Αγορά μηχανικής μάθησης με βάση το Blockchain

Τα μοντέλα μηχανικής μάθησης που εκπαιδεύονται σε δεδομένα από αγορές που βασίζονται σε blockchain έχουν τη δυνατότητα να δημιουργήσουν τις πιο ισχυρές τεχνητές νοημοσύνη στον κόσμο. Συνδυάζουν δύο ισχυρά πρωτόγονα: ιδιωτική μηχανική εκμάθηση, η οποία επιτρέπει την εκπαίδευση σε ευαίσθητα ιδιωτικά δεδομένα χωρίς να τα αποκαλύπτει, και κίνητρα που βασίζονται σε blockchain, τα οποία επιτρέπουν σε αυτά τα συστήματα να προσελκύσουν τα καλύτερα δεδομένα και μοντέλα για να τα κάνουν πιο έξυπνα. Το αποτέλεσμα είναι ανοιχτές αγορές όπου όλοι μπορούν να πουλήσουν τα δεδομένα τους και να διατηρήσουν τα δεδομένα τους ιδιωτικά, ενώ οι προγραμματιστές μπορούν να χρησιμοποιήσουν κίνητρα για να προσελκύσουν τα καλύτερα δεδομένα για τους αλγορίθμους τους.

Η κατασκευή αυτών των συστημάτων είναι δύσκολη και τα απαιτούμενα δομικά στοιχεία εξακολουθούν να δημιουργούνται, αλλά οι απλές αρχικές εκδόσεις μοιάζουν να αρχίζουν να είναι δυνατές. Πιστεύω ότι αυτές οι αγορές θα μας μεταφέρουν από την τρέχουσα εποχή των μονοπωλίων δεδομένων του Web 2.0 σε μια εποχή ανοιχτού ανταγωνισμού για το Web 3.0 για τα δεδομένα και τους αλγορίθμους, όπου και τα δύο δημιουργούν άμεσα έσοδα.

Προέλευση

Η βάση αυτής της ιδέας προήλθε το 2015 από τη συνομιλία με τον Richard του Numerai. Το Numerai είναι ένα hedge fund που στέλνει κρυπτογραφημένα δεδομένα αγοράς σε οποιονδήποτε επιστήμονα δεδομένων που θέλει να ανταγωνιστεί για να μοντελοποιήσει το χρηματιστήριο. Το Numerai συνδυάζει τις καλύτερες υποβολές μοντέλων σε ένα "μεταμοντέλο", ανταλλάσσει το μεταμοντέλο και πληρώνει επιστήμονες δεδομένων των οποίων τα μοντέλα έχουν καλή απόδοση.

Το να ανταγωνίζονται οι επιστήμονες δεδομένων φαινόταν σαν μια ισχυρή ιδέα. Με έκανε να σκεφτώ: μπορείτε να δημιουργήσετε μια πλήρως αποκεντρωμένη έκδοση αυτού του συστήματος που θα μπορούσε να γενικευτεί σε οποιοδήποτε πρόβλημα; Πιστεύω ότι η απάντηση είναι ναι.

Κατασκευή

Για παράδειγμα, ας προσπαθήσουμε να δημιουργήσουμε ένα πλήρως αποκεντρωμένο σύστημα για την ανταλλαγή κρυπτονομισμάτων σε αποκεντρωμένες ανταλλαγές. Αυτή είναι μία από τις πολλές πιθανές κατασκευές:

Οι πάροχοι δεδομένων ποντάρουν τα δεδομένα και τα καθιστούν διαθέσιμα στους διαμορφωτές.

Δημιουργία μοντέλων Οι μοντελιστές επιλέγουν τα δεδομένα που θα χρησιμοποιήσουν και θα δημιουργήσουν μοντέλα. Η εκπαίδευση γίνεται χρησιμοποιώντας μια ασφαλή μέθοδο υπολογισμού που επιτρέπει στα μοντέλα να εκπαιδεύονται χωρίς να αποκαλύπτονται τα υποκείμενα δεδομένα. Τα μοντέλα στοιχίζονται επίσης.

