Was ist dezentrale KI?

Künstliche Intelligenz (KI) hat in den letzten Jahren bemerkenswerte Fortschritte gemacht, Branchen verändert und unser tägliches Leben neu gestaltet. Allerdings dominieren große Technologieunternehmen die heutige KI-Landschaft und kontrollieren riesige Datenmengen, Rechenressourcen und ausgefeilte KI-Modelle. Diese Dynamik hat zu Bedenken hinsichtlich Datenschutz, Sicherheit, Fairness und der Machtkonzentration in den Händen einiger weniger Unternehmen geführt.

Dezentrale KI ist ein grundlegend anderer Ansatz zur Entwicklung, Bereitstellung und Verwaltung von KI-Systemen, bei dem die Schlüsselkomponenten auf ein Netzwerk von Teilnehmern verteilt werden, anstatt sie unter der Kontrolle einer einzelnen Entität zu zentralisieren.

Lassen Sie uns die kritischen Komponenten der dezentralen KI untersuchen, sie im Vergleich zu ihren zentralisierten Gegenstücken vergleichen und die bevorstehenden Vorteile und Herausforderungen betrachten.

Föderiertes Lernen

Zentralisierte KI sammelt Daten aus verschiedenen Quellen – beispielsweise aus der eigenen Benutzerbasis oder aus öffentlichen Datenbanken – und zentralisiert sie an einem einzigen Ort. Beim Trainieren eines Modells ist der gesamte Datensatz für leistungsstarke Server oder Cluster zugänglich, die ihn zum Trainieren verwenden. Und dies führt zu Datenschutz- und Sicherheitsproblemen, die heute zunehmend ans Licht kommen.

Große Technologieunternehmen haben einen Anreiz, so viele Daten wie möglich aufzusaugen, was sie in Konflikt mit datenschutzbewusst Verbraucher. Gleichzeitig müssen Unternehmen, die zentralisierte KI nutzen möchten, möglicherweise ihre Daten an diese Dienste senden, was potenzielle Probleme mit Datenschutz und Datensicherheit mit sich bringt. 

Dezentralisierte KI basiert auf dem Konzept des föderierten Lernens, bei dem jeder Teilnehmer die Kontrolle über seine lokalen Daten behält. Bei diesem Konzept sendet ein zentraler Server das aktuelle Modell an eine Teilmenge von Teilnehmern, die es anhand ihrer Daten trainieren, bevor nur die Modellaktualisierungen an den Server zurückgesendet werden, um das globale Modell zu verbessern.

Kollektives Rechnen

Konventionelle KI-Unternehmen investieren enorme Ressourcen in Rechenleistung, um ihre neuesten Modelle zu trainieren. Laut HSBC könnten die Kosten für das Training von ChatGPT-5 zwischen 1.7 und 2.5 Milliarden Dollar liegen! Der Wettlauf um bessere Modelle hat zu einem starken Anstieg geführt. Nachfrage nach GPUs und andere Hardware (und eine Steigerung des Aktienkurses von NVIDIA!).

Diese hohen Kosten stellen eine entscheidende Eintrittsbarriere für Regierungen, Universitäten oder Forscher dar, die ihre eigenen wettbewerbsfähigen KI-Modelle trainieren möchten. Während Facebook sein Basismodell Llama kostenlos zur Verfügung stellt, müssen sich Benutzer auf die anfänglichen Trainingsparameter und anderen Einstellungen des Unternehmens verlassen, wenn sie das Modell für ihre eigenen Zwecke verwenden.

SETI@home war Vorreiter der Idee des kollektiven Computings zur Erforschung des Kosmos und später von Folding@home zur Entdeckung neuer Heilmittel. Die dezentrale KI zielt darauf ab, dieselben Prinzipien zu nutzen, um die Leistung von PCs, Smartphones und anderen Verbrauchergeräten für KI-Aufgaben zu nutzen, für die die zentralisierte KI Datenzentren nutzt.

Kollaborative Governance

Zentralisierte KI wirft erhebliche Governance-Probleme auf. Große Technologieunternehmen, die KI kontrollieren, können beispielsweise den Zugriff an jeden verkaufen, den sie zur Gewinnmaximierung auswählen. Andererseits können sie den Zugriff auch jedem verweigern, den sie auswählen. Das Ergebnis ist ein Gatekeeper, der niemandem außer seinen Aktionären Rechenschaft schuldet.

Darüber hinaus gibt es wenig Einblick in die Art und Weise, wie und mit welchen Daten die Modelle trainiert werden, was zu Verzerrungen führen könnte, die für Endnutzer schwer zu beurteilen sind. Viele dieser Verzerrungen treten bereits zutage, wie etwa die Verzerrung durch das Correctional Offender Management Profiling for Alternative Sanctions (COMPAS), das besagt, dass schwarze Angeklagte häufiger rückfällig werden.

Dezentrale KI zielt darauf ab, kollaborative Governance zu nutzen, wie Dezentrale autonome Organisationen (DAOs). Diese Organisationen nutzen Governance-Token um Community-Mitglieder zu befähigen, Entscheidungen über das Projekt und seine Ziele zu treffen. Der Quellcode hinter der Organisation steht jedem zum Lesen oder Verbessern offen.

Dezentrale KI-Projekte

Im Vergleich zu zentralisierten KI-Projekten wie OpenAI oder Llama steckt die dezentrale KI noch in den Kinderschuhen. Es gibt jedoch immer mehr Projekte, die föderiertes Lernen, kollektives Computing und kollaborative Governance nutzen. Diese Projekte könnten auf den Grundlagen der zentralisierten KI aufbauen, um den Benutzern alternative Optionen zu bieten.

