AI phi tập trung là một thực tế có thể đạt được hay một thách thức không thể vượt qua?

Lưu ý: Các quan điểm được trình bày trong bài viết này thể hiện quan điểm và ý kiến ​​của tác giả và không nhất thiết đại diện cho Coinlive hoặc các chính sách chính thức của nó.

Trong khi một số người tán dương những ưu điểm của trí tuệ nhân tạo phi tập trung (AI), ca ngợi tiềm năng của nó trong việc định hình lại tương lai của công nghệ, thì các nhà phê bình lại cảnh báo về những rủi ro cố hữu của nó.

Họ cho rằng việc thiếu kiểm soát tập trung khiến AI phi tập trung dễ bị thao túng và khai thác.

Biết AI tập trung và AI phi tập trung hoạt động như thế nào

AI tập trung và AI phi tập trung đề cập đến hai cách tiếp cận khác nhau trong lĩnh vực AI dựa trên cách tổ chức xử lý dữ liệu và ra quyết định.

Trong các hệ thống AI tập trung, tất cả quá trình xử lý dữ liệu và ra quyết định đều diễn ra ở một vị trí hoặc máy chủ trung tâm, giống như một máy chủ mạnh mẽ thuộc sở hữu của một công ty hoặc tổ chức.

Máy chủ trung tâm này thu thập dữ liệu từ nhiều nguồn khác nhau và phân tích dữ liệu đó để đưa ra quyết định hoặc cung cấp thông tin chuyên sâu.

Nó giống như việc có một bộ não lớn đưa ra mọi quyết định.

Đối với các hệ thống AI phi tập trung, việc xử lý dữ liệu và ra quyết định được phân phối trên nhiều thiết bị hoặc nút thay vì được kiểm soát bởi một cơ quan trung ương.

Mỗi thiết bị hoặc nút trong mạng có sức mạnh tính toán riêng và góp phần vào quá trình xử lý và ra quyết định chung.

Nó giống như có nhiều bộ não nhỏ hơn làm việc cùng nhau để đưa ra quyết định.

Nguồn: Coinmotion về phân quyền và tập trung hóa

AI tập trung mang lại hiệu quả và dễ quản lý nhưng khai thác rủi ro

Một cuộc tranh luận then chốt trong lĩnh vực này tập trung vào những ưu điểm và nhược điểm của việc kiểm soát tập trung và phi tập trung đối với các hệ thống AI, đặc biệt liên quan đến việc bảo vệ lợi ích công cộng trên quy mô lớn.

Kiểm soát tập trung cơ sở hạ tầng AI mang lại lợi thế về mặt sử dụng và hiệu quả nâng cao.

Trong mô hình này, một thực thể duy nhất, thường là chính phủ hoặc tập đoàn lớn, nắm quyền kiểm soát việc phát triển, triển khai và vận hành các hệ thống AI.

Cách tiếp cận tập trung này tạo điều kiện thuận lợi cho các quy trình ra quyết định được sắp xếp hợp lý, áp dụng nhanh chóng các công nghệ mới và tổng hợp các bộ dữ liệu khổng lồ để phân tích và tối ưu hóa.

Bằng cách khai thác các hệ thống AI tập trung, các thương hiệu có thể hiểu rõ hơn về hành vi của người tiêu dùng, điều chỉnh chiến lược tiếp thị một cách chính xác và tự động hóa các khía cạnh hoạt động khác nhau để nâng cao hiệu quả và khả năng cạnh tranh.

Tuy nhiên, sự tập trung quyền lực vốn có trong việc kiểm soát AI tập trung làm dấy lên mối lo ngại đáng kể về khả năng lạm dụng và khai thác.

Các hệ thống AI tập trung có ảnh hưởng to lớn đến hoạt động của các cá nhân. cuộc sống, có khả năng định hình các lựa chọn và hành vi của họ theo những cách có thể không phù hợp với lợi ích tốt nhất của họ.

