Zdecentralizowana AI mogłaby odblokować społeczeństwo post-niedoboru, mówi CEO 0G Labs

Dylemat Danych: Jakość, Pochodzenie i Zaufanie

Dyskusja na temat sztucznej inteligencji (AI) fundamentalnie się zmieniła. Pytanie nie dotyczy już jej znaczenia, ale tego, jak uczynić ją bardziej niezawodną, przejrzystą i efektywną, ponieważ jej wdrożenie staje się powszechne w każdym sektorze.

Obecny paradygmat AI, zdominowany przez scentralizowane modele “czarnej skrzynki” i ogromne, prywatne centra danych, staje się obiektem rosnącej presji związanej z obawami dotyczącymi stronniczości i monopolistycznej kontroli. Dla wielu w przestrzeni Web3 rozwiązaniem nie jest ostrzejsze regulowanie obecnego systemu, lecz pełna decentralizacja infrastruktury bazowej.

Skuteczność tych potężnych modeli AI zależy przede wszystkim od jakości i integralności danych, na których są trenowane – czynnika, który musi być weryfikowalny i możliwy do prześledzenia, aby zapobiec systemowym błędom i halucynacjom AI. W miarę jak stawka rośnie dla branż takich jak finanse i opieka zdrowotna, potrzeba na fundament oparty na zaufaniu i przejrzystości dla AI staje się kluczowa.

Michael Heinrich, seryjny przedsiębiorca i absolwent Stanford, jest jednym z tych, którzy kierują budową tego fundamentu. Jako CEO 0G Labs obecnie rozwija to, co opisuje jako pierwszy i największy łańcuch AI, z deklarowaną misją uczynienia AI bezpiecznym i weryfikowalnym dobrem publicznym. Poprzednio założył Garten, czołową firmę wspieraną przez YCombinator, i pracował w Microsoft, Bain oraz Bridgewater Associates, a teraz wykorzystuje swoją wiedzę do rozwiązania architektonicznych wyzwań zdecentralizowanej AI (DeAI).

Heinrich podkreśla, że rdzeń wydajności AI opiera się na jej bazie wiedzy: danych. “Skuteczność modeli AI zależy przede wszystkim od danych, na których są trenowane,” wyjaśnia. Wysokiej jakości, zrównoważone zbiory danych prowadzą do dokładnych odpowiedzi, ale złe lub niedostatecznie reprezentowane dane skutkują niską jakością wyjścia i zwiększoną podatnością na halucynacje.

Dla Heinricha, utrzymanie integralności tych stale aktualizowanych i różnorodnych zestawów danych wymaga radykalnego odejścia od status quo. Twierdzi, że główną przyczyną halucynacji AI jest brak przejrzystego pochodzenia. Jego remedium jest kryptograficzne:

Uważam, że wszystkie dane powinny być zakotwiczone w łańcuchu z kryptograficznymi dowodami i możliwym do prześledzenia dowodem, aby utrzymać integralność danych.

Ta zdecentralizowana, przejrzysta podstawa, w połączeniu z zachętami ekonomicznymi i ciągłym dostrajaniem, jest postrzegana jako niezbędny mechanizm do systematycznego eliminowania błędów i algorytmicznej stronniczości.

Poza technicznymi poprawkami, Heinrich, laureat Forbes 40 Under 40, ma makro wizję dla AI, wierząc, że powinna ona wprowadzić erę obfitości.

“W idealnym świecie, miejmy nadzieję, stworzy warunki dla społeczeństwa po-niedoborowego, gdzie zasoby stają się obfite i nikt nie musi się martwić o wykonywanie rutynowych prac,” stwierdza. Ta zmiana pozwoliłaby jednostkom “skupić się na bardziej kreatywnej i rekreacyjnej pracy,” zasadniczo umożliwiając wszystkim cieszenie się większą ilością wolnego czasu i bezpieczeństwem ekonomicznym.

Co istotne, argumentuje, że zdecentralizowany świat jest wyjątkowo przystosowany do wspierania tej przyszłości. Piękno tych systemów polega na tym, że są one skupione na zachętach, tworząc samobalansującą się gospodarkę mocy obliczeniowej. Jeśli popyt na zasoby rośnie, zachęty do ich dostarczania naturalnie wzrastają, aż ten popyt zostanie zaspokojony, spełniając potrzebę zasobów obliczeniowych w zrównoważony, bez pozwolenia sposób.

Zabezpieczanie AI: Open Source i Projektowanie Zachęt

Aby chronić AI przed celowym nadużyciem — takim jak oszustwa z wykorzystaniem klonowania głosu i deepfakes — Heinrich sugeruje kombinację rozwiązań skoncentrowanych na człowieku i architektonicznych. Po pierwsze, należy skupić się na edukacji ludzi, jak identyfikować oszustwa i fałszerstwa AI używane do podszywania się i dezinformacji. Heinrich stwierdza: Musimy nauczyć ludzi, jak identyfikować lub odciskać treści generowane przez AI, aby mogli się chronić.”