Building metamodel Ένα metamodel δημιουργείται με βάση έναν αλγόριθμο που λαμβάνει υπόψη το στοίχημα κάθε μοντέλου.

Η δημιουργία ενός μεταμοντέλου είναι προαιρετική - μπορείτε να φανταστείτε μοντέλα που χρησιμοποιούνται χωρίς να συνδυάζονται σε ένα μεταμοντέλο.

Χρήση του metamodel Ένα έξυπνο συμβόλαιο αναλαμβάνει το metamodel και πραγματοποιεί συναλλαγές μέσω προγραμματισμού μέσω αποκεντρωμένων μηχανισμών ανταλλαγής on-chain.

Διανομή κερδών / ζημιών Αφού περάσει κάποιο χρονικό διάστημα, η διαπραγμάτευση παράγει κέρδος ή ζημία. Αυτό το κέρδος ή η ζημιά κατανέμεται μεταξύ των συνεισφερόντων στο μεταμοντέλο με βάση το πόσο εξυπνότερα το έφτιαξαν. Τα μοντέλα που συνεισέφεραν αρνητικά έχουν πάρει μέρος ή όλα τα στοιχημένα τους κεφάλαια. Τα μοντέλα στη συνέχεια γυρίζουν και εκτελούν παρόμοιες διανομές / περικοπές στοιχήματος στους παρόχους δεδομένων τους.

Επαληθεύσιμος υπολογισμός Ο υπολογισμός για κάθε βήμα εκτελείται είτε συγκεντρωτικός, αλλά επαληθεύσιμος και αμφισβητούμενος χρησιμοποιώντας ένα παιχνίδι επαλήθευσης όπως το Truebit ή αποκεντρωμένο χρησιμοποιώντας ασφαλή υπολογισμό πολλών μερών.

Φιλοξενία Δεδομένων και μοντέλων φιλοξενούνται είτε σε IPFS είτε με κόμβους σε ένα ασφαλές δίκτυο υπολογισμού πολλαπλών μερών, καθώς η αποθήκευση στην αλυσίδα θα ήταν πολύ ακριβή.

Τι κάνει αυτό το σύστημα ισχυρό;

Τα κίνητρα για την προσέλκυση των καλύτερων δεδομένων παγκοσμίως Τα κίνητρα για την προσέλκυση δεδομένων είναι το πιο ισχυρό μέρος του συστήματος, καθώς τα δεδομένα τείνουν να είναι ο περιοριστικός παράγοντας για τις περισσότερες μηχανικές μάθηση. Με τον ίδιο τρόπο το Bitcoin δημιούργησε ένα αναδυόμενο σύστημα με την πιο υπολογιστική ισχύ στον κόσμο μέσω ανοιχτών κινήτρων, μια σωστά σχεδιασμένη δομή κινήτρων για δεδομένα θα προκαλούσε τα καλύτερα δεδομένα στον κόσμο για να σας έρθει η εφαρμογή σας. Και είναι σχεδόν αδύνατο να κλείσετε ένα σύστημα όπου τα δεδομένα προέρχονται από χιλιάδες ή εκατομμύρια πηγές.

Ανταγωνισμός μεταξύ αλγορίθμων Δημιουργεί ανοιχτό ανταγωνισμό μεταξύ μοντέλων / αλγορίθμων σε μέρη που δεν υπήρχε προηγουμένως. Φανταστείτε ένα αποκεντρωμένο Facebook με χιλιάδες ανταγωνιστικούς αλγόριθμους τροφοδοσίας ειδήσεων.

