Kas ir decentralizēta mākslīgā intelekta (AI) sistēma?

Mākslīgais intelekts (MI) pēdējos gados ir guvis ievērojamus panākumus, pārveidojot nozares un pārveidojot mūsu ikdienas dzīvi. Tomēr mūsdienu MI ainavā dominē lieli tehnoloģiju uzņēmumi, kas kontrolē milzīgu datu apjomu, skaitļošanas resursus un sarežģītus MI modeļus. Šī dinamika ir radījusi bažas par privātumu, drošību, taisnīgumu un varas koncentrāciju dažu vienību rokās.

Decentralizēta mākslīgā intelekta (MI) izstrāde, ieviešana un pārvaldība ir principiāli atšķirīga pieeja MI sistēmu izstrādei, ieviešanai un pārvaldībai, kas izplata galvenos komponentus dalībnieku tīklā, nevis centralizēti tos vienas vienības kontrolē.

Izpētīsim decentralizētā mākslīgā intelekta kritiskās sastāvdaļas, to salīdzinājumu ar centralizētajām sistēmām, kā arī turpmākos ieguvumus un izaicinājumus.

Federēta mācīšanās

Centralizēta mākslīgā intelekta (MI) sistēma apkopo datus no dažādiem avotiem, piemēram, savas lietotāju bāzes vai publiskām datubāzēm, un centralizēti tos apkopo vienuviet. Apmācot modeli, viss datu kopums ir pieejams jaudīgiem serveriem vai klasteriem, kas to izmanto apmācībai. Tas rada problēmas ar privātumu un drošību, kas sāk parādīties jau mūsdienās.

Lieli tehnoloģiju uzņēmumi ir motivēti apkopot pēc iespējas vairāk datu, kas tos nostāda pretrunā ar privātuma apzināšanās patērētājiem. Vienlaikus uzņēmumiem, kas vēlas izmantot centralizētu mākslīgo intelektu, iespējams, būs jānosūta savi dati uz šiem pakalpojumiem, radot potenciālas problēmas ar privātumu un datu drošību. 

Decentralizētā mākslīgā intelekta (MI) pamatā ir federētas mācīšanās ideja, kas ļauj katram dalībniekam kontrolēt savus lokālos datus. Izmantojot šo koncepciju, centrālais serveris nosūta pašreizējo modeli dalībnieku apakškopai, kas to apmāca ar saviem datiem, pirms tam serverim nosūta tikai modeļa atjauninājumus, lai uzlabotu globālo modeli.

Kolektīvā skaitļošana

Tradicionālie mākslīgā intelekta uzņēmumi tērē milzīgus resursus skaitļošanas jaudai, lai apmācītu savus jaunākos modeļus. Saskaņā ar HSBC datiem, ChatGPT-5 apmācības izmaksas varētu svārstīties no 1.7 līdz 2.5 miljardiem ASV dolāru! Sacensība par labāku modeļu izveidi ir novedusi pie strauja pieauguma. pieprasījums pēc GPU un cita aparatūra (un NVIDIA akciju cenas pieaugums!).

Šīs augstās izmaksas rada būtisku šķērsli valdībām, universitātēm vai pētniekiem, kas vēlas apmācīt savus konkurētspējīgos mākslīgā intelekta modeļus. Lai gan Facebook nodrošina savu pamata Llama modeli bez maksas, lietotājiem, izmantojot modeli savām vajadzībām, ir jāpaļaujas uz uzņēmuma sākotnējiem apmācības parametriem un citiem iestatījumiem.

SETI@home bija kolektīvās skaitļošanas idejas pionieris, lai meklētu kosmosā, un vēlāk ar Folding@home, lai atklātu jaunas terapeitiskās metodes. Decentralizētā mākslīgā intelekta mērķis ir izmantot tos pašus principus, lai izmantotu personālo datoru, viedtālruņu un citu patērētāju ierīču jaudu, lai veiktu mākslīgā intelekta uzdevumus, kuriem centralizētā mākslīgā intelekta izmantošana ir datu centru izmantošana.

