Wie DeAI mit zentralisierten KI konkurriert: Vorteile, Anwendungen und Finanzierung

Autor: 0xJeff, Verschlüsselung KOL

Übersetzung: Felix, PANews

Heutzutage verkauft jeder Dinge, sei es Essen, Unterkunft, Enzyklopädien, Elektronikprodukte, Anwendungen oder die neuesten KI.

Früher wurden praktische Gegenstände verkauft, die auf den niedrigeren Ebenen der Maslowschen Bedürfnishierarchie basierten, heute verkauft man Träume und Hoffnungen und verpackt sie in ein glänzendes Äußeres, besonders im Bereich der Verschlüsselung KI.

Verschlüsselung AI Produkte und Infrastruktur sind oft schwer zu verstehen, was dazu führt, dass Teams in der Kommunikation zu viele Fachbegriffe verwenden und es nicht schaffen, Benutzer zu gewinnen.

Darüber hinaus erfordert die Einrichtung eines echten AI-Labors (nicht nur eine einfache Verpackung) erhebliche Mittel zur Finanzierung von Talenten, Mitwirkenden, Rechenressourcen und anderen notwendigen Ressourcen.

Fortschrittliche, unternehmensgerechte KI-Labore können jährliche Kosten von mehreren Millionen Dollar verursachen. Wenn an fortschrittlichen KI-Modellen geforscht, trainiert und optimiert wird, können die Kosten mehrere Hundert Millionen Dollar betragen. Die Preise für H100-GPUs liegen zwischen 25.000 und 40.000 Dollar, während die neueren Blackwell B200- und GB200-GPUs zwischen 30.000 und 70.000 Dollar kosten. Das Training eines fortschrittlichen Modells kann mehrere Tausend solcher GPUs erfordern.

Vorteile der dezentralen KI (DeAI): kleine Modelle + verstärkendes Lernen

Wählen Sie ein dezentrales System, das global Rechenressourcen koordiniert, um ein einzelnes Modell zu trainieren. Theoretisch könnte dies die Kosten für GPUs erheblich senken (Einsparungen von 30 % bis 90 %), da Sie das weltweit ungenutzte GPU-Netzwerk nutzen können. In der Praxis ist es jedoch sehr schwierig, diese GPUs zu koordinieren und sicherzustellen, dass sie alle von hoher Qualität arbeiten. Daher gibt es derzeit kein dezentrales KI-Labor, das das Problem des dezentralen Trainings lösen kann.

Die Zukunft sieht jedoch vielversprechend aus, da einige wenige Labore ermutigende Fortschritte im Bereich des dezentralen verstärkenden Lernens erzielt haben. Dieser Prozess des Selbstspielens und Selbstlernens ermöglicht es einem kleinen Modell, äußerst intelligent zu werden.

Nicht alle Situationen erfordern große Sprachmodelle (LLM). Das Trainieren von Modellen für spezifische Bereiche und die Verwendung von Verstärkungslernen (RL), um deren Fähigkeiten zu verfeinern und zu verbessern, ist der kosteneffektivste Weg, um unternehmensgerechte KI-Lösungen anzubieten, denn letztendlich wollen die Kunden Ergebnisse (konform, sicher, kosteneffizient und produktivitätssteigernd).

Bereits im Jahr 2019 besiegte OpenAI Five das damalige Weltmeisterteam OG in Dota 2. Dies war kein Zufall, sondern eine vollständige Niederlage, bei der OG in zwei aufeinanderfolgenden Spielen besiegt wurde.

Du fragst dich vielleicht, wie es gemacht wird?

“Dota 2” ist ein äußerst komplexes Multiplayer-Online-Kampfarena-Spiel, in dem 5 Spieler gegeneinander antreten, verschiedene Ziele erfüllen und die Basis des Gegners zerstören.

Um sicherzustellen, dass KI gegen Top-Spieler antreten kann, befolgte sie die folgenden Schritte:

• Von Grund auf selbst gegen sich selbst antreten: Grundkenntnisse erlernen und Millionen von Selbstkämpfen durchführen. Wenn man gewinnt, bedeutet das, dass die Operation positiv ist; wenn man verliert, bedeutet das, dass die Operation schlecht ist (d.h. großflächiges Ausprobieren).
• Belohnungssystem (Punkte) einrichten, um Verhaltensweisen mit positiven Erwartungswerten (EV) zu fördern, die möglicherweise zu Siegen führen (z. B. Zerstörung von Türmen, Töten von Helden), während für Verhaltensweisen mit negativem Erwartungswert Punkte abgezogen werden.
• Die Trainingsmethode verwendet einen verstärkenden Lernalgorithmus namens “PPO”, bei dem die KI im Wettbewerb bestimmte Aktionen ausprobiert und PPO die Ergebnisse als Feedback betrachtet. Wenn das Ergebnis gut ist, wird mehr davon gemacht; wenn das Ergebnis schlecht ist, wird weniger davon gemacht. Diese Methode führt die KI schrittweise in die richtige Richtung.
• Hunderte von GPUs trainieren seit fast einem Jahr KI, die ständig lernt und sich an Updates und Änderungen der Spielversion anpasst.
• Nach einiger Zeit begann es, komplexe Strategien selbst zu erkunden (Opfer einer Lane, zu geeigneten Zeiten eine defensive oder offensive Spielweise zu wählen, den Zeitpunkt für großangelegte Angriffe zu nutzen usw.) und begann, gegen menschliche Spieler anzutreten und zu gewinnen.

Obwohl OpenAI Five eingestellt wurde, hat es gezeigt, dass kleine Modelle in bestimmten Aufgabenbereichen äußerst effektiv sein können (die Anzahl der Parameter von OpenAI Five beträgt nur 58MB).

