AI我还没完全搞明白,怎么又来一个DeAI!

我爱免费

作者：微信文章
首先，什么是DeAI？去中心化人工智能（DeAI）是一种将 AI 的处理和存储分布在多个设备或节点上，而非依赖单个中央系统的人工智能模式。

那么当前AI的发展到了哪一个阶段？AI 当前正处于从通用人工智能萌芽向强人工智能探索的过渡阶段，同时也是从生成式 AI 向智能体 AI（Agentic AI）过渡的阶段。
2022 年 ChatGPT 的发布掀开了 AI 发展的新篇章，标志着 AI 进入通用人工智能萌芽期。这一时期，Transformer 架构与大规模预训练的结合，使 AI 系统展现出跨领域知识迁移能力，生成式 AI 技术爆发，推动 AI 从 “识别理解” 向 “创造生成” 跨越。



随着技术的发展，传统 AI 逐渐暴露出以下几个问题：

数据隐私与安全问题

集中式数据存储风险：传统 AI 通常将大量数据集中存储在数据中心，容易成为黑客攻击的目标，一旦遭受攻击，可能导致大量用户数据泄露。而 DEAI 通过分布式存储和加密技术，降低了数据集中泄露的风险。数据使用不透明：传统 AI 系统中，数据的收集、使用和共享过程往往不够透明，用户难以了解自己的数据被如何使用。DEAI 则可以利用区块链技术实现数据操作的可追溯和透明化，让用户对数据使用有更多的控制权。

模型可解释性差

黑箱模型问题：传统 AI 中的深度学习模型等往往是黑箱模型，其决策过程难以理解和解释。例如在医疗诊断中，传统 AI 可能给出诊断结果，但无法清晰解释判断的依据，这使得医生和患者难以完全信任其决策。而 DEAI 强调透明性和可审计性，通过区块链等技术记录模型的训练和决策过程，提高了模型的可解释性。

计算资源和成本问题高算力需求与成本：传统 AI 训练大型模型需要大量的计算资源，通常依赖昂贵的数据中心和高性能 GPU、TPU 等设备，这不仅增加了能源消耗，也使得开发和应用成本居高不下。DEAI 通过分布式计算，利用全球范围内的闲置算力资源，降低了算力成本和能源消耗。

资源利用效率低：传统 AI 训练和推理高度依赖数据中心，存在资源闲置问题。DEAI 可以将闲置的计算资源利用起来，实现资源的高效利用。

适应性和灵活性不足对新场景适应困难：传统 AI 模型在特定任务和数据集上训练后，面对新的场景和数据分布变化时，性能容易下降，需要大量重新训练和调参。DEAI 通过分布式的架构和更灵活的学习机制，能够更好地适应新场景和数据变化。创新和多元化受限

巨头垄断阻碍创新：传统 AI 领域被少数科技巨头垄断，他们控制着大量的资源和数据，这使得中小企业和个人开发者难以进入，限制了行业的创新和多元化发展。DEAI 打破了这种垄断，为更多的参与者提供了机会，促进了创新和多元化。

DeAI相较传统AI有哪些优势呢？更好的隐私保护：联邦学习、设备本地训练和零知识证明等技术，确保用户数据在不被泄露的前提下参与 AI 模型的训练和应用。减少偏见：多元的贡献者带来更包容的视角，能够降低模型因数据和视角局限而产生的偏见。公平的经济激励：贡献数据、计算资源或对模型进行改进的参与者能够获得相应的回报，激励更多人参与到 AI 的发展中来。

DeAI有哪些特点？分布式处理和存储：数据不再存储在单个位置，而是分布在整个网络中，利用分散的计算资源进行模型训练和推理，避免了单点故障，提升了系统的韧性。透明和问责制：系统以更开放的方式运行，通过区块链等技术实现数据的透明性和可审计性，允许用户了解决策是如何以及由谁做出的，增加了系统的可信度。共享治理：社区成员共同参与制定规则、激励机制和模型的演进方向，打破了少数巨头对 AI 的控制权，促进了更广泛的参与和创新。

DeAI的应用领域有哪些？

医疗保健：允许医院在不共享敏感患者数据的前提下进行合作，共同改善患者护理，如通过联邦学习在本地分析医院各自的数据，优化诊断模型。智能制造：工厂可以在本地分析数据来优化运营，确保专有信息的机密性，同时通过分布式的计算资源提升生产效率和质量控制。金融领域：利用去中心化 AI 进行风险评估和欺诈检测，通过分布式计算和数据存储，提高金融系统的安全性和韧性，同时保护用户的金融数据隐私。

关于DeAI，大家了解了吗？欢迎评论区留言。