Ключевые проблемы и инновации в децентрализованном ИИ: Мнения экспертов с саммита AI/ALL в Сингапуре
Саммит AI/ALL — Сингапур представил одни из самых передовых дискуссий о будущем ИИ, сосредоточившись на технологических, экономических и управленческих сдвигах, необходимых для построения успешного децентрализованного будущего ИИ. В панелях этого года подробно рассматриваются ключевые области, такие как инфраструктура, приватность, токеномика и управление в децентрализованных системах, при этом особое внимание уделяется практическим решениям проблем, вызванных централизацией ИИ.
Ниже вы можете ознакомиться с записями панелей и их ключевыми выводами.
Ключевые вызовы при построении децентрализованной инфраструктуры ИИ
Панель «Ключевые вызовы при построении децентрализованной инфраструктуры ИИ» объединяет экспертов с разным опытом из экосистемы DeAI, чтобы изучить препятствия и возможности при создании масштабируемых децентрализованных ИИ-систем. Обсуждение затрагивает критически важные вопросы, такие как доверие и верификация в распределенных сетях, конфиденциальность данных и меняющаяся роль специализированного оборудования. Также рассматривается важность децентрализованного управления и его влияние на контроль пользователей над предвзятостями ИИ-моделей. Эта панель дает глубокий взгляд на технологические и структурные вызовы, которые необходимо решить, чтобы раскрыть полный потенциал децентрализованного ИИ.
Участники панели:
Модератор — Anish Mohammed (CTO и Chief Scientist, Panther Protocol)
Ben Fielding (сооснователь, Gensyn)
Greg Osuri (основатель, Akash Network)
David Johnston (основатель, Morpheus)
Ключевые выводы:
Доверие и верификация: Центральная проблема децентрализованного ИИ — как установить доверие в распределенной сети без опоры на централизованный орган. Традиционные методы часто требуют доверенного посредника для проверки задач, что плохо масштабируется в децентрализованных средах. Участники панели подчеркнули необходимость криптографических решений, в частности доказательств с нулевым разглашением (ZK) и других техник верификации, чтобы гарантировать корректное выполнение задач и доверие пользователей к системе. Эти решения позволяют децентрализованным сетям безопасно функционировать даже при недоверенных участниках, подтверждая вычислительные задачи без раскрытия чувствительной информации.
Конфиденциальность данных: Одно из самых значимых препятствий в децентрализованном ИИ — как обучать модели на чувствительных данных при сохранении приватности. Доступ к высококачественным чувствительным данным (например, медицинским или финансовым) необходим для эффективного ИИ, но его трудно получить без компрометации приватности. На панели обсуждались технологии сохранения приватности, такие как гомоморфное шифрование и федеративное обучение, которые позволяют использовать данные для обучения ИИ-моделей без раскрытия самих данных. Децентрализованный ИИ способен безопасно раскрыть ценность таких наборов данных, но для полной реализации этого потенциала нужны дальнейшие прорывы в технологиях приватности.
Специализация оборудования: Инфраструктуры децентрализованного ИИ должны преодолеть текущие аппаратные ограничения, чтобы эффективно масштабироваться. Панель отметила, что, подобно тому как ASIC революционизировали майнинг Bitcoin, оптимизировав оборудование под конкретные задачи, децентрализованному ИИ потребуется специализированное оборудование для вычислительных нагрузок обучения и запуска моделей. Отказываясь от зависимости от традиционных облачных провайдеров, децентрализованные системы могут использовать разнообразные источники оборудования по всему миру, снижая затраты и повышая масштабируемость.
Предвзятость в ИИ-моделях: ИИ-модели по своей природе предвзяты из-за данных, на которых они обучаются, и в централизованных системах у пользователей часто мало контроля над этими предвзятостями. Участники отметили, что децентрализованный ИИ предлагает решение, позволяя пользователям выбирать или создавать модели, отражающие желаемые ими смещения. В децентрализованной системе разнообразие модельных опций обеспечивает большую прозрачность и подотчетность, поскольку пользователи могут выбирать модели, лучше соответствующие их потребностям, или создавать новые. Это ведет к более настраиваемому ИИ-опыту и снижает риски закрепившихся предвзятостей, характерных для централизованных моделей.
