为我刚刚得知 OpenAl 可以访问 Twitter 数据库进行训练。我暂停了它。需要更多地了解未来的治理结构和收入计划。OpenAl 最初是开源和非营利性的，现在来看两者都不是。」 此后，X.com 开始对查询数据收费，并限制了用户的每日帖子浏览量。不久后，X.com 的 GPT「Grok」发布，允许用户实时访问 X.com 的数据。这形成了经济屏障，并引出人工智能的可访问性和包容性问题。 此外，如果没有持续的数据更新，已发布的大模型很快会过时，这对保持实用性和准确性构成了巨大的挑战。目前，ChatGPT 3.5 的训练数据是截至 2022 年 1 月的信息，而 Llama 2 则是在 2023 年 1 月至 2023 年 7 月之间。 为了应对这些挑战，去中心化人工智能（DAI） 成为一种有前途的范例，为中心化的局限性提供了潜在的解决方案。 资料来源：（Janbi 等人，2023） DAI 提供了一种替代路径，以应对中心化模型固有的挑战。Janbi 等人最近的一篇论文进行了全面的分析，并将 DAI 分为以下五个主要领域。 领域 描述 Web3 的影响 人工智能工作流程 大模型的系统化开发与训练 DAI 简化了这一过程并使之民主化，使其更易于访问和协作。 人工智能基础设施 科技基础设施，包括硬件、软件和网络。 去中心化物理基础设施网络（DePIN） 可以为计算资源提供更有效的路径。 范式 指导人工智能系统设计和实施的框架 引入新的范式，例如协作或联合学习，使计算更加贴近用户。 管理 确保有效资源分配和项目协调的机制 需要引入众多复杂的利益相关者，形成创新的协调和激励机制。 应用领域 为用户量身定制的人工智能技术应用。 利用去中心化提高效率、透明度和道德规范。 资料来源：（Janbi 等人，2023）+ DWF Ventures DAI 的挑战 DAI 为人工智能带来了令人兴奋的转变和众多优势，然而，承认仍然存在的挑战至关重要。 好处 挑战 解决方案的多样性 不同专家系统之间的协作，每个专家系统都贡献独特的专业知识来解决超出个人能力的复杂问题 协调性差 确保利益相关者一致和合作具有挑战性，因为每个人都可能在知识不完整的情况下进行操作，从而导致潜在的不一致 模块化、可重复使用和高效率 模块化设计允许在各种应用程序中重复使用小型专家系统，通过专用处理器并行执行任务来提高效率 利益相关者知识不完整和不一致 分布式责任导致利益相关者只拥有部分知识，这可能会导致大家不一致，从而影响整个系统的可靠性 复杂性控制与对分布式问题的适应 分解处理分布式系统的任务 战略规划挑战 不同利益相关者难以就特定目标达成一致 无集中攻击点 通过避免中心化瓶颈的方式来增强响应能力，在数据或系统出现问题时弱化故障 信息收集的复杂性 由于无休止的沟通和动态变化，利益相关者必须决定如何以及何时更新其状态。 处理大规模问题 有潜力解决中心化系统无法解决的大规模问题。 资料来源：（Eduardo, L., & Hern, C.，1988） + DWF Ventures 结论 总之，DAI 正以巨大的潜力展开。由于供应商和用户有限，开源替代方案面临困难，而 ChatGPT API 为大众市场提供了实用且经济的选择，提供了易用性和可靠性。 然而，考虑到垄断的通用人工智能的潜在后果，个人应该重新权衡其选择和行动中的便利性和去中心化。在更广泛的范围内，Web3 和 AI 社区的创新者可以重新定义 AI 工作流程、重新构建基础设施、采用创新范式、高效管理以及开发符合去中心化原则的应用程序来应对挑战。当我们继续沿着这条道路前进时，协作、包容性和道德规范将成为塑造真正造福人类的 DAI 格局的关键。 来源：金色财经lg...
北美站
