Cortex (CTXC) คืออะไร ทำงานอย่างไร: AI แบบออนเชนและ Cortex Virtual Machine

KTX
KTX
  • ปรับปรุงเมื่อ

Cortex คือบล็อกเชนที่ออกแบบมาเพื่อให้สมาร์ตคอนแทรกต์ประมวลผลการอนุมานของแมชชีนเลิร์นนิงได้ แอปพลิเคชันสามารถเรียกใช้โมเดล AI ที่รองรับเป็นส่วนหนึ่งของธุรกรรม แล้วนำผลลัพธ์ไปใช้ในตรรกะของคอนแทรกต์ได้ CTXC คือโทเค็นประจำเครือข่ายที่ใช้ชำระค่าทรัพยากรการประมวลผล

ความแตกต่างระหว่างการเทรนกับการอนุมานเป็นประเด็นสำคัญ การเทรนคือการพัฒนาโมเดลจากข้อมูล ส่วนการอนุมานคือการนำโมเดลที่เทรนแล้วไปใช้กับอินพุตใหม่ สถาปัตยกรรมของ Cortex นำขั้นตอนหลังเข้ามาเป็นส่วนหนึ่งของการทำงานบนบล็อกเชน ดังนั้นมุมมองด้านการลงทุนจึงขึ้นอยู่กับประโยชน์ของการประมวลผลและความต้องการใช้งานจากแอปพลิเคชันอย่างต่อเนื่อง ควบคู่ไปกับอุปทานโทเค็นและภาวะการซื้อขาย

KTX Learn Cortex cover showing a CVM inference chip connected to ledger nodes and a separate CTXC token

จะเกิดอะไรขึ้นเมื่อ AI กลายเป็นส่วนหนึ่งของคอนแทรกต์

แอปพลิเคชัน AI จำนวนมากคำนวณคำตอบบนเซิร์ฟเวอร์ภายนอกแล้วส่งต่อให้บล็อกเชน คอนแทรกต์สามารถบันทึกคำตอบหรือนำไปดำเนินการต่อได้ แต่ต้องพึ่งพาผู้ที่จัดหาการคำนวณนั้น ภาพรวมสถาปัตยกรรม ของ Cortex อธิบายแนวทางที่แตกต่างออกไป โดยโมเดลที่รองรับสามารถเข้าถึงได้ผ่านชั้นจัดเก็บข้อมูล และการอนุมานของโมเดลจะได้รับการตรวจสอบผ่านฉันทามติของเครือข่าย

แนวทางนี้นำการคำนวณเข้ามาอยู่ในกฎที่กำกับธุรกรรม ลองพิจารณาเกมที่ใช้ตัวจำแนกขนาดเล็กเพื่อตีความอินพุตของผู้เล่น หากรางวัลขึ้นอยู่กับการจำแนก ผู้เข้าร่วมจำเป็นต้องได้ทั้งการคำนวณและกฎการให้รางวัลที่สอดคล้องกัน การทำให้ผลลัพธ์ของโมเดลเกิดขึ้นซ้ำได้ช่วยจัดการเรื่องการคำนวณ แต่ไม่สามารถยืนยันได้ว่าโมเดลได้รับการออกแบบมาอย่างดีหรือกฎการให้รางวัลมีเหตุผล

ประโยชน์คือความเชื่อมโยงระหว่างอินพุต การคำนวณ และการดำเนินการของคอนแทรกต์ที่สามารถตรวจสอบได้มากขึ้น ประโยชน์ดังกล่าวขึ้นอยู่กับว่าการตรวจสอบเพิ่มเติมนี้คุ้มค่ากับทรัพยากรที่ต้องใช้หรือไม่

CVM ทำให้การอนุมานเกิดผลลัพธ์ซ้ำกันได้ระหว่างโหนด

เอกสาร Cortex Virtual Machine อธิบายว่า CVM เป็นสภาพแวดล้อมที่เข้ากันได้กับ EVM และได้รับการขยายด้วยคำสั่งสำหรับการอนุมาน โดยสามารถเรียกใช้ตรรกะของสมาร์ตคอนแทรกต์ทั่วไปควบคู่ไปกับการเรียกใช้โมเดลได้ เอนจินการทำงานของ CVM ซึ่งเรียกว่า Synapse ใช้การดำเนินการแบบกำหนดแน่นอน เพื่อให้สภาพแวดล้อมการประมวลผลที่แตกต่างกันสามารถสร้างผลลัพธ์การอนุมานที่สอดคล้องกันได้

