Tekoälyn keskittäminen vs. hajauttaminen: Mitä kannattaa pelata? Kuvittele kaksi areenaa: toista hallitsevat teknologiajätit, jotka ylläpitävät massiivisia datakeskuksia, kouluttavat rajamalleja ja asettavat säännöt. Toinen jakaa laskentaa, dataa ja päätöksentekoa miljoonille louhijoille, reunalaitteille ja avoimille yhteisöille. Se, mihin päätät rakentaa tai sijoittaa, riippuu siitä, minkä areenan uskot vangitsevan seuraavan arvoaallon, vai piileekö todellinen mahdollisuus molempien yhdistämisessä. --- Mitä keskittäminen ja hajauttaminen tarkoittavat tekoälyssä Keskitetty tekoäly löytyy pääasiassa hyperskaalautuvista pilvialustoista, kuten AWS, Azure ja Google Cloud, jotka hallitsevat suurinta osaa GPU-klustereista ja joilla on 68 prosentin osuus maailmanlaajuisista pilvimarkkinoista. Nämä palveluntarjoajat kouluttavat suuria malleja, pitävät painot suljettuina tai rajoittavien lisenssien alaisia (kuten OpenAI:n ja Anthropicin kohdalla) ja käyttävät omia tietojoukkoja ja eksklusiivisia datakumppanuuksia. Hallinto on tyypillisesti yritystoimintaa, jota ohjaavat hallitukset, osakkeenomistajat ja kansalliset sääntelyviranomaiset. Toisaalta hajautettu tekoäly jakaa laskentaa vertaisverkkojen GPU-markkinoiden, kuten @akashnet_ ja @rendernetwork, sekä ketjun sisäisten päättelyverkkojen, kuten @bittensor_, kautta. Näiden verkostojen tavoitteena on hajauttaa sekä koulutus että päättely. --- Miksi keskittäminen hallitsee edelleen On rakenteellisia syitä, miksi keskitetty tekoäly jatkaa johtavaa asemaa. Rajamallin, esimerkiksi 2 biljoonan parametrin monikielisen mallin, kouluttaminen vaatii yli 500 miljoonaa dollaria laitteistoa, sähköä ja inhimillistä pääomaa. Hyvin harvat yhteisöt voivat rahoittaa ja toteuttaa tällaisia hankkeita. Lisäksi sääntelyvelvoitteet, kuten tekoälyä koskeva Yhdysvaltain toimeenpanomääräys ja EU:n tekoälylaki, asettavat tiukkoja vaatimuksia punaiselle tiimille, turvallisuusraporteille ja läpinäkyvyydelle. Näihin vaatimuksiin vastaaminen luo vaatimustenmukaisuusvallihaudan, joka suosii hyvin resursoituja vakiintuneita toimijoita. Keskittäminen mahdollistaa myös tiukemman turvallisuuden seurannan ja elinkaaren hallinnan koulutus- ja käyttöönottovaiheissa. --- Keskitetyn mallin halkeamat Tällä valta-asemalla on kuitenkin haavoittuvuuksia. Keskittymisriski on yhä huolestuttavampaa. Euroopassa 44 suuren yrityksen johtajat ovat varoittaneet sääntelyviranomaisia siitä, että EU:n tekoälylaki voi tahattomasti vahvistaa Yhdysvaltojen pilvimonopoleja ja rajoittaa alueellista tekoälyn kehitystä. Vientirajoitukset, erityisesti Yhdysvaltojen johtamat GPU-rajoitukset, rajoittavat sitä, kuka voi käyttää huippuluokan laskentaa, mikä kannustaa maita ja kehittäjiä etsimään hajautettuja tai avoimia vaihtoehtoja. Lisäksi patentoitujen mallien API-hinnoittelu on noussut useita kertoja vuodesta 2024 lähtien. Nämä monopolivuokrat motivoivat kehittäjiä harkitsemaan halvempia, avoimen painon tai hajautettuja ratkaisuja. --- Hajautettu tekoäly Meillä on ketjun sisäisiä laskentamarkkinoita, kuten Akash, Render ja @ionet, joiden avulla GPU:n omistajat voivat vuokrata käyttämätöntä kapasiteettia tekoälykuormille. Nämä alustat laajenevat nyt tukemaan AMD-grafiikkasuorittimia ja työskentelevät