Hajautettu tekoäly voisi avata post-niukkuusyhteiskunnan, sanoo 0G Labsin toimitusjohtaja

Datadilemma: Laatu, alkuperä ja luottamus

Keskustelu tekoälystä (AI) on pohjimmiltaan muuttunut. Kysymys ei ole enää sen relevanttiudesta, vaan siitä, miten tehdä siitä luotettavampi, avoimempi ja tehokkaampi sen tullessa yleiseksi käytössä kaikilla aloilla.

Nykyinen AI-paradigma, jota hallitsevat keskitetyt “mustat laatikot” ja massiiviset, omistukselliset datakeskukset, kohtaa kasvavaa painetta vinoumien ja monopolistisen hallinnan huolista. Monille Web3-alueen toimijoille ratkaisu ei ole nykyisen järjestelmän tiukempi sääntely, vaan perusrakenteen täydellinen hajauttaminen.

Näiden voimakkaiden AI-mallien tehokkuuden määrittää ennen kaikkea se laatua ja eheyttä, jota ne käyttävät koulutukseen – tekijä, joka on oltava todistettavissa ja jäljitettävissä systemaattisten virheiden ja AI-harhojen estämiseksi. Kun panokset kasvavat aloilla kuten rahoitus ja terveydenhuolto, tarve luottaa ja avoimeen perustaan AI:lle tulee kriittiseksi.

Michael Heinrich, sarjayrittäjä ja Stanfordin tutkinto, on yksi niistä, jotka johtavat tuon perustan rakentamista. CEO:nä 0G Labs:ssa hän kehittää parhaillaan, mitä hän kuvailee ensimmäiseksi ja suurimmaksi AI-ketjuksi, jonka ilmoitettu tehtävä on varmistaa, että AI:sta tulee turvallinen ja todennettava yleishyöty. Perustettuaan aiemmin Gartenin, huippu YCombinator-tuetun yrityksen, ja työskenneltyään Microsoftilla, Bainilla ja Bridgewater Associatesilla, Heinrich soveltaa nyt asiantuntemustaan hajautetun AI:n (DeAI) arkkitehtonisiin haasteisiin.

Heinrich korostaa, että AI-suorituskyvyn ydin lepää sen tietopohjassa: data. “AI-mallien tehokkuuden määrittää ennen kaikkea taustalla oleva data, jolla ne on koulutettu,” hän selittää. Korkealaatuiset, tasapainoiset tietoaineistot johtavat tarkkoihin vastauksiin, mutta huono tai aliedustettu tieto johtaa huonolaatuiseen tuotteseen ja lisääntyneeseen alttiuteen harhauttavuudelle.

Heinrichille näiden jatkuvasti päivittyvien ja monimuotoisten tietoaineistojen eheyden ylläpitäminen vaatii radikaalin irtioton vallitsevasta tilanteesta. Hän väittää, että AI-harhojen pääasiallinen syypää on läpinäkyvän alkuperän puute. Hänen korjauskeinonsa on kryptografinen:

Uskon, että kaikki data tulisi kiinnittää lohkoketjuun kryptografisilla todisteilla ja todennettavalla todisteketjulla datan eheyden ylläpitämiseksi.

Tämä hajautettu, avoin perusta, yhdistettynä taloudellisiin kannustimiin ja jatkuvaan hienosäätöön, nähdään välttämättömänä mekanismina systemaattisesti virheiden ja algoritmisen vinouman poistamiseksi.

Teknisten korjausten lisäksi Heinrichilla, Forbes 40 Under 40 -kunnianosoituksen saanut, on makrotason visio AI:sta, ja hän uskoo sen avaavan runsauden aikakauden.

“Ihannetapauksessa se luo olosuhteet niukkuuden jälkeiseen yhteiskuntaan, jossa resurssit ovat yltäkylläisiä ja kukaan ei tarvitse huolehtia arkiaskareiden tekemisestä enää,” hän toteaa. Tämä muutos antaisi yksilöille mahdollisuuden keskittyä “luovampiin ja vapaa-ajan tehtäviin,” antaen jokaiselle mahdollisuuden nauttia enemmän vapaasta ajasta ja taloudellisesta turvallisuudesta.

Ennen kaikkea hän esittää, että hajautettu maailma on ainutlaatuisen sopiva tehostamaan tätä tulevaisuutta. Näiden järjestelmien kauneus on, että ne ovat kannustin-suuntautuneita, luoden itseään tasapainottavan talouden laskentateholle. Jos resurssien kysyntä kasvaa, kannustimet niiden tarjoamiseen luonnollisesti kasvavat, kunnes tuohon kysyntään vastataan, täyttäen laskentaresurssien tarpeen tasapainoisella, luvattomalla tavalla.

AI:n suojelu: Avoin lähdekoodi ja kannustemuotoilu

Suojellakseen tekoälyä tahalliselta väärinkäytöltä—kuten äänikloonauspetoksia ja deepfakeja—Heinrich ehdottaa yhdistelmää ihmislähtöisiä ja arkkitehtonisia ratkaisuja. Ensinnäkin, painopisteen tulisi olla ihmisten opettamisessa tunnistamaan AI-huijaukset ja väärennökset, joita käytetään jäljittelyyn ja väärän tiedon leviämiseen. Heinrich sanoo: “Meidän on koulutettava ihmisiä tunnistamaan tai sormenjäljistämään AI-luotua sisältöä, jotta he voivat suojella itseään.”