Διαφάνεια στις ανταμοιβές Οι πάροχοι δεδομένων και μοντέλων μπορούν να δουν ότι λαμβάνουν την εύλογη αξία αυτού που έχουν υποβάλει, καθώς όλοι οι υπολογισμοί είναι επαληθεύσιμοι, καθιστώντας τους πολύ πιο πιθανό να συμμετάσχουν.

Αυτοματισμός Η ανάληψη δράσης μέσω αλυσίδας και η δημιουργία αξίας απευθείας σε μάρκες δημιουργεί έναν αυτοματοποιημένο και χωρίς εμπιστοσύνη κλειστό βρόχο.

Εφέ δικτύου Πολλαπλές επιδράσεις δικτύου από χρήστες, παρόχους δεδομένων και επιστήμονες δεδομένων κάνουν το σύστημα αυτό-ενισχυμένο. Όσο καλύτερα αποδίδει, τόσο περισσότερο κεφάλαιο προσελκύει, πράγμα που σημαίνει περισσότερες πιθανές πληρωμές, που προσελκύουν περισσότερους παρόχους δεδομένων και επιστήμονες δεδομένων, οι οποίοι κάνουν το σύστημα πιο έξυπνο, το οποίο με τη σειρά του προσελκύει περισσότερο κεφάλαιο και επιστρέφει ξανά.

Μυστικότητα

Εκτός από τα παραπάνω σημεία, ένα σημαντικό χαρακτηριστικό είναι το απόρρητο. Επιτρέπει σε 1) τα άτομα να υποβάλλουν δεδομένα που διαφορετικά θα ήταν πολύ ιδιωτικά για κοινή χρήση και 2) αποτρέπει τη διαρροή της οικονομικής αξίας των δεδομένων και των μοντέλων. Εάν παραμείνει μη κρυπτογραφημένο στο ύπαιθρο, τα δεδομένα και τα μοντέλα θα αντιγραφούν δωρεάν και θα χρησιμοποιηθούν από άλλους που δεν έχουν συνεισφέρει καμία εργασία (το πρόβλημα «ελεύθερος αναβάτης»).

Μερική λύση στο πρόβλημα του ελεύθερου αναβάτη είναι η ιδιωτική πώληση δεδομένων. Ακόμα και αν οι αγοραστές επιλέξουν να μεταπωλήσουν ή να αποδεσμεύσουν τα δεδομένα, η αξία τους μειώνεται με το χρόνο. Ωστόσο, αυτή η προσέγγιση μας περιορίζει σε περιπτώσεις χρήσης μικρής διάρκειας και εξακολουθεί να δημιουργεί τυπικά προβλήματα απορρήτου. Ως αποτέλεσμα, η πιο περίπλοκη αλλά ισχυρή προσέγγιση είναι να χρησιμοποιήσετε μια μορφή ασφαλούς υπολογισμού.

Ασφαλής υπολογισμός

Οι ασφαλείς μέθοδοι υπολογισμού επιτρέπουν στα μοντέλα να εκπαιδεύονται σε δεδομένα χωρίς να αποκαλύπτουν τα ίδια τα δεδομένα. Υπάρχουν 3 κύριες μορφές ασφαλούς υπολογισμού που χρησιμοποιούνται και ερευνούνται σήμερα: ομομορφική κρυπτογράφηση (HE), ασφαλής υπολογισμός πολλών μερών (MPC) και μηδενικές αποδείξεις γνώσης (ZKPs). Ο υπολογισμός πολλαπλών μερών χρησιμοποιείται συχνότερα για ιδιωτική μηχανική εκμάθηση αυτή τη στιγμή, καθώς η ομομορφική κρυπτογράφηση τείνει να είναι πολύ αργή και δεν είναι προφανές πώς να εφαρμόσετε ZKP στη μηχανική μάθηση. Οι ασφαλείς μέθοδοι υπολογισμού βρίσκονται στην αιχμηρή αιχμή της έρευνας επιστήμης υπολογιστών. Συχνά είναι τάξεις μεγέθους βραδύτερες από τον κανονικό υπολογισμό και αντιπροσωπεύουν το κύριο σημείο συμφόρησης του συστήματος, αλλά έχουν βελτιωθεί τα τελευταία χρόνια.

