jakiro
Autor: Zhang Feng
Künstliche Intelligenz (KI) ist zweifellos der heißeste Technologietrend der Welt. Die KI-Technologie verändert alle Lebensbereiche in beispielloser Geschwindigkeit. Hinter dem Trubel des Wohlstands verbirgt sich jedoch die grausame Realität, dass die überwiegende Mehrheit der KI-Unternehmen, insbesondere Start-ups, keinen stabilen und nachhaltigen Weg zur Rentabilität gefunden hat.Sie geraten in das Dilemma „Applaus, aber kein Erfolg“, wobei technologischer Wohlstand und kommerzielle Verluste nebeneinander bestehen.
1. Warum „Geld verlieren und Geld verdienen“?
Das Gewinndilemma des KI-Geschäfts ist nicht auf das Scheitern der Technologie selbst zurückzuführen, sondern auf die strukturellen Widersprüche, die durch ihr zentralisiertes Entwicklungsmodell verursacht werden.Konkret lässt sich dies auf die folgenden drei Hauptgründe zurückführen:
Extreme Zentralisierung: himmelhohe Kosten und Oligopol.Die aktuelle Mainstream-KI, insbesondere große Modelle, ist eine typische „Asset-Heavy“-Branche.Sein Trainings- und Inferenzprozess erfordert enorme Mengen an Rechenleistung (GPU), Speicher und Strom.Dies hat zu einer Polarisierung geführt: Auf der einen Seite stehen Technologiegiganten (wie Google, Microsoft, OpenAI) mit reichlich Kapital, die sich Investitionen in Hunderten Millionen oder sogar Milliarden Dollar leisten können;Auf der anderen Seite steht eine Vielzahl von Start-up-Unternehmen, die den Großteil ihrer Finanzierung an Cloud-Dienstleister „verteilen“ müssen, um Rechenleistung zu erhalten, und deren Gewinnmargen extrem unter Druck stehen.Dieses Modell bildet eine „Rechenmacht-Oligarchie“ und unterdrückt die Vitalität von Innovationen.Beispielsweise verließ sich sogar OpenAI in seinen frühen Entwicklungsstadien stark auf die enormen Investitionen von Microsoft und die Cloud-Computing-Ressourcen von Azure, um die Entwicklung und den Betrieb von ChatGPT zu unterstützen. Für die meisten Akteure erschweren hohe Fixkosten die Erzielung einer Skalenrentabilität.
Datendilemma: Qualitätsbarrieren und Datenschutzrisiken.Der Treibstoff der KI sind Daten.Zentralisierte KI-Unternehmen stehen normalerweise vor zwei großen Problemen, um qualitativ hochwertige und umfangreiche Trainingsdaten zu erhalten.Erstens sind die Kosten für die Datenerfassung hoch.Ob durch kostenpflichtige Sammlung, Datenanmerkung oder die Nutzung von Benutzerdaten, es ist mit einem enormen Geld- und Zeitaufwand verbunden.Zweitens sind Datenschutz- und Compliance-Risiken enorm.Da sich die weltweiten Datenschutzbestimmungen (wie DSGVO und CCPA) verschärfen, kann die Erhebung und Nutzung von Daten ohne ausdrückliche Genehmigung der Nutzer jederzeit rechtliche Schritte und hohe Geldstrafen nach sich ziehen.Beispielsweise mussten viele bekannte Technologieunternehmen aufgrund von Datennutzungsproblemen mit hohen Geldstrafen rechnen. Daraus entsteht ein Paradoxon: KI kann ohne Daten nicht entwickelt werden, aber die Gewinnung und Nutzung von Daten ist schwierig.
