Inteligența Artificială Descentralizată Ar Putea Debloca o Societate Post-Scarcity, Spune CEO-ul 0G Labs

Dilema Datelor: Calitate, Proveniență și Încredere

Discuția despre inteligența artificială (AI) s-a schimbat fundamental. Întrebarea nu mai este despre relevanța sa, ci cum să o facem mai fiabilă, transparentă și eficientă pe măsură ce implementarea sa devine obișnuită în fiecare sector.

Paradigma actuală a AI, dominată de modele “cutie neagră” centralizate și centre de date masive, proprietare, se confruntă cu presiuni crescânde din cauza preocupărilor legate de bias și control monopolist. Pentru mulți din domeniul Web3, soluția nu constă în reglementarea mai strictă a sistemului actual, ci într-o descentralizare completă a infrastructurii de bază.

Eficiența acestor modele puternice de AI este determinată în primul rând de calitatea și integritatea datelor pe care sunt antrenate—un factor care trebuie să fie verificabil și trasabil pentru a preveni erorile sistemice și halucinațiile AI. Pe măsură ce miza crește pentru industrii precum finanțele și sănătatea, nevoia de o fundație fără încredere și transparentă pentru AI devine critică.

Michael Heinrich, un antreprenor în serie și absolvent al Stanford, este printre cei care conduc eforturile de a construi această fundație. În calitate de CEO al 0G Labs, el dezvoltă ceea ce descrie ca fiind primul și cel mai mare lanț AI, cu misiunea declarată de a asigura că AI devine un bun public sigur și verificabil. După ce a fondat anterior Garten, o companie susținută de YCombinator și a lucrat la Microsoft, Bain și Bridgewater Associates, Heinrich își aplică acum expertiza provocărilor arhitecturale ale AI descentralizate (DeAI).

Heinrich subliniază că baza performanței AI se bazează pe baza sa de cunoștințe: datele. “Eficiența modelelor de AI este determinată în primul rând de datele de bază pe care sunt antrenate”, explică el. Seturile de date de înaltă calitate și echilibrate duc la răspunsuri precise, dar datele proaste sau subreprezentate rezultă în rezultate de slabă calitate și o susceptibilitate crescută la halucinații.

Pentru Heinrich, menținerea integrității acestor seturi de date în continuă actualizare și diversitate necesită o îndepărtare radicală de la status quo. El argumentează că principalul vinovat în spatele halucinațiilor AI este lipsa provenienței transparente. Remediul său este criptografic:

Cred că toate datele ar trebui ancorate pe lanț cu dovezi criptografice și o urmă de dovezi verificabile pentru a menține integritatea datelor.

Această fundație descentralizată, transparentă, combinată cu stimulente economice și ajustări continue, este văzută ca mecanismul necesar pentru a elimina sistematic erorile și bias-ul algoritmic.

Dincolo de remedierile tehnice, Heinrich, un laureat Forbes 40 Under 40, are o viziune macro pentru AI, crezând că ar trebui să deschidă o eră a abundenței.

“Într-o lume ideală, va crea, sperăm, condițiile pentru o societate de post-scarcity unde resursele devin din abundență și unde nimeni nu trebuie să-și mai facă griji pentru a efectua munci banale,” declară el. Această schimbare ar permite indivizilor să “se concentreze pe muncă mai creativă și de agrement,” permițându-le efectiv tuturor să se bucure de mai mult timp liber și securitate economică.

Crucial, el susține că lumea descentralizată este singular potrivită pentru a alimenta acest viitor. Frumusețea acestor sisteme este că sunt aliniate stimulentelor, creând o economie auto-echilibrantă pentru puterea de calcul. Dacă cererea de resurse crește, stimulentele pentru a le furniza cresc în mod natural până când acea cerere este satisfăcută, îndeplinind nevoia de resurse computaționale într-un mod echilibrat și fără permisiuni.

Protejarea AI: Open Source și Proiectarea Stimulativă

Pentru a proteja AI de utilizarea intenționată greșită—cum ar fi escrocheriile de clonare a vocii și deepfakes—Heinrich sugerează o combinație de soluții centrate pe om și arhitecturale. Mai întâi, accentul ar trebui pus pe educarea oamenilor despre cum să identifice escrocheriile AI și falsurile folosite pentru uzurpare și dezinformare. Heinrich afirmă: Trebuie să învățăm oamenii să fie capabili să identifice sau să amprenteze conținutul generat de AI pentru a se proteja singuri.”

