AI бизнес не приносит прибыли? DeAI рассвет уже наступил

Автор: Чжан Фэн

Искусственный интеллект (AI) безусловно является самой горячей технологической тенденцией в мире, технологии AI стремительно трансформируют различные отрасли. Однако за этой бурной суетой скрывается жестокая реальность: подавляющее большинство AI-бизнесов, особенно стартапов, не нашли стабильных и устойчивых путей к прибыли. Они оказались в затруднительном положении «хорошо говорить, но плохо зарабатывать», где технологический процветание соседствует с коммерческими убытками.

Почему «терять на продаже, но зарабатывать на рекламе»?

Прибыльные проблемы бизнеса ИИ не возникают из-за неудачи самой технологии, а являются следствием централизованной модели развития, что приводит к структурным противоречиям. В частности, это можно свести к трем основным причинам:

Сверхцентрализация: астрономические затраты и олигополия. Современный мейнстримный ИИ, особенно большие модели, является типичным «капиталоемким» бизнесом. Процесс их обучения и вывода требует огромного количества вычислительных мощностей (GPU), хранения и электроэнергии. Это приводит к поляризации: с одной стороны, есть технологические гиганты с мощным капиталом (такие как Google, Microsoft, OpenAI), которые могут позволить себе вложения в сотни миллионов или даже миллиарды долларов; с другой стороны, множество стартапов вынуждены отдавать большую часть своего финансирования «на подаяние» облачным провайдерам для получения вычислительных мощностей, что сильно сжимает их прибыль. Эта модель сформировала «олигополию вычислительных мощностей», задушив инновационную активность. Например, даже OpenAI в своем раннем развитии сильно полагалась на огромные инвестиции Microsoft и ресурсы облачных вычислений Azure, чтобы поддерживать разработку и эксплуатацию ChatGPT. Для подавляющего большинства игроков высокие фиксированные затраты делают невозможным достижение масштабной прибыли.

Данные проблемы: барьеры качества и риски конфиденциальности. Топливо для ИИ – это данные. Централизованные компании ИИ обычно сталкиваются с двумя большими проблемами для получения качественных и масштабных обучающих данных. Во-первых, стоимость получения данных очень высока. Независимо от того, происходит ли это через платный сбор, аннотирование данных или использование пользовательских данных, это требует огромных финансовых и временных затрат. Во-вторых, риски конфиденциальности данных и соблюдения законодательства огромны. С ужесточением глобальных норм по данным (таких как GDPR, CCPA) действия по сбору и использованию данных без явного разрешения пользователей могут в любой момент привести к судебным искам и огромным штрафам. Например, несколько известных технологических компаний уже сталкивались с огромными штрафами из-за проблем с использованием данных. Это создает парадокс: без данных невозможно развивать ИИ, но получение и использование данных крайне затруднительно.

Несбалансированное распределение ценностей: вкладчики и создатели исключены из прибыли. В текущей экосистеме ИИ распределение ценностей крайне несправедливо. Обучение ИИ-моделей зависит от огромного количества данных о поведении пользователей, созданного авторами контента (тексты, изображения, коды и т.д.), а также от открытого кода, внесенного разработчиками по всему миру. Тем не менее, эти ключевые участники практически не могут получить никакой возврат от огромной коммерческой ценности, созданной ИИ-моделями. Это не только этическая проблема, но и несостоятельная бизнес-модель. Это подавляет мотивацию поставщиков данных и создателей контента, и в долгосрочной перспективе может подорвать основы постоянной оптимизации и инноваций ИИ-моделей. Типичный случай заключается в том, что многие художники и писатели обвиняют компании ИИ в использовании их работ для обучения и получения прибыли, но не получают никакой компенсации, что вызывает широкие споры и юридические разбирательства.

2. Новая парадигма прибыли

DeAI (Децентрализованный ИИ) не является единой технологией, а представляет собой новую парадигму, объединяющую блокчейн, криптографию и распределенные вычисления. Она направлена на переработку производственных отношений ИИ через децентрализованный подход, чтобы целенаправленно решить вышеупомянутые три основные проблемы и открыть возможности для получения прибыли.

DeAI через модель «краудсорсинга» распределяет потребность в вычислительной мощности по всему миру на неиспользуемые узлы (персональные компьютеры, дата-центры и т.д.). Это похоже на «Airbnb для GPU», создавая глобальный конкурентный рынок вычислительной мощности, что позволяет значительно снизить затраты на вычислительную мощность. Участники получают токены в качестве вознаграждения за вклад в вычислительную мощность, что позволяет оптимизировать распределение ресурсов.

DeAI реализует «движение модели при неподвижных данных» с помощью таких технологий, как «федеративное обучение» и «гомоморфное шифрование». Он не требует сбора исходных данных в одном месте, а распределяет модель по источникам данных для локального обучения, агрегируя только обновления параметров в зашифрованном виде. Это в корне защищает конфиденциальность данных, одновременно легально и в соответствии с правилами использует распределенную ценность данных. Владельцы данных могут самостоятельно решать, предоставлять ли данные и получать ли с них прибыль.

