AI-бизнес не приносит прибыли? DeAI рассвет уже наступил.

Автор: Чжан Фэн

Искусственный интеллект (ИИ) безусловно является самой горячей технологической тенденцией в мире, технологии ИИ быстро трансформируют различные отрасли. Однако за шумом и благополучием скрывается жестокая реальность: подавляющее большинство AI-бизнесов, особенно стартапов, не нашли стабильного и устойчивого пути к прибыли. Они оказались в затруднительном положении “хорошо слышно, но не видно”, где технологический бум сосуществует с коммерческими убытками.

Один, почему “платить и зарабатывать шум”?

Прибыльные проблемы AI-бизнеса не являются следствием неудачи самой технологии, а вызваны структурными противоречиями, обусловленными централизованной моделью развития. В частности, это можно свести к следующим трем основным причинам:

Абсолютная централизация: чрезмерные затраты и олигополия. Современные мейнстримные ИИ, особенно большие модели, представляют собой типичную отрасль с “тяжелыми активами”. Их обучение и процесс вывода требуют огромных вычислительных мощностей (GPU), хранения и электроэнергии. Это приводит к поляризации: с одной стороны, есть технологические гиганты с мощным капиталом (такие как Google, Microsoft, OpenAI), которые могут позволить себе инвестиции в сотни миллионов или даже миллиарды долларов; с другой стороны, множество стартапов вынуждены жертвовать значительную часть своего финансирования облачным провайдерам для получения вычислительных мощностей, что сильно сжимает их прибыль. Эта модель создает “олигополию вычислительных мощностей”, подавляя инновационную активность. Например, даже OpenAI в ранние годы своего развития сильно зависела от огромных инвестиций Microsoft и ресурсов облачных вычислений Azure, что позволило поддерживать разработку и эксплуатацию ChatGPT. Для большинства участников высокие фиксированные затраты делают невозможным достижение масштабной прибыли.

Данные в тупике: барьеры качества и риски конфиденциальности. Топливом для ИИ являются данные. Централизованные компании ИИ часто сталкиваются с двумя основными проблемами, чтобы получить качественные и масштабные тренировочные данные. Во-первых, стоимость получения данных высока. Независимо от того, собираются ли данные за плату, маркируются ли данные или используются ли данные пользователей, это всегда связано с огромными финансовыми и временными затратами. Во-вторых, риски конфиденциальности данных и соблюдения законодательства огромны. С ужесточением глобальных норм по данным (таких как GDPR, CCPA) действия по сбору и использованию данных без явного разрешения пользователя могут в любой момент привести к судебным искам и огромным штрафам. Например, несколько известных технологических компаний уже сталкивались с огромными штрафами из-за проблем с использованием данных. Это создает парадокс: без данных невозможно развивать ИИ, но получение и использование данных крайне затруднительно.

Несоответствие распределения ценности: вкладчики и создатели исключены из прибыли. В текущей экосистеме ИИ распределение ценности крайне несправедливо. Обучение ИИ-моделей зависит от поведения пользователей, создаваемых ими данных, контента, производимого создателями (тексты, изображения, код и т.д.), а также от открытого кода, внесенного разработчиками по всему миру. Тем не менее, эти ключевые вкладчики почти не могут получить никакой возврат от огромной коммерческой ценности, создаваемой ИИ-моделями. Это не только этическая проблема, но и устаревшая бизнес-модель. Это подавляет инициативу вкладчиков данных и создателей контента, а в долгосрочной перспективе подрывает основы постоянной оптимизации и инноваций ИИ-моделей. Типичным примером является то, что многие художники и писатели обвиняют компании ИИ в использовании их работ для обучения и получения прибыли, не предоставляя никакой компенсации, что вызывает широкие споры и юридические разбирательства.

Два, Новый парадигма прибыли

DeAI (Децентрализованный ИИ) не является единой технологией, а представляет собой новую парадигму, которая объединяет блокчейн, криптографию и распределенные вычисления. Его цель - реконструировать производственные отношения ИИ децентрализованным способом, чтобы целенаправленно решить вышеперечисленные три основные проблемы и открыть возможности для получения прибыли.

DeAI использует модель “краудсорсинга”, распределяя потребность в вычислительной мощности по глобально расположенным неиспользуемым узлам (персональные компьютеры, дата-центры и т.д.). Это похоже на “Airbnb для GPU”, создавая глобальный конкурентный рынок вычислительной мощности, что значительно снижает стоимость вычислительных ресурсов. Участники получают токеновые вознаграждения за предоставление вычислительной мощности, что позволяет оптимизировать распределение ресурсов.

DeAI использует такие технологии, как “федеративное обучение” и “гомоморфное шифрование”, чтобы реализовать принцип “данные остаются на месте, а модель движется”. Он не требует централизованного хранения исходных данных, а вместо этого распределяет модели по различным источникам данных для локального обучения, агрегируя только обновления зашифрованных параметров. Это в корне защищает конфиденциальность данных, позволяя легально и в соответствии с нормами использовать распределенную ценность данных. Владельцы данных могут самостоятельно решать, предоставлять ли данные и получать ли от этого прибыль.

