Курс Numeraire

Централизация ИИ против Децентрализации: Что стоит играть? Представьте себе две арены: одна контролируется технологическими гигантами, управляющими огромными дата-центрами, обучающими передовые модели и устанавливающими правила. Другая распределяет вычисления, данные и принятие решений среди миллионов майнеров, периферийных устройств и открытых сообществ. То, где вы решите строить или инвестировать, зависит от того, какая арена, по вашему мнению, захватит следующую волну ценности, или есть ли настоящая возможность в объединении обеих. --- Что означают централизация и децентрализация в ИИ Централизованный ИИ в основном встречается на гипермасштабных облачных платформах, таких как AWS, Azure и Google Cloud, которые контролируют большинство кластеров GPU и занимают 68% доли на мировом облачном рынке. Эти провайдеры обучают большие модели, держат веса закрытыми или под ограничительными лицензиями (как видно на примере OpenAI и Anthropic) и используют собственные наборы данных и эксклюзивные партнерства по данным. Управление, как правило, корпоративное, управляемое советами директоров, акционерами и национальными регуляторами. С другой стороны, децентрализованный ИИ распределяет вычисления через пиринговые рынки GPU, такие как @akashnet_ и @rendernetwork, а также через сети вывода на блокчейне, такие как @bittensor_. Эти сети стремятся децентрализовать как обучение, так и вывод. --- Почему централизация все еще доминирует Существуют структурные причины, по которым централизованный ИИ продолжает лидировать. Обучение передовой модели, скажем, многоязычной модели с 2 триллионами параметров, требует более 500 миллионов долларов на оборудование, электроэнергию и человеческий капитал. Очень немногие организации могут финансировать и осуществлять такие начинания. Кроме того, регуляторные обязательства, такие как Исполнительный указ США по ИИ и Закон ЕС об ИИ, накладывают строгие требования к тестированию, отчетам по безопасности и прозрачности. Соответствие этим требованиям создает защитный барьер, который благоприятствует хорошо обеспеченным участникам рынка. Централизация также позволяет более строго контролировать безопасность и управление жизненным циклом на этапах обучения и развертывания. --- Трещины в централизованной модели Тем не менее, это доминирование имеет уязвимости. Существует растущая обеспокоенность по поводу риска концентрации. В Европе руководители 44 крупных компаний предупредили регуляторов о том, что Закон ЕС об ИИ может непреднамеренно укрепить монополии облачных сервисов США и ограничить региональное развитие ИИ. Экспортные ограничения, особенно ограничения на GPU, инициированные США, ограничивают доступ к высокопроизводительным вычислениям, побуждая страны и разработчиков искать децентрализованные или открытые альтернативы. Кроме того, цены на API для собственных моделей с 2024 года многократно увеличились. Эти монопольные ренты побуждают разработчиков рассматривать более дешевые, открытые или децентрализованные решения. --- Децентрализованный ИИ У нас есть рынки вычислений на блокчейне, такие как Akash, Render и @ionet, которые позволяют владельцам GPU сдавать в аренду неиспользуемую мощность для ИИ-работ. Эти платформы сейчас расширяются, чтобы поддерживать GPU от AMD и работают над доказательствами на уровне нагрузки для гарантии производительности. Bittensor поощряет валидаторов и исполнителей моделей через токен $TAO. Федеративное обучение набирает популярность, в основном в здравоохранении и финансах, позволяя совместное обучение без перемещения чувствительных сырых данных. Доказательство вывода и машинное обучение с нулевыми знаниями позволяют получать проверяемые выходные данные модели даже при работе на ненадежном оборудовании. Это основополагающие шаги для децентрализованных, бездоверительных API ИИ. --- Где лежит экономическая возможность В краткосрочной перспективе (сегодня до 18 месяцев) акцент делается на инфраструктуре прикладного уровня. Инструменты, которые позволяют предприятиям легко переключаться между OpenAI, Anthropic, Mistral или местными моделями с открытыми весами, будут ценными. Аналогично, специализированные студии, предлагающие версии открытых моделей, соответствующие требованиям регуляторов, по корпоративным SLA, набирают популярность. В среднесрочной перспективе (18 месяцев до 5 лет) децентрализованные сети GPU будут расти, поскольку их цены на токены будут отражать фактическое использование. Тем временем подсети в стиле Bittensor, сосредоточенные на специализированных задачах, таких как оценка рисков или сворачивание белков, будут эффективно масштабироваться за счет сетевых эффектов. В долгосрочной перспективе (более 5 лет) вероятно, что доминировать будет крайний ИИ. Телефоны, автомобили и устройства IoT будут запускать локальные LLM, обученные через федеративное обучение, сокращая задержку и зависимость от облака. Протоколы владения данными также появятся, позволяя пользователям зарабатывать микророялти, когда их устройства вносят градиенты в глобальные обновления модели. --- Как определить победителей Проекты, которые, вероятно, будут успешными, будут иметь сильный технический барьер, решая проблемы с пропускной способностью, проверкой или конфиденциальностью таким образом, который обеспечивает многократные улучшения. Экономические механизмы должны быть хорошо спроектированы. Более высокое использование должно финансировать лучшую инфраструктуру и участников, а не просто субсидировать бездельников. Управление имеет решающее значение. Голосование токенами само по себе хрупко, вместо этого ищите советы многосторонних участников, прогрессивные пути децентрализации или модели двойного класса токенов. Наконец, важен притяжение экосистемы. Протоколы, которые рано интегрируются с инструментами разработчиков, будут быстрее набирать популярность. --- Стратегические ходы Для инвесторов может быть разумно хеджировать, имея экспозицию как к централизованным API (для стабильных доходов), так и к децентрализованным токенам (для асимметричного роста). Для строителей абстрактные уровни, которые позволяют в реальном времени переключаться между централизованными и децентрализованными конечными точками, основываясь на задержке, стоимости или соблюдении требований, представляют собой высокоэффективную возможность. Наиболее ценные возможности могут находиться не на полюсах, а в соединительной ткани: протоколы, уровни оркестрации и криптографические доказательства, которые позволяют рабочим нагрузкам свободно перемещаться как в централизованных, так и в децентрализованных системах. Спасибо за чтение!