษฐกิจโทเค็น และความต้องการจากลูกค้าจริงจะเป็นตัวกำหนดว่าคริปโตจะกลายเป็นชั้นโครงสร้างพื้นฐานที่สำคัญ หรือยังคงเป็นเรื่องเล่าเชิง-spekulatif เกี่ยวกับการเติบโตของ AI
วิสัยทัศน์ด้าน AI แบบเปิดและปิดของ เจนเซน ฮวง และเหตุผลที่โมเดลทั้งสองแบบจะอยู่ร่วมกัน
เจนสัน ฮวง ไม่เห็นอนาคตของปัญญาประดิษฐ์เป็นการแข่งขันแบบผู้ชนะได้ทั้งหมดระหว่างระบบเปิดและระบบปิด การพูดที่ NVIDIA GTC ในเดือนมีนาคม 2026 ผู้ก่อตั้งและซีอีโอของ NVIDIA ปฏิเสธทางเลือกแบบไบนารีนี้ โดยระบุว่า “การเปรียบเทียบระหว่างแบบเจ้าของกับแบบเปิดไม่ใช่เรื่องจริง มันคือแบบเจ้าของและแบบเปิด” ข้อโต้แย้งของเขาคือ ระบบนิเวศปัญญาประดิษฐ์ระดับโลกจะต้องการโมเดลที่แตกต่างกันสำหรับภาระงาน อุตสาหกรรม และข้อกำหนดด้านความปลอดภัยที่ต่างกัน แทนที่จะเป็นระบบสากลเดียวที่ถูกควบคุมโดยบริษัทหรือปรัชญาการพัฒนาเพียงแห่งเดียว โมเดลแบบเจ้าของขั้นสูงอาจยังคงนำหน้าในงานที่ต้องการประสิทธิภาพการให้เหตุผลสูงสุด การจัดการด้านความปลอดภัยและการสนับสนุนสำหรับองค์กร ในขณะที่โมเดลแบบเปิดน้ำหนักสามารถให้ผู้พัฒนา ธุรกิจ และรัฐบาลมีการควบคุมที่มากขึ้นในเรื่องการปรับแต่ง การประมวลผลข้อมูล และการปรับใช้
ฮวงปฏิเสธการถกเถียงระหว่าง AI แบบเปิดกับปิด
แม้ว่า AI แบบเปิดและปิดมักจะถูกนำเสนอว่าเป็นแนวทางที่แข่งขันกัน แต่ทั้งสองแบบนี้ตอบสนองความต้องการของผู้ใช้ที่ต่างกัน โมเดลที่เป็นทรัพย์สินส่วนตัวมักถูกควบคุมโดยผู้พัฒนาและเข้าถึงผ่านแอปพลิเคชัน แพลตฟอร์มบนคลาวด์ หรือ API โครงสร้างนี้สามารถให้ประสิทธิภาพขั้นสูง การอัปเดตที่ประสานกัน การป้องกันความปลอดภัยแบบรวมศูนย์ และการสนับสนุนจากผู้เชี่ยวชาญ โดยไม่ต้องให้ลูกค้าดำเนินการโครงสร้างพื้นฐานการเรียนรู้ของเครื่องที่ซับซ้อน ข้อเสียคือผู้ใช้อาจมีความโปร่งใสจำกัดต่อพารามิเตอร์ของโมเดล กระบวนการฝึกสอน และมาตรการป้องกันภายใน องค์กรยังอาจพึ่งพาการกำหนดราคา การเข้าถึง นโยบายข้อมูล และข้อจำกัดในการใช้งานของผู้ให้บริการรายเดียว เมื่อ AI ถูกผสานเข้ากับการดำเนินงานของพวกเขาอย่างลึกซึ้งยิ่งขึ้น
โมเดลแบบเปิดน้ำหนักมีรูปแบบการแจกจ่ายที่แตกต่างกัน เพราะพารามิเตอร์ที่ผ่านการฝึกอบรมสามารถดาวน์โหลด แก้ไข และปรับใช้บนโครงสร้างพื้นฐานที่ผู้ใช้เลือกได้ ซึ่งทำให้สามารถปรับแต่งโมเดลให้เหมาะกับชุดข้อมูลส่วนตัว ภาษาท้องถิ่น การวิจัยทางวิทยาศาสตร์ หรือกระบวนการทำงานทางธุรกิจเฉพาะทางได้ องค์กรสามารถดำเนินการโมเดลบนเซิร์ฟเวอร์ของตนเอง ภายในคลาวด์ส่วนตัว หรือใกล้กับอุปกรณ์ขอบที่ความหน่วงเวลาและการควบคุมข้อมูลมีความสำคัญ อย่างไรก็ตาม การเปิดน้ำหนักไม่ได้หมายความว่าเปิดซอร์สอย่างสมบูรณ์เสมอไป ชุดข้อมูลการฝึกอบรม โค้ดต้นฉบับ การประเมินความปลอดภัย หรือวิธีการพัฒนาอาจยังไม่สามารถเข้าถึงได้ และใบอนุญาตอาจจำกัดการใช้งานบางประเภท ดังนั้น ระดับความเปิดของโมเดลจึงอยู่บนช่วงต่อเนื่อง ไม่ใช่แค่หมวดหมู่ใช่หรือไม่ใช่