Unausgewogene Werteverteilung: Mitwirkende und Urheber sind von den Vorteilen ausgeschlossen.Im aktuellen KI-Ökosystem ist die Werteverteilung äußerst unfair.Das Training von KI-Modellen basiert auf Verhaltensdaten, die von unzähligen Benutzern generiert wurden, auf Inhalten (Texte, Bilder, Code usw.), die von Erstellern erstellt wurden, und auf Open-Source-Code, der von Entwicklern auf der ganzen Welt beigesteuert wurde.Diese Hauptakteure erhalten jedoch fast keine Rendite aus dem enormen Geschäftswert, der durch KI-Modelle geschaffen wird.Dies ist nicht nur eine ethische Frage, sondern auch ein nicht nachhaltiges Geschäftsmodell. Es dämpft den Enthusiasmus von Datenlieferanten und Inhaltserstellern und wird auf lange Sicht die Grundlage für die kontinuierliche Optimierung und Innovation von KI-Modellen untergraben. Ein typischer Fall ist, dass viele Künstler und Schriftsteller KI-Unternehmen vorgeworfen haben, ihre Werke ohne jegliche Entschädigung für Ausbildungs- und Profitzwecke zu nutzen, was weitreichende Kontroversen und Rechtsstreitigkeiten ausgelöst hat.
2. Neues Profitparadigma
DeAI (Dezentrale KI) ist keine einzelne Technologie, sondern ein neues Paradigma, das Blockchain, Kryptographie und verteiltes Rechnen integriert.Ziel ist es, durch einen dezentralen Ansatz das Produktionsverhältnis von KI zu rekonstruieren und dadurch die oben genannten drei großen Pain Points gezielt zu lösen und die Möglichkeit eines Gewinns zu eröffnen.
DeAI nutzt das „Crowdsourcing“-Modell, um den Bedarf an Rechenleistung auf ungenutzte Knoten (Personalcomputer, Rechenzentren usw.) auf der ganzen Welt zu verteilen.Dies ähnelt „Airbnb für GPU“ und bildet einen globalen und wettbewerbsfähigen Markt für Rechenleistung, der die Kosten für Rechenleistung erheblich senken kann.Die Teilnehmer erhalten Token-Anreize, indem sie Rechenleistung beisteuern und so eine optimale Ressourcenallokation erreichen.
DeAI erreicht „nicht die Daten bewegen sich, sondern das Modell bewegt sich“ durch Technologien wie „Verbundlernen“ und „homomorphe Verschlüsselung“.Anstatt Rohdaten an einem Ort zu zentralisieren, verteilt es Modelle für das lokale Training an verschiedene Datenquellen und aggregiert nur verschlüsselte Parameteraktualisierungen. Dies schützt grundsätzlich den Datenschutz und nutzt gleichzeitig den Wert dezentraler Daten gesetzeskonform und konform.Dateneigentümer können selbstständig entscheiden, ob sie Daten bereitstellen und davon profitieren.
DeAI hat durch „Token Economics“ und „Smart Contracts“ ein transparentes und faires Wertverteilungssystem aufgebaut.Datenmitwirkende, Rechenleistungsanbieter, Modellentwickler und sogar Modellnutzer können auf der Grundlage ihres Beitrags automatisch entsprechende Token-Belohnungen durch Smart Contracts erhalten. Dies verwandelt die KI von einer „Black Box“, die von Giganten kontrolliert wird, in eine offene Wirtschaft, die von der Gemeinschaft mitgestaltet, mitverwaltet und geteilt wird.
3. Transformation der dreistufigen Architektur
Die Migration des traditionellen zentralisierten KI-Geschäfts zum DeAI-Paradigma erfordert einen systematischen Umbau auf den drei Ebenen Technologie, Geschäft und Governance.
(1) Technischer Umbau von zentral zu verteilt
RechenleistungsschichtMithilfe des Decentralized Physical Infrastructure Network (DePIN)-Projekts wie Akash Network, Render Network usw. bauen wir einen flexiblen, kostengünstigen verteilten Rechenleistungspool auf, der herkömmliche zentralisierte Cloud-Dienste ersetzt.
