去中心化人工智能的关键挑战与创新：来自新加坡AI/ALL峰会的专家见解
AI/ALL峰会 - 新加坡 展示了一些关于AI未来的最前瞻性讨论，重点关注建设成功去中心化AI未来所需的技术、经济和治理变革。今年的讨论小组深入探讨了基础设施、隐私、代币经济和去中心化系统中的治理等关键领域，同时强调了应对AI中心化带来的挑战的实用解决方案。
在下面，您可以探索小组讨论的录音及其主要收获。
构建去中心化AI基础设施的关键挑战
小组“构建去中心化AI基础设施的关键挑战”汇集了来自DeAI生态系统各界的专家，共同探讨创建可扩展的去中心化AI系统过程中的障碍和机遇。讨论深入探讨了分布式网络中的信任和验证、数据隐私以及专用硬件的不断演变等关键问题。它还考察了去中心化治理的重要性及其对用户控制AI模型偏见的影响。该小组提供了对必须解决的技术和结构挑战的深入分析，以释放去中心化AI的全部潜力。
小组成员：
主持人 – Anish Mohammed（首席技术官和首席科学家，Panther Protocol）
Ben Fielding（联合创始人，Gensyn）
Greg Osuri（创始人，Akash Network）
David Johnston（创始人，Morpheus）
主要收获：
信任和验证：去中心化AI的一个核心挑战是如何在分布式网络中建立信任，而不依赖于中心化的权威。传统方法通常需要可信的中介来验证任务，这在去中心化环境中并不容易扩展。小组强调需要加密解决方案，特别是零知识证明（ZK）和其他验证技术，以确保任务的正确完成，以及用户可以信任系统。这些解决方案允许去中心化网络在参与者不受信任的情况下安全地运作，通过验证计算任务而不暴露敏感信息。
数据隐私：去中心化AI面临的一个最大障碍是如何在保持隐私的同时使用敏感数据训练模型。获得高质量的敏感数据（例如医疗或财务数据）对有效AI至关重要，但在不妥协隐私的情况下很难获得。小组讨论了隐私保护技术，如同态加密和联邦学习，这些技术使数据能够用于训练AI模型而无需暴露实际数据。去中心化AI有可能以安全的方式解锁有价值的数据集，但仍需要在隐私技术方面取得进一步进展，以充分实现这一潜力。
硬件专业化：去中心化AI基础设施必须克服当前硬件限制，以高效扩展。小组指出，正如ASIC通过针对特定任务优化硬件革命性地改变了比特币挖矿一样，去中心化AI也需要专用硬件来处理训练和运行AI模型的计算要求。通过摆脱对传统云服务提供商的依赖，去中心化系统可以利用全球多样的硬件来源，从而降低成本并增强可扩展性。
AI模型的偏见：AI模型本质上受到其训练数据的偏见影响，在中心化系统中，用户对这些偏见往往没有控制权。小组成员指出，去中心化AI通过允许用户选择或创建反映其期望偏见的模型提供了解决方案。在去中心化系统中，多样化的模型选项使得透明度和问责制得以增强，因为用户可以选择最符合其需求的模型或创建新的模型。这导致了一个更具可定制性的AI体验，减少了困扰中心化模型的根深蒂固偏见的风险。
去中心化治理：治理是去中心化AI系统的一个关键组成部分，但它也带来了自己的一系列挑战。目前的加密治理模型往往是资本驱动的，拥有最多代币的参与者拥有最多的影响力。小组成员主张治理模型应优先考虑参与而非资本，确保那些使用和贡献系统的参与者拥有更大的发言权。然而，仍然存在挑战，特别是在问责制方面，因为去中心化系统中的匿名性可能使得追究用户对有害决策的责任变得困难。未来去中心化治理的关键在于平衡透明度、参与性和问责制，同时避免传统中心化控制的陷阱。
构建开放、协作的AI经济
小组“构建开放、协作的AI经济”探讨了去中心化AI如何创造一个更加公平、透明和可访问的生态系统。讨论集中在医疗保健、教育和治理等领域，解决了构建开放AI基础设施的机遇和挑战。数据主权、治理模型和开源框架的角色是讨论的核心，这对于确保去中心化AI能够提供公共利益，同时避免中心化科技巨头的陷阱至关重要。
