DeAI如何與中心化AI競爭：優勢、應用及資金

作者：0xJeff, 加密 KOL

編譯：Felix, PANews

當今人人都在兜售東西，無論是食物、住所、百科全書、電子產品、應用程序，還是最近的 AI。

過去兜售的是滿足馬斯洛需求層次中較低層級的實用物品，如今兜售的是夢想和希望，並將其包裝在光鮮亮麗的外衣裏，尤其是在加密 AI 領域。

加密 AI 產品和基礎設施往往難以理解，導致團隊在溝通中使用過多專業術語，無法吸引用戶。

此外，啓動一個真正的 AI 實驗室（非簡單的封裝）需要大量資金來資助人才、貢獻者、計算資源和其他必要資源。

先進的企業級 AI 實驗室每年的成本高達數百萬美元。如果正在研究、訓練和優化前沿 AI 模型，成本可能高達數億美元。H100 型號的 GPU 價格在 2.5 萬至 4 萬美元之間，而較新的 Blackwell B200 和 GB200 型號的 GPU 價格在 3 萬至 7 萬美元之間。訓練一個前沿模型可能需要數千個這樣的 GPU。

去中心化 AI（DeAI）的優勢：小型模型 + 強化學習

選擇去中心化的系統，即在全球範圍內協調計算資源來訓練單個模型，理論上能大幅降低 GPU 的成本（節省 30% 至 90%），因爲你可以利用全球閒置的 GPU 網路。但實際上，協調這些 GPU 並確保它們都能高質量地工作非常困難。因此，目前沒有去中心化 AI 實驗室能夠攻克去中心化訓練的難題。

不過未來還是有希望的，因爲有少數實驗室在去中心化的強化學習方面取得了令人鼓舞的成果。正是這種自我博弈、自我學習的過程，能讓一個小型模型變得極其智能。

並非所有情況都需要大型語言模型（LLM）。訓練特定領域的模型，並使用強化學習（RL）來完善和提升它們的技能，是提供企業級 AI 解決方案最經濟有效的方式，因爲歸根結底，客戶想要的是結果（合規、安全、成本效益高且能提高生產力）。

早在 2019 年，OpenAI Five 就在《Dota 2》中擊敗了當時的世界冠軍 OG 戰隊。這並非僥幸，而是徹底的碾壓，連續兩場擊敗了 OG 戰隊。

你可能會好奇它是如何做到的？

《Dota 2》是一款極其復雜的多人在線戰鬥競技場遊戲，5 名玩家相互對抗，完成各種目標並摧毀對方基地。

爲了讓 AI 能與頂級選手對抗，它遵循了以下步驟：

• 從零開始自我對戰：學習基礎知識，進行數百萬次的自我對戰。如果獲勝，就說明操作的是利好的；如果失敗，就說明操作的不好（即大規模的試錯）。
• 設置獎勵系統（積分），激勵那些可能帶來勝利的期望值（EV）爲正的行爲（如摧毀防御塔、擊殺英雄），而對期望值爲負的行爲扣分。
• 訓練方法採用名爲“PPO”的強化學習算法，AI 在比賽中嘗試某些操作，PPO 將結果視爲反饋。如果結果好，就多做；如果結果差，就少做。這種方式逐漸將 AI 引向正確的方向。
• 數百個 GPU 運行近一年來訓練 AI，AI 不斷學習並適應遊戲版本更新和變動。
• 一段時間後，它開始自行探索復雜的策略（犧牲一條兵線、在恰當的時機採取保守或激進的打法、把握大規模進攻的時機等），並且開始與人類玩家對抗並獲勝。

盡管 OpenAI Five 已經退役，但它啓示了小型模型在特定領域任務中也能極其有效（OpenAI Five 的參數量僅爲 58MB）。

像 OpenAI 這樣的大型 AI 實驗室之所以能夠做到這一點，是因爲擁有資金和資源來訓練強化學習模型。如果一家企業想要擁有自己的 OpenAI Five，用於欺詐檢測、工廠機器人、自動駕駛汽車或金融市場交易，需要大量資金才能做到。

去中心化的強化學習解決了這個問題，這就是爲什麼像 Nous Research、Pluralis、gensyn、Prime Intellect 和 Gradient 這樣的去中心化 AI 實驗室正在構建全球 GPU 網路，共同訓練強化學習模型，爲企業級特定領域 AI 提供基礎設施。

一些實驗室正在研究進一步降低成本的方法，例如使用 RTX 5090/4090 而不是 H100 來訓練強化學習模型。還有一些專注於使用強化學習來提升大型基礎模型的智能水平。

無論研究重點在哪，都將成爲去中心化 AI 最有前景的發展方向之一。如果去中心化的強化學習解決方案能在商業上大規模應用，企業客戶將會向 AI 投入大量資金，也將看到更多去中心化 AI 團隊實現 8 到 9 位數的年收入。

通過協調層爲 DeAI 提供資金並實現規模擴展

但是，在達到每年 8 至 9 位數的收入之前，他們需要持續研究、實施並過渡到具有商業可行性的強化學習解決方案，這需要大量資金。

通過像 Bittensor 這樣的協調層來籌集資金是最佳途徑之一。每天都有數百萬美元的 TAO 激勵金發放給子網（初創企業和 AI 實驗室），同時貢獻者（ AI 人才）爲他們感興趣的子網貢獻，以獲取部分激勵金。

Bittensor 使貢獻者能夠參與 AI 的開發，也讓投資者能夠投資於爲 DeAI 技術做出貢獻的 AI 實驗室。

目前在 Bittensor 生態系統中，有幾個關鍵的 DeAI 細分領域脫穎而出，包括量子計算、去中心化訓練、AI 代理和預測系統（強化學習目前還不是其中之一，但有 3 個以上的子網正在積極關注去中心化強化學習）。

目前去中心化強化學習進展如何？

強化學習已被證明可以大規模應用，但尚未實現工業化。好消息是，企業對能夠從真實反饋中學習的 AI 代理的需求正在迅速增長。比如能夠從現實環境、銷售和客戶服務電話中學習的代理，能夠適應市場變化的交易模型等。這些自我學習系統能夠爲企業創造或節省數百萬美元。

隱私技術也在興起。可信執行環境（TEE）、TEE 內的加密嵌入以及差分隱私等技術在反饋循環中的應用有助於加密和保護私人信息，使醫療保健、金融、法律等敏感行業在擁有強大的特定領域自我學習 AI 代理的同時保持合規。

接下來會怎樣？

強化學習是繼續讓 AI 更加智能的不二之選。強化學習將 AI 從生成系統轉變爲積極主動、智能的 AI 代理。

隱私與強化學習相結合將推動企業真正採用，爲客戶提供合規的解決方案。

強化學習使“代理經濟”成爲可能，代理購買計算資源、相互協商、提供服務。

由於成本效益，去中心化強化學習將成爲擴展強化學習訓練的默認方式。

聯邦式強化學習（Federated RL）將會出現，使多方能夠在不共享本地敏感數據的情況下協同學習，將隱私保護與自我學習相結合，極大地提升智能水平，同時符合合規要求。

相關閱讀：加密AI大洗牌：Virtuals失寵，DeFAI與預測AI搶風口