7 bästa decentraliserade AI-plattformar att hålla koll på
I korthet
I den här artikeln lyfter vi fram de 7 främsta decentraliserade AI-plattformarna som jämnar ut spelplanen.
Innovationer inom artificiell intelligens (AI) har upplevt en enorm tillväxt sedan debuten av ChatGPT i november 2022. Trots att AI har blivit mainstream fortsätter dock vissa betydande flaskhalsar att bromsa utvecklingen och införandet av AI – en av de största utmaningarna för denna framväxande bransch är datakvalitet och -kontroll.
I enlighet med en uppskatta Enligt Epoch AI är det totala effektiva lagret av mänskligt genererade offentliga textdata cirka 300 biljoner tokens; detta datalager kommer sannolikt att utnyttjas fullt ut av språkmodeller för träning mellan 2026 och 2032. Denna hotande databrist, i kombination med oro kring transparens och kostnader, är huvudsakligen ett resultat av centraliseringen av de flesta AI-datapipelines.
På den ljusa sidan visar sig decentraliserade infrastrukturer vara värdefulla för att lösa några av dessa smärtpunkter. I den här artikeln lyfter vi fram de 7 främsta decentraliserade AI-plattformarna som skapar lika villkor. Dessa framväxande plattformar ger AI-byggare och företag möjligheten att anskaffa verifierbara, community-drivna datamängder utan att förlita sig på centraliserade mellanhänder.
OORT: Det kompletta datamolnet för decentraliserad AI
OORT är en heltäckande decentraliserad AI-lösning utformad för att göra det möjligt för både företag och individer att samla in, bearbeta och tjäna pengar på AI-data.
Det som utmärker sig med detta AI-datamoln jämfört med dess centraliserade motsvarigheter är en global community-strategi; istället för att förlita sig på ogenomskinliga datainsamlingsprocesser introducerar OORT en decentraliserad omni-chain datainsamlingsplattform kallad OORT DataHub. Denna plattform utnyttjar bidrag från en global community för att leverera mångsidiga, högkvalitativa och verifierbara datamängder för att ta itu med de befintliga bristerna i AI-datakvalitet och -kontroll.
OORT DataHub stöds av ett decentraliserat nätverk, OORT Edge, som driver lagring och bearbetning av insamlad data; det gör det genom en hårdvaruenhet för kantnod – Deimos.
Som sådan har användare av OORT-ekosystemet möjlighet att tjäna intäktsgenererande belöningar genom att Bidragande mot DataHub eller att bli en del av edge-nätverket genom att värd en nod via Deimos-enheten. Det finns för närvarande över 330 000 databidragsgivare, fler än 83 000 noder och fler än 10 000 dagliga användare i detta decentraliserade AI-ekosystem.
Bittensor: Det decentraliserade underrättelsenätverket
Bittensor är en annan intressant decentraliserad AI-plattform; i grunden stöder detta blockkedjebaserade ekosystem produktion av digitala varor i kedjorna, inklusive AI-inferens, utbildning och relaterad infrastruktur.
Så, hur fungerar det? Bittensor utnyttjar konceptet med subnät för att introducera communities som producerar dessa digitala varor till konkurrenskraftiga priser. Detta baseras på en incitamentsmodell där de bästa miners (bidragsgivarna) belönas för att slutföra en viss uppgift. Några av uppgifterna inom ett AI-subnät kan omfatta tjänster som träning, prediktion eller specialiserad inferens.
Bittensors nätverk inkluderar även validerare vars roll är att validera det arbete som utförs av miners. Detta säkerställer att endast kvalitetstjänster belönas genom Bittensors incitamentsmodell – ekosystemet sänder ut 7200 TAO-tokens varje dag för detta ändamål. Allokeringarna inom subnäten är indelade i tre: subnätskapare (18%), validerare (41%) och miners (41%).
