คนส่วนใหญ่มักคิดว่า AI ที่ฉลาดที่สุดคืออันที่รันบนฟาร์มเซิร์ฟเวอร์ขนาดใหญ่ที่สุด OpenAI, Google DeepMind และ Anthropic ต่างก็รันสายพานอินเฟอเรนซ์แบบรวมศูนย์ ซึ่งมีโมเดลตัวเดียวตอบคุณเพียงคำตอบเดียว
คุณเชื่อคำตอบนั้นเพราะบริษัทที่อยู่เบื้องหลังบอกให้คุณเชื่อ
ไม่มีอะไรนอกระบบตรวจสอบเลยว่ามันถูกต้องจริงหรือไม่
การทำอินเฟอเรนซ์ AI แบบกระจายศูนย์กลับด้านตรรกะนี้ แทนที่จะพึ่งพาโมเดลเดียว เครือข่ายของโมเดลที่แข่งกันจะส่งคำตอบ เปรียบเทียบแต่ละคำตอบกับผลงานในอดีต และสังเคราะห์ผลลัพธ์ที่โดยทั่วไปดีกว่าผู้ร่วมส่งรายใดรายหนึ่ง
ไอเดียนี้กำลังได้รับแรงส่งจริงจัง Allora (ALLO) เพิ่มขึ้น 197% ในช่วง 24 ชั่วโมงที่ผ่านมา ขณะที่ Bittensor (TAO) และ NEAR Protocol (NEAR) ต่างเร่งสร้างเลเยอร์อินเฟอเรนซ์ AI ของตัวเอง
TL;DR
- อินเฟอเรนซ์ AI แบบกระจายศูนย์ใช้เครือข่ายโมเดลที่แข่งขันกัน โดยเอาผลลัพธ์มาเฉลี่ยและถ่วงน้ำหนักตามความแม่นยำในอดีต ทำให้ได้การพยากรณ์ที่น่าเชื่อถือกว่าโมเดลตัวเดียว
- อินเฟอเรนซ์ AI บนคลาวด์พึ่งพาโมเดลผู้ให้บริการรายเดียว ข้อมูลฝึกสอนรายเดียว และอัปไทม์รายเดียว เครือข่ายแบบกระจายศูนย์กำจัดจุดล้มเหลวทั้งสามนี้พร้อมกัน
- สำหรับเทรดเดอร์คริปโตและโปรโตคอล DeFi การทำอินเฟอเรนซ์บนเชนช่วยให้สร้างการคาดการณ์ราคา สกอร์ความเสี่ยง และสัญญาณตลาดได้โดยไม่ต้องเชื่อออราเคิลแบบรวมศูนย์หรือผู้ขาย AI รายเดียว
คำว่า AI Inference แปลว่าอะไรจริง ๆ
ก่อนจะเปรียบเทียบระบบแบบรวมศูนย์กับแบบกระจายศูนย์ ควรทำความเข้าใจกับคำคำหนึ่งให้ชัดเจนก่อน: “inference”
ในแมชชีนเลิร์นนิง inference คือขั้นตอนที่โมเดลที่ฝึกแล้วรับอินพุตใหม่แล้วสร้างเอาต์พุตออกมา การเทรนคือขั้นตอนที่ช้าและแพงของการสอนโมเดล ส่วนอินเฟอเรนซ์คือขั้นตอนที่เร็วและเรียกซ้ำได้ของการถามคำถามกับมัน
เวลา你พิมพ์พรอมป์เข้า ChatGPT คุณไม่ได้กำลังเทรนอะไรเลย
คุณกำลังรันอินเฟอเรนซ์กับโมเดลที่ถูกเทรนไว้ล่วงหน้าหลายเดือนแล้ว
เครื่องมือทำนายราคาที่ใช้ AI เครื่องยนต์ให้คะแนนความเสี่ยง และออราเคิลสมาร์ตคอนแทรกต์ก็เช่นกัน ทั้งหมดคือระบบอินเฟอเรนซ์ และคำถามสำคัญคือ ใครคุมมันอยู่
ในระบบแบบรวมศูนย์ บริษัทเดียวรันโมเดลเดียวบนเซิร์ฟเวอร์ของตัวเอง บริษัทเป็นคนตัดสินใจว่าจะเทรนใหม่เมื่อไหร่ ใช้ข้อมูลอะไรสอน และจะให้บริการออนไลน์ต่อหรือไม่ คอลทุกครั้งที่คุณเรียกจะวิ่งผ่านอินฟราสตรักเจอร์ของบริษัท และทุกคำตอบย้อนกลับไปยังแหล่งเดียวกัน
