Decentraliseret AI Kunne Låse Op for et Efter-Mangel Samfund, Siger 0G Labs CEO

Dataudfordringen: Kvalitet, Oprindelse og Tillid

Diskussionen omkring kunstig intelligens (AI) har fundamentalt ændret sig. Spørgsmålet er ikke længere om dens relevans, men hvordan man gør den mere pålidelig, gennemsigtig og effektiv, efterhånden som dens implementering bliver almindelig i hver sektor.

Den nuværende AI-paradigme, domineret af centraliserede “black box”-modeller og massive, proprietære datacentre, står over for stigende pres fra bekymringer om bias og monopolistisk kontrol. For mange i Web3-rummet ligger løsningen ikke i strammere regulering af det nuværende system, men i en komplet decentralisering af den underliggende infrastruktur.

Effektiviteten af disse kraftige AI-modeller afhænger først og fremmest af kvaliteten og integriteten af de data, de trænes med – en faktor, der skal kunne verificeres og spores for at forhindre systemiske fejl og AI-hallucinationer. Efterhånden som indsatsen vokser for industrier som finans og sundhedsvæsen, bliver behovet for en tillidsløst og gennemsigtig fundament for AI kritisk.

Michael Heinrich, en serieiværksætter og Stanford-kandidat, er blandt dem, der leder an i opbygningen af dette fundament. Som CEO for 0G Labs er han i øjeblikket ved at udvikle, hvad han beskriver som den første og største AI-kæde, med det erklærede mål at sikre, at AI bliver et sikkert og verificerbart offentligt gode. Efter at have grundlagt Garten, en top YCombinator-støttet virksomhed og arbejdet hos Microsoft, Bain og Bridgewater Associates, anvender Heinrich nu sin ekspertise til de arkitektoniske udfordringer ved decentraliseret AI (DeAI).

Heinrich understreger, at essensen af AI-ydelse beror på dens vidensbase: dataene. “Effektiviteten af AI-modeller bestemmes først og fremmest af de underliggende data, de trænes på,” forklarer han. Højkvalitets, balancerede datasæt fører til præcise svar, men dårlige eller underrepræsenterede data resulterer i output af dårlig kvalitet og en øget sårbarhed over for hallucinationer.

For Heinrich kræver opretholdelsen af integriteten af disse konstant opdaterende og diverse datasæt en radikal afvigelse fra status quo. Han hævder, at den primære synder bag AI-hallucinationer er manglen på gennemsigtig oprindelse. Hans løsning er kryptografisk:

Jeg mener, at alle data bør være forankret on-chain med kryptografiske beviser og en verificerbar bevissti for at opretholde dataintegritet.

Dette decentraliserede, gennemsigtige fundament, kombineret med økonomiske incitamenter og kontinuerlig finjustering, ses som den nødvendige mekanisme til systematisk at eliminere fejl og algoritmisk bias.

Udover tekniske løsninger har Heinrich, en Forbes 40 Under 40 hædret, en makrovision for AI, der tror, den skulle føre ind i en æra af overflod.

“I en ideel verden vil det forhåbentlig skabe betingelserne for et samfund uden mangel, hvor ressourcer bliver rigelige, og hvor ingen skal bekymre sig om at udføre trivielle job længere,” siger han. Denne ændring ville give individer mulighed for at “fokusere på mere kreative og afslappende arbejde,” hvilket i bund og grund muliggør, at alle kan nyde mere fritid og økonomisk sikkerhed.

Kritisk hævder han, at den decentraliserede verden er enestående skræddersyet til at drive denne fremtid. Skønheden ved disse systemer er, at de er incitamenttilpassede, hvilket skaber en selvbalancerende økonomi for beregningskraft. Hvis efterspørgslen efter ressourcer stiger, stiger incitamenterne til at levere dem naturligt, indtil denne efterspørgsel er opfyldt, hvilket opfylder behovet for beregningsressourcer på en balanceret, tilladelsesfri måde.

Beskyttelse af AI: Åben kilde og incitamentdesign

For at beskytte AI mod forsætlig misbrug – såsom stemmekloningssvindel og deepfakes – foreslår Heinrich en kombination af menneskecentrerede og arkitektoniske løsninger. Først bør fokus være på at uddanne folk i, hvordan man identificerer AI-svindel og falskner brugt til efterligning og desinformation. Heinrich siger: Vi skal lære folk at kunne identificere eller fingeraftrykke AI-genereret indhold, så de kan beskytte sig selv.”

