Ключевые проблемы и инновации в децентрализованном ИИ: Мнения экспертов с саммита AI/ALL в Сингапуре
16 окт. 2024 г.
AI/ALL Summit - Сингапур продемонстрировал некоторые из самых прогрессивных обсуждений о будущем ИИ, сосредоточив внимание на технологических, экономических и управленческих изменениях, необходимых для построения успешного децентрализованного ИИ будущего. Панели этого года представляют углубленный анализ ключевых областей, таких как инфраструктура, конфиденциальность, токеномика и управление в децентрализованных системах, подчеркивая практические решения для проблем, связанных с централизацией ИИ.
Ниже вы можете изучить записи панелей вместе с их основными выводами.
Ключевые проблемы в построении децентрализованной ИИ инфраструктуры
Панель "Ключевые проблемы в построении децентрализованной ИИ инфраструктуры" объединяет экспертов из различных областей экосистемы DeAI для изучения препятствий и возможностей в создании масштабируемых, децентрализованных ИИ систем. Обсуждение охватывает критические вопросы, такие как доверие и проверка в распределенных сетях, конфиденциальность данных и меняющаяся роль специализированного оборудования. Также рассматривается важность децентрализованного управления и его последствия для контроля пользователей над предвзятостью ИИ моделей. Эта панель предлагает глубокое понимание технологических и структурных проблем, которые необходимо решить, чтобы раскрыть полный потенциал децентрализованного ИИ.
Участники панелей:
Модератор – Аниш Мохаммед (CTO и главный научный сотрудник, Panther Protocol)
Бен Филдинг (соучредитель, Gensyn)
Грег Осури (основатель, Akash Network)
Дэвид Джонстон (основатель, Morpheus)
Ключевые выводы:
Доверие и проверка: Центральной проблемой децентрализованного ИИ является то, как установить доверие в распределенной сети без опоры на централизованный орган. Традиционные методы часто требуют наличия доверенного посредника для проверки задач, что плохо масштабируется в децентрализованных средах. Панель подчеркнула необходимость криптографических решений, в частности нуль-ведомственных доказательств (ZK) и других методов проверки, для обеспечения правильного выполнения задач и доверия пользователей к системе. Эти решения позволяют децентрализованным сетям функционировать безопасно, даже когда участники ненадежны, проверяя вычислительные задачи без раскрытия конфиденциальной информации.
Конфиденциальность данных: Одним из самых значительных препятствий в децентрализованном ИИ является возможность обучения моделей на конфиденциальных данных при сохранении конфиденциальности. Доступ к качественным, чувствительным данным (например, медицинским или финансовым данным) необходим для эффективного ИИ, но трудно получить без компрометации конфиденциальности. Панель обсудила техники обеспечения конфиденциальности, такие как гомоморфное шифрование и федеративное обучение, которые позволяют использовать данные для обучения ИИ моделей без раскрытия фактических данных. Децентрализованный ИИ имеет потенциал разблокировать ценные наборы данных безопасным способом, но необходимы дальнейшие усовершенствования в технологиях конфиденциальности для полного раскрытия этого потенциала.
Специализация оборудования: Децентрализованные ИИ инфраструктуры должны преодолеть текущие ограничения оборудования для эффективного масштабирования. Панель отметила, что подобно тому, как ASIC революционизировала майнинг биткойнов, оптимизировав оборудование для конкретных задач, децентрализованный ИИ потребует специализированного оборудования для обработки вычислительных требований обучения и работы ИИ моделей. Отказавшись от зависимости от традиционных облачных поставщиков, децентрализованные системы могут использовать разнообразные источники оборудования по всему миру, тем самым снижая расходы и улучшая масштабируемость.
