前言：本文认为去中心化的人工智能是未来可持续人工智能的唯一途径。但由于现在去中心化AI处于早期阶段，应用场景和基础设施都还不成熟，需要有一个务实的发展策略：分阶段地推进去中心化的AI。本文作者Jesus Rodriguez，由蓝狐笔记社群“王泽龙”翻译。

AI的去中心化是当下最迷人的技术趋势之一，可以成为AI可持续发展道路的基础。联合学习（federated learning）、区块链技术或者安全加密计算的出现，为创建去中心化AI应用提供了可行的技术路径。（蓝狐笔记译注：federated learning是谷歌发明的新词，它能够让多台智能手机相互协作，学习共享的预测模型，其训练所需数据保存在本地设备，跟之前数据在云端的模式不同。）

然而，今日绝大多数的去中心化AI应用处于理论阶段，或者应用场景十分有限。尽管机器学习的去中心化具有明显的好处，但实际实施的途径并非微不足道，而且很可能不会发生。基于当今的AI与区块链生态系统的状况，我想要提供一个关于去中心化AI技术采用的可能的实用主义视角的路径。

发现一个通向去中心化AI的可行路径，需要在去中心化智能所承诺的好处与AI领域的经济和技术现实之间找到平衡。去年，我发表了过一些文章，其中概述了经济学和技术推动因素，它们可以为去中心化AI技术的发展铺平道路。

此后，我的思路演变为试图找到在AI应用中采用去中心化模式的可行路径。事实上，尽管去中心化AI模式可能是更好的、更可持续的AI的关键，然而目前的技术交付非常有限以至使其难以被主流组织采用。尽管我心中的梦想是相信一个去中心化的AI是更好的AI，但是我心中的实用主义不断地与新生AI领域的技术与经济的现实进行博弈。

从我的视角来看，找到一条通往可行的去中心化AI的路径分三步：

i. 理解去中心化人工智能的经济限制
ii.稳步地向人工智能应用生命周期中相对简单的领域引入去中心化
iii.建立正确的激励因素与网络效应以促进去中心化AI网络的发展

梦想者的视角：去中心化AI是可持续AI的唯一路径

在过去的几年中，AI已经在其生命周期的不同方面完全演化成为中心化模式。鉴于当前一代的AI解决方案需要大规模、高质量的训练数据集，市场中大部分的创新都来自如Google、微软、Facebook或者Uber这样的企业，而非初创企业。

由大型公司创造的AI也有助于获得更好的数据，以产生更好的智能。这种恶性循环进一步扩大了大型企业与小型公司间的沟壑，前者有着大量的数据与相关人才以促进AI创新，而后者却缺乏这些资源。将这种模式推演到整个经济体，AI的中心化可能是拉大第一世界国家与其他国家间鸿沟的因素之一。

人工智能的发展经常被拿来跟18世纪的工业革命相提并论，是一种经济革命运动。如果说工业革命是将部分国家从手工生产推向了机器生产，AI则是领导着从实用工具转向智能软件系统的革命。

工业革命的副作用之一是它使得工业化国家与未进行工业革命的国家间的差距变为150年。它使得发展中国家要花费大量的时间以弭平同世界头部经济体的差距。当前AI应用的中心化模式可能会在中美这种国家与世界其他地方国家间产生更大的鸿沟。

促进共同创造与知识分享的去中心化AI模式是防止增加大公司与小公司之间、领先经济体与发展中国家之间鸿沟的方式之一。鼓励自主行动者发布数据集、创建、培训或优化模型的网络是一种更可持续的机制，可以促进AI的创造，而这种机制无助于使富人更富。

实用主义的视角：去中心化AI的现实挑战

尽管去中心化AI的价值主张有明显的意义，但其现实实现面临诸多挑战。从其技术堆栈的不成熟到交付模型中的明显摩擦，去中心化AI解决方案走向主流采用的路上横亘着明显的绊脚石。当其被用于传统的中心化结构时，去中心化通常造成中断，AI也不例外。尽管跟去中心化AI技术的有限采用相关的挑战很多，但它们绝大多数都可归为如下几类：