Το απόλυτο σύστημα σύστασης

Για να απεικονίσετε τις δυνατότητες της ιδιωτικής μηχανικής μάθησης, φανταστείτε μια εφαρμογή που ονομάζεται "The Ultimate Recommender System". Παρακολουθεί ό, τι κάνετε στις συσκευές σας: το ιστορικό περιήγησής σας, όλα όσα κάνετε στις εφαρμογές σας, τις εικόνες στο τηλέφωνό σας, τα δεδομένα τοποθεσίας, το ιστορικό δαπανών, τους φορητούς αισθητήρες, τα μηνύματα κειμένου, τις κάμερες στο σπίτι σας, την κάμερα στα μελλοντικά σας γυαλιά AR . Στη συνέχεια, σας δίνει συστάσεις: τον επόμενο ιστότοπο που πρέπει να επισκεφθείτε, άρθρο για ανάγνωση, τραγούδι για ακρόαση ή προϊόν για αγορά.

Αυτό το σύστημα σύστασης θα ήταν εξαιρετικά ισχυρό. Περισσότερο από οποιοδήποτε από τα υπάρχοντα σιλό δεδομένων της Google, του Facebook ή άλλων μπορεί να οφείλεται στο ότι έχει τη μέγιστη διαμήκη προβολή σας και μπορεί να μάθει από δεδομένα που διαφορετικά θα ήταν πολύ ιδιωτικά για να εξετάσετε την κοινή χρήση. Παρόμοιο με το προηγούμενο παράδειγμα συστήματος συναλλαγών κρυπτογράφησης, θα λειτουργούσε επιτρέποντας σε μια αγορά μοντέλων που επικεντρώνονταν σε διαφορετικούς τομείς (π.χ.: προτάσεις ιστότοπου, μουσική) να ανταγωνίζονται για πρόσβαση στα κρυπτογραφημένα δεδομένα σας και να σας προτείνουν πράγματα, και ίσως ακόμη και να σας πληρώνουν για τη συνεισφορά των δεδομένων σας ή την προσοχή σας στις συστάσεις που δημιουργήθηκαν.

Η ομοσπονδιακή μάθηση της Google και το διαφορικό απόρρητο της Apple είναι ένα βήμα προς αυτήν την κατεύθυνση της ιδιωτικής μηχανικής μάθησης, αλλά εξακολουθούν να απαιτούν εμπιστοσύνη, μην επιτρέπετε στους χρήστες να εξετάζουν άμεσα την ασφάλειά τους και να διατηρούν τα δεδομένα σιγή.

Τρέχουσες προσεγγίσεις

Είναι πολύ νωρίς. Λίγες ομάδες έχουν οτιδήποτε λειτουργεί και οι περισσότεροι προσπαθούν να δαγκώσουν ένα κομμάτι κάθε φορά.

Μια απλή κατασκευή από την Algorithmia Research τοποθετεί μια γενναιοδωρία σε ένα μοντέλο που είναι ακριβές πάνω από ένα ορισμένο όριο δοκιμής:

Απλή κατασκευή που δημιουργεί μια γενναιοδωρία σε ένα μοντέλο μηχανικής μάθησης από την Algorithmia Research

