深入探討去中心化人工智慧（DeAI）及其重要性

作者：Darshan Gandhi 來源：modularmedia 翻譯：善歐巴，金色財經

今天我們將探討去中心化人工智慧（DeAI）的全部內容以及其重要性。我們還將深入了解這個生態系統在未來的發展前景，以及今天在這一領域的一些關鍵應用。

人工智慧簡介

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、學習名稱和記住特徵來辨識動物。隨著時間的推移，孩子在識別動物方面變得越來越好。

AI 的運作方式類似，使用數據進行學習並隨著時間的推移提高其效能。

有許多突破性應用是利用AI 建構的，其中一些包括：

• ChatGPT：能夠進行類似人類對話。

• Perplexity AI：提高搜尋準確性。

• Jasper AI：作為內容寫作的副駕駛。

• DALL-E：從文字描述產生圖像。

• Pika Art：從文字產生高畫質影片。

這些工具正在成為我們日常生活的一部分，使任務變得更容易和更有效率。 AI 不再只是一個未來的概念；它正在積極解決我們今天面臨的重要問題。

AI 的發展正在改變眾多產業，例如：

• 幫助醫生更快診斷疾病

• 讓自動駕駛汽車能夠安全導航

• 為用戶線上購物體驗個人化

原則上，AI 方法可以分為三大類：

• 中心化AI：由單一實體或企業控制。

• 去中心化AI：注重分散式控制、透明度和激勵機制。

• 開源AI：強調促進協作和透明度。

在今天的研究中，我們將重點放在「去中心化AI」。

AI 的開發生命週期

在深入細節之前，讓我們先了解一下構成AI 開發生命週期的不同組件。這將使我們更容易理解去中心化如何對這些步驟做出貢獻。

AI 的創新需要多年來的進步、持續回饋、培訓和參與。

開發一個AI 模型涉及幾個關鍵階段，以確保端到端操作流程的穩健性。以下是生命週期關鍵階段的詳細介紹：

問題陳述識別和設計

一切始於識別業務問題並定義要解決的目標。

資料收集是最關鍵的步驟之一，確保模型使用相關且準確的資料。

資料收集與探索

這一階段包括從各種來源聚合數據並評估其品質。

初步數據分析有助於理解模式和趨勢，從而製定數據預處理和特徵工程（數據改進）的計劃。

資料整理與準備

資料預處理包括清理和轉換原始資料為豐富、可用的資料集。

使用特徵工程從現有資料建立新特徵以增強模型效能。

模型開發

這一階段涉及根據問題陳述和收集的數據選擇最適合的機器學習實踐。

接下來的步驟是訓練和測試模型，以確保其能夠做出準確的預測。

最後是優化，即提高模型的效率。

模型部署

將模型部署到現實環境中，使其開始進行預測、推薦或其他訓練任務。你可以使用計算提供者將其投入生產。

持續監控確保模型保持準確和有效。

偏差檢測確保決策的公平性。

模型維護與再培訓

維護模型涉及定期更新和使用新數據進行再培訓。

重點是盡可能收集回饋，並將其反饋給模型以進行調整和改進。

今天，大多數這些模型來自研究機構、私人公司或少數開源組織。 Google、OpenAI、IBM、AWS 和Microsoft 是一些主要參與者。

去中心化AI 的需求

中心化AI 存在其問題。試想一下，單點故障意味著漏洞可能會危及所有內容。

相較之下，去中心化AI (DeAI) 透過將資料分佈在多個節點上，使系統更安全。如果一個節點受到攻擊，其餘節點仍能正常運作。這種設定也使用戶對其資料擁有更多控制權，尤其是在利用完全同態加密(FHE) 和零知識機器學習(ZKML) 等技術時，降低了隱私風險。

審查是中心化系統的另一個重大問題。一個實體可以控制和操縱資訊。相較之下，去中心化AI 分佈控制，難以讓任何單一實體主導敘述。這確保了資訊保持可訪問並免受不當影響。

透明度是我認為的關鍵因素。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隨時檢查和驗證決策。這種開放程度解決了中心化系統中隱藏偏見和不透明過程的問題。此外，它允許更多人參與並貢獻。例如，擁有閒置運算空間的人現在可以透過去中心化計算提供者如Akash 和Render 出租。

去中心化模式也限制了中央實體的權力，防止AI 被濫用於不公平的目的。透過促進協作和知識共享，它利用集體智慧和更大的治理，導致系統更穩健、更開放和更準確。

加密技術在其中充當了促進者，將最好的兩個方面結合在一起。它提供了對頂級服務、計算、模型和數據的訪問，同時為每個利益相關者提供激勵循環、安全和隱私。這種協同作用確保DeAI 不僅有效，而且公平和安全。