Sadarbības pārvaldība

Centralizēta mākslīgā intelekta (MI) sistēma rada ievērojamas pārvaldības problēmas. Piemēram, lieli tehnoloģiju uzņēmumi, kas kontrolē MI, var pārdot piekļuvi ikvienam, ko tie izvēlas, lai palielinātu peļņu. No otras puses, tie var atteikties nodrošināt piekļuvi ikvienam, ko tie izvēlas. Rezultātā rodas vārtu sargs, kas nav atbildīgs nevienam citam kā vien saviem akcionāriem.

Turklāt ir maz informācijas par to, kā un kādus datus modeļi izmanto, kas varētu radīt aizspriedumus, kurus gala lietotājiem ir grūti novērtēt. Daudzas no šīm aizspriedumiem jau parādās, piemēram, Correctional Offender Management Profiling for Alternative Sanctions (COMPAS) aizspriedums, kas apgalvo, ka melnādainie apsūdzētie, visticamāk, atkārtoti izdarīs noziegumus.

Decentralizēta mākslīgā intelekta mērķis ir izmantot sadarbības pārvaldību, piemēram, Decentralizētas autonomās organizācijas (DAO). Šīs organizācijas izmanto pārvaldības žetoni lai dotu kopienas locekļiem iespēju pieņemt lēmumus par projektu un tā mērķiem. Organizācijas pamatā esošais pirmkods ir pieejams ikvienam lasīšanai vai uzlabošanai.

Decentralizēti mākslīgā intelekta projekti

Decentralizēta mākslīgā intelekta (MI) attīstība vēl ir tikai sākumstadijā salīdzinājumā ar centralizētiem MI projektiem, piemēram, OpenAI vai Llama. Tomēr arvien vairāk projektu parādās, kas izmanto federētu mācīšanos, kolektīvo skaitļošanu un sadarbīgu pārvaldību. Šie projekti varētu balstīties uz centralizēta MI pamatiem, lai lietotājiem sniegtu alternatīvas iespējas.

Daži no populārākajiem projektiem ietver:

• Gensyn savieno visus pasaules datorus vienā tīklā, nodrošinot programmatiskas mašīnmācīšanās apmācību par zemām izmaksām un plašā mērogā. Organizācija savu pieeju izklāsta savā Litepaper dokumentā.
  
• OORT ir decentralizēta, pārbaudāma mākoņdatošanas platforma, kas izmanto globālus resursus, sākot no datu centriem līdz viedtālruņiem, lai nodrošinātu uzticamas mākslīgā intelekta lietojumprogrammas. Jāatzīmē, ka projekts jau ir tiešsaistē ar klientiem.
  
• Bittensor ir pionieris mākslīgā intelekta decentralizētā ražošanā, ražojot konkurētspējīgas digitālās preces, piemēram, mašīnintelektu, atmiņas ietilpību, skaitļošanas jaudu vai olbaltumvielu locīšanu.

Nav pārsteidzoši, ka daudzi no šiem projektiem savijas ar kriptovalūtu un blokķēžu ekosistēmām. Blokķēdes nodrošina decentralizētu veidu, kā organizēt informāciju, savukārt kriptovalūtas atvieglo savtīgu stimulu radīšanu kolektīvu mērķu sasniegšanai. Tas ir lieliski piemērots decentralizētu mākslīgo intelektu (MI) veiksmīgas darbības prasībām.

Interesanti, ka centralizēta mākslīgā intelekta izmantošana varētu sniegt arī stimulu. Lai gan uzņēmumi nedalās ar savu modeļu iekšējo darbību, šie modeļi var palīdzēt apmācīt citus modeļus, lai tie ātri pielāgotos ātrumam. Tā sauktā modeļu destilācija ietver mazāku modeļu apmācību, lai atdarinātu lielāku modeļu uzvedību un iegūtu funkcionalitāti par daudz zemākām izmaksām.

