Cena Numeraire

Centralizacja AI vs Decentralizacja: Co warto grać? Wyobraź sobie dwa areny: jedna jest zdominowana przez gigantów technologicznych prowadzących ogromne centra danych, szkolących nowatorskie modele i ustalających zasady. Druga rozdziela obliczenia, dane i podejmowanie decyzji wśród milionów górników, urządzeń brzegowych i otwartych społeczności. Gdzie zdecydujesz się budować lub inwestować, zależy od tego, która arena według ciebie uchwyci następną falę wartości, lub czy prawdziwa okazja leży w połączeniu obu. --- Co oznacza centralizacja i decentralizacja w AI Centralizowane AI znajduje się głównie na platformach chmurowych o dużej skali, takich jak AWS, Azure i Google Cloud, które kontrolują większość klastrów GPU i mają 68% udziału w globalnym rynku chmurowym. Ci dostawcy szkolą duże modele, utrzymują wagi w zamknięciu lub pod restrykcyjnymi licencjami (jak w przypadku OpenAI i Anthropic) oraz korzystają z własnych zbiorów danych i ekskluzywnych partnerstw danych. Zarządzanie jest zazwyczaj korporacyjne, kierowane przez zarządy, akcjonariuszy i krajowych regulatorów. Z drugiej strony, Decentralizowane AI rozdziela obliczenia przez rynki GPU peer-to-peer, takie jak @akashnet_ i @rendernetwork, a także przez sieci wnioskowania on-chain, takie jak @bittensor_. Te sieci mają na celu decentralizację zarówno szkolenia, jak i wnioskowania. --- Dlaczego centralizacja wciąż dominuje Istnieją strukturalne powody, dla których centralizowane AI nadal prowadzi. Szkolenie nowatorskiego modelu, powiedzmy, modelu wielojęzycznego o 2 bilionach parametrów, wymaga ponad 500 milionów dolarów na sprzęt, energię elektryczną i kapitał ludzki. Bardzo niewiele podmiotów może sfinansować i zrealizować takie przedsięwzięcia. Dodatkowo, obowiązki regulacyjne, takie jak amerykański dekret wykonawczy dotyczący AI i unijna ustawa o AI, nakładają surowe wymagania dotyczące red-teamingu, raportów bezpieczeństwa i przejrzystości. Spełnienie tych wymagań tworzy moat zgodności, który sprzyja dobrze zasobnym graczom. Centralizacja pozwala również na ściślejsze monitorowanie bezpieczeństwa i zarządzanie cyklem życia w fazach szkolenia i wdrażania. --- Pęknięcia modelu centralizowanego Jednak ta dominacja ma swoje słabości. Rośnie obawa o ryzyko koncentracji. W Europie, dyrektorzy 44 dużych firm ostrzegli regulatorów, że unijna ustawa o AI może niezamierzenie wzmocnić amerykańskie monopole chmurowe i ograniczyć regionalny rozwój AI. Kontrole eksportowe, szczególnie ograniczenia GPU prowadzone przez USA, ograniczają dostęp do zaawansowanych obliczeń, zachęcając kraje i deweloperów do poszukiwania zdecentralizowanych lub otwartych alternatyw. Dodatkowo, ceny API dla modeli własnościowych wzrosły wielokrotnie od 2024 roku. Te monopole motywują deweloperów do rozważenia tańszych, otwartych lub zdecentralizowanych rozwiązań. --- Zdecentralizowane AI Mamy rynki obliczeniowe on-chain, takie jak Akash, Render i @ionet, które umożliwiają właścicielom GPU wynajmowanie niewykorzystanej mocy obliczeniowej do zadań AI. Te platformy teraz rozszerzają wsparcie dla GPU AMD i pracują nad dowodami na poziomie obciążenia, aby zapewnić wydajność. Bittensor motywuje walidatorów i biegaczy modeli za pomocą tokena $TAO. Uczenie federacyjne zyskuje na popularności, głównie w opiece zdrowotnej i finansach, umożliwiając współpracujące szkolenie bez przenoszenia wrażliwych surowych danych. Dowód wnioskowania i uczenie maszynowe z zerową wiedzą umożliwiają weryfikowalne wyniki modeli, nawet gdy działają na nieufnym sprzęcie. To są podstawowe kroki w kierunku zdecentralizowanych, bezpiecznych API AI. --- Gdzie leży szansa ekonomiczna W krótkim okresie (dzisiaj do 18 miesięcy), skupienie się na infrastrukturze warstwy aplikacji. Narzędzia, które pozwalają przedsiębiorstwom łatwo przełączać się między OpenAI, Anthropic, Mistral lub lokalnymi modelami o otwartych wagach, będą cenne. Podobnie, studia dostosowane do regulacji oferujące wersje modeli otwartych zgodne z regulacjami w ramach SLA dla przedsiębiorstw zyskują na znaczeniu. W średnim okresie (18 miesięcy do 5 lat), zdecentralizowane sieci GPU będą się rozwijać, gdy ich ceny tokenów odzwierciedlą rzeczywiste wykorzystanie. W międzyczasie, sub-sieci w stylu Bittensor skoncentrowane na specjalistycznych zadaniach, takich jak ocena ryzyka czy składanie białek, będą efektywnie skalować dzięki efektom sieciowym. W długim okresie (ponad 5 lat), AI brzegowe prawdopodobnie zdominuje. Telefony, samochody i urządzenia IoT będą uruchamiać lokalne LLM-y szkolone przez uczenie federacyjne, co zmniejszy opóźnienia i zależność od chmury. Protokóły własności danych również się pojawią, pozwalając użytkownikom zarabiać mikro-royalties, gdy ich urządzenia przyczyniają się do globalnych aktualizacji modeli. --- Jak zidentyfikować zwycięzców Projekty, które prawdopodobnie odniosą sukces, będą miały silny moat techniczny, rozwiązując problemy związane z przepustowością, weryfikacją lub prywatnością w sposób, który przynosi poprawę o rzędy wielkości. Ekonomiczne koła zamachowe muszą być dobrze zaprojektowane. Wyższe wykorzystanie powinno finansować lepszą infrastrukturę i wkład, a nie tylko subsydiować darmowych jeźdźców. Zarządzanie jest kluczowe. Głosowanie tokenami samo w sobie jest kruche, zamiast tego szukaj rad wielostronnych, progresywnych ścieżek decentralizacji lub modeli tokenów podwójnej klasy. Wreszcie, znaczenie ma przyciąganie ekosystemu. Protokoły, które wcześnie integrują się z narzędziami dla deweloperów, będą szybciej przyciągać użytkowników. --- Strategiczne ruchy Dla inwestorów może być mądrze zdywersyfikować, posiadając ekspozycję zarówno na centralizowane API (dla stabilnych zwrotów), jak i zdecentralizowane tokeny (dla asymetrycznego wzrostu). Dla budowniczych, warstwy abstrakcji, które pozwalają na real-time przełączanie między centralizowanymi a zdecentralizowanymi punktami końcowymi, w zależności od opóźnienia, kosztów lub zgodności, to wysoka szansa na zysk. Najcenniejsze możliwości mogą leżeć nie na biegunach, ale w tkance łącznej: protokoły, warstwy orkiestracji i dowody kryptograficzne, które pozwalają na swobodne kierowanie obciążeniami w obu systemach: centralizowanych i zdecentralizowanych. Dziękuję za przeczytanie!