去中心化AI的風險、挑戰與未來發展方向

引言

去中心化AI雖然具有諸多優勢，但也面臨著不少風險與挑戰。作為這個系列的第三篇文章，本文將為您分析這些挑戰，並展望去中心化AI的未來發展方向。

我們也歡迎這個方向的創業者和項目方與我們聯繫。

AI Agent的發展機遇

AI Agent是大模型的自然進化，通過引入記憶機制、任務分解和規劃能力，AI Agent能夠感知環境、自主決策並執行復雜任務。

現有的大模型雖然能夠生成文本並解決問題，但還不具備完整的任務規劃和執行能力。AI Agent將補足這一缺陷，提升AI在複雜任務中的表現。

**如果說AI是核能，那麼它不應該只掌握在少數人手中。**去中心化的AI Agent將通過區塊鏈和加密技術，確保AI技術的公平性和透明性。

在未來的代理社會中，去中心化的AI將成為必然趨勢，以解決現有集中化AI系統面臨的問題。

數據標註的發展機遇：

數據準備包括數據採集、清洗、標註和增強，AI對數據的多樣化需求增加了對高精度和強定製的數據標註的依賴，數據標註冗長的工作週期和高昂的人力成本限制了AI行業的發展。

Web3可通過經濟激勵機制，接觸到大量的全球各個地區的AI數據收集和標註工作人員，能夠讓其從數據貢獻中獲得收益。

案例：數據交易市場 Ocean Protocol

運作機制

• 提供者（Providers）：數據提供方可以發行和出售自己的數據通證，從而獲得收入。

• 消費者（Consumers**）**：購買或賺取所需的數據通證，從而獲得訪問權。

• 市場（Marketplaces）：指由 Ocean Protocol 或第三方提供的一個開放、透明和公平的數據交易市場，它可以連接全球範圍內的提供者和消費者，並提供多種類型和領域的數據通證。

• 網絡（Network）：指由 Ocean Protocol 提供的一個去中心化的網絡層。

• 策展人（Curator）：指一個生態系統中負責篩選、管理、審核數據集的角色，他們負責審核數據集的來源、內容、格式和許可證等方面的信息，以確保數據集符合標準，並且可以被其他用戶信任和使用。

• 驗證人（Verifier）：指一個生態系統中負責驗證、審核數據交易和數據服務的角色。

總結：AI Agent和去中心化數據標註是DeAI目前比較熱門的兩個方向，也有很多創業團隊在這其中進行開發。

去中心化AI面臨的風險與挑戰

• Web3對AI賦能的侷限性：由於Web3加密用戶數量有限，經濟激勵機制的輻射範圍較小。這限制了去中心化AI的快速發展，需要更多的用戶參與和接受度。
• 零知識證明技術的挑戰：量化精度、硬件要求和對抗性攻擊等問題。零知識證明技術（ZKP）在實現模型的可驗證性方面具有長遠意義，但目前仍面臨技術難題和實施挑戰。
• 成本優勢的吸引力：如果市場上算力資源供應得到緩解，去中心化算力網絡的價值和成本優勢將會削弱。這要求去中心化AI不斷地提高效率和降低成本，以保持其競爭力。
• AI與密碼學結合的效率與成本問題：使用零知識證明技術或完全同態加密（FHE）技術執行隱私計算任務的效率遠低於明文執行。由於AI計算需求高，加入密碼學技術將進一步提高成本，可能難以實際落地。
• AI的深度造假問題：AI模型訓練中的通信瓶頸問題顯著。頻繁交換模型參數和梯度信息會消耗大量網絡帶寬，產生高通信開銷。同時，各節點的同步問題也會對訓練結果產生影響，需要頻繁的數據校驗和同步操作。
• AI的普及導致深度造假風險增加。在Web3與AI交叉賦能的場景中，需防範AI偽造風險。

去中心化AI未來發展的方向

**模型層：隨著 AI Agent變得更加普遍，未來用戶將依靠****AI Agent來幫助自己完成任務，是連接模型層和應用層的鑰匙。**模型的多樣化平臺逐步形成，大模型成本不斷下降，跑出“黑馬級”應用仍然需要時間。

訓練層：去中心化訓練****AI 模型存在實現的可能性，但由於推理需求遠大於訓練需求，訓練層會更多依賴集中式算力。

算力層：去中心化算力有效降低****GPU使用成本，企業級GPU符合目前算力需求。未來端側模型落地，消費類GPU將有用武之地。

**數據層：**公開數據獲取難度越來越大，去中心化的數據收集和數據標註將成為未來AI模型數據來源和處理的重要途徑。

結語

去中心化AI作為一種新興的技術趨勢，雖然道路充滿挑戰，但其發展潛力巨大。隨著技術的不斷進步和市場的逐步成熟，去中心化AI有望在未來發揮更大的作用。我們需要持續關注這些挑戰，並尋找創新的解決方案，以推動去中心化AI的發展。在這個其中，我們認為在模型、訓練、數據、算力四個層面，去中心化AI都有其用武之地，尤其是DeAI是一個最可見，且最能產生價值的方向之一。