Hơn nữa, sự thiếu minh bạch và trách nhiệm giải trình trong các mô hình kiểm soát tập trung có thể làm trầm trọng thêm các vấn đề thiên vị, phân biệt đối xử và vi phạm quyền riêng tư, làm xói mòn thêm quyền tự chủ và quyền tự chủ của công dân.

Dưới đây là những mối quan tâm đáng chú ý:

Quyền riêng tư dữ liệu: Các hệ thống AI tập trung thường tích lũy lượng lớn dữ liệu cá nhân, gây ra rủi ro đáng kể về quyền riêng tư. Khi một thực thể duy nhất kiểm soát dữ liệu này, các cá nhân; thông tin cá nhân trở nên dễ bị lạm dụng hoặc khai thác.

Điều khiển: Quyền lực tập trung có thể thúc đẩy sự thiếu minh bạch và thiếu trách nhiệm trong việc ra quyết định của AI. Nếu một nhóm hoặc tổ chức nhỏ áp đặt các thuật toán AI, nó có thể thao túng kết quả theo hướng có lợi cho mình, có khả năng xâm phạm các quyền và tự do của người khác.

Sự thiên vị và phân biệt đối xử: Các hệ thống AI tập trung có thể vô tình duy trì hoặc cố ý làm trầm trọng thêm sự thiên vị và phân biệt đối xử, đặc biệt nếu dữ liệu đào tạo bị sai lệch hoặc sai lệch. Điều này có thể có tác động bất lợi đối với các cộng đồng bị thiệt thòi.

Rủi ro bảo mật: Một hệ thống AI tập trung trở thành mục tiêu hàng đầu cho các cuộc tấn công mạng. Các hành vi vi phạm có thể dẫn đến thiệt hại trên diện rộng, bao gồm rò rỉ dữ liệu, thao túng thuật toán AI và các hoạt động độc hại khác.

Ức chế đổi mới: Bối cảnh AI tập trung có thể cản trở sự đổi mới khi những người chơi và công ty khởi nghiệp nhỏ hơn gặp phải rào cản gia nhập. Sự đổi mới là rất quan trọng để giải quyết các mối lo ngại về đạo đức và an toàn trong AI.

AI tập trung thống trị bối cảnh hiện tại

Về thị phần, AI tập trung đang thống trị bối cảnh hiện tại, với các tổ chức và gã khổng lồ công nghệ có uy tín đang triển khai rộng rãi các giải pháp AI tập trung.

Các hệ thống này có cơ sở người dùng đáng kể, từ doanh nghiệp đến người tiêu dùng cá nhân và đã chứng minh tính hiệu quả của chúng trong nhiều ứng dụng khác nhau, từ công cụ đề xuất đến xử lý ngôn ngữ tự nhiên.

Về mặt công nghệ, các hệ thống AI tập trung đã đạt đến mức độ trưởng thành cao, được hưởng lợi từ nhiều năm nghiên cứu và phát triển.

Họ thường tự hào về các thuật toán phức tạp, bộ dữ liệu khổng lồ và cơ sở hạ tầng mạnh mẽ, cho phép họ đưa ra những dự đoán và hiểu biết chính xác một cách nhất quán.

Ví dụ: các ngân hàng và tổ chức tài chính sử dụng hệ thống AI tập trung để phân tích lượng dữ liệu khổng lồ nhằm đánh giá rủi ro tín dụng, cơ hội đầu tư và xu hướng thị trường.

Các công ty thẻ tín dụng sử dụng thuật toán AI tập trung để phát hiện các giao dịch gian lận và xác định các mẫu biểu hiện hoạt động gian lận.

Khi nói đến nghệ thuật và âm nhạc, một số studio nghệ thuật và nghệ sĩ kỹ thuật số sử dụng thuật toán AI tập trung để tự động tạo ra tác phẩm nghệ thuật dựa trên các phong cách, chủ đề hoặc hình ảnh đầu vào được xác định trước.

Trong khi các nền tảng phát trực tuyến như Spotify sử dụng thuật toán AI tập trung để phân tích sở thích và hành vi của người dùng nhằm đề xuất danh sách phát và đề xuất âm nhạc được cá nhân hóa.