อินเฟอเรนซ์คือขั้นตอนที่แตะผู้ใช้ทุกวินาทีของทุกวัน การเทรนเกิดขึ้นครั้งคราว การควบคุมอินเฟอเรนซ์เท่ากับควบคุมสิ่งที่ AI พูดกับโลก ไม่ใช่แค่สิ่งที่มันเรียนรู้
เครือข่ายอินเฟอเรนซ์แบบกระจายศูนย์กระจายการควบคุมนั้นออกไป โหนดอิสระหลายตัว แต่ละตัวรันโมเดลของตัวเอง ส่งคำตอบให้กับคำถามเดียวกัน เลเยอร์โปรโตคอลจะรวบรวมคำตอบเหล่านั้นมาถ่วงน้ำหนักตามผลงานในอดีต แล้วคืนผลลัพธ์ผสม ไม่มีโหนดใดโหนดหนึ่งกำหนดเอาต์พุตสุดท้ายได้
Also Read: Strategy Moves 411 Bitcoin To Coinbase, Sale Fears Mount Again
การรวมผลทำให้ได้คำตอบดีกว่าโมเดลเดี่ยวได้อย่างไร
ข้อได้เปรียบด้านความแม่นยำของอินเฟอเรนซ์แบบกระจายศูนย์อาจดูไม่เป็นสัญชาตญาณ แต่คณิตศาสตร์เบื้องหลังได้รับการพิสูจน์มานานแล้ว แนวคิดนี้มาจาก ensemble learning ซึ่งเป็นเทคนิคหลักในงานวิจัยแมชชีนเลิร์นนิงตั้งแต่ทศวรรษ 1990
แก่นของไอเดียคือ โมเดลอิสระล้มเหลวด้วยวิธีที่ต่างกัน โมเดลหนึ่งอาจ overfit กับข้อมูลล่าสุดจนมองไม่เห็นโครงสร้างระยะยาว อีกโมเดลอาจฝึกจากข้อมูลกว้างแต่ไม่ทันสมัย ตัวที่สามอาจทำผลงานแย่ตอนตลาดผันผวนสูงแต่เก่งตอนตลาดนิ่ง เมื่อคุณเอาผลลัพธ์ทั้งสามมาถัวเฉลี่ยหรือถ่วงน้ำหนัก ข้อผิดพลาดเฉพาะตัวจะหักล้างกันเอง และสัญญาณร่วมจะถูกขยาย
Allora นำสิ่งนี้มาทำเป็น ตลาดการพยากรณ์ที่พัฒนาตัวเองได้ ผู้เข้าร่วมเครือข่ายแต่ละคนที่เรียกว่า worker node จะส่งการพยากรณ์พร้อมคะแนนความมั่นใจ เครือข่ายจะติดตามความแม่นยำในอดีตของทุกโหนดสำหรับแต่ละประเภทคำถาม โหนดที่ทำนายราคาสั้น ๆ ของ Bitcoin (BTC) ได้แม่นสม่ำเสมอจะได้ถ่วงน้ำหนักสูงเมื่อมีคำถาม BTC รอบถัดไป ส่วนโหนดที่ทายผิดบ่อยจะถูกลดน้ำหนัก สูญเสียทั้งอิทธิพลและรางวัลโทเคน
สิ่งนี้สร้างวงจร feedback ต่อเนื่อง คนทำงานมีแรงจูงใจทางการเงินให้พัฒนาโมเดล เพราะความแม่นยำที่สูงขึ้นหมายถึงรางวัลที่มากขึ้น เอาต์พุตรวมของเครือข่ายดีขึ้นเรื่อย ๆ เพราะผู้มีผลงานคุณภาพต่ำจะถูกบีบออกด้วยกลไกเศรษฐศาสตร์
Also Read: Venice Token Loses $15 Support While Large Whales Refuse To Step In
จุดอ่อนของอินเฟอเรนซ์บนคลาวด์แบบรวมศูนย์
เพื่อให้เข้าใจเสน่ห์ของอินเฟอเรนซ์แบบกระจายศูนย์ ควรไล่ดูโหมดความล้มเหลวของทางเลือกอย่างคลาวด์เสียก่อน สิ่งเหล่านี้ไม่ใช่ความเสี่ยงสมมติ แต่เป็นปัญหาที่เกิดซ้ำและถูกบันทึกไว้
