ブロックチェーンと機械学習はどのようにして最も強力な人工知能を生み出すのでしょうか?

ブロックチェーン市場のデータに基づいて機械学習モデルをトレーニングすることで、世界で最も影響力のある人工知能を作成できる可能性があります。これらは、プライベート情報を漏らすことなくトレーニングできるプライベート機械学習と、これらのシステムが最良のデータとモデルを引き付けてよりスマートにすることを可能にするブロックチェーンベースのインセンティブという 2 つの部分を組み合わせたものです。その結果、誰もがデータを販売して非公開にできるオープンな市場が生まれ、開発者もインセンティブを通じてアルゴリズムに最適なデータを引き寄せることができるようになります。

これらのシステムを構築するのは非常に困難であり、必要な構成要素はまだ作成中ですが、シンプルな初期バージョンからすると、現在では可能と思われます。これらの市場は、現在の Web 2.0 時代から、コードとアルゴリズムが競争に開放され、アルゴリズムとデータが直接利益を得られる Web 3.0 時代へと私たちを移行させると私は信じています。

起源

このアイデアは、2015 年に Numerai Foundation の Richard 氏と話し合ったことから生まれました。 Numerai は、株式市場モデルを希望し作成するデータ サイエンティストに暗号通貨市場データを送信するヘッジ ファンドです。 Numerai は最新のモデルを「メタモデル」に送信し、このメタモデルを取引し、これらのモデルのプラットフォームを構築したデータ サイエンティストに報酬を支払います。

データサイエンティストを競争させるというのは、非常に良いアイデアのように思えます。すると、さらに疑問が湧いてきます。あらゆるシナリオに適用できる、完全に分散化されたバージョンのシステムを構築できるでしょうか? 答えはイエスだと私は知っています。

作成する

たとえば、私たちは分散型取引所でデジタル通貨を取引するための完全に分散化されたシステムを構築しようとしています。これは、それを作成するための多くの潜在的な方法の 1 つです。

データプロバイダーはデータを資産として受け取り、モデル ビルダーに使用のために提供します。

モデル構築 モデラーは使用するデータを選択し、モデルを作成します。トレーニングは安全なコンピューティング方法を使用して実行されるため、基礎となるデータを公開せずにモデルをトレーニングすることもできます。モデルには異なる重みが必要です。

メタモデルの構築 メタモデルは、各モデルの重みを考慮したアルゴリズムに基づいて作成されます。

メタモデルの作成はオプションです。メタモデルなしで多くのモデルが使用されることが想像できます。

メタモデルを使用するスマート コントラクトは、メタモデルを使用して、分散型取引メカニズムを通じてチェーン上でトランザクションを実行します。

利益/損失の分配一定期間が経過すると、取引によって利益または損失が発生します。この利益または損失は、このメタモデルの貢献者の貢献額に基づいて分配されます。マイナスの貢献をしたモデルは、担保の一部または全部が削除されます。

検証計算は計算の各ステップで集中化されていますが、検証とチャレンジは Truebit などの分散システムまたは安全なマルチ計算を使用して実行されます。

ストレージデータとモデルは、オンチェーン ストレージはコストがかかりすぎるため、IPFS などのノードまたはマルチロール コンピューティング ネットワークに保存されます。

このようなシステムを動かすものは何でしょうか?

世界最高のデータを引き付けるためのインセンティブ データは機械学習の制限要因であるため、データを引き付けるためのインセンティブ モデルはこのシステムの最も重要な部分です。同様に、ビットコインはオープンインセンティブを通じて世界最大のコンピューティングパワーネットワークを確立しており、適切なデータインセンティブアーキテクチャは、アプリケーションに世界で最も強力なデータを引き付けることになります。そして、何千、何百万ものソースからのデータを禁止することはほぼ不可能です。

