インセンティブ ネットワーク: AI と現実世界の間の失われたリンク

分散型ネットワークはすべてをより複雑にしますが、分散型ネットワークは複雑なことを処理できます。人工知能 (AI) のコンピューティング能力に対する過度の要求を解決することになると、問題は分散化するには十分に複雑になる可能性があります。

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.

分散型ネットワークはすべてを複雑にしますが、複雑なことも処理できます。人工知能 (AI) のコンピューティング能力に対する飽くなき要求に関して言えば、問題は分散化するには十分難しい問題である可能性があります。

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.

インセンティブ ネットワークは、ネットワーク全体に利益をもたらす個人の行動に報酬を与える分散型ネットワークの一種で、「エコシステム」の考え方を促進します。単純なエコシステムとインセンティブ ネットワークの違いは、その意図性とメカニズムです。生態系はしばしば幸運な偶然であり、競合する力の合計が、グループの外よりも特定のパラメータ内で動作する方が良いと判断します。インセンティブ ネットワークは、最初から成功を共有できるように設計されています。

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.

しかし、これは AI とどのように関係するのでしょうか?スケーラブルな AI アプリケーションは、車のガソリンのように、計算能力を使用してばかばかしいほど大規模なデータセットから単純な答えを大量に生み出す機械的なエンティティとして考えてください。より多くのデータを収集し、より速く答えを求めれば求めるほど、より多くのガスを消費し、最大かつ最も複雑な AI モデルは小規模なものの数倍消費します。OpenAI の GPT-4 はトレーニングに 7,800 万ドルのコンピューティング費用がかかりますが、Google の Gemini はウルトラの費用は1億9,100万ドルでした。これほど大きな数字がある場合、ハードウェア投資を削減し、リソースを動的に割り当てて、参加者に対して公平性を保ちながら全体のコストを削減できるシステムが重要であり、それがインセンティブ ネットワークの機能です。

Continue Reading on Coin Telegraph

コインテレグラフの続きを読む