Uthibitisho wa Mafunzo (PoT): Kukabiliana na Nguvu ya Uchimbaji wa Fedha za Kielektroniki kwa Mafunzo ya Kisasa ya Akili Bandia

Yaliyomo

1. Utangulizi

1.1 Motisha

Muunganiko wa teknolojia ya akili bandia na blockchain unaleta fursa ya kipekee ya kushughulikia changamoto kubwa katika nyanja zote mbili. Uchimbaji wa fedha za kielektroniki, hasa mbinu za Uthibitisho wa Kazi (PoW), hutumia kiasi kikubwa cha nishati—Matumizi ya umeme ya Bitcoin kwa mwaka yalizidi ya Sweden (131.79 TWh) mwaka 2022. Wakati huo huo, mafunzo ya akili bandia yanahitaji rasilimali kubwa za kihesabu, na gharama za kufundisha ChatGPT zikizidi dola milioni 5 na gharama za kila siku za uendeshaji zikifikia dola 100,000 kabla ya viwango vya sasa vya matumizi.

1.2 Taarifa ya Tatizo

Changamoto tatu kuu zinalenga pengo kati ya akili bandia na uchimbaji wa fedha za kielektroniki: (1) kutokuwa na ufanisi wa nishati ya makubaliano ya PoW, (2) rasilimali za kihesabu zisizotumiwa vyema baada ya mabadiliko ya Ethereum kwa PoS, na (3) vikwazo vikubwa vya kuingia kwa ukuzaji wa akili bandia kutokana na gharama za kihesabu.

Matumizi ya Nishati

131.79 TWh - Matumizi ya nishati ya Bitcoin ya 2022

Hashrate Isiyotumika

1,126,674 GH/s - Inapatikana baada ya mabadiliko ya Ethereum PoS

Gharama za Mafunzo ya Akili Bandia

$5M+ - Gharama za mafunzo ya ChatGPT

2. Itifaki ya Uthibitisho wa Mafunzo

2.1 Ubunifu wa Usanifu

Itifaki ya PoT inatumia utaratibu wa makubaliano ya Uvumilivu Vitendo wa Makosa ya Byzantine (PBFT) ili kuweka wakati mmwa hali za ulimwengu. Usanifu wa mfumo una sehemu kuu tatu: nodi za mafunzo zilizosambazwa, uthibitishaji wa makubaliano, na seva za muundo wa mkusanyiko.

2.2 Utekelezaji wa Kiufundi

Itifaki hii inatekeleza mtandao wa mafunzo usio na kituo cha kusimamia (DTN) unaokubali PoT kwa kuratibu mafunzo ya muundo wa akili bandia uliosambazwa. Msingi wa kihisabati unajumuisha mbinu za mkusanyiko wa gradient na uthibitishaji wa muundo.

Muundo wa Kihisabati

Mkusanyiko wa gradient hufuata fomula:

$\\theta_{t+1} = \\theta_t - \\eta \\cdot \\frac{1}{N} \\sum_{i=1}^N \\nabla L_i(\\theta_t)$

Ambapo $\\theta$ inawakilisha vigezo vya muundo, $\\eta$ ni kiwango cha kujifunza, na $L_i$ ni kitendakazi cha hasara kwa mfanyakazi $i$.

Msimbo Bandia: Algorithm ya Makubaliano ya PoT

function PoT_Consensus(training_task, validators):
    # Anzisha mafunzo yaliyosambazwa
    model = initialize_model()
    
    for epoch in range(max_epochs):
        # Sambaza muundo kwa wachimbaji
        gradients = []
        for miner in mining_nodes:
            gradient = miner.compute_gradient(model, training_task)
            gradients.append(gradient)
        
        # Thibitisha gradients kutumia PBFT
        if PBFT_validate(gradients, validators):
            aggregated_gradient = aggregate_gradients(gradients)
            model.update(aggregated_gradient)
        
        # Usambazaji wa malipo kulingana na mchango
        distribute_rewards(gradients, mining_nodes)
    
    return trained_model

3. Matokeo ya Majaribio

3.1 Vipimo vya Utendaji

Tathmini ya itifaki inaonyesha maboresho makubwa katika mwingiliano wa kazi, uimara wa mfumo, na usalama wa mtandao. Mtandao wa mafunzo usio na kituo cha kusimamia ulifikia 85% ya utendaji wa njia mbadala zilizokusanywa huku ukitumia miundombinu ya uchimbaji iliyokuwa tayari.

3.2 Tathmini ya Mfumo

Matokeo ya majaribio yanaonyesha kuwa itifaki ya PoT ina uwezo mkubwa katika suala la matumizi ya rasilimali na ufanisi wa gharama. Mfumo ulidumisha wakati wa kufanya kazi wa 99.2% wakati wa kupima msongo pamoja na nodi za mafunzo za wakati mmwa zaidi ya 1,000.

