Réseaux d'incitation : le chaînon manquant entre l'IA et le monde réel

Les réseaux décentralisés rendent tout plus compliqué, mais les réseaux décentralisés peuvent gérer des choses compliquées. Lorsqu’il s’agit de répondre à la demande gloutonne de puissance de calcul de l’intelligence artificielle (IA), le problème pourrait bien être suffisamment compliqué pour justifier la décentralisation.

Decentralized networks complicate everything, but they can also handle complicated things. When it comes to artificial intelligence’s (AI) insatiable demand for computing power, the problem might just be knotty enough for decentralization.

Les réseaux décentralisés compliquent tout, mais ils peuvent aussi gérer des choses compliquées. Lorsqu’il s’agit de la demande insatiable de puissance de calcul de l’intelligence artificielle (IA), le problème pourrait bien être suffisamment épineux pour justifier une décentralisation.

Incentive networks are a type of decentralized network that reward individual behavior that benefits the network as a whole, fostering an “ecosystem” mentality. What distinguishes a simple ecosystem from an incentive network is its intentionality and mechanisms. An ecosystem is often a fortunate accident, the sum of competing forces deciding they are better off working within certain parameters than outside the group. An incentive network is designed for shared success from the get-go.

Les réseaux d'incitation sont un type de réseau décentralisé qui récompense les comportements individuels qui profitent au réseau dans son ensemble, favorisant une mentalité « d'écosystème ». Ce qui distingue un écosystème simple d’un réseau d’incitations, c’est son intentionnalité et ses mécanismes. Un écosystème est souvent un heureux hasard, la somme de forces concurrentes décidant qu’il est préférable de travailler dans le cadre de certains paramètres plutôt qu’en dehors du groupe. Un réseau d’incitations est conçu pour un succès partagé dès le départ.

But how does this relate to AI? Think of scalable AI applications as mechanical entities that churn out simple answers from ludicrously large data sets using computational power, like gas in a car. The more data you haul and the faster you want the answers, the more gas you burn, and the biggest and most complex AI models burn several times what smaller ones do: OpenAI’s GPT-4 cost $78 million in compute to train, while Google’s Gemini Ultra cost $191 million. With numbers that big, a system that can reduce hardware investments and dynamically allocate resources to reduce overall costs while remaining impartial to the participants is crucial — and that’s what incentive networks do.

Mais quel est le rapport avec l’IA ? Considérez les applications d’IA évolutives comme des entités mécaniques qui produisent des réponses simples à partir d’ensembles de données ridiculement volumineux en utilisant la puissance de calcul, comme l’essence dans une voiture. Plus vous transportez de données et plus vite vous voulez des réponses, plus vous brûlez de gaz, et les modèles d'IA les plus grands et les plus complexes brûlent plusieurs fois ce que font les plus petits : le GPT-4 d'OpenAI a coûté 78 millions de dollars en calcul pour s'entraîner, tandis que le Gemini de Google Ultra a coûté 191 millions de dollars. Avec des chiffres aussi importants, un système capable de réduire les investissements en matériel et d'allouer dynamiquement des ressources pour réduire les coûts globaux tout en restant impartial envers les participants est crucial – et c'est ce que font les réseaux d'incitation.

Continue Reading on Coin Telegraph

Continuer la lecture sur Coin Telegraph