### Блокчейн та довіра в ШІ Останніми роками захоплення технологією блокчейн значною мірою було затінене зростаючим інтересом до штучного інтелекту (ШІ). Хоча обидві технології є відносно новими, їх коріння сягає кількох десятиліть: концепції ШІ існують з античності, тоді як блокчейн виник з досягнень у хеш-функціях і розподіленому програмуванні. Піонерська робота Леслі Лампорта над розподіленими системами створила основу для децентралізації та довіри, які є вирішальними для розвитку блокчейн. Розподілене обчислення є ключовим для спільного вирішення проблем, яке вимагає як хронологічного порядку операцій, так і методу для встановлення спільної істини серед потенційно несправних або зловмисних комп’ютерів. Справжня децентралізація залежить від незалежного управління цими розподіленими системами. Однак навіть Біткойн, який часто вважається децентралізованим, не є таким, оскільки обмежена кількість майнінгових пулів та великих установ домінують у його екосистемі, при цьому 93% Біткойна контролюється невеликою групою "китів". ### Виклики ШІ ШІ стикається з помітними викликами, включаючи ризик витоку приватних даних, надмірне споживання енергії та упередження, що виникають внаслідок безперервного самонавчання на основі своїх попередніх виходів. Своєрідні або приватні дані ускладнюють розробку цілеспрямованих ШІ-рішень і ставлять питання про компенсацію за використані приватні дані. Інтеграція технології блокчейн може допомогти вирішити ці проблеми. У статті підкреслюється стартап Modelx. ai, заснований Джамілом Шейхом, який виступає за розподілені рішення ШІ, зокрема через Федеративний ШІ. Традиційні моделі ШІ, зокрема ті, що використовують глибоке навчання, в основному контролюються одиничними суб'єктами. Проте наступне покоління ШІ має потенціал виникнути з колаборативної, децентралізованої "країни геніїв", що утворюється в дата-центрах.

Ці моделі вимагають величезних, різноманітних наборів даних, щоб уникнути перенавчання та підвищити прогностичні можливості. Проте залежність від обширних даних створює проблеми, такі як зменшення нюансів, коли контент, згенерований ШІ, знову потрапляє в цикл навчання, призводячи до упереджень. Більш того, виникають занепокоєння щодо конфіденційності, коли навчальні дані містять публічно доступні або захищені авторським правом елементи, такі як контент, зібраний з платформ на кшталт YouTube або The New York Times. ### DeepSeek: Відкритий Модель ШІ DeepSeek представляє прорив у відкритих моделях ШІ, досягаючи порівняльної продуктивності без обширних даних, сучасного обладнання чи тривалих періодів навчання. Хоча її час виведення та вимоги до обчислень вищі, вона залишається моделлю з відкритим кодом. Відкрита модель забезпечує повний доступ до вихідного коду та ваг моделі, дозволяючи модифікацію та повторне навчання з використанням особистих даних. Критики стверджують, що справжня відкритість вимагає обміну даними для навчання, оскільки їх вважають "вихідним кодом" для ШІ. Однак Ініціатива відкритого програмного забезпечення (OSI) захищає свою позицію, що модель все ще може класифікуватися як відкрите програмне забезпечення. ### Інновації Modelx. ai Modelx. ai вирішує проблеми конфіденційності, зберігаючи модельні дані конфіденційними, одночасно допускаючи, щоб її структура залишалася відкритою. Виклик полягає в ефективному навчанні ШІ в регульованих секторах, таких як охорона здоров'я, де дані пацієнтів не можуть вільно передаватися через закони HIPAA. Modelx. ai інновує, дозволяючи лікарням поліпшувати моделі ШІ, використовуючи свої приватні дані, не порушуючи конфіденційність. Процес включає навчання базової відкритої моделі з приватними даними від однієї лікарні, яка потім contributes для покращення федеративної моделі, що включає дані від кількох лікарень. Поліпшення фіксуються в блокчейні, забезпечуючи безпеку внесків та компенсуючи учасників токенами на основі їх внесків. Кожна лікарня сплачує за використання моделі токенами, а якість федеративної моделі постійно оцінюється. Станом на моє останнє оновлення в жовтні 2024 року критика відкритих моделей зменшилася через такі досягнення, як DeepSeek, які продемонстрували покращену ефективність і чутливість у продуктивності ШІ.