ตามคำพูดของฮวงเกี่ยวกับ GTC อุตสาหกรรมต่างๆ เช่น การแพทย์ การเงิน และการผลิต จะพึ่งพาการรวมกันของโมเดลทั่วไป โมเดลเฉพาะทาง โมเดลเปิด และโมเดลเป็นกรรมสิทธิ์มากขึ้น โรงพยาบาลสามารถใช้ระบบชั้นนำเชิงพาณิชย์สำหรับการวิจัยทางการแพทย์ทั่วไป ในขณะที่ประมวลผลข้อมูลผู้ป่วยที่เป็นความลับผ่านโมเดลที่ติดตั้งในท้องถิ่น สถาบันการเงินอาจใช้โมเดลเป็นกรรมสิทธิ์สำหรับการวิเคราะห์ทั่วไป แต่เก็บบันทึกลูกค้าไว้ภายในสภาพแวดล้อมที่ควบคุมเอง ผู้ผลิตสามารถรันโมเดลขนาดเล็กใกล้กับโรงงานและอุปกรณ์อุตสาหกรรม ในขณะที่พึ่งพาระบบบนคลาวด์สำหรับงานวิศวกรรมที่ซับซ้อน ตัวแทน AI และแพลตฟอร์มการจัดเส้นทางโมเดลอาจทำให้โครงสร้างแบบผสมนี้แพร่หลายมากขึ้น แทนที่จะส่งคำขอทุกครั้งไปยังโมเดลเดียว ระบบการประสานงานสามารถประเมินความซับซ้อน ความละเอียดอ่อน ต้นทุน และข้อกำหนดด้านเวลาในการตอบสนองของแต่ละงาน ก่อนเลือกตัวเลือกที่เหมาะสมที่สุด การจัดประเภทเอกสารทั่วไปอาจถูกมอบหมายให้กับโมเดลท้องถิ่นที่มีประสิทธิภาพ ในขณะที่การเขียนโค้ดขั้นสูงหรือการให้เหตุผลทางวิทยาศาสตร์อาจถูกส่งไปยังแพลตฟอร์มเป็นกรรมสิทธิ์ที่มีความสามารถมากกว่า ผู้ใช้อาจโต้ตอบกับแอปพลิเคชันเดียวแม้ว่าจะมีหลายโมเดลทำงานอยู่เบื้องหลัง แนวทางนี้สามารถลดต้นทุนที่ไม่จำเป็น ปกป้องข้อมูลที่ละเอียดอ่อน และจำกัดการพึ่งพาผู้ให้บริการรายเดียว ในขณะที่ยังคงเข้าถึงความสามารถชั้นนำได้อย่างครบถ้วน
กลยุทธ์แบบเปิดของ NVIDIA สนับสนุนวิสัยทัศน์ของฮวง
การกระทำของ NVIDIA แสดงให้เห็นว่าการสนับสนุนของ Jensen Huang ต่อ AI แบบเปิดและแบบเป็นเจ้าของนั้นขยายเกินกว่าคำพูดในที่สาธารณะ ในเดือนมีนาคม 2026 บริษัทได้ก่อตั้ง Nemotron Coalition ร่วมกับ Mistral AI, Black Forest Labs, Cursor, LangChain, Perplexity, Reflection AI, Sarvam และ Thinking Machines Lab กลุ่มดังกล่าวรวบรวมงานวิจัย ชุดข้อมูล กรอบการประเมิน ความเชี่ยวชาญเฉพาะทาง และทรัพยากรการคำนวณ เพื่อพัฒนาโมเดลขอบเขตเปิด โมเดลพื้นฐานรุ่นแรกถูกพัฒนาแบบร่วมมือโดย NVIDIA และ Mistral AI โดยสมาชิกคนอื่นๆ มีส่วนร่วมในการทดสอบ การฝึกหลังการเรียนรู้ และการพัฒนาอย่างต่อเนื่อง NVIDIA มีแผนจะแบ่งปันโมเดลที่ได้ผลลัพธ์กับระบบนิเวศ AI ที่กว้างขึ้น และใช้มันเป็นรากฐานสำหรับตระกูล Nemotron 4 จนถึงเดือนมีนาคม 2026 โมเดล Nemotron รุ่นเดิมๆ ได้รับการดาวน์โหลดมากกว่า 45 ล้านครั้งบน Hugging Face ซึ่งบ่งชี้ถึงความต้องการที่สูงต่อระบบ AI ที่ปรับแต่งได้ NVIDIA ได้ขยายกลยุทธ์นี้ในเดือนกรกฎาคมผ่านการนำเทคโนโลยี Nemotron ไปใช้งานกับองค์กรญี่ปุ่น เช่น Institute of Science Tokyo, SoftBank, SB Intuitions, Stockmark, Hitachi และ NTT DATA ซึ่งใช้เทคโนโลยี Nemotron สำหรับ AI ภาษาญี่ปุ่น ตัวแทนองค์กร การสื่อสารโทรคมนาคม การผลิต และการประยุกต์ใช้งานทางวิทยาศาสตร์ โครงการเหล่านี้แสดงให้เห็นถึงวิธีที่องค์กรสามารถปรับแต่งรากฐานแบบเปิดด้วยข้อมูลเป็นเจ้าของ โดยไม่ต้องเปิดเผยความรู้ภายในที่มีค่าสู่สาธารณะ