työkuormatason todisteiden parissa suorituskyvyn takaamiseksi. Bittensor kannustaa validoijia ja mallijuoksijoita $TAO tokenin kautta. Federoitu oppiminen on yleistymässä pääasiassa terveydenhuollossa ja rahoituksessa, koska se mahdollistaa yhteistoiminnallisen koulutuksen ilman arkaluonteisten raakatietojen siirtämistä. Proof-of-inlead ja nollatietokoneoppiminen mahdollistavat todennettavissa olevat mallitulosteet myös silloin, kun niitä käytetään epäluotettavalla laitteistolla. Nämä ovat hajautettujen, luotettavien tekoälysovellusliittymien perustavanlaatuisia vaiheita. --- Missä on taloudellinen mahdollisuus Lyhyellä aikavälillä (tänään 18 kuukauteen) painopiste on sovelluskerroksen infrastruktuurissa. Työkalut, joiden avulla yritykset voivat helposti vaihtaa OpenAI-, Anthropic-, Mistral- tai paikallisten avoimen painon mallien välillä, ovat arvokkaita. Vastaavasti hienosäädetyt studiot, jotka tarjoavat sääntelyn mukaisia versioita avoimista malleista yritysten SLA-sopimuksilla, ovat saamassa vetovoimaa. Keskipitkällä aikavälillä (18 kuukaudesta 5 vuoteen) hajautetut GPU-verkot kiertyisivät sisään, kun niiden tokenien hinnat heijastavat todellista käyttöä. Samaan aikaan Bittensor-tyyliset aliverkot, jotka keskittyvät erikoistehtäviin, kuten riskien pisteytykseen tai proteiinien laskostumiseen, skaalautuvat tehokkaasti verkostovaikutusten kautta. Pitkällä aikavälillä (5+ vuotta) reunatekoäly todennäköisesti hallitsee. Puhelimet, autot ja IoT-laitteet käyttävät paikallisia LLM:iä, jotka on koulutettu federoidun oppimisen avulla, mikä vähentää latenssia ja pilviriippuvuutta. Myös tietojen omistajuusprotokollat syntyvät, joiden avulla käyttäjät voivat ansaita mikrorojalteja, kun heidän laitteensa osallistuvat globaaleihin mallipäivityksiin. --- Kuinka tunnistaa voittajat Todennäköisesti onnistuvilla projekteilla on vahva tekninen vallihauta, joka ratkaisee kaistanleveyteen, todentamiseen tai yksityisyyteen liittyviä ongelmia tavalla, joka tuottaa suuruusluokan parannuksia. Taloudellisten vauhtipyörien on oltava hyvin suunniteltuja. Suuremman käytön pitäisi rahoittaa parempaa infrastruktuuria ja rahoittajia, ei vain tukea vapaamatkustajia. Hallinto on välttämätöntä. Pelkkä token-äänestys on hauras, etsi sen sijaan usean sidosryhmän neuvostoja, progressiivisia hajauttamispolkuja tai kaksiluokkaisia token-malleja. Lopuksi ekosysteemin vetovoimalla on merkitystä. Protokollat, jotka integroituvat varhaisessa vaiheessa kehittäjien työkaluketjuihin, lisäävät käyttöönottoa nopeammin. --- Strategiset pelit Sijoittajien voi olla viisasta suojautua pitämällä altistumista sekä keskitetyille API:ille (vakaan tuoton saavuttamiseksi) että hajautetuille tokeneille (epäsymmetrisen nousun vuoksi). Rakentajille abstraktiokerrokset, jotka mahdollistavat reaaliaikaisen vaihtamisen keskitettyjen ja hajautettujen päätepisteiden välillä viiveen, kustannusten tai vaatimustenmukaisuuden perusteella, ovat suuren vipuvaikutuksen mahdollisuus. Arvokkaimmat mahdollisuudet eivät ehkä ole navoissa vaan sidekudoksessa: protokollissa, orkestrointikerroksissa ja kryptografisissa todisteissa, joiden avulla työkuormat voivat reitittää vapaasti sekä keskitetyissä että hajautetuissa järjestelmissä. Kiitos, että luit!