Централізація штучного інтелекту проти децентралізації: у що варто грати? Уявіть собі дві арени: на одній домінують технологічні гіганти, які керують величезними центрами обробки даних, навчають моделі фронтирів і встановлюють правила. Інший розподіляє обчислення, дані та прийняття рішень між мільйонами майнерів, периферійними пристроями та відкритими спільнотами. Де ви вирішите будувати або інвестувати, залежить від того, яка сфера, на вашу думку, захопить наступну хвилю цінності, або від того, чи справжня можливість полягає в об'єднанні обох. --- Що означає централізація та децентралізація в ШІ Централізований штучний інтелект насамперед зустрічається на гіпермасштабованих хмарних платформах, таких як AWS, Azure і Google Cloud, які контролюють більшість кластерів графічних процесорів і займають 68% світового хмарного ринку. Ці постачальники тренують великі моделі, тримають ваги закритими або під обмежувальними ліцензіями (як це видно на прикладі OpenAI та Anthropic), а також використовують власні набори даних та ексклюзивні партнерства з даними. Управління, як правило, є корпоративним, керованим радами директорів, акціонерами та національними регулюючими органами. З іншого боку, децентралізований штучний інтелект розподіляє обчислення через однорангові ринки графічних процесорів, такі як @akashnet_ і @rendernetwork, а також мережі логічного висновку в ланцюжку, такі як @bittensor_. Ці мережі мають на меті децентралізацію як навчання, так і висновків. --- Чому централізація все ще домінує Існують структурні причини, чому централізований штучний інтелект продовжує лідирувати. Навчання моделі frontier, скажімо, багатомовної моделі з 2 трильйонами параметрів, вимагає понад 500 мільйонів доларів на обладнання, електроенергію та людський капітал. Дуже мало суб'єктів господарювання можуть фінансувати та виконувати такі зобов'язання. Крім того, регуляторні зобов'язання, такі як Указ президента США про штучний інтелект та Закон ЄС про штучний інтелект, встановлюють суворі вимоги щодо червоної команди, звітів про безпеку та прозорості. Виконання цих вимог створює рів у дотриманні вимог, який надає перевагу чинним посадовцям з хорошими ресурсами. Централізація також дозволяє здійснювати більш жорсткий моніторинг безпеки та управління життєвим циклом на етапах навчання та розгортання. --- Тріщини централізованої моделі Проте це домінування має слабкі місця. Зростає занепокоєння щодо ризику концентрації. У Європі керівники 44 великих компаній попередили регулюючі органи, що Закон ЄС про штучний інтелект може ненавмисно посилити хмарні монополії США та обмежити регіональний розвиток штучного інтелекту. Експортний контроль, особливо обмеження на графічні процесори під керівництвом США, обмежують коло осіб, які можуть отримати доступ до високоякісних обчислень, заохочуючи країни та розробників шукати децентралізовані або відкриті альтернативи. Крім того, з 2024 року ціни на API для власних моделей неодноразово зростали. Ця монопольна орендна плата спонукає забудовників розглядати дешевші, відкриті або децентралізовані рішення. --- Децентралізований штучний інтелект У нас є ринки ончейн-обчислень, такі як Akash, Render і @ionet, які дозволяють власникам графічних процесорів здавати в оренду невикористану ємність для робочих навантажень штучного інтелекту. Зараз ці платформи розширюються для підтримки графічних процесорів AMD і працюють над доказами на рівні робочого навантаження, щоб гарантувати продуктивність. Bittensor стимулює валідаторів і модельних бігунів за допомогою $TAO токена. Федеративне навчання набуває все більшого поширення, в основному в охороні здоров'я та фінансах, забезпечуючи спільне навчання без переміщення конфіденційних необроблених даних. Proof-of-inference і машинне навчання з нульовим розголошенням дозволяють виводити моделі навіть при роботі на ненадійному обладнанні. Це основоположні кроки для децентралізованих API штучного інтелекту, які не потребують довіри. --- Де криються економічні можливості У короткостроковій перспективі (сьогодні до 18 місяців) основна увага приділяється інфраструктурі прикладного рівня. Цінними будуть інструменти, які дозволять підприємствам легко перемикатися між моделями OpenAI, Anthropic, Mistral або локальними відкритими моделями. Аналогічним чином, набувають популярності студії, що пропонують версії відкритих моделей, що відповідають нормативним вимогам, за корпоративними угодами про рівень обслуговування. У середньостроковій перспективі (від 18 місяців до 5 років) децентралізовані мережі графічних процесорів будуть розвиватися, оскільки ціни на їхні токени відображають фактичне використання. Тим часом, підмережі в стилі Bittensor, орієнтовані на спеціалізовані завдання, такі як оцінка ризиків або згортання білків, будуть ефективно масштабуватися за допомогою мережевих ефектів. У довгостроковій перспективі (5+ років), периферійний штучний інтелект, швидше за все, домінуватиме. Телефони, автомобілі та пристрої IoT працюватимуть на локальних LLM, навчених за допомогою федеративного навчання, що скорочує затримку та залежність від хмари. Також з'являться протоколи власності на дані, що дозволить користувачам отримувати мікророялті, оскільки їхні пристрої вносять свій внесок у глобальне оновлення моделей. --- Як визначити переможців Проекти, які мають шанси на успіх, матимуть сильний технічний рів, вирішуючи проблеми з пропускною здатністю, верифікацією або конфіденційністю таким чином, щоб забезпечити на порядки покращення. Економічні маховики повинні бути грамотно сконструйовані. Більш високе використання має фінансувати кращу інфраструктуру та внески, а не лише субсидувати безкоштовних пасажирів. Управління має важливе значення. Голосування за токени саме по собі є крихким, натомість шукайте ради з багатьма зацікавленими сторонами, прогресивні шляхи децентралізації або моделі токенів подвійного класу. Нарешті, має значення тяжіння екосистеми. Протоколи, які рано інтегруються з ланцюжками інструментів розробників, швидше сприятимуть прийняттю. --- Стратегічні ігри Для інвесторів може бути розумно хеджувати, маючи доступ як до централізованих API (для стабільної прибутковості), так і до децентралізованих токенів (для асиметричного зростання). Для розробників рівні абстракції, які дозволяють у режимі реального часу перемикатися між централізованими та децентралізованими кінцевими точками на основі затримки, вартості або відповідності, є можливістю з високим кредитним плечем. Найцінніші можливості можуть лежати не на полюсах, а в сполучній тканині: протоколи, рівні оркестрації та криптографічні докази, які дозволяють робочим навантаженням вільно маршрутизуватися як у централізованих, так і в децентралізованих системах. Дякую за прочитання!