去中心化人工智能：零知识证明的希望与挑战

摘要： 马克·扎克伯格最近强调了开源在人工智能的积极未来中不可或缺的作用。然而，他并没有详细说明这些模型是如何部署的。随着模型复杂性对计算资源要求的提高，如果模型部署由少数参与者控制，我们...

马克·扎克伯格最近强调了开源在人工智能的积极未来中不可或缺的作用。然而，他并没有详细说明这些模型是如何部署的。随着模型复杂性对计算资源要求的提高，如果模型部署由少数参与者控制，我们是否会屈服于类似的中心化形式？去中心化人工智能 (DAI) 旨在解决这一问题，它将人工智能推理和训练的计算过程分布在多个系统、网络和位置。

DAI 的实施面临着两个主要挑战：AI 环境和去中心化基础设施本身。与中心化系统相比，DAI 需要额外的保护措施来防止未经授权访问模型详细信息或窃取和复制专有信息。此外，去中心化系统需要解决网络完整性和资源开销方面的障碍，因为数据分布在不同节点上会暴露更多攻击媒介。

零知识证明 (ZKP) 是一种加密机制，它允许一方在不泄露任何细节的情况下，说服另一方相信一个陈述的真实性。ZKP 能够解决某些 DAI 挑战，例如验证节点的计算过程和解锁消费硬件上闲置计算的潜力。然而，ZKP 的计算成本过高，速度过慢，使其在模型训练和推理中难以实用。

虽然 ZKP 仍然面临挑战，但它在去中心化人工智能领域具有巨大的潜力。其他方法，例如乐观游戏和选择性使用 ZKP 的混合解决方案，也正在被探索。这些方法利用博弈论机制和选择性验证来降低 ZKP 的计算成本。

总的来说，去中心化人工智能训练和推理对于防止少数主要参与者巩固权力至关重要。ZKP 将成为实现这一愿景的关键，但其广泛应用需要克服计算开销的障碍。混合解决方案和持续的研究是克服这些挑战的关键，最终实现一个开放、自由和抗审查的去中心化人工智能未来。