Ben Ratliff, nhà phê bình âm nhạc và tác giả cuốn sách "Every Song Ever: Twenty Ways to Listen in an Age of Musical Plenty", nói thêm:

“Spotify rất giỏi trong việc nắm bắt những cảm xúc phổ biến và tạo nhạc nền cho chúng.”

Tuy nhiên, bất chấp sự trưởng thành của chúng, các hệ thống AI tập trung vẫn phải đối mặt với những thách thức liên quan đến quyền riêng tư dữ liệu, khả năng mở rộng và các điểm lỗi duy nhất, điều này có thể hạn chế tính hiệu quả của chúng trong một số trường hợp nhất định.

Những người ủng hộ AI phi tập trung cho quyền tự chủ và quyền riêng tư

AI phi tập trung đưa ra một cách tiếp cận tương phản, ưu tiên quyền tự chủ của cá nhân và trao quyền cho tập thể.

Trong mô hình này, các hệ thống AI được phân phối trên một mạng lưới các nút, không có thực thể duy nhất nào thực hiện quyền kiểm soát tổng thể.

Kiến trúc phân tán này giảm thiểu rủi ro liên quan đến kiểm soát tập trung vì không có điểm lỗi hoặc thao tác nào.

Các hệ thống AI phi tập trung hoạt động dựa trên các nguyên tắc minh bạch, trách nhiệm giải trình và quản trị dân chủ, đảm bảo quá trình ra quyết định toàn diện thể hiện các lợi ích và quan điểm đa dạng.

Bằng cách phân tán quyền kiểm soát giữa nhiều chủ thể, AI phi tập trung sẽ hạn chế khả năng lạm dụng và áp bức, bảo vệ quyền công dân và thúc đẩy khả năng tiếp cận công bằng với các công nghệ AI.

Nó đóng một vai trò quan trọng trong việc bảo vệ khỏi các kịch bản AI đen tối vì một số lý do:

Quyền sở hữu và quyền riêng tư dữ liệu: Trong một hệ thống phi tập trung, các cá nhân giữ quyền kiểm soát tốt hơn đối với dữ liệu của họ, quyết định cách thức, thời điểm và chia sẻ dữ liệu với ai. Điều này làm giảm nguy cơ vi phạm dữ liệu và vi phạm quyền riêng tư.

Minh bạch và trách nhiệm giải trình: Phân cấp thúc đẩy tính minh bạch bằng cách thu hút sự tham gia của nhiều bên liên quan vào việc phát triển và triển khai AI. Điều này khiến việc thao túng hệ thống AI vì mục đích phi đạo đức trở nên khó khăn hơn và tăng trách nhiệm giải trình.

Giảm sự thiên vị: Với các bên liên quan đa dạng tham gia vào quá trình phát triển, AI phi tập trung có thể mang tính toàn diện hơn và ít thiên vị hơn. Điều này giúp giải quyết các vấn đề về sự công bằng và phân biệt đối xử.

Cải thiện tính bảo mật: Các hệ thống phi tập trung có khả năng phục hồi tốt hơn trước các cuộc tấn công mạng nhờ dữ liệu phân tán và khả năng ra quyết định. Điều này khiến đối thủ khó có thể xâm phạm toàn bộ hệ thống hơn.

Thúc đẩy đổi mới: Phân cấp khuyến khích sự đổi mới bằng cách cho phép nhiều người tham gia đóng góp cho nghiên cứu và phát triển AI. Các công ty khởi nghiệp, cá nhân và các tổ chức nhỏ hơn có thể đóng một vai trò quan trọng, làm cho lĩnh vực này trở nên năng động hơn và đáp ứng nhu cầu xã hội hơn.

Ví dụ: nền tảng tài chính phi tập trung (DeFi) tận dụng các thuật toán AI phi tập trung để tự động hóa các hoạt động cho vay, vay và giao dịch mà không cần qua trung gian, mang đến cho người dùng nhiều quyền kiểm soát hơn đối với tài chính của họ.

