AI бізнес не приносить прибутку? DeAI радість вже на горизонті

Автор: Чжан Фен

Штучний інтелект (ШІ) безумовно є найбільш актуальною технологією у світі, технології ШІ формують різні галузі з небаченою швидкістю. Однак, за цією розквітом і галасом ховається жорстока реальність: більшість бізнесів у сфері ШІ, особливо стартапи, не знайшли стабільного та стійкого прибуткового шляху. Вони опинилися в ситуації «схвалюють, але не купують», де технологічний бум та комерційні збитки існують поряд.

Чому «втрачати гроші, щоб заробити рекламу»?

Прибуткові труднощі бізнесу штучного інтелекту не виникають через невдачу самої технології, а є наслідком централізованої моделі розвитку, яка призводить до структурних протиріч. Конкретно, це можна звести до трьох основних причин:

Екстремальна централізація: космічна вартість та олігопольна монополія. Сучасний мейнстрімний штучний інтелект, особливо великі моделі, є типовою індустрією «важких активів». Його процеси навчання та інференції потребують величезної кількості обчислювальних потужностей (GPU), зберігання та електроенергії. Це призводить до поляризації: з одного боку, є технологічні гіганти з великими капіталами (такі як Google, Microsoft, OpenAI), які можуть дозволити собі інвестиції в сотні мільйонів або навіть мільярди доларів; з іншого боку, є безліч стартапів, які змушені витрачати більшість своїх фінансувань на «податки» для постачальників хмарних послуг, щоб отримати обчислювальні потужності, що сильно стискає їх прибутковість. Ця модель формує «олігархію обчислювальних потужностей», яка задушує інноваційну активність. Наприклад, навіть OpenAI на ранніх етапах свого розвитку сильно покладалася на величезні інвестиції Microsoft і ресурси хмарних обчислень Azure, що дозволило підтримувати розробку та експлуатацію ChatGPT. Для більшості учасників висока фіксована вартість ускладнює досягнення масштабного прибутку.

Дані в кризі: бар'єри якості та ризики конфіденційності. Паливом для ШІ є дані. Централізовані компанії ШІ зазвичай стикаються з двома основними проблемами для отримання якісних, масштабних навчальних даних. По-перше, витрати на отримання даних є надзвичайно високими. Незалежно від того, чи це через платне збирання, маркування даних або використання даних користувачів, завжди потрібні величезні фінансові та часові витрати. По-друге, ризики конфіденційності даних та дотримання вимог є величезними. У міру посилення глобальних нормативних актів щодо даних (такі як GDPR, CCPA), збір та використання даних без чіткої згоди користувачів може призвести до юридичних позовів та величезних штрафів. Наприклад, багато відомих технологічних компаній зіткнулися з надзвичайно високими штрафами через проблеми з використанням даних. Це створює парадокс: без даних неможливо розвивати ШІ, але отримати та використовувати дані надзвичайно важко.

Нерівність у розподілі вартості: внески та творці виключені з отримання прибутку. У сучасній екосистемі штучного інтелекту розподіл вартості є вкрай несправедливим. Навчання AI-моделей залежить від безлічі даних поведінки, створених користувачами, контенту, виробленого творцями (текст, зображення, код тощо), а також відкритого коду, внесеного глобальними розробниками. Проте ці основні учасники практично не отримують жодної винагороди від величезної комерційної вартості, створеної AI-моделями. Це не лише етична проблема, але й непідтримувана бізнес-модель. Це підриває мотивацію постачальників даних і творців контенту, що в довгостроковій перспективі може знищити основи безперервної оптимізації та інновацій AI-моделей. Типовим прикладом є те, що багато художників і письменників звинувачують компанії AI у використанні їхніх творів для навчання та отримання прибутку, не надаючи жодної компенсації, що викликало широкі дискусії та юридичні суперечки.

Два, нова парадигма прибутку

DeAI (Децентралізований ШІ) не є єдиною технологією, а є новою парадигмою, що поєднує в собі блокчейн, криптографію та розподілені обчислення. Її мета полягає в тому, щоб через децентралізований підхід реконструювати виробничі відносини ШІ, цілеспрямовано вирішуючи три основні проблеми, відкриваючи можливості для отримання прибутку.

DeAI за допомогою моделі «краудсорсингу» розподіляє попит на обчислювальну потужність на безліч безкоштовних вузлів по всьому світу (персональні комп'ютери, центри обробки даних тощо). Це схоже на «Airbnb для GPU», що утворює глобальний конкурентний ринок обчислювальної потужності, здатний суттєво знизити витрати на обчислювальну потужність. Учасники отримують токенні винагороди за внесок своєї обчислювальної потужності, що дозволяє оптимізувати розподіл ресурсів.

DeAI реалізує «рух моделей» через технології «федеративного навчання» та «гомоморфного шифрування». Він не потребує централізації вихідних даних в одному місці, а поширює моделі на різні джерела даних для локального навчання, лише агрегуючи оновлення параметрів у зашифрованому вигляді. Це в основному захищає конфіденційність даних, одночасно легально та відповідно до правил використовуючи розподілену цінність даних. Власники даних можуть самостійно вирішувати, чи надавати дані та отримувати з цього прибуток.

