Нові тенденції в AI-індустрії: зростання локалізованих малих моделей та Передові обчислення

Нещодавно спостерігаючи за розвитком індустрії штучного інтелекту, формується помітна тенденція: з раніше зосередженого на централізованих обчислювальних потужностях та великих моделях основного напрямку, поступово виникає новий маршрут, що спрямований на локальні маломасштабні моделі та Передові обчислення.

Ця тенденція проявляється в багатьох сферах. Наприклад, розумна система, запущена одним з технологічних гігантів, уже охопила 500 мільйонів пристроїв; інша технологічна компанія розробила спеціалізовану малу модель з 330 мільйонами параметрів для своєї операційної системи; також дослідницькі установи вивчають можливості офлайн-операцій роботів. Це все очевидні сигнали розвитку локалізованого ШІ.

Хмарний ШІ та локальний ШІ мають помітні відмінності в акцентах конкуренції. Хмарний ШІ здебільшого покладається на величезні параметричні масштаби та величезні обсяги навчальних даних, а фінансова потужність стає основною конкурентною перевагою. На відміну від цього, локальний ШІ більше зосереджується на інженерному оптимізації та адаптації до сценаріїв, маючи переваги в захисті конфіденційності користувачів, підвищенні надійності та практичності системи. Це особливо важливо, оскільки загальні моделі часто стикаються з проблемою недостатньої точності при застосуванні в певних сферах.

Ця трансформація відкрила нові можливості для проектів Web3 AI. У минулому, у конкуренції за універсальні можливості, традиційні технологічні гіганти домінували завдяки своїм ресурсам, технологіям та базі користувачів. Однак у нових сферах локалізованих моделей та Передових обчислень технологія блокчейн може знайти більше можливостей для розвитку.

Коли AI-модель працює на пристрої користувача, як забезпечити достовірність виходу? Як досягти співпраці між моделями, захищаючи при цьому конфіденційність? Це саме ті проблеми, які технології блокчейн вміють ефективно вирішувати.

В галузі вже з'явилися деякі інноваційні проекти, спрямовані на ці виклики. Наприклад, деякі компанії розробили протокол передачі даних, мета якого - вирішити проблеми монополії даних та непрозорості рішень централізованих AI-платформ. Інші проекти використовують пристрої для зчитування електроенцефалографії, щоб збирати реальні людські дані, створюючи "штучний рівень перевірки", і вже досягли значного доходу. Ці спроби досліджують, як підвищити довіру до локального AI.

Отже, тільки коли технології штучного інтелекту дійсно поглибляться в кожен кінцевий пристрій, децентралізована співпраця зможе перейти з концепції в реальну потребу. Щодо проектів Web3 AI, замість того щоб безуспішно змагатися в жорстокій сфері загального штучного інтелекту, краще серйозно обміркувати, як надати необхідну інфраструктурну підтримку для локалізованого штучного інтелекту, що може стати більш перспективним напрямком розвитку.