Предвзятость в ИИ моделях: ИИ модели по своей природе предвзяты данными, на которых они обучаются, и в централизованных системах пользователи обычно имеют мало контроля над этими предвзятостями. Участники панели отметили, что децентрализованный ИИ предлагает решение, позволяя пользователям выбирать или создавать модели, отражающие их желаемые предвзятости. В децентрализованной системе разнообразие моделей позволяет обеспечить большую прозрачность и ответственность, так как пользователи могут выбирать модели, которые наилучшим образом соответствуют их нуждам, или создавать новые. Это приводит к более настраиваемому ИИ опыту, уменьшая риски укоренившихся предвзятостей, преследующих централизованные модели.
Децентрализованное управление: Управление является критически важным компонентом децентрализованных ИИ систем, но оно сопряжено с собственным набором проблем. Текущие модели криптовалютного управления часто ориентированы на капитал, когда те, у кого больше токенов, оказывают большее влияние. Участники панели выступали за модели управления, которые отдают приоритет участию, а не капиталу, обеспечивая тем, кто использует и способствует системе, больший вес. Однако остаются проблемы, особенно в отношении ответственности, поскольку анонимность в децентрализованных системах может затруднить привлечение пользователей к ответственности за вредные решения. Будущее децентрализованного управления заключается в нахождении баланса между прозрачностью, участием и ответственностью, избегая при этом ловушек традиционного централизованного контроля.
Создание открытой, совместной ИИ экономики
Панель "Создание открытой, совместной ИИ экономики" исследует, как децентрализованный ИИ может создать более справедливую, прозрачную и доступную экосистему. Сосредоточив внимание на таких секторах, как здравоохранение, образование и управление, обсуждение касается возможностей и трудностей в создании открытой ИИ инфраструктуры. Центральными темами беседы являются роли суверенитета данных, моделей управления и открытых фреймворков, которые критически важны для обеспечения того, чтобы децентрализованный ИИ мог предоставлять общественные выгоды, избегая ловушек централизованных технологических гигантов.
Участники панелей:
Модератор – Хасиб Куреши (Член парламента, Dragonfly)
Эмад Мостаки (основатель, Schelling.ai)
Ключевые выводы:
Открытый ИИ для общественного блага: Децентрализованная ИИ инфраструктура должна придавать приоритет служению обществу, с приложениями в таких секторах, как здравоохранение, образование и государственное управление. Эти системы избегают ловушек непрозрачных, "черных ящиков", контролируемых крупными компаниями, обеспечивая большую прозрачность и общественную выгоду.
Децентрализованное управление: Эффективное децентрализованное управление ИИ критически важно для создания справедливых и прозрачных систем. Предотвращая контроль нескольких крупных компаний, децентрализованные модели снижают риск предвзятости, цензуры и монополистической власти в разработке ИИ.
Суверенитет данных и конфиденциальность: Обеспечение конфиденциальности данных при использовании их для обучения ИИ остается значительной проблемой. Технологии, обеспечивающие конфиденциальность, такие как федеративное обучение и гомоморфное шифрование, предлагают потенциальные решения, позволяя использовать чувствительные данные без их раскрытия, обеспечивая сохранение суверенитета данных.
Совместный интеллект и специализированные модели: Децентрализованный ИИ может способствовать созданию специализированных моделей, адаптированных к конкретным отраслям, таким как здравоохранение или образование. Эти модели могут совместно подстраиваться и использоваться на децентрализованных платформах, предоставляя больше прозрачности и возможностей для конкретной отрасли.
Открытые и распределенные инфраструктуры: Подчеркивая важность открытых моделей, децентрализованный ИИ может демократизировать доступ к ресурсам ИИ. Эта распределенная инфраструктура позволяет ИИ системам эффективно масштабироваться, способствуя совместимости и сотрудничеству, позволяя децентрализованному ИИ бросить вызов централизованным системам и, возможно, превзойти их.
Экономика децентрализованного ИИ: Монетизация владения и вклада
Панель "Экономика децентрализованного ИИ: Монетизация владения и вклада" сосредоточилась на создании устойчивых бизнес-моделей и экономических стимулов в децентрализованных ИИ экосистемах. Обсуждение охватывало ключевые темы, такие как управление, токеномика, владение данными и совместное создание ИИ моделей. Обсуждая проблемы конфиденциальности, управления ресурсами и стимулирования вкладчиков, панель подчеркнула, как децентрализованные ИИ системы могут дать возможность индивидуумам владеть своими данными и монетизировать свои вклады.