ความสอดคล้องนี้สำคัญเนื่องจากโหนดบล็อกเชนต้องเห็นพ้องกันเกี่ยวกับสถานะ ความแตกต่างทางตัวเลขเพียงเล็กน้อยอาจมีผลอย่างมาก หากทำให้ผลลัพธ์อยู่คนละฝั่งของค่าขีดจำกัดในคอนแทรกต์ ตัวจำแนกที่ส่งคืนหมวดหมู่แตกต่างกันบนเครื่องแต่ละเครื่องจะทำให้เกิดความไม่ลงรอยกันว่าควรดำเนินการใดในคอนแทรกต์

รันไทม์ของ Cortex รองรับการอนุมานที่เร่งความเร็วด้วย GPU ขณะที่ กลไกพิสูจน์การทำงาน Cuckoo Cycle ของเครือข่ายทำหน้าที่กำกับการสร้างบล็อก การเรียกใช้โมเดลและการสร้างบล็อกมีบทบาทแยกจากกันในสถาปัตยกรรมนี้

Model Representation Tool (MRT) ของ Cortex จะแปลงโมเดลแบบเลขจุดลอยตัวที่รองรับให้อยู่ในรูปแบบเลขจุดคงที่โดยใช้การดำเนินการด้วยจำนวนเต็ม ดังนั้นการเตรียมโมเดลจึงส่งผลต่อสิ่งที่เชนสามารถเรียกใช้ได้ นักพัฒนายังคงต้องทดสอบความแม่นยำหลังการแปลง และยืนยันว่าโอเปอเรเตอร์ที่จำเป็นได้รับการรองรับ

องค์ประกอบ ฟังก์ชัน เหตุผลที่สำคัญ
CVM เรียกใช้คอนแทรกต์พร้อมคำสั่งการอนุมาน เชื่อมการเรียกใช้โมเดลเข้ากับตรรกะของคอนแทรกต์
Synapse ดำเนินการอนุมานแบบกำหนดแน่นอน รองรับผลลัพธ์ที่สอดคล้องกันระหว่างโหนด
MRT เตรียมโมเดลที่รองรับสำหรับการทำงานแบบเลขจุดคงที่ เชื่อมการพัฒนาโมเดลเข้ากับข้อกำหนดของรันไทม์
CTXC ชำระค่าการประมวลผลของเครือข่าย กำหนดต้นทุนให้กับการดำเนินการธุรกรรม

จากโมเดลที่เทรนแล้วสู่ผลลัพธ์บนเชน

บทเรียนการพัฒนาโมเดลของ Cortex แยกขั้นตอนการเทรน การทำควอนไทซ์ และการอัปโหลดออกจากกัน การเทรนเกิดขึ้นในสภาพแวดล้อมแมชชีนเลิร์นนิงของนักพัฒนา จากนั้นจึงนำโมเดลที่เตรียมไว้ไปให้ Cortex ใช้งาน เชนไม่จำเป็นต้องเรียนรู้โมเดลใหม่ทุกครั้งที่แอปพลิเคชันร้องขอคำตอบ

Cortex workflow separating off-chain model training and MRT preparation from model upload, contract input, CVM inference and the contract result
การเตรียมโมเดลเกิดขึ้นก่อนการดำเนินการ คอนแทรกต์ใช้ผลลัพธ์การอนุมานภายใต้กฎของธุรกรรม

เอกสารชั้นจัดเก็บข้อมูลอธิบายระบบไฟล์แบบกระจายศูนย์สำหรับการทำให้โมเดลและข้อมูลพร้อมใช้งาน ไฟล์โมเดลขนาดใหญ่และบันทึกบัญชีแยกประเภททั่วไปมีวัตถุประสงค์แตกต่างกัน แอปพลิเคชันจึงต้องเข้าถึงโมเดลได้อย่างน่าเชื่อถือและดำเนินการธุรกรรมได้อย่างถูกต้อง

