美国其他地区的去中心化人工智能
我一直在研究一系列关于去中心化人工智能的新论文,并决定编辑我去年初发表的系列文章。
去中心化的人工智能(AI)的新兴领域正在成为过去几个月中最激动人心的技术趋势之一。关于人工智能(AI)和区块链技术交叉的潜在价值已经写了很多,今年,我们甚至还有一些专门讨论去中心化人工智能主题的会议。但是,我觉得去中心化人工智能背后的许多炒作未能突出新技术运动的一些关键价值主张,这可能使其成为本十年最基本的技术趋势之一。如果你相信人工智能将成为我们日常生活中越来越有影响力的因素,我相信去中心化的人工智能将成为指导机器智能对后代产生影响的重要因素。听起来很戏剧性?让我们看一下去中心化人工智能背后的一些经济动态,试图澄清我们的观点。
如今,人工智能系统的概念直观地与中心化相关联。当我们谈论人工智能时,首先想到的是像亚马逊,Facebook或谷歌这样的公司,其机器智能系统正在成为我们日常生活的一部分。这些公司拥有的越来越丰富的数据资产使他们能够首先利用人工智能革命,创造一种并不总是与最终消费者保持一致的经济动力。即使我们今天用于构建AI系统的技术和方法也假设其核心是中心化模型。
现代AI项目的生命周期假设您拥有一个模型和一个大型,高质量的数据集,您可以使用它来训练它,以及一个数据科学家库,可以不断调整和优化模型,以便变得更加智能化。在大多数AI场景中,整个周期由单个实体执行,该实体具有收集大型数据集的资源,创建高度复杂的AI模型并运行昂贵的计算资源。
具有讽刺意味的是,当你仔细观察时,提供AI模型的大型政党的经济激励并不一定与消费者的价值创造保持一致。从经济角度来看,可能存在许多场景,其中AI代理以形式或收入,数据或简单结果增加其创建者资产价值的能力与创造更多价值的能力不直接相关。消费者。
中心化智慧与联合知识
人工智能系统的中心化性与人类智能的发展形成鲜明对比。知识存在于世界各地,完全去中心化和联合。博学是现场的一个新目标,但没有人可以宣称拥有特定主题的所有知识。知识协作和联合是一个关键的独特优势之一,它允许人类进化并支配物理上更强大的其他物种。然而,人工智能仍然越来越中心化。在一个正在迅速发展普通人工智能的系统和能够大大超越人类智慧水平的系统的世界中,我们难道不想将这些知识和影响联合起来而不是控制一些组织吗?
移动计算或物联网(IOT)等技术的出现挑战了人工智能的中心化概念。如今,知识不断在边缘创造并流向中心化中心。钟摆必须转变为动态,其中诸如AI模型的训练,优化,测试和知识创建等方面在许多参与者之间联合起来。
为了去中心化AI模型,我们需要解决一些挑战:
a)隐私问题:实体可以培训模型而无需披露其数据。
b)影响问题:第三方能否以具有数量影响力的方式对AI模型的知识行为做出贡献。
c)经济问题:第三方是否可以被正确地激励,以促进AI模型的知识和质量。
d)透明度问题:AI模型的行为活动是否可以透明地提供给所有各方,而无需信任中心化的权威机构。
在20世纪90年代,中心化的AI今天就像是封闭源
今天的开源是高回报,是创建软件的最佳和最有效的方式,但情况并非总是如此。几十年来,大型软件公司倾向于采用封闭源交付模式,以便在知识产权(IP)方面具有优势。最终,经济动态证明,成千上万的有才华的工程师经常为一个项目做出贡献,而不是一些由公司利益驱动的工程师。
如果我们推断开源的演变到人工智能世界,今天我们就在20世纪90年代的某个地方,软件的价值创造受到少数公司的控制和影响。更糟糕的是,当涉及AI时,我们不仅谈论软件或AI模型,还谈论其他昂贵的资源,如数据科学人才,数据和计算能力。在那个世界中,去中心化的人工智能是新的开源,只不过人类的影响可能对人类产生更大的影响。
技术推动者
尽管它有一些明显的价值主张,但去中心化人工智能的道路却受到非常困难的技术挑战的困扰,这使得它在现实世界的应用中变得完全不切实际。从纯粹的技术角度来看,许多这些问题直到最近才被认为是无法解决的。在过去几年中,密码学,数字货币和人工智能空间的新技术汇集在一起,为去中心化AI应用的实施提供了坚实的基础。
隐私解决方案:同态加密货币
在数学上,同态被定义为“将数学集(例如,组,环或向量空间)映射到另一个集合或其自身的映射,使得通过将操作应用于第一集合的元素而获得的结果被映射到通过将相应的操作应用于第二组中的它们各自的图像而获得的结果“。同态加密货币允许在密文上执行特定类型的计算,该密文产生也是密文的加密货币结果。其结果是在明文上执行的操作的结果。例如,一个人可以添加两个加密的数字,然后另一个人可以解密结果,而他们中的任何一个都无法找到单个数字的值。
同态加密货币可以被认为是过去十年中密码学领域最大的突破之一。在去中心化AI的背景下,同态加密货币使AI应用程序中的参与者能够以对其他方保持加密的方式将数据提供给模型的训练。
经济解决方案:区块链
区块链提供基本的运行时和协议,以实现真正的去中心化AI应用程序。第一代dencetralized AI应用程序正在利用智能合约或DApps等概念来模拟AI应用程序中不同端点之间的交互。
数字代币也是去中心化AI应用程序中的一个相关概念,因为它代表了补偿数据科学家对模型贡献的主要机制。数字代币还提供了一个经济渠道,以有利于所有相关方的方式指导和影响模型的行为。
影响力解决方案:联邦学习
联合学习是人工智能系统的一种新型学习架构,可在高度分布式拓扑中运行,如移动或物联网(IOT)系统。最初由Google研究实验室提出,联合学习代表了中心化AI培训的替代方案,其中共享的全球模型在中央服务器的协调下从参与设备的联合进行训练。在该模型中,不同的设备可以有助于模型的训练和知识,同时保持设备中的大部分数据。
不难想象为什么联邦学习是去中心化人工智能平台的基础。使用联合学习,AI应用程序中的多个参与者可以独立地训练或优化AI模型,而无需相互信任或中心化授权。
由于经济和技术因素相互冲突,支持人工智能权力下放的趋势似乎比以往任何时候都更加可行。然而,去中心化人工智能的应用仍然受到极大的限制。我将在一系列新文章中更详细地探讨这篇论文。