Risiko, Tantangan, dan Arah Pengembangan Masa Depan AI Terdesentralisasi

Pendahuluan

Meskipun memiliki banyak keunggulan, AI terdesentralisasi juga dihadapkan pada banyak risiko dan tantangan. Sebagai artikel ketiga dalam seri ini, artikel ini akan menganalisis tantangan ini dan merenungkan arah perkembangan masa depan AI terdesentralisasi.

Kami juga menyambut baik para pengusaha dan proyek di arah ini untuk menghubungi kami.

Peluang Pengembangan AI Agent

AI Agent adalah evolusi alami dari model besar, dengan memperkenalkan mekanisme memori, pemecahan tugas, dan kemampuan perencanaan, AI Agent dapat merasakan lingkungan, membuat keputusan mandiri, dan menjalankan tugas yang kompleks.

Meskipun model yang ada dapat menghasilkan teks dan memecahkan masalah, namun masih belum memiliki kemampuan perencanaan dan pelaksanaan tugas yang lengkap. AI Agent akan melengkapi kekurangan ini dan meningkatkan kinerja AI dalam tugas-tugas kompleks.

Jika AI seperti energi nuklir, maka seharusnya tidak hanya dikuasai oleh sedikit orang. Agen AI terdesentralisasi akan memastikan keadilan dan transparansi teknologi AI melalui teknologi blockchain dan enkripsi.

Di masyarakat agen masa depan, kecerdasan buatan yang terdesentralisasi akan menjadi tren yang tak terhindarkan untuk mengatasi masalah yang dihadapi sistem kecerdasan buatan yang terpusat saat ini.

Peluang Pengembangan Anotasi Data:

Persiapan data meliputi pengumpulan, pembersihan, penandaan, dan peningkatan data, kebutuhan AI untuk keberagaman data meningkatkan ketergantungan pada penandaan data yang tepat dan disesuaikan, siklus kerja penandaan data yang panjang dan biaya tenaga kerja yang tinggi membatasi perkembangan industri AI.

Web3 dapat melalui mekanisme insentif ekonomi, terlibat dengan sejumlah besar pekerja pengumpulan dan pelabelan data AI dari berbagai wilayah global, memungkinkan mereka untuk mendapatkan keuntungan dari kontribusi data.

Contoh: Pasar Perdagangan Data Ocean Protocol

Mekanisme Operasional

• Penyedia：Penyedia data dapat menerbitkan dan menjual token data mereka sendiri untuk mendapatkan penghasilan.

• Konsumen：membeli atau menghasilkan data token yang diperlukan untuk mendapatkan akses.

• Pasar (Marketplaces): Merujuk kepada pasar perdagangan data yang terbuka, transparan, dan adil yang disediakan oleh Ocean Protocol atau pihak ketiga. Pasar ini dapat menghubungkan penyedia dan konsumen data dari seluruh dunia, dan menyediakan berbagai jenis dan bidang token data.

• Jaringan (Network): Merujuk pada lapisan jaringan terdesentralisasi yang disediakan oleh Ocean Protocol.

• Curator: Merujuk pada peran dalam ekosistem yang bertanggung jawab dalam memilih, mengelola, dan meninjau kumpulan data. Mereka bertanggung jawab dalam memeriksa informasi mengenai sumber, konten, format, dan lisensi kumpulan data untuk memastikan bahwa kumpulan data tersebut memenuhi standar dan dapat dipercaya serta digunakan oleh pengguna lain.

• Verifier: Merujuk kepada peran dalam ekosistem yang bertanggung jawab untuk memverifikasi dan memeriksa transaksi data serta layanan data.

**Kesimpulan: AI Agent dan Anotasi Data Terdesentralisasi adalah dua arah yang cukup populer dalam DeAI saat ini, dan banyak tim startup mengembangkannya.

