💬 Аргументы в пользу децентрализованных вычислений в сфере ИИ

Аргументы в пользу децентрализованных вычислений в сфере ИИ

Ниже приводится гостевой пост Цзяхао Сан, генерального директора и основателя FLock.io.

В постоянно развивающейся сфере искусственного интеллекта (ИИ) усиливаются споры между централизованными и децентрализованными вычислениями. Централизованные поставщики, такие как Amazon Web Services (AWS), доминируют на рынке, предлагая надежные и масштабируемые решения для обучения и развертывания моделей искусственного интеллекта. Однако децентрализованные вычисления становятся грозным конкурентом, предоставляющим уникальные преимущества и проблемы, которые могут изменить подходы к обучению и развертыванию моделей ИИ во всем мире.

Эффективность затрат за счет неиспользования ресурсов

Одним из основных преимуществ децентрализованных вычислений в сфере ИИ является экономическая эффективность. Централизованные провайдеры вкладывают значительные средства в инфраструктуру, поддерживая огромные центры обработки данных с выделенными графическими процессорами для вычислений ИИ. Эта модель хоть и мощная, но дорогая. С другой стороны, децентрализованные вычисления используют «неиспользуемые» графические процессоры из различных источников по всему миру.

Это могут быть персональные компьютеры, простаивающие серверы или даже игровые консоли. Используя этот пул недостаточно используемых ресурсов, децентрализованные платформы могут предлагать вычислительную мощность за небольшую часть стоимости централизованных поставщиков. Такая демократизация вычислительных ресурсов делает разработку ИИ более доступной для малых предприятий и стартапов, способствуя инновациям и конкуренции в сфере ИИ.

Расширенный доступ к графическим процессорам

Глобальная нехватка графических процессоров существенно повлияла на способность малого бизнеса получать необходимую вычислительную мощность от централизованных поставщиков. Крупные корпорации часто заключают долгосрочные контракты, монополизируя доступ к этим критически важным ресурсам.

Децентрализованные вычислительные сети решают эту проблему, получая графические процессоры от самых разных поставщиков, включая отдельных геймеров и мелких поставщиков. Эта повышенная доступность гарантирует, что даже небольшие организации смогут получить необходимую им вычислительную мощность, не оставаясь в тени отраслевых гигантов.

Конфиденциальность данных и контроль пользователей

Конфиденциальность данных остается первостепенной проблемой в разработке ИИ. Централизованные системы требуют, чтобы данные передавались и хранились в их инфраструктуре, фактически отказываясь от контроля со стороны пользователей. Такая централизация создает значительные риски для конфиденциальности. Децентрализованные вычисления предлагают привлекательную альтернативу, обеспечивая близость вычислений к пользователю. Этого можно достичь за счет федеративного обучения, когда данные остаются на устройстве пользователя, или за счет использования безопасных децентрализованных поставщиков вычислений.

Компания Apple Private Cloud Compute иллюстрирует этот подход, интегрируя несколько вычислительных узлов iCloud вокруг конкретного пользователя, тем самым сохраняя конфиденциальность данных и одновременно используя вычислительную мощность облака. Хотя этот метод по-прежнему предполагает определенную степень централизации, он подчеркивает сдвиг в сторону большего контроля пользователей над данными.

Протоколы проверки и безопасность

Несмотря на свои преимущества, децентрализованные вычисления сталкиваются с рядом проблем. Одной из важнейших проблем является проверка целостности и безопасности децентрализованных вычислительных узлов. Обеспечение того, чтобы эти узлы не были скомпрометированы и что они обеспечивают реальную вычислительную мощность, является сложной проблемой.

Достижения в технологии блокчейн предлагают потенциальные решения, обеспечивающие механизмы самопроверки, которые проверяют легитимность вычислительных узлов без ущерба для безопасности.

Сохранение конфиденциальности данных в децентрализованных системах

Еще одной серьезной проблемой является потенциальное раскрытие личных данных во время децентрализованных вычислений. Модели искусственного интеллекта хорошо работают на огромных наборах данных, но без технологий, обеспечивающих конфиденциальность, децентрализованное обучение может привести к риску утечки данных. Такие методы, как федеративное обучение, доказательство с нулевым разглашением и полностью гомоморфное шифрование, могут снизить эти риски.

Федеративное обучение, широко применяемое крупными корпорациями с 2017 года, позволяет данным оставаться локальными, в то же время способствуя обучению моделей. Интегрируя эти технологии шифрования и сохранения конфиденциальности в децентрализованные вычислительные сети, мы можем повысить безопасность данных и конфиденциальность пользователей, расширяя границы того, чего может достичь децентрализованный ИИ.

Проблемы пропускной способности и эффективности

Эффективность децентрализованных вычислительных сетей является еще одной проблемной областью. Эффективность передачи в децентрализованной системе неизбежно будет отставать от централизованных кластеров из-за распределенного характера сети. Исторические факты, такие как передача данных AWS из Торонто в Ванкувер во время снежной бури, подчеркивают логистические проблемы передачи данных.

Однако достижения в области методов искусственного интеллекта, такие как точная настройка LoRA и сжатие моделей, могут помочь смягчить эти узкие места в полосе пропускания. Оптимизируя процессы передачи данных и совершенствуя методы обучения моделей, децентрализованные вычислительные сети могут достичь уровня производительности, конкурентоспособного по сравнению со своими централизованными аналогами.

Преодоление разрыва с помощью новых технологий

Интеграция технологии блокчейн с искусственным интеллектом открывает многообещающие возможности для решения многих проблем, с которыми сталкиваются децентрализованные вычисления. Блокчейн обеспечивает прозрачный и неизменяемый реестр для отслеживания происхождения данных и целостности вычислительных узлов. Это гарантирует, что все участники сети могут доверять выполняемым данным и вычислениям.

Кроме того, механизмы консенсуса блокчейна могут способствовать децентрализации управления, позволяя сообществам коллективно управлять сетью и улучшать ее.

Более того, достижения в области федеративного обучения и гомоморфного шифрования имеют решающее значение для обеспечения конфиденциальности данных при одновременном использовании распределенного характера децентрализованных вычислительных сетей. Эти технологии позволяют моделям ИИ учиться на распределенных наборах данных, не раскрывая конфиденциальную информацию, тем самым балансируя потребность в огромных объемах данных со строгими требованиями конфиденциальности.

Будущее децентрализованных вычислений в сфере искусственного интеллекта

Потенциал децентрализованных вычислительных сетей для революции в развитии искусственного интеллекта огромен. Демократизируя доступ к вычислительным ресурсам, повышая конфиденциальность данных и используя новые технологии, децентрализованный ИИ может предложить надежную альтернативу централизованным системам. Однако этот путь полон проблем, которые требуют инновационных решений и совместных усилий со стороны сообществ искусственного интеллекта и блокчейна.

По мере продвижения вперед мы должны продолжать изучать и разрабатывать децентрализованные вычислительные решения, которые помогут решить эти проблемы. Развивая совместную экосистему, мы можем гарантировать, что преимущества ИИ будут доступны всем, способствуя более справедливому и инновационному будущему развития ИИ.