去中心化人工智能（DeAI）：用例、催化剂及关键问题

作者：Darshan Gandhi，FutureX Labs创始人；翻译：金色财经xiaozou

本文，我们来一起探索去中心化人工智能（DeAI）世界。我们将了解如下内容：

• AI的开发生命周期

• 对去中心化AI的需求

• DeAI的实际应用

• Crypto x AI领域的增长催化剂

• 走在前沿的远见者

• DeAI有什么不足之处

• Crypto x AI的未来

1、AI简介

我认为可以肯定地说，人工智能（AI）将改变世界。想象一下，一个孩子通过看图片来认识动物，记住动物的名字和特征。随着时间的推移，孩子识别动物的能力就会有所提高。

人工智能以类似的方式运作，使用数据来学习并随着时间的推移提高表现。

许多突破性的应用程序都是使用人工智能构建的，其中包括：

• ChatGPT：能够进行类似人类的对话。

• Perplexity AI：提高搜索准确性。

• Jasper AI：你的写作助手。

• DALL-E：由文本描述生成图像。

• Pika Art：通过文本制作高清视频。

这样的应用程序会越来越多。这些工具正在成为我们日常生活的一部分，它们让工作更轻松、更高效。人工智能不仅仅是一个未来概念，它也积极地解决了我们今天面临的重大问题。

人工智能的发展正在影响改变众多行业，例如：

• 帮助医生更快地诊断疾病

• 让自动驾驶汽车安全行驶

• 为用户提供个性化的线上购物体验

  

原则上，人工智能方法可以分为三大类：

• 集中式人工智能：由单一实体或企业控制。

• 去中心化人工智能：专注于分布式控制、透明度和激励。

• 开源人工智能：强调促进协作和透明度。

本文，我们将专门探讨“去中心化人工智能”。

2、人工智能开发生命周期

在我们深入研究细节之前，让我们了解塑造AI开发生命周期的各组件。这将使我们更容易理解去中心化对各环节的贡献。

人工智能的创新需要多年来不断进步、持续反馈、训练和参与度。

开发一个人工智能模型涉及几个关键阶段，来确保强大的端到端操作流。下面是关于人工智能开发生命周期关键阶段的详细介绍：

• 问题陈述、识别和设计

这一切都起始于确定业务问题并定义要实现的目标。

数据收集是最关键的步骤之一，以确保模型使用准确的相关数据。

• 数据收集和探索

这一阶段包括汇总不同来源的数据并评估这些数据的质量。

初始数据分析有助于理解模式和趋势，从而为数据预处理和特征工程(数据改进)制定计划。

• 数据整理和准备

数据预处理将原始数据清理并转换为丰富、可用的数据集。

使用特征工程从现有数据中创建新特征，以增强模型的性能。

• 模型开发

这个阶段根据问题陈述和收集的数据选择最适合的机器学习实践。

下一步就是训练并测试模型，以确保模型能够做出准确的预测。

最后一步是优化，也就是提高模型的效率。

• 模型部署

将模型部署到现实环境可以让模型开始进行预测、推荐或实施任何训练任务。要将其投入生产需要用到算力供应商。

持续监测以确保模型一直准确和有效。

偏差检测以确保决策的公平性。

• 模型维护和再训练

维护模型需要定期更新和使用新数据进行再训练。

重点是收集尽可能多的反馈，并将其发送回模型进行调整和增强。

如今，这些模型大多来自研究机构、私人公司或一些开源组织。谷歌、OpenAI、IBM、AWS和微软等公司都是其中的主要参与者。

下面是各垂直领域不同参与者的GenAI模型市场地图。

我们来快速了解一下人工智能技术这些年来的发展情况。

3、对去中心化AI的需求

集中式AI有其自身问题。想想看：一个单点故障就可能危及一切。

另一方面，去中心化人工智能（DeAI）通过在多个节点上分布数据来改变游戏规则，使系统更加安全。如果一个节点受到攻击，其他节点将继续正常运行。这种设置还使用户能够更好地控制他们的数据，降低隐私风险，尤其是在使用全同态加密（FHE）和零知识机器学习（ZKML）等技术的情况下。

审查是中心化系统的另一个大问题。单个实体可以控制操纵信息。另一方面，去中心化AI会分散控制权，使任何单一实体都难以主导叙事。这确保了信息的可访问性，并且不易受到不当影响。

在我看来，透明度是一个关键因素。开源模型、激励机制和协作工作流管理意味着任何人都可以在任何时候检查和验证决策。这种程度的开放性解决了人们对集中式系统中的隐藏偏差和不透明过程的担忧。此外，它允许更多的人加入并做出贡献。例如，拥有闲置计算空间的人现在可以通过像Akash和Render这样的去中心化算力供应商将其出租。