Το Numerai προχωρά τα πράγματα τρία βήματα περαιτέρω: χρησιμοποιεί κρυπτογραφημένα δεδομένα (αν και δεν είναι πλήρως ομοφορικά), συνδυάζει μοντέλα πλήρους πηγής σε ένα μεταμοντέλο και επιβραβεύει μοντέλα με βάση τη μελλοντική απόδοση (σε αυτήν την περίπτωση, μια εβδομάδα διαπραγμάτευσης μετοχών) αντί για δοκιμή μέσω ένα εγγενές διακριτικό Ethereum που ονομάζεται Numeraire. Οι επιστήμονες δεδομένων πρέπει να θεωρήσουν το Numeraire ως αδιάβροχο στο παιχνίδι, ενθαρρύνοντας την απόδοση για το τι θα συμβεί (μελλοντική απόδοση) και όχι για το τι έχει συμβεί (δοκιμασμένη απόδοση). Ωστόσο, αυτή τη στιγμή διανέμει κεντρικά δεδομένα, περιορίζοντας την αίσθηση ότι είναι το πιο σημαντικό συστατικό.

Κανείς δεν έχει δημιουργήσει ακόμη μια επιτυχημένη αγορά βασισμένη σε blockchain για δεδομένα. Ο Ωκεανός είναι μια πρώιμη προσπάθεια να σκιαγραφηθεί.

Ακόμα άλλοι ξεκινούν δημιουργώντας ασφαλή υπολογιστικά δίκτυα. Το Openmined δημιουργεί ένα δίκτυο υπολογιστικών μονάδων πολλαπλών μερών για την εκπαίδευση μοντέλων μηχανικής εκμάθησης πάνω από το Unity που μπορούν να εκτελεστούν σε οποιαδήποτε συσκευή, συμπεριλαμβανομένων κονσολών παιχνιδιών (παρόμοια με το Folding at Home), και στη συνέχεια επεκτείνονται για να εξασφαλίσουν MPC. Το αίνιγμα έχει παρόμοια τακτική.

Μια συναρπαστική τελική κατάσταση θα ήταν αμοιβαία ιδιοκτησία μεταμοντέλων που δίνουν στους παρόχους δεδομένων και στους δημιουργούς μοντέλων ιδιοκτησία ανάλογη με το πόσο πιο έξυπνα έχουν τα κάνει. Τα μοντέλα θα συμβολίζονται, θα μπορούσαν να πληρώσουν μερίσματα με την πάροδο του χρόνου, και ενδεχομένως ακόμη και να διέπονται από εκείνους που τα εκπαίδευσαν. Ένα είδος αμοιβαίας ιδιοκτησίας κυψέλης μυαλού. Το πρωτότυπο βίντεο Openmined είναι η πιο κοντινή κατασκευή σε αυτό που έχω δει μέχρι τώρα.

Ποιες προσεγγίσεις είναι πιθανό να λειτουργήσουν πρώτα;

Δεν θα ισχυριστώ ότι ξέρω ποια ακριβής κατασκευή είναι καλύτερη, αλλά έχω κάποιες ιδέες.

Μία διατριβή που χρησιμοποιώ για να αξιολογήσω τις ιδέες blockchain είναι: σε ένα φάσμα από φυσικά εγγενή έως ψηφιακά εγγενή σε blockchain εγγενή, όσο περισσότερο εγγενές blockchain, τόσο το καλύτερο. Όσο λιγότερο εγγενές είναι το blockchain, τόσο πιο αξιόπιστα τρίτα μέρη παρουσιάζονται, αυξάνοντας την πολυπλοκότητα και μειώνοντας την ευκολία χρήσης ως δομικό στοιχείο με άλλα συστήματα.

Εδώ, νομίζω ότι αυτό σημαίνει ότι ένα σύστημα είναι πιο πιθανό να λειτουργήσει εάν η αξία που δημιουργείται είναι μετρήσιμη - ιδανικά απευθείας με τη μορφή χρημάτων και καλύτερα ακόμη, μάρκες. Αυτό επιτρέπει ένα καθαρό, κλειστό βρόχο σύστημα. Συγκρίνετε το προηγούμενο παράδειγμα ενός συστήματος συναλλαγών κρυπτονομισμάτων με αυτό που εντοπίζει όγκους σε ακτίνες Χ. Στο τελευταίο, θα πρέπει να πείσετε μια ασφαλιστική εταιρεία ότι το μοντέλο ακτινογραφίας είναι πολύτιμο, διαπραγματευτείτε πόσο πολύτιμο και, στη συνέχεια, εμπιστευτείτε μια μικρή ομάδα ατόμων με φυσική παρουσία για να επαληθεύσετε την επιτυχία / αποτυχία του μοντέλου.

