作者：Darshan Gandhi 来源：modularmedia 翻译：善欧巴，金色财经

今天我们将探讨去中心化人工智能（DeAI）的全部内容以及其重要性。我们还将深入了解这一生态系统在未来的发展前景，以及今天在这一领域的一些关键应用。

人工智能简介

可以肯定地说，人工智能（AI）将改变世界。想象一下，一个孩子通过看图片、学习名称和记住特征来识别动物。随着时间的推移，孩子在识别动物方面变得越来越好。

AI 的运作方式类似，使用数据进行学习并随着时间的推移提高其性能。

有许多突破性应用是利用 AI 构建的，其中一些包括：

• ChatGPT：能够进行类似人类对话。

• Perplexity AI：提高搜索准确性。

• Jasper AI：作为内容写作的副驾驶。

• DALL-E：从文本描述生成图像。

• Pika Art：从文本生成高清视频。

这些工具正在成为我们日常生活的一部分，使任务变得更容易和更高效。AI 不再只是一个未来的概念；它正在积极解决我们今天面临的重要问题。

AI 的发展正在改变众多行业，例如：

• 帮助医生更快地诊断疾病

• 使自动驾驶汽车能够安全导航

• 为用户在线购物体验个性化

原则上，AI 方法可以分为三大类：

• 中心化 AI：由单一实体或企业控制。

• 去中心化 AI：注重分布式控制、透明度和激励机制。

• 开源 AI：强调促进协作和透明度。

在今天的研究中，我们将重点探讨“去中心化 AI”。

AI 的开发生命周期

在深入细节之前，让我们了解一下构成 AI 开发生命周期的不同组件。这将使我们更容易理解去中心化如何对这些步骤作出贡献。

AI 的创新需要多年来的进步、持续反馈、培训和参与。

开发一个 AI 模型涉及几个关键阶段，以确保端到端操作流程的稳健性。以下是生命周期关键阶段的详细介绍：

问题陈述识别和设计

一切始于识别业务问题并定义要解决的目标。

数据收集是最关键的步骤之一，确保模型使用相关且准确的数据。

数据收集与探索

这一阶段包括从各种来源聚合数据并评估其质量。

初步数据分析有助于理解模式和趋势，从而制定数据预处理和特征工程（数据改进）的计划。

数据整理与准备

数据预处理包括清理和转换原始数据为丰富、可用的数据集。

使用特征工程从现有数据创建新特征以增强模型性能。

模型开发

这一阶段涉及根据问题陈述和收集的数据选择最适合的机器学习实践。

接下来的步骤是训练和测试模型，以确保其能够做出准确的预测。

最后是优化，即提高模型的效率。

模型部署

将模型部署到现实环境中，使其开始进行预测、推荐或其他训练任务。你可以使用计算提供商将其投入生产。

持续监控确保模型保持准确和有效。

偏差检测确保决策的公平性。

模型维护与再培训

维护模型涉及定期更新和使用新数据进行再培训。

重点是尽可能多地收集反馈，并将其反馈给模型以进行调整和改进。

今天，大多数这些模型来自研究机构、私营公司或少数开源组织。Google、OpenAI、IBM、AWS 和 Microsoft 是一些主要参与者。

去中心化 AI 的需求

中心化 AI 存在其问题。试想一下，单点故障意味着一次漏洞可能会危及所有内容。

相比之下，去中心化 AI (DeAI) 通过将数据分布在多个节点上，使系统更安全。如果一个节点受到攻击，其余节点仍能正常运作。这种设置还使用户对其数据拥有更多控制权，尤其是在利用完全同态加密 (FHE) 和零知识机器学习 (ZKML) 等技术时，降低了隐私风险。

审查是中心化系统的另一个重大问题。一个实体可以控制和操纵信息。相比之下，去中心化 AI 分布控制，难以让任何单一实体主导叙述。这确保了信息保持可访问并免受不当影响。

透明度是我认为的关键因素。开源模型、激励机制和协作工作流管理意味着任何人都可以随时检查和验证决策。这种开放程度解决了中心化系统中隐藏偏见和不透明过程的问题。此外，它允许更多人参与并贡献。例如，拥有闲置计算空间的人现在可以通过去中心化计算提供商如 Akash 和 Render 出租。

去中心化模型还限制了中央实体的权力，防止 AI 被滥用于不公平的目的。通过促进协作和知识共享，它利用集体智慧和更大的治理，导致系统更稳健、更开放和更准确。

加密技术在其中充当了促进者，将最好的两方面结合在一起。它提供了对顶级服务、计算、模型和数据的访问，同时为每个利益相关者提供激励循环、安全性和隐私。这种协同作用确保 DeAI 不仅有效，而且公平和安全。