DeAI создала прозрачную и справедливую систему распределения ценностей через “токеномику” и “умные контракты”. Участники, вносящие данные, предоставляющие вычислительную мощность, разрабатывающие модели и даже использующие модели, могут автоматически получать соответствующие токен-вознаграждения через умные контракты в зависимости от их вклада. Это превращает ИИ из “черного ящика”, контролируемого гигантами, в открытую экономику, строимую, управляемую и разделяемую сообществом.

Три. Трехуровневая архитектура трансформации

Перенос традиционного централизованного бизнеса ИИ в парадигму DeAI требует системной переработки на трех уровнях: технологии, бизнеса и управления.

(1) Техническая реконструкция от централизованного к дистрибутивному

Уровень вычислительной мощности основывается на проектах сети децентрализованной физической инфраструктуры (DePIN), таких как Akash Network, Render Network и других, создавая гибкие и недорогие распределенные пуулы вычислительной мощности, заменяющие традиционные централизованные облачные сервисы.

Уровень данных использует федеративное обучение в качестве основной обучающей структуры, сочетая такие криптографические технологии, как гомоморфное шифрование и безопасные многопартийные вычисления, чтобы обеспечить конфиденциальность и безопасность данных. Создание рынка данных на основе блокчейна, такого как Ocean Protocol, позволяет осуществлять сделки с данными при условии подтверждения прав собственности и безопасности.

Модельный слой разворачивает обученные AI-модели в форме “AI смарт-контрактов” на блокчейне, что делает их прозрачными, проверяемыми и доступными для вызова без необходимости разрешения. Каждое использование модели и полученные доходы могут быть точно зарегистрированы и распределены.

(2) Реконструкция бизнеса от продажи услуг до совместного строительства экосистемы

От SaaS до DaaS (данные как услуга) и MaaS (модель как услуга), компании больше не просто продают количество вызовов API, а выступают в роли строителей экосистемы, выпуская функциональные токены или токены управления, чтобы стимулировать участие сообщества в строительстве сети. Источники дохода расширяются от единственного сервиса до увеличения стоимости токенов, связанного с ростом экосистемы, и дивидендов от комиссий за сделки.

Таким образом, создание децентрализованной платформы задач, на которой задачи по аннотации данных, дообучению моделей, разработке приложений для конкретных сценариев публикуются в форме «вознаграждения», позволит членам глобального сообщества принимать участие и получать вознаграждение, значительно снизит операционные затраты и стимулирует инновационную активность.

(Три) Переход от корпоративной структуры к DAO в перестройке управления

На основе управления сообществом, через владение токенами управления, участники сообщества (вкладчики, пользователи) имеют право голосовать по ключевым решениям, таким как направление корректировки параметров модели, использование средств казны, приоритет разработки новых функций и т. д. Это реализует истинный принцип “пользователь — это владелец”.

На основе открытости и прозрачности, все коды, модели (частично открытые), торговые записи и решения по управлению будут записаны в блокчейн, обеспечивая публичность и прозрачность процесса, создавая безусловные доверительные отношения, что само по себе является мощным активом бренда и поддержкой доверия.

На примере перехода от традиционной логистической платформы данных к DeAI,** трудности традиционной логистической платформы данных заключаются в том, что, хотя она собирает данные со всех сторон, включая морские, наземные перевозки и складирование, участники «не хотят делиться» из-за опасений утечки коммерческой тайны, что приводит к образованию изолированных данных и ограниченной ценности платформы.** Ключевым моментом перехода к DeAI является раскрытие ценности данных и справедливое стимулирование без раскрытия исходных данных:

Техническое создание надежной вычислительной сети. Платформа больше не централизованно хранит данные, а трансформируется в координационный уровень на основе блокчейна. Используя такие технологические модели, как федеративное обучение, модели ИИ «пересаживаются» на локальные серверы различных предприятий (например, судоходных компаний, складов) для обучения, агрегируя только зашифрованные обновления параметров, совместно оптимизируя глобальную предсказательную модель (например, время прибытия грузового судна в порт, риск переполнения склада), реализуя «данные остаются на месте, а ценность движется».

Внедрение активов данных и токенизированных стимулов в бизнесе. Платформы выпускают утилитарные баллы, а логистические компании «майнят» баллы, предоставляя данные (параметры модели) в качестве вознаграждения. В то время как конечные клиенты (например, владельцы грузов) оплачивают токены для получения высокоточных «прогнозов» (например, точность выполнения рейсов в следующую неделю), а не для покупки исходных данных. Доходы автоматически распределяются между поставщиками данных с помощью смарт-контрактов.

Создание индустриального DAO в управлении, **ключевые решения (такие как разработка новых функций, корректировка тарифов) принимаются совместным голосованием держателей токенов (т.е. ключевых участников), что позволяет трансформировать платформу из доминирующей частной компании в индустриальное сообщество.

