工业革命的副作用之一是它使得工业化国家与未进行工业革命的国家间的差距变为150年。它使得发展中国家要花费大量的时间以弭平同世界头部经济体的差距。当前AI应用的中心化模式可能会在中美这种国家与世界其他地方国家间产生更大的鸿沟。
促进共同创造与知识分享的去中心化AI模式是防止增加大公司与小公司之间、领先经济体与发展中国家之间鸿沟的方式之一。鼓励自主行动者发布数据集、创建、培训或优化模型的网络是一种更可持续的机制，可以促进AI的创造，而这种机制无助于使富人更富。 实用主义的视角：去中心化AI的现实挑战
尽管去中心化AI的价值主张有明显的意义，但其现实实现面临诸多挑战。从其技术堆栈的不成熟到交付模型中的明显摩擦，去中心化AI解决方案走向主流采用的路上横亘着明显的绊脚石。当其被用于传统的中心化结构时，去中心化通常造成中断，AI也不例外。尽管跟去中心化AI技术的有限采用相关的挑战很多，但它们绝大多数都可归为如下几类：
l 双重中断挑战：作为一项技术趋势，AI仍处于婴儿期，绝大多数组织刚刚开始找到接受新的深度学习或者机器学习堆栈的方法。从有限的人才供给到这项技术的原生复杂性，绝大多数公司都面临将AI作为其技术策略关键支柱的挑战。去中心化则是另外一层的复杂性所在，对于绝大多数组织来说，在其早期阶段，这可能不是很重要的问题。
l 算力挑战：诸如区块链的去中心化账本在执行需要深度学习模型这样的昂贵计算时，其性能仍然有限。在这个程度上，去中心化AI网络仍然需要链下计算模型，后者给绝大多数组织造成了基础设施方面的挑战。
l 激励挑战：去中心化AI的结构需要依靠激励机制以驱动不同各方参与网络。当涉及一些珍贵的东西，如数据和知识时，激励模型不仅需要非常强大，且需要在投资回报（ROI）方面相比中心化AI方法更有竞争力。此外，激励结构通常会引起操纵网络行为的恶意攻击。
解决上述挑战是为采用去中心化AI技术创造经济和技术可行性的唯一途径。任何策略都需要在AI技术的新生状态与去中心化的破坏性之间取得平衡。 一条通向去中心化AI的可行路径
一个促成去中心化AI模式被采用的有效策略是，不是将其视为单一问题，而是将其视为跟AI应用生命周期不同阶段相关的一系列挑战。从这个视角看，不是将去中心化AI思考为一个整体，而是将该问题拆解为去中心化AI的多个方面。如果我们试图将这个想法组织在一条跟中断程度成反比的路径上，我们会得到如下结果：
l 去中心化数据分享：激励网络参与者发布和分享数据，它是去中心化AI应用中最不具颠覆性的部分。对于一个组织来说，加入一个网络并发布和使用相关数据集，比构建一个基础设施并运行去中心化深度学习模型更容易。
l 去中心化训练与预测：在数据分享的去中心化网络建立之后，逻辑上讲，下一步是对模型训练及结果发布的去中心化。该结构将引入除了计算外所有方面的去中心化的AI模型。
l 去中心化的AI模型：最终，我们可以考虑对AI模型的执行、资源的动态分配和模型的消耗进行去中心化。这将是去中心化AI的最终景象。
前面的步骤为去中心化AI模式的采用提供了实用策略。该策略不仅实用，而且我们已经拥有解决周期中每个步骤的新兴技术。 去中心化数据分享：海洋协议
海洋协议（Ocean Protocol）是增长最快的去中心化AI堆栈之一。概念上讲，海洋协议架构的主要作用是在AI工作流程中实现实体之间的去中心化通信。从数据或者算法的提供商再到分析工具，海洋协议提供了基于代币激励以及区块链智能合约的模型，允许各方以公平高效的互动模式在AI工作流中合作。尽管海洋协议具有通用功能集，但它通过引入代币化的激励层，在网络中的节点之间共享数据方面也表现不俗。海洋协议是少数去中心化AI堆栈之一、可以跟主要深度学习与机器学习框架联合使用，且不会造成重大中断。
转播
