為什麼分散化的人工智慧會重新塑造我們所知道的行業

直到最近， 當代人工智慧行業都是圍繞集中式分佈模式構建的， 機器學習解決方案作為部署在AI供應商的遠端伺服器上， 基於雲的API和套裝軟體的一部分提供。 現在， 我們正在邁向下一個前沿——分散式AI， 可以在本地設備上運行和培訓， 或者在區塊鏈等分散式網路中做出決策。

通過Google的聯合學習等新技術， 可以實現ML演算法的人群培訓， 在移動設備上運行和訓練ML模型的設備中心AI以及在DAO中使用AI（分散自治組織）在區塊鏈網路上。 在這篇文章中， 我將討論分散化的AI如何工作， 它有什麼潛力， 更重要的是， 企業所有者和用戶從中獲得什麼好處。

人工智慧與分散組織

近年來最令人興奮的創新之一是， 在乙太坊區塊鏈上運行的DAO。 簡言之， DAO是一種實現權杖所有權， 契約義務和業務邏輯規則（例如， 什麼時候賣， 賣什麼）的電腦演算法。 當所有這些東西放在一起，

我們得到一個演算法， 公司通過智慧合約運行， 在虛擬股東之間分配價值。 這種設計在分權分配版稅， 股票交易， 眾籌， 小額支付， 訂閱支付， 預測市場等方面是有效的。

AI DAO在我們將區塊鏈上的AI代理商的部分， 或全部決策責任委託給他人時出現。 AI可以通過幾種方式來實現。 如果您在某些DAO中擁有所有權， 您可以將您的決策（例如， 是/否表決）交給AI代理（另一個智慧合約）， 該代理將為您做出所有決定。 或者， 在更激進的情況下， 我們可以把AI作為DAO的中心， 使其成為負責所有組織和業務決策的事實上的經理。 例如， 想像一下AI經理選擇最佳公司或用戶放置廣告的AI DAO。 在每個行銷週期之後， AI將評估投資回報率並相應地調整其行銷策略。

實質上，

AI DAO將我們帶入一個質的新的經濟現實。 人工智慧軟體成為一種業務管理者， 在分散的網路中監督業務並與其他人工智慧管理者進行競爭， 這是一個現實。 由數以千計的使用者提供的資料以及獲取資源和獲取資源的能力為基礎， 分散的認可機構可以為其所有者帶來巨大的經濟價值。 例如， 使用生成模型（GAN）， 我們可以創建AI DAO， 交易自己的藝術品， 徽標， 草圖， 圖像或視訊短片， 並將利潤作為加密貨幣代幣分配給其股東。

此外， 我們可以想像一個AI DAO成為累積資本的唯一股東。 我們可能會在Terra0中看到這種方法， 這個項目涉及由柏林藝術大學的Paul Seidler和Paul Kolling提出的增加型自有林。 在這個項目中， 林地所有權被形成為一個AI DAO， 在乙太坊區塊鏈上擁有智能合約。

然後， 使用無人機和衛星， AI DAO可以對木材進行評估， 並決定在市場上銷售多少和何時銷售。 一旦項目啟動並運行， AI DAO可以將債務交付給最初的所有者， 最終將森林變成自主控制自有資源的自主實體。 進一步考慮這個想法， 我們可以想像自有AV（自主車輛）和機器人成為我們未來經濟的正常組成部分。

Google的聯合學習和以設備為中心的人工智慧的分權化

作為API和基於雲的服務提供的集中AI解決方案非常棒， 但是它們有一定的瓶頸。 由於使用者通過網路訪問AI功能， 並且由於ML演算法涉及大量計算， 所以高延遲通常是一個問題。 另外， 如果您以集中方式訓練AI模型， 可能需要更多時間來改進它們。 相比之下， 分散式AI可以在使用者的設備上本地運行，

訪問更多的使用者資料， 並且不依賴於網路連接， 這意味著更低的功耗和最小的延遲。 智慧手機AI / ML的設備優化以及移動AI 和桌上型電腦專用晶片（例如Google的TPU）的生產， 使得分散式AI的最新進展得以實現。

在Google宣佈新的聯合學習概念之後， 分散化的AI在2017年4月獲得了強勁的勢頭。 這一創新標誌著向完全分散的學習和以設備為中心的人工智慧的過渡， 機器學習模型直接在使用者的智慧手機上進行培訓。 為保持使用者資料的隱私， Google現在可以將AI培訓外包給Android用戶， 從而實現對共用模型的設備改進。 聯合學習將解決用戶必須連接到遠端伺服器以使用ML軟體的高延遲和低輸送量連接的問題。 根據Google的Brendan McMahan和Daniel Ramage的說法， “聯合學習允許更智慧的模型，更低的延遲和更低的功耗，同時確保隱私。”

穀歌的TensorFlow精簡版（一種針對智慧手機的計算和功耗限制進行調整的機器學習庫的移動版本）的發佈中也可以看到向以設備為中心的人工智慧的發展。2017年6月，蘋果通過發佈iOS設備的核心ML庫來追趕穀歌的領先地位。該庫附帶優化的通用ML模型和工具，可將協力廠商模型轉換為iOS格式。在沒有網路連接的情況下在本地提供模型將使使用AI功能開發移動應用程式變得更加容易。據達沃·伯克，工程為Android穀歌的副總裁，這些創新 “將有助於推動下一代設備上的語音處理，視覺搜索，增強現實等等。”

從長遠來看，AI DAO，以設備為中心的AI和分散式學習的結合將使AI比以往更加民主和廣泛。

“聯合學習允許更智慧的模型，更低的延遲和更低的功耗，同時確保隱私。”

穀歌的TensorFlow精簡版（一種針對智慧手機的計算和功耗限制進行調整的機器學習庫的移動版本）的發佈中也可以看到向以設備為中心的人工智慧的發展。2017年6月，蘋果通過發佈iOS設備的核心ML庫來追趕穀歌的領先地位。該庫附帶優化的通用ML模型和工具，可將協力廠商模型轉換為iOS格式。在沒有網路連接的情況下在本地提供模型將使使用AI功能開發移動應用程式變得更加容易。據達沃·伯克，工程為Android穀歌的副總裁，這些創新 “將有助於推動下一代設備上的語音處理，視覺搜索，增強現實等等。”

從長遠來看，AI DAO，以設備為中心的AI和分散式學習的結合將使AI比以往更加民主和廣泛。