Desentralisert AI kan frigjøre et samfunn uten knapphet, sier administrerende direktør i 0G Labs

Datasituasjonen: Kvalitet, Proveniens og Tillit

Diskusjonen rundt kunstig intelligens (AI) har fundamentalt endret seg. Spørsmålet er ikke lenger om dens relevans, men hvordan man kan gjøre den mer pålitelig, gjennomsiktig og effektiv ettersom dens bruk blir vanlig på tvers av alle sektorer.

Det nåværende AI-paradigmet, dominert av sentraliserte “black box”-modeller og massive, proprietære datasentre, står overfor økende press fra bekymringer over skjevhet og monopolistisk kontroll. For mange i Web3-området ligger løsningen ikke i strengere regulering av det nåværende systemet, men i en fullstendig desentralisering av den underliggende infrastrukturen.

Effekten av disse kraftige AI-modellene, for eksempel, bestemmes først og fremst av kvaliteten og integriteten til dataene de er trent på—en faktor som må være verifiserbar og sporbar for å forhindre systemfeil og AI-hallusinasjoner. Etter hvert som innsatsen øker for bransjer som finans og helsevesen, blir behovet for en tillitsløs og transparent grunnlag for AI kritisk.

Michael Heinrich, en seriegründer og Stanford-utdannet, er blant dem som leder an innsatsen for å bygge dette grunnlaget. Som administrerende direktør for 0G Labs, utvikler han for øyeblikket det han beskriver som den første og største AI-kjeden, med den uttalte misjonen å sikre at AI blir et trygt og verifiserbart offentlig gode. Etter tidligere å ha grunnlagt Garten, et topp YCombinator-støttet selskap, og arbeidet ved Microsoft, Bain, og Bridgewater Associates, anvender Heinrich nå sin ekspertise på de arkitektoniske utfordringene ved desentralisert AI (DeAI).

Heinrich understreker at kjernen i AI-ytelsen ligger i dens kunnskapsbase: dataene. “Effekten av AI-modeller bestemmes først og fremst av de underliggende dataene de er trent på,” forklarer han. Høykvalitets, balanserte datasett gir nøyaktige svar, men dårlige eller underrepresenterte data resulterer i dårlig kvalitet på utgangene og økt mottakelighet for hallusinasjoner.

For Heinrich krever opprettholdelsen av integriteten til disse stadig oppdaterende og mangfoldige datasettene en radikal avvik fra status quo. Han hevder at den primære skyldige bak AI-hallusinasjoner er mangelen på gjennomsiktig proveniens. Hans løsning er kryptografisk:

Jeg mener alle data bør være forankret på blokkjeden med kryptografiske bevis og et verifiserbart bevistrail for å opprettholde dataintegritet.

Dette desentraliserte, transparente grunnlaget, kombinert med økonomiske insentiver og kontinuerlig finjustering, sees på som den nødvendige mekanismen for systematisk å eliminere feil og algoritmisk skjevhet.

Utover tekniske løsninger har Heinrich, en Forbes 40 Under 40 prisvinner, en makrovisjon for AI, og mener den bør innlede en epoke med overflod.

“I en ideell verden vil det forhåpentligvis skape forholdene for et samfunn uten knapphet der ressurser blir rikelige og der ingen trenger å bekymre seg for å gjøre monotone jobber lenger,” uttaler han. Dette skiftet vil tillate individer å “fokusere på mer kreative og fritidsorienterte arbeid,” som i essens muliggjør at alle kan nyte mer fritid og økonomisk sikkerhet.

Viktigst av alt argumenterer han for at den desentraliserte verden er unikt egnet til å styrke denne fremtiden. Skjønnheten i disse systemene er at de er insentiv-justerte, og skaper en selvbalanserende økonomi for beregningskraft. Hvis etterspørselen etter ressurser øker, øker insentivene til å levere dem naturlig til den etterspørselen er møtt, og oppfyller behovet for beregningsressurser på en balansert, tillatelsesløs måte.

Beskytte AI: Åpen Kildekode og Insentivdesign

For å beskytte AI mot bevisst misbruk—som stemmekloning-svinder og deepfakes—foreslår Heinrich en kombinasjon av menneskefokuserte og arkitektoniske løsninger. Først bør fokuset være på å utdanne folk om hvordan man identifiserer AI-bedragerier og forfalskninger brukt til utveksling og desinformasjon. Heinrich uttaler: Vi må lære folk å kunne identifisere eller gjenkjenne AI-generert innhold slik at de kan beskytte seg selv.”