Zu den beliebtesten Projekten zählen:

• Gensyn verbindet alle Computer der Welt zu einem einzigen Netzwerk und ermöglicht so programmgesteuertes maschinelles Lernen zu geringen Kosten und in großem Maßstab. Die Organisation beschreibt ihren Ansatz in ihrem Litepaper.
  
• OORT-Erweiterung ist eine dezentrale, überprüfbare Cloud-Computing-Plattform, die globale Ressourcen von Rechenzentren bis hin zu Smartphones nutzt, um vertrauenswürdige KI-Anwendungen zu ermöglichen. Das Projekt ist bereits bei Kunden im Einsatz.
  
• Bittensor ist ein Vorreiter bei der dezentralen Produktion von KI durch die Herstellung wettbewerbsfähiger digitaler Güter wie maschineller Intelligenz, Speicherplatz, Rechenleistung oder Proteinfaltung.

Es überrascht nicht, dass viele dieser Projekte mit den Krypto- und Blockchain-Ökosystemen verknüpft sind. Blockchains bieten eine dezentrale Möglichkeit, Informationen zu organisieren, während Kryptowährungen es leicht machen, egoistische Anreize zu schaffen, um gemeinsame Ziele zu erreichen. Das passt perfekt zu den Anforderungen dezentraler KIs, um erfolgreich zu sein.

Interessanterweise könnte auch eine zentralisierte KI für einen Schub sorgen. Auch wenn Unternehmen die internen Abläufe ihrer Modelle nicht offenlegen, können die Modelle dabei helfen, andere Modelle zu trainieren und sie so schnell auf den neuesten Stand zu bringen. Bei der sogenannten Modelldestillation werden kleinere Modelle trainiert, um das Verhalten größerer Modelle nachzuahmen und so die Funktionalität zu einem Bruchteil der Kosten zu erfassen.

Zukünftige Herausforderungen

Der größte Vorteil zentralisierter Systeme ist ihre Fähigkeit, schnell zu reagieren. Eine Zentralbank kann beispielsweise sofort Geld drucken, um die Inflation unter Kontrolle zu halten, wohingegen Kryptowährungsökosysteme auf dezentrale Netzwerke angewiesen sind, um Token zu prägen. Dasselbe gilt für zentralisierte KI, bei der Unternehmen einfach Geld auftreiben und mit der Datenverarbeitung beginnen können.

Die dezentrale KI steht vor einigen einzigartigen Herausforderungen, darunter:

• Skaleneffekte. Föderiertes Lernen und kollektives Computing erfordern eine gewisse Größenordnung, um erfolgreich zu sein. Schließlich reichen ein begrenzter Datensatz oder ein paar Smartphones nicht aus, um mit den riesigen Rechenzentren von OpenAI zu konkurrieren. Teilnehmer zu gewinnen ist in den Anfangsphasen am schwierigsten.
  
• Technische Herausforderungen. Die Koordination von Berechnungen über mehrere Geräte hinweg kann langsamer sein als eine zentralisierte Verarbeitung, während die Handhabung großer verteilter Systeme eine Menge zusätzlicher Komplexität mit sich bringt. Gleichzeitig ist man bei der Open-Source-Entwicklung von Freiwilligen in der Anfangsphase abhängig.
  
• Datumsqualität. Viele zentralisierte KI-Unternehmen verbringen viel Zeit damit, die Datenqualität zu verbessern. Wenn man sich jedoch auf vielfältige, unkontrollierte Datenquellen verlässt, kann es schwierig sein, die Datenqualität sicherzustellen. Nicht-IID-Daten (nicht unabhängige und identisch verteilte Daten) können sich auch auf die Leistung eines Modells auswirken.
  
• Sicherheitsbedenken. Dezentralisierung verbessert zwar den Datenschutz, kann aber auch Sicherheitsprobleme mit sich bringen. Open-Source-Projekte sind beispielsweise an Stakeholdern beteiligt, und wenn Schwachstellen nicht erkannt werden, kann dies dazu führen, dass das Projekt sie in die Codebasis einfügt. Außerdem ist es viel schwieriger, den Zugriff für böswillige Akteure einzuschränken.

Natürlich sind diese Herausforderungen nur ein kleiner Teil davon. Es gibt auch potenzielle Ressourcen- und Infrastrukturherausforderungen, soziale und Akzeptanzherausforderungen sowie mehrere mögliche regulatorische und rechtliche Herausforderungen. Viele dieser Herausforderungen, insbesondere regulatorische und infrastrukturelle Herausforderungen, könnten denen des Krypto-Ökosystems ähneln.

Fazit

Dezentrale KI könnte die traditionellen Gatekeeper hinter der heutigen zentralisierten KI umgehen und die Branche revolutionieren. Indem sie den Weg für demokratischere und vertrauenswürdigere KI-Ökosysteme ebnen, könnten sie viele berechtigte Bedenken hinter der zentralisierten KI ausräumen.

Wenn Sie dezentrale KI-Plattformen verwenden, die Token beinhalten, müssen Sie möglicherweise alle Gewinne oder Verluste dem IRS melden. ZenLedger kann Ihnen dabei helfen, Transaktionen über Wallets und Börsen hinweg zu aggregieren, Ihren Kapitalgewinn oder -verlust zu berechnen, die Unterlagen zu erstellen, die Sie jedes Jahr beim IRS einreichen müssen, und kostspielige Prüfungen zu vermeiden!

Starten Sie noch heute kostenlos!

Dieses Material wurde nur zu Informationszwecken erstellt und sollte nicht als professionelle Beratung interpretiert werden. Bitte holen Sie sich unabhängige rechtliche, finanzielle, steuerliche oder andere Beratung ein, die auf Ihre spezielle Situation zugeschnitten ist.