Wat is gedecentraliseerde AI?

Kunstmatige intelligentie (AI) heeft de afgelopen jaren opmerkelijke vooruitgang geboekt, waardoor sectoren zijn getransformeerd en ons dagelijks leven is veranderd. Grote technologiebedrijven domineren echter het huidige AI-landschap en beheren enorme hoeveelheden data, computerbronnen en geavanceerde AI-modellen. Deze dynamiek heeft geleid tot zorgen over privacy, veiligheid, eerlijkheid en de concentratie van macht in de handen van een paar entiteiten.

Gedecentraliseerde AI is een fundamenteel andere benadering voor het ontwikkelen, implementeren en beheren van AI-systemen. Hierbij worden de belangrijkste componenten verdeeld over een netwerk van deelnemers, in plaats van gecentraliseerd onder de controle van één enkele entiteit.

Laten we de cruciale componenten van gedecentraliseerde AI eens nader bekijken, hoe ze zich verhouden tot hun gecentraliseerde tegenhangers, en welke voordelen en uitdagingen er in het verschiet liggen.

Federatief leren

Gecentraliseerde AI verzamelt gegevens uit verschillende bronnen – zoals hun eigen gebruikersbestand of openbare databases – en centraliseert deze op één locatie. Bij het trainen van een model is de volledige dataset toegankelijk voor krachtige servers of clusters die deze gebruiken voor de training. Dit brengt problemen met privacy en beveiliging met zich mee die zich vandaag de dag beginnen af ​​te tekenen.

Grote technologiebedrijven worden gestimuleerd om zoveel mogelijk data te verzamelen, wat hen in conflict brengt met privacybewust consumenten. Tegelijkertijd moeten bedrijven die gecentraliseerde AI willen inzetten, mogelijk hun gegevens naar deze diensten sturen, wat potentiële problemen met privacy en gegevensbeveiliging met zich mee kan brengen. 

Gedecentraliseerde AI omarmt het idee van federatief leren, waarbij elke deelnemer de controle behoudt over zijn of haar lokale gegevens. Volgens dit concept stuurt een centrale server het huidige model naar een subset van deelnemers die het trainen met hun eigen gegevens. Vervolgens sturen zij alleen de modelupdates terug naar de server om het globale model te verbeteren.

Collectief computergebruik

Traditionele AI-bedrijven besteden enorme bedragen aan rekenkracht om hun nieuwste modellen te trainen. Volgens HSBC zouden de kosten voor het trainen van ChatGPT-5 kunnen oplopen tot 1.7 tot 2.5 miljard dollar! De wedloop om betere modellen te bouwen heeft geleid tot een sterke stijging van de kosten. vraag naar GPU's en andere hardware (en een boost voor de aandelenkoers van NVIDIA!).

Deze hoge kosten vormen een belangrijke drempel voor overheden, universiteiten of onderzoekers die hun eigen concurrerende AI-modellen willen trainen. Hoewel Facebook zijn basismodel Llama gratis aanbiedt, moeten gebruikers bij het gebruik van het model voor eigen doeleinden vertrouwen op de initiële trainingsparameters en andere instellingen van het bedrijf.

SETI@home was een pionier in het idee van collectief computergebruik om de kosmos te verkennen, en later Folding@home gebruikte het om nieuwe therapieën te ontdekken. Gedecentraliseerde AI streeft ernaar dezelfde principes te benutten om de rekenkracht van pc's, smartphones en andere consumentenapparaten in te zetten voor AI-taken waarvoor gecentraliseerde AI datacenters gebruikt.

Samenwerkend bestuur

Gecentraliseerde AI creëert een aanzienlijk governanceprobleem. Grote technologiebedrijven die AI beheren, kunnen bijvoorbeeld toegang verkopen aan wie ze maar willen om hun winst te maximaliseren. Aan de andere kant kunnen ze ook weigeren toegang te verlenen aan wie ze maar willen. Het resultaat is een poortwachter die aan niemand verantwoording hoeft af te leggen, behalve aan zijn aandeelhouders.

Daarnaast is er weinig inzicht in hoe en op welke data de modellen worden getraind, wat kan leiden tot vooroordelen die moeilijk te beoordelen zijn voor eindgebruikers. Veel van deze vooroordelen komen al aan het licht, zoals de vertekening in het Correctional Offender Management Profiling for Alternative Sanctions (COMPAS)-model, dat stelt dat zwarte verdachten een grotere kans hebben om opnieuw een misdrijf te plegen.

Gedecentraliseerde AI streeft ernaar om samenwerkingsgerichte governance te benutten, zoals Gedecentraliseerde autonome organisaties (DAO's). Deze organisaties gebruiken governance-tokens Het doel is om leden van de gemeenschap in staat te stellen beslissingen te nemen over het project en de doelstellingen ervan. De broncode van de organisatie is openbaar en voor iedereen toegankelijk om te lezen of te verbeteren.

Gedecentraliseerde AI-projecten

Gedecentraliseerde AI bevindt zich nog in een beginstadium in vergelijking met gecentraliseerde AI-projecten zoals OpenAI of Llama. Er duiken echter steeds meer projecten op die gebruikmaken van federatief leren, collectief computergebruik en gezamenlijk bestuur. Deze projecten zouden kunnen voortbouwen op de fundamenten van gecentraliseerde AI om gebruikers alternatieve opties te bieden.

