去中心化人工智能

中心化AI解决方案的主要风险

今天的人为情报安排在其整个生命周期中都完全中心化。从培训到部署和增强，如今的AI框架都依赖于在明确的信任限制下工作并控制预期执行特定AI解决方案的信息和资产的中心化管理机构。从这个角度来看，当今的AI框架受到四个中心化向量的影响。关于中心化AI模型的危害已作了大量论述。

AI中心化的主要危险可以概括为三个简单的原则：

·越来越丰富的问题​​：如今，中心化AI通常是拥有丰富数据集的庞大组织的一项收益。这些组织可以采购成本高昂的数据科学团队来创建模型，这些模型可以提供更多信息，从而提高组织的数据集。这种无休止的循环已经出现在组织（例如Google，Apple，Facebook和Amazon）上，它们获得了非凡的信息维度并影响了我们的日常生活。

·以知识为中心的去中心化人工智能摩擦：从认知的角度来看，信息安全是一种固有的去中心化运动。通常，在分配任务时，我们自然会从各种渠道获得捐款。不管怎样，我们要求在当今大多数AI框架上施加单独的动力源，以可靠地促进单方面的和不足的学习。

·透明度-影响比：中心化的AI框架正在影响一个不成比例的比例，即大型组织对其客户/用户的影响程度及其直截了当的程度。在人类的历史背景下，从未有如此多的人对如此众多的人了解如此之多，却没有承诺直截了当地了解他们的见解。在没有政治性的情况下，只需分析一下在选举中对谷歌，Twitter或Facebook进行的政治运动可能产生的影响的范围，其理解的范围就是全民社区对这些组织如何处理信息和进行学习的了解关于客户。

去中心化人工智能的挑战

如果采用中心化处理AI的方式存在如此众多的危险，那么出于什么原因我们就不会看到去中心化AI解决方案。克服不可否认的创新障碍，要使去中心化人工智能成为现实，有四个关键难题需要解决。

人工智能去中心化的基础技术

·分布式分类帐和智能合约：显而易见，区块链/分布式分类帐和智能合约正分别成为去中心化AI安排的首选运行时和编程模型。

·联合学习：联合学习是Google的先驱，它提供了一种成功的技术，可用于在节点系统上分发构建聚合信息的方式，同时节省了各个节点的自治性和安全性。关于去中心化的AI，联合学习对于授权去中心化的实体集合以增加AI模型的信息至关重要。

·同态加密货币：被认为是密码学的圣杯，同态加密货币可以对已编码的数据集执行数值运算（例如机器学习模型）。同态加密货币将使去中心化AI设计中的节点能够在加密货币数据中心化执行模型，而无需解密信息。

·对抗神经密码术：对抗神经神经网络（GAN）密码学是一个智能系统，可以灵活地适应任何附件，从而在各个集合之间实现安全的互换。关于去中心化AI安排，GAN加密货币技术将使去中心化系统中的节点能够安全交易数据，而无需信任预定义的加密货币计划。

·安全的多方计算：值得关注的创新背后的策略，例如Enigma区块链，安全的多方计算，为同态加密货币提供了一种较便宜的选择，从而使独特的集合能够表达关于数据集的断言，而这些断言可以在不接近数学方法的情况下进行数学确认。基础数据集。与同态加密货币类似，sMPC可以使机器学习模型在安全的数据集上执行，而无需讨价还价。

尽管仍处于起步阶段，但去中心化AI保证在接下来的十年中最关键的创新发展中脱颖而出。