Децентрализованное управление: Управление — критически важный компонент децентрализованных ИИ-систем, но оно сопряжено с собственными вызовами. Текущие модели крипто-управления часто ориентированы на капитал: у кого больше токенов, у того больше влияния. Участники выступили за модели, где участие важнее капитала, чтобы пользователи и контрибьюторы системы имели больший голос. Однако сохраняются проблемы, особенно с подотчетностью, поскольку анонимность в децентрализованных системах затрудняет привлечение к ответственности за вредные решения. Будущее децентрализованного управления — в балансе прозрачности, участия и подотчетности при избегании ловушек традиционного централизованного контроля.
Построение открытой, совместной экономики ИИ
Панель «Построение открытой, совместной экономики ИИ» рассматривает, как децентрализованный ИИ может создать более справедливую, прозрачную и доступную экосистему. Сфокусировавшись на секторах здравоохранения, образования и управления, дискуссия затрагивает возможности и вызовы при создании открытой ИИ-инфраструктуры. В центре разговора — роль суверенитета данных, моделей управления и open-source-фреймворков, которые критически важны для того, чтобы децентрализованный ИИ приносил общественную пользу и при этом избегал недостатков централизованных техногигантов.
Участники панели:
Модератор — Haseeb Qureshi (MP, Dragonfly)
Emad Mostaque (основатель, Schelling.ai)
Ключевые выводы:
Открытый ИИ для общественного блага: Инфраструктура децентрализованного ИИ должна быть ориентирована на служение обществу — с применением в здравоохранении, образовании и государственном секторе. Такие системы избегают недостатков непрозрачных «черных ящиков», контролируемых бигтехом, обеспечивая большую прозрачность и общественную пользу.
Децентрализованное управление: Эффективное управление в децентрализованном ИИ необходимо для создания справедливых и прозрачных систем. Предотвращая контроль со стороны нескольких крупных компаний, децентрализованные модели снижают риск предвзятости, цензуры и монополистической власти в развитии ИИ.
Суверенитет данных и приватность: Защита конфиденциальности данных при их использовании для обучения ИИ остается серьезной задачей. Технологии сохранения приватности, такие как Federated Learning и Homomorphic Encryption, предлагают потенциальные решения, позволяя использовать чувствительные данные без их раскрытия и сохраняя суверенитет данных.
Коллаборативный интеллект и специализированные модели: Децентрализованный ИИ может способствовать созданию специализированных моделей, адаптированных под конкретные отрасли, например здравоохранение или образование. Такие модели можно совместно донастраивать и разворачивать на децентрализованных платформах, обеспечивая большую прозрачность и отраслевую функциональность.
Open-source и распределенная инфраструктура: Подчеркивая важность моделей с открытым исходным кодом, децентрализованный ИИ может демократизировать доступ к ИИ-ресурсам. Эта распределенная инфраструктура позволяет ИИ-системам эффективно масштабироваться, развивая интероперабельность и сотрудничество, что дает децентрализованному ИИ шанс конкурировать и потенциально превосходить централизованные системы.
Экономика децентрализованного ИИ: монетизация владения и вклада
Панель «Экономика децентрализованного ИИ: монетизация владения и вклада» была посвящена созданию устойчивых бизнес-моделей и экономических стимулов в экосистемах децентрализованного ИИ. В обсуждении рассматривались ключевые темы, такие как управление, токеномика, владение данными и совместное создание ИИ-моделей. Разбирая вызовы приватности, управления ресурсами и стимулирования контрибьюторов, участники показали, как системы децентрализованного ИИ могут дать людям возможность владеть своими данными и монетизировать свой вклад.
Участники панели:
Модератор — Haseeb Qureshi (MP, Dragonfly)
Sean Ren (CEO, Sahara AI)
Alex Skidanov (сооснователь, NEAR)
Ethan Sun (сооснователь, MyShell)
Ключевые выводы:
Децентрализованный ИИ vs. open-source ИИ: Панель прояснила различие между децентрализованным ИИ и open-source ИИ. Open-source ИИ фокусируется на публично доступном коде и моделях, тогда как децентрализованный ИИ идет дальше, включая распределенную работу с данными, развертывание, оркестрацию агентов и управление, принадлежащее пользователям. Цель децентрализованного ИИ — дать пользователям полный контроль над их данными и моделями, с которыми они взаимодействуют, обеспечивая большую приватность и право собственности на вклад.