Участники панелей:
Модератор – Хасиб Куреши (Член парламента, Dragonfly)
Шон Рен (CEO, Sahara AI)
Алекс Скиданов (соучредитель, NEAR)
Итан Сан (соучредитель, MyShell)
Ключевые выводы:
Децентрализованный ИИ против открытого ИИ: Панель прояснила различия между децентрализованным ИИ и открытым ИИ. Открытый ИИ сосредотачивается на публично доступном коде и моделях, тогда как децентрализованный ИИ выходит за рамки этого, включая распределенное управление данными, развертывание, оркестрацию агентов и управление, принадлежащее пользователям. Децентрализованный ИИ ставит цель, чтобы пользователи полностью контролировали свои данные и ИИ модели, с которыми они взаимодействуют, обеспечивая большую конфиденциальность и владение своими вкладами.
ИИ, принадлежащий пользователям, и права собственности: Концепция ИИ, принадлежащего пользователям, предполагает, что у пользователей есть полный контроль над своими данными и ИИ моделями, с которыми они взаимодействуют, а не полагаться на централизованные структуры. Это гарантирует, что данные не будут эксплуатироваться третьими сторонами, и позволяет пользователям монетизировать свои вклады данных. Однако по-прежнему остаются проблемы в достижении истинной собственности, особенно когда модели развертываются на сторонней инфраструктуре, и сообщество ищет новые способы децентрализовать развертывание ИИ.
Токеномика и экономические стимулы: Панель обсудила, как токеномика может стимулировать развитие ИИ, особенно для ресурсов стороннего предложения, таких как вычислительная мощность, данные и создание моделей. Однако проблема заключается в создании спроса на децентрализованные ИИ услуги. Ключевым моментом является создание устойчивой бизнес-модели, при которой поставщики данных, разработчики моделей и вкладчики вычислений могут получать справедливую компенсацию, а пользователи могут напрямую извлекать выгоду из монетизации ИИ активов.
Сотрудничество в создании моделей: В то время как экспертиза для создания фундаментальных ИИ моделей сосредотачивается в руках нескольких компаний, децентрализованный ИИ открывает возможности для более совместных, специализированных моделей. Участники панели отметили, что децентрализованный ИИ позволяет создателям подстраивать модели для конкретных задач, таких как генерация изображений или синтез голоса, без необходимости глубоких технических знаний. Это снижает барьеры для участия и позволяет более широкомасштабным внесением вклада от общества.
Атрибуция и справедливое распределение стоимости: Одной из главных проблем в децентрализованном ИИ является атрибуция справедливой стоимости участникам в процессе создания моделей, включая поставщиков данных, вычислительные ресурсы и разработчиков. Панель подчеркивает, что, хотя атрибуция данных остается сложной проблемой, запись того, какие наборы данных использовались для обучения моделей и обеспечение прозрачной монетизации через смарт-контракты могли бы стать путем вперед. Однако решение проблем владения данными и атрибуции, вероятно, потребует сочетания децентрализованного управления и правовых рамок.
Крауд-владение и распределение прибыли: Монетизация ИИ через модели, ориентированные на сообщество
Панель "Крауд-владение и распределение прибыли: Монетизация ИИ через модели, ориентированные на сообщество" исследует, как децентрализованные ИИ платформы позволяют создателям строить и извлекать выгоду из своих ИИ приложений. Обсуждение охватывает эволюцию от простых чат-ботов до более сложных ИИ-приложений, критическую роль открытого ИИ, и то, как блокчейн технологии содействуют монетизации. Подчеркивается, как децентрализованные AI платформы способствует инновациям, позволяя создателям и участникам делиться той ценностью, которую они помогают генерировать.