บทเรียนสมาร์ตคอนแทรกต์ AI อย่างเป็นทางการอธิบายกระบวนการโดยใช้การรู้จำตัวเลขลายมือ โดยคอนแทรกต์ส่งอินพุตไปยังโมเดลที่อ้างอิงและจัดเก็บตัวเลขที่อนุมานได้ ตัวอย่างนี้อธิบายความสัมพันธ์ด้านการเขียนโปรแกรม แต่ไม่ได้ยืนยันการใช้งานเชิงพาณิชย์ในปัจจุบันหรือประสิทธิภาพกับโมเดลขนาดใหญ่กว่า

CTXC ชำระค่าการประมวลผล ส่วน Endorphin ใช้วัดงาน

เอกสารโทเค็น CTXC ระบุว่า CTXC เป็นวิธีการชำระเงินประจำของ Cortex สำหรับทรัพยากรการประมวลผลของ CVM Endorphin คือหน่วยวัดทรัพยากรการทำงานที่ใช้ในกลไกค่าธรรมเนียม ไม่ใช่โทเค็นที่ซื้อขายได้อีกชนิดหนึ่ง

เอกสาร Endorphin อธิบายว่าธุรกรรมจะกำหนดขีดจำกัดทรัพยากรและราคาต่อหน่วย โดยราคาดังกล่าวกำหนดเป็น CTXC การบัญชีค่าธรรมเนียมโมเดลของโปรโตคอลจะจัดสรรค่าส่วนหนึ่งของค่าธรรมเนียมธุรกรรมการอนุมานให้แก่ผู้ให้บริการโมเดล ทำให้การมีส่วนร่วมของโมเดลมีบทบาททางเศรษฐกิจควบคู่ไปกับการสร้างบล็อก

แรงจูงใจเหล่านี้มีข้อจำกัดในทางปฏิบัติ โมเดลที่มีประโยชน์ต้องมีผู้เรียกใช้ และผู้เรียกใช้ก็ต้องมีเหตุผลที่คุ้มค่าในการเรียกใช้ นักพัฒนาต้องเปรียบเทียบคุณค่าของผลลัพธ์ที่ตรวจสอบได้กับค่าธรรมเนียมการดำเนินการ ความพร้อมใช้งานของโมเดล และต้นทุนอื่น ๆ ของแอปพลิเคชัน โมเดลที่รองรับในทางเทคนิคอาจยังไม่เหมาะกับการใช้งานบ่อยครั้ง

การถือครอง CTXC เป็นกิจกรรมที่แยกจากการให้บริการโมเดลหรือการสร้างบล็อก การเป็นเจ้าของโทเค็นเพียงอย่างเดียวไม่ได้ทำให้ผู้ถือมีสิทธิ์ได้รับค่าธรรมเนียมการอนุมานทั้งหมด หรือสร้างกระแสรายได้ที่รับประกัน ความต้องการใช้การประมวลผลอาจสนับสนุนประโยชน์ใช้สอยของโทเค็น แต่ราคาตลาดยังสะท้อนอุปทาน ความคาดหวัง และสภาพคล่องด้วย

AI ที่มีประโยชน์ต้องการมากกว่าผลลัพธ์ที่เกิดซ้ำได้

หน้านักพัฒนาของ Cortex กล่าวถึงการประยุกต์ใช้ที่อาจเป็นไปได้ในเกม การกู้ยืม และประกันภัย สิ่งเหล่านี้คือการใช้งานที่เป็นไปได้ของสถาปัตยกรรมนี้ สำหรับการประเมิน แอปพลิเคชันที่เปิดใช้งานจริงและมีผู้ใช้ซ้ำเป็นหลักฐานที่หนักแน่นกว่ารายการอุตสาหกรรมที่อาจนำ AI ไปใช้

การดำเนินการแบบกำหนดแน่นอนตอบคำถามที่ว่าการใช้โมเดลและอินพุตเดียวกันจะให้ผลลัพธ์ที่สอดคล้องกันหรือไม่ ส่วนคุณภาพของโมเดลถามว่าผลลัพธ์นั้นมีประโยชน์หรือไม่ โมเดลที่เทรนด้วยข้อมูลคุณภาพต่ำอาจทำผิดพลาดแบบเดิมได้อย่างสม่ำเสมอ คอนแทรกต์ที่ใช้ผลลัพธ์ดังกล่าวเพื่อควบคุมหลักประกันหรือการจ่ายเงินอาจขยายผลของความผิดพลาดนั้น