Пользовательский ИИ и права владения: Концепция user-owned AI означает, что пользователи полностью контролируют свои данные и ИИ-модели, с которыми взаимодействуют, вместо зависимости от централизованных структур. Это гарантирует, что данные не эксплуатируются третьими сторонами, и позволяет пользователям монетизировать свой вклад данными. Однако остаются проблемы в достижении подлинного владения, особенно когда модели развернуты на сторонней инфраструктуре, и сообщество исследует новые способы децентрализации развертывания ИИ.
Токеномика и экономические стимулы: На панели обсуждалось, как токеномика может стимулировать развитие ИИ, особенно в отношении ресурсов стороны предложения: вычислительной мощности, данных и создания моделей. Однако вызов состоит в формировании спроса на децентрализованные ИИ-сервисы. Ключевая задача — построить устойчивую бизнес-модель, в которой поставщики данных, разработчики моделей и поставщики вычислений получают справедливую компенсацию, а пользователи напрямую выигрывают от монетизации ИИ-активов.
Сотрудничество в создании моделей: Хотя экспертиза для создания базовых ИИ-моделей сосредоточена у небольшого числа компаний, децентрализованный ИИ открывает возможности для более совместной разработки специализированных моделей. Участники отметили, что децентрализованный ИИ позволяет создателям донастраивать модели под конкретные задачи, такие как генерация изображений или синтез голоса, без необходимости глубоких технических знаний. Это снижает барьеры участия и расширяет вклад сообщества.
Атрибуция и справедливое распределение ценности: Один из ключевых вызовов децентрализованного ИИ — справедливо распределить ценность между участниками процесса построения моделей, включая поставщиков данных, вычислительных ресурсов и разработчиков. Участники подчеркнули, что, хотя атрибуция данных остается сложной проблемой, фиксация того, какие датасеты использовались для обучения моделей, и прозрачная монетизация через смарт-контракты могут стать шагом вперед. Однако решение вопросов владения и атрибуции данных, вероятно, потребует сочетания децентрализованного управления и правовых рамок.
Коллективное владение и распределение прибыли: монетизация ИИ через модели, управляемые сообществом
Панель «Коллективное владение и распределение прибыли: монетизация ИИ через модели, управляемые сообществом» рассматривает, как платформы децентрализованного ИИ позволяют создателям разрабатывать ИИ-приложения и получать от них прибыль. Обсуждение охватывает эволюцию от простых чат-ботов к более сложным ИИ-приложениям, ключевую роль open-source ИИ-моделей и то, как технология блокчейна облегчает монетизацию. Подчеркивается, как платформы, управляемые сообществом, стимулируют инновации и одновременно позволяют создателям и контрибьюторам делить ценность, которую они помогают создавать.
Участники панели:
Модератор — José Macedo (партнер, Delphi Digital)
Ethan Sun (сооснователь, MyShell)
Ключевые выводы:
Эволюция ИИ-приложений: Платформы децентрализованного ИИ позволяют создателям разрабатывать более сложные приложения, выходящие за рамки простых чат-ботов. Благодаря продвинутым ИИ-возможностям, таким как генерация изображений, обработка данных и рассуждение, создатели теперь могут проектировать интерактивные форматы — например, визуальные новеллы и мини-игры — с помощью no-code-инструментов. Это снижает технический порог и ускоряет инновации в создании ИИ-контента.
Важность open-source ИИ: Open-source ИИ-модели критически важны для расширения доступа к ИИ-инструментам. Однако по мере роста сложности и стоимости моделей возникает риск, что компании ограничат доступ к лучшим моделям, оставляя open-source только менее качественные версии. Модели децентрализованного ИИ, связанные с блокчейном и экосистемами, управляемыми сообществом, предлагают более устойчивое решение, обеспечивая прозрачное владение и распределение прибыли от ИИ-активов.
Монетизация для создателей: Децентрализованные платформы дают создателям более простые пути монетизации. Через блокчейн создатели могут токенизировать и продавать ИИ-приложения или вклад в данные, устраняя необходимость в традиционных посредниках. Такая децентрализация открывает новые источники дохода, особенно для энтузиастов и независимых создателей, и способствует более широкому участию в ИИ-экономике.
Стимулирование вклада в ИИ: Модели, управляемые сообществом, могут стимулировать развитие ИИ за счет монетизации вкладов в данные и модели. Интеграция блокчейна позволяет участникам open-source ИИ-проектов получать компенсацию за свой вклад, формируя более справедливую систему распределения прибыли. Такая структура гарантирует, что и создатели, и контрибьюторы получают выгоду от создаваемой ими ценности в экосистеме децентрализованного ИИ.
