Web 3 使用者已經習慣了分散式系統的優勢，但現實情況是，並非所有流 澳大利亞商務傳真列表 程都能從去中心化中受益，每個領域都有自己的區塊鏈實施場景。從這個角度來看人工智慧，難免會產生疑問，“為什麼人工智慧還沒有去中心化？”以及「如何處理它？」。我們將嘗試在本資料中回答這些問題。
人工智慧為什麼要去中心化？
支持人工智慧去中心化的論點非常簡單。人工智慧是數位化知識，知識是世界的基礎。對人工智慧的控制權累積在一家公司手中，不可避免地會導致資訊過濾和事實重寫。不可否認，神經網路正在以驚人的速度滲透到我們生活中最重要的領域，如果沒有適當的透明度，情況很容易失控。
2023 年 3 月推出的 GPT-4 語言模型在許多參數上都比 GPT-3.5 優越數倍，據開發者介紹，神經網路未來的更新將繼續朝著這個方向發展，變得更加強大和高效。當然，也有 ChatGPT 的去中心化類似物，但其開發人員的能力取決於與大公司不相容的預算。如果一切都沒有改變，在某個時候，像 OpenAI 這樣的中心化人工智慧解決方案提供者將贏得這場競賽，與他們的競爭將毫無意義。
流程的透明度是討論人工智慧的未來時需要考慮的第二個重要因素。現代語言模型包括數百萬行程式碼，這些程式碼對從網路上收集的大量資料進行編碼。因此，沒有人知道 GPT-4 內部發生了什麼，也沒有人知道 OpenAI 使用哪些資料來訓練其工具。去中心化的人工智慧可以讓特定模型的訓練內容和訓練方式變得透明。
為什麼人工智慧還沒有去中心化？
如果人工智慧去中心化的證據如此明確，為什麼迄今為止該領域還沒有一次成功的嘗試？畢竟，去中心化人工智慧並不是一個新想法，這項技術的許多原理早在 20 世紀 90 年代初就已經確定。不談技術細節，主要原因在於人工智慧直到最近才相對不受歡迎。
在OpenAI這樣的大公司出現之前，語言模型主要在企業層面實現，無法存取大量資料。簡而言之，過去神經網路的規模並沒有引起今天討論的恐懼——似乎這個工具不會超出預先定義的邊界。當時，引入限製或將人工智慧轉移到去中心化架構被視為過早的恐慌。
如何正確去中心化人工智慧？
當談到產生人工智慧時，沒有單一的去中心化方法。這個問題有幾個發展方向。讓我們考慮一下主要的：
計算的分散化。計算的分散化在神經網路的訓練和調整階段非常重要。如您所知，現代語言模型非常耗能，需要強大的GPU，因此它們的資料處理通常在大型集中中心進行。使用去中心化計算網絡，各方可以貢獻自己的設備來訓練和微調神經網絡，可以幫助消除大型雲端供應商對構建此類模型的控制。
數據分散化。目前，用於訓練語言模型和其他神經網路的資料是嚴格分類的。因此，使用者只能猜測生成內容所依據的資訊來自哪裡。這種情況可以透過區塊鏈的實施來糾正，以創建一個透明的系統，允許用戶追蹤數據的來源。
優化的分散化。在神經網路發展的某些階段需要人為介入。特別是，強化學習和回饋（RLHF）等方法使 GPT-4 模型能夠充當使用者友善的服務。這種驗證在微調階段尤其重要，此時這些細節對使用者是隱藏的。由人類和執行特定任務的聊天機器人組成的去中心化驗證器網絡，其結果對任何人開放，可能是該領域的重大改進。
評估權力下放。哪種神經網路是市面上最好的？根據基準測試，最令人驚奇的結果可以誇耀......停止。大多數評級和選擇要么由開發這些模型的公司編制，要么由他們贊助。評估人工智慧的性能及其能力是一項重要任務，目前世界上沒有審計師可以發布真正公正且準確的審查。令人驚訝的是，解決方案可能是一個分散的評估者組織，該組織將進行獨立、匿名的測試和測量。
基礎設施的分散化。畢竟，去中心化最明顯的領域是基礎設施。如今使用語言模型需要信任由中心化提供者控制的基礎設施。創建一個網絡，其中生成答案所涉及的計算可以分佈在不同各方之間，這是一項具有挑戰性但有趣的任務，可以為人類帶來巨大的好處。
人工智慧的各個面向都應該是去中心化的：資料收集、計算、開發和最佳化。這方面的證據是明確的，但背後的技術挑戰尚未被人類克服。人工智慧去中心化可能需要技術突破，但目標肯定是可以實現的。在未來的理想世界中，任何中心化結構都不應該擁有對人工智慧的完全權力。
