去中心化AI的风险、挑战与未来发展方向

引言

去中心化AI虽然具有诸多优势，但也面临着不少风险与挑战。作为这个系列的第三篇文章，本文将为您分析这些挑战，并展望去中心化AI的未来发展方向。

我们也欢迎这个方向的创业者和项目方与我们联系。

AI Agent的发展机遇

AI Agent是大模型的自然进化，通过引入记忆机制、任务分解和规划能力，AI Agent能够感知环境、自主决策并执行复杂任务。

现有的大模型虽然能够生成文本并解决问题，但还不具备完整的任务规划和执行能力。AI Agent将补足这一缺陷，提升AI在复杂任务中的表现。

**如果说AI是核能，那么它不应该只掌握在少数人手中。**去中心化的AI Agent将通过区块链和加密技术，确保AI技术的公平性和透明性。

在未来的代理社会中，去中心化的AI将成为必然趋势，以解决现有集中化AI系统面临的问题。

数据标注的发展机遇：

数据准备包括数据采集、清洗、标注和增强，AI对数据的多样化需求增加了对高精度和强定制的数据标注的依赖，数据标注冗长的工作周期和高昂的人力成本限制了AI行业的发展。

Web3可通过经济激励机制，接触到大量的全球各个地区的AI数据收集和标注工作人员，能够让其从数据贡献中获得收益。

案例：数据交易市场 Ocean Protocol

运作机制

• 提供者（Providers）：数据提供方可以发行和出售自己的数据通证，从而获得收入。

• 消费者（Consumers**）**：购买或赚取所需的数据通证，从而获得访问权。

• 市场（Marketplaces）：指由 Ocean Protocol 或第三方提供的一个开放、透明和公平的数据交易市场，它可以连接全球范围内的提供者和消费者，并提供多种类型和领域的数据通证。

• 网络（Network）：指由 Ocean Protocol 提供的一个去中心化的网络层。

• 策展人（Curator）：指一个生态系统中负责筛选、管理、审核数据集的角色，他们负责审核数据集的来源、内容、格式和许可证等方面的信息，以确保数据集符合标准，并且可以被其他用户信任和使用。

• 验证人（Verifier）：指一个生态系统中负责验证、审核数据交易和数据服务的角色。

总结：AI Agent和去中心化数据标注是DeAI目前比较热门的两个方向，也有很多创业团队在这其中进行开发。

去中心化AI面临的风险与挑战

• Web3对AI赋能的局限性：由于Web3加密用户数量有限，经济激励机制的辐射范围较小。这限制了去中心化AI的快速发展，需要更多的用户参与和接受度。
• 零知识证明技术的挑战：量化精度、硬件要求和对抗性攻击等问题。零知识证明技术（ZKP）在实现模型的可验证性方面具有长远意义，但目前仍面临技术难题和实施挑战。
• 成本优势的吸引力：如果市场上算力资源供应得到缓解，去中心化算力网络的价值和成本优势将会削弱。这要求去中心化AI不断地提高效率和降低成本，以保持其竞争力。
• AI与密码学结合的效率与成本问题：使用零知识证明技术或完全同态加密（FHE）技术执行隐私计算任务的效率远低于明文执行。由于AI计算需求高，加入密码学技术将进一步提高成本，可能难以实际落地。
• AI的深度造假问题：AI模型训练中的通信瓶颈问题显著。频繁交换模型参数和梯度信息会消耗大量网络带宽，产生高通信开销。同时，各节点的同步问题也会对训练结果产生影响，需要频繁的数据校验和同步操作。
• AI的普及导致深度造假风险增加。在Web3与AI交叉赋能的场景中，需防范AI伪造风险。

去中心化AI未来发展的方向

**模型层：随着 AI Agent变得更加普遍，未来用户将依靠****AI Agent来帮助自己完成任务，是连接模型层和应用层的钥匙。**模型的多样化平台逐步形成，大模型成本不断下降，跑出“黑马级”应用仍然需要时间。

训练层：去中心化训练****AI 模型存在实现的可能性，但由于推理需求远大于训练需求，训练层会更多依赖集中式算力。

算力层：去中心化算力有效降低****GPU使用成本，企业级GPU符合目前算力需求。未来端侧模型落地，消费类GPU将有用武之地。

**数据层：**公开数据获取难度越来越大，去中心化的数据收集和数据标注将成为未来AI模型数据来源和处理的重要途径。

结语

去中心化AI作为一种新兴的技术趋势，虽然道路充满挑战，但其发展潜力巨大。随着技术的不断进步和市场的逐步成熟，去中心化AI有望在未来发挥更大的作用。我们需要持续关注这些挑战，并寻找创新的解决方案，以推动去中心化AI的发展。在这个其中，我们认为在模型、训练、数据、算力四个层面，去中心化AI都有其用武之地，尤其是DeAI是一个最可见，且最能产生价值的方向之一。