AI negócios não lucram? A luz do DeAI já apareceu

Autor: Zhang Feng

A inteligência artificial (IA) é, sem dúvida, o setor tecnológico mais quente do mundo, e a tecnologia de IA está a reconfigurar diversos setores a uma velocidade sem precedentes. No entanto, por trás de toda essa prosperidade, existe uma realidade cruel: a grande maioria dos negócios de IA, especialmente as startups, não conseguiu encontrar um caminho de lucro estável e sustentável. Elas estão presas na situação de “muito aplauso, pouca receita”, convivendo com a prosperidade tecnológica e as perdas comerciais.

Um, por que “perder dinheiro para ganhar fama”?

A dificuldade de lucratividade dos negócios de IA não decorre do fracasso da tecnologia em si, mas sim do seu modelo de desenvolvimento centralizado que leva a contradições estruturais. Especificamente, pode ser resumido nas seguintes três grandes razões:

Centralização extrema: custos exorbitantes e monopólio de poucos. A IA mainstream atual, especialmente os grandes modelos, é uma indústria típica de “ativos pesados”. Seus processos de treinamento e inferência consomem enormes quantidades de poder computacional (GPU), armazenamento e eletricidade. Isso resulta em polarização: de um lado estão as gigantes da tecnologia com capital robusto (como Google, Microsoft, OpenAI), capazes de arcar com investimentos de centenas de milhões ou até bilhões de dólares; do outro lado, há muitas startups que se veem obrigadas a “tributar” a maior parte de seu financiamento aos provedores de serviços em nuvem para obter poder computacional, o que comprime extremante sua margem de lucro. Esse modelo cria um “oligopólio de poder computacional”, sufocando a vitalidade da inovação. Por exemplo, mesmo a OpenAI, em seus primeiros dias de desenvolvimento, dependia fortemente do enorme investimento da Microsoft e dos recursos de computação em nuvem Azure para sustentar a pesquisa e operação do ChatGPT. Para a grande maioria dos jogadores, os altos custos fixos dificultam a realização de lucros em escala.

Dilema dos dados: barreiras de qualidade e riscos de privacidade. O combustível da IA é dado. As empresas de IA centralizadas enfrentam geralmente dois grandes desafios para obter dados de treinamento de alta qualidade e em grande escala. Primeiro, o custo de aquisição de dados é elevado. Quer seja através da coleta paga, da rotulagem de dados ou da utilização de dados de usuários, envolve um enorme investimento de tempo e dinheiro. Em segundo lugar, os riscos de privacidade e conformidade dos dados são enormes. Com o endurecimento das regulamentações globais de dados (como o GDPR e o CCPA), a coleta e utilização de dados sem a autorização explícita do usuário pode gerar processos judiciais e multas enormes a qualquer momento. Por exemplo, várias empresas de tecnologia renomadas já enfrentaram multas astronómicas devido a problemas de uso de dados. Isso cria um paradoxo: sem dados, a IA não pode se desenvolver, mas adquirir e usar dados é uma tarefa árdua.

Desequilíbrio na distribuição de valor: os contribuidores e criadores são excluídos dos lucros. No atual ecossistema de IA, a distribuição de valor é extremamente injusta. O treinamento de modelos de IA depende de dados de comportamento gerados por inúmeros usuários, conteúdo produzido por criadores (texto, imagens, código, etc.), além do código aberto contribuído por desenvolvedores em todo o mundo. No entanto, esses contribuintes essenciais quase não conseguem receber qualquer retorno do enorme valor comercial gerado pelos modelos de IA. Isso não é apenas uma questão ética, mas também um modelo de negócio insustentável. Desestimula a motivação dos contribuidores de dados e criadores de conteúdo, e a longo prazo, pode corroer a base da otimização e inovação contínuas dos modelos de IA. Um caso típico é que muitos artistas e escritores acusam empresas de IA de usar suas obras para treinamento e lucro, sem oferecer qualquer compensação, o que gerou ampla controvérsia e litígios.