อย่างแรกคือ ความเปราะบางของโมเดลเดียว ความแม่นยำของโมเดลรวมศูนย์ผูกติดกับข้อมูลที่ใช้ฝึก เมื่อสภาวะตลาดเปลี่ยน ป้อนข้อมูลเชิงโจมตี หรือเกิดเหตุการณ์ black-swan โมเดลจะเสื่อมลง และไม่มีแรงกดดันแก้ไขจากโมเดลคู่แข่งเพราะไม่มีโมเดลคู่แข่งเลย
อย่างที่สองคือ การอัปเดตที่ผู้ให้บริการควบคุม เมื่อ OpenAI หรือ Google เทรนใหม่หรืออัปเดตโมเดล ผู้ใช้ไม่มีสิทธิ์ตัดสินใจว่ารุ่นใหม่เหมาะกับเคสการใช้งานเฉพาะของตนหรือไม่ กลยุทธ์เทรดที่สร้างบนเอาต์พุตของ GPT-4 อาจพังในชั่วข้ามคืนเมื่อโมเดลถูกอัปเกรดแบบเงียบ ๆ
อย่างที่สามคือ การพึ่งพาอัปไทม์ของผู้ให้บริการ API อินเฟอเรนซ์แบบรวมศูนย์ล่มได้ เหตุล่มของ ChatGPT ในพฤศจิกายน 2022 และการหยุดให้บริการ API หลายครั้งหลังจากนั้นแสดงให้เห็นว่า จุดล้มเหลวเดียวในเลเยอร์อินเฟอเรนซ์สามารถลามไปยังทุกแอปที่สร้างทับอยู่
อย่างที่สี่คือ ความทึบเกี่ยวกับที่มาของข้อมูล เมื่อโมเดลรวมศูนย์สร้างเอาต์พุต จะไม่มีบันทึกที่ตรวจสอบได้บนเชนว่าเอาต์พุตนั้นมาจากข้อมูลฝึกแบบใด สำหรับแอปการเงินที่ความเป็นมาของโมเดลสำคัญ สิ่งนี้สร้างปัญหาทั้งด้านคอมพลายแอนซ์และความเชื่อถือ
อินเฟอเรนซ์บนคลาวด์แบบรวมศูนย์ขอให้คุณ “เชื่อบริษัท” อินเฟอเรนซ์แบบกระจายศูนย์ขอให้คุณ “ตรวจสอบผลงานที่ผ่านมา” สำหรับแอปการเงิน ความสามารถในการตรวจสอบมักชนะความน่าเชื่อถือเชิงสถาบัน
เครือข่ายอินเฟอเรนซ์แบบกระจายศูนย์แก้ทั้งสี่ปัญหาในระดับโครงสร้าง การมีหลายโมเดลทำให้การล้มเหลวของโมเดลใดโมเดลหนึ่งไม่ครอบงำ การถ่วงน้ำหนักบนเชนทำให้อัปเดตโปร่งใสและอิงผลงานจริง โหนดกระจายทำให้ไม่มีการพึ่งพาอัปไทม์ของรายเดียว บันทึกที่เปลี่ยนไม่ได้ทำให้ตรวจสอบที่มาของข้อมูลได้
Also Read: VanEck Delivers First Spot BNB ETF To U.S. Investors On Nasdaq
เครือข่ายอินเฟอเรนซ์แบบกระจายศูนย์รายสำคัญในตอนนี้
ปัจจุบันมีสามเครือข่ายที่กำหนดทิศทางของสถาปัตยกรรมนี้ในเชิงปฏิบัติ แต่ละเครือข่ายใช้วิธีที่แตกต่างกันอย่างมีนัยสำคัญ
Allora โฟกัสชัดที่สุดที่ “ความแม่นยำของการพยากรณ์” เป็นเมตริกหลัก ดีไซน์ถูกสร้างรอบเคสใช้งานคริปโตโดยกำเนิดอย่างการคาดการณ์ราคาและให้คะแนนความเสี่ยง DeFi โปรโตคอลทำงานแบบเมอริทโตแครซีต่อเนื่อง: โหนดถูกจัดอันดับด้วยความแม่นยำของการพยากรณ์ในหน้าต่างเวลาย้อนหลัง และรางวัลไหลตามอันดับ เครือข่ายรองรับ “topic” หลายแบบ แต่ละแบบแทนงานอินเฟอเรนซ์ต่างกัน เช่น การคาดการณ์ราคาของ BTC ใน 24 ชั่วโมง หรือให้คะแนนความผันผวนของ Ethereum (ETH) คนทำงานจะเชี่ยวชาญใน topic ที่โมเดลของตนทำได้ดีที่สุด
