“人工智能应该是分散的，但是如何实现？”

如何实现人工智能的分散化？

Web3与人工智能（AI）的交集，特别是生成式AI的形式，已成为加密社区内最热门的辩论话题之一。毕竟，生成式AI正在革新传统软件堆栈的所有领域，Web3也不例外。鉴于去中心化是Web3的核心价值主张，许多新兴的Web3生成式AI项目和场景都提出了某种形式的去中心化生成式AI价值主张。

Jesus Rodriguez是IntoTheBlock的首席执行官。

在Web3中，我们长期以来一直从去中心化的角度看待每个领域，但现实情况是，并非所有领域都能从去中心化中受益，对于每个领域，都存在一系列的去中心化场景。从第一原则的角度来分解这个想法，我们得到了两个关键问题：

1. 生成式AI是否值得去中心化？
2. 为什么以前的去中心化AI在规模上没有成功，并且生成式AI有何不同之处？
3. 生成式AI中的去中心化的不同维度是什么？

这些问题远非琐碎，每个问题都可能引发激烈的辩论。然而，我相信思考这些问题对于开发关于Web3和生成式AI交集的机遇和挑战的全面论点至关重要。

• Arno Bauer, BNB Chain的高级解决方案架构师，关于opBNB、以太坊杀手、L1、L2和比特币 | 第267集
• “Web3冒险游戏Big Time即将启动其‘玩家所有经济’”
• 首发者美洲：比特币无趣；Toncoin领跑周涨幅

AI是否值得去中心化？

去中心化AI的哲学案例很简单。AI是数字知识，而知识可能是数字世界中值得去中心化的头等构建物。在Web3的历史中，我们已经尝试了许多将在集中式架构中运作非常出色且在去中心化中没有明显优势的事物去中心化的尝试。从技术和经济的角度来看，知识并不是去中心化的自然候选者之一。

大型AI提供商累积的控制水平正在与其他竞争对手拉开巨大差距，甚至令人担忧。AI的发展不是线性的，甚至不是指数的；它遵循一条多指数曲线。

阅读更多：Jesus Rodriguez – DeFi协议正在构建更精细和可扩展的能力

GPT-4在许多方面相比GPT 3.5有了巨大的改进，而且这种趋势可能会继续下去。在某一点上，试图与集中式AI提供商竞争变得不可行。一个设计良好的去中心化网络模型可以实现不同方​​面的合作，以提高模型的质量，从而实现对知识的民主获取和利益的共享。

透明度是评估AI去中心化的优点时可以考虑的第二个因素。基础模型架构涉及数百万个相互连接的神经元，跨越多个层次，使用传统的监控实践来理解它变得不切实际。没有人真正了解GPT-4内部发生了什么，OpenAI也没有在这个领域提供更多透明度的动机。去中心化AI网络可以实现开放的测试基准和防护壁垒，提供对基础模型的功能的可见性，而无需对特定提供者产生信任。

为什么去中心化AI直到现在还没有成功？

如果去中心化AI的案例如此明确，那么为什么我们在这个领域没有看到任何成功的尝试呢？毕竟，去中心化AI并不是一个新的想法，其中许多原则可以追溯到上世纪90年代早期。不涉及技术细节，去中心化AI方法缺乏成功的主要原因是其价值主张在最好的情况下是可疑的。

在大型基础模型出现之前，主导的架构范式是不同形式的监督学习，需要高度策划和标记的数据集，这些数据集主要存放在企业边界内。此外，这些模型足够小，可以使用主流工具轻松解释。最后，对于控制的案例也非常薄弱，因为没有任何模型足够强大，能够引起任何级别的关注。

在某种矛盾的转折中，大规模生成式AI和基础模型在集中化的方式中的重要性，帮助首次使去中心化AI的案例成为可能。

现在我们明白了AI值得去中心化，并且这次与以往尝试有所不同，我们可以开始思考哪些具体元素需要去中心化。

AI中的去中心化维度

当涉及生成式AI时，并没有单一的去中心化方法。相反，去中心化应该在基础模型的生命周期的不同阶段的背景下进行考虑。以下是与去中心化相关的基础模型操作生命周期中的三个主要阶段：

1. 预训练是模型在大量无标签和有标签数据集上进行训练的阶段。
2. 微调通常是可选的阶段，即模型在特定领域的数据集上“重新训练”，以优化其在不同任务上的性能。
3. 推理是模型根据特定输入输出预测的阶段。

在这三个阶段中，有不同的维度可以成为去中心化的良好选择。

计算去中心化维度

在预训练和微调阶段，去中心化计算可能非常相关，而在推理阶段可能不太相关。基础模型通常需要大量GPU计算周期，这通常在集中的数据中心执行。去中心化的GPU计算网络概念，在预训练和微调模型时，不同的参与方可以提供计算资源，有助于消除大型云服务提供商对基础模型创建的控制。

数据去中心化维度

数据去中心化可能在预训练和微调阶段起到非常重要的作用。目前，关于用于预训练和微调基础模型的数据集的具体组成几乎没有透明度。去中心化的数据网络可以激励不同参与方提供具有适当披露并跟踪在预训练和微调基础模型中使用的数据集。

优化去中心化维度

基础模型的生命周期中的许多阶段都需要验证，通常需要人工干预。值得注意的是，通过人类反馈进行强化学习（RLHF）等技术，可以使模型从GPT-3过渡到ChatGPT，以便人类验证模型输出，以更好地与人类利益保持一致。此级别的验证在微调阶段尤其重要，目前几乎没有透明度。一个去中心化的人工智能验证网络，可以执行特定任务并立即追踪结果，将在这个领域带来重大改进。

阅读更多：Jesus Rodriguez – 用于生成式人工智能的新区块链？

评估去中心化维度

如果我让您选择适用于特定任务的最佳语言模型，您将不得不猜测答案。人工智能基准测试基本上是有问题的，几乎没有透明度，并且需要对创建它们的各方相当多的信任。将基础模型的评估去中心化对于增加空间的透明度非常重要。这个维度在推理阶段特别相关。

模型执行去中心化维度

最后，最明显的去中心化领域。如今使用基础模型需要对由集中方控制的基础设施有信任。提供一个可以将推理工作负载分布到不同参与方的网络是一个非常有趣的挑战，可以为基础模型的采用带来巨大的价值。

AI的正确方式

基础模型推动了人工智能的主流采用，并加速了随着这些模型能力的迅速增长而带来的所有挑战。在这些挑战中，去中心化的案例从未如此强烈。

数字知识应在所有维度上去中心化：数据、计算、验证、优化、执行。没有集中实体应该对智能的未来拥有如此大的权力。去中心化人工智能的案例是显而易见的，但技术上的挑战是巨大的。在基础模型时代，以去中心化的方式来处理人工智能是正确的途径。

由Ben Schiller编辑。

We will continue to update 算娘; if you have any questions or suggestions, please contact us!