什么是去中心化人工智能？

近年来，人工智能（AI）取得了令人瞩目的进步，不仅改变了各行各业，也重塑了我们的日常生活。然而，大型科技公司主导着当今的人工智能领域，掌控着海量数据、计算资源和复杂的AI模型。这种格局引发了人们对隐私、安全、公平以及权力过度集中在少数实体手中的担忧。

去中心化人工智能是一种与传统人工智能系统开发、部署和管理方式截然不同的方法，它将关键组件分布在参与者网络中，而不是集中到一个实体的控制之下。

让我们来探讨去中心化人工智能的关键组成部分，它们与中心化人工智能的比较，以及它们未来面临的优势和挑战。

联合学习

集中式人工智能从各种来源（例如自身用户群或公共数据库）收集数据，并将其集中在一个位置。在训练模型时，整个数据集可供用于训练的强大服务器或集群访问。而这引发的隐私和安全问题如今已开始显现。

大型科技公司有动机尽可能多地收集数据，这使它们与……产生冲突 注重隐私 消费者。与此同时，希望利用集中式人工智能的公司可能需要将数据发送到这些服务商，从而引发隐私和数据安全方面的潜在问题。 

去中心化人工智能秉承联邦学习的理念，让每个参与者都能掌控自己的本地数据。在这种理念下，​​中央服务器将当前模型发送给一部分参与者，由他们使用各自的数据进行训练，然后将模型更新后的数据发送回服务器，从而改进全局模型。

集体计算

传统人工智能公司投入巨资购买计算能力来训练最新的模型。据汇丰银行称，训练 ChatGPT-5 的成本可能高达 1.7 亿至 2.5 亿美元！构建更优模型的竞赛导致了计算能力的急剧增长。 对GPU的需求 以及其他硬件（并提振英伟达股价！）。

高昂的成本对希望训练自身具有竞争力的AI模型的政府机构、大学或研究人员来说构成了一道巨大的准入门槛。虽然Facebook免费提供其基础的Llama模型，但用户在将该模型用于自身用途时，必须依赖该公司提供的初始训练参数和其他设置。

SETI@home 开创了利用集体计算探索宇宙的先河，随后 Folding@home 又利用集体计算发现新的治疗方法。去中心化人工智能旨在利用相同的原理，借助个人电脑、智能手机和其他消费设备的强大功能，执行集中式人工智能需要数据中心才能完成的人工智能任务。

协同治理

中心化的人工智能会引发严重的治理问题。例如，控制人工智能的大型科技公司为了最大化利润，可以随意出售访问权限。另一方面，它们也可以拒绝向任何它们不想提供访问权限的人提供。最终的结果就是，人工智能的“守门人”只对股东负责。

此外，人们对这些模型如何以及使用哪些数据进行训练知之甚少，这可能导致最终用户难以评估的偏差。许多此类偏差已经显现，例如，惩教罪犯管理替代制裁模型（COMPAS）就存在一种偏见，即认为黑人被告更有可能再次犯罪。

去中心化人工智能旨在利用协作治理，例如 权力下放的自治组织 （去中心化自治组织，DAO）。这些组织使用 治理令牌 赋予社区成员参与项目及其目标决策的权力。该组织的源代码是开源的，任何人都可以阅读或改进。

去中心化人工智能项目

与OpenAI或Llama等中心化人工智能项目相比，去中心化人工智能仍处于起步阶段。然而，越来越多的项目正在涌现，它们利用联邦学习、集体计算和协作治理等技术。这些项目可以依托中心化人工智能的基础，为用户提供更多选择。

一些最受欢迎的项目包括：

• 根生 它将全球所有计算机连接到一个单一网络中，从而能够以低成本、大规模地进行程序化机器学习训练。该组织在其简报中概述了其方法。
  
• 奥鲁特 是一个去中心化、可验证的云计算平台，它利用从数据中心到智能手机的全球资源，实现可信赖的人工智能应用。值得一提的是，该项目已上线并拥有客户。
  
• 比特张量 正在开创人工智能去中心化生产的先河，生产具有竞争力的数字商品，例如机器智能、存储空间、计算能力或蛋白质折叠。

不出所料，许多此类项目都与加密货币和区块链生态系统紧密相连。区块链提供了一种去中心化的信息组织方式，而加密货币则使得人们能够轻松地通过创造利己动机来实现集体目标。这与去中心化人工智能成功所需的条件完美契合。

有趣的是，集中式人工智能也能带来助力。虽然公司不会共享其模型的内部运作机制，但这些模型可以帮助训练其他模型，使其快速跟上步伐。所谓的模型蒸馏是指训练较小的模型来模仿大型模型的行为，从而以极低的成本实现相同的功能。

挑战未来

中心化系统的最大优势在于其快速响应能力。例如，中央银行可以立即印钞来控制通货膨胀，而加密货币生态系统则必须依赖去中心化网络来发行代币。中心化人工智能也是如此，相关公司只需筹集资金即可开始计算。

去中心化人工智能面临着一些独特的挑战，包括：

• 规模经济。 联邦学习和集体计算需要一定的规模才能成功。毕竟，有限的数据集或几部智能手机不足以与 OpenAI 的大型数据中心竞争。在早期阶段，吸引参与者是最困难的。
  
• 技术挑战。 跨多个设备协调计算可能比集中式处理速度慢，而处理大规模分布式系统则涉及更多复杂性。同时，开源开发的性质意味着需要依赖早期志愿者。
  
• 数据质量。 许多集中式人工智能公司花费大量时间来提升数据质量。但是，当依赖于多样化且不受控制的数据源时，确保数据质量可能充满挑战。非独立同分布（Non-IID）数据也会影响模型的性能。
  
• 安全隐患。 去中心化虽然能提升隐私保护，但也可能带来安全隐患。例如，开源项目涉及众多利益相关者，如果未能发现漏洞，项目方就可能将漏洞引入代码库。此外，限制恶意行为者的访问权限也更加困难。

当然，这些挑战只是冰山一角。还存在潜在的资源和基础设施挑战、社会和普及挑战，以及一些可能的监管和法律挑战。其中许多挑战，特别是监管和基础设施挑战，可能与加密货币生态系统面临的挑战类似。

底线

去中心化人工智能可以绕过当今中心化人工智能背后的传统把关人，彻底改变整个行业。通过构建更加民主和值得信赖的人工智能生态系统，去中心化人工智能有望解决中心化人工智能面临的诸多合理问题。

如果您使用涉及代币的去中心化人工智能平台，您可能需要向美国国税局 (IRS) 申报任何收益或损失。ZenLedger 可以帮助您汇总跨钱包和交易所的交易，计算您的资本收益或损失，生成您每年需要向美国国税局提交的文件，并避免代价高昂的审计！

立即免费开始！

本资料仅供参考，不应被视为专业建议。请就您的具体情况寻求独立的法律、财务、税务或其他方面的专业建议。