A decentralizált mesterséges intelligencia felszabadíthatja a bőség utáni társadalmat, állítja a 0G Labs vezérigazgatója.

A Data Dilemma: Minőség, Származás, és Bizalom

Az mesterséges intelligenciával (AI) kapcsolatos vita alapvetően megváltozott. A kérdés már nem a relevanciájáról szól, hanem arról, hogyan lehet megbízhatóbbá, átláthatóbbá és hatékonyabbá tenni, ahogy elterjedése minden szektorban megszokottá válik.

Az aktuális AI paradigmát a központosított “feketedoboz” modellek és óriási, zárt adatközpontok dominálják, amelyeket egyre nagyobb nyomás helyez rá a elfogultság és a monopolkontroll miatt. Sokak számára a Web3 térben a megoldás nem a jelenlegi rendszer szigorúbb szabályozásában, hanem az alapvető infrastruktúra teljes decentralizációjában rejlik.

Ezeknek az erőteljes AI modelleknek a hatékonysága először is az általuk használt adatok minőségétől és integritásától függ—ez egy olyan tényező, amelyet ellenőrizni és nyomon követni kell a rendszerhibák és az AI hallucinációk megelőzése érdekében. Ahogy a tét nő olyan iparágakban, mint a pénzügy és az egészségügy, a megbízhatatlan és átlátható AI-alap megteremtése kulcsfontosságú.

Michael Heinrich, egy sorozatvállalkozó és Stanford végzettségű, azon dolgozik, hogy megteremtse ezt az alapot. A 0G Labs vezérigazgatójaként éppen a “első és legnagyobb AI láncot” fejleszti, azzal a küldetéssel, hogy az AI egy biztonságos és ellenőrizhető közjószággá váljon. Korábban a Garten nevű, a YCombinator által támogatott csúcscéget alapította, és dolgozott a Microsoftnál, a Bain-nél és a Bridgewater Associates-nél is. Most szakértelmét a decentralizált AI (DeAI) építészeti kihívásaira alkalmazza.

Heinrich hangsúlyozza, hogy az AI teljesítményének középpontjában a tudásbázis áll: az adatok. “Az AI modellek hatékonysága elsősorban az általuk használt adatok minőségétől függ” – magyarázza. A magas minőségű, kiegyensúlyozott adatkészletek pontos válaszokat eredményeznek, de a rossz vagy alulreprezentált adatok gyenge minőségű kimenetet és nagyobb hallucinációs hajlamot eredményeznek.

Heinrich számára ezeknek a folyamatosan frissülő és változó adathalmazoknak az integritásának fenntartása gyökeresen eltér a jelenlegi állapottól. Szerinte az AI hallucinációinak elsőszámú okozója az átlátható eredet hiánya. Az ő megoldása kriptográfiai:

Úgy vélem, hogy minden adatot a láncon kellene lehorgonyozni kriptográfiai bizonyítékokkal és ellenőrizhető nyomvonallal az adatintegritás fenntartása érdekében.

Ez a decentralizált, átlátható alap, gazdasági ösztönzőkkel és folyamatos finomhangolással kombinálva, a hibák és algoritmikus elfogultság szisztematikus megszüntetésének szükséges mechanizmusa.

A technikai javításokon túl Heinrich, egy Forbes 40 év alatti 40 díjazottja, makro-vízióval rendelkezik az AI-val kapcsolatban, azt remélve, hogy bőséges korszakot teremt.

“Ideális esetben ez olyan körülményeket teremthet, amelyek bőség utáni társadalomhoz vezetnek, ahol az erőforrások bőségesek, és senkinek sem kell aggódnia a hétköznapi munka miatt” – nyilatkozta. Ez az elmozdulás lehetővé tenné az emberek számára, hogy “kreatívabb és szabadidős munkára összpontosítsanak”, alapvetően mindenkinek több szabadidőt és gazdasági biztonságot biztosítva.

Fontos, hogy szerinte a decentralizált világ egyedülállóan alkalmas arra, hogy ezt a jövőt megvalósítsa. Az ilyen rendszerek szépsége abban rejlik, hogy ösztönzők által vezéreltek, önkiegyensúlyozó gazdaságot teremtenek a számítógépes erőforrások számára. Ha az erőforrások iránti kereslet nő, az azokat biztosító ösztönzők természetesen emelkednek, amíg ez a kereslet teljesül, kielégítve a számítástechnikai erőforrások iránti igényt kiegyensúlyozott, engedély nélküli módon.

Az AI védelme: Nyílt forráskód és ösztönző tervezés

Az AI szándékos visszaélésétől – mint például a hangklónos csalások és deepfake-ek – Heinrich emberközpontú és építészeti megoldások kombinációját javasolja. Először is, a hangsúly az emberek oktatására irányul, hogy hogyan azonosíthatják az AI csalásokat és hamisítványokat, amelyeket azonosításra és dezinformációra használnak. Heinrich kijelenti: “Meg kell tanítanunk az embereket arra, hogy képesek legyenek azonosítani vagy ujjlenyomatba venni az AI által generált tartalmakat, hogy meg tudják védeni magukat.”