DeAI 的實際應用

以下是DeAI 領域的一些關鍵應用：

產業應用

• 醫療保健

DeAI 透過實現醫療機構之間的安全、私密的資料共享來增強醫療保健。

AI 演算法可以分析匿名數據以識別模式、預測疾病爆發並個人化治療計劃。例如，患者可以私下分享他們的數據給醫院，並確保只有他們自己擁有數據，沒有其他人。

• 金融

去中心化金融(DeFi) 是web3 的最大子生態系之一。 AI 可以幫助增強風險管理和交易。

這些協議使用AI 評估風險、預測資產價格並優化交易策略。例如，許多專案正在開發有效資產管理、AI 驅動的自動化做市商(AMM) 工具等。

• 安全和詐欺檢測

AI 演算法可以透過分析交易資料中的模式和異常來幫助系統偵測和防止詐欺。

這增加了web3 協定的安全性。例如，在NFT 生態系統中，AI 可以幫助識別假冒資產，確保完整性。

• 內容/情感生成

AI 可以用於創建故事情節、傳說、遊戲機制等。

例如，web3 遊戲可以使用AI 從文字描述產生遊戲內容，智慧合約管理角色畫像和物品等資產的所有權。

此外，了解用戶對某個類別、問題或市場的看法非常有價值。 Kaito 和Nansen 等工具旨在提供這種情報。

• AI 代理和自動化

有專案正在為各種領域的任務建立自主AI 代理，從客戶服務到供應鏈管理。

這些代理商可以由任何人創建或在協作努力下創建，所有利益相關者都可以無縫地自動獲得獎勵。

• 使用者體驗

web3 的使用者體驗並不是最好的，但模型可以透過個人化推薦和行為預測來提升這項體驗。

去中心化的社交網路是一個很好的例子，允許用戶選擇內容推薦的演算法或根據自己的喜好策劃他們的feed。

生態繫管理

• 激勵結構

利害關係人可以透過提供數據、運算能力或開發演算法來獲得獎勵（賺取代幣）。

動機在於，存在著強大的需求驅動因素，促使人們聚集在一起，合作解決難題，同時也能公平地獲得時間和努力的回報。

• 成本效率

DeAI 平台可以透過利用分散式網路中的未使用資源大幅降低成本。它們消除了對昂貴資料中心的需求，並確保資源被最大化使用。

例如，Akash Network、Aethir 和Render 等項目允許使用者租用他們未使用的運算能力用於AI 任務，提高了效率。

• 治理

DeAI 也可以用於改善治理流程，特別是對於協議和去中心化自治組織（DAO）。

AI 可以自動化聲譽管理和獎勵，確保在DAO 中公平地認可貢獻。

推動加密與AI 結合領域發展的催化劑

加密與AI 結合的交叉領域有幾個強勁的催化劑推動其發展。讓我們來看看其中的一些。

首先，生態系統的資金一直在增加。過去一年中，共有10.2 億美元投入136 輪融資中，平均每輪750 萬美元。 Hack VC、Variant、Paradigm 和Polychain 等著名投資者正在進行重大投資。這一資本的湧入正在為該領域的研究和創新提供動力。

其次，這項技術旨在提供比中心化系統更具成本效益的替代方案。它可以將潛在的營運成本降低近50%，高效處理大數據量，並同時提供安全性和隱私性。例如，Akash 聲稱與AWS、GCP 和Azure 相比，其計算提供的成本降低了85%。

從市值來看，該領域的領先項目，如Bittensor、Akash、Render、Worldcoin，在過去的一年裡在二級市場上表現異常出色。這些項目一直是web3 中表現最好的資產之一。根據Coinbase 的報告，Crypto x AI 品類在品類層面也表現明顯優異。

2024 年4 月，NVIDIA 公佈的業績非常出色。以下是一些新聞中的數據：

• 他們報告稱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%。

• 2024 年第一季每股攤薄GAAP 收益為5.98 美元，較上一季成長21%，較去年同期成長629%。

這些數字相當亮眼。

中心化服務的宕機事件

最近，所有中心化服務（包括Google.com、ChatGPT、Perplexity）都同時當機，而所有Web3 服務則完好無損地運作著。 Akash Network 的創始人在此事件期間發出了這樣一條推文。