Bittensors decentraliserade subnät är ett skifte bort från den centraliserade AI-utbildningsprocessen, där stora teknikföretag har monopol på datainsamling och andra AI-tjänster.
Ocean Protocol: Marknadsplats för AI-klar data
Ocean Protocol är en av de etablerade aktörerna inom detta framväxande innovationsområde. Byggt som ett decentraliserat protokoll, underlättar denna plattform de två huvudkomponenter som behövs för AI-utveckling – data och beräkning.
Teknikstacken består av tre huvuddelar: Datatokens, Ocean Nodes och Compute-to-Data. Med Datatokens kan Ocean Protocol-användare tokenisera sina privata data och göra dem tillgängliga för modellträning samtidigt som de bevarar sin integritet. En metod som kallas "token-gating" där dataägare kan publicera datatjänster på Ocean Protocols marknadsplats genom en decentraliserad åtkomstkontrollmodell.
När det gäller Ocean Nodes möjliggör dessa intäktsgenerering av inaktiva datorresurser. Enhetsägare över hela världen kan dedikera sin inaktiva datorkraft till att stödja Ocean Network i utbyte mot ekosystembelöningar.
Compute-to-Data är det kännetecknande för detta ekosystem; det gör det möjligt för konsumenter (modellutbildare) att köpa datamängder mot vilka de kan köra sina modeller utan att leverantörens integritet avslöjas. Det är detta som ger Ocean Protocol en fördel som en decentraliserad "marknadsplats för AI-klar data".
SingularityNET: Pionjären inom decentraliserade AI-tjänster
SingularityNET är en pionjär inom decentraliserad AI; projektet lanserades 2017 och samlade in en ICO på 36 miljoner dollar inom en minut. Sedan dess har det utvecklats till en ansedd blockchain-baserad plattform där användare kan skapa, dela och tjäna pengar på AI-tjänster.
Till skillnad från sina motsvarigheter, som fokuserar på datamängder och råa beräkningar, specialiserar sig SingularityNET på AI-tjänster som API:er, modeller och agenter som utvecklare kan tjäna pengar på eller köpa för att stödja sina utvecklingsinitiativ. Detta är möjligt genom plattformens inbyggda token $AGIX, som gör det möjligt för deltagare att betala för AI-tjänsterna.
SingularityNETs infrastrukturmodell lägger också stor vikt vid interoperabilitet, vilket gör det möjligt för de olika tjänsterna att anlita varandra. Detta skapar ett AI-stödjande ekosystem där oberoende bidragsgivare kan sätta ihop komplexa pipelines.
En annan framträdande egenskap hos just detta projekt är grundarens, Dr. Ben Goertzels, vision att främja artificiell generell intelligens (AGI) – en tidsålder där AI kommer att ha förmågan att utföra alla uppgifter som människor kan göra och potentiellt överträffa mänsklig intelligens inom flera områden.
Fetch.ai: Decentraliserade agenter och dataekonomi
Fetch.ai är ytterligare en ny innovation som verkar inom den kommande agentekonomin som drivs av AI-agenter. Projektet är utformat som en plattform för flera agenter, vilket gör det möjligt för autonoma programvaruagenter att interagera, förhandla och hantera data för användares, organisationers eller enheters räkning, samtidigt som blockkedjeteknik utnyttjas för att säkra kommunikationskanalerna.
En av huvudkomponenterna i detta ekosystem är agentramverket (AEA). Det har till uppgift att hantera funktioner som datainsamling och analys, interaktion med andra agenter eller datakällor, beslut, transaktioner och deltagande i maskininlärning eller uppgiftsoptimering. Man kan tänka på dem som digitala tvillingar som agerar på uppdrag av användare.
Vad som sticker ut Fetch.ai möjliggör dynamiska dataflöden i realtid mellan autonoma agenter. Detta är ett framsteg från traditionella AI-pipelines, som inte bara är centraliserade utan också statiska till sin natur. Till exempel kan ett trafikhanteringssystem i en livlig stad använda AI-agenter för att köpa trafikdata i realtid från stadens sensorer, tack vare den agentbaserade ekonomimodellen.