DeAI создала прозрачную и справедливую систему распределения ценностей через «токеномику» и «умные контракты». Участники, включая поставщиков данных, поставщиков вычислительной мощности, разработчиков моделей и пользователей моделей, могут автоматически получать соответствующие токеновые вознаграждения в зависимости от их вклада через умные контракты. Это позволяет AI преобразоваться из «черного ящика», контролируемого гигантами, в открытую экономику, создаваемую, управляемую и совместно используемую сообществом.

Три. Преобразование трехуровневой архитектуры

Перенос традиционного централизованного AI-бизнеса в парадигму DeAI требует системной реконструкции на трех уровнях: технологии, бизнеса и управления.

(1) Техническая реконструкция от централизованных к распределенным системам

Уровень вычислительной мощности основывается на проектах децентрализованной физической инфраструктуры (DePIN), таких как Akash Network, Render Network и других, создавая гибкие и недорогие распределенные пуулы вычислительной мощности, заменяющие традиционные централизованные облачные услуги.

Уровень данных использует федеративное обучение в качестве основной обучающей структуры, комбинируя такие криптографические технологии, как гомоморфное шифрование и безопасные многосторонние вычисления, чтобы обеспечить конфиденциальность и безопасность данных. Создание рынка данных на основе блокчейна, такого как Ocean Protocol, позволяет торговать данными при условии их права собственности и безопасности.

Слой модели разворачивает обученную модель ИИ в форме «умного контракта ИИ» на блокчейне, делая ее прозрачной, проверяемой и доступной для вызова без разрешений. Каждое использование модели и полученная прибыль могут быть точно зафиксированы и распределены.

(二) Реконструкция бизнеса от продажи услуг до совместного создания экосистемы

От SaaS до DaaS (данные как услуга) и MaaS (модель как услуга), компании больше не просто продают количество вызовов API, а становятся строителями экосистемы, стимулируя участие сообщества в строительстве сети через выпуск функциональных токенов или токенов управления. Источник дохода расширяется с единого сервисного сбора до увеличения ценности токенов, возникающего от роста экосистемы, дивидендов от торговых сборов и т.д.

Таким образом, создание децентрализованной платформы задач, на которой задачи по аннотированию данных, тонкой настройке моделей, разработке приложений для конкретных сценариев будут публиковаться в виде «вознаграждений», позволит членам глобального сообщества принимать их на себя и получать вознаграждение, что значительно снизит операционные расходы и стимулирует инновационную активность.

(三) Переход от корпоративного управления к управлению DAO

На основе управления сообществом, участники сообщества (вкладчики, пользователи), обладая токенами управления, имеют право голосовать по ключевым решениям, таким как направление корректировки параметров модели, использование средств казначейства, приоритеты разработки новых функций и т. д. Это позволяет реализовать истинный принцип «пользователь — это владелец».

Основываясь на открытости и прозрачности, все коды, модели (частично открытые исходные коды), торговые записи и решения по управлению заносятся в блокчейн, что гарантирует публичность и прозрачность процесса, создавая доверительные отношения без необходимости доверия, что само по себе является мощным активом бренда и гарантией доверия.

В качестве примера трансформации традиционной логистической платформы данных в DeAI, проблема традиционной логистической платформы данных заключается в том, что, хотя она объединяет данные от морских, наземных перевозок и складирования, участники «не хотят делиться», опасаясь утечки коммерческих тайн, что приводит к образованию изолированных данных и ограниченной ценности платформы. Основная цель трансформации в DeAI заключается в том, чтобы раскрыть ценность данных и обеспечить справедливое вознаграждение, не раскрывая при этом исходные данные:

Технически построенная сеть доверительных вычислений. Платформа больше не хранит данные централизованно, а трансформируется в координационный уровень на основе блокчейна. Используя такие технологические модели, как федеративное обучение, модели ИИ «парашютируются» на локальные серверы различных компаний (например, судоходных компаний, складов) для обучения, агрегируя только зашифрованные обновления параметров, совместно оптимизируя глобальную прогнозную модель (например, время прибытия грузового судна в порт, риск переполнения склада), реализуя принцип «данные неподвижны, ценность движется».

Внедрение цифровых активов и токенов на уровне бизнеса. Выпуск платформенных утилитарных очков, логистические компании «майнят» очки, предоставляя данные (параметры модели) в качестве вклада. А клиентам на нижнем уровне (например, владельцам грузов) необходимо оплачивать токены за доступ к высокоточным «прогнозам» (например: коэффициент пунктуальности на определенном маршруте на следующую неделю), а не за покупку исходных данных. Доходы автоматически распределяются между поставщиками данных через смарт-контракты.

Создание промышленного DAO в управлении, ключевые решения (такие как разработка новых функций, корректировка тарифов) принимаются совместным голосованием держателей токенов (т.е. основных участников), что переводит платформу из-под контроля частной компании в промышленное сообщество.