Участники панелей:
Модератор – Хосе Маэдо (Партнер, Delphi Digital)
Итан Сан (соучредитель, MyShell)
Ключевые выводы:
Эволюция ИИ приложений: Децентрализованные ИИ платформы позволяют создателям строить более сложные приложения за пределами простых чат-ботов. С помощью продвинутых ИИ возможностей, таких как генерация изображений, обработка данных и рассуждение, создатели теперь могут разрабатывать интерактивные опыты, такие как визуальные новеллы и мини-игры, используя инструменты без кода. Это снижает технический барьер и ускоряет инновации в создании контента на основе ИИ.
Важность открытого ИИ: Открытые ИИ модели имеют решающее значение для расширения доступа к ИИ инструментам. Однако по мере роста сложности и стоимости моделей возникают опасения, что компании могут ограничить доступ к наилучшим моделям, оставив только более низкокачественные версии открытыми. Децентрализованные ИИ модели, связанные с блокчейном и экосистемами, ориентированными на сообщество, предлагают более устойчивое решение, предоставляя возможность прозрачного владения и распределения прибыли от ИИ активов.
Монетизация для творцов: Децентрализованные платформы предоставляют творцам более простые пути монетизации. Через блокчейн создатели могут токенизировать и продавать ИИ приложения или вклады данных, устраняя необходимость в традиционных посредниках. Эта децентрализация открывает новые источники дохода, особенно для любителей и независимых творцов, способствуя большему участию в экономике ИИ.
Стимулирование вкладов в ИИ: Модели, ориентированные на сообщество, могут стимулировать развитие ИИ, монетизируя данные и вклады моделей. Интегрируя блокчейн, участники открытых проектов ИИ могут получать компенсацию за свои вклады, создавая более справедливую систему распределения прибылей. Эта структура гарантирует, что как создатели, так и участники извлекают выгоду из ценности, которую они помогают генерировать в децентрализованной ИИ экосистеме.
Балансировка конфиденциальности и доступности: Конфиденциальность остается проблемой в ИИ, особенно для чувствительных данных. Хотя решения по шифрованию существуют, они добавляют стоимость и сложность. В приложениях ИИ, ориентированных на потребителей, пользователи часто придают приоритет бесплатному доступу, но по мере того, как модели ИИ становятся более персонализированными, необходимо будет решить проблемы конфиденциальности. Внедренные вычисления и локализованные ИИ решения могут предложить способы улучшения конфиденциальности без ущерба для доступности.
ИИ для всех: Что нужно, чтобы сделать децентрализацию победителем?
Панель “ИИ для всех: Что нужно, чтобы сделать децентрализацию победителем?” исследует будущее децентрализованного ИИ, сосредоточив внимание на проблемах и этапах, необходимых для того, чтобы сделать его доминирующей парадигмой. Эксперты из различных секторов обсуждают критическую роль, которую децентрализованные системы играют в инфраструктуре ИИ, важность проверки и будущее обучения моделей ИИ. Обсуждение касается того, как децентрализованный ИИ может преодолеть текущие ограничения и позиционировать себя как жизнеспособная альтернатива централизованным моделям, подчеркивая сотрудничество, инновации и масштабируемость в децентрализованной экосистеме.
Участники панелей:
Модератор – Кавипол Панкхенг (Партнер, SCB 10x)
Картин Вонг (CEO, ORA)
Бен Финч (AI Product Lead, Sentient)
Марк Ридон (соучредитель, Aethir)
Джаспер Жанг (соучредитель, Hyperbolic)
Ключевые выводы:
Проверяемость крайне важна для доверия к децентрализованным ИИ: Одной из центральных проблем в децентрализованном ИИ является обеспечение возможности проверки ИИ вычислений в цепочке без опоры на централизованные структуры. Развиваются несколько методов проверки, включая вероятностные проверки, оптимистическое машинное обучение и нуль-ведомственные доказательства, чтобы обеспечить надежность выхода ИИ, сохраняя при этом эффективность и безопасность.
