Переход AI-индустрии с облака на край: восход местных малых моделей приносит новые возможности
Недавняя тенденция в индустрии ИИ становится очевидной: в отличие от прошлого, когда акцент делался на масштабные облачные модели, сейчас больше внимания уделяется локальным небольшим моделям и вычислениям на краю сети. Это изменение проявляется в нескольких аспектах, таких как Apple Intelligence, охватывающий 500 миллионов устройств, разработка Microsoft модели Mu с 330 миллионами параметров для Windows 11, а также исследование Google DeepMind по оффлайн-операциям роботов.
Эти изменения привели к новой конкурентной среде. Облачный ИИ в основном соревнуется в финансовой силе, объеме параметров и объеме обучающих данных, в то время как локальный ИИ больше сосредоточен на инженерной оптимизации и адаптации к сценарию, обладая преимуществами в области защиты конфиденциальности, надежности и практичности. Особенно в некоторых конкретных областях локальные модели могут демонстрировать лучшие результаты, чем универсальные большие модели.
Для проектов Web3 AI эта тенденция содержит огромные возможности. В прошлом в области общего ИИ проекты Web3 сложно было соперничать с технологическими гигантами. Однако в условиях локализованных моделей и сценариев вычислений на краю преимущества технологии блокчейн могут быть полностью реализованы.
Например, как можно гарантировать подлинность выходных данных, когда AI-модель работает на устройстве пользователя? Как обеспечить сотрудничество моделей при защите конфиденциальности? Именно в этих областях технологии блокчейн проявляют свои сильные стороны.
В настоящее время уже есть несколько проектов Web3 AI, которые начинают исследовать это направление. Например, один протокол передачи данных стремится решить проблемы монополии данных и черного ящика централизации платформ AI; другой проект собирает реальные данные человека с помощью устройства для считывания мозговых волн, создавая "слой искусственной верификации", который уже достиг первоначального коммерческого успеха. Все эти попытки направлены на решение проблемы доверия к локальному AI.
Можно сказать, что только когда ИИ действительно "опустится" на каждое устройство, децентрализованное сотрудничество сможет перейти от концепции к реальной необходимости. Для Web3 AI проектов, вместо того чтобы конкурировать на рынке общего ИИ, лучше сосредоточиться на предоставлении инфраструктурной поддержки для локализованной волны ИИ, это, возможно, более перспективное направление.
Посмотреть Оригинал
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
Восход локальных моделей ИИ: проекты Web3 встречают новые возможности
Переход AI-индустрии с облака на край: восход местных малых моделей приносит новые возможности
Недавняя тенденция в индустрии ИИ становится очевидной: в отличие от прошлого, когда акцент делался на масштабные облачные модели, сейчас больше внимания уделяется локальным небольшим моделям и вычислениям на краю сети. Это изменение проявляется в нескольких аспектах, таких как Apple Intelligence, охватывающий 500 миллионов устройств, разработка Microsoft модели Mu с 330 миллионами параметров для Windows 11, а также исследование Google DeepMind по оффлайн-операциям роботов.
Эти изменения привели к новой конкурентной среде. Облачный ИИ в основном соревнуется в финансовой силе, объеме параметров и объеме обучающих данных, в то время как локальный ИИ больше сосредоточен на инженерной оптимизации и адаптации к сценарию, обладая преимуществами в области защиты конфиденциальности, надежности и практичности. Особенно в некоторых конкретных областях локальные модели могут демонстрировать лучшие результаты, чем универсальные большие модели.
Для проектов Web3 AI эта тенденция содержит огромные возможности. В прошлом в области общего ИИ проекты Web3 сложно было соперничать с технологическими гигантами. Однако в условиях локализованных моделей и сценариев вычислений на краю преимущества технологии блокчейн могут быть полностью реализованы.
Например, как можно гарантировать подлинность выходных данных, когда AI-модель работает на устройстве пользователя? Как обеспечить сотрудничество моделей при защите конфиденциальности? Именно в этих областях технологии блокчейн проявляют свои сильные стороны.
В настоящее время уже есть несколько проектов Web3 AI, которые начинают исследовать это направление. Например, один протокол передачи данных стремится решить проблемы монополии данных и черного ящика централизации платформ AI; другой проект собирает реальные данные человека с помощью устройства для считывания мозговых волн, создавая "слой искусственной верификации", который уже достиг первоначального коммерческого успеха. Все эти попытки направлены на решение проблемы доверия к локальному AI.
Можно сказать, что только когда ИИ действительно "опустится" на каждое устройство, децентрализованное сотрудничество сможет перейти от концепции к реальной необходимости. Для Web3 AI проектов, вместо того чтобы конкурировать на рынке общего ИИ, лучше сосредоточиться на предоставлении инфраструктурной поддержки для локализованной волны ИИ, это, возможно, более перспективное направление.