Gensyn: Decentraliserad beräkning för AI-utbildning
Enligt en färsk rapport Projekt från McKinsey visar att datacenter världen över kommer att behöva uppskattningsvis 6.7 biljoner dollar för att hålla jämna steg med den växande efterfrågan på datorkraft. Gensyn adresserar denna hotande kostnadsrisk genom sitt decentraliserade protokoll, som fokuserar på maskininlärningsberäkning.
I grund och botten möjliggör Gensyn aggregering av världens datorkraft till ett enda nätverk. Detta är möjligt genom ett decentraliserat ramverk som ger alla med lediga beräkningsresurser möjlighet att allokera dem till nätverket, vilket stöder AI-innovatörer med globalt tillgängliga beräkningsresurser som de kan hyra för att skala upp träningen av stora modeller.
Gensyns ekosystem består av fyra grundläggande komponenter: Konsekvent maskininlärning (ML Execution), Tillförlitlig verifiering, Peer-to-Peer-kommunikation och Decentraliserad samordning. Alla dessa aspekter arbetar tillsammans för att möjliggöra decentraliserad, verifierbar maskininlärning på global skala.
Det är också värt att nämna att detta projekt fortfarande är i ett tidigt skede, och Testnet är för närvarande tillgängligt. Det har tre applikationer som användare kan prova: RL Swarm, BlockAssist och Judge.
Gräs: Decentraliserat nätverk för crowdsourcing av data
Många gånger, när vi betalar för internettjänster, slutar det med att vi inte använder all allokerad bandbredd. Grass, tidigare Grassdata, introducerade ett innovativt koncept där globala internetanvändare kan utnyttja sin lediga bandbredd.
Projektet väcker denna berättelse till liv genom sin distribuerade modell som gör det möjligt för vem som helst att bidra och tjäna belöningar genom enkla steg, vilket förvandlar den lediga bandbredden till en värdefull resurs för AI-träning. Enkelt uttryckt fungerar Grass som ett decentraliserat fysiskt nätverk (DepIN) för åtkomst till webbdata, där användare kan köra noder från sina dagliga enheter och fungera som datakällor för AI och webbintelligens.
Denna tillståndsfria och distribuerade metod är inte bara revolutionerande inom AI-modellträning utan också för att använda vardagliga digitala resurser. Användare kan agera som dataleverantörer för att driva ett öppet nätverk som kan konkurrera med centraliserade webcrawlers och dataaggregatorer som för närvarande kontrolleras av en handfull stora teknikföretag.
Slutsats
Som nämnts i inledningen har utvecklingen och implementeringen av AI inte varit utan sina egna unika utmaningar. Detta inkluderar datakontroll, kvalitet och den ökande beräkningskostnaden. Men som framhävs genom exemplen i denna lista har det skett betydande framsteg inom decentraliserad AI-innovation. Dessa projekt är en glimt av vad decentraliserade arkitekturer har att erbjuda AI och vice versa; det är en win-win-situation för både blockkedje- och AI-innovationer.
Jämförelsetabell för decentraliserade AI-plattformar
| Projekt | Huvudfokus | Vad som sticker ut |
| OORT | Decentraliserat AI-datamoln som gör det möjligt för användare att samla in, bearbeta och tjäna pengar på data | Community-driven DataHub och edge-nätverk (Deimos) med över 330 000 bidragsgivare och verifierbara datamängder |
| Bittensor | Blockkedjenätverk för decentraliserad AI-träning och inferens | Incitamenterade delnät belönar AI-resultat av hög kvalitet med dagliga TAO-utsläpp |
| Ocean Protocol | Marknadsplats för AI-förberedd data och beräkning | Compute-to-Data-sekretessmodell som möjliggör säker datadelning utan att exponera råa datamängder |
| SingularityNET | Marknadsplats för AI-tjänster och API:er | Monetisering av interoperabla AI-agenter; banbrytande vision för artificiell generell intelligens (AGI) |
| Fetch.ai | Multiagent AI-ekonomi för autonomt datautbyte | Dataförhandling i realtid genom autonoma agenter (AEA) |
| Gensyn | Decentraliserat beräkningsnätverk för maskininlärning | Tillförlitlig verifiering och aggregering av global beräkningsförsörjning för AI-utbildning |
| Grass | Decentraliserat bandbredd och data crowdsourcing-nätverk | Omvandlar inaktiv internetbandbredd till AI-träningsdataresurser |
Vanliga frågor
Vad är decentraliserad AI?
