Новые тренды в AI-индустрии: рост локализованных малых моделей и Передовые вычисления

Недавно в AI-индустрии наблюдается интересная тенденция: от общего внимания к крупномасштабным вычислениям и большим моделям, постепенно возникает новое направление, сосредоточенное на локальных малых моделях и Передовые вычисления. Эта тенденция проявляется в нескольких признаках, например, интеллектуальная система одной технологической компании охватила 500 миллионов устройств, одна операционная система выпустила специализированную малую модель с 330 миллионами параметров, а также робот, разработанный AI-компанией, реализовал "офлайн"-операции и т.д.

Это изменение принесло некоторые значительные различия. Облачный ИИ в основном полагается на огромные масштабы параметров и обширные тренировочные данные, финансовая мощь является ключевым конкурентным преимуществом. В то время как локальный ИИ больше сосредоточен на оптимизации инженерии и адаптации к сценариям, он имеет преимущества в защите конфиденциальности, надежности и практичности. Это в основном связано с тем, что проблема иллюзии универсальных моделей может серьезно повлиять на их применение в конкретных областях.

Для Web3 AI эта тенденция может открыть больше возможностей. Ранее в конкуренции за "универсальные" способности традиционные технологические гиганты занимали доминирующее положение благодаря своим ресурсам, технологиям и базе пользователей. Если проекты Web3 попытаются просто адаптировать концепцию децентрализации для конкуренции с этими гигантами, это, безусловно, будет нереалистично.

Однако, с появлением локализованных моделей и Передовые вычисления, перспективы применения технологии блокчейн становятся еще более широкими. Как гарантировать достоверность выходных данных, когда AI-модели работают на устройствах пользователей? Как реализовать сотрудничество моделей, защищая при этом конфиденциальность? Эти вопросы как раз являются сильными сторонами технологии блокчейн.

В отрасли уже появились некоторые новые проекты, такие как протокол передачи данных, который направлен на решение проблемы монополии данных и черного ящика централизованных AI-платформ. Другой проект с помощью устройств для считывания электроэнцефалограммы собирает реальные человеческие данные, создавая "уровень проверки искусственного интеллекта", и уже достиг значительного дохода. Эти проекты пытаются решить проблему "достоверности" локального AI.

В общем, только когда ИИ действительно "углубится" в каждое устройство, децентрализованное сотрудничество сможет перейти от концепции к реальной необходимости. Для проектов Web3 AI, вместо того чтобы продолжать углубляться в универсальный путь, имеет смысл серьезно подумать о том, как обеспечить инфраструктурную поддержку для локализованной волны ИИ. Это может быть более перспективным направлением развития.