Ein dezentrales System für künstliche Intelligenz (DAI) ist eine Art Lösung für künstliche Intelligenz (KI), die Blockchain-Technologie nutzt, um Daten über ein Netzwerk von Knoten zu verteilen, zu verarbeiten und zu speichern.
Traditionell blieb die Entwicklung von KI-Systemen isoliert bei einer Handvoll Technologieanbietern wie Google und OpenAI, die über die notwendigen finanziellen Ressourcen verfügten, um die Infrastruktur und die Ressourcen zu entwickeln, die für den Aufbau und die Verarbeitung großer Datensätze erforderlich sind.
Die Zentralisierung der KI-Entwicklung in der Branche hat jedoch dazu geführt, dass Unternehmen über erhebliche finanzielle Mittel verfügen müssen, um die Daten entwickeln und verarbeiten zu können, die für den Wettbewerb auf dem Markt erforderlich sind.
Der größte Engpass, den wir derzeit in der KI sehen, ist beispielsweise die GPU-Knappheit. Deep Learning, die Methode der künstlichen Intelligenz (KI) hinter großen Sprachmodellen (LLMs) wie GPT, ist ein langwieriger und rechenintensiver Prozess im großen Maßstab – je mehr Parameter LLMs haben, desto mehr GPU-Speicher ist für den Betrieb erforderlich.
Obwohl es immer noch einige Nachteile gibt, birgt die Web3-Infrastruktur das Potenzial, die Herausforderungen der KI-Integration zu bewältigen, und bietet Möglichkeiten für innovative Lösungen, wie wir weiter unten untersuchen werden.
Dezentrale KI-Computing-Netzwerke
Dezentrale Rechennetzwerke verbinden Personen, die Rechenressourcen benötigen, mit Systemen, die über ungenutzte Rechenkapazitäten verfügen. Dieses Modell, bei dem Einzelpersonen und Organisationen ihre ungenutzten Ressourcen ohne zusätzliche Kosten in das Netzwerk einbringen können, ermöglicht dem Netzwerk im Gegensatz zu zentralisierten Anbietern eine kostengünstigere Preisgestaltung.
Es gibt Möglichkeiten im dezentralen GPU-Rendering, das durch Blockchain-basierte Peer-to-Peer-Netzwerke ermöglicht wird, um die KI-gestützte Erstellung von 3D-Inhalten in Web3-Gaming zu skalieren. Ein erheblicher Nachteil dezentraler Computernetzwerke liegt jedoch in der möglichen Verlangsamung des maschinellen Lerntrainings aufgrund des Kommunikationsaufwands zwischen verschiedenen Computergeräten.
Dezentrale KI-Daten
Trainingsdaten dienen als Ausgangsdatensatz, mit dem maschinellen Lernanwendungen beigebracht wird, Muster zu erkennen oder bestimmte Kriterien zu erfüllen. Andererseits werden Test- oder Validierungsdaten verwendet, um die Genauigkeit des Modells zu bewerten, und für die Validierung ist ein separater Datensatz erforderlich, da das Modell bereits mit den Trainingsdaten vertraut ist.
Es gibt laufende Bemühungen, Marktplätze für KI-Datenquellen und KI-Datenkennzeichnung zu schaffen, bei denen Blockchain als Anreizschicht für große Unternehmen und Institutionen dient, die Effizienz zu verbessern. Allerdings stoßen diese Branchen in ihrem derzeitigen frühen Entwicklungsstadium auf Hindernisse wie die Notwendigkeit einer menschlichen Überprüfung und Bedenken hinsichtlich Blockchain-fähiger Daten.
Beispielsweise gibt es Service Provider (SP)-Rechennetzwerke, die speziell für das ML-Modelltraining entwickelt wurden. SP-Rechennetzwerke sind auf bestimmte Anwendungsfälle zugeschnitten und nutzen typischerweise eine Architektur, die Rechenressourcen in einem einheitlichen Pool konsolidiert, ähnlich einem Supercomputer.
SP-Rechennetzwerke ermitteln die Kosten über einen Gasmechanismus oder einen von der Community kontrollierten Parameter.
Dezentrale Eingabeaufforderungen
Während die vollständige Dezentralisierung von LLMs Herausforderungen mit sich bringt, erforschen Projekte Möglichkeiten zur Dezentralisierung von Eingabeaufforderungen, indem sie Beiträge von selbst erlernten Techniken fördern. Dieser Ansatz bietet den Erstellern einen Anreiz, Inhalte zu generieren, und bietet wirtschaftliche Anreizstrukturen für mehr Teilnehmer in der Landschaft.
Zu den ersten Beispielen gehören KI-gestützte Chatbot-Plattformen, die tokenisierte Anreize für Inhaltsersteller und KI-Modellersteller bieten, Chatbots zu trainieren, die anschließend zu handelbaren NFTs werden können, die Zugriff auf vom Benutzer genehmigte Daten für das Modelltraining und die Feinabstimmung gewähren. Auf der anderen Seite zielen dezentrale Prompt-Marktplätze darauf ab, Anreize für Prompt-Ersteller zu schaffen, indem sie den Besitz ihrer Daten und Prompts für den Handel auf dem Marktplatz ermöglichen.
Im Folgenden werfen wir einen Blick auf einige Anwendungen dezentraler künstlicher Intelligenz, die heute auf dem Markt sind:
- Bittensor zielt darauf ab, ein neuronales Internet zu schaffen, indem die Entwicklung maschineller Lernplattformen revolutioniert wird. Das Projekt richtet einen Peer-to-Peer-Marktplatz für maschinelle Intelligenz ein, auf dem KI-Modelle ihre Intelligenz kombinieren und so im Wesentlichen einen „digitalen Schwarmgeist“ schaffen können. Diese innovative, dezentrale Methode soll eine schnelle Erweiterung und den Wissensaustausch zwischen KI-Systemen ermöglichen.
- SingularityNET ist eine Blockchain-Plattform, die es jedem ermöglicht, KI-Dienste zu erstellen, zu teilen und zu monetarisieren. Es verfügt über einen internen Marktplatz, auf dem Benutzer KI-Dienste in der nativen Kryptowährung der Plattform, AGIX, durchsuchen und bezahlen können. Entwickler können mit KI-Lösungen und -Modellen Geld verdienen, ohne Apps vollständig für Endbenutzer erstellen und entwickeln zu müssen. Ebenso können Entwickler KI-Lösungen und -Modelle kaufen, um sie in ihren Anwendungen zu verwenden.
Siehe auch
- Ozeanprotokoll ist eine auf Ethereum basierende Plattform, die es Unternehmen und Einzelpersonen ermöglicht, Daten und datenbasierte Dienste auszutauschen und zu monetarisieren. Dabei kann es sich um die Bereitstellung von Daten für Forscher und Start-ups handeln, ohne dass die Daten von den Dateninhabern herausgegeben werden.
Web3 bietet einen vielversprechenden Weg in eine integrativere Zukunft für künstliche Intelligenz. Durch die Demokratisierung des Zugangs zu Computerressourcen, Daten und KI-Entwicklungstools ermöglichen dezentrale Lösungen Einzelpersonen und Organisationen jeder Größe, an KI-Innovationen teilzunehmen und davon zu profitieren.
Während Herausforderungen bestehen bleiben, signalisieren laufende Fortschritte und Initiativen wie dezentrale KI-Rechnernetzwerke, KI-Datenmarktplätze und kollaborative KI-Modelle einen transformativen Wandel hin zu einer gerechteren und zugänglicheren KI-Landschaft.
____________________________________________
Verwandt
