Бізнес з ШІ не прибутковий? DeAI вже на горизонті

Автор: Чжан Фенг

Штучний інтелект (ШІ) безсумнівно є найбільш затребуваною технологією в світі, технології ШІ перетворюють різні галузі з небаченою швидкістю. Проте, на фоні цього процвітання, жорстокою реальністю є те, що більшість бізнесів у сфері ШІ, особливо стартапи, не змогли знайти стабільний і стійкий шлях до прибутку. Вони потрапили в пастку “схвалення без продажів”, де процвітання технологій супроводжується комерційними збитками.

Один. Чому «втрачаємо, але отримуємо рекламу»?

Прибутковість бізнесу штучного інтелекту не є наслідком невдачі самої технології, а викликана централізованою моделлю розвитку, що призводить до структурних протиріч. Конкретно, це можна звести до трьох основних причин:

Екстремальна централізація: астрономічні витрати та олігополія. Сучасний мейнстрімний штучний інтелект, особливо великі моделі, є типовою «важкою активною» галуззю. Процеси навчання та інференції вимагають величезних обсягів обчислювальної потужності (GPU), зберігання та електрики. Це призводить до поляризації: з одного боку, є великі технологічні гіганти (такі як Google, Microsoft, OpenAI), які можуть дозволити собі інвестиції в сотні мільйонів або навіть мільярди доларів; з іншого боку, є безліч стартапів, які змушені віддавати значну частину фінансування «на податки» хмарним провайдерам для отримання обчислювальної потужності, що сильно зменшує їх прибутковість. Ця модель формує «олігархію обчислювальної потужності», що душить інноваційну активність. Наприклад, навіть OpenAI на ранніх етапах свого розвитку сильно залежала від величезних інвестицій від Microsoft та ресурсів хмарних обчислень Azure, що дозволило підтримувати розробку та експлуатацію ChatGPT. Для більшості учасників ринку високі фіксовані витрати ускладнюють досягнення масштабного прибутку.

Дані в кризі: бар'єри якості та ризики конфіденційності. Пальне для ШІ – це дані. Централізовані компанії з ШІ зазвичай стикаються з двома основними проблемами для отримання якісних, масштабних навчальних даних. По-перше, витрати на отримання даних є значними. Незалежно від того, чи це через платний збір, аналітику даних, чи використання даних користувачів, це завжди вимагає величезних фінансових і часових витрат. По-друге, ризики конфіденційності даних і дотримання норм є величезними. З ускладненням глобальних законодавств щодо даних (таких як GDPR, CCPA), збір і використання даних без чіткої авторизації користувача може призвести до юридичних позовів та величезних штрафів. Наприклад, кілька відомих технологічних компаній стикалися з величезними штрафами через проблеми з використанням даних. Це створює парадокс: без даних неможливо розвивати ШІ, але отримувати та використовувати дані надзвичайно важко.

Нерівність розподілу вартості: учасники та творці виключені з прибутків. У сучасній екосистемі штучного інтелекту розподіл вартості є вкрай несправедливим. Тренування AI-моделей залежить від безлічі даних про поведінку користувачів, створеного контенту (текстів, зображень, коду тощо) і відкритого коду, розробленого глобальними розробниками. Проте ці ключові учасники практично не можуть отримати жодної винагороди з величезної комерційної вартості, створеної AI-моделями. Це не лише етична проблема, але й нестійка бізнес-модель. Це демотивує учасників даних та творців контенту, а в довгостроковій перспективі може підривати основи постійної оптимізації та інновацій AI-моделей. Типовим прикладом є те, що багато художників та письменників звинувачують компанії AI в використанні їхніх творів для навчання та отримання прибутку, не надаючи жодної компенсації, що викликало широкий резонанс та юридичні суперечки.

Два, нова парадигма прибутку

DeAI (Децентралізований ШІ) не є єдиною технологією, а є новою парадигмою, що поєднує в собі блокчейн, криптографію та розподілені обчислення. Її мета полягає в тому, щоб через децентралізований підхід реконструювати виробничі відносини ШІ, щоб цілеспрямовано вирішити зазначені три великі проблеми та відкрити можливості для отримання прибутку.

DeAI через модель «п crowdsourcing» розподіляє потреби в обчислювальних потужностях по всьому світу на вільні вузли (персональні комп'ютери, дата-центри тощо). Це схоже на «Airbnb для GPU», утворюючи глобальний конкурентний ринок обчислювальних потужностей, що може суттєво знизити витрати на обчислювальні ресурси. Учасники отримують токенові винагороди за внесок у потужності, що забезпечує оптимізацію ресурсів.

DeAI реалізує “руху моделі, не переміщуючи дані” завдяки технологіям, таким як “федеративне навчання” та “гомоморфне шифрування”. Він не потребує централізації початкових даних, а натомість розподіляє модель до кожного джерела даних для локального навчання, лише агрегуючи зашифровані оновлення параметрів. Це радикально захищає конфіденційність даних і в той же час легально та відповідно використовує розподілену цінність даних. Власники даних можуть самостійно вирішувати, чи надавати дані та отримувати з них прибуток.