การพัฒนาด้านความปลอดภัยยังสนับสนุนข้อโต้แย้งของฮวงว่า แบบจำลอง AI เปิดและปิดจะอยู่ร่วมกัน แบบจำลองเปิดสามารถตรวจสอบและทดสอบอย่างอิสระ ขณะที่การปรับใช้แบบท้องถิ่นช่วยให้องค์กรสามารถเก็บข้อมูลที่ละเอียดอ่อนไว้ภายในโครงสร้างพื้นฐานที่ควบคุมได้ อย่างไรก็ตาม น้ำหนักที่สามารถดาวน์โหลดได้ยังสามารถปรับเปลี่ยนเพื่อถอดการป้องกันออก และการเปิดตัวนั้นยากที่จะยกเลิก ระบบปิดเสนอการควบคุมการเข้าถึงแบบรวมศูนย์และการอัปเดตความปลอดภัยแบบประสานงาน แต่อาจสร้างความพึ่งพาที่ไม่โปร่งใสและจุดล้มเหลวที่รวมศูนย์ ในวันที่ 27 กรกฎาคม 2026 NVIDIA และองค์กรเทคโนโลยีและไซเบอร์ซีเคียวริตี้อื่นๆ ได้ก่อตั้ง Open Secure AI Alliance เพื่อพัฒนาเครื่องมือป้องกันแบบเปิด พร้อมยอมรับว่าแบบจำลองทั้งสองประเภทยังคงจำเป็น การสนับสนุนระบบนิเวศแบบผสมผสานนี้สอดคล้องกับโพสิชันของ NVIDIA ในฐานะผู้ให้บริการโครงสร้างพื้นฐาน AI ห้องปฏิบัติการเชิงพาณิชย์ แพลตฟอร์มคลาวด์ รัฐบาล และนักพัฒนาที่ใช้แบบจำลองเปิดต่างก็ต้องการ GPU การเชื่อมต่อเครือข่าย การจัดเก็บข้อมูล ไฟฟ้า และซอฟต์แวร์เฉพาะทาง การโฮสต์แบบตนเองของน้ำหนักเปิดอาจลดค่าธรรมเนียมการเข้าถึงแบบจำลอง แต่ไม่ได้ขจัดค่าใช้จ่ายในการดำเนินงาน ดังนั้นจึงสมเหตุสมผลที่จะสรุปว่า NVIDIA จะได้รับประโยชน์ไม่ว่าแอปพลิเคชันในอนาคตจะใช้แพลตฟอร์มเชิงพาณิชย์ ระบบแบบน้ำหนักเปิด หรือการรวมกันแบบไฮบริด ทำให้ตลาด AI ที่หลากหลายเป็นผลลัพธ์ที่เป็นไปได้มากที่สุด
ความหมายของ AI แบบเปิดน้ำหนักต่อวงการคริปโตและโครงสร้างพื้นฐาน AI แบบกระจายศูนย์
AI แบบเปิดน้ำหนักอาจเพิ่มความต้องการในการคำนวณแบบกระจายศูนย์ เนื่องจากการดาวน์โหลดโมเดลไม่ได้ลบค่าใช้จ่ายในการดำเนินการมันออกไป นักพัฒนายังคงต้องใช้ GPU, การจัดเก็บข้อมูล, แบนด์วิธ, ไฟฟ้า และโครงสร้างพื้นฐานทางเทคนิค เพื่อปรับแต่งโมเดล ประมวลผลคำขอของผู้ใช้ และดำเนินการตัวแทน AI ในระดับใหญ่ ซึ่งสร้างบทบาทที่เป็นไปได้สำหรับเครือข่ายโครงสร้างพื้นฐานทางกายภาพแบบกระจายศูนย์ที่เชื่อมต่อผู้ให้บริการฮาร์ดแวร์อิสระกับนักพัฒนาที่ต้องการกำลังการประมวลผล ตลาดแบบกระจายศูนย์อาจทำให้ GPU ที่ใช้งานไม่เต็มที่สามารถเข้าถึงได้สำหรับการฝึกโมเดล การอนุมาน และการโฮสต์แอปพลิเคชัน ในขณะที่ระบบการจัดเก็บข้อมูลแบบกระจายศูนย์สามารถสนับสนุนชุดข้อมูล จุดเช็คพอยต์ และเนื้อหาที่สร้างโดย AI สินทรัพย์คริปโตสามารถประสานการชำระเงิน