一群疯狂的研究员搞出了一个颠覆性的分布式AI技术,让GPT-4级别的大模型可以直接跑在你我他的电脑上!而且还是免费的!不需要任何API!
你没看错,就是这么离谱!
这个名叫HyperspaceAI的项目,通过一个复杂的分布式系统,连接了100多个模型和100多台消费级设备,竟然达到了和GPT-4相当的效果。
疯狂的是,他们在短短10个月内,就把节点数从100个暴增到了17,745个!而且他们还重构了系统,支持百万级节点!
这简直就是AI 模型的BitTorrent啊!
是不是以后我只要也一起贡献算力,就能免费用顶级AI了?
让我们来看看这个系统究竟是怎么运作的。
分布式AI网络:你我都是节点
HyperspaceAI的核心是一个P2P的AI网络。简单来说,就是把一大堆普通电脑连在一起,形成一个超级计算机网络。
每个加入网络的设备都是一个节点,可以贡献自己的算力,也可以使用网络的AI能力。
他们还搞了一个叫**“Proof-of-FLOPS”**的奖励机制。就是说,你贡献的算力越多,得到的奖励就越多。
有趣的是,他们会给你的设备发送一个矩阵乘法挑战,根据你承诺的VRAM(显存)来决定难度。这样不仅可以奖励节点,还能提高整个网络的可靠性。
一位AI研究员评论道:
“这种分布式架构不仅能大幅降低AI使用成本,还能让普通人也参与到AI发展中来。简直是AI民主化的一大步!”
加入方式多样,操作超简单
现在,你可以通过多种方式加入这个"全球最快增长的P2P AI网络":
-
网页版:直接用浏览器就能加入,地址是 https://node.hyper.space/
-
桌面客户端:支持Windows、MacOS和Linux
-
手机浏览器:没错,连手机都能参与!
-
命令行或服务器:适合高级玩家
有网友就兴奋地表示:
“我用手机浏览器加入了网络,居然真的能用GPT-4级别的模型!这简直是黑科技啊!”
技术原理:不止是堆机器那么简单
别以为HyperspaceAI就是简单地把一堆电脑连起来。他们的技术原理相当硬核:
-
使用增强型Kademlia分布式哈希表
-
通过加密难题确保节点身份
-
设置Hyperspace社区服务器作为协调者
-
利用推理节点实现分布式模型执行
-
搞了个欺诈证明和挑战机制
这些技术组合在一起,就能有效防御Sybil攻击和Eclipse攻击,实现高效查找(最多[log2 n] - 1跳),还能通过经济激励让节点们乖乖听话。
未来展望:这只是开始
HyperspaceAI的野心可不止于此。他们还计划支持嵌入模型、重排序器、向量等功能,让开发者和普通用户都能更方便地使用。
如果你也想体验一下这个神奇的分布式AI网络,可以去 https://node.hyper.space/ 试试看。
说不定,你的电脑也能成为下一个AI超级计算机的一部分呢!
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。