Bittensor ใช้วิธีที่กว้างกว่า มันทำงานเป็นมาร์เก็ตเพลสสำหรับงานแมชชีนเลิร์นนิงใด ๆ ไม่ใช่แค่การอินเฟอเรนซ์ด้านการเงิน ซับเน็ตภายในเครือข่าย Bittensor สามารถโฮสต์การสร้างข้อความ ภาพ หรือจัดทำดัชนีข้อมูล แต่ละซับเน็ตมีลอจิกการให้รางวัลของตนเอง ข้อแลกเปลี่ยนคือความ “ทั่วไป” ของ Bittensor ทำให้ยากที่จะปรับให้เหมาะกับความแม่นยำระดับสูงที่การอินเฟอเรนซ์ด้านการเงินต้องการ
NEAR Protocol ไล่ตามอินเฟอเรนซ์ AI จากมุมที่ต่างออกไป NEAR AI กำลังพัฒนาเลเยอร์อินเฟอเรนซ์โอเพ่นซอร์สที่ให้ความสำคัญกับอธิปไตยข้อมูลของผู้ใช้ หมายความว่าโมเดลจะไม่เก็บหรือทำเงินจากอินพุตที่คุณส่งเข้าไป วิธีของ NEAR ไม่ได้เน้นการรวมการพยากรณ์ แต่เน้นการเข้าถึงโมเดลที่มีความสามารถอย่างเป็นส่วนตัวและไร้การอนุญาต แนวคิดนี้ทับซ้อนกับมุมที่ Venice Token กำลังสำรวจ ซึ่งข้อเสนอหลักคือคำถามของคุณจะไม่ออกจากเอนโคลฟ์ที่เชื่อถือได้เลย
แต่ละเครือข่ายแก้ปัญหาจริง แต่ไม่เท่ากัน Allora เพิ่มประสิทธิภาพด้านความแม่นยำผ่านการแข่งขัน Bittensor เพิ่มประสิทธิภาพด้านความกว้างผ่านการแบ่งงานเฉพาะด้าน NEAR และ Venice เพิ่มประสิทธิภาพด้านความเป็นส่วนตัวผ่านสถาปัตยกรรม สำหรับเทรดเดอร์และโปรโตคอล DeFi ที่ต้องการสัญญาณตลาดแม่นยำ โมเดลการรวมแบบแข่งขันของ Allora ตรงประเด็นที่สุด
Also Read: Claude Opus 4.8 Tops Gemini And GPT On Multiple Coding Tests
อินเฟอเรนซ์บนเชนเชื่อมกับโปรโตคอล DeFi อย่างไร
การประยุกต์ใช้จริงที่สำคัญที่สุดสำหรับกลุ่มผู้อ่านนี้คือ การที่อินเฟอเรนซ์แบบกระจายศูนย์อินทิเกรตกับ DeFi จุดเชื่อมคือ oracle ซึ่งเป็นกลไกที่สมาร์ตคอนแทรกต์เข้าถึงข้อมูลโลกจริงได้
ออราเคิล DeFi แบบดั้งเดิมอย่าง Chainlink รวมฟีดราคาจากหลายตลาดแล้วส่งค่ากลางขึ้นเชน พวกมันเชื่อถือได้สำหรับราคาสปอต แต่ไม่ได้ออกแบบมาเพื่อให้การพยากรณ์ล่วงหน้า การแจกแจงความน่าจะเป็น หรือการประเมินความเสี่ยงจากโมเดล พวกมันตอบคำถามว่า “ตอนนี้ราคาคือเท่าไหร่” แต่ไม่ตอบว่า “มีโอกาสเท่าไหร่ที่สินทรัพย์นี้จะขยับเกิน 10% ในชั่วโมงหน้า”