Lovgivere kan også spille en rolle ved at etablere globale standarder for AI-sikkerhed og etik. Selvom dette sandsynligvis ikke vil eliminere AI-misbrug, kan tilstedeværelsen af sådanne standarder “gå et stykke vej mod at afskrække det.” Den mest potente modforanstaltning er imidlertid indvævet i det decentraliserede design: “Design af incitament-justerede systemer kan dramatisk reducere forsætligt AI-misbrug.” Ved at implementere og styre AI-modeller on-chain belønnes ærlig deltagelse, mens ondsindet adfærd medfører direkte økonomiske konsekvenser gennem on-chain slashing mekanismer.

Mens nogle kritikere frygter risici ved åbne algoritmer, fortæller Heinrich til Bitcoin.com News, at han støtter det entusiastisk, fordi det giver indsigt i, hvordan modeller fungerer. “Ting som verificerbare træningsregistreringer og uforanderlige dataveje kan bruges til at sikre gennemsigtighed og give mulighed for samfundets overvågning,” hvilket direkte modvirker risiciene forbundet med proprietære, lukkede “black-box”-modeller.

For at levere denne vision om en sikker og billig AI-fremtid bygger 0G Labs det første “decentraliserede AI-operativsystem (DeAIOS).”

Dette operativsystem er designet til at give verificerbar AI-oprindelse – et yderst skalerbart datalagrings- og tilgængelighedslag, der muliggør lagring af massive AI-datasæt on-chain, hvilket gør alle data verificerbare og sporbare. Dette niveau af sikkerhed og sporbarhed er essentielt for AI-agenter, der opererer i regulerede sektorer.

Derudover har systemet et tilladelsesfrit beregningsmarked, der demokratiserer adgangen til beregningsressourcer til konkurrencedygtige priser. Dette er et direkte svar på de høje omkostninger og leverandørindlåsninger forbundet med centraliseret cloud-infrastruktur.

0G Labs har allerede demonstreret et teknologisk gennembrud med Dilocox, en ramme, der muliggør træning af LLM’er på over 100 milliarder parametre over decentraliserede, 1 Gbps klynger. Ved at opdele modellerne i mindre og uafhængigt trænet dele har Dilocox demonstreret en forbedring i effektiviteten på 357x sammenlignet med traditionelle distribuerede træningsmetoder, hvilket gør storskala AI-udvikling økonomisk mulig udenfor murene af centraliserede datacentre.

En Lysere, Mere Overkommelig Fremtid for AI

I sidste ende ser Heinrich en meget lys fremtid for decentraliseret AI, defineret ved deltagelse og nedbrydning af barrierer for adoption.

“Det er et sted, hvor mennesker og samfund sammen skaber ekspert AI-modeller, der sikrer, at AI’s fremtid formes af mange fremfor blot en håndfuld centraliserede enheder,” konkluderer han. Med proprietære AI-virksomheder, der står over for pres for at hæve priserne, tilbyder økonomierne og incitamentstrukturerne i DeAI et overbevisende, meget mere overkommeligt alternativ, hvor kraftige AI-modeller kan oprettes til lavere omkostninger, hvilket baner vejen for en mere åben, sikrere og i sidste ende mere gavnlig teknologisk fremtid.

FAQ

• Hvad er kerneproblemet med nuværende centraliseret AI? Nuværende AI-modeller lider af gennemsigtighedsproblemer, databias og monopolistisk kontrol på grund af deres centraliserede “black box”-arkitektur.
• Hvilken løsning bygger Michael Heinrichs 0G Labs? 0G Labs udvikler det første “decentraliserede AI-operativsystem (DeAIOS)” for at gøre AI til et sikkert, verificerbart og offentligt gode.
• Hvordan sikrer Decentraliseret AI dataintegritet? Dataintegritet opretholdes ved at forankre alle data on-chain med kryptografiske beviser og en verificerbar evidenssti for at forhindre fejl og hallucinationer.
• Hvad er den største fordel ved 0G Labs’ Dilocox-teknologi? Dilocox er en ramme, der gør storskalet AI-udvikling betydeligt mere effektiv, hvilket demonstrerer en 357x forbedring over traditionelle distribuerede træningsmetoder.