DeAI 的实际应用

以下是 DeAI 领域的一些关键应用：

行业应用

• 医疗保健

DeAI 通过实现医疗机构之间的安全、私密的数据共享来增强医疗保健。

AI 算法可以分析匿名数据以识别模式、预测疾病爆发并个性化治疗计划。例如，患者可以私下分享他们的数据给医院，并确保只有他们自己拥有数据，没有其他人。

• 金融

去中心化金融 (DeFi) 是 web3 的最大子生态系统之一。AI 可以帮助增强风险管理和交易。

这些协议使用 AI 评估风险、预测资产价格并优化交易策略。例如，许多项目正在开发有效资产管理、AI 驱动的自动化做市商 (AMM) 工具等。

• 安全和欺诈检测

AI 算法可以通过分析交易数据中的模式和异常来帮助系统检测和防止欺诈。

这增加了 web3 协议的安全性。例如，在 NFT 生态系统中，AI 可以帮助识别假冒资产，确保完整性。

• 内容/情感生成

AI 可以用于创建故事情节、传说、游戏机制等。

例如，web3 游戏可以使用 AI 从文本描述生成游戏内容，智能合约管理角色画像和物品等资产的所有权。

此外，了解用户对某个类别、问题或市场的看法非常有价值。Kaito 和 Nansen 等工具旨在提供这种情报。

• AI 代理和自动化

有项目正在为各种领域的任务构建自主 AI 代理，从客户服务到供应链管理。

这些代理可以由任何人创建或在协作努力下创建，所有利益相关者都可以无缝地自动获得奖励。

• 用户体验

web3 的用户体验并不是最好的，但模型可以通过个性化推荐和行为预测来提升这一体验。

去中心化的社交网络是一个很好的例子，允许用户选择内容推荐的算法或根据自己的喜好策划他们的 feed。

生态系统管理

• 激励结构

利益相关者可以通过提供数据、计算能力或开发算法获得奖励（赚取代币）。

动机在于，存在强大的需求驱动因素，促使人们聚集在一起，合作解决难题，同时也能公平地获得时间和努力的回报。

• 成本效率

DeAI 平台可以通过利用分布式网络中的未使用资源大幅降低成本。它们消除了对昂贵数据中心的需求，并确保资源被最大化使用。

例如，Akash Network、Aethir 和 Render 等项目允许用户租用他们未使用的计算能力用于 AI 任务，提高了效率。

• 治理

DeAI 还可以用于改进治理流程，特别是对于协议和去中心化自治组织（DAO）。

AI 可以自动化声誉管理和奖励，确保在 DAO 中公平地认可贡献。

推动加密与 AI 结合领域发展的催化剂

加密与 AI 结合的交叉领域有几个强劲的催化剂推动其发展。让我们来看看其中的一些。

首先，生态系统的资金一直在增加。过去一年中，共有 10.2 亿美元被投入到 136 轮融资中，平均每轮 750 万美元。Hack VC、Variant、Paradigm 和 Polychain 等著名投资者正在进行重大投资。这一资本的涌入正在为该领域的研究和创新提供动力。

其次，这项技术旨在提供比中心化系统更具成本效益的替代方案。它可以将潜在的运营成本降低近 50%，高效处理大数据量，并同时提供安全性和隐私性。例如，Akash 声称与 AWS、GCP 和 Azure 相比，其计算提供的成本降低了 85%。

从市值来看，该领域的领先项目，如Bittensor、Akash、Render、Worldcoin，在过去的一年里在二级市场上表现异常出色。这些项目一直是 web3 中表现最好的资产之一。根据 Coinbase 的报告，Crypto x AI 品类在品类层面也表现明显出色。

2024 年 4 月，NVIDIA 公布的业绩非常出色。以下是一些新闻中的数据：

• 他们报告称 2024 年第一季度的收入为 260 亿美元，比 2023 年第四季度增长 18%，比去年同期增长 262%。

• 2024 年第一季度每股摊薄 GAAP 收益为 5.98 美元，比上一季度增长 21%，比去年同期增长 629%。

这些数字相当亮眼。

中心化服务的宕机事件

最近，所有中心化服务（包括 Google.com、ChatGPT、Perplexity）都同时宕机，而所有 Web3 服务则完好无损地运行着。Akash Network 的创始人在此事件期间发出了这样一条推文。

