去中心化人工智慧

中心化AI解決方案的主要風險

今天的人為情報安排在其整個生命周期中都完全中心化。從培訓到部署和增強，如今的AI框架都依賴於在明確的信任限制下工作並控制預期執行特定AI解決方案的信息和資產的中心化管理機構。從這個角度來看，當今的AI框架受到四個中心化向量的影響。關於中心化AI模型的危害已作了大量論述。

AI中心化的主要危險可以概括為三個簡單的原則：

·越來越豐富的問題​​：如今，中心化AI通常是擁有豐富數據集的龐大組織的一項收益。這些組織可以採購成本高昂的數據科學團隊來創建模型，這些模型可以提供更多信息，從而提高組織的數據集。這種無休止的循環已經出現在組織（例如Google，Apple，Facebook和Amazon）上，它們獲得了非凡的信息維度並影響了我們的日常生活。

·以知識為中心的去中心化人工智慧摩擦：從認知的角度來看，信息安全是一種固有的去中心化運動。通常，在分配任務時，我們自然會從各種渠道獲得捐款。不管怎樣，我們要求在當今大多數AI框架上施加單獨的動力源，以可靠地促進單方面的和不足的學習。

·透明度-影響比：中心化的AI框架正在影響一個不成比例的比例，即大型組織對其客戶/用戶的影響程度及其直截了當的程度。在人類的歷史背景下，從未有如此多的人對如此眾多的人了解如此之多，卻沒有承諾直截了當地了解他們的見解。在沒有政治性的情況下，只需分析一下在選舉中對谷歌，Twitter或Facebook進行的政治運動可能產生的影響的範圍，其理解的範圍就是全民社區對這些組織如何處理信息和進行學習的了解關於客戶。

去中心化人工智慧的挑戰

如果採用中心化處理AI的方式存在如此眾多的危險，那麼出於什麼原因我們就不會看到去中心化AI解決方案。克服不可否認的創新障礙，要使去中心化人工智慧成為現實，有四個關鍵難題需要解決。

人工智慧去中心化的基礎技術

·分散式分類帳和智能合約：顯而易見，區塊鏈/分散式分類帳和智能合約正分別成為去中心化AI安排的首選運行時和編程模型。

·聯合學習：聯合學習是Google的先驅，它提供了一種成功的技術，可用於在節點系統上分發構建聚合信息的方式，同時節省了各個節點的自治性和安全性。關於去中心化的AI，聯合學習對於授權去中心化的實體集合以增加AI模型的信息至關重要。

·同態加密貨幣：被認為是密碼學的聖杯，同態加密貨幣可以對已編碼的數據集執行數值運算（例如機器學習模型）。同態加密貨幣將使去中心化AI設計中的節點能夠在加密貨幣數據中心化執行模型，而無需解密信息。

·對抗神經密碼術：對抗神經神經網路（GAN）密碼學是一個智能系統，可以靈活地適應任何附件，從而在各個集合之間實現安全的互換。關於去中心化AI安排，GAN加密貨幣技術將使去中心化系統中的節點能夠安全交易數據，而無需信任預定義的加密貨幣計劃。

·安全的多方計算：值得關注的創新背後的策略，例如Enigma區塊鏈，安全的多方計算，為同態加密貨幣提供了一種較便宜的選擇，從而使獨特的集合能夠表達關於數據集的斷言，而這些斷言可以在不接近數學方法的情況下進行數學確認。基礎數據集。與同態加密貨幣類似，sMPC可以使機器學習模型在安全的數據集上執行，而無需討價還價。

儘管仍處於起步階段，但去中心化AI保證在接下來的十年中最關鍵的創新發展中脫穎而出。