DeAI за допомогою «токеноміки» та «розумних контрактів» побудував прозору та справедливу систему розподілу вартості. Учасники, які вносять дані, постачальники обчислювальної потужності, розробники моделей та навіть користувачі моделей можуть автоматично отримувати відповідні токенові винагороди через розумні контракти в залежності від їхнього внеску. Це перетворює AI з «чорної скриньки», контрольованої гігантами, на відкриту економіку, що спільно будується, управляється та ділиться спільнотою.

Три. Трансформація трьохрівневої архітектури

Перехід традиційного централізованого бізнесу штучного інтелекту до парадигми DeAI вимагає системної реконструкції на трьох рівнях: технологічному, бізнесовому та управлінському.

(1) Технічна реконструкція від централізованої до розподіленої.

Шар обчислювальної потужності базується на проектах децентралізованої фізичної інфраструктури (DePIN), таких як Akash Network, Render Network тощо, створюючи гнучкі та економічні розподілені пули обчислювальної потужності, що замінюють традиційні централізовані хмарні послуги.

Рівень даних використовує федеративне навчання як основну навчальну архітектуру, поєднуючи гомоморфне шифрування, безпечні багатосторонні обчислення та інші криптографічні технології, щоб забезпечити конфіденційність та безпеку даних. Створення ринку даних на основі блокчейну, як-от Ocean Protocol, дозволяє здійснювати торгівлю даними за умовами підтвердження прав власності та безпеки.

Модельний рівень розгортає навчану AI модель у формі «AI смарт-контракту» на блокчейні, роблячи її прозорою, перевіряємою та доступною для виклику без дозволу. Кожне використання моделі та отримані доходи можуть бути точно зафіксовані та розподілені.

(2) Реконструкція бізнесу від продажу послуг до спільного будівництва екосистеми

Від SaaS до DaaS (дані як послуга) та MaaS (модель як послуга), підприємства більше не просто продають кількість викликів API, а стають будівельниками екосистеми, заохочуючи участь громади у будівництві мережі через випуск функціональних токенів або токенів управління. Джерела доходу розширюються з єдиного сервісного збору до приросту вартості токенів, що виникає внаслідок зростання екосистеми, виплат комісій за угоди тощо.

Отже, створення децентралізованої платформи завдань, де завдання зі створення міток даних, налаштування моделей, розробки застосунків для специфічних сценаріїв публікуються у формі «винагороди», дозволяє членам глобальної спільноти брати участь і отримувати винагороду, що значно знижує операційні витрати та стимулює інноваційну активність.

(Третє) Перехід від корпоративного управління до перебудови управління DAO

На основі управління спільнотою, через володіння токенами управління, учасники спільноти (внесники, користувачі) мають право голосувати щодо ключових рішень, таких як напрямок коригування параметрів моделі, використання коштів казни, пріоритети розробки нових функцій тощо. Це реалізує справжнє «користувач — це власник».

На основі відкритості та прозорості, всі коди, моделі (частково з відкритим вихідним кодом), торгові записи та рішення з управління реєструються в блокчейні, що забезпечує публічність і прозорість процесу, створюючи довірчі відносини без потреби в довірі, що є потужним брендовим активом та підтвердженням довіри.

В якості прикладу трансформації традиційної логістичної платформи даних у DeAI, труднощі традиційної логістичної платформи даних полягають у тому, що, хоча вона об'єднує дані з морських перевезень, автомобільного транспорту, складу тощо, учасники «не хочуть ділитися», побоюючись витоку комерційних секретів, що призводить до ізоляції даних та обмеженої цінності платформи. Основною метою трансформації в DeAI є вивільнення вартості даних та справедлива мотивація без розкриття вихідних даних:

Технічно побудувати мережу довірчого обчислення. Платформа більше не централізовано зберігає дані, а перетворюється на координуючий рівень на основі блокчейну. Використовуючи такі технологічні моделі, як федеративне навчання, моделі ШІ «висаджуються» на локальні сервери різних підприємств (наприклад, судноплавних компаній, складів) для навчання, агрегуючи лише зашифровані оновлення параметрів, спільно оптимізуючи глобальну прогнозну модель (наприклад, час прибуття вантажних суден в порт, ризик перевантаження складу), досягаючи мети «дані не рухаються, цінність рухається».

Запровадження у бізнесі активів даних та токенних стимулів. Випуск платформених корисних балів, логістичні компанії отримують винагороду у вигляді балів за внесок даних (параметри моделі) шляхом “майнінгу”. А кінцеві клієнти (наприклад, вантажовласники) оплачують токени за отримання високоточних “прогнозів” (наприклад: відсоток прибутковості певного маршруту на наступний тиждень), а не за придбання вихідних даних. Прибуток автоматично розподіляється між постачальниками даних за допомогою смарт-контрактів.

Створення промислового DAO в управлінні, ключові рішення (такі як розробка нових функцій, коригування ставок) приймаються спільним голосуванням власників токенів (тобто основних учасників), що перетворює платформу з керованої приватною компанією на промислову спільноту.