Factorii de decizie politică pot juca, de asemenea, un rol prin stabilirea de standarde globale pentru siguranța și etica AI. Deși este puțin probabil ca acest lucru să elimine utilizarea greșită a AI, existența unor astfel de standarde “poate descuraja într-o anumită măsură”. Cea mai puternică contramăsură, însă, este țesută în designul descentralizat: “Proiectarea sistemelor aliniate stimulentelor ar putea reduce dramatic utilizarea intenționată greșită a AI.” Prin implementarea și guvernanța modelelor AI pe lanț, participarea onestă este recompensată, în timp ce comportamentul rău intenționat implică consecințe financiare directe prin mecanisme de “slashing” pe lanț.

Deși unii critici se tem de riscurile algoritmilor deschiși, Heinrich spune pentru Bitcoin.com News că le susține entuziast deoarece oferă vizibilitate asupra modului în care funcționează modelele. “Lucruri precum înregistrările de antrenament verificabile și urmele de date imuabile pot fi folosite pentru a asigura transparența și a permite supravegherea comunității,” care contracarează direct riscurile asociate cu modelele proprietare, închise, “de tip cutie neagră”.

Pentru a livra această viziune a unui viitor AI sigur și cu costuri reduse, 0G Labs construiește primul “sistem de operare AI descentralizat (DeAIOS).”

Acest sistem de operare este conceput pentru a oferi proveniență verificabilă AI—un strat de stocare și disponibilitate a datelor extrem de scalabil care permite stocarea seturilor de date AI masive pe lanț, făcând toate datele verificabile și trasabile. Acest nivel de securitate și trasabilitate este esențial pentru agenții AI care operează în sectoarele reglementate.

În plus, sistemul dispune de o piață de calcul fără permisiuni, care democratizează accesul la resursele de calcul la prețuri competitive. Aceasta este un răspuns direct la costurile ridicate și blocarea furnizorilor asociate cu infrastructura centralizată de cloud.

0G Labs a demonstrat deja o inovație tehnică cu Dilocox, un cadru care permite antrenarea LLM-urilor care depășesc 100 de miliarde de parametri pe clustere descentralizate de 1 Gbps. Prin spargerea modelelor în părți mai mici și antrenate independent, Dilocox a demonstrat o îmbunătățire a eficienței de 357x față de metodele tradiționale de antrenament distribuit, făcând dezvoltarea AI la scară largă viabilă economic în afara centrelor de date centralizate.

Un Viitor Mai Luminos și Mai Accesibil pentru AI

În cele din urmă, Heinrich vede un viitor foarte luminos pentru AI descentralizat, unul definit de participare și reducerea barierei de adopție.

“Este un loc unde oamenii și comunitățile creează împreună modele AI expert, asigurând viitorul AI-ului să fie modelat de mulți, nu doar de câteva entități centralizate,” concluzionează el. Cu companii de AI proprietare care se confruntă cu presiunea de a crește prețurile, economiile și structurile stimulentelor DeAI oferă o alternativă convingătoare, mult mai accesibilă, unde modelele AI puternice pot fi create la costuri mai scăzute, pavată drumul pentru un viitor tehnologic mai deschis, mai sigur și în ultimă instanță mai benefic.

FAQ

• Care este problema de bază cu AI centralizat actual? Modelele AI actuale suferă de probleme de transparență, bias în date și control monopolist datorate arhitecturii lor centralizate “de tip cutie neagră”.
• Ce soluție construiește 0G Labs a lui Michael Heinrich? 0G Labs dezvoltă primul “sistem de operare AI descentralizat (DeAIOS)” pentru a face AI un bun sigur, verificabil și public.
• Cum asigură AI descentralizat integritatea datelor? Integritatea datelor este menținută prin ancorarea tuturor datelor pe lanț cu dovezi criptografice și o urmă de dovezi verificabile pentru a preveni erorile și halucinațiile.
• Care este avantajul principal al tehnologiei Dilocox a 0G Labs? Dilocox este un cadru care face dezvoltarea AI la scară largă semnificativ mai eficientă, demonstrând o îmbunătățire de 357x față de antrenamentul distribuit tradițional.