Децентрализованный ИИ может открыть постдефицитное общество, говорит генеральный директор 0G Labs

Дилемма данных: качество, происхождение и доверие

Обсуждение искусственного интеллекта (ИИ) кардинально изменилось. Вопрос больше не в его значимости, а в том, как сделать его более надежным, прозрачным и эффективным, поскольку его внедрение становится обыденным во всех секторах.

Текущая парадигма ИИ, доминируемая централизованными «черными ящиками» и огромными, частными дата-центрами, сталкивается с возрастающим давлением из-за предвзятости и монополистического контроля. Для многих в пространстве Web3 решение заключается не в ужесточении регулирования текущей системы, а в полной децентрализации базовой инфраструктуры.

Эффективность этих мощных моделей ИИ, например, определяется в первую очередь качеством и целостностью данных, на которых они обучаются — фактор, который должен быть проверяемым и отслеживаемым, чтобы предотвратить системные ошибки и галлюцинации ИИ. По мере того, как ставки растут для таких отраслей, как финансы и здравоохранение, необходимость в доверительной и прозрачной основе для ИИ становится критичной.

Майкл Хайнрих, серийный предприниматель и выпускник Стэнфорда, один из тех, кто ведет эту борьбу за создание такой основы. Как генеральный директор 0G Labs, он в настоящее время разрабатывает то, что он называет первой и крупнейшей цепочкой ИИ, с заявленной миссией обеспечения безопасности и верифицируемости ИИ как общегосударственного блага. Ранее он основал Garten, компанию, поддержанную YCombinator, и работал в Microsoft, Bain и Bridgewater Associates, теперь он применяет свой опыт к архитектурным вызовам децентрализованного ИИ (DeAI).

Хайнрих подчеркивает, что основа производительности ИИ лежит в его базе знаний: данных. “Эффективность моделей ИИ определяется в первую очередь исходными данными, на которых они обучаются,” объясняет он. Высококачественные, сбалансированные наборы данных приводят к точным ответам, но плохие или недостаточно представленные данные дают низкокачественный результат и повышенную склонность к галлюцинациям.

Для Хайнриха поддержание целостности этих постоянно обновляющихся и разнообразных наборов данных требует радикального отхода от статус-кво. Он утверждает, что основная причина галлюцинаций ИИ — отсутствие прозрачного происхождения. Его лекарство заключается в криптографии:

Я считаю, что все данные должны закрепляться на блокчейне с помощью криптографических доказательств и верифицируемого следа доказательств для поддержания целостности данных.

Эта децентрализованная, прозрачная основа, в сочетании с экономическими стимулами и непрерывной подстройкой, видится необходимым механизмом систематического устранения ошибок и алгоритмической предвзятости.

Помимо технических решений, Хайнрих, удостоенный звания Forbes 40 Under 40, придерживается макровидения ИИ, веря, что он должен привнести эпоху изобилия.

“В идеальном мире, это, возможно, создаст условия для общества пост-нехватки, где ресурсы станут обильными и никто больше не должен будет переживать о выполнении скучных функций,” заявляет он. Этот сдвиг позволил бы людям “сосредотачиваться на более творческой и спокойной работе”, по сути, предоставив всем больше свободного времени и экономической безопасности.

Критически важно, что он утверждает, что децентрализованный мир уникально подходит для обеспечения этого будущего. Прелесть этих систем в том, что они основаны на согласовании стимулов, создавая самоудерживающуюся экономику для вычислительных мощностей. Если спрос на ресурсы возрастает, стимулы для их предоставления естественным образом растут, пока этот спрос не будет удовлетворен, обеспечивая потребность в вычислительных ресурсах сбалансированным, независимым от разрешений образом.

Обеспечение безопасности ИИ: Открытый исходный код и проектирование стимулов

Для защиты ИИ от намеренных злоупотреблений — таких как мошенничество с подражанием голосу и создания дипфейков — Хайнрих предлагает сочетание человекоцентрических и архитектурных решений. Во-первых, внимание следует уделить обучению людей тому, как распознавать мошенничества и подделки ИИ, используемые для имитации и дезинформации. Хайнрих утверждает: “Нам необходимо научить людей распознавать или выявлять контент, созданный ИИ, чтобы они могли защитить себя”.

