作者：Darshan Gandhi，FutureX Labs創辦人；翻譯：金色財經xiaozou
本文，我們來一起探索去中心化人工智慧（DeAI）世界。我們將了解如下內容：
-
AI的開發生命週期
-
去中心化AI的需求
-
DeAI的實際應用
-
Crypto x AI領域的成長催化劑
-
走在前沿的遠見者
-
DeAI有什麼不足之處
-
Crypto x AI的未來
1、AI簡介
我認為可以肯定地說，人工智慧（AI）將改變世界。想像一下，一個孩子透過看圖片來認識動物，記住動物的名字和特徵。隨著時間的推移，孩子辨識動物的能力就會有所提升。
人工智慧以類似的方式運作，使用數據來學習並隨著時間的推移提高表現。
許多突破性的應用程式都是使用人工智慧建構的，其中包括：
-
ChatGPT：能夠進行類似人類的對話。
-
Perplexity AI：提高搜尋準確性。
-
Jasper AI：你的寫作助理。
-
DALL-E：由文字描述產生圖像。
-
Pika Art：透過文字製作高畫質影片。
這樣的應用程式會越來越多。這些工具正在成為我們日常生活的一部分，它們讓工作更輕鬆、更有效率。人工智慧不僅僅是一個未來概念，它也積極地解決了我們今天面臨的重大問題。
人工智慧的發展正在影響改變眾多產業，例如：
-
幫助醫生更快診斷疾病
-
讓自動駕駛汽車安全行駛
-
為用戶提供個人化的線上購物體驗
原則上，人工智慧方法可以分為三大類：
-
集中式人工智慧：由單一實體或企業控制。
-
去中心化人工智慧：專注於分散式控制、透明度和激勵。
-
開源人工智慧：強調促進協作和透明度。
本文，我們將專門探討「去中心化人工智慧」。
2、人工智慧開發生命週期
在我們深入研究細節之前，讓我們先了解塑造AI開發生命週期的各個組件。這將使我們更容易理解去中心化對各環節的貢獻。
人工智慧的創新需要多年來不斷進步、持續回饋、訓練和參與。
開發一個人工智慧模型涉及幾個關鍵階段，來確保強大的端到端操作流程。以下是關於人工智慧開發生命週期關鍵階段的詳細介紹：
-
問題陳述、辨識與設計
這一切都起始於確定業務問題並定義要實現的目標。
資料收集是最關鍵的步驟之一，以確保模型使用準確的相關資料。
-
資料收集和探索
這一階段包括匯總不同來源的數據並評估這些數據的品質。
初步資料分析有助於理解模式和趨勢，從而為資料預處理和特徵工程(資料改進)制定計劃。
-
資料整理與準備
資料預處理將原始資料清理並轉換為豐富、可用的資料集。
使用特徵工程從現有資料中建立新特徵，以增強模型的效能。
-
模型開發
這個階段根據問題陳述和收集的資料選擇最適合的機器學習實踐。
下一步就是訓練並測試模型，以確保模型能夠做出準確的預測。
最後一步是優化，也就是提高模型的效率。
-
模型部署
將模型部署到現實環境可以讓模型開始進行預測、推薦或實施任何訓練任務。要將其投入生產需要用到算力供應商。
持續監測以確保模型一直準確且有效。
偏差檢測以確保決策的公平性。
-
模型維護和再訓練
維護模型需要定期更新和使用新資料進行再訓練。
重點是收集盡可能多的回饋，並將其發送回模型進行調整和增強。
如今，這些模型大多來自研究機構、私人公司或一些開源組織。 Google、OpenAI、IBM、AWS和微軟等公司都是其中的主要參與者。
以下是各垂直領域不同參與者的GenAI模型市場地圖。
讓我們來快速了解一下人工智慧技術這些年來的發展。
3.對去中心化AI的需求
集中式AI有其自身問題。想想看：一個單點故障就可能危及一切。
另一方面，去中心化人工智慧（DeAI）透過在多個節點上分佈資料來改變遊戲規則，使系統更加安全。如果一個節點受到攻擊，其他節點將繼續正常運作。這種設定還使用戶能夠更好地控制他們的數據，降低隱私風險，尤其是在使用全同態加密（FHE）和零知識機器學習（ZKML）等技術的情況下。
審查是中心化系統的另一個大問題。單一實體可以控制操縱資訊。另一方面，去中心化AI會分散控制權，使任何單一實體都難以主導敘事。這確保了資訊的可訪問性，並且不易受到不當影響。
在我看來，透明度是關鍵因素。開源模型、激勵機制和協作工作流程管理意味著任何人都可以在任何時候檢查和驗證決策。這種程度的開放性解決了人們對集中式系統中的隱藏偏差和不透明過程的擔憂。此外，它允許更多的人加入並做出貢獻。例如，擁有閒置運算空間的人現在可以透過像Akash和Render這樣的去中心化算力供應商將其出租。
