인센티브 네트워크: AI와 현실 세계 사이의 잃어버린 연결고리

분산형 네트워크는 모든 것을 더 복잡하게 만들지만 분산형 네트워크는 복잡한 일을 처리할 수 있습니다. 인공지능(AI)의 컴퓨팅 성능에 대한 탐욕스러운 요구를 해결하는 데 있어서 문제는 분산화에 충분히 복잡할 수 있습니다.

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.

분산형 네트워크는 모든 것을 복잡하게 만들지만 복잡한 일도 처리할 수 있습니다. 컴퓨팅 성능에 대한 인공지능(AI)의 끝없는 요구에 관해서는 문제가 분산화에 충분히 어려울 수 있습니다.

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.

인센티브 네트워크는 "생태계" 사고방식을 조성하여 네트워크 전체에 이익이 되는 개인의 행동에 보상하는 일종의 분산형 네트워크입니다. 단순한 생태계와 인센티브 네트워크를 구별하는 것은 의도성과 메커니즘입니다. 생태계는 종종 운이 좋은 사고이며, 그룹 외부보다 특정 매개변수 내에서 작업하는 것이 더 낫다고 결정하는 경쟁 세력의 합입니다. 인센티브 네트워크는 처음부터 공유된 성공을 위해 설계되었습니다.

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.

그러나 이것이 AI와 어떤 관련이 있습니까? 확장 가능한 AI 애플리케이션을 자동차의 휘발유처럼 컴퓨팅 성능을 사용하여 터무니없이 큰 데이터 세트에서 간단한 답변을 생성하는 기계적 개체로 생각하십시오. 더 많은 데이터를 수집하고 답변을 더 빨리 원할수록 더 많은 가스를 소모하며, 가장 크고 가장 복잡한 AI 모델은 작은 모델보다 몇 배 더 많은 비용을 소모합니다. OpenAI의 GPT-4는 훈련하는 데 컴퓨팅 비용이 7,800만 달러인 반면 Google의 Gemini는 울트라의 비용은 1억 9100만 달러였습니다. 숫자가 이렇게 커지면 하드웨어 투자를 줄이고 자원을 동적으로 할당하여 전체 비용을 줄이면서 참여자에게 공정성을 유지하는 시스템이 중요합니다. 이것이 바로 인센티브 네트워크가 하는 일입니다.

Continue Reading on Coin Telegraph

코인 텔레그래프에서 계속 읽기