Я работал над новой серией статей о децентрализованном ИИ и решил отредактировать ту серию, которую опубликовал в начале прошлого года.
Возникающая область децентрализованного искусственного интеллекта (ИИ) становится одной из самых захватывающих технологических тенденций последних нескольких месяцев. Много было написано о потенциальной ценности пересечения искусственного интеллекта (ИИ) и технологий блокчейна, и в этом году у нас даже есть целые конференции, посвященные теме децентрализованного ИИ. Тем не менее, я чувствую, что большая часть шумихи вокруг децентрализованного ИИ не в состоянии выделить некоторые из ключевых ценностных предложений движения за новые технологии, которые могут сделать его одной из самых фундаментальных технологических тенденций этого десятилетия. Если вы верите в идею о том, что ИИ будет становиться все более влиятельным фактором в нашей повседневной жизни, я считаю, что децентрализованный ИИ станет важным элементом, определяющим влияние, которое машинный интеллект окажет на будущие поколения. Звучит драматично? Давайте посмотрим на экономическую динамику децентрализованного ИИ, чтобы прояснить нашу точку зрения.
В наши дни понятие систем искусственного интеллекта интуитивно связано с централизацией. Когда мы говорим об ИИ, первое, что приходит на ум, - это такие компании, как Amazon, Facebook или Google, чьи системы машинного интеллекта становятся частью нашей повседневной жизни. Все более богатые информационные ресурсы, которыми обладают эти компании, позволили им первыми извлечь выгоду из революции искусственного интеллекта и создать экономическую динамику, которая не всегда согласована с конечным потребителем. Даже технологии и методологии, которые мы используем сегодня для создания систем искусственного интеллекта, предполагают в своей основе модель централизации.
Жизненный цикл современного проекта искусственного интеллекта предполагает, что у вас есть модель и очень большой высококачественный набор данных, который вы можете использовать для его обучения, а также пул специалистов по данным, которые могут постоянно упорядочивать и оптимизировать модель, чтобы стать более умным. . В большинстве сценариев ИИ весь этот цикл выполняется одним объектом, у которого есть ресурсы для сбора больших наборов данных, создания очень сложных моделей ИИ и работы с дорогостоящими вычислительными ресурсами.
Ирония всего этого заключается в том, что, если посмотреть глубже, экономические стимулы большой компании, предоставляющей модели ИИ, не обязательно связаны с созданием ценности для потребителей. С экономической точки зрения может существовать множество сценариев, в которых способность ИИ-агента увеличивать стоимость активов своего создателя в форме или доходе, данных или простых результатах напрямую не коррелирует со способностью создавать большую ценность для потребители.
Централизованный анализ и объединенные знания
Централизованный характер систем ИИ сильно контрастирует с эволюцией человеческого интеллекта. Знания существуют полностью рассредоточенными и объединенными по всему миру. Эрудиция - это новая цель в жизни, но никто не может утверждать, что обладает всеми знаниями по конкретному предмету. Сотрудничество и объединение знаний - одно из ключевых уникальных преимуществ, которые позволяют людям развиваться и доминировать над другими видами, которые были физически более мощными. И все же ИИ остается все более централизованным. В мире, который быстро движется к созданию общего ИИ и систем, которые могут значительно превзойти уровень интеллекта человечества, разве мы не хотим, чтобы эти знания и влияние были объединены, а не контролировались несколькими организациями?
Появление таких технологий, как мобильные вычисления или Интернет вещей (IOT), бросило вызов централизованному представлению об ИИ. Сегодня знания постоянно создаются на периферии и перетекают в централизованные узлы. Маятник должен перейти в динамику, в которой такие аспекты, как обучение, оптимизация, тестирование и создание знаний модели ИИ, становятся объединенными для многих участников.
Чтобы децентрализовать модели ИИ, нам нужно решить несколько задач:
а) Проблема конфиденциальности: могут ли организации обучать модель, не раскрывая свои данные.
б) Проблема влияния: Могут ли третьи стороны вносить вклад в поведение знания модели ИИ, оказывая количественное влияние.
c) Экономическая проблема: можно ли правильно стимулировать третьи стороны к тому, чтобы они вносили свой вклад в изучение и повышение качества модели искусственного интеллекта.
г) Проблема прозрачности: Может ли поведение модели ИИ быть прозрачно доступным для всех сторон без необходимости доверять централизованному органу.