Платформа превратилась из централизованной структуры, пытающейся извлечь посреднические сборы за данные, в нервную систему, построенную на совместном создании, управлении и совместном использовании всей логистической цепочки, значительно повысив эффективность отраслевого сотрудничества и устойчивость к рискам за счет решения проблемы доверия.

Четыре. Соответствие и безопасность

Несмотря на широкие перспективы DeAI, его развитие все еще находится на ранней стадии и сталкивается с рядом серьезных вызовов.

Соблюдение норм и юридическая неопределенность. В области регулирования данных, даже если данные не перемещаются, такие модели, как федеративное обучение, должны строго соблюдать требования, касающиеся «ограничения целей», «минимизации данных» и прав пользователей (таких как право на забвение) в таких регламентах, как GDPR. Разработчики проекта должны разработать соответствующие механизмы авторизации и выхода из системы.

В области законодательства о ценных бумагах токены, выпущенные проектом, могут быть легко признаны регуляторами разных стран (например, SEC США) ценными бумагами, что приведет к строгому регуляторному контролю. Как избежать юридических рисков при проектировании экономической модели токенов является ключом к выживанию проекта.

Что касается ответственности за содержание, если DeAI модель, развернутая в блокчейне, генерирует вредный, предвзятый или незаконный контент, кто несет ответственность? Разработчик модели, поставщик вычислительных мощностей или держатель токенов управления? Это ставит новые вопросы для существующей правовой системы.

В аспектах безопасности и производительности модели, безопасность модели, развернутой на публичной цепочке, может столкнуться с новыми векторами атак, такими как эксплуатация уязвимостей смарт-контрактов или злонамеренное разрушение федеративных обучающих систем через отравленные данные.

Проблемы с производительностью связаны с ограничениями скорости транзакций (TPS) и хранения в самой блокчейн-системе, которые могут не поддерживать высокочастотные и малозадержанные запросы на вывод больших моделей. Это требует эффективного сочетания решений по расширению Layer 2 и вычислений вне цепи.

Эффективность сотрудничества, хоть и справедлива в распределенном сотрудничестве, может быть ниже, чем в централизованных компаниях, как в принятии решений, так и в их исполнении. Как достичь баланса между эффективностью и справедливостью — это искусство, которое DAO-управление должно постоянно исследовать.

DeAI как революция в производственных отношениях, с помощью распределенных технологий, токеномики и управления сообществом, имеет потенциал разрушить монополию гигантов, освободить неиспользуемую вычислительную мощность и ценность данных по всему миру, создавая более справедливую, устойчивую и, возможно, более прибыльную новую экосистему ИИ.

Пять, текущие направления исследований

Текущие разработки инструментов ИИ все еще далеки от достижения идеального децентрализованного искусственного интеллекта. В настоящее время мы все еще находимся на ранней стадии, где доминируют централизованные услуги, но некоторые исследования уже указывают на направление будущего.

Текущие исследования и будущие вызовы. Хотя идеальный DeAI еще не реализован, отрасль уже проводит ценные эксперименты, которые помогают нам прояснить будущие пути и препятствия, которые необходимо преодолеть.

Как зачатки сотрудничества многопользовательских агентских систем. Некоторые проекты исследуют создание среды, в которой AI-агенты могут взаимодействовать и эволюционировать вместе. Например, проект AMMO нацелен на создание «сети симбиоза между человеком и AI», его многоагентская архитектура и симуляционная среда RL Gyms позволяют AI-агентам учиться сотрудничеству и конкуренции в сложных сценариях. Это можно рассматривать как попытку разработать основные правила взаимодействия в мире DeAI.

Также, это попытка первоначальной модели стимулов. В концепции DeAI пользователи, предоставляющие данные, и узлы, предоставляющие вычислительную мощность, должны получать справедливое вознаграждение. Некоторые проекты пытаются перераспределить ценность напрямую к участникам экосистемы с помощью основанных на криптовалюте систем стимулов. Конечно, то, как эта экономическая модель сможет функционировать в больших масштабах, стабильно и справедливо, все еще остается огромным вызовом.

Другой пример - это переход к более самостоятельному ИИ: продукты класса Deep Research демонстрируют мощную автономию ИИ в определенных задачах (таких как информационный поиск, анализ). Они способны самостоятельно планировать, выполнять многоэтапные операции и итеративно оптимизировать результаты; эта способность к автоматизации задач является основой для независимой работы ИИ-агентов в будущем DeAI-сети.

Для борющихся AI-практиков в Красном море, лучше смело принять DeAI, этот новый Голубой океан, чем продолжать конкурировать в старых рамках. Это не только переход к новой технологической модели, но и переосмысление бизнес-философии — от «эксплуатации» к «мотивированию», от «закрытости» к «открытости», от «монополизации прибыли» к «всеобъемлющему росту».