เครือข่ายอินเฟอเรนซ์แบบกระจายศูนย์สามารถตอบคำถามชุดที่สองนี้ได้ โปรโตคอลให้กู้ยืม DeFi ตัวหนึ่งอาจเรียกอินเฟอเรนซ์จากเครือข่ายดังกล่าวเพื่อรับการพยากรณ์ความเสี่ยงแบบ on-chain แล้วนำไปปรับอัตราดอกเบี้ยหรือหลักประกันแบบไดนามิก Allora inference endpoint เพื่อให้ได้ค่าประมาณความผันผวนแบบเรียลไทม์ก่อนการกำหนดระดับการชำระบัญชีบังคับ โปรโตคอลอนุพันธ์แบบกระจายศูนย์สามารถใช้การคาดการณ์อิมไพลายโวลที่ถูกรวมรวมกันเพื่อกำหนดราคาออปชันโดยไม่ต้องพึ่งพาโมเดล volatility surface แบบรวมศูนย์ ตัวเพิ่มประสิทธิภาพผลตอบแทน (yield optimizer) สามารถจัดสรรเงินทุนตามค่า APY ที่คาดการณ์ข้ามโปรโตคอล แทนที่จะอิงจากค่า APY ในอดีตที่สังเกตได้
การผสานรวมนี้ต้องการให้เครือข่าย inference ทั้งแม่นยำและรวดเร็ว เครือข่ายของ Allora จะเผยแพร่ผลลัพธ์ inference ใหม่ในทุกบล็อกสำหรับหัวข้อที่กำลังใช้งานอยู่ ทำให้สอดคล้องกับจังหวะการทำธุรกรรมของโปรโตคอล DeFi ส่วนใหญ่ เอาต์พุตถูกลงนามด้วยวิธีเข้ารหัสโดยโหนดที่มีส่วนร่วมและชั้นการรวมผลลัพธ์ หมายความว่าสัญญาอัจฉริยะสามารถยืนยันได้ว่า inference นั้นมาจากเครือข่ายสดจริง ไม่ใช่ฟีดปลอม
สถาปัตยกรรมนี้ยังช่วยขจัดความเสี่ยงด้านการรวมศูนย์ที่มีนัยสำคัญออกจาก DeFi โปรโตคอล DeFi ปัจจุบันจำนวนมากพึ่งพาโมเดล AI จากผู้ให้บริการรายเดียวเพื่ออัปเดตพารามิเตอร์ความเสี่ยง หาก API ของผู้ให้บริการนั้นล่มหรือโมเดลเสื่อมประสิทธิภาพ โปรโตคอลก็เท่ากับกำลังบินแบบปิดตา การแทนที่ด้วย inference endpoint แบบกระจายศูนย์จะกระจายความเสี่ยงออกไปยังผู้มีส่วนร่วมอิสระนับสิบราย
Also Read: XRP Rebound Loses Its Grip, Putting The $1.30 Level Back In Doubt
ข้อจำกัดจริงที่คุณควรรู้
การทำ inference แบบกระจายศูนย์ไม่ใช่การอัปเกรดฟรีเหนือ cloud AI มีการแลกเปลี่ยนที่แท้จริงซึ่งมีความสำคัญสำหรับทุกคนที่กำลังสร้างหรือกำลังลงทุนในเครือข่ายเหล่านี้
Latency (ความหน่วง) เป็นจุดที่เห็นได้ชัดที่สุด การรวมคำตอบจากโหนดนับสิบทำให้เกิดภาระค่าใช้จ่ายด้านการประสานงาน สำหรับเคสการใช้งานที่ต้องการ inference ระดับเศษเสี้ยววินาที เวลารอบทริปของเครือข่ายแบบกระจายศูนย์ในปัจจุบันยังช้ากว่าการเรียก API แบบรวมศูนย์โดยตรง Allora และเครือข่ายลักษณะเดียวกันกำลังพัฒนาประเด็นนี้อย่างจริงจัง แต่ยังไม่เร็วเท่าการเรียก GPT API
เพดานคุณภาพของโมเดล เป็นข้อจำกัดจริง เอาต์พุตที่รวมกันจะดีได้เท่ากับโมเดลที่ดีที่สุดในเครือข่ายเท่านั้น หากผู้ปฏิบัติงานทุกคนใช้สถาปัตยกรรมที่คล้ายกัน และฝึกด้วยข้อมูลที่คล้ายกัน ประโยชน์ด้านความหลากหลายก็จะลดลงบางส่วน Allora แก้ปัญหานี้โดยอนุญาตให้ใครก็ตามทั่วโลกมีส่วนร่วม สร้างความหลากหลายของโมเดลที่แท้จริง แต่คุณภาพของเครือข่ายก็ขึ้นกับว่าใครเข้าร่วม และพวกเขาได้รับแรงจูงใจให้ทำเช่นนั้นอย่างไร