去中心化模型还限制了中央实体的权力，防止人工智能被滥用于不公平的目的。通过促进协作和知识共享，它可以利用集体智慧和更大范围的治理，从而产生更可靠、开放和准确的系统。

加密货币充当了这个推动者，将两个世界的优点结合在一起。它提供对顶级服务、计算、模型和数据的访问渠道，同时还为所有利益相关者提供激励循环、安全性和隐私保护。这种协同作用确保了DeAI不仅有效，还很公平和安全。

4、DeAI的实际应用

以下是DeAI领域的一些主要应用：

（1）按领域划分

• 医疗保健

DeAI通过在医疗机构之间实现安全的私有数据共享来改善医疗保健。

人工智能算法可以分析匿名数据，以识别模式，预测疾病爆发，并制定个性化的治疗方案。例如，患者可以私下与医院共享他们的数据信息，并确保只有他们自己拥有这些数据。

• 金融

去中心化金融（DeFi）是web3最大的子生态系统之一。人工智能可以帮助加强风险管理和交易。

这些协议使用人工智能来评估风险、预测资产价格以及优化交易策略。例如，许多项目正在开发用于有效资产管理的工具、人工智能驱动的自动做市商（AMM），等等。

• 安全和欺诈检测

人工智能算法可以通过分析交易数据的模式和异常情况，帮助系统检测并预防欺诈。

这增加了web3协议的安全性。例如，在NFT生态系统中，人工智能可以帮助识别虚假资产，确保诚信。

• 内容/情感生成

AI可以用来创造故事大纲、剧情、游戏机制等等。

例如，web3游戏可以使用AI从文本描述中生成游戏内容，并使用智能合约管理角色和道具等资产的所有权。

另外，了解用户对某个类别、问题或市场的看法是非常宝贵的。像Kaito和Nansen这样的工具旨在提供这方面的能力。

• AI智能体和自动化

有些项目针对从客户服务到供应链管理等各个领域里的任务构建自主AI智能体。

这些智能体可以由任何人创建，也可以协作来创建，所有利益相关者都可以自动无缝地获得奖励。

• 用户体验

Web3的用户体验并不是最好的，但是模型可以通过个性化推荐和行为预测来帮助增强用户体验。

去中心化社交网络就是一个很好的例子，它允许用户选择内容推荐算法，或者根据他们的喜好来管理他们的信息流。

（2）按生态系统管理程度划分

• 激励机制

利益相关者可以通过提供数据、算力或开发算法来获得奖励（赚取代币）

有强烈的需求驱动人们这么做，大家在困难的问题上合作，同时他们付出的时间和努力也会得到合理的回报。

• 成本效率

DeAI平台可以通过利用分布式网络中未使用的资源来帮助大幅降低成本。它们消除了对昂贵的数据中心的需求，保资源得到最大程度的利用。

例如，Akash Network、Aethir和Render等项目允许用户将未使用的算力出租给人工智能任务，从而提高效率。

• 治理

DeAI还可以用于改进治理流程，尤其针对协议和DAO。

AI可以自动化声誉管理和奖励，例如，确保贡献在DAO中被公平对待。

5、Crypto x AI领域的增长催化剂

有一些强大的催化剂在推动着Crypto和AI的交融。让我们来看看其中的几个。

首先，生态系统中的融资一直在增加。在过去的一年里，共有136轮10.2亿美元的融资，平均每轮750万美元。Hack VC、Variant、Paradigm和Polychain等知名投资公司一直在进行大规模投资。资本的流入加速了该领域的研究和创新。

其次，该技术旨在为集中式系统提供一种经济有效的替代方案。它可以降低近50%的潜在运营成本，有效地处理大数据量，同时还能提供安全性和隐私保护。例如，与AWS、GCP和Azure相比，Akash声称在算力供应方面提供85%的折扣。

第三，按市值计算，该领域的领先项目，如Bittensor、Akash、Render和Worldcoin，过去一年里在二级市场的表现异常出色。这些项目都是web3中表现最好的资产。根据Coinbase的报告，Crypto x AI类别在各类别中同样表现出色。

第四，NVIDIA今年4月份的业绩非常不错。我们来看新闻报道中的一些数字：

• 他们的2024年第一季度的收入为260亿美元，比2023年第四季度增长18%，比去年同期增长262%。

• 今年第一季度，GAAP稀释每股收益为5.98美元，比上一季度增长21%，比去年同期增长629%。

第五，最近所有的中心化服务，包括Google.com、Chatgpt、Perplexity，都一起宕机了，而所有的web3服务都完好无损，运行良好。Akash Network的创始人在事件发生前后发布了如下推特。