DatenschichtAls zentrales Trainingsframework wird Federated Learning verwendet, kombiniert mit kryptografischen Technologien wie homomorpher Verschlüsselung und sicherer Mehrparteienberechnung, um Datenschutz und Sicherheit zu gewährleisten.Richten Sie einen auf Blockchain basierenden Datenmarkt wie das Ocean Protocol ein, um den Handel mit Daten unter der Voraussetzung von Bestätigung und Sicherheit zu ermöglichen.
ModellebeneDas trainierte KI-Modell wird in Form eines „KI-Smart-Vertrags“ auf der Blockchain bereitgestellt und ist somit transparent, überprüfbar und ohne Erlaubnis aufrufbar.Jede Nutzung des Modells und die daraus resultierenden Vorteile können genau erfasst und verteilt werden.
(2) Unternehmensumbau vom Verkauf von Dienstleistungen bis zum ökologischen Mitbau
Von SaaS über DaaS (Data as a Service) und MaaS (Model as a Service),Unternehmen verkaufen nicht mehr nur die Anzahl der API-Aufrufe, sondern fungieren als ökologische Erbauer und motivieren die Community, sich am Netzwerkaufbau zu beteiligen, indem sie funktionale Token oder Governance-Token ausgeben.Die Einnahmequelle hat sich von einer einzelnen Servicegebühr auf Token-Wertsteigerung, Dividenden aus Transaktionsgebühren usw. ausgeweitet, was durch das Wachstum des ökologischen Werts verursacht wird.
Deshalb,Erstellen Sie eine dezentrale Aufgabenplattform, um Aufgaben wie Datenannotation, Modellfeinabstimmung und Anwendungsentwicklung für bestimmte Szenarien in Form von „Kopfgeldern“ zu veröffentlichen, die Mitglieder der globalen Community ausführen und Belohnungen erhalten können, wodurch die Betriebskosten erheblich gesenkt und die Innovationskraft gefördert werden.
(3) Vom Unternehmenssystem zumDAOUmstrukturierung der Governance
Basierend auf der Community-Governance haben Community-Teilnehmer (Mitwirkende, Benutzer) durch den Besitz von Governance-Tokens das Recht, über wichtige Entscheidungen abzustimmen, wie z. B. die Richtung der Anpassung von Modellparametern, die Verwendung von Finanzmitteln, die Entwicklungspriorität neuer Funktionen usw. Dies ermöglicht echte „Benutzer als Eigentümer“.
Basierend auf Offenheit und TransparenzAlle Codes, Modelle (einige können Open Source sein), Transaktionsaufzeichnungen und Governance-Entscheidungen werden in die Kette gestellt, um die Offenheit und Transparenz des Prozesses sicherzustellen und eine vertrauenslose Zusammenarbeit aufzubauen.Dies allein ist ein starker Markenwert und ein Vertrauensbeweis.
Nehmen Sie als Beispiel die Transformation traditioneller Logistikdatenplattformen in DeAI.Das Dilemma der traditionellen Logistikdatenplattform besteht darin, dass sie zwar Daten von allen Beteiligten wie Schifffahrt, Landtransport und Lagerhaltung zusammenführt, die Teilnehmer jedoch „nicht bereit sind, sie zu teilen“, weil sie befürchten, dass Geschäftsgeheimnisse preisgegeben werden, was zu Dateninseln und einem begrenzten Wert der Plattform führt.Der Kern der Transformation zu DeAI besteht darin, den Wert von Daten freizugeben und faire Anreize zu bieten, ohne die Originaldaten preiszugeben:
Bauen Sie technisch gesehen ein vertrauenswürdiges Computernetzwerk auf.Die Plattform speichert Daten nicht mehr zentral, sondern verwandelt sich in eine Blockchain-basierte Koordinationsschicht.Unter Verwendung technischer Modelle wie föderiertem Lernen wird das KI-Modell zum Training auf die lokalen Server jedes Unternehmens (z. B. Reedereien und Lager) „übertragen“.Dabei werden nur die Aktualisierungen der verschlüsselten Parameter aggregiert, um das globale Vorhersagemodell (z. B. Ankunftszeit des Frachtschiffs, Risiko der Lagerauflösung) gemeinsam zu optimieren und so „Daten bewegen sich nicht, Werte bewegen sich“ zu erreichen.