小组成员：
主持人 – Haseeb Qureshi（MP，Dragonfly）
Emad Mostaque（创始人，Schelling.ai）
主要收获：
为公众利益开放的AI：去中心化AI基础设施应优先考虑服务于公众，在医疗保健、教育和政府等领域应用。这些系统避免了由大科技公司控制的模糊的 "黑箱" 模型的陷阱，确保更大的透明度和社会利益。
去中心化治理：有效的去中心化AI治理对于创建公平和透明的系统至关重要。通过防止少数大公司的控制，去中心化模型减少了AI开发中偏见、审查和垄断权力的风险。
数据主权与隐私：在利用数据进行AI训练的同时保护数据隐私仍然是一个重大挑战。隐私保护技术，如联邦学习和同态加密，提供了潜在的解决方案，使敏感数据能够在不暴露的情况下用于训练，确保数据主权得以维护。
协作智能与专业化模型：去中心化AI可以促进为特定行业（如医疗或教育）量身定制的专业化模型的创建。这些模型可以在去中心化平台上协作微调和部署，提供更多透明度和行业特定的能力。
开源和分布式基础设施：强调开源模型的重要性，去中心化AI可以使AI资源的访问民主化。这种分布式基础设施使AI系统能够有效扩展，同时促进互操作性和协作，使去中心化AI能够挑战并可能超越中心化系统。
去中心化AI的经济学：货币化所有权与贡献
小组“去中心化AI的经济学：货币化所有权与贡献”专注于在去中心化AI生态系统中创建可持续商业模型和经济激励。这次讨论探讨了治理、代币经济、数据所有权和AI模型的协作创建等关键主题。通过解决隐私、资源管理和贡献者激励的挑战，小组强调通过去中心化AI系统，个体能够掌控自己的数据并货币化他们的贡献。
小组成员：
主持人 – Haseeb Qureshi（MP，Dragonfly）
Sean Ren（首席执行官，Sahara AI）
Alex Skidanov（联合创始人，NEAR）
Ethan Sun（联合创始人，MyShell）
主要收获：
去中心化AI与开源AI的对比：小组澄清了去中心化AI与开源AI之间的区别。开源AI专注于可公开获得的代码和模型，而去中心化AI则更进一步，涉及分布式数据处理、部署、代理编排和用户拥有的治理。去中心化AI旨在使用户完全控制他们的数据和他们所接触的AI模型，从而确保对其贡献的更大隐私和所有权。
用户拥有的AI与所有权权利：用户拥有的AI意味着用户对其数据和所使用的AI模型拥有完全的控制权，而不是依赖于中心化实体。这确保了数据不会被第三方利用，并允许用户通过数据的贡献获取货币收益。然而，在实现真正的所有权方面仍面临挑战，特别是在模型部署在第三方基础设施上时，社区正在探索新的方式来去中心化AI的部署。
代币经济与经济激励：小组讨论了代币经济如何激励AI开发，特别是对于供应侧的资源，如计算能力、数据和模型创建。然而，创建去中心化AI服务的需求是一个挑战。关键在于建立一个可持续的商业模型，使数据提供者、模型开发者和计算贡献者可以获得公平的补偿，并且用户可以直接从AI资产的货币化中受益。
模型创建的协作：虽然创建基础AI模型的专业知识集中在少数公司手中，去中心化AI打开了更多协作、专业化模型的机会。小组成员指出，去中心化AI允许创建者为特定任务（如图像生成或语音合成）微调模型，而无需深厚的技术专业知识。这降低了参与的门槛，使社区能够更广泛地贡献。
归属与公平价值分配：去中心化AI中的一个关键挑战是在模型构建过程中为贡献者（包括数据提供者、计算资源和开发者）归属公平的价值。小组成员强调，尽管数据归属仍然是一个复杂的问题，但记录用于训练模型的数据集并通过智能合约确保透明的货币化可能提供解决方案。然而，解决数据所有权和归属问题可能需要去中心化治理和法律框架的结合。
