Тенденции развития AI-индустрии: от облачных больших моделей до локальных малых моделей
Недавно в AI-индустрии наблюдается интересная тенденция: от первоначальных централизованных крупных моделей постепенно происходит переход к децентрализованным мелким моделям. Эта трансформация проявляется в нескольких аспектах, включая охват Apple Intelligence 500 миллиона устройств, разработку Microsoft специализированной мелкой модели Mu с 330 миллионами параметров для Windows 11, а также исследование роботами DeepMind оффлайн-операций.
Этот переход означает, что технологии ИИ переходят от облака к локальным устройствам. Облачный ИИ в основном зависит от огромного числа параметров и большого объема обучающих данных, а финансовая мощь является ключевым конкурентным преимуществом. В то же время локальный ИИ больше ориентирован на оптимизацию процессов и адаптацию к конкретным сценам, что дает ему преимущества в области защиты конфиденциальности, надежности и практичности. Этот переход частично вызван проблемой "галлюцинаций", существующей у универсальных больших моделей в определенных сценариях, что влияет на их применение в вертикальных областях.
Для проектов Web3 AI эта тенденция открывает новые возможности. Ранее, в условиях конкуренции за способность "универсальности", проектам Web3 было трудно соперничать с традиционными технологическими гигантами, поскольку они находились в невыгодном положении по ресурсам, технологиям и пользовательской базе. Однако с развитием AI в сторону локализации и вычислений на краю сети преимущества технологий Web3 начинают проявляться.
Когда модели ИИ работают на устройствах пользователей, как можно гарантировать достоверность результатов? Как осуществить совместную работу моделей, защищая при этом конфиденциальность? Эти вопросы как раз находятся в сфере экспертизы технологии блокчейн. Некоторые новые проекты Web3 AI исследуют эти направления, например, разработка протоколов передачи данных для решения проблемы монополии данных централизованных платформ ИИ или использование устройств для считывания мозговых волн для сбора реальных данных человека с целью создания "слоя искусственной проверки".
В общем, только когда ИИ действительно "опустится" на каждое устройство, децентрализованное сотрудничество сможет перейти от концепции к реальной необходимости. Для Web3 AI проектов, вместо того чтобы продолжать конкурировать на универсальной арене, лучше подумать о том, как обеспечить инфраструктурную поддержку для локализованной волны ИИ, что, возможно, является более перспективным направлением развития.
Посмотреть Оригинал
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
14 Лайков
Награда
14
6
Репост
Поделиться
комментарий
0/400
RetailTherapist
· 27м назад
Моделька действительно хороша
Посмотреть ОригиналОтветить0
ProbablyNothing
· 08-12 02:32
С большого до малого, это явно связано с учетом затрат.
Посмотреть ОригиналОтветить0
MeltdownSurvivalist
· 08-12 02:31
Действительно надежно, давно следовало перейти на местный.
Посмотреть ОригиналОтветить0
SatoshiLegend
· 08-12 02:30
Этот паттерн действительно напоминает направление эксперимента по zk-SNARKs 94 года... Локализация означает, что вычислительная мощность будет следовать модели P2P.
Посмотреть ОригиналОтветить0
BearMarketSurvivor
· 08-12 02:28
Маленькая модель стоит намного дешевле, рано или поздно с большой моделью будет Рект.
Технологии ИИ переходят к локализованным проектам Web3, что открывает новые возможности
Тенденции развития AI-индустрии: от облачных больших моделей до локальных малых моделей
Недавно в AI-индустрии наблюдается интересная тенденция: от первоначальных централизованных крупных моделей постепенно происходит переход к децентрализованным мелким моделям. Эта трансформация проявляется в нескольких аспектах, включая охват Apple Intelligence 500 миллиона устройств, разработку Microsoft специализированной мелкой модели Mu с 330 миллионами параметров для Windows 11, а также исследование роботами DeepMind оффлайн-операций.
Этот переход означает, что технологии ИИ переходят от облака к локальным устройствам. Облачный ИИ в основном зависит от огромного числа параметров и большого объема обучающих данных, а финансовая мощь является ключевым конкурентным преимуществом. В то же время локальный ИИ больше ориентирован на оптимизацию процессов и адаптацию к конкретным сценам, что дает ему преимущества в области защиты конфиденциальности, надежности и практичности. Этот переход частично вызван проблемой "галлюцинаций", существующей у универсальных больших моделей в определенных сценариях, что влияет на их применение в вертикальных областях.
Для проектов Web3 AI эта тенденция открывает новые возможности. Ранее, в условиях конкуренции за способность "универсальности", проектам Web3 было трудно соперничать с традиционными технологическими гигантами, поскольку они находились в невыгодном положении по ресурсам, технологиям и пользовательской базе. Однако с развитием AI в сторону локализации и вычислений на краю сети преимущества технологий Web3 начинают проявляться.
Когда модели ИИ работают на устройствах пользователей, как можно гарантировать достоверность результатов? Как осуществить совместную работу моделей, защищая при этом конфиденциальность? Эти вопросы как раз находятся в сфере экспертизы технологии блокчейн. Некоторые новые проекты Web3 AI исследуют эти направления, например, разработка протоколов передачи данных для решения проблемы монополии данных централизованных платформ ИИ или использование устройств для считывания мозговых волн для сбора реальных данных человека с целью создания "слоя искусственной проверки".
В общем, только когда ИИ действительно "опустится" на каждое устройство, децентрализованное сотрудничество сможет перейти от концепции к реальной необходимости. Для Web3 AI проектов, вместо того чтобы продолжать конкурировать на универсальной арене, лучше подумать о том, как обеспечить инфраструктурную поддержку для локализованной волны ИИ, что, возможно, является более перспективным направлением развития.