去中心化模型也限制了中央實體的權力，防止人工智慧被濫用於不公平的目的。透過促進協作和知識共享，它可以利用集體智慧和更大範圍的治理，從而產生更可靠、開放和準確的系統。
加密貨幣充當了這個推動者，將兩個世界的優點結合在一起。它提供對頂級服務、運算、模型和資料的存取管道，同時也為所有利害關係人提供激勵循環、安全和隱私保護。這種協同作用確保了DeAI不僅有效，還很公平和安全。
4、DeAI的實際應用
以下是DeAI領域的一些主要應用：
（1）按領域劃分
-
醫療保健
DeAI透過在醫療機構之間實現安全的私有資料共享來改善醫療保健。
人工智慧演算法可以分析匿名數據，以識別模式，預測疾病爆發，並制定個人化的治療方案。例如，患者可以私下與醫院共享他們的數據訊息，並確保只有他們自己擁有這些數據。
-
金融
去中心化金融（DeFi）是web3最大的子生態系之一。人工智慧可以幫助加強風險管理和交易。
這些協議使用人工智慧來評估風險、預測資產價格以及優化交易策略。例如，許多專案正在開發用於有效資產管理的工具、人工智慧驅動的自動做市商（AMM），等等。
-
安全和詐欺檢測
人工智慧演算法可以透過分析交易資料的模式和異常情況，幫助系統偵測並預防詐欺。
這增加了web3協定的安全性。例如，在NFT生態系統中，人工智慧可以幫助識別虛假資產，確保誠信。
-
內容/情感生成
AI可以用來創造故事大綱、劇情、遊戲機制等等。
例如，web3遊戲可以使用AI從文字描述中產生遊戲內容，並使用智慧合約管理角色和道具等資產的所有權。
另外，了解使用者對某個類別、問題或市場的看法是非常寶貴的。像Kaito和Nansen這樣的工具旨在提供這方面的能力。
-
AI智能體與自動化
有些專案針對從客戶服務到供應鏈管理等各領域的任務建構自主AI智能體。
這些智能體可以由任何人創建，也可以協作來創建，所有利害關係人都可以自動無縫地獲得獎勵。
-
使用者體驗
Web3的使用者體驗並不是最好的，但是模型可以透過個人化推薦和行為預測來幫助增強使用者體驗。
去中心化社交網路就是一個很好的例子，它允許使用者選擇內容推薦演算法，或根據他們的喜好來管理他們的資訊流。
（2）依生態繫管理程度劃分
-
激勵機制
利害關係人可以透過提供數據、算力或開發演算法來獲得獎勵（賺取代幣）
有強烈的需求驅動人們這麼做，大家在困難的問題上合作，同時他們付出的時間和努力也會得到合理的回報。
-
成本效率
DeAI平台可以透過利用分散式網路中未使用的資源來幫助大幅降低成本。它們消除了對昂貴的資料中心的需求，保資源得到最大程度的利用。
例如，Akash Network、Aethir和Render等項目允許使用者將未使用的算力出租給人工智慧任務，從而提高效率。
-
治理
DeAI還可以用於改善治理流程，尤其針對協議和DAO。
AI可以自動化聲譽管理和獎勵，例如，確保貢獻在DAO中被公平對待。
5.Crypto x AI領域的成長催化劑
有一些強大的催化劑在推動著Crypto和AI的交融。讓我們來看看其中的幾個。
首先，生態系統中的融資一直在增加。在過去的一年裡，共有136輪10.2億美元的融資，平均每輪750萬美元。 Hack VC、Variant、Paradigm和Polychain等知名投資公司一直在進行大規模投資。資本的流入加速了該領域的研究和創新。
其次，該技術旨在為集中式系統提供經濟有效的替代方案。它可以降低近50%的潛在營運成本，有效處理大數據量，同時也能提供安全性和隱私保護。例如，與AWS、GCP和Azure相比，Akash聲稱在算力供應方面提供85%的折扣。
第三，以市值計算，該領域的領先項目，如Bittensor、Akash、Render和Worldcoin，過去一年在二級市場的表現異常出色。這些項目都是web3中表現最好的資產。根據Coinbase的報告，Crypto x AI類別在各類別中同樣表現出色。
第四，NVIDIA今年4月的表現非常不錯。我們來看新聞報道中的一些數字：
-
他們的2024年第一季的營收為260億美元，比2023年第四季成長18%，比去年同期成長262%。
-
今年第一季，GAAP稀釋每股收益為5.98美元，較上一季成長21%，較去年同期成長629%。
第五，最近所有的中心化服務，包括Google.com、Chatgpt、Perplexity，都一起宕機了，而所有的web3服務都完好無損，運作良好。 Akash Network的創辦人在事件發生前後發佈如下推特。
