人工智能的应用正在以前所未有的速度扩展，但去中心化人工智能 （DeAI） 领域正在遇到一个关键的绊脚石：缺乏多样化、安全和可验证的数据。现有的链上数据集太有限了，无法训练强大的 AI 模型。这种数据稀缺有可能将 AI 的未来掌握在可以不受限制地访问互联网庞大数据存储库的集中式强国手中。
DeAI 的潜力在于它能够民主化、提高透明度和加强 AI。然而，只有弥合现有的数据差距，才能实现这种潜力。这个问题的解决方案可以在创新的加密技术中找到。
Related articles
传统的 AI 模型的工作原理很简单：它们可以消耗的数据越多，它们就会变得越智能。然而，这种优势也暴露了一个明显的弱点。集中式 AI 模型通常在未经明确同意的情况下使用收集的数据进行训练，这引发了对隐私和控制的严重担忧。DeAI 建立在区块链的去中心化和透明原则之上，提供了一种合乎道德的替代方案。
然而，大部分链上数据来自金融交易或 DeFi。对于较小的语言模型，需要更具体的数据进行微调。由于缺乏多样化和丰富的数据集，DeAI 模型需要与传统模型竞争所需的资源。
大型数据存储库，如 The Pile 和 Common Crawl，存在于 web3 之外，包含来自数十亿个来源的信息。这些数据资源在深度和数量方面都使集中式 AI 提供商能够快速、广泛地优化其模型。在竞争性的时间范围内，在链上复制这种级别的数据是不可行的。
密码学提供了一种可行的解决方案，特别是通过应用零知识证明。这些加密技术已经显示出在提高区块链可扩展性和隐私性方面的前景。两种方法——零知识全同态加密 （zkFHE） 和零知识 TLS （zkTLS）——可能是为 DeAI 解锁 web2 数据的关键。
zkFHE 允许对加密数据进行计算，而无需解密。例如，可以在敏感的医疗记录上训练 AI 模型，而不会暴露原始患者数据。这成倍地扩展了 DeAI 模型的训练可能性。
zkTLS 将这一原则扩展到互联网通信。它允许用户证明拥有来自网站的特定数据，例如信用评分或社交媒体活动，而无需透露底层信息。这对于将 web2 孤岛中的大量数据集成到 DeAI 系统中至关重要。
通过结合 zkFHE 和 zkTLS，DeAI 可以访问 web2 的大量数据资源，同时保持隐私和去中心化。这可能会使竞争平等，使 DeAI 能够与集中式 AI 竞争，并有可能超越集中式 AI。
但是，实施 zkFHE 和 zkTLS 是一个复杂的过程，需要在硬件和软件方面取得重大进步。标准化和互作性对于广泛采用也至关重要。尽管如此，潜在的好处是巨大的。
在争夺 AI 主导地位的竞争中，数据是最宝贵的资源。通过整合 zkFHE 和 zkTLS 等加密解决方案，DeAI 可以访问必要的资源以有效竞争。这不仅仅是构建更智能的 AI;而是关于建立一个更加民主和公平的 AI 未来。
发布视图： 42
