什麼是去中心化人工智慧？

近年來，人工智慧（AI）取得了令人矚目的進步，不僅改變了各行各業，也重塑了我們的日常生活。然而，大型科技公司主導著當今的人工智慧領域，掌控著大量資料、運算資源和複雜的AI模型。這種格局引發了人們對隱私、安全、公平以及權力過度集中在少數實體手中的擔憂。

去中心化人工智慧是一種與傳統人工智慧系統開發、部署和管理方式截然不同的方法，它將關鍵元件分佈在參與者網路中，而不是集中到一個實體的控制之下。

讓我們來探討去中心化人工智慧的關鍵組成部分，它們與中心化人工智慧的比較，以及它們未來面臨的優勢和挑戰。

聯合學習

集中式人工智慧從各種來源（例如自身用戶群或公共資料庫）收集數據，並將其集中在一個位置。在訓練模型時，整個資料集可供用於訓練的強大伺服器或叢集存取。而這引發的隱私和安全問題如今已開始顯現。

大型科技公司有動機盡可能收集數據，這使它們與…產生衝突 注重隱私 消費者。同時，希望利用集中式人工智慧的公司可能需要將資料傳送到這些服務商，從而引發隱私和資料安全的潛在問題。 

去中心化人工智慧秉承聯邦學習的概念，讓每個參與者都能掌控自己的本地資料。在這種理念下，中央伺服器將當前模型發送給一部分參與者，由他們使用各自的資料進行訓練，然後將模型更新的資料發送回伺服器，從而改進全局模型。

集體計算

傳統人工智慧公司投入大量資金購買運算能力來訓練最新的模型。據匯豐銀行稱，訓練 ChatGPT-5 的成本可能高達 1.7 億至 2.5 億美元！建構更優模型的競賽導致了運算能力的急劇增長。 對GPU的需求 以及其他硬體（並提振英偉達股價！）。

高昂的成本對希望訓練自身俱有競爭力的AI模式的政府機構、大學或研究人員來說構成了一道巨大的進入門檻。雖然Facebook免費提供其基礎的Llama模型，但用戶在將該模型用於自身用途時，必須依賴該公司提供的初始訓練參數和其他設定。

SETI@home 開創了利用集體運算探索宇宙的先河，隨後 Folding@home 利用集體運算發現新的治療方法。去中心化人工智慧旨在利用相同的原理，借助個人電腦、智慧型手機和其他消費設備的強大功能，執行集中式人工智慧需要一個資料中心才能完成的人工智慧任務。

協同治理

中心化的人工智慧會引發嚴重的治理問題。例如，控制人工智慧的大型科技公司為了最大化利潤，可以隨意出售存取權限。另一方面，它們也可以拒絕向任何它們不想提供存取權限的人提供。最終的結果就是，人工智慧的「守門人」只對股東負責。

此外，人們對模型如何以及使用哪些數據進行訓練知之甚少，這可能導致最終用戶難以評估的偏差。許多此類偏差已經顯現，例如，懲教罪犯管理替代製裁模型（COMPAS）就存在一種偏見，即認為黑人被告更有可能再次犯罪。

去中心化人工智慧旨在利用協作治理，例如 權力下放的自治組織 （去中心化自治組織，DAO）。這些組織使用 治理令牌 賦予社區成員參與專案及其目標決策的權力。該組織的源代碼是開源的，任何人都可以閱讀或改進。

去中心化人工智慧項目

與OpenAI或Llama等中心化人工智慧專案相比，去中心化人工智慧仍處於起步階段。然而，越來越多的專案正在湧現，它們利用聯邦學習、集體運算和協作治理等技術。這些項目可以依託中心化人工智慧的基礎，為使用者提供更多選擇。

一些最受歡迎的項目包括：

• 根生 它將全球所有電腦連接到單一網路中，從而能夠以低成本、大規模地進行程式化機器學習訓練。該組織在其簡報中概述了其方法。
  
• 歐特 是一個去中心化、可驗證的雲端運算平台，它利用從資料中心到智慧型手機的全球資源，實現可信賴的人工智慧應用。值得一提的是，該專案已上線並擁有客戶。
  
• 比特張量 正在開創人工智慧去中心化生產的先河，生產具有競爭力的數位商品，例如機器智慧、儲存空間、運算能力或蛋白質折疊。

不出所料，許多此類項目都與加密貨幣和區塊鏈生態系統緊密相連。區塊鏈提供了一種去中心化的資訊組織方式，而加密貨幣則使得人們能夠輕鬆地透過創造利己動機來實現集體目標。這與去中心化人工智慧成功所需的條件完美契合。

有趣的是，集中式人工智慧也能帶來助力。雖然公司不會分享其模型的內部運作機制，但這些模型可以幫助訓練其他模型，使其快速跟上步伐。所謂的模型蒸餾是指訓練較小的模型來模仿大型模型的行為，從而以極低的成本實現相同的功能。

挑戰未來

中心化系統的最大優勢在於其快速反應能力。例如，中央銀行可以立即印鈔票來控制通貨膨脹，而加密貨幣生態系統則必須依賴去中心化網路來發行代幣。中心化人工智慧也是如此，相關公司只需籌集資金即可開始計算。

去中心化人工智慧面臨一些獨特的挑戰，包括：

• 規模經濟。 聯邦學習和集體計算需要一定的規模才能成功。畢竟，有限的資料集或幾部智慧型手機不足以與 OpenAI 的大型資料中心競爭。在早期階段，吸引參與者是最困難的。
  
• 技術挑戰。 跨多個裝置協調計算可能比集中式處理速度慢，而處理大規模分散式系統則涉及更多複雜性。同時，開源開發的性質意味著需要依賴早期志工。
  
• 數據品質。 許多集中式人工智慧公司花費大量時間來提升資料品質。但是，當依賴多樣化且不受控制的資料來源時，確保資料品質可能充滿挑戰。非獨立同分佈（Non-IID）資料也會影響模型的效能。
  
• 安全隱患。 去中心化雖然能提升隱私保護，但也可能帶來安全隱憂。例如，開源專案涉及眾多利害關係人，如果未能發現漏洞，專案方就可能將漏洞引入程式碼庫。此外，限制惡意行為者的存取權限也更加困難。

當然，這些挑戰只是冰山一角。還存在潛在的資源和基礎設施挑戰、社會和普及挑戰，以及一些可能的監管和法律挑戰。其中許多挑戰，特別是監管和基礎設施挑戰，可能與加密貨幣生態系統面臨的挑戰類似。

底線

去中心化人工智慧可以繞過當今中心化人工智慧背後的傳統把關人，徹底改變整個產業。透過建構更民主、值得信賴的人工智慧生態系統，去中心化人工智慧有望解決中心化人工智慧面臨的許多合理問題。

如果您使用涉及代幣的去中心化人工智慧平台，您可能需要向美國國稅局 (IRS) 申報任何收益或損失。 ZenLedger 可以幫助您匯總跨錢包和交易所的交易，計算您的資本收益或損失，產生您每年需要向美國國稅局提交的文件，並避免代價高昂的審計！

立即免費開始！

本資料僅供參考，不應視為專業建議。請就您的具體情況尋求獨立的法律、財務、稅務或其他方面的專業建議。