注意数据差距：DeAI 需要更多样化的数据集 |意见

快速阅读: 据《加密新闻》最新报道，声明表示，尽管去中心化人工智能（DeAI）受到追捧，但其面临的最大挑战是缺乏多样化、安全且可验证的数据。文章认为，大多数链上数据仅限于金融交易，导致DeAI模型难以达到当前中心化模型的竞争力。然而，零知识证明如zkFHE和zkTLS能解决数据隐私和安全性问题，使DeAI能够利用Web2的庞大数据，从而推动更民主和透明的人工智能发展。

声明：此处表达的观点和立场仅代表作者，不代表Crypto.News编辑部的观点和立场。人工智能正成为潮流。然而，在围绕去中心化人工智能（DeAI）的炒作之下，关键缺陷是缺乏多样化、安全且可验证的数据。链上数据集过于有限，无法训练真正强大的模型。这可能导致人工智能的未来掌握在那些拥有广泛网络数据资源的中心化巨头手中。你可能也会喜欢：去中心化人工智能是实现伦理和透明数据收集的唯一途径DeAI的承诺——民主化、透明且强大的人工智能——取决于弥合这一数据差距。巧妙的密码学提供了一条路径。传统人工智能的优点在于其贪食性。数据越多，越聪明。但这个优势也是它的致命弱点。中心化的人工智能模型通常在未经明确同意的情况下训练数据，引发了关于隐私和控制的棘手问题。基于区块链的去中心化和透明原则构建的DeAI提供了有吸引力的替代方案。然而，大多数链上数据来自金融交易或去中心化金融（DeFi）。尤其是小规模语言模型需要更精确的数据进行微调。这使得DeAI模型缺乏丰富多样的数据集来将其提升到最新模型的竞争水平。这些数据集存在于Web3之外，The Pile和Common Crawl各自包含数十亿独特来源的数据。现有经过验证的Web2数据源的深度，以及数据量，使中心化的人工智能提供商能够像现在这样快速地完善他们的GPT。在竞争的时间尺度上重新创建相同水平的链上数据是不可行的。虽然一些人工智能公司因被指控窃取这里讨论的这种微妙数据而陷入困境，但还有一种方法可以提高安全性——使数据更安全。这就是密码学大显身手之处。零知识证明已引起关注，提供了一个有力的解决方案。特别是零知识全同态加密（zkFHE）和零知识传输层安全（zkTLS）这两种技术，为解锁Web2的数据用于DeAI提供了关键。zkFHE允许在不解密的情况下对加密数据执行计算。想象一下，在不泄露原始患者数据的情况下，使用敏感医疗记录训练人工智能模型。这就是zkFHE的力量。它大大扩展了训练的可能性。zkTLS将这一原理扩展到互联网通信。它允许用户证明拥有网站上的某些数据——比如信用评分或社交媒体活动——而不透露底层信息。这对于将Web2中的大量数据整合到DeAI系统中至关重要。例如，一个去中心化的信用评分模型可以利用zkTLS访问传统机构的认证财务数据，而不损害其机密性。DeAI的优势？其影响深远。通过结合zkFHE和zkTLS，DeAI可以利用Web2的庞大数据，同时保持隐私和去中心化的核心原则。这可能会平衡竞争环境，使DeAI能够与甚至超越中心化人工智能竞争。考虑目前由资金雄厚的技术巨头主导的大规模语言模型的发展。这些模型需要大量的文本数据进行训练。通过利用zkTLS，DeAI开发人员可以以保护隐私的方式访问和利用公开的网络数据，从而创建更加民主和透明的大型语言模型（LLM）。当然，也存在挑战。实施zkFHE和zkTLS需要巨大的计算能力，需要在硬件和软件方面取得显著进展。标准化和互操作性对于广泛应用也至关重要。但潜在的回报是巨大的。在人工智能霸权的竞赛中，数据是终极燃料。通过拥抱zkFHE和zkTLS等密码学解决方案，DeAI可以获得所需的动力。这不仅仅是建立更智能的人工智能；这是建立一个更加民主和平等的人工智能未来。阅读更多：机器与市场：人工智能接管金融 | 观点

谢翔是Primus的创始人兼首席执行官。他的研究重点是隐私保护机器学习，采用多方计算和零知识证明来保护用户数据和模型隐私。

(以上内容均由Ai生成)