Децентрализованный искусственный интеллект для остальной части США

Децентрализованный искусственный интеллект для остальной части США

Источник · Перевод автора

Я работал над новой серией работ по децентрализованному ИИ и решил отредактировать и серию, которую я опубликовал в начале прошлого года.

Развивающаяся область децентрализованного искусственного интеллекта (ИИ) становится одной из самых захватывающих технологических тенденций последних нескольких месяцев. Много было написано о потенциальной ценности пересечения технологий искусственного интеллекта (ИИ) и блокчейна, и мы в этом году провели целые конференции, посвященные теме децентрализованного ИИ. Тем не менее, я чувствую, что большая часть шумихи вокруг децентрализованного ИИ не в состоянии выделить некоторые ключевые ценностные предложения движения новых технологий, которые могут сделать его одним из самых фундаментальных технологических трендов этого десятилетия. Если вы верите в идею, что ИИ станет все более влиятельным фактором в нашей повседневной жизни, я считаю, что децентрализованный ИИ будет важным элементом, определяющим влияние, которое машинный интеллект будет оказывать на будущие поколения. Звучит драматично? Давайте посмотрим на некоторую экономическую динамику децентрализованного ИИ, чтобы попытаться прояснить нашу точку зрения.

В наши дни понятие систем ИИ интуитивно связано с централизацией. Первое, что приходит на ум, когда мы говорим об искусственном интеллекте, – это такие компании, как Amazon, Facebook или Google, чьи системы искусственного интеллекта становятся частью нашей повседневной жизни. Все более богатые активы данных, которыми обладают эти компании, позволили им в первую очередь извлечь выгоду из революции ИИ и создать экономическую динамику, которая не всегда соответствует конечному потребителю. Даже технологии и методологии, которые мы использовали сегодня для построения систем искусственного интеллекта, в своей основе предполагают модель централизации.

Жизненный цикл современного проекта ИИ предполагает, что у вас есть модель и очень большой, высококачественный набор данных, который вы можете использовать для его обучения, а также группа специалистов по обработке данных, которые могут постоянно упорядочивать и оптимизировать модель, чтобы стать более интеллектуальными. В большинстве сценариев ИИ весь этот цикл выполняется одним объектом, который обладает ресурсами для сбора больших наборов данных, создания сложных моделей ИИ и использования дорогостоящих вычислительных ресурсов.

Ирония всего этого заключается в том, что, если смотреть глубже, экономические стимулы большой партии, предоставляющей модели искусственного интеллекта, не обязательно соответствуют созданию ценности для потребителей. С экономической точки зрения может быть много сценариев, в которых способность агента ИИ увеличивать стоимость активов своего создателя в форме или доходе, данных или простых результатах напрямую не связана со способностью создавать большую ценность для потребителей.

Централизованный интеллект против федеративных знаний

Централизованная природа систем искусственного интеллекта сильно контрастирует с эволюцией человеческого интеллекта. Знания существуют полностью разбросаны и объединены по всему миру. Эрудиция – это новая цель в жизни, но никто не может утверждать, что обладает всеми знаниями определенного предмета. Сотрудничество и объединение знаний – одно из ключевых уникальных преимуществ, которые позволяют людям развиваться и доминировать над другими физически более сильными видами. И все же ИИ остается все более централизованным. В мире, который стремительно движется к созданию общего ИИ и систем, которые могут значительно превзойти уровень интеллекта человечества, разве мы не хотим, чтобы эти знания и влияние были объединены, а не контролировались несколькими организациями?

Появление таких технологий, как мобильные вычисления или Интернет вещей (IOT), бросило вызов централизованному представлению об искусственном интеллекте. Сегодня знания постоянно создаются по краям и направляются к централизованным центрам. Маятник должен перейти к динамике, в которой такие аспекты, как обучение, оптимизация, тестирование и создание модели искусственного интеллекта, объединяются между многими участниками.

Чтобы децентрализовать модели искусственного интеллекта, нам необходимо решить несколько задач:

а) Проблема конфиденциальности: могут ли лица обучать модели, не раскрывая свои данные.

b) Проблема влияния: Могут ли третьи стороны внести свой вклад в поведение знания модели ИИ таким образом, чтобы это было количественно влиятельным.

c) Экономическая проблема: могут ли третьи стороны быть правильно мотивированы, чтобы внести вклад в знание и качество модели искусственного интеллекта.

d) Проблема прозрачности: может ли активность поведения модели ИИ быть прозрачно доступной для всех сторон без необходимости доверять централизованному органу.