Lainsäätäjät voivat myös vaikuttaa perustamalla maailmanlaajuisia standardeja AI:n turvallisuudelle ja etiikalle. Vaikka tämä ei todennäköisesti poista AI:n väärinkäyttöä, tällaisten standardien olemassaolo “voi jossain määrin vähentää sitä.” Tehokkain vastatoimi on kuitenkin kietoutunut hajautettuun suunnitteluun: “Kannustin-suunnattujen järjestelmien suunnittelu voisi dramaattisesti vähentää tahallista AI:n väärinkäyttöä.” Ottamalla käyttöön ja hallitsemalla AI-malleja lohkoketjussa, rehellinen osallistuminen palkitaan, kun taas pahantahtoinen käyttäytyminen kohtaa suorat taloudelliset seuraamukset lohkoketjun leikkausmekanismien kautta.

Vaikka jotkut kriitikot pelkäävät avoimien algoritmien riskejä, Heinrich kertoo Bitcoin.com Uutisille, että hän tukee niitä innostuneesti, koska ne tuovat näkyvyyttä siihen, miten mallit toimivat. “Asiat kuten todennettavat koulutustiedot ja muuttumattomat tietoketjut voidaan käyttää avoimuuden varmistamiseksi ja yhteisön valvonnan mahdollistamiseksi,” mikä suoraan vastustaa riskit, jotka liittyvät omistuksellisiin, suljetun lähdekoodin “mustiin laatikoihin.”

Tämän turvallisen ja edullisen AI-tulevaisuuden toteuttamiseksi 0G Labs rakentaa ensimmäistä “hajautettua AI-käyttöjärjestelmää (DeAIOS).”

Tämä käyttöjärjestelmä on suunniteltu tarjoamaan todennettu AI:n alkuperä—erittäin skaalautuva datan tallennus- ja saatavuuskerros, joka mahdollistaa massiivisten AI-datasetien tallentamisen lohkoketjuun, tehden kaikesta datasta todennettavaa ja jäljitettävää. Tämä turvallisuustaso ja jäljitettävyys ovat välttämättömiä AI-agenttien toimiessa säännellyillä alueilla.

Lisäksi järjestelmässä on luvaton laskentamarkkinapaikka, joka demokratisoi laskentaresurssien saatavuuden kilpailukykyisin hinnoin. Tämä on suora vastaus kohonneisiin kustannuksiin ja toimittajien lukitsemaan keskitetyssä pilvinfrastruktuurissa.

0G Labs on jo osoittanut teknisen läpimurron Dilocoxilla, kehyksellä, joka mahdollistaa LLM:ien koulutuksen yli 100 miljardin parametrieron ylikansallisissa, 1 Gbps klustereissa. Jakamalla mallit pienempiin ja itsenäisesti koulutettuihin osiin, Dilocox on osoittanut 357-kertaisen parannuksen tehokkuudessa perinteisiin hajautettuihin koulutusmenetelmiin verrattuna, tehden suuren mittakaavan AI-kehityksestä taloudellisesti kannattavaa keskitettyjen datakeskusten ulkopuolella.

Kirkkaampi, edullisempi AI:n tulevaisuus

Lopulta Heinrich näkee erittäin valoisan tulevaisuuden hajautetulle AI:lle, joka määritellään osallistumisella ja esteiden murtamisella adoptiolle.

“Se on paikka, jossa ihmiset ja yhteisöt luovat yhdessä asiantuntija-AI-malleja, varmistaen, että AI:n tulevaisuuden muovaavat monet eikä vain muutama keskitetty taho,” hän toteaa. Omistuksellisten AI-yritysten kohtaaman paineen korottaa hintojaan, DeAI:n talous ja kannustimet tarjoavat houkuttelevan, paljon edullisemman vaihtoehdon, jossa tehokkaita AI-malleja voidaan luoda alhaisemmilla kustannuksilla, raivaten tietä avoimemmalle, turvallisemmalle ja lopulta hyödyllisemmälle teknologiselle tulevaisuudelle.

UKK

• Mikä on suurin ongelma nykyisissä keskitettyissä AI-malleissa? Nykyiset AI-mallit kärsivät läpinäkyvyysongelmista, datavinoumista ja monopolistisesta hallinnasta niiden keskitetyssä “mustassa laatikossa” olevan arkkitehtuurin vuoksi.
• Mitä ratkaisua Michael Heinrichin 0G Labs kehittää? 0G Labs kehittää ensimmäistä “hajautettua AI-käyttöjärjestelmää (DeAIOS)” tehdäkseen AI:sta turvallisen, todennettavan ja yleishyödyllisen.
• Miten hajautettu AI varmistaa datan eheyden? Datan eheys säilytetään kiinnittämällä kaikki data lohkoketjuun kryptografisilla todisteilla ja todennettavalla todisteketjulla virheiden ja harhojen estämiseksi.
• Mikä on 0G Labsin Dilocox-teknologian tärkein etu? Dilocox on kehys, joka tekee laajamittaisesta AI-kehityksestä merkittävästi tehokkaampaa, osoittaen 357-kertaisen parannuksen perinteisiin hajautettuihin koulutusmenetelmiin nähden.