Dois, Novo Paradigma de Lucro

DeAI (Inteligência Artificial Descentralizada) não é uma tecnologia única, mas sim um novo paradigma que combina blockchain, criptografia e computação distribuída. O objetivo é reconstruir as relações de produção da IA de forma descentralizada, abordando de maneira direcionada os três principais pontos problemáticos mencionados, abrindo possibilidades de lucro.

DeAI, através do modo “crowdsourcing”, distribui a demanda por poder computacional em nós ociosos em todo o mundo (computadores pessoais, centros de dados, etc.). Isso é semelhante ao “Airbnb para GPU”, formando um mercado global e competitivo de poder computacional, que pode reduzir significativamente os custos de computação. Os participantes recebem incentivos em tokens ao contribuir com poder computacional, otimizando assim a alocação de recursos.

DeAI utiliza tecnologias como “aprendizagem federada” e “criptografia homomórfica” para realizar “dados imóveis, modelos móveis”. Não é necessário centralizar os dados originais em um único local, mas sim distribuir o modelo para cada fonte de dados para treinamento local, agregando apenas as atualizações de parâmetros criptografadas. Isso protege fundamentalmente a privacidade dos dados, ao mesmo tempo que aproveita de forma legal e conforme o valor dos dados descentralizados. Os proprietários dos dados podem decidir autonomamente se desejam fornecer dados e lucrar com isso.

DeAI construiu um sistema de distribuição de valor transparente e justo através da “economia de tokens” e “contratos inteligentes”. Contribuidores de dados, provedores de potência computacional, desenvolvedores de modelos e até mesmo usuários de modelos podem automaticamente receber recompensas de tokens correspondentes com base em seu nível de contribuição, através de contratos inteligentes. Isso transforma a IA de uma “caixa preta” controlada por gigantes em uma economia aberta, co-construída, co-governada e compartilhada pela comunidade.

Três, Arquitetura de Três Camadas de Transformação

A migração dos negócios tradicionais de IA centralizada para o paradigma DeAI requer uma reestruturação sistemática em três níveis: técnico, de negócios e de governança.

(a) Reconstrução tecnológica de centralizado para distribuído

A camada de computação confia em projetos de rede de infraestrutura física descentralizada (DePIN), como Akash Network, Render Network, entre outros, para construir um pool de computação distribuído, flexível e de baixo custo, substituindo os serviços de nuvem centralizados tradicionais.

A camada de dados utiliza o aprendizado federado como estrutura de treinamento central, combinando técnicas criptográficas como criptografia homomórfica e computação segura multipartidária para garantir a privacidade e segurança dos dados. Estabelecer um mercado de dados baseado em blockchain, como o Ocean Protocol, para permitir a negociação de dados sob a premissa de direitos de propriedade e segurança.

A camada de modelo implementa o modelo de IA treinado na blockchain na forma de “contratos inteligentes de IA”, tornando-o transparente, verificável e acessível sem permissão. Cada utilização do modelo e os rendimentos gerados podem ser registrados e distribuídos com precisão.

(II) Reestruturação de negócios da venda de serviços para a co-construção de ecossistemas

De SaaS a DaaS (Dados como Serviço) e MaaS (Modelo como Serviço), as empresas não se limitam mais a vender chamadas de API, mas atuam como construtoras de ecossistemas, incentivando a participação da comunidade na construção da rede através da emissão de tokens funcionais ou de governança. As fontes de receita passaram de uma única taxa de serviço para a valorização de tokens resultante do crescimento do valor do ecossistema, como dividendos de taxas de transação.

Assim, construir uma plataforma de tarefas descentralizada, onde tarefas como rotulagem de dados, ajuste de modelos e desenvolvimento de aplicações para cenários específicos são publicadas na forma de “bônus”, permitindo que membros da comunidade global as aceitem e recebam recompensas, reduz drasticamente os custos operacionais e estimula a vitalidade da inovação.

