Decentraliserad AI Kan Låsa Upp ett Efterbristsamhälle, Säger 0G Labs VD

Datas Dilemma: Kvalitet, Proveniens och Förtroende

Diskussionen kring artificiell intelligens (AI) har fundamentalt förändrats. Frågan handlar inte längre om dess relevans, utan hur man gör den mer pålitlig, transparent och effektiv när dess införande blir vanligt inom alla sektorer.

Det nuvarande AI-paradigmet, dominerat av centraliserade “black box”-modeller och massiva, proprietära datacenter, står inför ökande tryck från oro över bias och monopolistisk kontroll. För många inom Web3-området ligger lösningen inte i striktare reglering av det nuvarande systemet, utan i en fullständig decentralisering av den underliggande infrastrukturen.

Effektiviteten hos dessa kraftfulla AI-modeller bestäms främst av kvaliteten och integriteten hos de data de är tränade på—en faktor som måste vara verifierbar och spårbar för att förhindra systematiska fel och AI-hallucinationer. När insatserna växer för industrier som finans och hälso- och sjukvård blir behovet av en förtroendelös och transparent grund för AI kritiskt.

Michael Heinrich, en serieentreprenör och Stanford-examen, är bland dem som leder att bygga den grunden. Som VD för 0G Labs utvecklar han för närvarande vad han beskriver som den första och största AI-kedjan, med den uttalade uppgiften att säkerställa att AI blir en säker och verifierbar offentlig tillgång. Efter att tidigare ha grundat Garten, ett ledande YCombinator-stött företag, och arbetat vid Microsoft, Bain och Bridgewater Associates, använder Heinrich nu sin expertis för att lösa de arkitektoniska utmaningarna inom decentraliserad AI (DeAI).

Heinrich betonar att kärnan i AI-prestation vilar på dess kunskapsbas: datan. “AI-modellernas effektivitet bestäms först och främst av de underliggande data de tränas på,” förklarar han. Högkvalitativa, balanserade dataset leder till korrekta svar, men dåliga eller underrepresenterade data resulterar i dålig kvalitet på resultaten och en ökad känslighet för hallucinationer.

För Heinrich kräver att upprätthålla integriteten hos dessa ständigt uppdaterande och olika datasets en radikal avvikelse från status quo. Han hävdar att den primära orsaken bakom AI-hallucinationer är bristen på transparent proveniens. Hans botemedel är kryptografiskt:

Jag tror att all data borde vara förankrad on-chain med kryptografiska bevis och en verifierbar beviskedja för att upprätthålla dataintegritet.

Denna decentraliserade, transparenta grund, kombinerad med ekonomiska incitament och kontinuerlig finjustering, ses som den nödvändiga mekanism för att systematiskt eliminera fel och algoritmisk bias.

Bortom tekniska åtgärder har Heinrich, en Forbes 40 Under 40-utnämnd, en makrovision för AI och tror att det borde inleda en era av överflöd.

“I en idealisk värld kommer det förhoppningsvis att skapa förutsättningar för ett samhälle bortom knapphet där resurser blir rikliga och där ingen behöver oroa sig för att göra monotona jobb längre,” säger han. Denna förändring skulle möjliggöra för individer att “fokusera på mer kreativa och fritidsorienterade arbeten,” vilket väsentligen möjliggör för alla att njuta av mer fritid och ekonomisk säkerhet.

Avgörande är att han hävdar att den decentraliserade världen är unikt lämpad för att driva denna framtid. Skönheten i dessa system är att de är incitamentsanpassade, vilket skapar en självbalanserande ekonomi för beräkningskraft. Om efterfrågan på resurser ökar, stiger incitamenten att tillhandahålla dem naturligt tills den efterfrågan är mött, vilket uppfyller behovet av beräkningsresurser på ett balanserat, tillståndslöst sätt.

Säkra AI: Öppen Källkod och Incitamentsdesign

För att skydda AI från avsiktligt missbruk—såsom röstdubblingsbedrägerier och deepfakes—föreslår Heinrich en kombination av människocentrerade och arkitektoniska lösningar. Först bör fokus ligga på att utbilda människor om hur man identifierar AI-bedrägerier och fejkade innehåll för att förhindra imitation och desinformation. Heinrich säger: “Vi behöver lära människor att kunna identifiera eller fingeravtrycka AI-genererat innehåll så att de kan skydda sig själva.”