Баланс между приватностью и доступностью: Приватность остается вызовом в ИИ, особенно для чувствительных данных. Хотя решения на основе шифрования существуют, они увеличивают стоимость и сложность. В потребительских ИИ-приложениях пользователи часто отдают приоритет бесплатному доступу, а не приватности, но по мере роста персонализации ИИ-моделей эти вопросы нужно будет решать. Встроенные вычисления и локализованные ИИ-решения могут предложить способы усилить приватность без потери доступности.
ИИ для всех: что нужно, чтобы децентрализация победила?
Панель «ИИ для всех: что нужно, чтобы децентрализация победила?» рассматривает будущее децентрализованного ИИ, фокусируясь на вызовах и этапах, необходимых для превращения его в доминирующую парадигму. Эксперты из разных сфер обсуждают ключевую роль децентрализованных систем в ИИ-инфраструктуре, важность проверяемости и будущее обучения ИИ-моделей. Разговор посвящен тому, как децентрализованный ИИ может преодолеть текущие ограничения и стать жизнеспособной альтернативой централизованным моделям, с акцентом на сотрудничество, инновации и масштабируемость в децентрализованной экосистеме.
Участники панели:
Модератор — Kaweepol Panpheng (партнер, SCB 10x)
Kartin Wong (CEO, ORA)
Ben Finch (AI Product Lead, Sentient)
Mark Rydon (сооснователь, Aethir)
Jasper Zhang (сооснователь, Hyperbolic)
Ключевые выводы:
Проверяемость критически важна для доверия в децентрализованном ИИ: Один из центральных вызовов децентрализованного ИИ — обеспечить проверку ИИ-вычислений в сети без опоры на централизованные структуры. Разрабатываются разные методы верификации, включая вероятностные проверки, optimistic machine learning и доказательства с нулевым разглашением, чтобы обеспечить надежность ИИ-выходов при сохранении эффективности и безопасности.
Демократизация ИИ требует доступной вычислительной мощности: Открытый доступ к GPU-ресурсам жизненно важен для децентрализации разработки ИИ. Децентрализованные сети, агрегирующие GPU по всему миру, позволяют меньшим разработчикам получать вычислительные ресурсы, необходимые для создания ИИ-моделей, выравнивая условия в индустрии, где сейчас доминируют централизованные облачные провайдеры.
Модульные архитектуры ИИ могут обойти монолитные системы: Вместо опоры на централизованные монолитные ИИ-модели децентрализованные ИИ-системы могут перейти к модульным архитектурам, где специализированные ИИ-агенты работают совместно. Такой подход может дать более гибкие и эффективные решения, особенно в сценариях, где крупномасштабное обучение ИИ непрактично.
Децентрализованные модели финансирования и токенизация: Токенизация ИИ-моделей и инфраструктур может обеспечить инновации, управляемые сообществом: пользователи вносят ресурсы или средства в разработку моделей и в ответ получают долю владения и вознаграждения. Такая структура финансирования способна децентрализовать развитие ИИ и снизить зависимость от крупных корпоративных инвесторов.
Преодоление узких мест в децентрализованном ИИ: Самые большие препятствия для децентрализованного ИИ — соответствовать скорости и эффективности централизованных систем, особенно в крупномасштабном обучении. Однако будущие ограничения по энергии и доступности данных могут усилить роль децентрализованных сетей, поскольку они способны эффективнее использовать распределенные ресурсы.
Управление жизненным циклом ИИ-моделей в блокчейне
Панель «Управление жизненным циклом ИИ-моделей в блокчейне» исследует пересечение технологий ИИ и блокчейна и то, как их можно объединить для децентрализации управления ИИ-моделями. Обсуждение сосредоточено на важности децентрализации ключевых аспектов жизненного цикла ИИ, включая сбор данных, обучение, развертывание и управление. Используя блокчейн, панель показывает, как децентрализация может привнести прозрачность, подотчетность и эффективность в управление ИИ-моделями, а также заложить основу для будущего, где ИИ-агенты автоматизируют и упрощают операции в сети.