Демократизация ИИ требует доступной вычислительной мощности: Открытый доступ к ресурсам GPU крайне важен для децентрализации развития ИИ. Децентрализованные сети, которые агрегируют глобальные GPU, позволяют меньшим разработчикам получать доступ к вычислительной мощности, необходимой для построения ИИ моделей, выравнивая условия в отрасли, в которой доминируют централизованные облачные поставщики.
Модульные ИИ архитектуры могут превзойти монолитные системы: Вместо того чтобы полагаться на централизованные, монолитные ИИ модели, децентрализованные ИИ системы могут принять модульные архитектуры, где специализированные ИИ агенты работают совместно. Этот подход мог бы обеспечить более гибкие и эффективные решения, особенно в сценариях, когда крупное обучение ИИ становится непрактичным.
Децентрализованные модели финансирования и токенизация: Токенизация ИИ моделей и инфраструктур может позволить инновациям, ориентированным на сообщество, где пользователи вносят ресурсы или средства для разработки ИИ моделей и в ответ делятся владением и вознаграждениями. Эта структура финансирования может децентрализовать развитие ИИ и уменьшить зависимость от крупных корпоративных инвесторов.
Преодоление узких мест в децентрализованном ИИ: Главные препятствия для децентрализованного ИИ заключаются в том, чтобы соответствовать скорости и эффективности централизованных систем, особенно для крупномасштабного обучения ИИ. Однако будущие узкие места в мощности и доступности данных могут подтолкнуть децентрализованные сети к более заметным ролям, поскольку они могут более эффективно использовать распределенные ресурсы.
Управление жизненным циклом ИИ моделей на блокчейне
Панель "Управление жизненным циклом ИИ моделей на блокчейне" исследует взаимодействие технологий ИИ и блокчейн и то, как их можно объединить для децентрализации управления ИИ моделями. Обсуждение сосредоточивается на важности децентрализации ключевых аспектов жизненного цикла ИИ, включая сбор данных, обучение, развертывание и управление. Используя блокчейн, панель подчеркивает, как децентрализация может привести к прозрачности, ответственности и эффективности в управлении ИИ моделями, одновременно создавая основу для будущего, где ИИ агенты автоматизируют и упрощают операции в цепочке.
Участники панелей:
Модератор – Момир Амиджич (старший директор, IOSG Ventures)
Майк Ханоно (CEO, Talus Network)
Рон Чан (соучредитель, Inference Labs)
Рон Бодкин (соучредитель, Theoriq)
Ключевые выводы:
Почему децентрализованный ИИ необходим: Децентрализованный ИИ позиционируется как решение для растущей централизации ИИ со стороны технологических гигантов, таких как OpenAI, Google и Facebook. Централизованные ИИ системы обладают огромным контролем над данными, вычислениями и инновациями, создавая значительные риски в терминах монопольной власти и отсутствия прозрачности. Блокчейн предоставляет инструменты для децентрализации ИИ, перераспределяя власть и контроль к сообществу и позволяя создавать более открытые и прозрачные ИИ экосистемы. Децентрализация не только демократизирует доступ к ИИ, но также позволяет сопротивляться цензуре, обеспечивать суверенитет данных и композируемость в ИИ приложениях, что критически важно для справедливого и инклюзивного развития ИИ.
Роль блокчейна в управлении жизненным циклом ИИ модели: Блокчейн позволяет достичь нового уровня прозрачности и ответственности в управлении ИИ моделями. Ключевые компоненты жизненного цикла ИИ, такие как сбор данных, обучение, развертывание, обновление и управление, могут быть децентрализованы и отслеживаться в цепочке. Эта децентрализованная модель позволяет осуществлять более управляемые сообществом улучшения, обеспечивая использование наилучших моделей и данных. Блокчейн также поддерживает прозрачные процессы принятия решений для обновления моделей, обеспечивая, чтобы ИИ системы развивались так, чтобы выгодны для всех заинтересованных сторон, а не только для нескольких контролирующих сущностей.