Izaicinājumi

Centralizēto sistēmu būtiskākā priekšrocība ir to spēja ātri darboties. Piemēram, centrālā banka var acumirklī drukāt naudu, lai kontrolētu inflāciju, savukārt kriptovalūtu ekosistēmām žetonu kalšanai jāpaļaujas uz decentralizētiem tīkliem. Tas pats attiecas uz centralizētu mākslīgo intelektu, kur uzņēmumi var vienkārši piesaistīt naudu un sākt skaitļošanu.

Decentralizētā mākslīgā intelekta nozare saskaras ar dažiem unikāliem izaicinājumiem, tostarp:

• Mēroga ekonomija. Federētai mācīšanās un kolektīvai skaitļošanai ir nepieciešams noteikts mērogs, lai gūtu panākumus. Galu galā ierobežots datu kopums vai daži viedtālruņi nav pietiekami, lai konkurētu ar OpenAI milzīgajiem datu centriem. Dalībnieku piesaistīšana ir visgrūtākā sākumposmā.
  
• Tehniskas problēmas. Aprēķinu koordinēšana daudzās ierīcēs var būt lēnāka nekā centralizēta apstrāde, savukārt liela mēroga izkliedētu sistēmu apstrāde ir saistīta ar daudz papildu sarežģītības. Tikmēr atvērtā pirmkoda izstrādes būtība nozīmē atkarību no agrīniem brīvprātīgajiem.
  
• Datu kvalitāte. Daudzi centralizēti mākslīgā intelekta uzņēmumi daudz laika velta datu kvalitātes uzlabošanai. Taču, paļaujoties uz dažādiem, nekontrolētiem datu avotiem, var būt sarežģīti nodrošināt datu kvalitāti. Arī dati, kas nav neatkarīgi un identiski izplatīti, var ietekmēt modeļa veiktspēju.
  
• Drošības bažas. Decentralizācija uzlabo privātumu, bet varētu radīt drošības problēmas. Piemēram, atvērtā pirmkoda projektos ir iesaistītas ieinteresētās personas, un nespēja saskatīt ievainojamības var novest pie tā, ka projekts tās ievieto kodbāzē. Ir arī daudz grūtāk ierobežot piekļuvi ļaunprātīgām personām.

Protams, šīs problēmas ir tikai virspusējas. Pastāv arī potenciālas resursu un infrastruktūras problēmas, sociālas un ieviešanas problēmas, kā arī vairākas iespējamas regulatīvās un juridiskās problēmas. Daudzas no šīm problēmām, proti, regulatīvās un infrastruktūras problēmas, varētu atspoguļot kriptovalūtu ekosistēmas problēmas.

Bottom Line

Decentralizēta mākslīgā intelekta (MI) sistēma varētu apiet tradicionālos vārtu sargus, kas slēpjas aiz mūsdienu centralizētās MI sistēmas, un revolucionizēt nozari. Bruģējot ceļu demokrātiskākām un uzticamākām MI ekosistēmām, tā varētu risināt daudzas pamatotas bažas, kas slēpjas aiz centralizētās MI sistēmas.

Ja izmantojat decentralizētas mākslīgā intelekta platformas, kas ietver žetonus, jums, iespējams, būs jāziņo par jebkādiem ieguvumiem vai zaudējumiem IRS. ZenLedger var palīdzēt apkopot darījumus dažādos makos un biržās, aprēķināt kapitāla pieaugumu vai zaudējumus, ģenerēt dokumentus, kas katru gadu jāiesniedz IRS, un izvairīties no dārgām revīzijām!

Sāciet jau šodien bez maksas!

Šis materiāls ir sagatavots tikai informatīviem nolūkiem un nav jāinterpretē kā profesionāls padoms. Lūdzu, meklējiet neatkarīgu juridisko, finanšu, nodokļu vai citu konsultāciju, kas pielāgota jūsu konkrētajai situācijai.