Участники панели:
Модератор — Momir Amidzic (Senior Director, IOSG Ventures)
Mike Hanono (CEO, Talus Network)
Ron Chan (сооснователь, Inference Labs)
Ron Bodkin (сооснователь, Theoriq)
Ключевые выводы:
Почему децентрализованный ИИ необходим: Децентрализованный ИИ позиционируется как ответ на растущую централизацию ИИ у техногигантов вроде OpenAI, Google и Facebook. Централизованные ИИ-системы концентрируют огромный контроль над данными, вычислениями и инновациями, создавая серьезные риски монополизации и непрозрачности. Блокчейн предоставляет инструменты для децентрализации ИИ, перераспределяя власть и контроль в пользу сообщества и формируя более открытые и прозрачные ИИ-экосистемы. Децентрализация не только демократизирует доступ к ИИ, но и обеспечивает устойчивость к цензуре, суверенитет данных и композиционность ИИ-приложений — критически важные факторы для справедливого и инклюзивного развития ИИ.
Роль блокчейна в управлении жизненным циклом ИИ-моделей: Блокчейн обеспечивает новый уровень прозрачности и подотчетности в управлении ИИ-моделями. Ключевые компоненты жизненного цикла ИИ — сбор данных, обучение, развертывание, обновление и управление — могут быть децентрализованы и отслеживаться в сети. Такая модель позволяет сообществу активнее улучшать систему, гарантируя использование лучших моделей и данных. Блокчейн также поддерживает прозрачные процессы принятия решений по обновлениям моделей, чтобы ИИ-системы развивались в интересах всех стейкхолдеров, а не только узкой группы контролирующих участников.
ИИ-агенты: будущее взаимодействий в блокчейне: Ожидается, что в ближайшие пять лет ИИ-агенты станут ключевыми элементами блокчейн-экосистем. Эти агенты будут автоматизировать ончейн-транзакции, координировать задачи и выполнять сложную интеллектуальную работу, становясь ядром децентрализованных приложений. Блокчейн дает идеальную основу для взаимодействия таких агентов, обеспечивая прозрачность, проверяемость и подотчетность их операций. По мере развития агенты, вероятно, превзойдут по числу взаимодействия, инициируемые людьми, создавая более эффективный и масштабируемый способ решения сложных задач в разных отраслях.
Постобучение ИИ и непрерывное улучшение моделей: Панель отметила сдвиг в подходах к улучшению ИИ-моделей после развертывания. Техники постобучения, такие как донастройка и непрерывное обучение, становятся все более значимыми, позволяя моделям адаптироваться и улучшаться динамически в реальном времени. Децентрализованные фреймворки на базе блокчейна могут поддерживать эти процессы, обеспечивая сотрудничество между меньшими специализированными моделями или агентами. Такой распределенный подход к улучшению моделей потенциально может опередить централизованные модели, предлагая более гибкое и масштабируемое решение для эволюции ИИ.
Развитие децентрализованного ИИ: взгляд венчурных инвесторов
Эта панель объединяет ведущих венчурных инвесторов для изучения конвергенции децентрализованного ИИ и блокчейна, предлагая глубокий разбор инвестиционного ландшафта и новых трендов. Обсуждение сосредоточено на том, как децентрализованный ИИ может решать критические проблемы прозрачности, контроля и масштабируемости, с которыми сталкиваются централизованные модели. Ключевые темы включают эволюционирующую роль блокчейна в ИИ-инфраструктуре, рост децентрализованного обучения ИИ и потенциал edge computing для дальнейшей децентрализации ИИ. Панель также затрагивает барьеры в привлечении ИИ-разработчиков и ажиотаж вокруг оценок на стыке ИИ и крипто, предлагая перспективный взгляд на устойчивый рост в этой области.
Участники панели:
Модератор — Emma Cui, (основатель и MP, LongHash Ventures)
Jake Brukhman (основатель и MP, CoinFund)
Sam Campbell (инвестор, Samsung Next)
Sven Wellmann (исследователь, Polychain Capital)
Ключевые выводы:
ИИ и блокчейн как взаимодополняющие технологии: ИИ выигрывает от централизованных моделей, но сталкивается с ограничениями в прозрачности, контроле и масштабируемости. Блокчейн предлагает децентрализованную инфраструктуру для решения этих проблем, обеспечивая проверяемость, приватность и демократизированный доступ к ИИ. Конвергенция этих технологий сыграет ключевую роль в формировании будущих ИИ-экосистем.
Децентрализованное обучение ИИ становится жизнеспособным: Долгое время считалось, что децентрализованное обучение ИИ непрактично, но это меняется. Новые исследования и децентрализованные сети делают возможным обучение моделей в распределенных системах, бросая вызов доминированию централизованных компаний, таких как Google и Nvidia. Этот сдвиг важен для сохранения открытости и доступности ИИ.
