L'industrie de l'IA passe du cloud à la périphérie : L'émergence de petits modèles locaux apporte de nouvelles opportunités
Récemment, l'industrie de l'IA présente une tendance claire : un passage d'une recherche de modèles massifs dans le cloud vers une attention accrue portée aux modèles locaux de petite taille et à l'edge computing. Cette transformation se manifeste de plusieurs manières, comme l'Apple Intelligence couvrant 500 millions de dispositifs, Microsoft développant un modèle Mu de 330 millions de paramètres pour Windows 11, et Google DeepMind explorant les opérations hors ligne des robots.
Cette évolution a engendré un nouveau paysage concurrentiel. L'IA cloud se concentre principalement sur la puissance financière, l'échelle des paramètres et le volume des données d'entraînement, tandis que l'IA locale met davantage l'accent sur l'optimisation technique et l'adaptation aux scénarios, offrant des avantages en matière de protection de la vie privée, de fiabilité et de praticité. En particulier dans certains domaines spécifiques, les modèles locaux peuvent mieux performer que les grands modèles généraux.
Pour les projets d'IA Web3, cette tendance représente une énorme opportunité. Par le passé, dans le domaine de l'IA générale, les projets Web3 avaient du mal à rivaliser avec les géants de la technologie. Cependant, dans les scénarios de modèles localisés et de calcul en périphérie, les avantages de la technologie blockchain pourraient être pleinement exploités.
Par exemple, lorsque le modèle AI fonctionne sur les appareils des utilisateurs, comment garantir la véracité des résultats produits ? Comment réaliser la collaboration des modèles tout en protégeant la vie privée ? Ce sont là des domaines dans lesquels la technologie blockchain excelle.
Actuellement, certains projets Web3 AI commencent à explorer cette direction. Par exemple, un certain protocole de communication de données s'engage à résoudre le problème de monopole des données et de boîte noire des plateformes AI centralisées ; un autre projet collecte des données humaines réelles à l'aide d'appareils EEG pour construire une "couche de vérification humaine", ayant déjà obtenu un succès commercial préliminaire. Ces tentatives visent toutes à résoudre le problème de confiance des IA locales.
On peut dire que c'est seulement lorsque l'IA sera réellement "intégrée" dans chaque appareil que la collaboration décentralisée pourra passer du concept à une nécessité réelle. Pour les projets Web3 AI, il est peut-être plus prometteur de se concentrer sur le soutien à l'infrastructure pour la vague d'IA localisée plutôt que de rivaliser sur le terrain de l'IA générale.
Voir l'original
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
20 J'aime
Récompense
20
7
Reposter
Partager
Commentaire
0/400
IntrovertMetaverse
· 08-15 17:14
C'est un peu trop vrai.
Voir l'originalRépondre0
MEVictim
· 08-14 01:44
L'avenir est à la marge
Voir l'originalRépondre0
WalletDivorcer
· 08-12 18:52
Le petit modèle est bien ancré dans la réalité.
Voir l'originalRépondre0
SelfCustodyIssues
· 08-12 18:44
Petit est grand
Voir l'originalRépondre0
AirdropF5Bro
· 08-12 18:34
C'est vraiment délicieux, il faut sauter dans ce train.
L'émergence des petits modèles d'IA offre de nouvelles opportunités aux projets Web3.
L'industrie de l'IA passe du cloud à la périphérie : L'émergence de petits modèles locaux apporte de nouvelles opportunités
Récemment, l'industrie de l'IA présente une tendance claire : un passage d'une recherche de modèles massifs dans le cloud vers une attention accrue portée aux modèles locaux de petite taille et à l'edge computing. Cette transformation se manifeste de plusieurs manières, comme l'Apple Intelligence couvrant 500 millions de dispositifs, Microsoft développant un modèle Mu de 330 millions de paramètres pour Windows 11, et Google DeepMind explorant les opérations hors ligne des robots.
Cette évolution a engendré un nouveau paysage concurrentiel. L'IA cloud se concentre principalement sur la puissance financière, l'échelle des paramètres et le volume des données d'entraînement, tandis que l'IA locale met davantage l'accent sur l'optimisation technique et l'adaptation aux scénarios, offrant des avantages en matière de protection de la vie privée, de fiabilité et de praticité. En particulier dans certains domaines spécifiques, les modèles locaux peuvent mieux performer que les grands modèles généraux.
Pour les projets d'IA Web3, cette tendance représente une énorme opportunité. Par le passé, dans le domaine de l'IA générale, les projets Web3 avaient du mal à rivaliser avec les géants de la technologie. Cependant, dans les scénarios de modèles localisés et de calcul en périphérie, les avantages de la technologie blockchain pourraient être pleinement exploités.
Par exemple, lorsque le modèle AI fonctionne sur les appareils des utilisateurs, comment garantir la véracité des résultats produits ? Comment réaliser la collaboration des modèles tout en protégeant la vie privée ? Ce sont là des domaines dans lesquels la technologie blockchain excelle.
Actuellement, certains projets Web3 AI commencent à explorer cette direction. Par exemple, un certain protocole de communication de données s'engage à résoudre le problème de monopole des données et de boîte noire des plateformes AI centralisées ; un autre projet collecte des données humaines réelles à l'aide d'appareils EEG pour construire une "couche de vérification humaine", ayant déjà obtenu un succès commercial préliminaire. Ces tentatives visent toutes à résoudre le problème de confiance des IA locales.
On peut dire que c'est seulement lorsque l'IA sera réellement "intégrée" dans chaque appareil que la collaboration décentralisée pourra passer du concept à une nécessité réelle. Pour les projets Web3 AI, il est peut-être plus prometteur de se concentrer sur le soutien à l'infrastructure pour la vague d'IA localisée plutôt que de rivaliser sur le terrain de l'IA générale.