Платформа превратилась из централизованной организации, пытающейся извлечь комиссию за посредничество в данные, в нервную систему, совместно строящую, управляющую и共享 всю логистическую цепочку, значительно повысив эффективность сотрудничества в отрасли и устойчивость к рискам, решив проблему доверия.

Четыре, Соответствие и безопасность

Несмотря на то, что у DeAI большие перспективы, его развитие все еще находится на ранней стадии и сталкивается с рядом серьезных вызовов.

Соответствие и правовая неопределенность. Что касается регулирования данных, даже если данные не перемещаются, такие модели, как федеративное обучение, по-прежнему должны строго соблюдать требования GDPR и других регуляторов относительно «ограничения целей», «минимизации данных» и прав пользователей (например, права быть забытым) при обработке персональных данных. Команды проектов должны разработать соответствующие механизмы авторизации данных и выхода из них.

В области регулирования ценных бумаг, токены, выпускаемые проектом, могут быть легко признаны регулирующими органами различных стран (например, SEC США) ценными бумагами, что приводит к строгому надзорному контролю. Как избежать юридических рисков при разработке модели экономики токенов является ключом к выживанию проекта.

По поводу ответственности за содержание, если DeAI модель, развернутая в блокчейне, генерирует вредный, предвзятый или незаконный контент, кто будет нести ответственность? Это разработчик модели, поставщик вычислительной мощности или держатель токенов управления? Это создает новые проблемы для существующей правовой системы.

В аспектах безопасности и производительности, безопасность модели, развернутой на публичной цепочке, может столкнуться с новыми векторами атак, такими как эксплуатация уязвимостей смарт-контрактов или злонамеренное разрушение системы федеративного обучения с помощью отравленных данных.

Проблема производительности заключается в скорости транзакций (TPS) и ограничениях по хранению самой блокчейн-технологии, которые могут не поддерживать запросы на высокочастотное, низколатентное вывод больших моделей. Это требует эффективного сочетания решений по масштабированию Layer2 и вычислений вне сети.

Эффективность сотрудничества заключается в том, что распределенное сотрудничество, хотя и справедливо, может иметь более низкую эффективность принятия решений и исполнения по сравнению с централизованными компаниями. Искусство нахождения баланса между эффективностью и справедливостью является постоянным предметом исследования в управлении DAO.

DeAI как революция производственных отношений, с помощью распределенных технологий, токеномики и управления сообществом, имеет потенциал сломать монополию гигантов, освободить неиспользуемую вычислительную мощность и ценность данных на глобальном уровне, создавая новый, более справедливый, устойчивый и, возможно, более прибыльный экосистему ИИ.

Пять, текущие направления исследования

Текущее развитие инструментов ИИ еще довольно далеко от достижения идеального децентрализованного искусственного интеллекта. В настоящее время мы все еще находимся на ранней стадии, где доминируют централизованные услуги, но некоторые исследования уже указывают на направление будущего.

! j0HbQ2gIVS6NXJdpjJ7khn2w5mdTIC5I0Ud3pNRR.jpeg

Текущие исследования и будущие вызовы. Хотя идеальный DeAI еще не достигнут, в отрасли уже проводятся ценные попытки, которые помогают нам прояснить путь в будущее и препятствия, которые нужно преодолеть.

Как прототип сотрудничества многоагентных систем. Некоторые проекты исследуют создание среды, в которой AI-агенты могут взаимодействовать и совместно развиваться. Например, проект AMMO нацелен на создание “сети симбиоза человека и AI”, его многоагентная структура и симуляционная среда RL Gyms позволяют AI-агентам обучаться сотрудничеству и конкуренции в сложных сценариях. Это можно рассматривать как попытку построить основные правила взаимодействия в мире DeAI.

Также как первоначальная попытка стимулирующей модели. В концепции DeAI пользователи, которые вносят данные, и узлы, предоставляющие вычислительную мощность, должны получать справедливую награду. Некоторые проекты пытаются через основанную на криптовалюте систему стимулов напрямую перераспределить ценность среди участников экосистемы. Конечно, как эта экономическая модель сможет масштабироваться, стабильно и справедливо функционировать, остается огромным вызовом.

Например, переход к более автономному****AI: продукты класса Deep Research демонстрируют мощную автономность ИИ в определенных задачах (таких как информационный поиск, анализ). Они могут самостоятельно планировать, выполнять многошаговые операции и итеративно оптимизировать результаты, что является основой автоматизации задач для независимой работы агентов ИИ в будущей сети DeAI.

Для AI-специалистов, борющихся в Красном море, лучше смело принять новую голубую волну DeAI, чем продолжать конкурировать в старой парадигме. Это не только переход к новому технологическому направлению, но и пересмотр бизнес-философии — от “вытаскивания” к “стимулированию”, от “закрытости” к “открытости”, от “монопольной прибыли” к “всеобъемлющему росту”.