การให้รางวัลผู้ให้บริการ การสแตก และการเข้าถึงบนเครือข่ายเหล่านี้ โดยไม่จำเป็นต้องให้ผู้เข้าร่วมทุกคนใช้บริษัทหรือแพลตฟอร์มคลาวด์เดียวกัน หมวดหมู่กว้างกว่าของ เครือข่ายโครงสร้างพื้นฐานแบบกระจายศูนย์ ขยายออกไปนอกเหนือจากการพัฒนาโมเดล ไปสู่ทรัพยากรทางกายภาพที่จำเป็นในการดำเนินการบริการดิจิทัล โอกาสหลักคือ น้ำหนักเปิดช่วยลดอุปสรรคในการเข้าถึงโมเดล แต่ไม่ได้ขจัดข้อจำกัดด้านโครงสร้างพื้นฐาน ซึ่งอาจขยายตลาดสำหรับคลาวด์ GPU ทางเลือก การอนุมานแบบไม่ต้องขออนุญาต และการโฮสต์ AI แบบกระจายตามภูมิศาสตร์
เครือข่ายบล็อกเชนยังสามารถสนับสนุนปัญญาประดิษฐ์แบบกระจายศูนย์ผ่านการชำระเงินที่โปร่งใส บันทึกการเป็นเจ้าของโมเดล แหล่งที่มาของข้อมูล และแรงจูงใจในการประเมินผลลัพธ์ของการเรียนรู้ของเครื่อง Bittensor นำแนวคิดนี้ไปใช้ผ่าน subnets ที่เชี่ยวชาญ โดยผู้เข้าร่วมสามารถให้บริการต่างๆ เช่น การอนุมาน การประมวลผล การจัดเก็บข้อมูล และการพยากรณ์ ขณะที่ตัวตรวจสอบจะประเมินการมีส่วนร่วม และแรงจูงใจจากโปรโตคอลจะให้รางวัลแก่ประสิทธิภาพที่มีประโยชน์ โครงสร้างพื้นฐานคริปโตยังสามารถอนุญาตให้ AI agents in crypto ซื้อบริการดิจิทัลผ่านวอลเล็ตที่โปรแกรมได้และการชำระเงินด้วย Stablecoin อย่างไรก็ตาม ปัญญาประดิษฐ์แบบเปิดน้ำหนักไม่ได้เป็นการกระจายศูนย์โดยอัตโนมัติ โมเดลที่สามารถดาวน์โหลดได้ยังคงสามารถโฮสต์โดยผู้ให้บริการคลาวด์แบบรวมศูนย์ ฝึกด้วยชุดข้อมูลที่มีความเข้มข้น และดำเนินการผ่านฮาร์ดแวร์ที่ผลิตโดยผู้ผลิตจำนวนน้อยราย เครือข่ายกระจายศูนย์ต้องแก้ปัญหาที่ยากลำบากเกี่ยวกับการตรวจสอบผลลัพธ์ ความเป็นส่วนตัว ความหน่วงเวลา คุณภาพฮาร์ดแวร์ ความปลอดภัยทางไซเบอร์ และการเข้าถึงบริการ ก่อนที่จะสามารถแข่งขันกับทางเลือกแบบรวมศูนย์ได้อย่างสม่ำเสมอ ดังนั้น ความเชื่อมโยงที่แข็งแกร่งที่สุดระหว่างปัญญาประดิษฐ์แบบเปิดน้ำหนักกับคริปโตจึงอยู่ที่โครงสร้างพื้นฐานรอบๆ โมเดล—ว่าทรัพยากรการประมวลผลถูกจัดหาอย่างไร ผู้มีส่วนร่วมได้รับค่าตอบแทนอย่างไร ผลลัพธ์ได้รับการตรวจสอบอย่างไร และผู้ใช้สามารถเข้าถึงบริการได้โดยไม่ต้องพึ่งพาตัวกลางเพียงรายเดียวหรือไม่
โอกาสและความเสี่ยงสำหรับ Bittensor, หน่วยประมวลผลแบบกระจายศูนย์ และโทเค็น AI
Bittensor และโครงการ AI แบบกระจายอื่นๆ กำลังได้รับความสนใจเนื่องจากความต้องการที่เพิ่มขึ้นสำหรับทางเลือกอื่นนอกเหนือจากโครงสร้างพื้นฐานคลาวด์แบบดั้งเดิม แต่คุณค่าระยะยาวของพวกเขาจะขึ้นอยู่กับปัจจัยอื่นๆ มากกว่าแค่ความนิยมของปัญญาประดิษฐ์ เครือข่ายเหล่านี้ต้องพิสูจน์ให้เห็นว่าผู้เข้าร่วมที่กระจายตัวสามารถจัดหาบริการฝึกอบรม การอนุมาน การจัดเก็บ และข้อมูลที่เชื่อถือได้ในราคาที่แข่งขันได้ โทเค็นคริปโตสามารถช่วยประสานงานผู้ให้บริการ ผู้ตรวจสอบ และการชำระเงิน แต่การรับรองอย่างยั่งยืนต้องการลูกค้าจริง ผลลัพธ์ที่วัดได้ และกิจกรรมทางเศรษฐกิจที่ไม่ได้พึ่งพาผลตอบแทนจากโทเค็นเป็นหลัก วงการ AI crypto sectors โดยรวมมีโมเดลธุรกิจที่แตกต่างกันหลายแบบ ทำให้การประเมินในระดับโครงการมีประโยชน์มากกว่าการมองว่าโทเค็น AI ทุกตัวเป็นการลงทุนในแนวโน้มเดียวกัน
