Тенденції розвитку індустрії ШІ: від хмарних великих моделей до локальних малих моделей
Нещодавно в індустрії штучного інтелекту спостерігається цікава тенденція розвитку: від раніше централізованих великих моделей поступово переходять до дистрибутивних малих моделей. Ця зміна проявляється в кількох аспектах, включаючи Apple Intelligence, що охоплює 500 мільйонів пристроїв, Microsoft, що розробляє спеціальну малу модель Mu з 330 мільйонами параметрів для Windows 11, а також Google DeepMind, що досліджує автономні операції роботів.
Ця зміна означає, що технології ШІ переходять від хмари до локальних пристроїв. Хмарний ШІ в основному покладається на величезні масштаби параметрів і величезні обсяги навчальних даних, фінансова потужність є основною конкурентною перевагою. У свою чергу, локальний ШІ більше зосереджений на інженерній оптимізації та адаптації до ситуації, має переваги в захисті приватності, надійності та практичності. Ця зміна частково зумовлена проблемою "галюцинації" загальних великих моделей у специфічних ситуаціях, що впливає на їх застосування в вертикальних сферах.
Для проектів Web3 AI ця тенденція принесла нові можливості. Раніше, під час конкуренції за здатність "уніфікації", проектам Web3 було важко конкурувати з традиційними технологічними гігантами, оскільки вони знаходилися в невигідному становищі з точки зору ресурсів, технологій та бази користувачів. Проте, з розвитком AI до локалізації та обчислень на краю, переваги технологій Web3 почали проявлятися.
Коли моделі ШІ працюють на пристроях користувачів, як можна гарантувати достовірність виходу? Як реалізувати співпрацю моделей, захищаючи при цьому конфіденційність? Ці питання якраз і є спеціалізацією технології блокчейн. Деякі нові проекти Web3 AI досліджують ці напрямки, наприклад, розробка протоколу зв'язку даних для вирішення проблеми монополії даних централізованих платформ ШІ або використання пристроїв для зчитування електроенцефалографії для збору реальних людських даних з метою створення "штучного шару верифікації".
В цілому, лише коли ШІ дійсно "заглибиться" в кожен пристрій, децентралізована співпраця зможе перетворитися з концепції на реальну потребу. Для проектів Web3 AI, замість того, щоб продовжувати змагатися на загальному ринку, краще подумати про те, як забезпечити інфраструктурну підтримку локалізованій хвилі ШІ, що, можливо, є більш перспективним напрямком розвитку.
Переглянути оригінал
Ця сторінка може містити контент третіх осіб, який надається виключно в інформаційних цілях (не в якості запевнень/гарантій) і не повинен розглядатися як схвалення його поглядів компанією Gate, а також як фінансова або професійна консультація. Див. Застереження для отримання детальної інформації.
14 лайків
Нагородити
14
6
Репост
Поділіться
Прокоментувати
0/400
RetailTherapist
· 2год тому
Маленька модель справді смачна
Переглянути оригіналвідповісти на0
ProbablyNothing
· 08-12 02:32
З великого до малого, очевидно, це лише питання витрат.
Переглянути оригіналвідповісти на0
MeltdownSurvivalist
· 08-12 02:31
Дійсно надійно, давно вже слід було перейти на локальне.
Переглянути оригіналвідповісти на0
SatoshiLegend
· 08-12 02:30
Цей патерн дійсно трохи схожий на напрямок експерименту з zk-SNARKs 94 року... Локалізація означає, що обчислювальна потужність розподілятиметься відповідно до моделі P2P.
Переглянути оригіналвідповісти на0
BearMarketSurvivor
· 08-12 02:28
Маленькі моделі коштують набагато дешевше, пора займатися великими, інакше рано чи пізно Рект.
Технології штучного інтелекту переходять до локалізації, проекти Web3 отримують нові можливості
Тенденції розвитку індустрії ШІ: від хмарних великих моделей до локальних малих моделей
Нещодавно в індустрії штучного інтелекту спостерігається цікава тенденція розвитку: від раніше централізованих великих моделей поступово переходять до дистрибутивних малих моделей. Ця зміна проявляється в кількох аспектах, включаючи Apple Intelligence, що охоплює 500 мільйонів пристроїв, Microsoft, що розробляє спеціальну малу модель Mu з 330 мільйонами параметрів для Windows 11, а також Google DeepMind, що досліджує автономні операції роботів.
Ця зміна означає, що технології ШІ переходять від хмари до локальних пристроїв. Хмарний ШІ в основному покладається на величезні масштаби параметрів і величезні обсяги навчальних даних, фінансова потужність є основною конкурентною перевагою. У свою чергу, локальний ШІ більше зосереджений на інженерній оптимізації та адаптації до ситуації, має переваги в захисті приватності, надійності та практичності. Ця зміна частково зумовлена проблемою "галюцинації" загальних великих моделей у специфічних ситуаціях, що впливає на їх застосування в вертикальних сферах.
Для проектів Web3 AI ця тенденція принесла нові можливості. Раніше, під час конкуренції за здатність "уніфікації", проектам Web3 було важко конкурувати з традиційними технологічними гігантами, оскільки вони знаходилися в невигідному становищі з точки зору ресурсів, технологій та бази користувачів. Проте, з розвитком AI до локалізації та обчислень на краю, переваги технологій Web3 почали проявлятися.
Коли моделі ШІ працюють на пристроях користувачів, як можна гарантувати достовірність виходу? Як реалізувати співпрацю моделей, захищаючи при цьому конфіденційність? Ці питання якраз і є спеціалізацією технології блокчейн. Деякі нові проекти Web3 AI досліджують ці напрямки, наприклад, розробка протоколу зв'язку даних для вирішення проблеми монополії даних централізованих платформ ШІ або використання пристроїв для зчитування електроенцефалографії для збору реальних людських даних з метою створення "штучного шару верифікації".
В цілому, лише коли ШІ дійсно "заглибиться" в кожен пристрій, децентралізована співпраця зможе перетворитися з концепції на реальну потребу. Для проектів Web3 AI, замість того, щоб продовжувати змагатися на загальному ринку, краще подумати про те, як забезпечити інфраструктурну підтримку локалізованій хвилі ШІ, що, можливо, є більш перспективним напрямком розвитку.