Fördern Sie die Nutzung von Daten und Token-Anreize in Unternehmen.Die Plattform erhält praktische Punkte, und Logistikunternehmen können durch die Bereitstellung von Daten (Modellparametern) „abbauen“, um Punktprämien zu erhalten.Nachgelagerte Kunden (z. B. Frachteigentümer) zahlen Token, um hochpräzise „Prognoseergebnisse“ (z. B. die Pünktlichkeit einer bestimmten Route in der nächsten Woche) abzufragen, anstatt Rohdaten zu kaufen. Einnahmen werden automatisch über Smart Contracts an Datenlieferanten verteilt.
Bauindustrien basierend auf GovernanceDAO,Wichtige Entscheidungen (z. B. die Entwicklung neuer Funktionen, Gebührenanpassungen) werden von den Token-Inhabern (d. h. den Kernteilnehmern) gemeinsam getroffen, um die Plattform von einem privaten Unternehmen in eine Industriegemeinschaft umzuwandeln.
Die Plattform hat sich von einer zentralisierten Organisation, die versucht, Datenvermittlergebühren zu erheben, zu einem Nervensystem für den gemeinsamen Aufbau, die gemeinsame Steuerung und den Austausch der gesamten Logistikbranchenkette gewandelt.Durch die Lösung des Vertrauensproblems hat es die Effizienz der Zusammenarbeit und die Risikoresistenz der Branche erheblich verbessert.
4. Compliance und Sicherheit
Obwohl DeAI große Aussichten hat, befindet sich seine Entwicklung noch in einem frühen Stadium und steht vor einer Reihe von Herausforderungen, die nicht ignoriert werden können.
Compliance und Rechtsunsicherheit.Was die Datenschutzbestimmungen betrifft,Auch wenn die Daten nicht verschoben werden, müssen Modelle wie das föderierte Lernen bei der Verarbeitung personenbezogener Daten die Anforderungen der „Zweckbindung“, der „Datenminimierung“ und der Benutzerrechte (z. B. das Recht auf Vergessenwerden) in Vorschriften wie der DSGVO strikt einhalten.Die Projektparteien müssen konforme Datenautorisierungs- und Exit-Mechanismen entwerfen.
Was die Wertpapiervorschriften betrifft,Von Projekten ausgegebene Token können von Aufsichtsbehörden in verschiedenen Ländern (z. B. der U.S. SEC) leicht als Wertpapiere anerkannt werden und unterliegen daher einer strengen behördlichen Kontrolle.Die Vermeidung rechtlicher Risiken bei der Gestaltung eines Token-Wirtschaftsmodells ist der Schlüssel zum Überleben des Projekts.
Was die inhaltliche Verantwortung betrifft,Wer ist verantwortlich, wenn ein in der Kette eingesetztes DeAI-Modell schädliche, voreingenommene oder illegale Inhalte produziert? Handelt es sich um einen Modellentwickler, einen Rechenleistungsanbieter oder einen Governance-Token-Inhaber?Dies hat neue Probleme in das bestehende Rechtssystem gebracht.
Im Hinblick auf Sicherheits- und LeistungsherausforderungenModellsicherheitDas istModelle, die in öffentlichen Ketten eingesetzt werden, können neuen Angriffsvektoren ausgesetzt sein, etwa der Ausnutzung von Schwachstellen in Smart Contracts oder der böswilligen Schädigung föderierter Lernsysteme durch Datenvergiftung.
Der Leistungsengpass istDie Transaktionsgeschwindigkeit (TPS) und die Speicherbeschränkungen der Blockchain selbst unterstützen möglicherweise keine hochfrequenten Inferenzanfragen für große Modelle mit geringer Latenz.Dies erfordert eine effektive Kombination aus Layer-2-Erweiterungslösungen und Off-Chain-Computing.