Ustawodawcy mogą także odegrać rolę, ustanawiając globalne standardy dla bezpieczeństwa i etyki AI. Choć to nie wyeliminuje nadużyć AI, obecność takich standardów “może przyczynić się do ich zniechęcenia.” Najpotężniejszym środkiem zaradczym, jednakże, jest wpleciony w zdecentralizowany projekt: “Projektowanie systemów zgodnych z zachętami mogłoby dramatycznie zmniejszyć celowe nadużycia AI.” Poprzez wdrażanie i zarządzanie modelami AI w łańcuchu, uczciwe uczestnictwo jest nagradzane, podczas gdy złośliwe zachowanie pociąga za sobą bezpośrednie konsekwencje finansowe przez mechanizmy cięcia w łańcuchu.

Podczas gdy niektórzy krytycy obawiają się ryzyka algorytmów otwartych, Heinrich mówi Bitcoin.com News, że wspiera je z entuzjazmem, ponieważ zapewnia to wgląd w działanie modeli. “Takie rzeczy jak weryfikowalne zapisy treningowe i niezmienne trasy danych mogą być używane do zapewnienia przejrzystości i pozwolenia na nadzór społeczności,” co bezpośrednio przeciwdziała ryzykom związanym z prywatnymi, zamkniętymi modelami “czarnej skrzynki.”

Aby dostarczyć tę wizję bezpiecznej i taniej przyszłości AI, 0G Labs buduje pierwszy “zdecentralizowany system operacyjny AI (DeAIOS).”

Ten system operacyjny jest zaprojektowany do zapewnienia weryfikowalnego pochodzenia AI — wysoce skalowalnej warstwy do przechowywania i dostępności danych, która umożliwia przechowywanie ogromnych zestawów danych AI w łańcuchu, czyniąc wszystkie dane weryfikowalnymi i możliwymi do prześledzenia. Ten poziom bezpieczeństwa i możliwości śledzenia jest niezbędny dla agentów AI działających w regulowanych sektorach.

Dodatkowo, system oferuje bez pozwolenia rynek obliczeniowy, co demokratyzuje dostęp do zasobów obliczeniowych po konkurencyjnych cenach. To jest bezpośrednia odpowiedź na wysokie koszty i uzależnienie od dostawców związane ze scentralizowaną infrastrukturą chmurową.

0G Labs wykazał już techniczny przełom dzięki Dilocox, ramie, która umożliwia trening LLM z przekraczającymi 100 miliardów parametrów w zdecentralizowanych klastrach 1 Gbps. Dzięki podziałowi modeli na mniejsze i niezależnie trenowane części, Dilocox wykazał 357-krotną poprawę efektywności w porównaniu z tradycyjnymi metodami rozproszonego treningu, czyniąc rozwój AI na dużą skalę ekonomicznie wykonalnym poza murami scentralizowanych centrów danych.

Jaśniejsza, Tańsza Przyszłość dla AI

Ostatecznie Heinrich widzi bardzo jasną przyszłość dla zdecentralizowanej AI, definiowaną przez uczestnictwo i eliminację barier w adopcji.

“To miejsce, gdzie ludzie i społeczności tworzą wspólnie zaawansowane modele AI, zapewniając, że przyszłość AI jest kształtowana przez wielu, a nie tylko przez garstkę scentralizowanych podmiotów,” podsumowuje. W sytuacji, gdy prywatne firmy AI stoją przed presją na podnoszenie cen, ekonomia i struktury zachęt DeAI oferują atrakcyjną, znacznie tańszą alternatywę, w której potężne modele AI mogą być tworzone po niższych kosztach, torując drogę do bardziej otwartej, bezpieczniejszej i ostatecznie bardziej korzystnej technologicznie przyszłości.

FAQ

• Jaki jest główny problem z obecnym scentralizowanym AI? Obecne modele AI cierpią z powodu problemów z przejrzystością, stronniczością danych i monopolistyczną kontrolą z powodu swojej scentralizowanej architektury “czarnej skrzynki”.
• Jakie rozwiązanie buduje 0G Labs Michaela Heinricha? 0G Labs rozwija pierwszy “zdecentralizowany system operacyjny AI (DeAIOS)” w celu uczynienia AI bezpiecznym, weryfikowalnym i dobrem publicznym.
• Jak zdecentralizowana AI zapewnia integralność danych? Integralność danych jest utrzymywana przez zakotwiczenie wszystkich danych w łańcuchu z kryptograficznymi dowodami i możliwym do prześledzenia dowodem, aby zapobiec błędom i halucynacjom.
• Jaka jest główna zaleta technologii Dilocox 0G Labs? Dilocox to rama, która sprawia, że rozwój AI na dużą skalę jest znacznie bardziej wydajny, wykazując 357-krotną poprawę w porównaniu z tradycyjnym treningiem rozproszonym.