DeAI створив прозору та справедливу систему розподілу вартості за допомогою “токеноміки” та “смарт-контрактів”. Учасники, які вносять дані, постачальники обчислювальної потужності, розробники моделей та навіть користувачі моделей можуть автоматично отримувати відповідні токенні винагороди через смарт-контракти відповідно до їх внеску. Це перетворює ШІ з “чорної скриньки”, контрольованої гігантами, в відкриту економіку, спільно побудовану, спільно керовану та спільно використовувану спільнотою.

Три. Трансформація трирівневої архітектури

Перемістити традиційний централізований бізнес ШІ в парадигму DeAI потрібно провести системну реконструкцію на трьох рівнях: технологічному, бізнесовому та управлінському.

(1) Технічна реконструкція від централізованої до дистрибутивної системи

Слоя обчислювальної потужності спирається на проекти мережі децентралізованої фізичної інфраструктури (DePIN), такі як Akash Network, Render Network тощо, щоб створити гнучкі, низьковартісні розподілені пули обчислювальної потужності, замінюючи традиційні централізовані хмарні сервіси.

Рівень даних використовує федеративне навчання як основний навчальний каркас, поєднуючи гомоморфне шифрування, безпечні багатосторонні обчислення та інші криптографічні технології для забезпечення конфіденційності та безпеки даних. Створення ринку даних на основі блокчейну, такого як Ocean Protocol, дозволяє здійснювати торгівлю даними з урахуванням прав власності та безпеки.

Модельний рівень розгортає навчану AI-модель у формі “AI смарт-контракту” на блокчейні, що робить її прозорою, перевіряємою та доступною без дозволу. Кожне використання моделі та отримані доходи можуть бути точно зафіксовані та розподілені.

(Два) Перебудова бізнесу від продажу послуг до спільного створення екосистеми

Від SaaS до DaaS (дані як послуга) та MaaS (модель як послуга), підприємства більше не просто продають кількість викликів API, а стають будівельниками екосистеми, заохочуючи участь громади у будівництві мережі шляхом випуску функціональних токенів або токенів управління. Джерела доходу розширюються з єдиної плати за послуги до зростання вартості токенів, пов'язаного з екосистемною цінністю, а також дивідендів від комісії за транзакції.

Отже, створення децентралізованої платформи для завдань, на які публікуються завдання з позначення даних, налаштування моделей, розробки застосунків для конкретних сценаріїв у формі “бонусів”, які виконують члени глобальної спільноти та отримують винагороди, значно знижує витрати на експлуатацію та стимулює інноваційну активність.

(Три) Перехід від корпоративного управління до DAO: реконструкція управління

На основі управління спільнотою, через володіння токенами управління, учасники спільноти (внески, користувачі) мають право голосувати за ключові рішення, такі як напрямок коригування параметрів моделі, використання коштів казни, пріоритети розробки нових функцій тощо. Це реалізує справжнє “користувач - це власник”.

**На основі відкритості та прозорості, всі коди, моделі (частково з відкритим вихідним кодом), торговельні записи та рішення управління будуть записані в блокчейн, що забезпечить відкритість і прозорість процесу, створить безпідставні довірчі відносини, що саме по собі є потужним брендовим активом та підтвердженням довіри.

Приклад переходу від традиційної логістичної платформи даних до DeAI, **** труднощі традиційної логістичної платформи даних полягають у тому, що хоча вона об'єднує дані з морського, наземного транспорту, складування та інших джерел, учасники «не хочуть ділитися» інформацією через побоювання витоку комерційної таємниці, що призводить до створення ізольованих даних, а цінність платформи є обмеженою. Основна мета переходу до DeAI полягає в тому, щоб звільнити цінність даних та забезпечити справедливі стимули без розкриття початкових даних:

Технічне створення мережі надійних обчислень. Платформа більше не зберігає дані в централізованому вигляді, а трансформується в координаційний рівень на основі блокчейну. Використовуючи такі технологічні моделі, як федеративне навчання, дозволяє AI моделям «досаджуватися» на локальні сервери підприємств (наприклад, судноплавних компаній, складів) для навчання, лише агрегуючи зашифровані оновлення параметрів, спільно оптимізуючи глобальну прогнозну модель (наприклад, час прибуття вантажного судна в порт, ризик переповнення складів), реалізуючи «дані не рухаються, цінність рухається».

Запровадження активів даних та стимулювання токенами в бізнесі. Платформа випускає практичні бали, а логістичні компанії «майнять» бали, вносячи дані (параметри моделі) як винагороду. А кінцеві клієнти (наприклад, вантажовласники) оплачують токенами для отримання високоточних «прогнозів» (наприклад: точність рейсів на найближчий тиждень), а не купують сирі дані. Прибуток автоматично розподіляється між постачальниками даних через смарт-контракти.

Створення індустріальногоDAO в управлінні, ключові рішення (такі як розробка нових функцій, коригування комісій) приймаються спільним голосуванням власників токенів (тобто основних учасників), що перетворює платформу з приватної компанії на індустріальну спільноту.