Ufahamu Muhimu

85% utendaji ikilinganishwa na mafunzo yaliyokusanywa
99.2% wakati wa kufanya kazi wa mfumo chini ya mzigo
Kupunguzwa kwa 60% kwa gharama za kihesabu
Usaidizi wa nodi za wakati mmwa zaidi ya 1,000

4. Uchambuzi wa Kiufundi

Itifaki ya Uthibitisho wa Mafunzo inawakilisha uvumbuzi mkubwa katika hesabu zilizosambazwa, ikivunja pengo kati ya nyanja mbili za kiteknolojia zinazokua kwa kasi. Kama vile CycleGAN (Zhu et al., 2017) ilivyothibitisha tafsiri ya picha-hadi-picha isiyo na usimamizi, PoT inawezesha matumizi ya kubadilisha ya miundombinu ya kihesabu bila kuhitaji mabadiliko ya msingi kwa vifaa vilivyopo. Matumizi ya itifaki hii ya makubaliano ya PBFT yanafanana na utafiti uliokubalika wa mifumo iliyosambazwa kutoka kwa mashirika kama Maabara ya Sayansi ya Kompyuta na Akili Bandia ya MIT, ambayo imesoma kwa kina uvumilivu wa makosa ya Byzantine katika mitandao iliyosambazwa.

Kutoka kwa mtazamo wa kiufundi, PoT inashughulikia tatizo la "kazi muhimu" ambalo limekuwa likiwatesa mifumo ya Uthibitisho wa Kazi tangu kuanzishwa kwake. Tofauti na PoW ya kitamaduni ambapo juhudi za kihesabu hutumika tu kwa madhumuni ya usalama, PoT inaelekeza juhudi hizi kuelekea mafunzo ya vitendo ya muundo wa akili bandia. Mbinu hii inashiriki ufanano wa kifalsafa na mradi wa DAWNBench wa Stanford, ambao ulilenga kufanya mafunzo ya ujifunzaji wa kina kuwa rahisi zaidi na yenye ufanisi, ingawa PoT inapanua dhana hii kwa miundombinu isiyo na kituo cha kusimamia.

Matokeo ya kiuchumi ni makubwa. Kwa kuunda soko la mafunzo ya akili bandia yaliyosambazwa, PoT inaweza kuwezesha upatikanaji wa rasilimali za kihesabu kama vile majukwaa ya kompyuta wingu (AWS, Google Cloud) lakini kwa utawala usio na kituo cha kusimamia. Hata hivyo, changamoto zinasalia katika faragha na uthibitishaji wa muundo—masuala ambayo watafiti katika taasisi kama Maabara ya Hesabu Zilizosambazwa ya EPFL wamekuwa wakiyashughulikia kupitia hesabu salama za vyama vingi na uthibitisho wa kutokuwa na ujuzi.

Ikilinganishwa na mbinu za ujifunzaji wa shirikisho zilizoanzishwa na Utafiti wa Google, PoT inaanzisha motisha za msingi za blockchain ambazo zinaweza kushughulikia tatizo la hifadhi ya data huku ikiwahakikishia walioshiriki fidia. Mafanikio ya itifaki yatategemea kufikia usawa mzuri kati ya ufanisi wa kihesabu, dhamana za usalama, na motisha za kiuchumi—changamoto inayofanana na matatizo ya optimization yanayokabiliwa katika kufundisha mitandao changamano ya neva yenyewe.

5. Matumizi ya Baadaye

Itifaki ya PoT inafungua mwelekeo kadhaa wa matumizi ya baadaye:

Ushirikiano wa Mnyororo Mwingi: Kupanua PoT kwa mitandao mingi ya blockchain ili kuunda soko la umoja la kihesabu
Boresho Maalum la Vifaa: Kukua ASICs zilizobuniwa mahsusi kwa mafunzo ya akili bandia ndani ya mfumo wa PoT
Uboreshaji wa Ujifunzaji wa Shirikisho: Kuchanganya PoT na mbinu za kulinda faragha kwa matumizi ya data nyeti
Ushirikiano wa Hesabu ya Ukingoni: Kuweka nodi nyepesi za PoT kwenye vifaa vya ukingo kwa matumizi ya IoT
Mipango ya Akili Bandia ya Kijani: Kukokotoa vyanzo vya nishati mbadala kwa miundombinu ya endelevu ya mafunzo ya akili bandia

Matumizi haya yanaweza kuathiri kwa kiasi kikubwa viwanda ikiwemo afya (uchambuzi wa picha za matibabu zilizosambazwa), fedha (mafunzo ya muundo wa kugundua udanganyifu), na mifumo huria (mafunzo ya simuleshaji yaliyosambazwa).

6. Marejeo

Zhu, J. Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. IEEE International Conference on Computer Vision (ICCV).
Buterin, V. (2014). A Next-Generation Smart Contract and Decentralized Application Platform. Ethereum White Paper.
Cambridge Bitcoin Electricity Consumption Index. (2023). University of Cambridge.
OpenAI. (2023). ChatGPT: Optimizing Language Models for Dialogue.
Hive Blockchain Technologies. (2023). HPC Strategy Update.
Lamport, L., Shostak, R., & Pease, M. (1982). The Byzantine Generals Problem. ACM Transactions on Programming Languages and Systems.
McMahan, B., Moore, E., Ramage, D., Hampson, S., & y Arcas, B. A. (2017). Communication-Efficient Learning of Deep Networks from Decentralized Data. Artificial Intelligence and Statistics.
Stanford DAWNBench. (2018). An End-to-End Deep Learning Benchmark Suite.
EPFL Distributed Computing Laboratory. (2022). Secure Multi-Party Computation for Machine Learning.