Đối với lĩnh vực nghệ thuật và âm nhạc, các thị trường nghệ thuật phi tập trung như OpenSea cho phép các nghệ sĩ bán tác phẩm kỹ thuật số của họ trực tiếp cho người mua mà không qua trung gian, sử dụng thuật toán AI phi tập trung để xác thực và xác minh xuất xứ.

Một số nền tảng dựa trên blockchain cũng sử dụng thuật toán AI phi tập trung để theo dõi và phân phối tiền bản quyền cho các nhạc sĩ, đảm bảo bồi thường minh bạch và công bằng cho công việc của họ.

Một trường hợp sử dụng khác là học tập liên kết thể hiện một cách tiếp cận trong đó việc đào tạo mô hình diễn ra trực tiếp trên các thiết bị phi tập trung, bảo toàn dữ liệu người dùng trên các thiết bị riêng lẻ thay vì hợp nhất dữ liệu đó vào tập trung.

Một ví dụ điển hình của phương pháp này là Học tập liên kết các nhóm của Google (FLoC).

Allison Duettmann, Giám đốc điều hành của Viện Tầm nhìn xa và là diễn giả nổi bật tại Consensus 2024, nêu bật ba lĩnh vực then chốt mà blockchain có thể cách mạng hóa các hệ thống AI.

Khi được hỏi những gì cô thấy là những cách hợp pháp, hứa hẹn nhất mà blockchain có thể giúp phát triển AI an toàn hơn hoặc tốt hơn, cô giải thích:

“Tôi đoán tôi sẽ nói có ba thùng. Một là khía cạnh bảo mật của mọi thứ, nơi không gian Web3/tiền điện tử có nhiều kinh nghiệm về việc thất bại nhanh chóng nếu bạn không xây dựng hệ thống bảo mật. Bởi vì nhiều hệ thống nằm trong không gian không được phép hoặc không thể thay đổi - nếu bạn không xây dựng chúng đúng cách - có thể sẽ có một khoản tiền thưởng hàng triệu đô la gắn liền với chúng. Vì vậy, tôi nghĩ tinh thần xây dựng sự an toàn và có một quy trình kiểm tra gần như không chủ ý là một tư duy quan trọng khi chúng tôi xây dựng hệ thống AI. Vấn đề thứ hai là làm cách nào chúng ta có thể tận dụng các công nghệ mà không gian tiền điện tử cũng đang hoạt động để xây dựng các hệ thống AI mà chúng ta mong muốn từ góc độ con người? [Nhóm thứ ba] Khía cạnh quản trị của AI. Vì vậy, bạn có thể sử dụng công nghệ mã hóa để chứng minh rằng bạn đang tuân theo các tiêu chuẩn hoặc tiêu chuẩn an toàn nhất định. Thay vì phải chia sẻ tất cả thông tin có thể là độc quyền, bạn chỉ có thể chia sẻ thông tin cần thiết để chứng minh rằng bạn đang đạt được các tiêu chuẩn an toàn nhất định."

Arif Khan, Giám đốc điều hành của Alethea và cũng là diễn giả nổi bật tại Giai đoạn AI của Consensus 2024, khẳng định rằng AI phi tập trung vượt qua các khái niệm trừu tượng và cường điệu đơn thuần; nó đại diện cho một sự thay đổi quan trọng hướng tới tương lai.

Ông nhấn mạnh những lợi ích hữu hình của nó, cho thấy rằng nó có tiềm năng cải thiện đáng kể cuộc sống hàng ngày của chúng ta.

Việc áp dụng AI phi tập trung đang phát triển nhưng thiếu sự trưởng thành và phải đối mặt với nhiều rào cản

Việc áp dụng các giải pháp AI phi tập trung đang tăng trưởng đều đặn nhưng phải đối mặt với những rào cản liên quan đến khả năng tương tác, khả năng mở rộng và sự không chắc chắn về quy định, cũng như có ít người chơi lâu đời hơn và cơ sở người dùng nhỏ hơn.