• コード間の競争これまでになかったモデル/コード間のオープンな競争を生み出します。分散型 Facebook 上で何千もの競合するニュースフィード アルゴリズムを起動します。
• 報酬の透明性:すべての計算が検証可能であるため、データおよびモデルプロバイダーは、提出されたタスクに関連する公正な利益を受け取ったことを確認でき、人々がそのようなプロジェクトに参加する意欲が高まります。
• 自動化はオンチェーンで動作し、トークンから直接価値を引き出し、自動化された信頼のないクローズドループを作成します。
• ネットワーク効果多面的なネットワークは、ユーザー、データ プロバイダー、データ エキスパートの影響を受け、システムが自己強化されます。システムのパフォーマンスが向上すればするほど、より多くの資本が集まり、それはまた、より大きな潜在的利益を意味し、より多くのデータプロバイダーとデータ専門家が集まり、彼らはシステムをよりスマートにし、それによってより多くの資本が集まり、好循環が形成されます。

プライバシー

上記の点に加えて、主な機能はプライバシーです。これにより、1) ユーザーは共有するにはプライベートすぎるデータを送信でき、2) データの経済的価値とモデルが破壊されるのを防ぐことができます。暗号化されていないデータが公開されると、そのデータとモデルは、他の人が貢献しなくても自由にコピーして使用できます（「フリーライダー」問題）

この問題の解決策の一つは、データの販売を非公開にすることです。購入者がデータを再販または公開することを選択した場合でも、その価値は時間の経過とともに低下します。ただし、このアプローチではユースケースが短期に限定され、依然として典型的なプライバシーの懸念が残ります。したがって、より複雑ではあるが効果的な解決策は、何らかの安全なコンピューティング方法を使用することです。

セキュアコンピューティング

安全なコンピューティング方法により、データ自体を公開せずにモデルをトレーニングできます。現在使用され研究されているセキュアコンピューティング方式には、準同型暗号化 (HE)、マルチパーティセキュアコンピューティング (MPC)、ゼロ知識証明 (ZKP) の 3 種類があります。準同型暗号化は遅すぎることと、ゼロ知識証明を機械学習に組み込む方法が明確でないことなどから、現在、プライベート機械学習で最も広く使用されているアルゴリズムはマルチパーティ計算です。安全なコンピューティング手法は、コンピューター サイエンスの研究の最前線にあります。これらは通常、通常の計算よりも指数関数的に遅く、システムのボトルネックとなりますが、長年にわたって大幅に改善されてきました。

*** 推薦システム

プライベート機械学習の可能性を説明するために、「*** Recommender System」というアプリを考えてみましょう。閲覧履歴、アプリで行ったすべてのこと、携帯電話内の写真、位置データ、消費記録、ウェアラブルセンサー、情報コンテンツ、自宅のカメラ、ARグラスのカメラなど、デバイスを通じて行うすべてのことを見ることができます。次に、次に訪問するべき Web サイト、読むべき記事、聴くべき音楽、購入すべき製品などの提案が表示されます。

この推奨システムは非常に便利です。 Google、Facebook、またはその他の既存のデータベースには、おそらくこのようなシステムは存在しないでしょう。なぜなら、これらのデータベースはあなたに関する独自の長期的な視点を持っており、システムはあなたのプライベートで漏洩しない情報から学習できるからです。前述の暗号通貨取引所のケースと同様に、さまざまな分野（ウェブサイトの推奨、音楽など）のモデルに焦点を当て、ユーザーの暗号化されたデータへのアクセスを競い合い、ユーザーに推奨を行い、場合によってはデータの提供に対してユーザーに報酬を支払い、推奨内容に焦点を当てることで機能します。 Google のフェデレーテッド ラーニングと Apple の差分プライバシーは、プライベートな機械学習の方向への一歩ですが、依然として信頼が必要であり、ユーザーがセキュリティを直接検証することはできず、データは非公開のままです。

どのオプションが最初に実装される可能性が高いでしょうか?

