我相信开放会带来创新。
近年来，人工智能已经超过鸿沟，进入环球实用性和影响力。
由于打算能力随着资源整合而增强，人工智能自然会促进集中化，而那些拥有更多打算能力的人将逐渐霸占主导地位。
这给我们的创新速率带来了风险。
我相信去中央化和 Web3 是保持人工智能开放的有力竞争者。

该列表和这些示例公司每天都在变革。
请不要将此视为事实来源，而是及时的快照。
如果我错过了一些公司或者你认为我错了，请在 Twitter 上私信我。
很想辩论。

用于预演习+微调的去中央化打算众包打算（CPU + GPU）

论据：airbnb/uber 众包资源模型有可能扩展到打算领域，并将备用打算聚合到市场中。
这可以办理的问题：1）针对某些用例的更便宜的打算，可以处理一些停机/延迟；2）抗审查打算，用于演习未来可能受到监管/撤消的模型。

反对见地：众包打算无法实现规模经济；大多数高性能 GPU 并不属于消费者所有。
去中央化打算是一个完备悖论；它实际上与高性能打算相反......讯问任何根本举动步伐/机器学习工程师！

示例项目：Akash、Render、io.net、Ritual、Hyperbolic、Gensyn

去中央化推理以分散的办法运行开源模型的推理

论点：开源（OS）模型在某些方面正在靠近与闭源（1）并得到采取。
为了运行操作系统模型的推理，大多数人利用 HuggingFace 或 Replicate 等集中式做事，这会带来隐私和审查问题。
一种办理方案是通过去中央化或分布式供应商运行推理。

反对见地：没有必要分散推理，由于局部推理将会得胜。
可以处理 7b+ 参数模型推理的专用芯片现已发布。
边缘打算是我们针对隐私和审查制度的办理方案。

示例项目： Ritual、gpt4all（托管）、Ollama (web2)、Edgellama（Web3、P2P Ollama）、Petals

链上人工智能代理利用机器学习的链上运用程序

论点：人工智能代理（利用人工智能的运用程序）须要一个折衷层来进行交易。
对付人工智能代理来说，利用加密货币进行支付可能是故意义的，由于它本身便是数字化的，而且显然代理无法通过 KYC 来开设银行账户。
去中央化的人工智能代理也没有平台风险。
例如，OpenAI 只是随机决定变动他们的 ChatGPT 插件架构，这在没有关照的情形下毁坏了我的 Talk2Books 插件。
真实的故事。
链上构建的代理不存在同样的平台风险。

反对见地：代理还没有做好生产准备……根本没有。
BabyAGI、AutoGPT等都是玩具！
此外，对付支付，创建人工智能代理的实体可以只利用 Stripe API，不须要加密支付。
对付平台风险的辩论，这是一个陈腐的加密用例，我们还没有看到它的发挥……为什么这次不同？

示例项目：AI Arena、MyShell、Operator.io、Fetch.ai

数据和模型来源自我管理您的数据和机器学习模型，网络其产生的代价

论据：数据该当由天生数据的用户拥有，而不是由网络数据的公司拥有。
数据是数字时期最有代价的资源，但它被大型科技公司垄断且金融化程度低。
超个性化网络即将到来，并且须要可移植的数据和模型。
我们将通过互联网将数据和模型从一个运用程序转移到另一个运用程序，就像我们将加密钱包从 dapp 转移到 dapp 一样。
数据来源，尤其是造假的深度，是一个巨大的问题，乃至拜登也承认这一点。
区块链架构很可能是办理数据来源难题的最佳办理方案。

反对见地：没有人关心拥有自己的数据或隐私。
我们通过用户偏好一次又一次地看到了这一点。
看看 Facebook/Instagram 的注册情形！
终极，人们将信赖 OpenAI 的 ML 数据。
让我们成为现实主义者。

示例项目：Vana、Rainfall

代币勉励运用程序（例如配套运用程序）考虑利用加密代币褒奖的 Character.ai

论点：加密代币勉励对付勾引网络和行为非常有效。
我们将看到以人工智能为中央的运用程序利用这种机制。
一个引人瞩目的市场可能是人工智能伴侣，我们相信这将是一个数万亿的人工智能原生市场。
2022 年，美国在宠物上花费了 130B+ 美元；AI伴侣是宠物2.0。
我们已经看到 AI 配套运用程序达到 PMF，Character.ai 的均匀会话韶光超过 1 小时以上。
如果看到加密货币勉励平台在此处和其他人工智能运用垂直领域霸占市场份额，我们不会感到惊异。

反对见地：这只是加密货币投契狂热的延伸，不会产生持久的利用。
令牌是 Web 3.0 的 CAC。
我们还没有从 Axie Infinity 中吸取教训吗？

示例项目：MyShell、Deva

代币勉励 MLOps（例如演习、RLHF、推理）考虑 ScaleAI 与加密代币褒奖

论点：加密勉励可以在全体机器学习事情流程中利用，以勉励优化权重、微调、RLHF 等行为——人类在个中止定模型的输出以进一步微调。

反对见地：MLOps 是加密货币褒奖的一个糟糕用例，由于质量太主要了。
虽然加密代币在熵可以接管的情形下善于勉励消费者行为，但在质量和准确性至关主要的情形下，它们不利于折衷行为。

示例项目：BitTensor、Ritual

链上可验证性（ZKML）证明什么模型在链上有效运行并插入加密天下

论据：链上模型的可验证性将解锁可组合性，这意味着您可以在全体 DeFi 和加密货币中利用输出。
五年后，当我们让代理人为我们运行年夜夫模型而不是去看年夜夫时，我们将须要某种方法来验证他们的知识以及准确地在诊断中利用了哪些模型。
模型可验证性类似于智力荣誉。

反对见地：没有人须要验证运行的是什么模型。
这是我们最不关心的问题。
我们是本末倒置。
没有人运行 llama2 并担心后台运行不同的模型。
这是加密技能（零知识（ZK））探求要办理的问题以及 ZK 得到过多炒作和风险资金的后果。

示例项目：Modulus Labs、UpShot、EZKL