Nếu không có sự phối hợp tập trung, việc đạt được sự đồng thuận và thực hiện các quyết định tập thể có thể phức tạp và tốn thời gian, cản trở hiệu quả.

Hơn nữa, việc thiếu quyền lực tập trung có thể dẫn đến sự phân tán và các mục tiêu khác nhau giữa các nút, có khả năng cản trở các sáng kiến ​​và chiến lược AI gắn kết.

Đặc biệt, khả năng tương tác là một trở ngại đáng kể trên con đường AI phi tập trung, do nó phụ thuộc vào các nền tảng và công nghệ đa dạng.

Nếu không có khả năng tương thích liền mạch, tiềm năng mở rộng của AI vẫn chưa được khám phá.

Hơn nữa, môi trường pháp lý không chắc chắn đặt ra những thách thức khi các chính phủ trên toàn cầu cố gắng thích ứng với sự phát triển nhanh chóng của công nghệ AI.

Độ trễ quy định này có thể dẫn đến các khuôn khổ rời rạc hoặc thậm chí tệ hơn là thiếu sự giám sát hiệu quả.

Ngoài ra, bảo mật nổi lên như một mối quan tâm quan trọng khi xem xét tính chất phân tán của các hệ thống phi tập trung.

Mặc dù kiến ​​trúc này mang lại khả năng phục hồi nhưng nó cũng khiến họ gặp phải các mối đe dọa mạng tiềm ẩn, nhấn mạnh nhu cầu cấp thiết để bảo vệ tính toàn vẹn của họ.

Jesus Rodriguez, Giám đốc điều hành của IntoTheBlock, cho rằng AI có xu hướng tập trung hóa một cách tự nhiên theo thời gian, đặt ra thách thức đối với các sáng kiến ​​​​phân cấp.

Một thách thức lớn của AI phi tập trung là duy trì sự đồng bộ hóa giữa các nút phi tập trung trong mạng AI.

Trong một hệ thống phi tập trung, nhiều nút xử lý và phân tích dữ liệu một cách độc lập, điều quan trọng là phải đồng bộ hóa hành động của chúng để đảm bảo tính nhất quán và chính xác.

Tuy nhiên, việc điều phối hoạt động của các nút khác nhau trong thời gian thực có thể phức tạp, đặc biệt khi xử lý khối lượng dữ liệu lớn và môi trường động.

Một thách thức khác là đảm bảo tính nhất quán của dữ liệu trên các nút phi tập trung.

Trong hệ thống AI phân tán, mỗi nút có thể có tập dữ liệu riêng, dẫn đến sự khác biệt và không nhất quán trong dữ liệu được sử dụng để đào tạo và suy luận.

Điều này có thể dẫn đến các mô hình AI sai lệch hoặc không chính xác, ảnh hưởng đến độ tin cậy và hiệu quả của các ứng dụng AI.

Các giải pháp tiềm năng để giải quyết những thách thức này có những hạn chế

Một cách tiếp cận là triển khai các cơ chế đồng thuận cho phép các nút phi tập trung đồng ý về trạng thái của mạng và phối hợp hành động của chúng một cách hiệu quả.

Các thuật toán đồng thuận như bằng chứng công việc và bằng chứng cổ phần thường được sử dụng để đạt được sự đồng bộ hóa và nhất quán dữ liệu trong các hệ thống phi tập trung.

Ngoài ra, các kỹ thuật như học tập liên kết và chia sẻ dữ liệu dựa trên blockchain có thể giúp cải thiện tính nhất quán của dữ liệu bằng cách cho phép các nút phi tập trung hợp tác đào tạo các mô hình AI trên các tập dữ liệu phân tán trong khi vẫn đảm bảo quyền riêng tư và bảo mật dữ liệu.

Tuy nhiên, những giải pháp này có những hạn chế khiến các ứng dụng AI phi tập trung bị hạn chế.

Cơ chế đồng thuận có thể gây ra độ trễ và chi phí hoạt động, làm chậm hiệu suất tổng thể của hệ thống AI.