由于这些以及许多其他类似的举措、事件和创新，这个领域正在快速发展。

领先的远见者

生态系统正在积聚势头，这要归功于一些关键行业人物的支持和参与。

• Erik Voorhees

  ShapeShift 的创始人和推特上的大人物，推出了 Venice AI，旨在创建一个无需许可的替代品，替代类似 ChatGPT 的流行 Web2 大语言模型（LLM）。

  Venice 侧重于用户隐私和反审查，利用开源技术提供未经过滤和无偏见的信息。

• Emad Mostaque

  Stability AI 的创始人和前 CEO，已辞职，全身心投入 DeAI，他正在构建 Schelling AI。

  他认为，随着 AI 变得越来越关键，透明和分布式治理将变得非常重要。

• Niraj Pant

  前 Polychain Capital 的 GP，现正在构建 Ritual.net。

  这个平台旨在为 AI 构建一个主权执行层，允许开放和无需许可的创建、分发和改进 AI 模型。

  Ritual.net 的第一阶段 Infernet 允许开发者通过智能合约和链下访问模型。

存在的问题

虽然去中心化 AI 提供了许多好处，但它也面临着需要注意的重大挑战。以下是当前面临的主要问题：

初始设置成本和挑战

建立一个 DeAI 网络面临相当大的困难。构建必要的基础设施和吸引参与者需要大量的时间和资源。这个冷启动问题突显了吸引早期采用者的强大激励措施的必要性。然而，在未达到临界质量之前，网络难以获得牵引力。

增加的协调需求

管理一个去中心化网络非常复杂。同步多个节点和利益相关者，确保数据一致性，维护安全性，并以成本效益高的方式运营需要大量努力。虽然这种协调体现了加密 x AI 的精髓，但有时可能变得低效和繁琐。

可扩展性挑战

网络在可扩展性方面面临挑战。在不降低性能的情况下处理不断增加的数据和交易是当今的一个重大挑战。由于节点运行时间的差异，去中心化网络可能会遇到延迟和带宽问题，影响整体效率。诸如分片之类的解决方案仍在发展中，可能无法完全缓解这些问题。

资源获取

公司在获取最先进的资源方面往往会遇到障碍。主要的中心化提供商可以大量投资于最新的硬件和软件，赋予他们竞争优势。相反，DeAI 项目由于资金有限，可能落后，影响其性能和能力。例如，NVIDIA 倾向于优先为像 GCP、Azure 和 AWS 这样的大型用户分配资源，而不是他们的 Web3 对手，因为需求更高。然而，对于 Web3 提供商来说，当前供应超过需求，或者他们可能仍处于初期建设阶段。

法规和法律挑战

加密在很大程度上处于法规的灰色地带。缺乏明确的监管框架可能会导致法律风险和不确定性。在去中心化环境中遵守 GDPR 等法规变得更加困难，导致全球范围内持续的斗争。

加密 x AI 的未来

加密和 AI 的融合有望催生创新项目和应用，解决现实世界的挑战。

在我们即将发布的博客中，我们将深入探讨加密的几个关键子类别。我们将探索零知识机器学习（zkML），如 Modulus Labs 和 Giza 等项目，开发以模型推理为中心的产品。此外，我们还将研究去中心化云计算提供商如 Render、Akash Network 和 Aethir，强调它们在提供可扩展且具有成本效益的传统云服务替代方案中的作用。

还有许多其他类别，包括 AI 代理、消费者应用和 Web3 游戏，正在蓬勃发展，如 Prime、Nim Network 和 AI Arena 等项目在这一领域运作。虽然列表可以继续扩展，但我们将把进一步的探索留待下一篇博客文章中。

在这个领域中，有着悠久历史和成功记录的几个项目包括：

• Bittensor：这个项目正在开发一个去中心化网络，通过区块链激励参与者共享 AI 模型和数据集，使用“子网”奖励贡献。

• Fetch：致力于自主 AI 代理市场，Fetch 提供与 ChatGPT 和 Slack 等顶级服务的集成，通过简单的 API 集成实现对齐。

• Akash Network：专注于构建一个提供云计算资源的去中心化市场，Akash Network 使用其 AKT 代币进行治理、安全和网络内的交易。

结束语

我坚信去中心化 AI（DeAI）有望成为游戏规则的改变者，我们才刚刚开始见证其在生态系统中的增长。

DeAI 体现了透明性、协作和全球影响的原则。正如我们所讨论的，它正在重塑各个关键领域。

Render、Akash 和 Worldcoin 等项目凭借其显著的吸引力和资金，不仅展示了这一领域的巨大潜力，还预示了未来几年可能会经历的显著增长。

展望未来，我们将深入探讨加密 x AI 的子类别，继续探索这一动态领域。

未来光明，我们才刚刚开始。