### Blockchain e Fiducia nell'IA Negli ultimi anni, l'entusiasmo attorno alla tecnologia blockchain è stato in gran parte oscurato dall'aumento dell'interesse per l'intelligenza artificiale (IA). Sebbene entrambe le tecnologie siano relativamente nuove, le loro radici risalgono a diversi decenni fa: i concetti di IA risalgono all'antichità, mentre la blockchain è emersa da progressi nelle funzioni di hashing e nella programmazione distribuita. I lavori pionieristici di Leslie Lamport sui sistemi distribuiti hanno creato una base per la decentralizzazione e la fiducia, fondamentali per lo sviluppo della blockchain. Il calcolo distribuito è essenziale per risolvere problemi in modo collaborativo, richiedendo sia un ordine cronologico delle operazioni sia un metodo per stabilire una verità condivisa tra computer potenzialmente difettosi o malevoli. La vera decentralizzazione dipende dalla governance indipendente di questi sistemi distribuiti. Tuttavia, anche Bitcoin, spesso celebrato come decentralizzato, non raggiunge questo obiettivo, poiché un numero limitato di pool minerari e grandi istituzioni domina il suo ecosistema, con il 93% di Bitcoin controllato da un piccolo gruppo di "whales". ### Sfide dell'IA L'IA affronta sfide notevoli, tra cui il rischio di perdite di dati riservati, un consumo energetico eccessivo e pregiudizi risultanti dall'auto-addestramento continuo basato sulle sue precedenti uscite. Dati isolati o privati complicano lo sviluppo di soluzioni IA mirate e sollevano questioni sulla compensazione per i dati privati utilizzati. L'integrazione della tecnologia blockchain potrebbe aiutare ad affrontare questi problemi. L'articolo mette in evidenza una startup chiamata Modelx. ai, co-fondata da Jamiel Sheikh, che sostiene soluzioni IA distribuite, in particolare attraverso l'IA Federata. I modelli IA tradizionali, in particolare quelli che sfruttano il deep learning, sono stati prevalentemente controllati da singole entità. Tuttavia, la prossima generazione di IA potrebbe emergere da un "paese di geni" collaborativo e decentralizzato formato all'interno dei data center.

Questi modelli richiedono dataset vasti e diversificati per evitare l'overfitting e migliorare le capacità predittive. Tuttavia, la dipendenza da dati estesi presenta problemi, come la diminuzione delle sfumature quando il contenuto generato dall'IA viene reinserito nel ciclo di addestramento, portando a pregiudizi. Inoltre, sorgono preoccupazioni per la privacy quando i dati di addestramento includono elementi disponibili pubblicamente o protetti da copyright, come contenuti estratti da piattaforme come YouTube o The New York Times. ### DeepSeek: Un Modello di IA Aperto DeepSeek rappresenta un'innovazione nei modelli di IA aperti, raggiungendo prestazioni comparabili senza un ampio uso di dati, hardware avanzato o periodi di addestramento prolungati. Sebbene il suo tempo di inferenza e le richieste computazionali siano più elevati, rimane un modello open-source. Un modello aperto consente pieno accesso al codice sorgente e ai pesi del modello, permettendo modifiche e riaddestramenti con dati personali. I critici sostengono che la vera apertura richieda la condivisione dei dati di addestramento, poiché è considerata il "codice sorgente" per l'IA. Tuttavia, l'Open Source Initiative (OSI) difende la sua posizione secondo cui il modello può comunque essere classificato come open source. ### Innovazioni di Modelx. ai Modelx. ai affronta le preoccupazioni per la privacy mantenendo i dati del modello riservati mentre la sua struttura rimane aperta. La sfida consiste nell'addestrare efficacemente l'IA all'interno di settori regolamentati, come la sanità, dove i dati dei pazienti non possono essere condivisi liberamente a causa delle leggi HIPAA. Modelx. ai innova consentendo agli ospedali di migliorare i modelli IA utilizzando i propri dati privati senza compromettere la riservatezza. Il processo prevede l'addestramento di un modello open source di base con dati privati di un ospedale, che poi contribuisce a migliorare un modello federato che incorpora dati provenienti da più ospedali. I miglioramenti vengono registrati su una blockchain, garantendo le contribuzioni e compensando i partecipanti con token basati sul loro input. Ogni ospedale paga per l'uso del modello con token, e la qualità del modello federato viene continuamente valutata. A partire dal mio ultimo aggiornamento nell'ottobre 2024, le critiche ai modelli open source sono diminuite grazie a progressi come DeepSeek, che ha dimostrato un'efficacia e una reattività migliorate nelle prestazioni dell'IA.