去中心化人工智能是可实现的现实还是不可逾越的挑战？

注：本文观点仅代表作者个人观点和意见，不代表 Coinlive 或其官方政策。

一些人赞美去中心化人工智能（AI）的优点，吹捧其重塑未来技术的潜力，而批评者则对其固有的风险提出警告。

他们认为，由于缺乏集中控制，分散式人工智能很容易受到操纵和利用。

了解集中式人工智能和分散式人工智能的工作原理

集中式人工智能和分散式人工智能是指人工智能领域中基于数据处理和决策组织方式的两种不同方法。

在集中式人工智能系统中，所有数据处理和决策都在一个中央位置或服务器上进行，就像公司或组织拥有的一台功能强大的计算机服务器。

该中央服务器从各种来源收集数据并进行分析，以做出决策或提供见解。

这就好比有一个大脑袋在做所有的决定。

至于分散式人工智能系统，数据处理和决策分布在多个设备或节点上，而不是由一个中央机构控制。

网络中的每个设备或节点都有自己的计算能力，并为整个处理和决策过程做出贡献。

这就好比有许多小脑袋在一起工作，共同做出决定。

来源：Coinmotion关于权力下放和中央集权的 Coinmotion

集中式人工智能提供了效率和管理便利，但也存在被利用的风险

在这一领域，一场关键性的辩论围绕着对人工智能系统的集中控制与分散控制的利弊展开，尤其是在大规模保护公共利益方面。

对人工智能基础设施的集中控制具有先进的利用率和效率优势。

在这种模式下，通常由政府或大公司等单一实体主导人工智能系统的开发、部署和运行。

这种集中式方法有利于简化决策流程，迅速采用新技术，并汇集大量数据集进行分析和优化。

通过利用集中式人工智能系统，品牌可以深入洞察消费者行为，精准定制营销策略，并实现各种运营环节的自动化，从而提高效率和竞争力。

然而，集中式人工智能控制所固有的权力集中问题也引发了人们对潜在滥用和利用的极大担忧。

集中式人工智能系统对个人生活具有巨大的影响力，有可能以不符合个人最佳利益的方式影响他们的选择和行为。

此外，集中控制模式缺乏透明度和问责制，会加剧偏见、歧视和侵犯隐私等问题，进一步侵蚀公民权利和自主权。

以下是值得关注的问题：

数据隐私： 集中式人工智能系统往往会积累大量个人数据，从而带来巨大的隐私风险。当单一实体控制这些数据时，个人的个人信息就很容易被滥用或利用。

控制： 权力集中会助长人工智能决策的不透明和缺乏问责制。如果由一个小团体或组织主导人工智能算法，它可能会操纵结果使其对自己有利，从而可能侵犯他人的权利和自由。

偏见与歧视： 集中式人工智能系统可能会无意中延续或故意加剧偏见和歧视，尤其是在训练数据有偏差或偏见的情况下。这可能会对边缘化群体造成不利影响。

安全风险： 集中式人工智能系统成为网络攻击的首要目标。入侵会造成广泛的破坏，包括数据泄露、人工智能算法被操纵以及其他恶意活动。

抑制创新： 集中化的人工智能格局可能会阻碍创新，因为小型参与者和初创企业会遇到进入壁垒。创新对于解决人工智能的伦理和安全问题至关重要。

集中式人工智能主导当前格局

就市场份额而言，集中式人工智能在目前的市场格局中占据主导地位，老牌科技巨头和机构都在广泛部署集中式人工智能解决方案。

这些系统拥有庞大的用户群，从企业到个人消费者，并已在从推荐引擎到自然语言处理等各种应用中证明了其有效性。

得益于多年的研发，集中式人工智能系统在技术上已经高度成熟。

它们通常拥有先进的算法、庞大的数据集和稳健的基础设施，能够始终如一地提供准确的预测和见解。

例如，银行和金融机构利用集中式人工智能系统分析大量数据，以评估信贷风险、投资机会和市场趋势。

信用卡公司采用集中式人工智能算法来检测欺诈交易，并识别表明欺诈活动的模式。

在艺术和音乐领域，一些艺术工作室和数字艺术家使用集中式人工智能算法，根据预定义的风格、主题或输入图像自动生成艺术作品。

而 Spotify 等流媒体平台则采用集中式人工智能算法来分析用户的偏好和行为，从而推荐个性化的播放列表和音乐推荐。

本-拉特利夫（Ben Ratliff）是一位音乐评论家，也是《有史以来的每一首歌》（"Every Song Ever：音乐丰富时代的二十种聆听方式》一书的作者本-拉特利夫补充道：