คุณภาพของอินพุตเป็นอีกปัจจัยที่ต้องพึ่งพา การทำให้การคำนวณเกิดซ้ำได้ไม่สามารถพิสูจน์ได้ว่าราคาภายนอก ข้ออ้างเกี่ยวกับตัวตน หรือข้อเท็จจริงอื่นที่ส่งเข้ามานั้นเป็นจริง อินพุตที่มีความละเอียดอ่อนยังต้องมีการออกแบบด้านความเป็นส่วนตัวอย่างชัดเจน ไม่ควรสันนิษฐานว่าการคำนวณที่ตรวจสอบได้ต่อสาธารณะจะรักษาข้อมูลส่วนบุคคลให้เป็นความลับ

ข้อจำกัดด้านทรัพยากรทำให้ต้องแลกเปลี่ยนระหว่างขนาดโมเดล โอเปอเรเตอร์ที่รองรับ และเวลาตอบสนอง กิจกรรมการพัฒนา การผสานการทำงานที่ใช้งานได้จริง และการใช้งานที่มีการชำระเงินจริงช่วยแสดงให้เห็นว่าแอปพลิเคชันพบจุดสมดุลที่สามารถดำเนินต่อไปได้หรือไม่ นักลงทุนควรประเมินผลการดำเนินงานเหล่านี้แยกจากความนิยมโดยรวมของโทเค็น AI

การประเมินมูลค่ายังมีประเด็นด้านอุปทานเข้ามาเกี่ยวข้อง คู่มือ KTX เกี่ยวกับมูลค่าหลักทรัพย์ตามราคาตลาดและมูลค่าแบบปรับลดเต็มที่อธิบายว่าเหตุใดราคาต่อหน่วยของโทเค็นจึงไม่เพียงพอสำหรับการเปรียบเทียบ คุณภาพของการดำเนินการก็มีความสำคัญเช่นกัน: สภาพคล่องของตลาดเป็นตัวกำหนดว่าการซื้อขายหนึ่งครั้งจะทำให้ราคาที่มีอยู่เปลี่ยนแปลงได้มากเพียงใด

ผู้อ่านที่เปรียบเทียบตลาดคริปโตสามารถสำรวจ หน้าตลาด KTX และ ลงทะเบียนบัญชี KTX เพื่อดูบริการที่มีให้แก่ผู้ใช้ที่มีสิทธิ์

คำถามที่พบบ่อย

Cortex เทรนโมเดล AI บนเชนหรือไม่

เวิร์กโฟลว์ที่มีเอกสารระบุไว้คือการเทรนโมเดลนอกการทำงานบนบล็อกเชน จากนั้นเตรียมโมเดลด้วย MRT และอัปโหลดเพื่อการอนุมาน การเรียกใช้โมเดลคือการนำพารามิเตอร์ที่เรียนรู้แล้วไปใช้กับอินพุต ซึ่งแตกต่างจากการเทรนโมเดลใหม่

ความเข้ากันได้กับ EVM ทำให้ Cortex เป็นส่วนหนึ่งของ Ethereum หรือไม่

ไม่ใช่ ความเข้ากันได้เกี่ยวข้องกับสภาพแวดล้อมการทำงานและเครื่องมือคอนแทรกต์ที่คุ้นเคย Cortex มีบล็อกเชน โทเค็นประจำเครือข่าย และส่วนขยายสำหรับการอนุมานเป็นของตนเอง ธุรกรรมของ Cortex ไม่ใช่ธุรกรรม Ethereum โดยอัตโนมัติ และการเลือกเครือข่ายยังคงมีความสำคัญเมื่อโอนสินทรัพย์

จัดทำเพื่อให้ข้อมูลเท่านั้น ไม่ใช่คำแนะนำด้านการลงทุน สินทรัพย์คริปโตมีความเสี่ยงด้านตลาด สภาพคล่อง และเทคโนโลยี

บทความนี้มีประโยชน์หรือไม่

0 จาก 0 เห็นว่ามีประโยชน์

มีคำถามเพิ่มเติมหรือไม่ ส่งคำร้องขอ