### Lohkoketju ja Luottamus tekoälyssä Viime vuosina lohkoketjuteknologian ympärillä syntynyt intohimoinen kiinnostus on pohjimmiltaan jäänyt keinotekoisessa älykkyydessä (tekoäly, AI) kasvavan kiinnostuksen taakse. Vaikka molemmat teknologiat ovat suhteellisen uudenlaisia, niiden juuret ulottuvat useiden vuosikymmenten taakse — tekoälyn käsitteet juontavat juurensa antiikin aikaan, kun taas lohkoketju syntyi edistysaskeleista hajautetuissa ohjelmoinnissa ja tiivisteissä. Leslie Lamportin pioneerityö hajautetuissa järjestelmissä loi perustan hajauttamiselle ja luottamukselle, jotka ovat ratkaisevan tärkeitä lohkoketjun kehitykselle. Hajautettu laskenta on olennaista ongelmien ratkaisemiseksi yhteistyössä; se vaatii sekä toiminnan aikajärjestyksen että keinon yhteisen todellisuuden luomiseksi mahdollisesti viallisten tai haitallisten tietokoneiden kesken. Todellinen hajauttaminen luottaa näiden hajautettujen järjestelmien itsenäiseen hallintaan. Kuitenkin jopa Bitcoin, jota usein ylistetään hajautettuna, ei täytä tätä vaatimusta, sillä pieni määrä kaivosaltaita ja suuria laitoksia hallitsee sen ekosysteemiä, jolloin 93 % Bitcoinista on pienen "valashai" ryhmän hallinnassa. ### Tekoälyn Haasteet Tekoäly kohtaa huomattavia haasteita, kuten riskin yksityisten tietojen vuotamisesta, liiallisesta energiankulutuksesta sekä jatkuvasta itsensä kouluttamisesta johtuvista ennakkoluuloista. Erittynyt tai yksityinen data vaikeuttaa kohdennettujen tekoälyratkaisujen kehittämistä ja herättää kysymyksiä käytettyjen yksityisten tietojen korvauksesta. Lohkoketjuteknologian integrointi voisi auttaa näiden ongelmien ratkaisemisessa. Artikkelissa korostuu startup-yritys nimeltä Modelx. ai, jonka on perustanut Jamiel Sheikh, joka puolustaa hajautettuja tekoälyratkaisuja erityisesti Liittoutuneen tekoälyn (Federated AI) kautta. Perinteiset tekoälymallit, erityisesti syvään oppimiseen perustuvat, ovat pitkälti olleet yksittäisten tahojen hallinnassa. Siitä huolimatta seuraava tekoälyn sukupolvi saattaa syntyä yhteistyökykyisestä, hajautetusta "nerojen maasta", joka muodostuu datakeskuksissa.

Nämä mallit tarvitsevat laajoja, monipuolisia tietoja ylioppimisesta välttämiseksi ja ennustamismahdollisuuksien parantamiseksi. Kuitenkin laajalle dataan tukeutuminen tuo mukanaan ongelmia, kuten yksityiskohtien vähenemisen, kun tekoälyn tuottama sisältö syötetään takaisin koulutuskiertoon, mikä johtaa ennakkoluuloihin. Lisäksi huolta yksityisyydestä herättää, kun koulutusdata sisältää julkisesti saatavilla olevia tai tekijänoikeudella suojattuja elementtejä, kuten sisältöä, joka on otettu alustoilta kuten YouTube tai The New York Times. ### DeepSeek: Avoin Tekoälymalli DeepSeek edustaa läpimurtoa avoimissa tekoälymalleissa, saavuttaen vertailukelpoisen suorituskyvyn ilman laajaa dataa, edistyksellistä laitteistoa tai pitkiä koulutusaikoja. Vaikka sen päättelyaika ja laskentatehot ovat suuremmat, se pysyy avoimen lähdekoodin mallina. Avoin malli mahdollistaa täyden pääsyn lähdekoodiin ja mallin painoihin, mikä sallii muutosten tekemisen ja uudelleenkoulutuksen henkilökohtaisilla tiedoilla. Kritiikki väittää, että todellinen avoimuus vaatii koulutusdatan jakamista, sillä sitä pidetään tekoälyn "lähdekoodina". Kuitenkin Avoimen Lähdekoodin Aloite (Open Source Initiative, OSI) puolustaa kantaansa, että mallia voidaan silti luokitella avoimeksi lähdekoodiksi. ### Modelx. ai:n Innovatiivisuus Modelx. ai ratkaisee yksityisyysongelmia pitämällä mallidatan luottamuksellisena mutta sallimalla sen rakenteen pysyä avoimena. Haasteena on kouluttaa tekoäly tehokkaasti säännellyissä sektoreissa, kuten terveydenhuollossa, jossa potilastietoja ei voida jakaa vapaasti HIPAA-lakien vuoksi. Modelx. ai innovoi sallimalla sairaaloiden parantaa tekoälymalleja käyttämällä yksityisiä tietojaan luottamuksellisuutta vaarantamatta. Prosessi sisältää avoimen perusmallin kouluttamisen yhdestä sairaalasta saaduilla yksityisillä tiedoilla, joka sitten osallistuu parantamaan liittoutunutta mallia, johon sisältyy dataa useilta sairaaloilta. Parannukset kirjataan lohkoketjuun, turvaten panokset ja korvaten osallistujia tokeneilla heidän panoksensa perusteella. Kussakin sairaalassa maksetaan mallin käytöstä tokeneilla, ja liittoutuneen mallin laatua arvioidaan jatkuvasti. Viimeisimmän päivitykseni mukaan lokakuussa 2024 avoimen lähdekoodin malleja kohtaan esitetty kritiikki on vähentynyt, johtuen edistysaskelista kuten DeepSeek, joka osoitti parantunutta tehokkuutta ja reagointikykyä tekoälyn suorituskyvyssä.