本文來源：https://www.caseycaruso.com/thoughts/decentralized-ai
編譯：https://twitter.com/BTCdayu
以下是我在加密貨幣與人工智能的交叉點上發現的有趣的類別。
我相信開放會帶來創新。近年來，人工智能已經跨越鴻溝，進入全球實用性和影響力。由於計算能力隨著資源整合而增強，人工智能自然會促進集中化，而那些擁有更多計算能力的人將逐漸佔據主導地位。這給我們的創新速度帶來了風險。我相信去中心化和 Web3 是保持人工智能開放的有力競爭者。
該列表和這些示例公司每天都在變化。請不要將此視為事實來源，而是及時的快照。如果我錯過了一些公司或者你認為我錯了，請在 Twitter 上私信我。很想辯論。
用於預訓練+微調的去中心化計算
眾包計算（CPU + GPU）
論據：airbnb/uber 眾包資源模型有可能擴展到計算領域，並將備用計算聚合到市場中。這可以解決的問題：1）針對某些用例的更便宜的計算，可以處理一些停機/延遲；2）抗審查計算，用於訓練未來可能受到監管/取締的模型。
反對意見：眾包計算無法實現規模經濟；大多數高性能 GPU 並不屬於消費者所有。去中心化計算是一個完全悖論；它實際上與高性能計算相反……詢問任何基礎設施/機器學習工程師！
示例項目：Akash、Render、io.net、Ritual、Hyperbolic、Gensyn
去中心化推理
以分散的方式運行開源模型的推理
論點：開源（OS）模型在某些方面正在接近與閉源（1）並獲得採用。為了運行操作系統模型的推理，大多數人使用 HuggingFace 或 Replicate 等集中式服務，這會帶來隱私和審查問題。一種解決方案是通過去中心化或分佈式提供商運行推理。
反對意見：沒有必要分散推理，因為局部推理將會獲勝。可以處理 7b+ 參數模型推理的專用芯片現已發佈。邊緣計算是我們針對隱私和審查制度的解決方案。
示例項目： Ritual、gpt4all（託管）、Ollama (web2)、Edgellama（Web3、P2P Ollama）、Petals
鏈上人工智能代理
使用機器學習的鏈上應用程序
論點：人工智能代理（使用人工智能的應用程序）需要一個協調層來進行交易。對於人工智能代理來說，使用加密貨幣進行支付可能是有意義的，因為它本身就是數字化的，而且顯然代理無法通過 KYC 來開設銀行賬戶。去中心化的人工智能代理也沒有平臺風險。例如，OpenAI 只是隨機決定更改他們的 ChatGPT 插件架構，這在沒有通知的情況下破壞了我的 Talk2Books 插件。真實的故事。鏈上構建的代理不存在同樣的平臺風險。
反對意見：代理還沒有做好生產準備……根本沒有。BabyAGI、AutoGPT等都是玩具！此外，對於支付，創建人工智能代理的實體可以只使用 Stripe API，不需要加密支付。對於平臺風險的爭論，這是一個陳腐的加密用例，我們還沒有看到它的發揮……為什麼這次不同？
示例項目：AI Arena、MyShell、Operator.io、Fetch.ai
數據和模型來源
自我管理您的數據和機器學習模型，收集其產生的價值
論據：數據應該由生成數據的用戶擁有，而不是由收集數據的公司擁有。數據是數字時代最有價值的資源，但它被大型科技公司壟斷且金融化程度低。超個性化網絡即將到來，並且需要可移植的數據和模型。我們將通過互聯網將數據和模型從一個應用程序轉移到另一個應用程序，就像我們將加密錢包從 dapp 轉移到 dapp 一樣。數據來源，尤其是造假的深度，是一個巨大的問題，甚至拜登也承認這一點。區塊鏈架構很可能是解決數據來源難題的最佳解決方案。
反對意見：沒有人關心擁有自己的數據或隱私。我們通過用戶偏好一次又一次地看到了這一點。看看 Facebook/Instagram 的註冊情況！最終，人們將信任 OpenAI 的 ML 數據。讓我們成為現實主義者。
代幣激勵應用程序（例如配套應用程序）
考慮使用加密代幣獎勵的 Character.ai
論點：加密代幣激勵對於引導網絡和行為非常有效。我們將看到以人工智能為中心的應用程序利用這種機制。一個引人注目的市場可能是人工智能伴侶，我們相信這將是一個數萬億的人工智能原生市場。2022 年，美國在寵物上花費了 130B+ 美元；AI伴侶是寵物2.0。我們已經看到 AI 配套應用程序達到 PMF，Character.ai 的平均會話時間超過 1 小時以上。如果看到加密貨幣激勵平臺在此處和其他人工智能應用垂直領域佔據市場份額，我們不會感到驚訝。
反對意見：這只是加密貨幣投機狂熱的延伸，不會產生持久的使用。令牌是 Web 3.0 的 CAC。我們還沒有從 Axie Infinity 中吸取教訓嗎？
示例項目：MyShell、Deva
代幣激勵 MLOps（例如訓練、RLHF、推理）
考慮 ScaleAI 與加密代幣獎勵
論點：加密激勵可以在整個機器學習工作流程中使用，以激勵優化權重、微調、RLHF 等行為 — — 人類在其中判斷模型的輸出以進一步微調。
反對意見：MLOps 是加密貨幣獎勵的一個糟糕用例，因為質量太重要了。雖然加密代幣在熵可以接受的情況下擅長激勵消費者行為，但在質量和準確性至關重要的情況下，它們不利於協調行為。
示例項目：BitTensor、Ritual
鏈上可驗證性（ZKML）
證明什麼模型在鏈上有效運行並插入加密世界
論據：鏈上模型的可驗證性將解鎖可組合性，這意味著您可以在整個 DeFi 和加密貨幣中利用輸出。五年後，當我們讓代理人為我們運行醫生模型而不是去看醫生時，我們將需要某種方法來驗證他們的知識以及準確地在診斷中使用了哪些模型。模型可驗證性類似於智力聲譽。
反對意見：沒有人需要驗證運行的是什麼模型。這是我們最不關心的問題。我們是本末倒置。沒有人運行 llama2 並擔心後臺運行不同的模型。這是加密技術（零知識（ZK））尋找要解決的問題以及 ZK 獲得過多炒作和風險資金的後果。
示例項目：Modulus Labs、UpShot、EZKL