Bittensor และ Covenant-72B ชี้ให้เห็นศักยภาพของปัญญาประดิษฐ์แบบกระจายอำนาจ
Bittensor ดำเนินงานผ่าน subnet ที่เชี่ยวชาญซึ่งแข่งขันกันเพื่อให้บริการดิจิทัล เช่น การอนุมาน AI การฝึกอบรม การพยากรณ์ การจัดเก็บ และการคำนวณ ภายใต้เอกสาร subnet ของ Bittensor ผู้ขุดจะผลิตบริการที่เกี่ยวข้อง ผู้ตรวจสอบจะประเมินคุณภาพของบริการนั้น ผู้สร้าง subnet จะกำหนดกลไกการจูงใจ และผู้ถือหุ้นจะสนับสนุนผู้ตรวจสอบด้วย TAO เครือข่ายได้รับความสนใจจากสาธารณะทั่วไปมากขึ้นในเดือนมีนาคม 2026 หลังจาก Templar Subnet 3 สนับสนุนการฝึกอบรมแบบกระจายของ Covenant-72B ซึ่งเป็นโมเดลภาษาที่มีพารามิเตอร์ 72 พันล้าน รายงานเทคนิคของ Covenant-72B ระบุว่า โมเดลดังกล่าวได้รับการฝึกล่วงหน้าบนโทเค็นประมาณ 1.1 ล้านล้านโทเค็นผ่านกระบวนการที่ไม่มีการควบคุมและกระจายทั่วโลก Huang เปรียบเทียบการทดลองนี้กับเวอร์ชันสมัยใหม่ของ Folding@home โดยยอมรับแนวทางการคำนวณแบบกระจาย ความคิดเห็นนี้ไม่ได้หมายถึงความร่วมมือระหว่าง NVIDIA กับ Bittensor การรับรอง TAO หรือหลักฐานว่าการฝึกอบรมแบบกระจายเหนือกว่าศูนย์ข้อมูลแบบดั้งเดิมแล้ว แต่แสดงให้เห็นว่าการฝึกอบรมร่วมกันในปริมาณมากเป็นไปได้ทางเทคนิค ในขณะที่โอกาสที่กว้างขึ้นของ Bittensor อยู่ที่การเปลี่ยน subnet ของตนให้เป็นตลาดที่แข่งขันกันสำหรับปัญญาประดิษฐ์ที่มีประโยชน์
โทเค็นการคำนวณแบบกระจายศูนย์และ AI อาจขยายการเข้าถึงโครงสร้างพื้นฐาน
โอกาสที่แข็งแกร่งที่สุดสำหรับการคำนวณแบบกระจายมาจากการขาดช่องว่างระหว่างการเข้าถึงโมเดล AI กับการได้มาซึ่งฮาร์ดแวร์ที่จำเป็นสำหรับการดำเนินการ มีผู้ให้บริการคลาวด์แบบรวมศูนย์เสนอ GPU ในปริมาณมาก แต่ราคา ความพร้อมใช้งานตามภูมิภาค ข้อจำกัดด้านกำลังการผลิต และสัญญาระยะยาวสามารถสร้างอุปสรรคสำหรับนักพัฒนาขนาดเล็ก เครือข่ายแบบกระจายพยายามรวมทรัพยากรจากผู้ให้บริการอิสระและทำให้สามารถเข้าถึงได้ผ่านตลาดเปิด หากสามารถเสนอราคาที่แข่งขันได้และบริการที่เชื่อถือได้ พวกเขาอาจสนับสนุนสตาร์ทอัพ นักวิจัย และนักพัฒนาเอเจนต์ AI ที่ต้องการกำลังการผลิตแบบชั่วคราวหรือยืดหยุ่น โอกาสไม่ได้จำกัดอยู่แค่การฝึกโมเดลขนาดใหญ่: การอนุมาน การปรับแต่ง การประเมินโมเดล การผลิตข้อมูลสังเคราะห์ และการดำเนินการเอเจนต์อย่างต่อเนื่องสามารถสร้างภาระงานที่เกิดซ้ำได้ โทเค็นอาจจัดการการชำระเงินและรางวัลข้ามระบบทั้งหมดเหล่านี้ แต่กรณีการใช้งานที่แข็งแกร่งที่สุดของมันเกิดขึ้นเมื่อสินทรัพย์ทำหน้าที่ที่จำเป็นต่อเครือข่าย มากกว่าการเป็นเพียงป้ายกำกับเชิง spekulatif ที่ผูกติดกับแอปพลิเคชัน AI