Các kỹ thuật học tập liên kết có thể gặp phải các vấn đề về tắc nghẽn giao tiếp và khả năng mở rộng, đặc biệt là trong môi trường phân tán quy mô lớn.

Hơn nữa, việc chia sẻ dữ liệu dựa trên blockchain có thể tốn nhiều tài nguyên và có thể không mở rộng tốt khi quy mô và độ phức tạp của mạng ngày càng tăng.

Con đường dẫn đến AI phi tập trung có thể xảy ra nhưng một trận chiến khó khăn

Bất chấp sự phổ biến ngày càng tăng của các hệ thống phi tập trung như blockchain, vẫn còn một khoảng cách đáng kể trong sự hiểu biết của công chúng.

Nhiều cá nhân không quen với các khái niệm cơ bản về phân cấp và nó khác với các mô hình tập trung truyền thống như thế nào.

Sự thiếu nhận thức này thường dẫn đến sự hoài nghi và mất lòng tin, cản trở việc áp dụng rộng rãi các công nghệ phi tập trung.

Hiện tại, mức độ chấp nhận của công chúng rất khác nhau tùy thuộc vào các yếu tố như vị trí địa lý, tình trạng kinh tế xã hội và mức độ quen thuộc với công nghệ.

Ở những khu vực có khả năng truy cập internet và trình độ kỹ thuật số cao, công nghệ phi tập trung có xu hướng được chấp nhận nhiều hơn.

Tuy nhiên, ở những khu vực có khả năng tiếp cận công nghệ hạn chế hoặc nơi hệ thống tập trung chiếm ưu thế, có thể có nhiều trở ngại hơn trong việc áp dụng các giải pháp phi tập trung.

Do đó, tăng cường tính minh bạch và sự tham gia là chìa khóa để xây dựng niềm tin vào công nghệ phi tập trung.

Bằng cách cung cấp thông tin rõ ràng và dễ tiếp cận về cách thức hoạt động của các hệ thống phi tập trung cũng như lợi ích tiềm năng của chúng, các nhà phát triển và người ủng hộ có thể làm sáng tỏ công nghệ và giải quyết những quan niệm sai lầm.

Điều này bao gồm việc giáo dục công chúng về các khái niệm như cơ chế đồng thuận blockchain, mã hóa dữ liệu và cấu trúc quản trị phi tập trung.

Hơn nữa, việc thúc đẩy sự tham gia nhiều hơn vào các mạng phi tập trung có thể giúp trao quyền cho người dùng và thể hiện bản chất dân chủ của các hệ thống này.

Bằng cách thu hút các bên liên quan tham gia vào quá trình ra quyết định và trao cho họ tiếng nói về định hướng phát triển, các dự án phi tập trung có thể tạo dựng niềm tin và xây dựng sự hỗ trợ cộng đồng mạnh mẽ hơn.

Sự phát triển nguồn mở, diễn đàn cộng đồng và cơ chế quản trị phi tập trung đều góp phần vào mục tiêu này.

Về lý thuyết, AI phi tập trung có vẻ khá đơn giản nhưng trên thực tế, nó đặt ra những thách thức đáng kể.

Khi AI tiếp tục phát triển, nó có xu hướng tập trung hóa, khiến việc phân cấp trở thành một nỗ lực đáng gờm.

Tuy nhiên, việc áp dụng rộng rãi các mô hình AI tổng hợp nguồn mở là rất quan trọng để thúc đẩy cơ sở hạ tầng AI phi tập trung.

Hiện tại, trọng tâm của AI phi tập trung nghiêng về suy luận hơn là đào tạo trước hoặc tinh chỉnh, dựa trên trạng thái của công nghệ AI tổng quát.

Để AI phi tập trung trở nên khả thi, cơ sở hạ tầng Web3 phải mở rộng quy mô đáng kể, trong khi các mô hình nền tảng phải trở nên nhỏ gọn hơn và có khả năng thích ứng với môi trường phi tập trung.

Và với bối cảnh hiện tại, việc đạt được mục tiêu này đặt ra những thách thức đáng kể.