Les risques, les défis et les orientations futures de l'IA décentralisée

Introduction

Bien que l’IA décentralisée présente de nombreux avantages, elle est également confrontée à de nombreux risques et défis. En tant que troisième article de cette série, cet article analysera ces défis et envisagera les orientations futures du développement de l’IA décentralisée.

Nous accueillons également les entrepreneurs et les porteurs de projets dans cette direction de contact avec nous.

Opportunités de développement de l’agent AI

L’agent AI est l’évolution naturelle des grands modèles, capable de percevoir l’environnement, de prendre des décisions autonomes et d’exécuter des tâches complexes en introduisant des mécanismes de mémoire, de décomposition des tâches et de planification.

Bien que les grands modèles existants puissent générer du texte et résoudre des problèmes, ils ne disposent pas encore d’une capacité complète de planification et d’exécution des tâches. L’agent d’IA comblera cette lacune et améliorera les performances de l’IA dans les tâches complexes.

Si l’IA est l’énergie nucléaire, elle ne devrait pas être entre les mains de quelques-uns. L’agent d’IA décentralisé garantira l’équité et la transparence de la technologie de l’IA grâce à la blockchain et à la cryptographie.

Dans la société future des agents, l’IA décentralisée deviendra inévitable pour résoudre les problèmes auxquels les systèmes d’IA centralisés actuels sont confrontés.

Opportunités de développement de l’annotation des données :

La préparation des données comprend la collecte, le nettoyage, l’étiquetage et l’amélioration des données, et la demande diversifiée de données par l’IA a accru la dépendance à l’égard de l’étiquetage de données haute précision et fortement personnalisé. Le cycle de travail long et les coûts de main-d’œuvre élevés de l’étiquetage des données limitent le développement de l’IA.

Le Web3 peut atteindre un grand nombre de travailleurs de la collecte et de l’annotation de données d’IA dans diverses régions du monde grâce à des incitations économiques, leur permettant de bénéficier de contributions de données.

Exemple : Ocean Protocol, marché des données

Mécanisme de fonctionnement

• Fournisseurs : Les fournisseurs de données peuvent émettre et vendre leurs propres jetons de données pour générer des revenus.

• Consommateurs: Achetez ou gagnez des jetons de données nécessaires pour obtenir l’accès.

• Marchés : désigne un marché de données ouvert, transparent et équitable fourni par Ocean Protocol ou par des tiers, qui relie les fournisseurs et les consommateurs à l’échelle mondiale et propose divers types et domaines de jetons de données.

• Réseau (Network): se réfère à une couche de réseau décentralisée fournie par Ocean Protocol.

• Curateur : désigne le rôle au sein d’un écosystème chargé de sélectionner, gérer et vérifier les ensembles de données. Ils sont responsables de la vérification des informations telles que la source, le contenu, le format et les licences des ensembles de données pour garantir qu’ils sont conformes aux normes et qu’ils peuvent être utilisés en toute confiance par d’autres utilisateurs.

• Vérificateur : désigne un rôle au sein d’un écosystème chargé de vérifier et de valider les transactions de données et les services de données.

Résumé: AI Agent et Décentralisation de l’annotation des données sont deux domaines très populaires dans le domaine de DeAI, et de nombreuses équipes de démarrage travaillent sur leur développement.

Les risques et les défis de l’IA décentralisée

• Limitations of Web3 Empowering AI: Due to the limited number of encrypted users in Web3, the scope of economic incentive mechanisms is relatively small. This restricts the rapid development of decentralized AI, requiring more user participation and acceptance.
• Les défis de la technologie de preuve à divulgation nulle : précision quantitative, exigences matérielles et attaques adverses, etc. La technologie de preuve à divulgation nulle (ZKP) est d’une grande importance pour la vérifiabilité des modèles, mais elle est actuellement confrontée à des problèmes techniques et des défis de mise en œuvre. Attractivité de l’avantage en termes de coûts : Si l’offre de ressources informatiques sur le marché est atténuée, la valeur et l’avantage en termes de coûts des réseaux de puissance de calcul décentralisés seront affaiblis. Cela nécessite une IA décentralisée pour améliorer continuellement l’efficacité et réduire les coûts afin de rester compétitif.
• Efficacité et coût de l’intégration de l’IA et de la cryptographie : l’efficacité de l’exécution des tâches de calcul de confidentialité à l’aide de la technologie de preuve de connaissance nulle ou de la cryptographie entièrement homomorphe (FHE) est bien inférieure à celle de l’exécution en clair. En raison de la forte demande de calcul de l’IA, l’ajout de la technologie cryptographique augmentera encore le coût, ce qui pourrait rendre difficile sa mise en œuvre pratique.
• Problème majeur de contrefaçon profonde de l’IA : un problème de goulot d’étranglement de communication dans l’entraînement des modèles d’IA est évident. L’échange fréquent d’informations de modèle et de gradient consommera une grande quantité de bande passante, ce qui entraînera une communication élevée frais. En même temps, les problèmes de synchronisation des nœuds auront également des répercussions sur les résultats de l’entraînement et nécessiteront une vérification et une synchronisation de données fréquentes.
• La popularisation de l’IA a entraîné une augmentation du risque de fraude en profondeur. Dans les scénarios d’intégration croisée de Web3 et de l’IA, il est nécessaire de prévenir le risque de contrefaçon de l’IA.

!

La direction du développement futur de l’IA décentralisée

Couche de modèle : Avec la généralisation croissante des agents d’IA, les utilisateurs compteront de plus en plus sur les agents d’IA pour les aider à accomplir des tâches, ce qui est la clé de liaison entre la couche de modèle et la couche d’application. La diversification des plateformes de modèles se met progressivement en place, les coûts des grands modèles diminuent constamment, et il faudra encore du temps pour voir émerger des applications de niveau “cheval noir”.

Couche d’entraînement: possibilité de mise en œuvre de l’apprentissage décentralisé Les modèles d’IA existent, mais étant donné que la demande d’inférence est bien supérieure à la demande d’entraînement, la couche d’entraînement dépendra davantage de la puissance de calcul centralisée.

**Couche de puissance de calcul : la puissance de calcul décentralisée réduit efficacement les coûts d’utilisation des GPU, les GPU de niveau entreprise répondent actuellement aux besoins de puissance de calcul. À l’avenir, avec la mise en place de modèles côté périphérique, les GPU grand public trouveront leur utilité.

Couche de données : La collecte de données publiques devient de plus en plus difficile et la collecte décentralisée de données et l’annotation de données deviendront des voies importantes pour l’approvisionnement et le traitement des données des modèles d’IA futurs.

Conclusion

L’IA décentralisée, en tant que nouvelle tendance technologique émergente, présente un énorme potentiel de développement malgré les défis à relever. Avec les progrès technologiques et la maturité croissante du marché, l’IA décentralisée devrait jouer un rôle de plus en plus important dans l’avenir. Il est essentiel de rester attentif à ces défis et de rechercher des solutions innovantes pour promouvoir le développement de l’IA décentralisée. Dans ce contexte, nous pensons que l’IA décentralisée a sa place dans les domaines du modèle, de la formation, des données et de la puissance de calcul, en particulier DeAI qui est l’une des orientations les plus visibles et les plus valorisantes.