ความเสี่ยงด้านเทคนิค ความปลอดภัย และการรวมศูนย์อาจจำกัดการรับใช้
เครือข่ายปัญญาประดิษฐ์แบบกระจายศูนย์เผชิญกับความท้าทายที่การทำธุรกรรมบล็อกเชนทั่วไปไม่ได้เผชิญ ผลลัพธ์ของ AI อาจมีลักษณะเชิง-subjective และมีต้นทุนสูงในการประเมิน ทำให้ผู้ตรวจสอบยากที่จะตัดสินว่าผู้ให้บริการสร้างงานที่มีประโยชน์จริงหรือแค่ปรับแต่งเพื่อให้ได้คะแนนสูงสุด การประเมินที่อ่อนแอสามารถกระตุ้นให้เกิดการจัดการหลอกลวง การร่วมมือกันอย่างไม่เป็นธรรม และกิจกรรมที่ได้รับรางวัลโดยไม่ได้ให้บริการแก่ลูกค้าภายนอก การฝึกอบรมแบบกระจายยังนำพาความล่าช้าในการสื่อสาร ฮาร์ดแวร์ที่ไม่สม่ำเสมอ และความเสี่ยงที่ผู้เข้าร่วมจะตัดการเชื่อมต่อหรือส่งอัปเดตที่ผิดพลาด บล็อกเชนยังอาจคงขึ้นอยู่กับผู้ผลิต GPU จำนวนจำกัด ผู้ตรวจสอบขนาดใหญ่ ศูนย์ข้อมูลหรือทีมพัฒนา ทำให้ชั้นที่สำคัญยังคงมีการรวมศูนย์แม้ว่าการชำระเงินจะกระจายศูนย์แล้ว ผู้ให้บริการที่เป็นอันตราย กุญแจที่ถูกโจมตี ช่องโหว่ของซอฟต์แวร์ และการใช้งานข้อมูลที่มีลิขสิทธิ์หรือเป็นความลับโดยไม่ได้รับอนุญาต สร้างความเสี่ยงเพิ่มเติม การแข่งขันกับบริการคลาวด์ที่มีอยู่แล้วจึงต้องการประสิทธิภาพที่เชื่อถือได้ การกำกับดูแลที่โปร่งใส การป้องกันความเป็นส่วนตัวที่แข็งแกร่ง และวิธีการยืนยันงานที่เสร็จสมบูรณ์อย่างน่าเชื่อถือ
การเติบโตของเครือข่ายไม่ได้เพิ่มมูลค่าของโทเค็น AI อย่างอัตโนมัติ
ราคาของโทเค็น AI อาจตอบสนองอย่างรวดเร็วต่อการเปิดตัวโมเดล ความคิดเห็นจากบุคคลมีอิทธิพล และsentiment ของตลาดโดยรวม แต่ความสนใจไม่ได้หมายความว่าจะสร้างรายได้ซ้ำๆ ได้เสมอไป เครือข่ายอาจรายงานการใช้งาน จำนวนธุรกรรม หรือผู้เข้าร่วมที่เพิ่มขึ้น แม้ว่ากิจกรรมส่วนใหญ่จะยังคงได้รับการสนับสนุนจากโทเค็นที่ปล่อยออกใหม่และแรงจูงใจ หากรางวัลสำหรับผู้เข้าร่วมสูงกว่ารายได้จากลูกค้าภายนอกอย่างต่อเนื่อง การเติบโตที่เห็นได้ชัดอาจขึ้นอยู่กับการปล่อยโทเค็นอย่างต่อเนื่องแทนที่จะเป็นแบบธุรกิจที่ยั่งยืน การประเมิน TAO และโทเค็นการคำนวณแบบกระจายศูนย์อื่นๆ ต้องพิจารณาการชำระเงินจากลูกค้า ปริมาณงานที่เกิดซ้ำ การใช้งานฮาร์ดแวร์ ความเป็นอิสระของตัวตรวจสอบความถูกต้อง การรวมศูนย์ของผู้ให้บริการ และต้นทุนของแรงจูงใจที่จำเป็นเพื่อรักษาความแข็งแรงของกิจกรรม นักลงทุนควรพิจารณาเพิ่มเติมว่า ผู้ใช้จำเป็นต้องใช้โทเค็นเพื่อเข้าถึงบริการหรือไม่ ค่าธรรมเนียมเครือข่ายสร้างความต้องการอย่างต่อเนื่องหรือไม่ และการปล่อยโทเค็นใหม่ทำให้ผู้ถือเดิมเสียสัดส่วนหรือไม่ Bittensor และการคำนวณแบบกระจายศูนย์มีโอกาสที่น่าเชื่อถือในการสนับสนุนเศรษฐกิจ AI ที่เปิดกว้างยิ่งขึ้น แต่ความสำเร็จในระยะยาวจะขึ้นอยู่กับบริการที่สามารถตรวจสอบได้ ลูกค้าที่กลับมาใช้ซ้ำ และเศรษฐกิจโทเค็นที่ยั่งยืน