Αυτό δεν σημαίνει σαφέστερα θετικό ποσό για κοινωνικές χρήσεις που είναι ψηφιακά εγγενείς δεν θα εμφανιστεί. Συστήματα προτεινόμενων όπως αυτό που αναφέρθηκε προηγουμένως θα μπορούσαν να είναι εξαιρετικά χρήσιμα. Εάν συνδέονται με τις αγορές επιμέλειας, είναι μια άλλη περίπτωση όπου το μοντέλο μπορεί να αναλάβει δράση μέσω προγραμματισμού on-chain και η ανταμοιβή του συστήματος είναι μάρκες (σε αυτήν την περίπτωση από την αγορά επιμέλειας), δημιουργώντας ξανά έναν καθαρό κλειστό βρόχο. Φαίνεται ασαφές τώρα, αλλά περιμένω να επεκταθεί ο τομέας των εγγενών εργασιών blockchain με την πάροδο του χρόνου.

Επιπτώσεις

Πρώτον, οι αποκεντρωμένες αγορές μηχανικής μάθησης μπορούν να διαλύσουν τα μονοπώλια δεδομένων των σημερινών τεχνολογικών γιγάντων. Τυποποιούν και εμπορευματοποιούν την κύρια πηγή δημιουργίας αξίας στο Διαδίκτυο τα τελευταία 20 χρόνια: ιδιόκτητα δίκτυα δεδομένων και τα ισχυρά αποτελέσματα δικτύου που τα περιβάλλουν. Ως αποτέλεσμα, η δημιουργία αξίας μετακινείται πάνω από τη στοίβα από δεδομένα σε αλγόριθμους.

Κύκλοι τυποποίησης και εμπορευματοποίησης στην τεχνολογία, όπου πλησιάζουμε στο τέλος της εποχής των δικτύων των μονοπωλίων δεδομένων. Διάγραμμα από το Placeholder.

Με άλλο τρόπο, δημιουργούν ένα άμεσο επιχειρηματικό μοντέλο για την τεχνητή νοημοσύνη. Τόσο το τρέφετε όσο και το εκπαιδεύετε.

Δεύτερον, δημιουργούν τα πιο ισχυρά συστήματα AI στον κόσμο, προσελκύοντας τα καλύτερα δεδομένα και μοντέλα σε αυτά μέσω άμεσων οικονομικών κινήτρων. Η ισχύς τους αυξάνεται μέσω εφέ δικτύου πολλαπλών όψεων. Καθώς τα μονοπώλια του δικτύου δεδομένων της εποχής του Web 2.0 γίνονται εμπορευματοποιημένα, φαίνονται σαν ένας καλός υποψήφιος για το επόμενο σημείο ανασυγκρότησης. Είμαστε πιθανώς μερικά χρόνια από αυτό, αλλά φαίνεται κατεύθυνση σωστό.

Τρίτον, όπως δείχνει το παράδειγμα του συστήματος σύστασης, η αναζήτηση αναστρέφεται. Αντί για άτομα που αναζητούν προϊόντα, τα προϊόντα αναζητούν και ανταγωνίζονται για άτομα (πίστωση στον Brad για αυτό το πλαίσιο). Ο καθένας μπορεί να έχει προσωπικές αγορές επιμέλειας, όπου τα συστήματα συνιστών ανταγωνίζονται για να τοποθετήσουν το πιο σχετικό περιεχόμενο στη ροή τους και η συνάφεια καθορίζεται από το άτομο.