由於這些以及許多其他類似的計劃、事件和創新，該領域正在快速發展。
6、走在前沿的遠見者
由於一些關鍵產業人物的支持和參與，該生態系統正在累積越來越大的發展動力。
-
Erik vooorhees
Erik Voorhees是ShapeShift的創始人，也是一個影響力巨大的Twitter名人，他推出了Venice AI，用來創建一個無需許可的流行的web2 LLM（如ChatGPT）替代方案。
Venice專注於使用者隱私和無審查特性，使用開源技術提供未經審查的無偏見資訊。
-
Emad Mostaque
是Stability AI的創始人和前首席執行官，現已離職，專注於DeAI領域——正在開發Schelling AI。
他認為，隨著人工智慧變得越來越重要，透明和分散式治理將變得及其重要。
-
Niraj Pant
曾是Polychain Capital的合夥人，現在正在開發Ritual.net。
該平台旨在為AI建立一個主權執行層，實現AI模式的開源無授權的創建、分發和改進。
Ritual.net的第一階段（Infernet）允許開發人員透過智慧合約存取鏈上鏈下的模型。
7.不足之處
雖然去中心化人工智慧有許多好處，但它也遇到了值得關注的重大挑戰。以下是它目前面臨的關鍵問題：
-
初始設置成本和挑戰
建立DeAI網路存在相當大的困難。建立必要的基礎設施並吸引參與者需要大量的時間和資源。這個冷啟動問題突顯了需要有強有力的激勵措施來吸引早期採用者。然而，在沒有達到足夠大的規模的情況下，該網路很難獲得牽引力。
-
增加的協調需求
管理一個去中心化網路是很複雜的。同步多個節點和利益相關者、確保資料的一致性、維護網路安全並經濟高效地運行網路需要大量的工作。雖然這種協調體現了Crypto x AI的本質，但它有時會變得低效和笨重。
-
擴容挑戰
網路面臨擴容問題。在不降低效能的情況下處理不斷升級的資料和交易是當前的重大挑戰。由於節點正常運作時間的不同，去中心化網路可能會遇到延遲和頻寬問題，從而影響整體效率。像分片這樣的解決方案仍在發展中，可能無法完全緩解這些問題。
-
資源訪問
企業在取得尖端資源時經常遇到障礙。主要的集中式供應商可以大量投資最新的硬體和軟體，為他們帶來競爭優勢。而DeAI項目受到有限資金的限制，可能會落後，影響其表現和能力。例如，由於更高的需求，NVIDIA傾向於將資源優先分配給GCP、Azure和AWS等超大規模伺服器。然而，對於web3供應商來說，目前的供應大於需求，或者他們可能仍處於初級開發階段。
-
監管和法律挑戰
Crypto在很大程度上是在監管灰色地帶運作的。缺乏明確的監管框架可能會帶來法律風險和不確定性。在一個去中心化的環境中，遵守GDPR等法規變得更具挑戰性，加劇持續的全球鬥爭。
8、Crypto x AI的未來
加密和人工智慧的融合有望促進致力於解決現實挑戰的創新項目和應用程式的發展。
在我們後面的文章中，我們將深入研究加密領域的幾個關鍵子類別。我們將透過Modulus Labs和Giza等專案探索零知識機器學習（zkML），它們正在開發以模型推理為中心的產品。此外，我們將研究去中心化雲端運算供應商，如Render、Akash Network和Aethir，重點介紹它們在提供可擴展且具成本效益的傳統雲端服務的替代方案方面的作用。
-
Bittensor：該專案正在開發一個去中心化網絡，激勵參與者透過區塊鏈共享人工智慧模型和資料集，並使用「子網」來獎勵貢獻。
-
Fetch：Fetch聚焦自主AI智能體市場，提供與ChatGPT和Slack等頂級服務的集成，透過簡單的API集成促進對齊。
-
Akash Network：專注於建立一個提供雲端運算資源的去中心化市場，Akash Network利用其AKT代幣進行治理、安全保障和網路內交易。
9、結論
我堅信去中心化人工智慧（DeAI）將改變遊戲規則，我們才剛開始看到它在生態系統中的發展。
DeAI體現了透明、協作和全球影響的原則。正如我們所討論的，它正在重塑各個關鍵領域。
像Render、Akash和Worldcoin這樣的項目，憑藉其出色的牽引力和融資，不僅突出了該領域的巨大潛力，而且還預示著它在未來幾年可能經歷大幅增長。
展望未來，我們將深入研究Crypto x AI的各子類，繼續探索這個動態垂直領域。
未來是光明的，而我們才剛開始。