Große KI-Labore wie OpenAI sind in der Lage, dies zu tun, weil sie über die Mittel und Ressourcen verfügen, um Verstärkungslernmodelle zu trainieren. Wenn ein Unternehmen sein eigenes OpenAI Five für Betrugserkennung, Fabrikroboter, autonomes Fahren oder den Handel auf den Finanzmärkten besitzen möchte, sind erhebliche Mittel erforderlich, um dies zu erreichen.

Dezentralisierte Verstärkungslernen löst dieses Problem. Deshalb bauen dezentrale KI-Labore wie Nous Research, Pluralis, gensyn, Prime Intellect und Gradient ein globales GPU-Netzwerk auf, um gemeinsam Verstärkungslernmodelle zu trainieren und Infrastruktur für unternehmensspezifische KI bereitzustellen.

Einige Laboratorien erforschen Methoden zur weiteren Kostensenkung, wie die Verwendung von RTX 5090/4090 anstelle von H100 zum Trainieren von Verstärkungslernmodellen. Es gibt auch einige, die sich darauf konzentrieren, mithilfe von Verstärkungslernen das Intelligenzniveau großer Basis-Modelle zu erhöhen.

Unabhängig davon, wo der Forschungsschwerpunkt liegt, wird es eine der vielversprechendsten Entwicklungsrichtungen für dezentrale KI sein. Wenn dezentrale Verstärkungslern-Lösungen kommerziell in großem Umfang angewendet werden können, werden Unternehmenskunden erhebliche Mittel in die KI investieren und es werden mehr dezentrale KI-Teams zu jährlichen Einnahmen im Bereich von 8 bis 9 Ziffern kommen.

durch die Koordinierungsebene Finanzierung für DeAI bereitstellen und Skalierung erreichen

Aber bevor sie ein jährliches Einkommen von 8 bis 9 Ziffern erreichen, müssen sie kontinuierlich forschen, implementieren und auf kommerziell tragfähige Verstärkungslernlösungen umsteigen, was erhebliche finanzielle Mittel erfordert.

Eine der besten Möglichkeiten, um Mittel zu beschaffen, besteht darin, eine Koordinationsschicht wie Bittensor zu nutzen. Täglich werden Millionen von Dollar an TAO-Anreizen an Subnetzwerke (Startups und KI-Labore) verteilt, während Beitragende (KI-Talente) zu den Subnetzwerken, die sie interessieren, beitragen, um einen Teil der Anreize zu erhalten.

Bittensor ermöglicht es den Beitragsleistenden, an der Entwicklung von KI teilzunehmen, und ermöglicht es den Investoren, in AI-Labore zu investieren, die zur Entwicklung von DeAI-Technologie beitragen.

Derzeit gibt es im Bittensor-Ökosystem mehrere Schlüsselbereiche der DeAI, die herausstechen, darunter Quantencomputing, dezentrales Training, AI-Agenten und Vorhersagesysteme (verstärkendes Lernen ist derzeit noch nicht einer davon, aber mehr als 3 Subnetze konzentrieren sich aktiv auf dezentrales verstärkendes Lernen).

Wie steht es derzeit um die Fortschritte im Bereich der dezentralen Verstärkungslernen?

Bestärkung Lernen hat sich als skalierbar erwiesen, wurde jedoch noch nicht industrialisiert. Die gute Nachricht ist, dass die Nachfrage von Unternehmen nach KI-Agenten, die aus echten Rückmeldungen lernen können, schnell wächst. Zum Beispiel Agenten, die aus realen Umgebungen, Verkaufs- und Kundenservice-Anrufen lernen können, sowie Handelsmodelle, die sich an Marktveränderungen anpassen können. Diese selbstlernenden Systeme können Unternehmen Millionen von Dollar schaffen oder einsparen.

Die Privatsphäre-Technologien sind ebenfalls im Aufschwung. Technologien wie Trusted Execution Environment (TEE), die Verschlüsselung innerhalb von TEE und differenzielle Privatsphäre tragen zur Verschlüsselung und zum Schutz persönlicher Informationen in Feedback-Schleifen bei, sodass sensible Branchen wie Gesundheitswesen, Finanzen und Recht die Einhaltung der Vorschriften wahren können, während sie über leistungsstarke, domänenspezifische selbstlernende KI-Agenten verfügen.

Was wird als Nächstes passieren?

Verstärkendes Lernen ist die beste Wahl, um KI intelligenter zu machen. Verstärkendes Lernen verwandelt KI von einem Generierungssystem in einen proaktiven, intelligenten KI-Agenten.

Die Kombination von Datenschutz und verstärktem Lernen wird Unternehmen dazu bringen, echte Lösungen anzunehmen, um den Kunden konforme Lösungen anzubieten.

Verstärkendes Lernen macht die “Agentenwirtschaft” möglich, in der Agenten Rechenressourcen kaufen, miteinander verhandeln und Dienstleistungen anbieten.

Aufgrund der Kosteneffizienz wird die dezentralisierte Verstärkungslernen die Standardmethode für die Skalierung des Trainings von Verstärkungslernen werden.

Föderiertes verstärktes Lernen (Federated RL) wird entstehen, um es mehreren Parteien zu ermöglichen, gemeinsam zu lernen, ohne lokale sensible Daten zu teilen, wodurch Datenschutz und selbstgesteuertes Lernen kombiniert werden, was das Intelligenzniveau erheblich steigert und gleichzeitig den Compliance-Anforderungen entspricht.

Verwandte Artikel: Verschlüsselung AI großes Umdenken: Virtuals verlieren an Bedeutung, DeFAI und Prognose AI erobern den Markt.