Τέταρτον, μας επιτρέπουν να αποκομίσουμε τα ίδια οφέλη από τις ισχυρές υπηρεσίες που βασίζονται στη μηχανική μάθηση που έχουμε συνηθίσει από εταιρείες όπως η Google και το Facebook χωρίς να δώσουμε τα δεδομένα μας.

Πέμπτον, η μηχανική μάθηση μπορεί να προχωρήσει πιο γρήγορα, καθώς οποιοσδήποτε μηχανικός μπορεί να έχει πρόσβαση σε μια ανοιχτή αγορά δεδομένων, όχι μόνο μια μικρή ομάδα μηχανικών στις μεγάλες εταιρείες Web 2.0.

Προκλήσεις

Πρώτα απ 'όλα, οι μέθοδοι ασφαλούς υπολογισμού είναι επί του παρόντος πολύ αργές και η μηχανική μάθηση είναι ήδη υπολογιστικά ακριβή. Από την άλλη πλευρά, το ενδιαφέρον για ασφαλείς μεθόδους υπολογισμού έχει αρχίσει να επιλέγεται και η απόδοση αυξάνεται. Έχω δει νέες προσεγγίσεις με σημαντικές βελτιώσεις απόδοσης στα HE, MPC και ZKPs τους τελευταίους 6 μήνες.

Ο υπολογισμός της τιμής που παρέχει ένα συγκεκριμένο σύνολο δεδομένων ή μοντέλου στο μεταμοντέλο είναι δύσκολος.

Ο καθαρισμός και η μορφοποίηση δεδομένων από πολλούς πόρους είναι δύσκολη. Είναι πιθανό να εμφανιστεί κάποιος συνδυασμός εργαλείων, τυποποίησης και μικρών επιχειρήσεων για να επιλυθεί αυτό.

Τέλος και ειρωνικά, το επιχειρηματικό μοντέλο για τη δημιουργία της γενικευμένης κατασκευής αυτού του είδους συστήματος είναι λιγότερο σαφές από τη δημιουργία μιας μεμονωμένης παρουσίας. Αυτό φαίνεται να ισχύει για πολλά νέα πρωτόγονα κρυπτογράφησης, συμπεριλαμβανομένων των αγορών επιμέλειας.

συμπέρασμα

Ο συνδυασμός της ιδιωτικής μηχανικής μάθησης με κίνητρα blockchain μπορεί να δημιουργήσει τις ισχυρότερες μηχανικές γνώσεις σε μια μεγάλη ποικιλία εφαρμογών. Υπάρχουν σημαντικές τεχνικές προκλήσεις που αισθάνονται επιλύσιμες με την πάροδο του χρόνου. Το μακροπρόθεσμο δυναμικό τους είναι τεράστιο και μια ευπρόσδεκτη μετατόπιση από την τρέχουσα λαβή που έχουν μεγάλες εταιρείες στο Διαδίκτυο σχετικά με τα δεδομένα. Είναι επίσης λίγο τρομακτικό - ξεκινούν την ύπαρξη, ενισχύουν τον εαυτό τους, καταναλώνουν ιδιωτικά δεδομένα και γίνονται σχεδόν αδύνατα να κλείσουν, με κάνει να αναρωτιέμαι αν η δημιουργία τους καλεί ένα πιο ισχυρό Moloch από ποτέ. Σε κάθε περίπτωση, είναι ένα άλλο παράδειγμα του τρόπου με τον οποίο τα κρυπτονομίσματα θα αργά και, στη συνέχεια, ξαφνικά θα μπουν σε κάθε κλάδο.

Χάρη στους Andrew Trask, Richard Craib, Trent McConaghy, Brad Burnham, Joel Monegro, Simon de la Rouviere, Gavin Uhma, Morten Dahl, Jonathan Libov, Matt Huang, Laura Behrens Wu, Naval Ravikant και Daniel Gross για συνομιλίες που συνέβαλαν σε αυτό Θέση.