Законодатели также могут сыграть свою роль, установив глобальные стандарты для безопасности и этики ИИ. Хотя это маловероятно устранит злоупотребления ИИ, наличие таких стандартов “может в какой-то степени препятствовать этому.” Наиболее эффективная контрмера, однако, включена в децентрализованный дизайн: “Проектирование систем с согласованием стимулов может существенно снизить намеренные злоупотребления ИИ.”

Некоторые критики опасаются рисков открытых алгоритмов, однако Хайнрих рассказывает Bitcoin.com News, что он поддерживает это с энтузиазмом, потому что это обеспечивает видимость того, как работают модели. “Такие вещи, как верифицируемые записи обучения и неизменяемые следы данных, могут использоваться для обеспечения прозрачности и позволения общественного надзора,” что напрямую противодействует рискам, связанным с закрытыми, собственническими “черными ящиками.”

Чтобы реализовать это видение безопасного и недорогого ИИ будущего, 0G Labs разрабатывает первую “децентрализованную операционную систему для ИИ (DeAIOS).”

Эта операционная система предназначена для обеспечения верифицируемого происхождения ИИ — высокомасштабируемого слоя хранения данных и обеспечения их доступности, который позволяет хранить огромные наборы данных ИИ на блокчейне, делая все данные верифицируемыми и отслеживаемыми. Этот уровень безопасности и отслеживаемости является ключевым для агентов ИИ, действующих в регулируемых секторах.

В дополнение, в системе предусмотрена независимая от разрешений расчетная площадка, демократизирующая доступ к вычислительным ресурсам по конкурентным ценам. Это прямой ответ на высокие затраты и принужденное привязывание к поставщику облачной инфраструктуры.

0G Labs уже продемонстрировала техническое достижение с Dilocox, фреймворком, который позволяет обучать LLM, превышающие 100 миллиардов параметров в децентрализованных кластерах 1 Гбит/с. Разделяя модели на меньшие и независимо обученные части, Dilocox продемонстрировал 357-кратное улучшение эффективности по сравнению с традиционными методами распределенного обучения, делая разработку ИИ в большом масштабе экономически жизнеспособной за пределами стен централизованных дата-центров.

Более светлое, более доступное будущее для ИИ

В конечном счете, Хайнрих видит очень светлое будущее для децентрализованного ИИ, определяемое участием и устранением барьеров для внедрения.

“Это место, где люди и сообщества создают экспертные модели ИИ вместе, гарантируя, что будущее ИИ формируется многими, а не только горсткой централизованных организаций,” он заканчивает. С учетом того, что собственнические компании ИИ сталкиваются с давлением на увеличение цен, экономические и стимульные структуры DeAI предлагают убедительную, гораздо более доступную альтернативу, где мощные модели ИИ могут быть созданы по более низким издержкам, прокладывая путь к более открытому, безопасному и, в конечном итоге, более полезному технологическому будущему.

ЧАВО (FAQ)

• В чем основная проблема нынешнего централизованного ИИ? Текущие модели ИИ страдают от проблем прозрачности, предвзятости данных и монополистического контроля из-за их централизованной «черной ящика» архитектуры.
• Какое решение разрабатывает 0G Labs под руководством Майкла Хайнриха? 0G Labs разрабатывает первую “децентрализованную операционную систему для ИИ (DeAIOS)”, чтобы сделать ИИ безопасным, верифицируемым и общегосударственным благом.
• Как децентрализованный ИИ обеспечивает целостность данных? Целостность данных поддерживается путем закрепления всех данных на блокчейне с использованием криптографических доказательств и верифицируемого следа доказательств для предотвращения ошибок и галлюцинаций.
• Какое основное преимущество технологии Dilocox от 0G Labs? Dilocox — это фреймворк, который делает разработку ИИ в большом масштабе значительно более эффективной, демонстрируя 357-кратное улучшение по сравнению с традиционными методами распределенного обучения.