最新报道：人工智能已迅速成为世界上最中心化的力量之一。开发和部署人工智能需要大量资源 —— 包括大量资本、先进的计算能力和高度专业化的人才。当然，只有资金最充足的组织才有能力投资尖端基础设施并吸引顶级人才，而规模较小的企业则难以跟上。 在传统情况下，MLOps（Machine Learning Operations，机器学习训练）由大型组织控制，这些组织在内部管理从数据收集到模型训练和部署的一切。这种封闭的生态系统垄断了人才和资源，为初创公司和小公司制造了重大障碍。 区块链挑战这种中心化的最令人兴奋的方式之一是支持去中心化、无需许可的人工智能模型。通过利用分布式社区来保护、验证、微调和验证 LLM （大型语言模型）部署过程的每个阶段，我们可以防止少数参与者主宰人工智能领域。 io.net 正在密切关注人工智能和区块链的交叉点，确定了可以重塑格局的三个关键领域。 分布式 MLOps 在传统的 MLOps 中，大型科技公司占据上风。他们有资源垄断人才并在内部经营一切。另一方面，去中心化的 MLOps 使用区块链和代币激励来创建分布式网络，允许更广泛地参与整个人工智能开发生命周期。 从数据标记到模型微调，去中心化网络可以更有效、更公平地扩展。人才库可以根据需求和复杂性进行调整，这使得这种方法在人才通常集中在资金雄厚的公司的专业领域特别有效。 以 CrunchDao 为例，他们建立了一个类似 Kaggle 的去中心化模型，人工智能人才可以在其中竞争为贸易公司解决问题。随着特定数据集变得越来越普遍，公司将越来越多地依靠这些人才网络来提供「循环中的人」进行监督、微调和优化。另一个项目 Codigo 正在使用类似的方法，构建一个由加密开发人员组成的去中心化网络，开发人员由赚取代币来训练和完善加密货币特定的语言模型。 分布式硬件 当今人工智能开发的最大障碍之一是获得尖端 GPU，例如 Nvidia 的 A100 和 H100。它们对于训练大型人工智能模型至关重要，但其成本对于大多数初创公司来说却过高。与此同时，AWS 等公司正在与 Nvidia 达成直接交易，进一步限制小型企业的访问。 这就是为何需要像 io.net 这样基于区块链的去中心化模型。通过让人们能够将闲置的 GPU 货币化（无论它们是位于数据中心、加密货币挖矿设施，甚至游戏机中），小型公司都可以以极低的成本获得所需的计算能力。它是传统云提供商的一种无需许可、经济高效的替代方案，没有审查或高昂费用的风险。 分布式溯源 正如 Balaji Srinivasan 所说，「人工智能是丰富的数字产品，加密货币是稀缺的数字资产；人工智能生成，加密货币验证。」随着人工智能模型越来越依赖新颖的、私有的甚至受版权保护的数据，并且随着深度造假的威胁越来越大，确保数据来源和适当的许可变得更加重要。 当涉及未经适当同意而对受保护数据进行训练的人工智能模型时，版权侵权是一个严重的问题。这就是去中心化溯源解决方案大放异彩的地方。使用区块链的透明、去中心化账本，我们可以在数据的整个生命周期（从收集到部署）中跟踪和验证数据，而无需依赖中心化机构。这增加了一层信任、责任和对数据权利的尊重，对于人工智能的未来发展至关重要。 结论 人工智能和区块链技术的融合提供了令人兴奋的新方法来挑战人工智能开发中的中心化威胁。去中心化的 MLOps、分布式硬件和基于区块链的溯源解决方案都在创建更公平、可扩展的人工智能生态系统方面发挥着作用。这些模型允许动态人才网络、利用闲置计算资源并确保数据可靠性，为人工智能更加去中心化和包容性的未来铺平道路。