Enkele van de populairste projecten zijn:

• gensyn Het verbindt alle computers ter wereld met één netwerk, waardoor programmatische machine learning-training tegen lage kosten en op grote schaal mogelijk wordt. De organisatie beschrijft haar aanpak in haar Litepaper.
  
• OORT-extensie Het is een gedecentraliseerd, verifieerbaar cloudcomputingplatform dat gebruikmaakt van wereldwijde resources, van datacenters tot smartphones, om betrouwbare AI-toepassingen mogelijk te maken. Het project is overigens al in gebruik bij klanten.
  
• Bittensor is een pionier in de gedecentraliseerde productie van AI door concurrerende digitale producten te creëren, zoals machine-intelligentie, opslagruimte, rekenkracht of eiwitvouwing.

Het is dan ook niet verwonderlijk dat veel van deze projecten verweven zijn met de ecosystemen van crypto en blockchain. Blockchains bieden een gedecentraliseerde manier om informatie te organiseren, terwijl cryptovaluta het gemakkelijk maken om egoïstische prikkels te creëren om collectieve doelen te bereiken. Het is een perfecte match voor de vereisten die nodig zijn voor het succes van gedecentraliseerde AI's.

Interessant genoeg zou gecentraliseerde AI ook een impuls kunnen geven. Hoewel bedrijven de interne werking van hun modellen niet delen, kunnen de modellen wel helpen bij het trainen van andere modellen om ze snel op hetzelfde niveau te brengen. Dit zogenaamde modeldestillatieproces houdt in dat kleinere modellen worden getraind om het gedrag van grotere modellen na te bootsen, waardoor functionaliteit tegen een fractie van de kosten kan worden bereikt.

Uitdagingen die komen

Het belangrijkste voordeel van gecentraliseerde systemen is hun vermogen om snel te handelen. Een centrale bank kan bijvoorbeeld direct geld bijdrukken om de inflatie te beheersen, terwijl ecosystemen voor cryptovaluta afhankelijk zijn van gedecentraliseerde netwerken om tokens te creëren. Hetzelfde geldt voor gecentraliseerde AI, waarbij bedrijven simpelweg geld kunnen ophalen en direct aan de slag kunnen.

Gedecentraliseerde AI staat voor een aantal unieke uitdagingen, waaronder:

• Schaalvoordelen. Federated learning en collectief computergebruik vereisen een bepaalde schaal om succesvol te zijn. Een beperkte dataset of een paar smartphones zijn immers niet voldoende om te concurreren met de enorme datacenters van OpenAI. Het aantrekken van deelnemers is vooral in de beginfase lastig.
  
• Technische uitdagingen. Het coördineren van berekeningen over meerdere apparaten kan trager zijn dan gecentraliseerde verwerking, terwijl het beheren van grootschalige gedistribueerde systemen veel extra complexiteit met zich meebrengt. Tegelijkertijd betekent de aard van open-source ontwikkeling dat men afhankelijk is van vroege vrijwilligers.
  
• Datum kwaliteit. Veel gecentraliseerde AI-bedrijven besteden veel tijd aan het verbeteren van de datakwaliteit. Maar wanneer ze afhankelijk zijn van diverse, ongecontroleerde databronnen, kan het lastig zijn om de datakwaliteit te waarborgen. Niet-IID-data (niet-onafhankelijke en identiek verdeelde data) kunnen ook de prestaties van een model beïnvloeden.
  
• Beveiligingsrisico's. Decentralisatie verbetert de privacy, maar kan beveiligingsproblemen met zich meebrengen. Open-sourceprojecten betrekken bijvoorbeeld belanghebbenden, en het niet signaleren van kwetsbaarheden kan ertoe leiden dat deze in de codebasis worden opgenomen. Bovendien is het veel moeilijker om de toegang voor kwaadwillenden te beperken.

Natuurlijk vormen deze uitdagingen slechts het topje van de ijsberg. Er zijn ook potentiële uitdagingen op het gebied van middelen en infrastructuur, sociale uitdagingen en acceptatie, en diverse mogelijke regelgevings- en juridische uitdagingen. Veel van deze uitdagingen, met name op het gebied van regelgeving en infrastructuur, zouden vergelijkbaar kunnen zijn met die van het crypto-ecosysteem.

The Bottom Line

Gedecentraliseerde AI zou de traditionele poortwachters achter de huidige gecentraliseerde AI kunnen omzeilen en een revolutie in de sector teweegbrengen. Door de weg vrij te maken voor meer democratische en betrouwbare AI-ecosystemen, zouden ze veel terechte bezwaren tegen gecentraliseerde AI kunnen wegnemen.

Als u gedecentraliseerde AI-platforms gebruikt die met tokens werken, moet u mogelijk winsten of verliezen aan de belastingdienst (IRS) melden. ZenLedger kan u helpen transacties van verschillende wallets en exchanges te verzamelen, uw vermogenswinst of -verlies te berekenen, de benodigde documenten voor de jaarlijkse belastingaangifte te genereren en kostbare controles te voorkomen!

Start vandaag nog gratis!

Dit materiaal is uitsluitend ter informatie opgesteld en dient niet te worden opgevat als professioneel advies. Raadpleeg een onafhankelijke juridische, financiële, fiscale of andere adviseur die specifiek is afgestemd op uw situatie.