De-AI会成为像ElonMusk所预言的那样统治我们生活的人工智能机器人独裁者，还是会成为丰富且不那么物质化的未来的生产工具？由加密货币的间歇性牛市及其各自的区块链推动的去中心化点对点技术的改进，正在产生可以改善去中心化人工智能的生产环境。
De-AI的问题
De-AI的问题就和区块链一样，一个单一的系统将面临突然停用该计算机系统的非常艰巨的风险，因为节点将分布在许多国家/地区，并且系统中内置了经济激励措施。参与De-AI网络的已部署节点将获得加密货币奖励。与当前许多的AI应用程序一样，De-AI上将提供AI应用程序，但它们不会由单个人类实体控制，而是由受经济激励措施引导的验证者社区控制。
Layer2区块链被设计为可大规模扩展，是部署机器学习算法的自然目标，但可能需要一种更原生的方法，包括高速计算。Layer2区块链，如Optimism、Arbitrum和Starkware，有特定的编程语言不适合人工智能的高性能计算。
零知识(ZK)是加密生成的简短证明，证明有一些数据或计算已经完成，而没有透露数据或计算的所有细节。有用的ZK证明还必须在短时间内可验证。未来零知识技术的高速改进将允许对区块链进行高性能计算。
区块链的主要问题是用户需要任何交易计算都可以由其他节点快速验证，而ZK允许验证比计算本身快得多。
去哪个去中心化系统？
我们可以考虑哪些机器学习系统最适合首先迁移到去中心化系统中，这包括：
**1）推荐系统：**当用户消费不同的项目时，它被注册并被评估以建议未来要消费的项目。从技术上讲，你需要估计到其他项目的距离。这种类型的技术非常适合将推荐算法数据应用到多个节点中。你不需要将所有用户偏好、过去消费的项目都存储在一台计算机上。
**2）聚类/非结构化分类：**鉴于聚类是将数据集分类为自发的新类别的问题，似乎比结构化分类更容易去中心化。如果你将类别想象为地理区域，你会发现没有必要将所有数据点都存储在一台计算机中。特别是广义聚类算法中的应用于大脑图像的去中心化聚类算法。
现在人工智能或机器学习中缺少的工具是结构化分类器。基于固定数量的类别，算法必须猜测一条数据属于哪个类别。与强化学习密切相关，强化学习就像分类器的闭环，为机器人或游戏生成动作。
深度学习是多层结构化分类器的组合，以获得更复杂的自动化学习体验。这种类型的AI工具的问题在于，你需要所有训练数据集的全局视图，因为输出使用的是经过训练的权重或变量形式的数据合成汇总。你需要训练权重来生成输出、类别、机器人动作。
De-AI的三种场景
矩阵乘法是做大量的数值乘法和加法。海量矩阵乘法是结构化分类器、深度学习和强化学习中涉及的主要操作。正如我们之前提到的，对这些操作的验证是De-AI将面临的主要挑战。我们为去中心化人工智能(De-AI)设想了这三种场景：
**1）原生高性能区块链或侧链：**当比特币被认为是无用的，因为“浪费”了每秒验证5笔交易的无意识计算量，许多有远见的人提出，区块的挖掘涉及更多有用的计算。这是区块链难题的圣杯，将帮助人类。
要参与区块链网络中交易的验证，你将必须进行矩阵乘法和复杂的机器学习操作，这些操作将由其他节点验证，并最终被接受为挖矿的一部分加密货币。这种方法仅限于特定操作或静态深度学习架构。Filecoin和其他存储区块链可以通过仅存储数据但没有太多或没有转换的方式在此类别中看到。WekaCoin解决方案提出了一系列多样化的机器学习算法参与共识，使挖矿更加智能。
**2）更快的Layer2区块链：**利用现有的高性能和廉价的Layer2区块链，其中大多数基于以太坊网络协议，是实现去中心化人工智能的自然方法。使用Solidity作为编程语言可能不是最快的，但该技术具有构建去中心化AI乐高的所有要素。
构建可重复用的机器学习代码块，这些代码是开放且免费的。这种方法的主要限制是区块链通常具有有限的计算能力，可以包含在单个区块中。然后，如果你分叉像Arbitrum、Optimism或Starkware这样的Layer2，你必须准备好大量增加最大区块大小，并准备好为网络中的验证器设置最低性能阈值。
**3）用于AI的专用零知识平台：**这种替代方案类似于前面提到的StarkWareLayer2方法，但也涉及针对矩阵乘法和深度学习的ZK智能合约的特定开发。这可以在智能合约层中完成，例如在StarkWare中，或者在较低的共识层中完成。目标是进行大量繁重的计算，可以很容易地被网络中的其他节点验证。此外，包括灵活的智能合约操作组合允许不同算法的互操作性。
*此处表达的观点和意见作者的观点和意见，不一定反映SparkDAO的观点。每一项投资和交易都涉及风险，在做出决策時，你应该有自己的判断！
来源：bress
郑重声明： 本文版权归原作者所有， 转载文章仅为传播更多信息之目的， 如作者信息标记有误， 请第一时间联系我们修改或删除， 多谢。