众筹所有权与利润分享：通过社区驱动模型货币化AI
小组“众筹所有权与利润分享：通过社区驱动模型货币化AI”探讨了去中心化AI平台如何使创作者能够建立和从其AI应用中获利。讨论涵盖了从简单聊天机器人到更复杂的AI驱动应用程序的演变、开源AI模型的关键作用，以及区块链技术如何促进货币化。它强调了社区驱动的AI平台如何促进创新，同时使创作者和贡献者能够分享他们所创造的价值。
小组成员：
主持人 – José Macedo（合伙人，Delphi Digital）
Ethan Sun（联合创始人，MyShell）
主要收获：
AI应用演变：去中心化AI平台使创作者能够构建更复杂的应用程序，而不仅限于简单的聊天机器人。凭借图像生成、数据处理和推理等先进的AI能力，创作者现在可以使用无代码工具设计交互式体验，如视觉小说和迷你游戏。这降低了技术门槛，促进了AI驱动的内容创作创新。
开源AI的重要性：开源AI模型对于拓宽对AI工具的访问至关重要。然而，随着模型在复杂性和成本上有所增长，企业可能会限制对最佳表现模型的访问，只保留劣质版本作为开源。这些去中心化AI模型与区块链和社区驱动生态系统相结合，提供了一种更可持续的解决方案，使AI资产的透明所有权和利润分享成为可能。
创作者的货币化：去中心化平台为创作者提供了更容易的货币化途径。通过区块链，创作者可以对AI应用程序或数据贡献进行代币化和销售，消除传统中介的需求。这种去中心化开辟了新的收入来源，尤其适合爱好者和独立创作者，同时鼓励他们在AI经济中更积极地参与。
激励AI贡献：社区驱动模型可以通过对数据和模型贡献进行货币化来激励AI开发。通过集成区块链，对开源AI项目的贡献者可以获得补偿，从而建立一个更加公平的利润分享体系。这种结构确保创作者和贡献者都能从他们在去中心化AI生态系统中所创造的价值中受益。
平衡隐私与可访问性：隐私仍然是AI中的一个挑战，尤其是涉及敏感数据时。虽然存在加密解决方案，但它们增加了成本和复杂性。在面向消费者的AI应用中，用户往往优先考虑免费访问而不是隐私，但是随着AI模型变得更加个性化，隐私问题将需要得到解决。嵌入式计算和本地化AI解决方案可能提供增强隐私而不牺牲可访问性的方法。
为所有人提供AI：使去中心化获胜所需的条件
小组“为所有人提供AI：使去中心化获胜所需的条件”探讨了去中心化AI的未来，重点关注实现这一主导范式所需的挑战和里程碑。来自各个行业的专家讨论去中心化系统在AI基础设施中所发挥的重要作用、可验证性的重要性以及AI模型训练的未来。讨论涉及去中心化AI如何克服当前的局限性，并将自己定位为对中心化模型的可行替代方案，强调在去中心化生态系统中的协作、创新和可扩展性。
小组成员：
主持人 – Kaweepol Panpheng（合伙人，SCB 10x）
Kartin Wong（首席执行官，ORA）
Ben Finch（AI产品负责人，Sentient）
Mark Rydon（联合创始人，Aethir）
Jasper Zhang（联合创始人，Hyperbolic）
主要收获：
可验证性对去中心化AI的信任至关重要：去中心化AI的一个中心挑战是确保AI计算可以在链上验证，而不依赖于中心化实体。正在开发多种验证方法，包括概率检查、乐观机器学习和零知识证明，以确保AI输出的可信度，同时保持效率和安全性。
民主化AI需要可访问的计算能力：开放访问GPU资源对于去中心化AI开发至关重要。聚合全球GPU的去中心化网络使小型开发者能够获得构建AI模型所必需的计算能力，从而在当今以中心化云服务提供商主导的行业中提升竞争力。