Sybil resistance ยังคงเป็นความท้าทาย ผู้โจมตีที่ประสงค์ร้ายสามารถลงทะเบียนตัวตนโหนดจำนวนมากและส่งคำทำนายที่มีความสัมพันธ์กันเพื่อบิดเบือนผลรวมแบบถ่วงน้ำหนัก เครือข่ายที่ออกแบบมาอย่างดีจะต้องมีหลักประกันที่นำไปสู่การถูกตัด (slashing) หากมีประสิทธิภาพไม่ดี ทำให้การโจมตีแบบ Sybil ในวงกว้างมีต้นทุนสูงเกินไป แต่กลไกต้องออกแบบให้ถูกต้อง และแตกต่างกันไปในแต่ละเครือข่าย
ความสดใหม่ของข้อมูล (data freshness) มีความสำคัญโดยเฉพาะสำหรับ inference ด้านการเงิน โมเดลที่แม่นยำกับข้อมูลฝึกเมื่อหกเดือนก่อนอาจคลาดเคลื่อนอย่างรุนแรงสำหรับโครงสร้างตลาดปัจจุบัน การจัดอันดับโหนดใหม่อย่างต่อเนื่องตามประสิทธิภาพล่าสุดช่วยได้ แต่ไม่อาจทดแทนการฝึกโมเดลใหม่บ่อย ๆ ได้อย่างเต็มที่ ซึ่งยังคงเป็นกระบวนการนอกเชน
ข้อจำกัดเหล่านี้คือปัญหาทางวิศวกรรมที่มีแผนการพัฒนาอย่างต่อเนื่อง ไม่ใช่ความล้มเหลวเชิงสถาปัตยกรรมพื้นฐาน แต่ใครก็ตามที่มองว่าการ inference แบบกระจายศูนย์เป็นปัญหาที่แก้ได้แล้วในปี 2026 นั้นไปไกลกว่าตำแหน่งที่เทคโนโลยีอยู่จริง
Also Read: Bitcoin Slides Toward $75K As Wall Street Rewards Miners For Leaving Crypto Behind
ใครกันที่ได้ประโยชน์จาก Decentralized Inference ในตอนนี้จริง ๆ
เทคโนโลยีอยู่ในช่วงที่ผู้ใช้บางกลุ่มได้รับประโยชน์อย่างดี ในขณะที่บางกลุ่มควรรอก่อน
นักพัฒนาโปรโตคอล DeFi เป็นผู้ได้ประโยชน์ที่ชัดเจนที่สุดในวันนี้ หากคุณกำลังสร้างโปรโตคอลกู้ยืม อนุพันธ์ หรือผลิตภัณฑ์ผลตอบแทน และปัจจุบันคุณพึ่งพาโมเดล AI แบบรวมศูนย์สำหรับการจัดการความเสี่ยง การแทนที่ด้วย inference endpoint บนเชนเป็นการปรับปรุงด้านการกระจายศูนย์ที่มีนัยสำคัญ ความซับซ้อนในการผสานรวมยังจัดการได้ และประโยชน์ด้านความปลอดภัยก็เป็นของจริง
เทรดเดอร์คริปโตเชิงปริมาณ ที่มีโครงสร้างพื้นฐานของตนเองสามารถใช้ผลลัพธ์ inference ที่ Allora เผยแพร่เป็นเลเยอร์สัญญาณเพิ่มเติม การคาดการณ์เหล่านี้ไม่ใช่ alpha ด้วยตัวมันเอง แต่เป็นแหล่งข้อมูลอิสระที่มีประวัติความแม่นยำที่ตรวจสอบได้ ความโปร่งใสลักษณะนี้หายากจากผู้ให้บริการแบบรวมศูนย์ใด ๆ
นักวิจัยและนักพัฒนา AI ที่ต้องการสร้างรายได้จากโมเดลโดยไม่ต้องพึ่งตลาดแบบรวมศูนย์จะพบว่าระบบโหนด worker ของ Bittensor และ Allora น่าสนใจ แรงจูงใจทางการเงินสำหรับการรันโหนด inference คุณภาพสูงนั้นมีนัยสำคัญแล้วเมื่อเทียบกับราคาของโทเคนในปัจจุบัน