由於這些以及許多其他類似的舉措、事件和創新，這個領域正在快速發展。

領先的遠見者

生態系統正在積聚勢頭，這要歸功於一些關鍵產業人物的支持和參與。

• Erik Voorhees

  ShapeShift 的創始人和推特上的大人物，推出了Venice AI，旨在創建一個無需許可的替代品，取代類似ChatGPT 的流行Web2 大語言模型（LLM）。

  Venice 專注於使用者隱私和反審查，利用開源技術提供未經過濾和無偏見的資訊。

• Emad Mostaque

  Stability AI 的創始人和前CEO，已辭職，全心投入DeAI，他正在建立Schelling AI。

  他認為，隨著AI 變得越來越關鍵，透明和分散式治理將變得非常重要。

• Niraj Pant

  前Polychain Capital 的GP，現正在建置Ritual.net。

  這個平台旨在為AI 建立一個主權執行層，允許開放和無需許可的創建、分發和改進AI 模型。

  Ritual.net 的第一階段Infernet 讓開發者透過智慧合約和鏈下存取模型。

存在的問題

雖然去中心化AI 提供了許多好處，但它也面臨著需要注意的重大挑戰。以下是目前面臨的主要問題：

初始設置成本和挑戰

建立一個DeAI 網路面臨相當大的困難。建立必要的基礎設施和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吸引早期採用者的強大激勵措施的必要性。然而，在未達到臨界質量之前，網路難以獲得牽引力。

增加的協調需求

管理一個去中心化網路非常複雜。同步多個節點和利益相關者，確保資料一致性，維護安全性，並以成本效益高的方式運作需要大量努力。雖然這種協調體現了加密x AI 的精髓，但有時可能變得低效和繁瑣。

可擴展性挑戰

網路在可擴展性方面面臨挑戰。在不降低效能的情況下處理不斷增加的數據和交易是當今的一個重大挑戰。由於節點運行時間的差異，去中心化網路可能會遇到延遲和頻寬問題，影響整體效率。諸如分片之類的解決方案仍在發展中，可能無法完全緩解這些問題。

資源獲取

公司在獲取最先進的資源方面往往會遇到障礙。主要的中心化供應商可以大量投資於最新的硬體和軟體，賦予他們競爭優勢。相反，DeAI 專案由於資金有限，可能落後，影響其性能和能力。例如，NVIDIA 傾向於優先為像GCP、Azure 和AWS 這樣的大型用戶分配資源，而不是他們的Web3 對手，因為需求更高。然而，對於Web3 供應商來說，當前供應超過需求，或者他們可能仍處於初期建設階段。

法規和法律挑戰

加密在很大程度上處於法規的灰色地帶。缺乏明確的監管框架可能會導致法律風險和不確定性。在去中心化環境中遵守GDPR 等法規變得更加困難，導致全球範圍內持續的鬥爭。

加密x AI 的未來

加密和AI 的融合有望催生創新項目和應用，解決現實世界的挑戰。

在我們即將發布的部落格中，我們將深入探討加密的幾個關鍵子類別。我們將探索零知識機器學習（zkML），如Modulus Labs 和Giza 等項目，開發以模型推理為中心的產品。此外，我們還將研究去中心化雲端運算提供者如Render、Akash Network 和Aethir，強調它們在提供可擴展且具成本效益的傳統雲端服務替代方案中的作用。

還有許多其他類別，包括AI 代理、消費者應用和Web3 遊戲，正在蓬勃發展，如Prime、Nim Network 和AI Arena 等項目在這一領域運作。雖然清單可以繼續擴展，但我們將把進一步的探索留待下一篇部落格文章。

在這個領域中，有著悠久歷史和成功記錄的幾個項目包括：

• Bittensor：這個專案正在開發一個去中心化網絡，透過區塊鏈激勵參與者共享AI 模型和資料集，使用「子網」獎勵貢獻。

• Fetch：致力於自主AI 代理市場，Fetch 提供與ChatGPT 和Slack 等頂級服務的集成，透過簡單的API 集成實現對齊。

• 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 使用其AKT 代幣進行治理、安全性和網路內的交易。

結束語

我堅信去中心化AI（DeAI）有望成為遊戲規則的改變者，我們才剛開始見證其在生態系統中的成長。

DeAI 體現了透明性、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。

Render、Akash 和Worldcoin 等項目憑藉其顯著的吸引力和資金，不僅展示了這一領域的巨大潛力，還預示了未來幾年可能會經歷的顯著增長。

展望未來，我們將深入探討加密x AI 的子類別，並繼續探索這一動態領域。

未來光明，我們才剛開始。