A törvényhozók is szerepet játszhatnak az AI biztonságával és etikájával kapcsolatos globális sztenderdek létrehozásában. Bár valószínűtlen, hogy ez teljesen megszüntetné az AI visszaéléseket, az ilyen sztenderdek jelenléte “mérsékelheti azt”. A legpotensebb ellentétes intézkedés azonban a decentralizált tervbe van szőve: “Olyan ösztönző-összehangolt rendszerek tervezése, amelyek drasztikusan csökkenthetik a szándékos AI visszaéléseket.” Az AI modellek láncra telepítésével és kormányzásával a tisztességes részvétel jutalmazott, míg a rosszindulatú viselkedés közvetlen pénzügyi következményekkel jár a láncon belüli vágási mechanizmusok révén.

Míg egyes kritikusok félnek a nyílt algoritmusok kockázataitól, Heinrich elmondja a Bitcoin.com Newsnak, hogy lelkesen támogatja azt, mert ez betekintést nyújt abba, hogyan működnek a modellek. “A bizonyítható képzési nyilvántartások és a változhatatlan adatnyomok biztosíthatják az átláthatóságot és lehetővé tehetik a közösségi felügyeletet,” amely közvetlenül ellensúlyozza a zárt forráskódú “feketedoboz” modellekkel kapcsolatos kockázatokat.

Az AI biztonságos és alacsony költségű jövőképének megvalósítása érdekében a 0G Labs az első “decentralizált AI operációs rendszert (DeAIOS)” építi.

Ez az operációs rendszer úgy van tervezve, hogy ellenőrizhető AI származást biztosítson – egy rendkívül skálázható adattárolási és elérhetőségi réteget, amely lehetővé teszi a hatalmas AI adatkészletek láncon történő tárolását, minden adatot ellenőrizhetővé és nyomon követhetővé téve. Ez a biztonsági és követhetőségi szint nélkülözhetetlen a szabályozott szektorokban működő AI ügynökök számára.

Ezenkívül a rendszer egy engedély nélküli számítási piacteret is tartalmaz, amely demokratizálja a számítási erőforrásokhoz való hozzáférést versenyképes áron. Ez közvetlen válasz a központosított felhőinfrastruktúrával járó magas költségekre és a beszállítói zárolásra.

A 0G Labs már technikai áttörést mutatott be a Dilocox-szal, egy olyan keretrendszerrel, amely lehetővé teszi a 100 milliárdnál több paraméterrel rendelkező LLM-ek decentralizált, 1 Gbps-os klaszteren történő képzését. Azáltal, hogy a modelleket kisebb és függetlenül képzett részekre bontják, a Dilocox 357-szeres hatékonysági javulást mutatott a hagyományos elosztott képzési módszerekhez képest, gazdaságilag életképessé téve a nagyszabású AI fejlesztést a központosított adatközpontokon kívül.

Fényesebb, Megfizethetőbb AI jövő

Végső soron Heinrich nagyon fényes jövőt lát a decentralizált AI számára, amelyet a részvétel és az akadályok lebontása határoz meg.

“Ez egy olyan hely, ahol az emberek és közösségek közösen hoznak létre szakértő AI modelleket, biztosítva, hogy az AI jövőjét sokan formálják, nem csak egy maroknyi központosított entitás,” zárta le. Mivel a zárt AI cégek nyomás alatt állnak az áremelésre, a DeAI gazdasági és ösztönző struktúrái meggyőző, sokkal megfizethetőbb alternatívát kínálnak, ahol erőteljes AI modelleket lehet alacsonyabb költségekkel létrehozni, megnyitva az utat egy nyíltabb, biztonságosabb és végül előnyösebb technológiai jövő felé.

GYIK

• Mi a probléma a jelenlegi központosított AI-val? A jelenlegi AI modellek átláthatósági problémákkal, adatelfogultsággal és monopolkontrollal szenvednek a központosított “feketedoboz” architektúrájuk miatt.
• Milyen megoldást épít Michael Heinrich 0G Labs-e? A 0G Labs fejleszti az első “decentralizált AI operációs rendszert (DeAIOS)”, hogy az AI biztonságos, ellenőrizhető és közjószággá váljon.
• Hogyan biztosítja a Decentralizált AI az adatintegritást? Az adatintegritást úgy biztosítják, hogy minden adatot a láncon lehorgonyoznak kriptográfiai bizonyítékokkal és ellenőrizhető nyomvonallal a hibák és hallucinációk megelőzése érdekében.
• Mi a 0G Labs Dilocox technológia fő előnye? A Dilocox egy olyan keretrendszer, amely a nagyszabású AI fejlesztést jelentősen hatékonyabbá teszi, 357-szeres javulást mutatva a hagyományos elosztott képzési módszerekhez képest.