由于这些以及许多其他类似的计划、事件和创新，该领域正在快速发展。

6、走在前沿的远见者

由于一些关键行业人物的支持和参与，该生态系统正在积聚越来越大的发展动力。

• Erik vooorhees

Erik Voorhees是ShapeShift的创始人，也是一个影响力巨大的Twitter名人，他推出了Venice AI，用来创建一个无需许可的流行的web2 LLM（如ChatGPT）替代方案。

Venice专注于用户隐私和无审查特性，使用开源技术提供未经审查的无偏见信息。

• Emad Mostaque

是Stability AI的创始人和前首席执行官，现已离职，专注于DeAI领域——正在开发Schelling AI。

他认为，随着人工智能变得越来越重要，透明和分布式治理将变得及其重要。

• Niraj Pant

曾是Polychain Capital的合伙人，现在正在开发Ritual.net。

该平台旨在为AI构建一个主权执行层，实现AI模型的开源无许可的创建、分发和改进。

Ritual.net的第一阶段（Infernet）允许开发人员通过智能合约访问链上链下的模型。

7、不足之处

虽然去中心化人工智能有许多好处，但它也遇到了值得关注的重大挑战。以下是它目前面临的关键问题：

• 初始设置成本和挑战

建立DeAI网络存在相当大的困难。建立必要的基础设施并吸引参与者需要大量的时间和资源。这个冷启动问题突出了需要有强有力的激励措施来吸引早期采用者。然而，在没有达到足够大的规模的情况下，该网络很难获得牵引力。

• 增加的协调需求

管理一个去中心化网络是很复杂的。同步多个节点和利益相关者、确保数据的一致性、维护网络安全并经济高效地运行网络需要大量的工作。虽然这种协调体现了Crypto x AI的本质，但它有时会变得低效和笨重。

• 扩容挑战

网络面临着扩容问题。在不降低性能的情况下处理不断升级的数据和交易是当前的一个重大挑战。由于节点正常运行时间的不同，去中心化网络可能会遇到延迟和带宽问题，从而影响整体效率。像分片这样的解决方案仍在发展中，可能无法完全缓解这些问题。

• 资源访问

企业在获取尖端资源时经常遇到障碍。主要的集中式供应商可以大量投资最新的硬件和软件，从而为他们带来竞争优势。而DeAI项目受到有限资金的限制，可能会落后，影响其表现和能力。例如，由于更高的需求，NVIDIA倾向于将资源优先分配给GCP、Azure和AWS等超大规模服务器。然而，对于web3供应商来说，目前的供应大于需求，或者他们可能仍处于初级开发阶段。

• 监管和法律挑战

Crypto在很大程度上是在监管灰色地带运作的。缺乏明确的监管框架可能会带来法律风险和不确定性。在一个去中心化的环境中，遵守GDPR等法规变得更具挑战性，从而加剧一场持续的全球斗争。

8、Crypto x AI的未来

加密和人工智能的融合有望促进致力于解决现实挑战的创新项目和应用程序的发展。

在我们后面的文章中，我们将深入研究加密领域的几个关键子类别。我们将通过Modulus Labs和Giza等项目探索零知识机器学习（zkML），它们正在开发以模型推理为中心的产品。此外，我们将研究去中心化云计算供应商，如Render、Akash Network和Aethir，重点介绍它们在提供可扩展且具有成本效益的传统云服务的替代方案方面的作用。

• Bittensor：该项目正在开发一个去中心化网络，激励参与者通过区块链共享人工智能模型和数据集，并使用“子网”来奖励贡献。

• Fetch：Fetch聚焦自主AI智能体市场，提供与ChatGPT和Slack等顶级服务的集成，通过简单的API集成促进对齐。

• Akash Network：专注于建立一个提供云计算资源的去中心化市场，Akash Network利用其AKT代币进行治理、安全保障和网络内交易。

9、结论

我坚信去中心化人工智能（DeAI）将改变游戏规则，我们才刚刚开始看到它在生态系统中的发展。

DeAI体现了透明、协作和全球影响的原则。正如我们所讨论的，它正在重塑各个关键领域。

像Render、Akash和Worldcoin这样的项目，凭借其出色的牵引力和融资，不仅突出了该领域的巨大潜力，而且还预示着它在未来几年可能经历大幅增长。

展望未来，我们将深入研究Crypto x AI的各子类，继续探索这个动态垂直领域。

未来是光明的，而我们才刚刚开始。