Lagstiftare kan också spela en roll genom att fastställa globala standarder för AI-säkerhet och etik. Även om detta förmodligen inte kommer att eliminera AI-missbruk kan förekomsten av sådana standarder “bidra till att motverka det.” Den mest kraftfulla motåtgärden är dock inbäddad i den decentraliserade designen: “Att designa incitamentsanpassade system kan dramatiskt minska avsiktligt AI-missbruk.” Genom att distribuera och styra AI-modeller on-chain belönas ärligt deltagande, medan illvilligt beteende medför direkta ekonomiska konsekvenser genom on-chain avskräckningsmekanismer.

Medan vissa kritiker fruktar riskerna med öppna algoritmer berättar Heinrich för Bitcoin.com News att han stöder det entusiastiskt eftersom det ger insyn i hur modeller fungerar. “Saker som verifierbara träningsuppgifter och oföränderliga datakällor kan användas för att säkerställa transparens och möjliggöra för samfundsöversyn,” vilket direkt motverkar riskerna förknippade med proprietära, slutna “black-box”-modeller.

För att leverera denna vision av en säker och lågkostnads AI-framtid bygger 0G Labs det första “decentraliserade AI-operativsystemet (DeAIOS).”

Detta operativsystem är designat för att ge verifierbart AI-proveniens—ett mycket skalbart datalagrings- och tillgänglighetslager som möjliggör lagring av massiva AI-dataset on-chain, vilket gör all data verifierbar och spårbar. Denna nivå av säkerhet och spårbarhet är avgörande för AI-agenter som verkar inom reglerade sektorer.

Dessutom har systemet en tillståndslös beräkningstjänstmarknad, vilket demokratiserar tillgång till beräkningsresurser till konkurrenskraftiga priser. Detta är ett direkt svar på de höga kostnaderna och leverantörslåsningar förknippade med centraliserad molninfrastruktur.

0G Labs har redan visat en teknisk genombrott med Dilocox, ett ramverk som gör det möjligt att träna LLMs över 100 miljarder parametrar över decentraliserade, 1 Gbps-kluster. Genom att dela upp modellerna i mindre och självständigt tränade delar har Dilocox visat en förbättring av effektiviteten med 357 gånger jämfört med traditionella distribuerade träningsmetoder, vilket gör storskalig AI-utveckling ekonomiskt genomförbar utanför väggarna av centraliserade datacenter.

En Ljusstarkare, Mer Prisvärd Framtid för AI

I slutändan ser Heinrich en mycket ljus framtid för decentraliserad AI, en definierad av deltagande och att riva ned barriärer för antagande.

“Det är en plats där människor och gemenskaper skapar expert-AI-modeller tillsammans, vilket säkerställer att AI:s framtid formas av många snarare än bara ett fåtal centraliserade enheter,” avslutar han. Med proprietära AI-företag som står inför pressen att höja priserna erbjuder de ekonomier och incitamentsstrukturer som DeAI erbjuder ett övertygande, mycket mer prisvärt alternativ där kraftfulla AI-modeller kan skapas till lägre kostnader, vilket banar vägen för en mer öppen, säkrare och ytterst mer fördelaktig teknologisk framtid.

FAQ

• Vad är kärnproblemet med nuvarande centraliserad AI? Nuvarande AI-modeller lider av transparensproblem, databias och monopolistisk kontroll på grund av deras centraliserade “black box”-arkitektur.
• Vilken lösning bygger Michael Heinrichs 0G Labs? 0G Labs utvecklar det första “decentraliserade AI-operativsystemet (DeAIOS)” för att göra AI till en säker, verifierbar och offentlig tillgång.
• Hur säkerställer decentraliserad AI dataintegritet? Dataintegritet upprätthålls genom att all data förankras on-chain med kryptografiska bevis och en verifierbar beviskedja för att förhindra fel och hallucinationer.
• Vad är den största fördelen med 0G Labs’ Dilocox-teknologi? Dilocox är ett ramverk som gör storskalig AI-utveckling betydligt mer effektivt, och demonstrerar en förbättring av effektiviteten med 357 gånger jämfört med traditionell distributionsträning.