"Spotify善于捕捉流行的感觉，并为其创作配乐"。

然而，集中式人工智能系统尽管已经成熟，但仍面临着与数据隐私、可扩展性和单点故障有关的挑战，这可能会限制其在某些场景中的有效性。

去中心化人工智能倡导自主与隐私

分散式人工智能提供了一种截然不同的方法，优先考虑个人自主和集体赋权。

在这种模式下，人工智能系统分布在一个由节点组成的网络中，没有任何一个实体可以进行全面控制。

由于不存在单点故障或操纵，这种分布式架构降低了与集中控制相关的风险。

分散式人工智能系统的运行遵循透明、问责和民主治理的原则，确保决策过程具有包容性，能代表不同的利益和观点。

通过将控制权分散给多个行为者，去中心化的人工智能限制了滥用和压迫的可能性，保障了公民权利，促进了对人工智能技术的公平使用。

出于以下几个原因，它在防范反乌托邦式人工智能场景方面发挥着至关重要的作用：

数据所有权和隐私权： 在分散式系统中，个人对自己的数据拥有更大的控制权，可以决定如何、何时以及与谁共享数据。这就降低了数据泄露和侵犯隐私的风险。

透明度和问责制： 通过让多个利益相关方参与人工智能的开发和部署，权力下放提高了透明度。这使得出于不道德目的操纵人工智能系统变得更加困难，并增强了问责制。

减少偏见： 有了不同的利益相关者参与发展，分散的人工智能可以更具包容性，更少偏见。这有助于解决公平和歧视问题。

提高安全性： 由于数据和决策都是分布式的，分散式系统抵御网络攻击的能力更强。这使得对手更难入侵整个系统。

促进创新： 权力下放允许更广泛的参与者为人工智能研发做出贡献，从而鼓励创新。初创企业、个人和小型实体可以发挥重要作用，使该领域更具活力，更能满足社会需求。

例如，去中心化金融（DeFi）平台利用去中心化的人工智能算法，在没有中介机构的情况下自动进行借贷和交易操作，为用户提供更多财务控制权。

至于艺术和音乐领域，OpenSea 等去中心化艺术市场允许艺术家利用去中心化人工智能算法进行身份验证和来源验证，直接向买家出售其数字艺术品，而无需中间商。

一些基于区块链的平台还使用去中心化的人工智能算法来跟踪和分配音乐家的版税，确保他们的作品得到透明、公平的补偿。

另一个用例是联合学习，它是一种直接在分散设备上进行模型训练的方法，将用户数据保存在单个设备上，而不是集中整合。

这种方法的一个典型例子就是 Google'Federated Learning of Cohorts (FLoC)。

前瞻研究所首席执行官、"共识 2024 "会议特邀演讲人艾莉森-杜特曼（Allison Duettmann）着重强调了区块链能够彻底改变人工智能系统的三个关键领域。

当被问及她认为区块链可以帮助开发更安全或更好的人工智能的最有前途的合法方式时，她解释道：

"我想我可以说有三个方面。一个是安全方面，Web3/加密领域有很多经验，如果你没有构建安全的系统，很快就会失败。因为许多无权限或不可变空间的系统--如果你没有正确构建它们--可能会被悬赏百万美元。因此，我认为，在我们建立人工智能系统时，这种建立安全的精神和几乎无意识的审查过程是一种重要的思维方式。第二个方面是，我们如何利用加密领域也在研究的技术，来构建我们从人类角度所希望的人工智能系统？[第三桶】人工智能的治理方面。因此，你可以使用加密技术来证明你遵循了某些安全基准或标准。你不必分享所有可能是专有的信息，而只能分享证明你达到了某些安全基准所需的信息；

Alethea 公司首席执行官阿里夫-汗（Arif Khan）也是 Consensus 2024'AI Stage 的特邀发言人，他断言去中心化人工智能超越了单纯的炒作和抽象概念；它代表着面向未来的关键转变。