· 双重中断挑战：作为一项技术趋势，AI仍处于婴儿期，绝大多数组织刚刚开始找到接受新的深度学习或者机器学习堆栈的方法。从有限的人才供给到这项技术的原生复杂性，绝大多数公司都面临将AI作为其技术策略关键支柱的挑战。去中心化则是另外一层的复杂性所在，对于绝大多数组织来说，在其早期阶段，这可能不是很重要的问题。

· 算力挑战：诸如区块链的去中心化账本在执行需要深度学习模型这样的昂贵计算时，其性能仍然有限。在这个程度上，去中心化AI网络仍然需要链下计算模型，后者给绝大多数组织造成了基础设施方面的挑战。

· 激励挑战：去中心化AI的结构需要依靠激励机制以驱动不同各方参与网络。当涉及一些珍贵的东西，如数据和知识时，激励模型不仅需要非常强大，且需要在投资回报（ROI）方面相比中心化AI方法更有竞争力。此外，激励结构通常会引起操纵网络行为的恶意攻击。

解决上述挑战是为采用去中心化AI技术创造经济和技术可行性的唯一途径。任何策略都需要在AI技术的新生状态与去中心化的破坏性之间取得平衡。

一条通向去中心化AI的可行路径

一个促成去中心化AI模式被采用的有效策略是，不是将其视为单一问题，而是将其视为跟AI应用生命周期不同阶段相关的一系列挑战。从这个视角看，不是将去中心化AI思考为一个整体，而是将该问题拆解为去中心化AI的多个方面。如果我们试图将这个想法组织在一条跟中断程度成反比的路径上，我们会得到如下结果：

· 去中心化数据分享：激励网络参与者发布和分享数据，它是去中心化AI应用中最不具颠覆性的部分。对于一个组织来说，加入一个网络并发布和使用相关数据集，比构建一个基础设施并运行去中心化深度学习模型更容易。

· 去中心化训练与预测：在数据分享的去中心化网络建立之后，逻辑上讲，下一步是对模型训练及结果发布的去中心化。该结构将引入除了计算外所有方面的去中心化的AI模型。

· 去中心化的AI模型：最终，我们可以考虑对AI模型的执行、资源的动态分配和模型的消耗进行去中心化。这将是去中心化AI的最终景象。

前面的步骤为去中心化AI模式的采用提供了实用策略。该策略不仅实用，而且我们已经拥有解决周期中每个步骤的新兴技术。

去中心化数据分享：海洋协议

海洋协议（Ocean Protocol）是增长最快的去中心化AI堆栈之一。概念上讲，海洋协议架构的主要作用是在AI工作流程中实现实体之间的去中心化通信。从数据或者算法的提供商再到分析工具，海洋协议提供了基于代币激励以及区块链智能合约的模型，允许各方以公平高效的互动模式在AI工作流中合作。尽管海洋协议具有通用功能集，但它通过引入代币化的激励层，在网络中的节点之间共享数据方面也表现不俗。海洋协议是少数去中心化AI堆栈之一、可以跟主要深度学习与机器学习框架联合使用，且不会造成重大中断。

去中心化训练与预测：Erasure

Erasure是为知名对冲基金Numerai对冲基金提供支持的协议。从去中心化AI所有方面来看，Erasure在基于可用数据集的发布与预测验证方面表现良好。Erasure的目标是提供一个去中心化的市场，在其中，数据科学家可以基于可用数据上传预测，使用加密货币质押预测，并基于预测结果的表现而获得奖励。

尽管第一批用例是来自Numerai，同金融相关，但Erasure可用于任何预测。就结构而言，Erasure结合了几个组件，为去中心化市场中买卖双方的去中心化交互提供基础。

去中心化AI模型：SingularityNet

Singularity按理来说，是去中心化AI领域中最有野心的公司。它为流行的Sophia机器人提供支持而闻名，SingularityNet寻求在AI生命周期的所有方面都引入去中心化。严格来说，SingularityNet是一个使得AI服务可以在去中心化模型中部署和消耗的平台。它搭建于以太坊区块链之上，SingularityNet提供了一种模型，其中激励网络中的不同参与者实施或使用AI服务。从架构的角度来看，SingularityNet基于一系列的组件，这些组件抽象了去中心化AI应用的生命周期的基本方面。

通往去中心化人工智能之路的关键是找到适当的平衡，以打破知识集中和大企业的影响，并最大限度地减少技术挑战领域的破坏。本文的想法提供了务实但不失野心的方式来渐进地采用去中心化AI。