Lovgivere kan også spille en rolle ved å etablere globale standarder for AI-sikkerhet og etikk. Selv om dette er lite sannsynlig å eliminere AI-misbruk, kan tilstedeværelsen av slike standarder “gå noe vei mot å avskrekke det.” Den mest kraftige motmåten er imidlertid vevd inn i det desentraliserte designet: “Å designe insentiv-justerte systemer kan dramatisk redusere det bevisste AI-misbruket.” Ved å distribuere og styre AI-modeller på blokkjeden, belønnes ærlig deltakelse, mens ondsinnet adferd pådrar seg direkte økonomiske konsekvenser gjennom blokkjede kuttmekanismer.

Mens noen kritikere frykter risikoene ved åpne algoritmer, forteller Heinrich til Bitcoin.com News at han støtter det entusiastisk fordi det gir synlighet i hvordan modellene fungerer. “Ting som verifiserbare treningslogger og uforanderlige datatrials kan brukes til å sikre gjennomsiktighet og tillate samfunnsmessig tilsyn,” noe som direkte motvirker risikoene forbundet med proprietære, lukkede “black-box”-modeller.

For å levere denne visjonen om en sikker og lavkost AI-fremtid, bygger 0G Labs det første “desentraliserte AI-operativsystemet (DeAIOS).”

Dette operativsystemet er designet for å gi verifiserbar AI-proveniens—et svært skalerbart lag for lagring og tilgjengelighet av data som muliggjør lagring av massive AI-datasett på blokkjeden, noe som gjør alle data verifiserbare og sporbare. Dette nivået av sikkerhet og sporbarhet er essensielt for AI-agenter som opererer i regulerte sektorer.

I tillegg har systemet en tillatelsesløs beregningsmarked, som demokratiserer tilgang til beregningsressurser til konkurransedyktige priser. Dette er et direkte svar på de høye kostnadene og leverandørinnlåsing assosiert med sentralisert skytjenesteinfrastruktur.

0G Labs har allerede demonstrert et teknisk gjennombrudd med Dilocox, et rammeverk som muliggjør treningen av LLM-er som overstiger 100 milliarder parametere over desentraliserte, 1 Gbps klynger. Ved å bryte modellene ned i mindre og uavhengig trente deler, har Dilocox vist en 357x forbedring i effektivitet sammenlignet med tradisjonelle distribuerte treningsmetoder, og gjør storskalautvikling av AI økonomisk levedyktig utenfor veggene til sentraliserte datasentre.

En Lysere, Mer Rimelig Fremtid for AI

Til syvende og sist ser Heinrich en veldig lys fremtid for desentralisert AI, en definert av deltakelse og nedbrytning av barrierer for adopsjon.

“Det er et sted der mennesker og samfunn skaper ekspert AI-modeller sammen, og sikrer at fremtiden for AI er formet av mange snarere enn bare noen få sentraliserte enheter,” konkluderer han. Med proprietære AI-selskaper som møter press for å heve prisene, tilbyr økonomien og insentivstrukturene til DeAI et overbevisende, mye mer rimelig alternativ der kraftige AI-modeller kan skapes til lavere kostnader, og baner veien for en mer åpen, tryggere, og til slutt mer fordelaktig teknologisk fremtid.

FAQ

• Hva er kjerneproblemet med dagens sentraliserte AI? Nåværende AI-modeller lider av gjennomsiktighetsproblemer, dataskjevhet og monopolistisk kontroll på grunn av deres sentraliserte “black box”-arkitektur.
• Hvilken løsning bygger Michael Heinrichs 0G Labs? 0G Labs utvikler det første “desentraliserte AI-operativsystemet (DeAIOS)” for å gjøre AI til et trygt, verifiserbart og offentlig gode.
• Hvordan sikrer Desentralisert AI dataintegritet? Dataintegritet opprettholdes ved å forankre alle data på blokkjeden med kryptografiske bevis og et verifiserbart bevistrail for å forhindre feil og hallusinasjoner.
• Hva er hovedfordelen med 0G Labs’ Dilocox-teknologi? Dilocox er et rammeverk som gjør storskalautvikling av AI betydelig mer effektiv, og viser en 357x forbedring over tradisjonelle distribuerte treningsmetoder.