他强调了它的实际好处，认为它有可能极大地改善我们的日常生活。

去中心化人工智能应用不断增长，但缺乏成熟度，面临多重障碍

去中心化人工智能解决方案的采用正在稳步增长，但面临着与互操作性、可扩展性和监管不确定性有关的障碍，以及成熟参与者较少和用户群较小的问题。

如果不进行集中协调，达成共识和执行集体决定就会变得复杂而耗时，从而影响效率。

此外，缺乏中央集权可能会导致节点之间各自为政、目标不一，从而有可能阻碍具有凝聚力的人工智能战略和倡议。

鉴于分散式人工智能依赖于不同的平台和技术，互操作性尤其是分散式人工智能发展道路上的一大障碍。

没有无缝的兼容性，人工智能的巨大潜力仍有待开发。

此外，随着全球各国政府努力适应人工智能技术的快速发展，不确定的监管环境也带来了挑战。

这种监管滞后可能导致框架脱节，甚至更糟糕的是缺乏有效监督。

此外，考虑到分散系统的分布式性质，安全问题也成为一个重要的关注点。

虽然这种架构提供了复原力，但也使它们面临潜在的网络威胁，突出了保护其完整性的迫切需要。

IntoTheBlock 首席执行官耶稣-罗德里格斯（Jesus Rodriguez）认为，随着时间的推移，人工智能会自然而然地集中化，这对去中心化举措构成了挑战。

分散式人工智能的一个主要挑战是保持人工智能网络中分散节点之间的同步。

在分散式系统中，多个节点独立处理和分析数据，因此必须同步行动，以确保一致性和准确性。

然而，实时协调不同节点的活动可能非常复杂，尤其是在处理大量数据和动态环境时。

另一个挑战是确保分散节点之间的数据一致性。

在分布式人工智能系统中，每个节点可能都有自己的数据集，从而导致用于训练和推理的数据存在差异和不一致。

这可能导致人工智能模型有偏差或不准确，影响人工智能应用的可靠性和有效性。

应对这些挑战的潜在解决方案存在局限性

一种方法是实施共识机制，使分散的节点能够就网络状态达成一致，并有效地协调行动。

共识算法（如工作量证明和权益证明）通常用于在去中心化系统中实现同步和数据一致性。

此外，联合学习和基于区块链的数据共享等技术也有助于提高数据的一致性，让去中心化的节点在维护数据隐私和安全的同时，在分布式数据集上协作训练人工智能模型。

然而，这些解决方案都有其局限性，对分散式人工智能应用造成了限制。

共识机制会带来延迟和开销，从而降低人工智能系统的整体性能。

联合学习技术可能会遇到通信瓶颈和可扩展性问题，尤其是在大规模分布式环境中。

此外，基于区块链的数据共享可能是资源密集型的，可能无法随着网络规模和复杂性的增加而很好地扩展。

通往去中心化人工智能之路是可能的，但也是一场艰苦的战斗

尽管像区块链这样的去中心化系统越来越受欢迎，但公众对它的理解仍然存在很大差距。

许多人不熟悉权力下放的基本概念，也不知道它与传统的中央集权模式有何不同。

这种认识不足往往导致怀疑和不信任，阻碍了去中心化技术的广泛采用。

目前，公众的接受程度因地理位置、社会经济地位和对技术的熟悉程度等因素而有很大差异。

在互联网接入和数字扫盲程度较高的地区，人们对分散式技术的接受程度往往更高。

然而，在获取技术的途径有限或集中式系统占主导地位的地区，采用分散式解决方案可能会遇到更多阻力。

因此，提高透明度和参与度是建立对去中心化技术信任的关键。

通过提供清晰易懂的信息，介绍去中心化系统的工作原理及其潜在益处，开发者和倡导者可以揭开技术的神秘面纱，消除误解。

这包括教育公众了解区块链共识机制、数据加密和去中心化治理结构等概念。

此外，促进对去中心化网络的更大参与有助于增强用户的能力，并展示这些系统的民主性质。

通过让利益相关者参与决策过程，并让他们对发展方向发表意见，非集中化项目可以树立信心，加强社区的支持。

开源开发、社区论坛和分散管理机制都有助于实现这一目标。

从理论上讲，分散式人工智能似乎非常简单，但在实践中却面临着巨大的挑战。

随着人工智能的不断发展，它趋向于集中化，使得分散化成为一项艰巨的任务。

然而，广泛采用开源生成式人工智能模型对于推进分散式人工智能基础设施至关重要。

目前，鉴于生成式人工智能技术的现状，分散式人工智能的重点倾向于推理，而不是预训练或微调。

要使分散式人工智能变得可行，Web3 基础设施必须大幅扩展，而基础模型必须变得更加紧凑，并能适应分散式环境。

鉴于当前的形势，实现这一目标面临着相当大的挑战。