สรุป
มุมมองของเจนสัน ฮวง ที่ว่า AI แบบเปิดและแบบเป็นเจ้าของจะอยู่ร่วมกัน ชี้ไปสู่เศรษฐกิจแบบหลายโมเดล ที่องค์กรเลือกระบบตามประสิทธิภาพ ความเป็นส่วนตัว ต้นทุน และการควบคุม แทนที่จะยึดตามแนวทางการพัฒนาแบบสากลเดียว การขยายตัวนี้อาจสร้างความต้องการที่มีนัยสำคัญต่อการคำนวณแบบกระจายศูนย์ การชำระเงินบนบล็อกเชน และเครือข่ายแรงจูงใจเช่น Bittensor เพราะน้ำหนักโมเดลที่เข้าถึงได้ยังต้องการโครงสร้างพื้นฐานที่สำคัญในการฝึกและดำเนินการ Covenant-72B แสดงให้เห็นว่าการทดลองฝึกแบบไม่มีการอนุญาตขนาดใหญ่เป็นไปได้ แต่ความเป็นไปได้ทางเทคนิคไม่ได้รับประกันความเหนือกว่าทางธุรกิจหรือมูลค่าโทเค็น โครงการ AI แบบกระจายศูนย์ต้องพิสูจน์ว่าสามารถตรวจสอบผลลัพธ์ ปกป้องข้อมูล ให้บริการที่เชื่อถือได้ และดึงดูดลูกค้าที่จ่ายเงิน โดยไม่ต้องพึ่งพาการปล่อยโทเค็นมากเกินไป คริปโตอาจกลายเป็นชั้นการประสานงานและการตั้งtlement ที่สำคัญสำหรับเศรษฐกิจ AI แบบเปิด แต่โครงการที่แข็งแกร่งที่สุดจะเป็นโครงการที่แปลงเรื่องราวของ AI เป็นการใช้งานที่วัดได้ รายได้ที่ยั่งยืน และเศรษฐกิจโทเค็นที่โปร่งใส
|
KuCoin กำลังเฉลิมฉลองครบรอบ 9 ปีด้วยแคมเปญพิเศษบนแพลตฟอร์มที่เต็มไปด้วยรางวัลพิเศษ กิจกรรมการซื้อขาย และข้อเสนอจำกัดเวลา อย่าพลาดโอกาสในการเข้าร่วมและเพลิดเพลินกับผลประโยชน์ต่างๆ ขณะที่แพลตฟอร์มแลกเปลี่ยนก้าวผ่านเก้าปีแห่งการเติบโตและการสร้างนวัตกรรม ไปที่หน้าแคมเปญอย่างเป็นทางการตอนนี้:
|
คำถามที่พบบ่อย
Bittensor เหมือนกับแพลตฟอร์มการคำนวณแบบกระจายศูนย์หรือไม่?
ไม่ ตลาดคลาวด์แบบกระจายศูนย์ส่วนใหญ่เชื่อมต่อผู้ใช้กับผู้ให้บริการอิสระที่เสนอทรัพยากรการประมวลผล Bittensor เป็นเครือข่ายแรงจูงใจที่กว้างขวางกว่า ซึ่งซับเน็ตที่เชี่ยวชาญสามารถผลิตบริการดิจิทัลต่างๆ เช่น การอนุมาน การพยากรณ์ การฝึกอบรม การจัดเก็บข้อมูล และอื่นๆ ซับเน็ตบางแห่งอาจเสนอบริการที่เกี่ยวข้องกับการประมวลผล แต่เครือข่ายนี้ไม่ได้ดำเนินงานในฐานะตลาดเช่า GPU แบบมาตรฐานเดียว
โมเดล AI แบบเปิดแหล่งที่มาสามารถทำงานได้ทั้งหมดแบบออฟไลน์หรือไม่?
ใช่ ตราบใดที่ผู้ใช้มีฮาร์ดแวร์เพียงพอ ซอฟต์แวร์ที่เข้ากันได้ และไฟล์น้ำหนักโมเดลสำเนาท้องถิ่น การปรับใช้งานแบบออฟไลน์สามารถเพิ่มความเป็นส่วนตัวและลดการพึ่งพา API ภายนอก แต่โมเดลขนาดใหญ่อาจต้องการ GPU ที่มีราคาแพงและหน่วยความจำจำนวนมาก การเชื่อมต่ออินเทอร์เน็ตอาจยังคงจำเป็นสำหรับการดาวน์โหลดโมเดล การอัปเดตความปลอดภัย เครื่องมือภายนอก หรือข้อมูลแบบเรียลไทม์
เจ้าของ GPU สำหรับผู้บริโภคสามารถเข้าร่วมเครือข่ายปัญญาประดิษฐ์แบบกระจายศูนย์ได้หรือไม่?
