Tại sao AI cần sự tin tưởng, năng lượng hạt nhân và các tác nhân gốc crypto Trong tập này của DROPS, tôi ngồi xuống với Ben Frigon để thảo luận về lý do tại sao AI có thể sớm tự động hóa một phần lớn cuộc sống của bạn, nhưng chỉ khi chúng ta giải quyết ba vấn đề khó khăn cùng một lúc: sự tin tưởng, năng lượng và cơ sở hạ tầng. Từ năng lượng hạt nhân và quyền sở hữu dữ liệu đến các tác nhân AI di chuyển tiền trong khi bạn ngủ, @ben_frigon phác thảo một tương lai có vẻ tham vọng nhưng lại khá thực tế. Từ DeFi Summer đến @TalusNetwork Câu chuyện của Ben bắt đầu tại Đại học Brown trong mùa hè DeFi, khi Ethereum và các ứng dụng DeFi đầu tiên đang bùng nổ. Anh trở thành chủ tịch của câu lạc bộ blockchain và đồng thiết kế cái mà anh gọi là "khóa học đầu tiên có tín chỉ về NFT tại bất kỳ trường đại học nào trên thế giới," được giảng dạy ngay tại đỉnh cao của cơn sốt NFT. Sau khi tốt nghiệp, anh gia nhập quỹ đầu tư mạo hiểm crypto Distributed Global, dành những ngày của mình để "nghiên cứu mọi lĩnh vực của crypto mà bạn có thể nghĩ đến." Thói quen tò mò cuồng nhiệt đó là một trong số ít đặc điểm mà anh nghĩ rằng các nhà sáng lập giỏi và các nhà đầu tư giỏi thực sự chia sẻ. Bước ngoặt đến khi anh gặp người đồng sáng lập Mike, người đang được Polychain ươm tạo. @polychain và @SuiNetwork sau đó đã hỗ trợ Talus Network, và Ben đã chuyển từ nhà đầu tư sang nhà điều hành. Là một nhà sáng lập, anh nói, "bạn cần phải thực sự, thực sự lạc quan, gần như ngây thơ, một cách ngốc nghếch lạc quan," trong khi công việc của một VC là tưởng tượng mọi cách mà một thứ gì đó có thể thất bại. Sống cả hai vai trò giúp anh xây dựng một cách tham vọng, nhưng với một cảm giác thực tế về rủi ro. Có phải có một bong bóng AI? Khi được hỏi liệu chúng ta có đang ở trong một bong bóng AI hay không, Ben nói, "Tôi không nghĩ rằng có một bong bóng AI. Tôi nghĩ rằng các bội số có thể giảm xuống, nhưng một bong bóng sẽ ngụ ý rằng khoản đầu tư là lãng phí. Tôi không nghĩ rằng đó là lãng phí so với cơ hội mà chúng ta có." Vấn đề thực sự, anh nói, là AI không phù hợp với kinh tế học đầu tư mạo hiểm cổ điển. Đào tạo các mô hình cạnh tranh có nghĩa là chi tiêu phần cứng khổng lồ ngay từ ngày đầu tiên, điều này trái ngược với câu chuyện "hai người trong một gara" mà VC được thiết kế để tài trợ. Đó là lý do tại sao nhiều tiến bộ đang diễn ra bên trong các công ty công nghệ lớn với bảng cân đối tài chính sâu sắc. Đối với Ben, cách định hình đúng quan trọng hơn cả tài chính. "Lượng tốt mà điều này có thể làm cho thế giới là điều chưa từng thấy trước đây." Nếu chúng ta làm đúng, AI sẽ thay đổi cách chúng ta làm việc, học hỏi, đưa ra quyết định và thậm chí là mối quan hệ của chúng ta với nhau. Nhưng lợi ích đó chỉ có ý nghĩa nếu chúng ta đối mặt với hai rủi ro lớn. Rủi ro lớn: Mô hình sai và không đủ năng lượng Rủi ro đầu tiên là thiết kế mô hình. Các mô hình ngôn ngữ lớn ngày nay rất ấn tượng nhưng hẹp: tuyệt vời trong việc làm việc với văn bản, yếu trong lý luận chuỗi thời gian và các nhiệm vụ thể hiện như giao dịch hoặc robot. Ben tin rằng chúng ta cuối cùng sẽ cần "các mô hình thế giới" học hỏi giống như con người nếu chúng ta muốn có các tác nhân có thể xử lý sự phức tạp của thế giới thực. Nếu chúng ta vẫn bị khóa trong mô hình LLM hiện tại, các bản demo hào nhoáng có thể đạt đến đỉnh cao trước khi chúng ta đạt được các trường hợp sử dụng mà mọi người đang mơ ước. Rủi ro thứ hai là năng lượng. Đào tạo và vận hành các mô hình tiên tiến rất tốn năng lượng, và lưới điện đã bị căng thẳng nơi các trung tâm dữ liệu tập trung. Ben nói thẳng thừng: Hoa Kỳ cần một "Thỏa thuận Hạt nhân mới." Các lò phản ứng mô-đun nhỏ hiện đại an toàn hơn và rẻ hơn, nhưng nhiên liệu, chuỗi cung ứng và chuyên môn xung quanh chúng đã suy yếu. Xây dựng lại điều đó, anh lập luận, nên là một ưu tiên hàng đầu trong nước: "Không có lựa chọn nào khác ngoài năng lượng hạt nhân" nếu Mỹ nghiêm túc về việc hiện thực hóa tiềm năng đầy đủ của AI. Tại sao AI và Blockchain thực sự phù hợp Thật dễ dàng để bác bỏ "AI + crypto" như một chiến lược tiếp thị, nhưng Ben phân chia giao điểm thành ba lớp rõ ràng: tính toán, dữ liệu và tác nhân. ...