去中心化的 MLOps、分布式硬件和基于區(qū)塊鏈的溯源方案為 AI 更加去中心化和包容性的未來鋪平道路。
撰文：io.net
編譯：Alex Liu，bitget交易所
人工智能已迅速成為世界上最中心化的力量之一。開發(fā)和部署人工智能需要大量資源 —— 包括大量資本、先進的計算能力和高度專業(yè)化的人才。當然，只有資金最充足的組織才有能力投資尖端基礎設施并吸引頂級人才，而規(guī)模較小的企業(yè)則難以跟上。
在傳統(tǒng)情況下，MLOps（Machine Learning Operations，機器學習訓練）由大型組織控制，這些組織在內部管理從數據收集到模型訓練和部署的一切。這種封閉的生態(tài)系統(tǒng)壟斷了人才和資源，為初創(chuàng)公司和小公司制造了重大障礙。
區(qū)塊鏈挑戰(zhàn)這種中心化的最令人興奮的方式之一是支持去中心化、無需許可的人工智能模型。通過利用分布式社區(qū)來保護、驗證、微調和驗證 LLM （大型語言模型）部署過程的每個階段，我們可以防止少數參與者主宰人工智能領域。
io.net 正在密切關注人工智能和區(qū)塊鏈的交叉點，確定了可以重塑格局的三個關鍵領域。
分布式 MLOps
在傳統(tǒng)的 MLOps 中，大型科技公司占據上風。他們有資源壟斷人才并在內部經營一切。另一方面，去中心化的 MLOps 使用區(qū)塊鏈和代幣激勵來創(chuàng)建分布式網絡，允許更廣泛地參與整個人工智能開發(fā)生命周期。
從數據標記到模型微調，去中心化網絡可以更有效、更公平地擴展。人才庫可以根據需求和復雜性進行調整，這使得這種方法在人才通常集中在資金雄厚的公司的專業(yè)領域特別有效。
以 CrunchDao 為例，他們建立了一個類似 Kaggle 的去中心化模型，人工智能人才可以在其中競爭為貿易公司解決問題。隨著特定數據集變得越來越普遍，公司將越來越多地依靠這些人才網絡來提供「循環(huán)中的人」進行監(jiān)督、微調和優(yōu)化。另一個項目 Codigo 正在使用類似的方法，構建一個由加密開發(fā)人員組成的去中心化網絡，開發(fā)人員由賺取代幣來訓練和完善加密貨幣特定的語言模型。
分布式硬件
當今人工智能開發(fā)的最大障礙之一是獲得尖端 GPU，例如 Nvidia 的 A100 和 H100。它們對于訓練大型人工智能模型至關重要，但其成本對于大多數初創(chuàng)公司來說卻過高。與此同時，AWS 等公司正在與 Nvidia 達成直接交易，進一步限制小型企業(yè)的訪問。
這就是為何需要像 io.net 這樣基于區(qū)塊鏈的去中心化模型。通過讓人們能夠將閑置的 GPU 貨幣化（無論它們是位于數據中心、加密貨幣挖礦設施，甚至游戲機中），小型公司都可以以極低的成本獲得所需的計算能力。它是傳統(tǒng)云提供商的一種無需許可、經濟高效的替代方案，沒有審查或高昂費用的風險。
分布式溯源
正如 Balaji Srinivasan 所說，「人工智能是豐富的數字產品，加密貨幣是稀缺的數字資產；人工智能生成，加密貨幣驗證。」隨著人工智能模型越來越依賴新穎的、私有的甚至受版權保護的數據，并且隨著深度造假的威脅越來越大，確保數據來源和適當的許可變得更加重要。
當涉及未經適當同意而對受保護數據進行訓練的人工智能模型時，版權侵權是一個嚴重的問題。這就是去中心化溯源解決方案大放異彩的地方。使用區(qū)塊鏈的透明、去中心化賬本，我們可以在數據的整個生命周期（從收集到部署）中跟蹤和驗證數據，而無需依賴中心化機構。這增加了一層信任、責任和對數據權利的尊重，對于人工智能的未來發(fā)展至關重要。
結論
人工智能和區(qū)塊鏈技術的融合提供了令人興奮的新方法來挑戰(zhàn)人工智能開發(fā)中的中心化威脅。去中心化的 MLOps、分布式硬件和基于區(qū)塊鏈的溯源解決方案都在創(chuàng)建更公平、可擴展的人工智能生態(tài)系統(tǒng)方面發(fā)揮著作用。這些模型允許動態(tài)人才網絡、利用閑置計算資源并確保數據可靠性，為人工智能更加去中心化和包容性的未來鋪平道路。
鄭重聲明：本文版權歸原作者所有，轉載文章僅為傳播更多信息之目的，如作者信息標記有誤，請第一時間聯(lián)系我們修改或刪除，多謝。