ИИ агенты: будущее взаимодействий с блокчейном: Ожидается, что ИИ агенты будут ключевыми в экосистемах блокчейна в течение следующих пяти лет. Эти агенты будут автоматизировать транзакции в цепочке, координировать задачи и выполнять сложные работы, что делает их ключевым компонентом децентрализованных приложений. Блокчейн предлагает идеальную структуру для этих агентов для взаимодействия, поскольку он обеспечивает прозрачность, проверяемость и ответственность в их операциях. По мере того, как агенты становятся более продвинутыми, они, вероятно, превзойдут по численности взаимодействия, управляемые людьми, в цепочке, создавая более эффективный и масштабируемый способ обработки сложных задач в различных отраслях.
Постобучение ИИ и непрерывное улучшение моделей: Панель подчеркнула изменение подхода к улучшению ИИ моделей после развертывания. Техники постобучения, такие как тонкая настройка и непрерывное обучение, становятся более актуальными, позволяя ИИ моделям адаптироваться и динамически улучшаться в реальном времени. Децентрализованные рамки, поддерживаемые блокчейном, могут поддерживать эти процессы, позволяя сотрудничество между меньшими, специализированными моделями или агентами. Этот распределенный подход к улучшению моделей потенциально может опережать централизованные модели, предлагая более гибкое и масштабируемое решение для эволюции ИИ.
Способствование децентрализованному ИИ: Взгляды инвесторов
Эта панель объединяет ведущих венчурных капиталистов для изучения пересечения децентрализованного ИИ и блокчейна, предоставляя глубокий анализ инвестиционного ландшафта и возникающих трендов. Обсуждение сосредотачивается на том, как децентрализованный ИИ может решить критические проблемы в прозрачности, контроле и масштабировании, с которыми сталкиваются централизованные модели. Ключевые темы включают развивающуюся роль блокчейна в инфраструктуре ИИ, растущее значение децентрализованного обучения ИИ и потенциал краевых вычислений для дальнейшей децентрализации ИИ. Панель также рассматривает препятствия для принятия разработчиков ИИ и гиператрибуции, окружающей пересечение ИИ и криптовалют, предлагая перспективный взгляд на устойчивый рост в этой области.
Участники панелей:
Модератор – Эмма Цуй, (основатель и Член парламента, LongHash Ventures)
Джейк Брукман (основатель и Член парламента, CoinFund)
Сэм Кэмпбелл (инвестор, Samsung Next)
Свен Вельманн (исследователь, Polychain Capital)
Ключевые выводы:
ИИ и блокчейн как дополнительные технологии: ИИ выигрывает от централизованных моделей, но сталкивается с ограничениями в прозрачности, контроле и масштабируемости. Блокчейн предлагает децентрализованную инфраструктуру, чтобы предотвращать эти проблемы, обеспечивая проверяемость, конфиденциальность и демократизированный доступ к ИИ. Пересечение этих технологий сыграет ключевую роль в формировании будущих ИИ экосистем.
Децентрализованное обучение ИИ становится жизнеспособным: Долгосрочное представление о том, что децентрализованное обучение ИИ непрактично, изменяется. Новые исследования и децентрализованные сети делают возможным обучение моделей на распределенных системах, бросая вызов доминированию централизованных компаний, таких как Google и Nvidia. Этот сдвиг важен для обеспечения того, чтобы ИИ оставался открытым и доступным.
Краевое вычисление как путь к децентрализации: Запуск ИИ моделей локально на устройствах (например, мобильных телефонах) представляет собой ключевую форму децентрализации. Это снижает зависимость от централизованных дата-центров, улучшает конфиденциальность и снижает задержку. Краевое вычисление становится практическим решением для масштабирования децентрализованных ИИ приложений.
Проблемы в принятии разработчиков ИИ: Привлечение лучших талантов ИИ из традиционных веб2 сред в децентрализованный ИИ остается проблемой. Однако по мере того, как децентрализованные ИИ проекты начинают решать реальные проблемы, такие как конфиденциальность и доступ без разрешений, все больше разработчиков ИИ будут привлечены в эту область.