どのような構造が最適かを正確に言うことはできませんが、いくつかアイデアはあります。私がブロックチェーン ソリューションを評価する際に使用する基準の 1 つは、物理ネイティブからデジタル ネイティブ、ブロックチェーン ネイティブまでの一連の調査です。ブロックチェーン ネイティブであればあるほど、優れています。ブロックチェーンネイティブ度が低いほど、関与するサードパーティが増え、複雑さが増し、他のシステムを構成要素として使用する際の使いやすさが低下します。

ここで、システム内での価値創造が適切であれば、システムが直接法定通貨の形で正常に動作する可能性が高いことを意味し、より良い選択肢はトークンであると私は考えています。これにより、純粋な閉ループ システムが完成します。これまでの暗号通貨取引システムは、X 線腫瘍識別システムと比較することができます。後者の場合、X 線モデルが価値があることを保険会社に納得させ、その価値について交渉し、その後、少数の現役の人々を信頼してモデルの成功/失敗を真剣に判断してもらう必要があります。

これは、社会がデジタルネイティブシステムを使用するポジティブサムシナリオが発生しないということではありません。前述したように、推奨システムも非常に役立ちます。デジタル市場に接続すると、モデルがチェーン上でコードを実行できる別のユースケースがあり、システムの報酬は生成（デジタル市場の場合）となり、純粋なクローズドループが作成されます。今は明確ではないかもしれませんが、ブロックチェーンネイティブのタスクは時間の経過とともに拡大していくと予想しています。

影響

まず、分散型機械学習市場は、既存のテクノロジー大手によるデータの独占を排除することができます。彼らは過去 20 年間にわたり、インターネットの価値創造のための主要なリソースである独自のデータ ネットワークとそれを取り巻く強力なネットワーク効果を標準化し、コモディティ化してきました。したがって、価値創造はデータレベルからアルゴリズムレベルへと移行し始めます。

技術の標準化と商業化のサイクルの中で、インターネット時代における価値独占は終わりを迎えつつあります。つまり、AI のための直感的なビジネス モデルを作成したのです。

第二に、分散型機械学習市場は、直接的な経済的インセンティブを通じて世界最高のデータとモデルを引き付け、世界で最も強力な AI システムを生み出します。マルチパーティネットワークの効率性が高まるにつれて、その強さは増します。インターネット 2.0 時代にデータ ネットワークの独占が商業化されるにつれ、それらは次の再統合点の候補になりそうです。数年かかるかもしれませんが、私たちは正しい方向に向かっています。

3 番目に、推奨システムが示すように、検索は逆転します。人々が商品を探すのではなく、商品が人々に役立つように探し、競争するのです。誰もが自分のお気に入りのマーケットを持っている可能性があり、推奨システムは個人の定義に非常に関連性の高い最も関連性の高いコンテンツを表示できます。

4 番目に、分散型機械学習市場により、データを渡すことなく、Google や Facebook と同じメリットを享受できるようになります。

第 5 に、Web 2.0 時代の少数の大企業の少数のエンジニアだけではなく、あらゆるエンジニアがデータのオープン マーケットにアクセスできるため、機械学習はより急速に発展できます。

チャレンジ

まず、安全な計算モデルは現在実行に時間がかかり、機械学習はすでに計算コストがかかっています。一方、セキュアコンピューティングのパフォーマンスも徐々に向上しています。また、過去 6 か月間で、HE、MPC、ZKP で大幅なパフォーマンス向上を実現できるソリューションもいくつか見てきました。特定のデータやモデル値を計算してメタモデルに提供することは困難です。混雑したデータのクリーニングとフォーマットは困難です。ツール、標準化、中小企業が協力してこの問題を解決することを期待しています。 ***、このようなシステムの一般化された構造を作成するためのビジネス モデルは、単一のインスタンスを作成する場合よりも明確ではありません。これは、特定の市場を含む多くの新しい暗号通貨に当てはまります。

結論は

プライベート機械学習とブロックチェーンインセンティブを組み合わせることで、さまざまなアプリケーションで最先端の機械知能を生み出すことができます。しかし、依然として非常に深刻な技術的課題がいくつかあります。長期的な可能性は非常に大きく、既存の大手インターネット企業によるデータ所有権の現状を変えることになるでしょう。実のところ、これは少し怖いことです。なぜなら、こうしたシステムは存在し、自らを強化し、個人データを消費し、シャットダウンすることがほぼ不可能であるため、こうしたシステムを作成すると、より強力なモロクが召喚されるのではないかと考えさせられるからです。いずれにせよ、これは暗号通貨がゆっくりと成長し、その後突然あらゆる業界に参入する可能性があることを示すもう一つの例です。