### Blockchain és a Bizalom az AI-ban Az utóbbi években a blockchain technológia iránti izgalom nagymértékben háttérbe szorult a mesterséges intelligencia (AI) iránti fokozódó érdeklődés miatt. Míg mindkét technológia viszonylag új, gyökerei évtizedekre nyúlnak vissza — az AI fogalmai az ókorig visszanyúlnak, míg a blockchain a hashing funkciók és a disztribuált programozás előrehaladásából született. Leslie Lamport úttörő munkája a disztribuált rendszerek terén megalapozta a decentralizációt és a bizalmat, amelyek kulcsfontosságúak a blockchain fejlődéséhez. A disztribuált számítástechnika elengedhetetlen a problémák együttműködő megoldásához, amely mind kronológiai műveleti sorrendet, mind a potenciálisan hibás vagy rosszindulatú számítógépek között megosztott igazság létrehozásának módszerét igényli. A valódi decentralizáció a disztribuált rendszerek független irányítására épül. Azonban még a Bitcoin is, amelyet gyakran decentralizáltnak ünnepelnek, nem teljesen az, mivel egy korlátozott számú bányászmedence és nagy intézmények dominálják az ökoszisztémáját, a Bitcoin 93%-át egy kis csoport, az ún. "bálnák" uralja. ### Az AI kihívásai Az AI figyelemre méltó kihívásokkal néz szembe, beleértve a magánadatok kiszivárgásának kockázatát, a túlzott energiafogyasztást és az önképzés során keletkező torzításokat, amelyek a korábbi kimenetekre építenek. Az elszigetelt vagy magánadatok bonyolítják a célzott AI megoldások fejlesztését, és felvetik a kérdést a felhasznált magánadatok kompenzálásáról. A blockchain technológia integrálása segíthet ezen problémák megoldásában. A cikk kiemel egy Modelx. ai nevű startupot, amelyet Jamiel Sheikh társalapított, és amely a disztribuált AI megoldások mellett áll ki, különösen a Föderált AI révén. A hagyományos AI modellek, különösen a mélytanulást alkalmazók, túlnyomórészt egyetlen szervezet irányítása alatt álltak. Mindazonáltal az AI következő generációja a kollaboratív, decentralizált "zsenik országából" származhat, amelyek adatközpontokban alakultak meg.

Ezek a modellek hatalmas, változatos adathalmazokat igényelnek, hogy elkerüljék a túltanulást és javítsák a prediktív képességeket. A hatalmas adatokra való támaszkodás azonban problémákat vet fel, például csökkent árnyaltságot, amikor az AI által generált tartalom visszakerül a tanulási ciklusba, ami torzítást okozhat. Továbbá, adatvédelmi aggályok merülnek fel, amikor a tréningadatok közt nyilvánosan elérhető vagy szerzői jog által védett elemek szerepelnek, mint például YouTube-ról vagy a The New York Timesból letöltött tartalmak. ### DeepSeek: Egy Nyílt AI Modell A DeepSeek áttörést jelent a nyílt AI modellek terén, hasonló teljesítményt elérve anélkül, hogy kiterjedt adatokra, fejlett hardverre vagy hosszú tanulási időszakokra lenne szüksége. Bár a következtetési ideje és számítási igényei magasabbak, mégis nyílt forráskódú modell marad. Egy nyílt modell teljes hozzáférést biztosít a forráskódhoz és a modell súlyaihoz, lehetővé téve a módosítást és a személyes adatokkal való újbóli tanítást. A kritikusok azt állítják, hogy a valódi nyitottság megköveteli a tanulási adatok megosztását, mivel ez minősül az AI "forráskódjának". Azonban az Open Source Initiative (OSI) megvédi álláspontját, miszerint a modell még mindig nyílt forráskódúnak minősíthető. ### Modelx. ai Innovációi A Modelx. ai foglalkozik az adatvédelmi aggályokkal azáltal, hogy a modell adatait bizalmasan kezeli, miközben annak struktúrája nyitott marad. A kihívás abban rejlik, hogy hatékonyan képezzük az AI-t szabályozott szektorokban, mint például az egészségügy, ahol a betegadatokat nem lehet szabadon megosztani a HIPAA törvények miatt. A Modelx. ai innovál azáltal, hogy lehetővé teszi a kórházak számára, hogy saját privát adataik felhasználásával javítsák az AI modelleket anélkül, hogy megsértenék a titoktartást. A folyamat egy alap nyílt modell képzésével kezdődik egy kórház privát adatai felhasználásával, amely aztán hozzájárul ahhoz, hogy javuljon egy föderált modell, ami több kórháztól származó adatokat is tartalmaz. A fejlesztéseket egy blockchainen rögzítik, biztosítva a hozzájárulásokat és kompenzálva a résztvevőket tokenekkel az inputjuk alapján. Minden kórház tokenekkel fizet a modellhasználatért, és a föderált modell minőségét folyamatosan értékelik. 2024 októberi utolsó frissítésem szerint a nyílt forráskódú modellekkel kapcsolatos kritika csökkent a DeepSeekhez hasonló fejlesztéseknek köszönhetően, amelyek javították az AI teljesítményének hatékonyságát és reakcióképességét.