模块化AI架构可能超越单体系统：去中心化AI系统可能会采用模块化架构，其中专门的AI代理协作。这种方法可能提供更灵活和更高效的解决方案，尤其是在大规模AI训练不切实际的场景中。
去中心化资金模型和代币化：对AI模型和基础设施的代币化可以启用社区驱动的创新，用户可以贡献资源或资金来开发AI模型，并分享所有权和奖励。这一资金结构可以去中心化AI开发，减少对主要企业投资者的依赖。
克服去中心化AI中的瓶颈：去中心化AI面临的最大障碍在于匹配中心化系统的速度和效率，特别是在大规模AI训练时。然而，未来在电力和数据可用性方面的瓶颈可能推动去中心化网络扮演更重要的角色，因为它们能够更有效地利用分布式资源。
在区块链上管理AI模型生命周期
小组“在区块链上管理AI模型生命周期”探讨了AI和区块链技术的交集以及如何将它们结合起来去中心化AI模型管理。讨论集中在去中心化AI生命周期的关键方面，包括数据收集、训练、部署和治理。通过利用区块链，小组强调去中心化如何为AI模型管理带来透明度、问责制和效率，同时为未来的AI代理自动化和简化链上操作奠定基础。
小组成员：
主持人 – Momir Amidzic（高级董事，IOSG Ventures）
Mike Hanono（首席执行官，Talus Network）
Ron Chan（联合创始人，Inference Labs）
Ron Bodkin（联合创始人，Theoriq）
主要收获：
去中心化AI的必要性：去中心化AI被视为应对OpenAI、谷歌和Facebook等科技巨头日益中心化的解决方案。中心化AI系统对数据、计算和创新拥有巨大控制权，为垄断权力和缺乏透明度带来了重大风险。区块链提供了去中心化AI的工具，将权力和控制权重新分配给社区，使得更开放和透明的AI生态系统成为可能。去中心化不仅民主化了对AI的访问，还允许抵制审查、数据主权和AI应用的可组合性，这是公平和包容的AI发展的关键。
区块链在AI模型生命周期管理中的作用：区块链为AI模型管理提供了一种新的透明度和问责制。AI生命周期的关键组成部分——如数据收集、训练、部署、升级和治理——可以去中心化并在链上跟踪。这种去中心化模型允许社区驱动的改进，确保利用最佳模型和数据。区块链还支持模型升级的透明决策过程，确保AI系统以促进所有利益相关者的方式发展，而不仅仅是少数控制实体。
AI代理：区块链交互的未来：预计AI代理将在未来五年内成为区块链生态系统的关键组成部分。这些代理将自动化链上交易、协调任务和执行高级知识工作，成为去中心化应用的核心组成部分。区块链为这些代理提供了理想的交互框架，因为它确保了操作的透明度、可验证性和问责制。随着代理变得越来越先进，它们可能会在线上超过人类驱动的交互，从而创造一种更高效和可扩展的处理复杂任务的方式。
后训练AI和持续模型改进：小组强调了AI模型在部署后如何改进的转变。后训练技术，如微调和持续学习，正在变得越来越重要，允许AI模型在实时中动态适应和改进。去中心化框架支持这些过程，允许较小的专业模型或代理之间的协作。这种模型改进的分布式方法可能超越中心化模型，提供更灵活和可扩展的AI演变解决方案。
促进去中心化AI：来自风险投资家的见解
该小组聚集了领先的风险投资家，考察去中心化AI与区块链的融合，深入分析投资环境和新兴趋势。讨论集中在去中心化AI如何解决中心化模型面临的透明度、控制和可扩展性等关键挑战。关键主题包括区块链在AI基础设施中的角色演变、去中心化AI培训的崛起以及边缘计算进一步去中心化AI的潜力。小组还讨论了AI开发者采用的障碍以及围绕AI与加密交集的估值炒作，提供了对该领域可持续增长的前瞻性看法。
小组成员：
主持人 – Emma Cui（创始人& MP，LongHash Ventures）
Jake Brukhman（创始人& MP，CoinFund）