Централизованный ИИ сегодня похож на закрытый исходный код в 1990-е годы
Открытый исходный код сегодня высоко ценится и является лучшим и наиболее эффективным способом создания программного обеспечения, но так было не всегда. На протяжении десятилетий крупные софтверные компании предпочитали использовать модели доставки с закрытым исходным кодом, чтобы иметь преимущество с точки зрения интеллектуальной собственности (IP). В конце концов, экономическая динамика доказала, что тысячи талантливых инженеров, регулярно участвующих в проекте, создают лучший код, чем несколько инженеров, движимых корпоративными интересами.
Если экстраполировать эволюцию открытого исходного кода на мир искусственного интеллекта, то сегодня мы находимся где-то в 1990-х годах, когда создание ценности программного обеспечения контролировалось и находилось под влиянием нескольких компаний. Что еще хуже, когда речь идет об ИИ, мы говорим не только о программном обеспечении или моделях ИИ, но и о других дорогостоящих ресурсах, таких как талантливые специалисты в области науки о данных, данные и вычислительные мощности. В этом мире децентрализованный ИИ - это новый открытый исходный код, за исключением того, что влияние на человечество может быть на порядок более значительным для человечества.
Технологические возможности
Несмотря на довольно очевидное ценностное предложение, путь к децентрализованному ИИ был сопряжен с очень сложными техническими проблемами, которые сделали его совершенно непрактичным в реальных приложениях. С чисто технологической точки зрения многие из этих проблем до недавнего времени считались неразрешимыми. За последние несколько лет новые технологии в области криптографии, цифровых валют и искусственного интеллекта объединились, чтобы обеспечить прочную основу для реализации децентрализованных приложений искусственного интеллекта.
Решение для обеспечения конфиденциальности: гомоморфное шифрование
Математически гомоморфизм определяется как «отображение математического множества (такого как группа, кольцо или векторное пространство) в другой набор или на себя таким образом, что результат, полученный в результате применения операций к элементам первого набора отображается на результат, полученный путем применения соответствующих операций к соответствующим изображениям во втором наборе ». Гомоморфное шифрование позволяет выполнять определенные типы вычислений с зашифрованным текстом, что дает зашифрованный результат, который также находится в зашифрованном тексте. Его результат - результат операций, выполненных с открытым текстом. Например, один человек может сложить два зашифрованных числа, а затем другой человек может расшифровать результат, при этом ни один из них не сможет найти значение отдельных чисел.
Гомоморфное шифрование можно считать одним из величайших достижений в области криптографии за последнее десятилетие. В контексте децентрализованного ИИ гомоморфное шифрование позволяет участникам приложения ИИ вносить данные в обучение модели таким образом, чтобы они оставались зашифрованными для других сторон.
Экономическое решение: блокчейны
Блокчейны обеспечивают фундаментальную среду выполнения и протоколы для создания настоящих децентрализованных приложений искусственного интеллекта. Первое поколение децентрализованных приложений AI использует такие концепции, как смарт-контракты или DApps, для моделирования взаимодействия между различными конечными точками в приложении AI.
Цифровые токены также являются актуальной концепцией в децентрализованном приложении ИИ, поскольку представляют собой основной механизм компенсации специалистам по данным за их вклад в модель. Цифровые токены также предоставляют экономический канал, чтобы направлять и влиять на поведение моделей таким образом, чтобы это приносило пользу всем заинтересованным сторонам.
Решение влияния: федеративное обучение
Федеративное обучение - это новая архитектура обучения для систем искусственного интеллекта, которые работают в сильно распределенных топологиях, таких как мобильные системы или системы Интернета вещей (IOT). Первоначально предложенное исследовательскими лабораториями Google, федеративное обучение представляет собой альтернативу централизованному обучению ИИ, при котором общая глобальная модель обучается под координацией центрального сервера из федерации участвующих устройств. В этой модели различные устройства могут способствовать обучению и изучению модели, сохраняя при этом большую часть данных в устройстве.
Нетрудно представить, почему федеративное обучение лежит в основе децентрализованных платформ ИИ. Используя федеративное обучение, несколько участников приложений ИИ могут независимо обучать или оптимизировать модель ИИ, не доверяя друг другу или централизованному органу.
При столкновении экономических и технических факторов тенденции в пользу децентрализации ИИ кажутся более жизнеспособными, чем когда-либо прежде. Однако применение децентрализованного ИИ оставалось невероятно ограниченным. Более подробно я исследую этот тезис в новой серии статей.