การเข้าร่วมขึ้นอยู่กับเครือข่าย ซับเน็ต และข้อกำหนดของงาน บริการบางอย่างอาจรับ GPU สำหรับผู้บริโภค ขณะที่งานฝึกอบรมหรือการอนุมานขนาดใหญ่อาจต้องการฮาร์ดแวร์ระดับมืออาชีพ อินเทอร์เน็ตความเร็วสูง หน่วยความจำจำนวนมาก และความพร้อมใช้งานที่เชื่อถือได้ การเป็นเจ้าของ GPU ไม่ได้รับประกันผลกำไร เพราะรางวัลต้องสูงกว่าค่าไฟฟ้า ค่าบำรุงรักษา ค่าแบนด์วิดธ์ และค่าอุปกรณ์
เครือข่ายการประมวลผลแบบกระจายอำนาจสามารถปกป้องข้อมูล AI ที่เป็นความลับได้อย่างไร
ความเป็นส่วนตัวไม่ได้รับประกันเพียงเพราะเครือข่ายเป็นแบบกระจายศูนย์ แพลตฟอร์มที่ปลอดภัยอาจใช้การเข้ารหัส สภาพแวดล้อมการคำนวณแบบลับ การแยกงาน และการเข้าถึงข้อมูลที่จำกัด เพื่อป้องกันข้อมูลที่ละเอียดอ่อน องค์กรควรพิจารณาว่าผู้ให้บริการสามารถดูข้อมูลที่อัปโหลดได้หรือไม่ ผลลัพธ์ถูกจัดเก็บอย่างไร และไฟล์ชั่วคราวจะเกิดอะไรขึ้นหลังจากงานเสร็จสิ้น
เกิดอะไรขึ้นถ้าผู้ให้บริการฮาร์ดแวร์เชื่อมต่อขาดระหว่างภาระงาน AI
เครือข่ายที่ออกแบบมาอย่างดีสามารถบันทึกจุดตรวจสอบ กำหนดงานที่ยังไม่เสร็จใหม่ และลงโทษผู้ให้บริการที่ไม่สามารถตอบสนองข้อกำหนดด้านความน่าเชื่อถือได้ การขัดข้องยังสามารถเพิ่มเวลาและค่าใช้จ่ายในการเสร็จสิ้น โดยเฉพาะอย่างยิ่งในระหว่างการฝึกแบบกระจายที่ต้องการให้ผู้เข้าร่วมคงการซิงโครไนซ์ไว้ ดังนั้น ความพร้อมของผู้ให้บริการแบบสำรองและการกู้คืนอัตโนมัติจึงมีความสำคัญเมื่อประเมินบริการคำนวณแบบกระจาย
การคำนวณ GPU แบบกระจายศูนย์ถูกกว่าบริการคลาวด์แบบรวมศูนย์เสมอหรือไม่?
ไม่จำเป็นเสมอไป ตลาดกระจายอาจเสนอราคาที่ต่ำกว่าโดยใช้ฮาร์ดแวร์ที่ใช้งานไม่เต็มที่และการประมูลแบบแข่งขัน แต่ค่าใช้จ่ายทั้งหมดยังขึ้นอยู่กับการโอนข้อมูล ความล่าช้า ความซับซ้อนในการตั้งค่า ระยะเวลาของงาน และความน่าเชื่อถือ ธุรกิจควรเปรียบเทียบค่าใช้จ่ายทั้งหมดในการ hoàn thiệnงาน แทนที่จะพิจารณาเฉพาะราคาต่อชั่วโมงของ GPU ที่โฆษณา
เมตริกใดบ้างที่แสดงว่าเครือข่ายปัญญาประดิษฐ์แบบกระจายศูนย์มีความต้องการจริง
ตัวชี้วัดที่มีประโยชน์รวมถึงการชำระเงินจากลูกค้าภายนอก ปริมาณงานที่เกิดขึ้นซ้ำๆ การใช้งาน GPU การรักษาลูกค้า ความพร้อมใช้งาน และจำนวนผู้ให้บริการอิสระ ผู้ใช้ควรเปรียบเทียบรายได้ค่าธรรมเนียมกับรางวัลโทเค็นเพื่อกำหนดว่ากิจกรรมนี้ได้รับการสนับสนุนทางการค้าหรือได้รับการอุดหนุนอย่างหนักจากการปล่อยโทเค็น การมีจำนวนธุรกรรมสูงเพียงอย่างเดียวอาจไม่ได้แสดงถึงการใช้งาน AI ที่มีความหมาย
ข้อจำกัดความรับผิด: บทความนี้มีจุดประสงค์เพื่อให้ข้อมูลเท่านั้น และไม่ถือเป็นคำแนะนำด้านการเงินหรือการลงทุน ทรัพย์สินคริปโตเคอเรนซีมีความผันผวน และผู้อ่านควรตรวจสอบประกาศอย่างเป็นทางการล่าสุดของ WEMIX ก่อนตัดสินใจ
คำปฏิเสธความรับผิดชอบ: หน้านี้แปลโดยใช้เทคโนโลยี AI เพื่อความสะดวกของคุณ สำหรับข้อมูลที่ถูกต้องที่สุด โปรดดูต้นฉบับภาษาอังกฤษ