Платформа перетворилася з централізованої установи, яка намагалася стягувати посередницькі збори за дані, на нервову систему, яка спільно будує, спільно управляє та ділиться всім логістичним ланцюгом, значно підвищуючи ефективність співпраці в галузі та здатність до протистояння ризикам шляхом вирішення проблеми довіри.

Чотири, Відповідність та безпека

Незважаючи на широкий потенціал DeAI, його розвиток все ще перебуває на ранній стадії та стикається з низкою серйозних викликів.

Відповідність і правова невизначеність. Щодо законодавства про дані, навіть якщо дані не переміщуються, моделі, такі як федеративне навчання, повинні суворо дотримуватися вимог GDPR та інших регламентів щодо “обмеження цілей”, “мінімізації даних” та прав користувачів (наприклад, права на забуття) під час обробки особистих даних. Проектні команди повинні розробити відповідні механізми надання дозволів на дані та виходу з них.

Щодо законодавства про цінні папери, токени, які випускаються проектом, можуть легко бути визнані регуляторами різних країн (такими як SEC США) цінними паперами, що призведе до суворого регуляторного контролю. Як уникнути правових ризиків при розробці економічної моделі токенів є ключем до виживання проекту.

Щодо відповідальності за зміст, якщо DeAI модель, розгорнута в блокчейні, генерує шкідливий, упереджений чи незаконний контент, хто несе відповідальність? Це розробник моделі, постачальник обчислювальної потужності чи власники токенів управління? Це ставить нові питання для існуючої правової системи.

В аспекті безпеки та продуктивності, безпека моделі, розгорнутої на публічному блокчейні, може стикатися з новими векторами атак, такими як експлуатація вразливостей смарт-контрактів або навмисне пошкодження системи федеративного навчання шляхом отруєння даних.

Вузьке місце продуктивності - це швидкість транзакцій (TPS) та обмеження зберігання самого блокчейну, які можуть не підтримувати запити на інференцію великих моделей з високою частотою та низькою затримкою. Це вимагає ефективного поєднання рішень для масштабування Layer2 та обчислень поза ланцюгом.

Ефективність співпраці Розподілена співпраця, хоча й є справедливою, але ефективність прийняття рішень і виконання може бути нижчою, ніж у централізованих компаній. Як знайти баланс між ефективністю та справедливістю - це мистецтво, яке DAO-управління має постійно досліджувати.

DeAI, як революція у виробничих відносинах, завдяки розподіленим технологіям, токенній економіці та управлінню спільнотою, має на меті зламати монополію гігантів, звільнити невикористану обчислювальну потужність і вартість даних у глобальному масштабі, створивши нову екосистему AI, яка є більш справедливою, сталою та, можливо, більш прибутковою.

П'ять, поточні напрямки досліджень

Розвиток сучасних AI-інструментів ще на досить довгому шляху до реалізації ідеального децентралізованого штучного інтелекту. Наразі ми все ще перебуваємо на ранньому етапі, де домінують централізовані послуги, але деякі дослідження вже вказали на напрямок майбутнього.

! j0HbQ2gIVS6NXJdpjJ7khn2w5mdTIC5I0Ud3pNRR.jpeg

Поточні дослідження та майбутні виклики. Хоча ідеальний DeAI ще не реалізовано, проте в галузі вже проводяться цінні спроби, які допомагають нам зрозуміти майбутній шлях і перешкоди, які потрібно подолати.

Як форма співпраці багатьох агентів. Деякі проекти досліджують створення середовища, в якому AI-агенти взаємодіють один з одним і спільно еволюціонують. Наприклад, проект AMMO має на меті створити “мережу симбіозу між людьми та AI”, а його розроблена багатагентна структура та симуляційне середовище RL Gyms дозволяють AI-агентам навчатися співпраці та конкуренції в складних умовах. Це можна розглядати як спробу побудувати основні правила взаємодії в світі DeAI.

Також як початкові спроби стимулюючих моделей. У концепції DeAI користувачі, які вносять дані, і вузли, які надають обчислювальні потужності, повинні отримувати справедливу винагороду. Деякі проекти намагаються через систему стимулів на основі криптовалюти безпосередньо перерозподілити цінність серед учасників екосистеми. Звичайно, як ця економічна модель зможе працювати в масштабах, стабільно та справедливо, ще залишається величезним викликом.

Ще один приклад більш автономного****AI: Продукти класу Deep Research демонструють потужну автономію AI у виконанні специфічних завдань (таких як інформаційний пошук, аналіз). Вони здатні самостійно планувати, виконувати багатоступеневі операції та ітеративно оптимізувати результати, ця здатність до автоматизації завдань є основою незалежної роботи агентів AI у майбутній мережі DeAI.

Для AI-спеціалістів, які борються в Червоному морі, краще сміливо обійняти нову блакитну хвилю DeAI, ніж зациклюватися в старій парадигмі. Це не лише зміна технологічного шляху, а й перетворення бізнес-філософії — від “екстракції” до “мотивування”, від “закритості” до “відкритості”, від “монопольного прибутку” до “інклюзивного зростання”.