AI & Crypto：這三大領域值得關注

去中心化的 MLOps、分佈式硬件和基於區塊鏈的溯源方案為 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，Foresight News

人工智能已迅速成為世界上最中心化的力量之一。開發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並吸引頂級人才，而規模較小的企業則難以跟上。

在傳統情況下，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。這種封閉的生態系統壟斷了人才和資源，為初創公司和小公司製造了重大障礙。

區塊鏈挑戰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。通過利用分佈式社區來保護、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塊鏈的交叉點，確定了可以重塑格局的三個關鍵領域。

分佈式 MLOps

在傳統的 MLOps 中，大型科技公司佔據上風。他們有資源壟斷人才並在內部經營一切。另一方面，去中心化的 MLOps 使用區塊鏈和代幣激勵來創建分佈式網絡，允許更廣泛地參與整個人工智能開發生命週期。

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複雜性進行調整，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「循環中的人」進行監督、微調和優化。另一個項目 Codigo 正在使用類似的方法，構建一個由加密開發人員組成的去中心化網絡，開發人員由賺取代幣來訓練和完善加密貨幣特定的語言模型。

分佈式硬件

當今人工智能開發的最大障礙之一是獲得尖端 GPU，例如 Nvidia 的 A100 和 H100。它們對於訓練大型人工智能模型至關重要，但其成本對於大多數初創公司來說卻過高。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的訪問。

這就是為何需要像 io.net 這樣基於區塊鏈的去中心化模型。通過讓人們能夠將閒置的 GPU 貨幣化（無論它們是位於數據中心、加密貨幣挖礦設施，甚至遊戲機中），小型公司都可以以極低的成本獲得所需的計算能力。它是傳統雲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。

分佈式溯源

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，並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。使用區塊鏈的透明、去中心化賬本，我們可以在數據的整個生命週期（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，對於人工智能的未來發展至關重要。

結論

人工智能和區塊鏈技術的融合提供了令人興奮的新方法來挑戰人工智能開發中的中心化威脅。去中心化的 MLOps、分佈式硬件和基於區塊鏈的溯源解決方案都在創建更公平、可擴展的人工智能生態系統方面發揮著作用。這些模型允許動態人才網絡、利用閒置計算資源並確保數據可靠性，為人工智能更加去中心化和包容性的未來鋪平道路。