Edge computing как путь к децентрализации: Запуск ИИ-моделей локально на устройствах (например, на мобильных телефонах) — ключевая форма децентрализации. Это снижает зависимость от централизованных дата-центров, повышает приватность и уменьшает задержки. Edge computing становится практическим решением для масштабирования децентрализованных ИИ-приложений.
Сложности привлечения ИИ-разработчиков: Привлечение сильных ИИ-специалистов из традиционной web2-среды в децентрализованный ИИ остается препятствием. Однако по мере того как децентрализованные ИИ-проекты начинают решать реальные задачи — такие как приватность и permissionless-доступ — все больше ИИ-разработчиков будет приходить в эту сферу.
Ажиотаж оценок в crypto-AI: Пересечение ИИ и крипто привело к завышенным оценкам многих проектов, подпитываемым хайпом в обеих отраслях. Хотя финансирование активно поступает в эту область, инвесторам важно сохранять дисциплину и фокус на долгосрочной устойчивости, а не поддаваться краткосрочному ажиотажу.
От пользователей к стейкхолдерам: переосмысление участия в экосистемах децентрализованного ИИ
Панель «От пользователей к стейкхолдерам: переосмысление участия в экосистемах децентрализованного ИИ» рассматривает, как децентрализованный ИИ может изменить текущий ландшафт, в котором доминируют централизованные игроки вроде OpenAI и Google. Обсуждение фокусируется на вызовах разработки децентрализованной ИИ-системы, обеспечении справедливого распределения ценности между стейкхолдерами и роли блокчейна в превращении ИИ в более открытую экосистему. Цель — переосмыслить участие в ИИ, позволив контрибьюторам из разных сфер активно формировать экосистему и получать выгоду от нее.
Участники панели:
Ключевые выводы:
Децентрализация — это про управление, а не инфраструктуру: Хотя децентрализованный ИИ не стремится децентрализовать все, особенно физические вычислительные ресурсы, его фокус — децентрализация управления и экономики. Ключевые области, такие как распределение ресурсов, разделение выручки и учет вкладов, должны быть децентрализованы для более справедливой ИИ-экосистемы, тогда как дата-центры и другая вычислительная инфраструктура могут оставаться централизованными ради эффективности.
Блокчейн как система учета вкладов: Блокчейн предоставляет прозрачный и децентрализованный способ фиксировать вклады, сделанные стейкхолдерами — будь то поставщики данных, вычислительных ресурсов или разработчики ИИ-моделей. Это позволяет справедливо распределять выручку на основе вклада, а также обеспечивает недоверительную верификацию офчейн-операций с помощью технологий вроде trusted execution environments (TEE) и optimistic machine learning.
Initial Model Offerings (IMO) и токенизация могут демократизировать ИИ: Через токенизацию и первичные предложения моделей разработчики ИИ-моделей могут быстро привлекать капитал, продавая доли в своих моделях, аналогично тому, как работает венчурное финансирование. Этот подход позволяет быстрее получать ресурсы и поддерживает развитие проприетарных ИИ-моделей за счет использования экосистемы децентрализованных финансов (DeFi).
Проблемы ИИ-разработчиков в текущей экосистеме: ИИ-разработчики сталкиваются со значительными барьерами из-за ограниченного доступа к ресурсам и конкурентной среды, в которой доминируют крупные централизованные компании. Экосистемы децентрализованного ИИ, такие как Sahara AI, стремятся предоставить новые пути для разработчиков моделей к доступу к данным, вычислениям и капиталу без поглощения техногигантами вроде Google или OpenAI.
Централизованные ИИ-модели и их влияние на пользователей: Сегодня, взаимодействуя с ИИ-моделями вроде ChatGPT, пользователи отдают ценные персональные данные, которые улучшают ИИ, но не дают пользователям прав собственности на их вклад. Экосистема децентрализованного ИИ может усилить позиции пользователей, предоставив им владение своими данными и возможность участвовать в процессе развития ИИ, тем самым обеспечивая их долю в создаваемой экономической ценности.
Присоединяйтесь к формированию будущего ИИ
Чтобы оставаться в курсе последних достижений в децентрализованном ИИ и стать частью этого трансформационного пути, обязательно присоединяйтесь к нашему листу ожидания. Получайте эксклюзивные инсайты, ранний доступ к новым разработкам и возможности взаимодействовать с лидерами отрасли, расширяющими границы ИИ и блокчейна.