Risiko dan Tantangan yang Dihadapi oleh AI Terdesentralisasi

• Keterbatasan Pemberdayaan AI oleh Web3: Karena jumlah pengguna Web3 yang terenkripsi terbatas, cakupan mekanisme insentif ekonomi kecil. Ini membatasi perkembangan AI terdesentralisasi yang cepat, membutuhkan lebih banyak partisipasi dan penerimaan pengguna.
• Tantangan Pembuktian Nol Pengetahuan: masalah akurasi kuantitatif, persyaratan perangkat keras, dan serangan yang melawan. Teknologi Pembuktian Nol Pengetahuan (ZKP) memiliki arti jangka panjang dalam mencapai verifikasi model, tetapi saat ini masih menghadapi tantangan teknis dan implementasi.
• Daya Tarik Keunggulan Biaya : Jika pasokan sumber daya daya komputasi di pasar mengalami peningkatan, nilai dan keunggulan biaya jaringan komputasi terdesentralisasi akan melemah. Hal ini membutuhkan AI terdesentralisasi untuk terus meningkatkan efisiensi dan menurunkan biaya, guna menjaga daya saingnya.
• Efisiensi dan Biaya Kombinasi AI dengan Kriptografi: Efisiensi dalam menjalankan tugas komputasi privasi menggunakan teknologi bukti nol pengetahuan atau enkripsi homomorfik lengkap (FHE) jauh lebih rendah daripada eksekusi plaintext. Karena permintaan komputasi AI tinggi, penggunaan teknologi kriptografi akan meningkatkan biaya lebih lanjut, dan mungkin sulit untuk diimplementasikan secara praktis.
• Masalah pemalsuan mendalam AI: Masalah bottleneck komunikasi yang signifikan dalam pelatihan model AI. Pertukaran parameter model dan informasi gradien yang sering akan menghabiskan banyak lebar pita jaringan, menghasilkan biaya komunikasi yang tinggi. Pada saat yang sama, masalah sinkronisasi di setiap node juga akan mempengaruhi hasil pelatihan, memerlukan verifikasi data dan operasi sinkronisasi yang sering.
• Penyebaran AI menyebabkan peningkatan risiko pemalsuan yang mendalam. Dalam skenario gabungan Web3 dan AI, perlu waspada terhadap risiko pemalsuan AI.

!

Arah Pengembangan AI Terdesentralisasi di Masa Depan

Lapisan model: Dengan semakin umumnya AI Agent, pengguna di masa depan akan bergantung pada AI Agent untuk membantu mereka menyelesaikan tugas, menjadi kunci yang menghubungkan lapisan model dan aplikasi. Platform model yang beragam sedang berkembang, biaya model besar terus turun, dan waktu masih diperlukan untuk membuat aplikasi kelas “kuda hitam”.

Lapisan Pelatihan: Pelatihan Terdesentralisasi Ada kemungkinan untuk mengimplementasikan model AI, tetapi karena permintaan inferensi jauh lebih besar daripada permintaan pelatihan, lapisan pelatihan akan lebih bergantung pada daya komputasi terpusat.

Lapisan Daya Hitung: Mengurangi Biaya Penggunaan GPU Secara Efektif, GPU Tingkat Enterprise Sesuai dengan Kebutuhan Daya Hitung Saat Ini. Di masa depan, dengan penerapan model di sisi pengguna, GPU konsumen akan menjadi semakin penting.

Lapisan data: Semakin sulit untuk mendapatkan data publik, dan pengumpulan data dan anotasi data yang terdesentralisasi akan menjadi cara penting untuk mencari dan memproses data untuk model AI di masa depan.

Kesimpulan

AI terdesentralisasi sebagai tren teknologi yang sedang berkembang, meskipun memiliki tantangan yang besar, namun memiliki potensi pengembangan yang besar. Dengan kemajuan teknologi dan kedewasaan pasar yang terus meningkat, AI terdesentralisasi diharapkan dapat berperan lebih besar di masa depan. Kami perlu terus memperhatikan tantangan ini dan mencari solusi inovatif untuk mendorong perkembangan AI terdesentralisasi. Dalam hal ini, kami percaya bahwa AI terdesentralisasi memiliki peran yang penting dalam empat aspek, yaitu model, pelatihan, data, dan kekuatan komputasi, terutama DeAI adalah salah satu arah yang paling terlihat dan dapat menciptakan nilai.