構建去中心化人工智能（DeAI）：了解模組化的人工智能技術棧

行業速遞

2024-10-30 11:55:56

在這篇文章中，我們會探討如何透過去中心化和開源開發，以模組化的方式重新設計 AI 技術棧，從而解決這些問題。我們會詳細介紹技術棧的各個組成部分，它們如何協同工作，以及 Gaia 如何將這些要素整合在一起，實現去中心化 AI 的構建。

分享至

微信掃碼

去中心化和模組化的 AI 技術棧能夠讓開發者更好地構建、擴展AI 代理，並使其貨幣化。讓我們一起來看看這個技術棧到底是怎麼運作的吧！

模組化的AI技術棧

背景介紹

如今，人工智慧（AI）已經成為很多現代產品和用戶解決方案的核心技術。越來越多的公司和企業正在將 AI技術納入自己的系統或產品中。

但是，目前的 AI 領域還存在一些核心的問題，比如專業性不強、存在偏見，還有數據隱私的模糊問題。

現在主流的 AI 解決方案幾乎都被少數幾家大公司開發並掌控著。指望這些公司來解決問題，其實就是讓它們對我們的數字生活掌控得越來越多，也讓我們對它們越來越依賴。它們不僅能查看用戶提交的數據，還能決定如何使用和處理這些數據，甚至可以左右輸出的結果------事實上，它們正在塑造我們的數字世界。

在這篇文章中，我們會探討如何通過去中心化和開源開發，以模組化的方式重新設計 AI 技術棧，從而解決這些問題。我們會詳細介紹技術棧的各個組成部分，它們如何協同工作，以及 Gaia 如何將這些要素整合在一起，實現去中心化 AI 的構建。

理解 AI 開發中的模組化需求

如今的大公司已經擁有大量用戶數據、計算能力和其他資源，對解決這些限制的動力並不強。

為什麼呢？

因為集中化對大公司來說總是更有利。它們可以控制權力的分配------提高進入門檻、減少或收購競爭對手、影響政策，甚至隨意變現。

為了打破這種格局，去中心化和開源的發展理念正在結合，構建一個更加公平、包容和透明的替代方案：去中心化 AI（DeAI）。

去中心化 AI 提供的五大關鍵優勢：

用戶和組織可以掌控自己的專有數據和敏感信息，同時使用 AI 功能。
開發者可以自由組合不同的模型、領域知識、用戶數據和計算資源。
開源組件讓社區能夠審查和改進 AI 解決方案。
模組化讓 AI 系統可以根據行業或特定用例進行定制和微調，實現更高效、更精準的結果。
去中心化讓每個人都可以自由地創建、訪問、調整甚至變現專業化 AI 解決方案。

作為去中心化 AI 的先行者，Gaia 正在重新構想 AI，使其成為模組化、可組合的技術棧，讓任何人都可以創建、定制和擴展 AI 代理。

為了充分利用模組化並構建高效、個性化的 AI 解決方案，我們需要深入地理解去中心化 AI 技術棧。

在下一部分中，我們將詳細探討去中心化 AI 技術棧的各個組成部分、可組合性的概念，以及 Gaia 如何推動這一切的實現。

解構去中心化AI的技術棧

去中心化 AI 不只是簡單地用開源替代集中式模型，而是需要從根本上重新設計 AI 系統的構建、部署和管理方式。

去中心化 AI 技術架構

去中心化 AI 的技術棧由三個基礎組件組成：

技術架構 ：去中心化 AI 的核心基礎，涵蓋計算層、數據層和 AI 模型層的關鍵設施。
應用程序與接口 ：開發者和用戶與 AI 代理及工具交互的窗口。
開發編排與推理 ：AI 代理的"指揮中心"，負責信息流、計算和協作的協調管理。

下面我們將詳細介紹去中心化 AI 技術棧的各個組成部分。

技術架構------去中心化 AI 的引擎

去中心化 AI 的技術架構包含四個關鍵層級，協同提供靈活、模組化的 AI 開發框架：

去中心化計算層 ：這一層通過 GPU 池、邊緣設備及隱私保護計算協議將計算任務分配到網絡中。與傳統集中式數據中心不同，去中心化計算動態分配工作負載，實現分布式處理。
主要組件：
- GPU 池：用於密集型模型的訓練和推理。
- 邊緣設備：用於本地數據處理，降低延遲。
- 使用 ZK-SNARKs 的可驗證計算：保障計算準確性，同時保護隱私。