Die Effizienz der Zusammenarbeit istObwohl die verteilte Zusammenarbeit fair ist, kann die Entscheidungsfindungs- und Ausführungseffizienz geringer sein als bei zentralisierten Unternehmen. Wie man ein Gleichgewicht zwischen Effizienz und Fairness herstellt, ist eine Kunst, die in der DAO-Governance kontinuierlich erforscht werden muss.
Als Revolution in den Produktionsbeziehungen soll DeAI das Monopol der Giganten durch verteilte Technologie, Token-Wirtschaft und Community-Governance brechen, ungenutzte Rechenleistung und Datenwerte auf der ganzen Welt freisetzen und ein neues KI-Ökosystem aufbauen, das gerechter, nachhaltiger und potenziell profitabler ist.
5. Aktuelle Explorationsrichtung
Die aktuelle Entwicklung von KI-Tools ist noch weit von der Verwirklichung der idealen dezentralen künstlichen Intelligenz entfernt.Wir befinden uns noch im Anfangsstadium der Dominanz zentralisierter Dienste, aber einige Untersuchungen haben die zukünftige Richtung aufgezeigt..
Aktuelle Erkundungen und zukünftige Herausforderungen.Obwohl das ideale DeAI noch nicht verwirklicht wurde, unternimmt die Branche bereits wertvolle Versuche, die uns helfen, den zukünftigen Weg und die Hindernisse zu erkennen, die überwunden werden müssen.
Wie etwa der Prototyp der Zusammenarbeit in einem Multi-Agenten-System.Einige Projekte untersuchen den Aufbau einer Umgebung, in der KI-Agenten zusammenarbeiten und sich gemeinsam weiterentwickeln.Ziel des AMMO-Projekts ist es beispielsweise, ein „symbiotisches Netzwerk aus Mensch und KI“ zu schaffen.Das von ihm entwickelte Multi-Agenten-Framework und die RL Gyms-Simulationsumgebung ermöglichen es KI-Agenten, zu lernen, in komplexen Szenarien zusammenzuarbeiten und zu konkurrieren.Dies kann als Versuch angesehen werden, die zugrunde liegenden Interaktionsregeln der DeAI-Welt aufzubauen.
Ein weiteres Beispiel ist ein erster Versuch eines Anreizmodells.Nach der Vision von DeAI sollen Nutzer, die Daten beisteuern, und Knoten, die Rechenleistung bereitstellen, eine faire Rendite erhalten.Einige Projekte versuchen, den Wert durch kryptobasierte Anreizsysteme direkt an die Ökosystemteilnehmer umzuverteilen.Natürlich bleibt es eine große Herausforderung, wie dieses Wirtschaftsmodell im großen Maßstab stabil und fair funktionieren kann.
Ein weiteres Beispiel ist die Entwicklung hin zu mehr AutonomieKI: Deep Research-Produkte demonstrieren die leistungsstarke Autonomie der KI bei bestimmten Aufgaben (z. B. Informationsabruf und -analyse). Sie können autonom planen, mehrstufige Vorgänge durchführen und die Ergebnisse iterativ optimieren.Diese Fähigkeit zur Aufgabenautomatisierung ist die Grundlage für die unabhängige Arbeit von KI-Agenten in zukünftigen DeAI-Netzwerken.
Für KI-Praktiker, die im roten Ozean kämpfen, ist es besser, sich mutig dem neuen blauen Ozean von DeAI zu stellen, anstatt sich in das alte Paradigma zu verstricken.Dabei handelt es sich nicht nur um eine Transformation technischer Wege, sondern auch um eine Neugestaltung der Unternehmensphilosophie – von „Extraktion“ zu „Anreizen“, von „geschlossen“ zu „offen“, von „Monopolgewinnen“ zu „Inklusivwachstum“.
