### Blockchain og Tillid i AI I de senere år er spændingen omkring blockchain-teknologi i høj grad blevet overskygget af den stigende interesse for kunstig intelligens (AI). Selvom begge teknologier er relativt nye, går deres rødder flere årtier tilbage—AI-koncepter stammer fra antikken, mens blockchain kom til som følge af fremskridt inden for hashing-funktioner og distribueret programmering. Pionerarbejde af Leslie Lamport om distribuerede systemer skabte et grundlag for decentralisering og tillid, hvilket er afgørende for blockchain’s udvikling. Distribueret computing er essentielt for at løse problemer på en samarbejdsmæssig måde, idet det kræver både en kronologisk rækkefølge af operationer og en metode til at etablere en delt sandhed blandt potentielt fejlbehæftede eller ondsindede computere. Ægte decentralisering er afhængig af uafhængig forvaltning af disse distribuerede systemer. Men selv Bitcoin, der ofte hyldes som decentraliseret, halter bagefter, da et begrænset antal minedriftpuljer og store institutioner dominerer dens økosystem, med 93 % af Bitcoin kontrolleret af en lille gruppe af “whales. ” ### Udfordringer ved AI AI står overfor bemærkelsesværdige udfordringer, herunder risikoen for lækager af private data, overdreven energiforbrug og bias som resultat af kontinuerlig selvtræning ved brug af tidligere output. Siloiserede eller private data komplicerer udviklingen af målrettede AI-løsninger og rejser spørgsmål om kompensation for anvendte private data. Integration af blockchain-teknologi kunne hjælpe med at tackle disse problemer. Artiklen fremhæver en startup kaldet Modelx. ai, medstiftet af Jamiel Sheikh, som går ind for distribuerede AI-løsninger, særligt gennem Federated AI. Traditionelle AI-modeller, især dem der udnytter dyb læring, har hovedsageligt været kontrolleret af enkeltpersoner. Ikke desto mindre har den næste generation af AI potentialet til at opstå fra et samarbejdende, decentraliseret "land af genier" dannet i datacentre.

Disse modeller kræver store, mangfoldige datasæt for at undgå overfitting og forbedre forudsigelsesevner. Dog præsenterer afhængigheden af omfattende data vanskeligheder, såsom mindsket nuancering, når AI-genereret indhold fodrer tilbage i træningscyklen, hvilket fører til bias. Desuden opstår der bekymringer om privatlivets fred, når træningsdata inkluderer offentligt tilgængelige eller beskyttede elementer, såsom indhold, der er skrabet fra platforme som YouTube eller The New York Times. ### DeepSeek: En Åben AI Model DeepSeek repræsenterer et gennembrud i åbne AI-modeller, der opnår sammenlignelig ydeevne uden omfattende data, avanceret hardware eller lange træningsperioder. Selvom dens inferenstid og beregningskrav er højere, forbliver det en open-source model. En åben model tillader fuld adgang til kildekoden og modelvægte, hvilket giver mulighed for ændringer og retræning med personlige data. Kritikere hævder, at ægte åbenhed kræver deling af træningsdata, da det betragtes som "kildekoden" for AI. Dog forsvarer Open Source Initiative (OSI) sin holdning om, at modellen stadig kan klassificeres som open source. ### Modelx. ai's Innovationer Modelx. ai adresserer privatlivsproblemer ved at holde modeldata fortrolige, mens dens struktur forbliver åben. Udfordringen ligger i at træne AI effektivt inden for regulerede sektorer, såsom sundhedspleje, hvor patientdata ikke kan deles frit på grund af HIPAA-love. Modelx. ai innoverer ved at tillade hospitaler at forbedre AI-modeller med deres private data uden at kompromittere fortroligheden. Processen involverer, at man træner en base åben model med private data fra ét hospital, som derefter bidrager til at forbedre en fødereret model, der inkorporerer data fra flere hospitaler. Forbedringerne bliver logget på en blockchain, hvilket sikrer bidrag og kompenserer deltagere med tokens baseret på deres input. Hvert hospital betaler for modellens brug med tokens, og kvaliteten af den fødererede model bliver løbende vurderet. Fra min seneste opdatering i oktober 2024 var kritikken af open-source modeller blevet mindsket på grund af fremskridt som DeepSeek, der viste forbedret effektivitet og responsivitet i AI-ydeevne.