(iii) Da reestruturação da governança da empresa para a DAO

Baseado na governança da comunidade, através da posse de tokens de governança, os participantes da comunidade (contribuidores, usuários) têm o direito de votar em decisões-chave, como a direção do ajuste dos parâmetros do modelo, o uso dos fundos do tesouro, as prioridades para o desenvolvimento de novas funcionalidades, entre outros. Isso realiza verdadeiramente o conceito de “usuário é proprietário”.

Baseado na abertura e transparência, todas as codificações, modelos (parte pode ser de código aberto), registos de transações e decisões de governança são colocados em blockchain, garantindo a transparência do processo e estabelecendo relações de colaboração que não necessitam de confiança, o que em si é um poderoso ativo de marca e endosse de confiança.

Tomando como exemplo a transformação de uma plataforma de dados logísticos tradicional para DeAI, a dificuldade da plataforma de dados logísticos tradicional reside no fato de que, embora reúna dados de transporte marítimo, terrestre, armazenamento e outros, os participantes “não desejam compartilhar” devido a preocupações com a divulgação de segredos comerciais, resultando em ilhas de dados e limitado valor da plataforma. O cerne da transformação para DeAI é liberar o valor dos dados e incentivar de forma justa, sem expor os dados brutos:

Construir uma rede de computação confiável tecnicamente. A plataforma não armazena mais dados de forma centralizada, mas se transforma em uma camada de coordenação baseada em blockchain. Utilizando modos tecnológicos como aprendizado federado, os modelos de IA são “deslocados” para os servidores locais de várias empresas (como empresas de transporte marítimo e armazéns) para treinamento, apenas agregando atualizações de parâmetros criptografados, otimizando conjuntamente o modelo de previsão global (como o tempo de chegada dos navios de carga e o risco de sobrecarga nos armazéns), realizando “dados imóveis, valor em movimento”.

Implementação de ativos de dados e incentivos por meio de tokens nos negócios. Emissão de pontos práticos pela plataforma, onde as empresas de logística “minam” recompensas em pontos ao contribuir com dados (parâmetros do modelo). Os clientes downstream (como os proprietários de carga) pagam tokens para consultar resultados de “previsão” de alta precisão (por exemplo: a taxa de pontualidade de uma rota na próxima semana), em vez de comprar dados brutos. Os rendimentos são automaticamente distribuídos aos contribuidores de dados por meio de contratos inteligentes.

Construir um DAO industrial na governança, onde decisões chave (como o desenvolvimento de novas funcionalidades e ajustes de taxas) são votadas coletivamente pelos detentores de tokens (ou seja, participantes principais), transformando a plataforma de uma empresa privada em uma comunidade industrial.

A plataforma transformou-se de uma entidade centralizada que tentava extrair taxas de intermediação de dados em um sistema nervoso de co-construção, co-governação e compartilhamento de toda a cadeia de logística, solucionando o problema de confiança e aumentando significativamente a eficiência da colaboração na indústria e a capacidade de resistência a riscos.

Quatro, Conformidade e Segurança

Embora o DeAI tenha um grande potencial, seu desenvolvimento ainda está em estágios iniciais e enfrenta uma série de desafios que não podem ser ignorados.

Conformidade e incerteza legal. No que diz respeito à legislação de dados, mesmo que os dados não se movimentem, modelos como o aprendizado federado ainda precisam cumprir rigorosamente os requisitos de regulamentações como o GDPR sobre “limitação de propósito”, “minimização de dados” e direitos dos usuários (como o direito ao esquecimento) ao lidar com dados pessoais. A equipe do projeto deve projetar mecanismos de autorização e desistência de dados que estejam em conformidade.

Na área da regulamentação de valores mobiliários, os tokens emitidos pelo projeto podem facilmente ser considerados valores mobiliários por órgãos reguladores de vários países (como a SEC dos EUA), enfrentando assim rigorosas revisões regulatórias. Como evitar riscos legais ao projetar o modelo econômico do token é a chave para a sobrevivência do projeto.