Gaia協調這些計算資源，確保任務在網絡中實現平衡分配並以可驗證的準確性執行。

更重要的是，Gaia與Jiritsu達成了合作關係，Jiritsu是一個基於zkMPC（零知識多方計算）的去信任操作系統。通過這一合作，Gaia能夠通過Jiritsu的zkMPC構建具有可驗證計算能力的定制AI代理，我們對此充滿期待。

想了解更多合作詳情，請閱讀：GaiaNet與Jiritsu合作，推進去中心化AI操作

數據層 ：負責在去中心化網絡中管理數據的存儲、可用性和轉換。這層對於訓練和微調 AI 模型的高質量數據至關重要。

數據層提供：
IPFS、Arweave和 EigenDA 等網絡上的分布式存儲，確保數據的冗餘存儲和可用性。
由社區驅動的數據標註、索引及驗證機制，使數據更有序。
由預言機提供的實時數據，以保證數據準確性。

Gaia 確保從去中心化的數據源中安全高效地訪問數據，支撐 AI 的持續開發。最近，Gaia 與用戶擁有的數據網絡Vana 合作，共同構建透明、公平、用戶導向的 AI 生態系統。

了解更多：Gaia x Vana：合作夥伴公告，或點擊此處收聽 Twitter Spaces 討論：Gaia x Vana：用戶數據賦能 AI 代理。

AI 模型層 ：該層負責在去中心化環境中創建、訓練和部署 AI 模型，支持模組化設計，使模型能夠無縫地進行定制和擴展，並實現專業化：

針對特定行業（如金融、化學或醫療）的專用語言模型（LLMs）和專業模型優化。
去中心化的訓練框架，利用分布式計算資源創建和更新 AI 模型。
微調工具讓模型能從去中心化數據流中持續學習和適應，以確保模型的準確性和時效性。

推理與部署層 ：此層負責 AI 模型的實時部署和服務，通過分布式網絡中的推理節點高效地分發和處理請求。

推理與部署層通過以下方式增強 AI 功能：

提供本地化模型服務的推理節點網絡。
負載均衡優化性能和資源利用。
針對低延遲應用的邊緣部署選項。

我們剛剛詳細地了解了去中心化 AI 的核心組件，但這些組件如何協同合作，使 AI 代理或解決方案真正"活"起來呢？

Gaia：將一切整合在一起的編排層

Gaia是一個開源框架，確保數據、計算資源、AI模型和應用程序等不同組件之間的流暢操作和集成，同時提供開發者構建強大且專業化 AI解決方案所需的工具和治理結構。 Gaia 的編排層賦予了各模組以"生命力"，使 AI 技術棧的不同部分無縫協作。

Gaia 在去中心化 AI 技術棧中的五大核心功能

編排：Gaia 透過管理任務流、計算資源和組件之間的通信，協調整個去中心化的 AI 棧。它平衡節點工作負載，確保最佳資源配置，防止系統瓶頸。
推理：推理層在實際應用中執行 AI 模型，將處理任務分配到各節點，以支持圖像識別、語言翻譯或客戶服務等任務，實現快速響應。通過去中心化推理，Gaia 能夠在擴展的同時保證 AI 服務的性能一致性。
節點管理 ：Gaia 在邊緣設備和雲基礎設施上部署和管理節點，這些節點是網絡的基本構建塊。它們托管 AI 代理並運行推理任務。分布式架構消除了單點故障，並根據需求靈活擴展。

Gaia 節點的全球分布如下圖所示，展現了去中心化的承諾。

激勵機制 ：Gaia 內置的代幣機制確保利益相關者利益一致。節點運營商通過提供計算資源獲得獎勵，開發者因貢獻代碼而獲得獎勵，數據提供者因分享數據集而獲得獎勵。這樣的經濟激勵層推動網絡的可持續增長，並激勵高質量的貢獻。
治理：基於 DAO（去中心化自治組織）的治理框架，實現透明的決策與資源管理。利益相關者可以提案並投票決定協議更改，確保網絡的發展符合社區需求，並保持系統的運營完整性。

所有上述所提到的這些組件對終端的用戶來說都是看不見的。下面我們將聚焦用戶界面層------應用程序與接口。

AI應用與接口層------AI與用戶的交匯點

AI應用與接口層是去中心化AI解決方案與終端用戶與開發者之間的橋樑。在這裡，底層技術得以呈現，將AI驅動的工具和代理帶到各個行業和應用場景當中，產生實際的價值。

應用程序與接口層的示例包括 ：