Централизованный ИИ сегодня как закрытый источник в 1990-х

Сегодня открытый исходный код высоко ценится и является лучшим и наиболее эффективным способом создания программного обеспечения, но так было не всегда. В течение десятилетий крупные компании-разработчики программного обеспечения предпочитали использовать модели доставки с закрытым исходным кодом, чтобы иметь преимущество в области интеллектуальной собственности (ИС). В конце концов, экономическая динамика доказала, что тысячи талантливых инженеров, регулярно участвующих в проекте, производят лучший код, чем несколько инженеров, движимых корпоративными интересами.

Если мы экстраполируем эволюцию открытого исходного кода в мир искусственного интеллекта, то сегодня мы находимся где-то в 1990-х годах, в которых создание стоимости программного обеспечения контролировалось и находилось под влиянием нескольких компаний. Что еще хуже, когда речь идет об искусственном интеллекте, мы говорим не только о программном обеспечении или моделях искусственного интеллекта, но и о других дорогих ресурсах, таких как талант в области наук о данных, данные и вычислительная мощность. В этом мире децентрализованный ИИ является новым открытым исходным кодом, за исключением того, что воздействие на человечество может быть на порядок более влиятельным для человечества.

Технологические инструменты

Несмотря на довольно очевидное ценностное предложение, путь к децентрализованному искусственному интеллекту был сопряжен с очень сложными техническими проблемами, которые делали его совершенно непрактичным в реальных приложениях. С чисто технологической точки зрения многие из этих проблем до недавнего времени считались неразрешимыми. В последние несколько лет новые технологии в криптографии, цифровых валютах и пространстве ИИ объединились, чтобы обеспечить прочную основу для реализации децентрализованных приложений ИИ.

Решение для конфиденциальности: гомоморфное шифрование

Математически, гомоморфизм определяется как «отображение математического набора (такого как группа, кольцо или векторное пространство) в или на другой набор или себя таким образом, что результат получается путем применения операций к элементам первого набора отображается на результат, полученный путем применения соответствующих операций к их соответствующим изображениям во втором наборе». Гомоморфное шифрование позволяет выполнять определенные типы вычислений в зашифрованном виде, что дает зашифрованный результат, который также находится в зашифрованном виде. Его результат – результат операций, выполненных с открытым текстом. Например, один человек может добавить два зашифрованных номера, а затем другой человек может расшифровать результат, при этом ни один из них не сможет найти значение отдельных номеров.

Гомоморфное шифрование можно считать одним из величайших прорывов в криптографическом пространстве за последнее десятилетие. В контексте децентрализованного ИИ гомоморфное шифрование позволяет участникам приложения ИИ вносить данные для обучения модели таким образом, чтобы она оставалась зашифрованной для других сторон.

Экономическое решение: блокчейны

Блокчейны предоставляют основную среду выполнения и протоколы для реализации действительно децентрализованных приложений ИИ. Первое поколение денцентрализованных приложений ИИ использует такие концепции, как смарт-контракты или DApps, для моделирования взаимодействий между различными конечными точками в приложении ИИ.

Цифровые токены также являются актуальным понятием в децентрализованном приложении ИИ, поскольку они представляют собой основной механизм компенсации ученым за их вклад в модель. Цифровые токены также предоставляют экономический канал для руководства и влияния на поведение моделей таким образом, чтобы это приносило пользу всем заинтересованным сторонам.

Решение для влияния: федеративное обучение

Федеративное обучение – это новая архитектура обучения для систем искусственного интеллекта, которые работают в сильно распределенных топологиях, таких как системы мобильной связи или Интернета вещей (IOT). Первоначально предложенное исследовательскими лабораториями Google, федеративное обучение представляет собой альтернативу централизованному обучению искусственного интеллекта, в котором общая глобальная модель обучается под координацией центрального сервера из федерации участвующих устройств. В этой модели различные устройства могут способствовать обучению и знанию модели, сохраняя при этом большую часть данных в устройстве.

Нетрудно представить, почему федеративное обучение является основой для децентрализованных платформ искусственного интеллекта. Используя федеративное обучение, несколько участников в приложениях ИИ могут самостоятельно обучать или оптимизировать модель ИИ без необходимости доверять друг другу или централизованным органам власти.

При столкновении экономических и технических факторов тенденции в пользу децентрализации ИИ кажутся более жизнеспособными, чем когда-либо прежде. Однако применение децентрализованного ИИ оставалось невероятно ограниченным. Я исследую этот тезис более подробно в новой серии статей.