Sam Campbell（投资者，Samsung Next）
Sven Wellmann（研究员，Polychain Capital）
主要收获：
AI与区块链的互补性技术：AI从中心化模型中受益，但在透明度、控制和可扩展性方面面临限制。区块链提供去中心化的基础设施，以对抗这些问题，使AI可验证、私密化和民主化访问成为可能。这些技术的融合将在塑造未来AI生态系统中发挥关键作用。
去中心化AI培训正在变得可行：长期以来被认为不切实际的去中心化AI培训的观点正在改变。新的研究和去中心化网络使得在分布式系统上训练模型成为可能，挑战了谷歌和Nvidia等中心化公司的主导地位。这一转变对于确保AI保持开放和可访问至关重要。
边缘计算作为去中心化的路径：在设备（例如手机）上本地运行AI模型是去中心化的关键形式。这减少了对中心化数据中心的依赖，改善了隐私并降低了延迟。边缘计算已成为可行的去中心化AI应用程序扩展解决方案。
AI开发者采用中的挑战：吸引来自传统web2环境的顶级AI人才进入去中心化AI仍然是一个障碍。然而，随着去中心化AI项目开始解决实际问题，例如隐私和无许可访问，越来越多的AI开发者将被吸引到这个领域。
加密AI中的估值炒作：AI与加密的交集导致许多项目的估值被高估，驱动因素是两个领域的炒作。虽然资金正在流入这个领域，但投资者需要保持纪律，关注长期可持续性，而不是被短期兴奋冲昏头脑。
从用户到利益相关者：重新定义去中心化AI生态系统中的参与
小组“从用户到利益相关者：重新定义去中心化AI生态系统中的参与”深入探讨了去中心化AI如何重塑当前由OpenAI和谷歌等中心化玩家主导的格局。讨论集中在开发去中心化AI系统中的挑战、确保利益相关者之间公平价值分配的难题，以及区块链在将AI转变为更开放生态系统中的作用。目标是重新想象AI中的参与，使来自各个领域的贡献者能够积极塑造并从生态系统中受益。
小组成员：
主要收获：
去中心化是关于治理，而不是基础设施：尽管去中心化AI并不旨在去中心化所有内容，特别是物理计算资源，但它专注于治理和经济的去中心化。资源分配、收入分享和贡献跟踪等关键领域应去中心化，以创建一个更公平的AI生态系统，但数据中心和其他计算基础设施可以保持中心化以提高效率。
区块链作为贡献的记账系统：区块链为记录利益相关者的贡献提供了一种透明和去中心化的方法——无论是数据提供者、计算提供者还是AI模型开发者。这允许基于贡献的公平收入分享，同时通过可信执行环境（TEEs）和乐观机器学习等技术实现对链下操作的无信任验证。
初始模型报价（IMOs）和代币化可以实现AI的民主化：通过代币化和初始模型报价，AI模型开发者可以通过出售其模型的股份快速筹集资金，类似于风险投资的方式。这种方法允许更快的资源获取，支持通过利用去中心化金融（DeFi）生态系统开发专有AI模型。
当前生态系统中AI开发者面临的挑战：由于资源获取有限以及被大型中心化公司主导的竞争环境，AI开发者面临重大障碍。像Sahara AI这样的去中心化AI生态系统旨在为模型开发者提供新的途径，以在不被科技巨头（如谷歌或OpenAI）吸收的情况下获取数据、计算和资本。
中心化AI模型及其对用户的影响：目前，当用户与像ChatGPT这样的AI模型交互时，他们会放弃宝贵的个人数据，这些数据提升了AI，但让用户无法拥有他们的贡献。去中心化AI生态系统可以通过使用户能够拥有他们的数据并参与AI开发过程，从而确保他们分享所创造的经济价值。
加入我们，共同塑造AI的未来
请确保加入我们的等待名单，以获得去中心化AI最新进展的更新，并成为这一变革旅程的一部分。获得独家见解、提前访问新进展的机会，以及与推动AI和区块链边界的行业领导者互动的机会。