Decentraliserad AI hänvisar till artificiell intelligens-system som bygger på distribuerade ekosystem som blockkedjor eller peer-to-peer-infrastrukturer. Globala samhällen tar över rollen för data-, beräknings- och modellträning i motsats till den centraliserade miljön där stora företag kontrollerar alla dessa funktioner.
Hur skiljer sig decentraliserad AI från traditionella AI-plattformar?
Till skillnad från sina traditionella motsvarigheter, som förlitar sig på centraliserade datacenter och ogenomskinliga datainsamlingstekniker, distribuerar decentraliserad AI datakälla, beräkningskraft och modellträning till olika ekosystemdeltagare. Detta förbättrar transparens, säkerhet och inkludering.
Varför är datakvalitetskontroll viktig för AI-utveckling?
Datakvaliteten har en direkt inverkan på AI-modellernas noggrannhet och rättvisa. Därför måste AI-dataflöden vara verifierbara, etiskt anskaffade och delade på ett säkert sätt.
Hur tjänar deltagare pengar i decentraliserade AI-ekosystem?
Det finns flera sätt att tjäna pengar på dessa ekosystem, inklusive bidrag av värdefulla resurser som data och datorkraft. De flesta DeAI-plattformar har incitamentsmekanismer där användare kan få intäktsgenererande belöningar.
Vilka decentraliserade AI-projekt är för närvarande ledande inom området?
Bland framstående aktörer finns OORT (datamoln), Bittensor (AI-underrättelsenätverk), Ocean Protocol (AI-klar datamarknadsplats), SingularityNET (AI-tjänstehub), Fetch.ai (agentekonomi), Gensyn (decentraliserad beräkning) och Grass (datacrowdsourcingnätverk).
Ansvarsfriskrivning
I linje med den Riktlinjer för Trust Project, vänligen notera att informationen på den här sidan inte är avsedd att vara och inte ska tolkas som juridisk, skattemässig, investerings-, finansiell eller någon annan form av rådgivning. Det är viktigt att bara investera det du har råd att förlora och att söka oberoende finansiell rådgivning om du har några tvivel. För ytterligare information föreslår vi att du hänvisar till villkoren samt hjälp- och supportsidorna som tillhandahålls av utfärdaren eller annonsören. MetaversePost är engagerad i korrekt, opartisk rapportering, men marknadsförhållandena kan ändras utan föregående meddelande.
Om författaren
Gregory, en digital nomad som kommer från Polen, är inte bara finansanalytiker utan också en värdefull bidragsgivare till olika onlinetidningar. Med stor erfarenhet inom finansbranschen har hans insikter och expertis gett honom erkännande i många publikationer. Genom att använda sin fritid effektivt är Gregory för närvarande dedikerad till att skriva en bok om kryptovaluta och blockchain.
fler artiklar
Gregory, en digital nomad som kommer från Polen, är inte bara finansanalytiker utan också en värdefull bidragsgivare till olika onlinetidningar. Med stor erfarenhet inom finansbranschen har hans insikter och expertis gett honom erkännande i många publikationer. Genom att använda sin fritid effektivt är Gregory för närvarande dedikerad till att skriva en bok om kryptovaluta och blockchain.