Em termos de responsabilidade de conteúdo, se um modelo DeAI implantado na blockchain gerar conteúdo prejudicial, tendencioso ou ilegal, quem é o responsável? É o desenvolvedor do modelo, o fornecedor de poder computacional ou os detentores de tokens de governança? Isso traz novos desafios para o sistema jurídico existente.

Desafios de segurança e desempenho, a segurança do modelo refere-se ao fato de que os modelos implantados em blockchains públicas podem enfrentar novos vetores de ataque, como a exploração de vulnerabilidades em contratos inteligentes ou a destruição maliciosa de sistemas de aprendizado federado por meio de dados envenenados.

O gargalo de desempenho refere-se à velocidade de transação (TPS) e às limitações de armazenamento da própria blockchain, que podem não suportar solicitações de inferência de grandes modelos com alta frequência e baixa latência. Isso requer uma combinação eficaz de soluções de escalabilidade Layer 2 e computação off-chain.

A eficiência colaborativa, embora justa, pode ter uma eficiência de decisão e execução inferior à das empresas centralizadas. Como equilibrar eficiência e justiça é uma arte que a governança DAO precisa explorar continuamente.

DeAI, como uma revolução nas relações de produção, através de tecnologias distribuídas, economia de token e governança comunitária, promete romper com o monopólio dos gigantes, liberar o poder de computação ocioso e o valor dos dados em todo o mundo, e construir um novo ecossistema de IA que seja mais justo, sustentável e possivelmente mais lucrativo.

V. Direções de exploração atuais

O desenvolvimento atual das ferramentas de IA ainda está a uma longa distância de alcançar uma inteligência artificial descentralizada ideal. Neste momento, ainda estamos na fase inicial dominada por serviços centralizados, mas algumas explorações já indicaram a direção do futuro.

Explorações atuais e desafios futuros. Embora o DeAI ideal ainda não tenha sido alcançado, a indústria já está realizando tentativas valiosas, o que nos ajuda a clarear o caminho futuro e os obstáculos que precisamos superar.

Como um protótipo de colaboração de múltiplos agentes. Alguns projetos estão explorando a construção de um ambiente onde agentes de IA cooperam e evoluem juntos. Por exemplo, o projeto AMMO visa criar uma “rede de simbiose entre humanos e IA”, cujo framework de múltiplos agentes e ambiente simulado RL Gyms permite que agentes de IA aprendam a cooperar e competir em cenários complexos. Isso pode ser visto como uma tentativa de construir as regras de interação subjacentes do mundo DeAI.

Assim como a tentativa de um modelo de incentivos preliminar. Na concepção do DeAI, os usuários que contribuem com dados e os nós que fornecem poder computacional devem receber recompensas justas. Alguns projetos estão tentando redistribuir valor diretamente para os contribuidores do ecossistema por meio de um sistema de incentivos baseado em criptografia. Claro, como esse modelo econômico pode operar em larga escala, de forma estável e justa, ainda é um grande desafio.

Por exemplo, avançando para uma IA mais autónoma: produtos da categoria Deep Research demonstram a poderosa autonomia da IA em tarefas específicas (como recuperação de informações e análise). Eles podem planear autonomamente, executar operações em múltiplos passos e iterar para otimizar resultados, essa capacidade de automação de tarefas é a base para o trabalho independente de agentes de IA na futura rede DeAI.

Para os profissionais de IA que lutam no Mar Vermelho, em vez de se enredar em velhos paradigmas, é melhor abraçar corajosamente o novo Mar Azul do DeAI. Isso não é apenas uma mudança na rota tecnológica, mas uma reconfiguração da filosofia de negócios — de “extrair” para “incentivar”, de “fechado” para “aberto”, de “lucro monopolista” para “crescimento inclusivo”.