### Блокчейн и доверие в AI В последните години вълнението около блокчейн технологията в значителна степен беше с overshadowed от нарастващия интерес към изкуствения интелект (AI). Докато и двете технологии са относително нови, техните корени проследяват назад няколко десетилетия—концепции за AI датират от древността, докато блокчейнът възникна от напредъка в хеширащи функции и разпределено програмиране. Пионерската работа на Лесли Лампорт върху разпределени системи създава основа за децентрализация и доверие, което е от съществено значение за развитието на блокчейна. Разпределеното компютриране е съществени за решаване на проблеми в сътрудничество, изисквайки както хронологичен ред на операциите, така и метод за установяване на обща истина сред потенциално дефектни или злонамерени компютри. Истинската децентрализация разчита на независимо управление на тези разпределени системи. Въпреки това, дори биткойн, често възхваляван като децентрализиран, не успява да постигне това, тъй като ограничен брой минни пулове и основни институции доминират в неговата екосистема, с 93% от биткойна контролирани от малка група “китове”. ### Предизвикателства пред AI AI среща значителни предизвикателства, включително риск от изтичане на лични данни, прекомерна консумация на енергия и предразсъдъци, произтичащи от непрекъснато самообучение, използвайки предишните си изходи. Изолирани или частни данни усложняват разработването на целеви AI решения и поставят въпроси за компенсация за използваните лични данни. Интегрирането на блокчейн технологията може да помогне за справяне с тези проблеми. Статията подчертава стартъп на име Modelx. ai, съосновател на Джамил Шейх, който advocates за разпределени AI решения, особено чрез Федеративен AI. Традиционните AI модели, особено тези, които използват дълбочинно обучение, досега бяха контролирани от единични субекти. Въпреки това, следващото поколение на AI има потенциала да произлезе от сътруднически, децентрализиран "страна на гениите", формирана в рамките на дата центрове. Тези модели изискват огромни, разнообразни набори от данни, за да избегнат адаптиране и да подобрят предсказателните способности. Въпреки това, зависимостта от обширни данни поставя проблеми, като намалена нюансировка, когато съдържанието, генерирано от AI, се връща обратно в цикъла на обучение, водещо до предразсъдъци.

Освен това, възникват притеснения относно личната неприкосновеност, когато данните за обучение включват публично достъпни или защитени от авторско право елементи, като съдържание, извлечено от платформи като YouTube или The New York Times. ### DeepSeek: Отворен AI модел DeepSeek представлява пробив в откритите AI модели, постигащи сравнима производителност без обширни данни, напреднал хардуер или продължителни периоди на обучение. Въпреки че времето за изчисление и изискванията за производителност са по-високи, той остава модел с отворен код. Отворен модел позволява пълен достъп до изходния код и теглата на модела, позволявайки модификация и повторно обучение с лични данни. Критиците твърдят, че истинската отвореност изисква споделяне на данни за обучение, тъй като те се считат за "изходния код" за AI. Въпреки това, Инициативата за отворен код (OSI) защитава позицията си, че моделът все още може да бъде класифициран като с отворен код. ### Иновации на Modelx. ai Modelx. ai адресира притесненията относно неприкосновеността на личния живот, като запазва данните на модела конфиденциални, докато структурата му остава отворена. Предизвикателството е ефективно обучение на AI в регулирани сектори, като здравеопазване, където данните за пациенти не могат да бъдат свободно споделени поради законите на HIPAA. Modelx. ai иновации, позволявайки на болниците да подобрят AI моделите, използвайки своите лични данни, без да компрометира конфиденциалността. Процесът включва обучение на основен отворен модел с лични данни от една болница, която след това допринася за подобряване на федеративен модел, като се включват данни от множество болници. Подобренията се записват в блокчейн, осигурявайки приносите и компенсирайки участниците с токени, базирани на техния принос. Всяка болница плаща за употреба на модела с токени, а качеството на федеративния модел се оценява непрекъснато. Към момента на последната ми актуализация през октомври 2024 г. критиката на откритите модели е намаляла поради напредъка, като DeepSeek, което демонстрира подобрена ефективност и отзивчивост в производителността на AI.