นักลงทุนรายย่อย ที่ซื้อ ALLO หรือ TAO เพื่อเก็งกำไรด้านราคา กำลังเดิมพันกับการยอมรับเลเยอร์โครงสร้างพื้นฐานนี้ ซึ่งเป็นการเดิมพันที่มีเหตุผล แต่ก็มาพร้อมความเสี่ยงมาตรฐานของโครงสร้างพื้นฐานคริปโตระยะเริ่มต้น: กรอบเวลาการลงทุนยาว ความเสี่ยงด้านการดำเนินการทางเทคนิคที่สำคัญ และภัยคุกคามจากทั้งผู้เล่น AI แบบรวมศูนย์และเครือข่ายแบบกระจายศูนย์อื่น ๆ
ผู้ใช้ DeFi ที่โต้ตอบกับโปรโตคอลเฉพาะผ่านส่วนติดต่อผู้ใช้ (front end) จะได้รับประโยชน์ทางอ้อมและอาจมองไม่เห็น หากโปรโตคอลที่พวกเขาใช้เปลี่ยนไปใช้ decentralized inference สำหรับการอัปเดตพารามิเตอร์ความเสี่ยง ผู้ใช้เหล่านั้นก็จะได้ระบบจัดการความเสี่ยงที่ดีขึ้นโดยไม่ต้องเข้าใจสถาปัตยกรรมเบื้องหลัง
Also Read: Rain Surges 23% In A Day As It Storms Into Top Prediction Markets
บทสรุป
เหตุผลสำหรับการ inference ของ AI แบบกระจายศูนย์ไม่ใช่เรื่องอุดมการณ์ แต่เป็นเรื่องโครงสร้าง
เมื่อโปรโตคอลทางการเงินต้องการคำทำนาย สิ่งที่สำคัญคือความแม่นยำและความน่าเชื่อถือของคำทำนายนั้น ไม่ใช่ว่าบริษัทไหนเป็นผู้สร้างมัน การรวมโมเดลที่แข่งขันกันหลายตัวเข้าด้วยกันแบบ ensemble และถ่วงน้ำหนักด้วยประสิทธิภาพในอดีตที่ตรวจสอบได้ เป็นสถาปัตยกรรมที่แข็งแกร่งกว่าการเชื่อใจผู้ให้บริการรายใดรายหนึ่ง นี่คือข้ออ้างเชิงสถิติ ไม่ใช่เชิงการเมือง
จังหวะเวลาก็สำคัญเช่นกัน การเคลื่อนไหวอย่างรวดเร็วของ Allora ในช่วง 24 ชั่วโมงที่ผ่านมา สะท้อนถึงการยอมรับของตลาดอย่างแท้จริงว่าโครงสร้างพื้นฐานด้าน AI inference กำลังกลายเป็นเลเยอร์ที่สำคัญสำหรับ DeFi Bittensor และ NEAR กำลังก่อสร้างความสามารถที่อยู่ติดกันจากจุดเริ่มต้นที่แตกต่างกัน
การแข่งขันยังไม่จบ และสถาปัตยกรรมที่ชนะยังไม่ได้ถูกตัดสิน
สิ่งที่ถูกตัดสินแล้วคือ: โมเดลแบบรวมศูนย์ ที่บริษัทเพียงรายเดียวควบคุมสิ่งที่ AI พูด และผู้ใช้ไม่มีทางตรวจสอบได้ เหมาะกับแอปพลิเคชันที่เป็นบล็อกเชนเนทีฟน้อยกว่าทางเลือกแบบกระจายศูนย์อย่างชัดเจน
เมื่อโปรโตคอล DeFi เติบโตและต้องการเครื่องมือจัดการความเสี่ยงที่ดีกว่า เครือข่าย inference บนเชนก็อยู่ในตำแหน่งที่จะกลายเป็นมาตรฐาน แทนที่จะเป็นเพียงการทดลอง
โครงสร้างพื้นฐานกำลังถูกสร้างขึ้นในตอนนี้ และหน้าต่างเวลาในการทำความเข้าใจก่อนที่มันจะกลายเป็นกระแสหลักก็ยังเปิดอยู่
Read Next: Bitcoin Whales Trim Holdings In Pattern Echoing 67% Crash Of 2022