Гиператрибуция в крипто-ИИ: Пересечение ИИ и криптовалюты привело к завышениям стоимость многих проектов, побуждаемых ажиотажем вокруг обеих секторов. Хотя финансирование поступает в эту область, инвесторы должны придерживаться дисциплины и сосредоточиться на долгосрочной устойчивости, а не поддаваться краткосрочному волнению.
От пользователей к акционерам: переопределение участия в децентрализованных ИИ экосистемах
Панель "От пользователей к акционерам: переопределение участия в децентрализованных ИИ экосистемах" исследует, как децентрализованный ИИ может изменить текущий ландшафт, доминируемый централизованными игроками, такими как OpenAI и Google. Обсуждение сосредоточено на проблемах разработки децентрализованной ИИ системы, обеспечивая справедливое распределение ценности среди участников, и роли блокчейна в трансформации ИИ в более открытое экосистему. Цель состоит в том, чтобы переосмыслить участие в ИИ, позволяя участникам из различных областей активно формировать и извлекать выгоду из экосистемы.
Участники панелей:
Ключевые выводы:
Децентрализация касается управления, а не инфраструктуры: Хотя децентрализованный ИИ не ставит цель децентрализовать все, особенно физические вычислительные ресурсы, он сосредоточен на децентрализации управления и экономики. Ключевые области, такие как распределение ресурсов, распределение доходов и отслеживание вкладов, должны быть децентрализованы для создания более справедливой ИИ экосистемы, но дата-центры и другие вычислительные инфраструктуры могут оставаться централизованными для обеспечения эффективности.
Блокчейн как система учета вкладов: Блокчейн предоставляет прозрачный и децентрализованный способ учета вкладов, сделанных участниками — будь то поставщики данных, поставщики вычислений или разработчики ИИ моделей. Это позволяет справедливо распределять доход на основе вкладов, обеспечивая доверительную проверяемость операций вне цепочки с помощью таких технологий, как защищенные среды выполнения (TEE) и оптимистическое машинное обучение.
Изначальные предложения моделей (IMOs) и токенизация могут демократизировать ИИ: Благодаря токенизации и изначальным предложениям моделей, разработчики ИИ моделей могут быстро привлекать капитал, продавая доли в своих моделях, аналогично тому, как работает венчурный капитал. Этот подход позволяет быстрее привлекать ресурсы и поддерживает разработку собственных ИИ моделей, используя экосистему децентрализованных финансов (DeFi).
Проблемы для разработчиков ИИ в текущей экосистеме: Разработчики ИИ сталкиваются с значительными барьерами из-за ограниченного доступа к ресурсам и конкурентного ландшафта, доминируемого крупными централизованными компаниями. Децентрализованные ИИ экосистемы, такие как Sahara AI, стремятся предоставить новые пути для разработчиков моделей для доступа к данным, вычислениям и капиталу, не позволяя им быть поглощенными технологическими гигантами, такими как Google или OpenAI.
Централизованные ИИ модели и их влияние на пользователей: В настоящее время, когда пользователи взаимодействуют с ИИ моделями, такими как ChatGPT, они отдают ценную личную информацию, что улучшает ИИ, но оставляет пользователей без права собственности на свои вклады. Децентрализованная ИИ экосистема может укрепить пользователей, предоставив им право собственности на их данные и позволяя им участвовать в процессе разработки ИИ, что гарантирует, что они делятся в созданной экономической ценности.
Присоединяйтесь к нам в формировании будущего ИИ
Чтобы оставаться в курсе последних достижений в области децентрализованного ИИ и стать частью этого трансформационного путешествия, обязательно присоединитесь к нашему ожидательному списку. Получите эксклюзивные данные, ранний доступ к новым разработкам и возможности взаимодействовать с ведущими специалистами, продвигающими границы ИИ и блокчейна.
