实现人工智能的去中心化，权力下放是最佳途径！

在Web3中，我们从去中心化的视角看待每个领域有着悠久的历史，但现实情况是虽然每个领域，都有一系列去中心化场景，但并非所有领域都可以从去中心化中受益，例如人工智能。

人工智能是数字知识，知识可能是数字世界的第一大结构，值得去中心化。纵观Web3的历史，我们做过许多尝试来去中心化，这些东西在集中式架构中运行得非常好，而去中心化并没有提供明显的好处。

从技术和经济角度看，知识可能不是自然的权力下放候选者之一，因为目前大型人工智能提供商在知识控制方面具有巨大的优势，甚至变得可怕，人工智能的发展已不是线性或指数增长，而是遵循多指数曲线。

GPT-4在许多方面都代表了对GPT3.5的巨大改进，并且这一轨迹可能会继续下去。在某些时候，试图与集中式人工智能提供商竞争变得不可行。一个设计良好的去中心化网络模型可以实现一个生态系统，在这个生态系统中，各方合作以提高模型的质量，从而能够民主地获取知识和分享利益。

此外，透明度是评估人工智能去中心化优点时可以考虑的第二个因素。基础模型架构涉及跨多个层的数百万个互连神经元，因此使用传统的监测实践来理解是不切实际的。没有人真正了解GPT-4内部发生了什么，OpenAI也没有动力在该领域更加透明。去中心化的人工智能网络可以实现开放的测试基准和护栏，提供对基础模型功能的可见性，而无需信任特定的提供商。

如果去中心化人工智能的情况如此清晰，那么为什么我们在这一领域没有看到任何成功的尝试呢？的确，尽管去中心化人工智能的概念早在1990年代就开始出现，但在实践中并没有看到大规模的成功尝试，而这可以归因于多种因素。

在大模型进入场景之前，占主导地位的架构范式是不同形式的监督学习，需要高度策划和标记的数据集，这些数据集主要驻留在公司边界内。此外，这些模型足够小，可以使用主流工具轻松解释。最后，控制的理由也非常薄弱，缺乏强大到足以引起关注的模型。

因此在基础模型向大模型进化这个转折点上，我们开始意识到人工智能需要去中心化，并且与以往的尝试有所不同。现在我们可以开始考虑哪些特定元素需要去中心化，以实现更加公平、可持续和透明的人工智能发展。这需要深入思考和研究，涉及技术、政策和伦理等多个方面。

当涉及到生成式人工智能时，没有单一的去中心化方法。相反，应该在基础模型生命周期的不同阶段的背景下考虑去中心化。

首先，去中心化计算确实在预训练和微调阶段起到关键作用。通过建立去中心化GPU计算网络，不同方可以共同参与模型的训练和优化，减少了云服务提供商对基础模型的垄断控制。

其次，数据去中心化也是非常重要的，特别是在预训练和微调阶段。当前对于用于训练基础模型的数据集的具体组成缺乏透明度，建立分散的数据网络可以促使各方透明地提供数据，并跟踪其在模型训练中的使用情况。

第三，验证是基础模型生命周期中另一个重要的阶段，它需要人工干预和人类反馈。建立分散的人类和人工智能验证网络，可以执行特定任务并追溯结果，将提高验证过程的透明度，从而实现该领域的进一步改进。

最后，构建一个可以分布推理工作负载的网络将是一个有趣的挑战，它可以减少对由集中式方控制的基础架构的依赖，为基础模型的采用带来更大的灵活性和可靠性。

总结

随着人工智能的快速发展，我们面临一个迫切的问题：如何实现人工智能的去中心化，以推动公平、可持续和透明的发展？在解决这个问题的过程中，权力下放被认为是一种最佳的途径，它可以促进创新、多样性和透明度，保护数据隐私，并以更加公正和可持续的方式推动人工智能的发展。

然而，实现这一目标要克服技术、经济和伦理等方面的挑战，需要跨学科的研究和协作，制定合理的政策和机制，才能确保去中心化的人工智能真正造福社会。