Платформа перетворилася з централізованої установи, що намагалася стягувати посередницькі збори за дані, на нервову систему, яка спільно будує, управляє та ділиться всім логістичним промисловим ланцюгом, значно підвищивши ефективність співпраці в галузі та здатність до протистояння ризикам шляхом вирішення проблеми довіри.

Чотири, Відповідність і безпека

Хоча DeAI має великі перспективи, його розвиток все ще перебуває на ранній стадії та стикається з низкою серйозних викликів.

Відповідність та юридична невизначеність. Щодо законодавства про дані, навіть якщо дані не переміщуються, моделі, такі як федеративне навчання, все ще повинні суворо дотримуватися вимог, таких як “обмеження мети”, “мінімізація даних” і прав користувачів (такі як право на забуття) у регламентах, таких як GDPR, під час обробки особистих даних. Проектна команда повинна розробити відповідні механізми надання дозволу на обробку даних та виходу.

У сфері фінансового регулювання токени, що випускаються проектами, можуть бути легко визнані регуляторними органами різних країн (наприклад, SEC США) як цінні папери, що призводить до суворого регуляторного контролю. Ключем до виживання проекту є уникнення юридичних ризиків при проектуванні економічної моделі токенів.

Щодо відповідальності за контент, якщо модель DeAI, розгорнута в мережі, генерує шкідливий, упереджений або незаконний контент, хто несе відповідальність? Це розробник моделі, постачальник обчислювальної потужності чи власники токенів управління? Це ставить нові питання для існуючої правової системи.

Щодо викликів безпеки та продуктивності, безпека моделей означає, що моделі, розгорнуті на публічних блокчейнах, можуть стикатися з новими векторами атак, такими як експлуатація вразливостей смарт-контрактів або навмисне пошкодження системи федеративного навчання шляхом отруєння даними.

Вузькі місця продуктивності — це швидкість транзакцій (TPS) та обмеження зберігання самої блокчейн-технології, які можуть не підтримувати запити на великий модельний висновок з високою частотою та низькою затримкою. Це вимагає ефективного поєднання рішень для масштабування другого рівня та позаблокчейнних обчислень.

Ефективність співпраці, хоча і є справедливою в дистрибутивній співпраці, може бути нижчою ніж у централізованих компаній. Як досягти балансу між ефективністю та справедливістю - це мистецтво, яке DAO-управління повинно постійно досліджувати.

DeAI, як революція у виробничих відносинах, за допомогою розподілених технологій, токеноміки та управління спільнотами, має на меті розірвати монополію гігантів, вивільнити безкоштовні обчислювальні потужності та цінність даних у глобальному масштабі, створити нову екосистему AI, яка буде більш справедливою, стійкою і, можливо, більш прибутковою.

П'ять, поточні напрямки досліджень

Поточний розвиток інструментів штучного інтелекту ще далекий від досягнення ідеального децентралізованого штучного інтелекту. В даний час ми все ще знаходимося на ранній стадії, де домінують централізовані послуги, але деякі дослідження вже вказують на напрямок майбутнього.

Поточні дослідження та майбутні виклики. Хоча ідеальний DeAI ще не реалізовано, але індустрія вже проводить цінні спроби, що допомагає нам прояснити майбутній шлях і бар'єри, які потрібно подолати.

Як прототип співпраці багатьох агентів. Деякі проекти досліджують створення середовища, де AI-агенти можуть взаємодіяти та еволюціонувати разом. Наприклад, проект AMMO має на меті створити «мережу симбіозу між людьми та AI», його розроблена багатогрупова структура та симуляційне середовище RL Gyms дозволяють AI-агентам навчатися співпраці та конкуренції в складних ситуаціях. Це можна вважати спробою побудувати основні правила взаємодії в світі DeAI.

Також, це спроба початкової моделі стимулювання. У концепції DeAI користувачі, які надають дані, та вузли, які забезпечують обчислювальну потужність, мають отримувати справедливу винагороду. Деякі проекти намагаються через систему стимулювання на основі криптовалют безпосередньо перерозподілити цінність серед учасників екосистеми. Звісно, як ця економічна модель зможе працювати в масштабах, стабільно та справедливо, залишається величезним викликом.

Іншим прикладом є перехід до більш автономного ШІ: продукти класу Deep Research демонструють потужну автономність ШІ у виконанні специфічних завдань (таких як інформаційний пошук, аналіз). Вони можуть самостійно планувати, виконувати багатоступеневі операції та ітеративно оптимізувати результати, ця здатність до автоматизації завдань є основою для незалежної роботи агентів ШІ у майбутній мережі DeAI.

Для працівників AI, які борються в Червоному морі, краще сміливо прийняти нове блакитне море DeAI, ніж продовжувати змагатися в старій парадигмі. Це не лише зміна технологічного маршруту, а й переосмислення бізнес-філософії — від “експлуатації” до “заохочення”, від “закритості” до “відкритості”, від “монопольного прибутку” до “інклюзивного зростання”.