人工智能通过使事情变得更聪明，更有效，改变了行业和我们的日常生活。但是，传统的AI模型建立在集中式系统上，该系统收集，处理和存储在大型集中式服务器中。这种集中化提出了有关数据隐私，安全性和垄断控制的问题。
输入分散的AI - 一种在多个节点或设备上分配AI的新方法，使其更安全，公平和透明。
那么，DEAI对您意味着什么？简短版本是：对于日常技术用户，分散的AI意味着AI应用程序将更容易访问和值得信赖，并将您控制数据。
这是一个更深的外观。
分散的AI解释说：不再有中央服务器
分散的AI通过在节点网络上传播数据处理来摆脱单个中央服务器。这些节点可以是单独的设备或服务器共同分析和处理数据。
这通常是基于区块链的，该区块链提供了所有交易和计算的透明且防篡改的记录。
这与集中的AI系统相反。传统AI是通过由Google，Amazon或OpenAI等大公司经营的集中式枢纽来完成的。尽管有效，这些系统要求用户将数据发送给远程服务器，这引起了隐私和安全问题。
集中式系统还冒着建立垄断的风险，在垄断中，对AI的控制集中在几只手中，这可能会导致AI的发展和部署方式的偏见和不平等。
分散的AI减轻这些风险。它分散了处理能力和决策过程，使其更加协作和透明。用户可以控制他们的数据，而AI的运作更加民主。
我们问Oort，用于分散AI应用的云解决方案，以解释集中式AI系统的局限性以及分散AI的变革性潜力。
“集中的AI系统由大公司控制，并依靠大量的中央服务器，”他解释说。“这会带来重大问题，例如隐私风险，尤其是偏见的结果。”
他继续“分散的AI通过在设备网络中传播工作，而不是依靠单个服务器来解决这些问题。它还通过参与来自不同背景的人来多样化数据收集。”
“这不仅仅是更好的技术，还涉及使人工智能更开放，公平和对每个人都可以访问。”
李博士继续提到人工智能行业的关键支柱，以及破坏集中控制的权力下放的潜力。
“ AI行业中有三个支柱 - 尖锐，数据和模型，”他告诉技术时报。“大玩家由于其计算能力和高级模型而占主导地位。”
他强调，将数据收集，存储和计算能力的分散化可以使人工智能更加可扩展，并破坏企业群落产生的瓶颈。
“毫无疑问，这是我们的技术将向发展发展的方向。”李博士总结了。
分散的AI如何保护隐私和安全
分散AI的最大好处之一是它保护隐私和安全。在传统的AI系统中，用户数据将发送到集中式服务器进行处理。这是有风险的，因为集中式系统是黑客的目标。备受瞩目的漏洞集中式数据库已经暴露了数百万的个人数据，并在此类系统中侵蚀了信任。
分散的AI通过将数据保存在用户的设备上来解决此问题。例如，分散的AI无需将健康数据发送到中央服务器，而是可以在智能手机或可穿戴设备上处理数据。分散的AI系统中使用的区块链技术还通过提供所有数据交易的记录来增加额外的安全性。这意味着未经适当授权就无法篡改或访问数据，从而降低了违规风险。
此模型除了安全性外，还尊重用户隐私。敏感信息不再需要与第三方共享，因为计算在本地进行。这与对保护隐私技术的需求不断增长，尤其是在具有严格数据保护法的地区，例如欧盟的GDPR。
使每个人更容易获得AI
分散的AI使每个人都可以访问AI。集中的AI系统需要大量的资金和技术资源才能运行，而对于较小的组织和个人来说是无法触及的。分散的AI在许多节点上分配了计算负载，因此任何单个节点都不需要很多基础架构。
这甚至使资源有限的个人也可以参与AI或从AI工具中受益。例如，分散的AI驱动平台Singularitynet允许开发人员向共享市场构建AI模型。然后，任何人都可以访问和使用这些模型来促进全球创新和协作。
对于最终用户，这意味着更实惠，更多的AI应用程序。小型企业可以使用AI工具，而无需集中式系统的高昂成本。来自代表性不足地区的开发人员可以从分散的AI网络中贡献并受益，以增加创新。
通过透明度建立信任
信任一直是AI的大问题。集中式系统通常是不透明的，没有有关AI模型如何做出决策或过程数据的信息。缺乏透明度会导致偏见，不公平的结果和用户不信任。
通过设计，分散的AI是透明的。许多分散的AI系统是开源的，其代码和决策过程是公开的。区块链技术提供了所有AI计算的不变记录，因此可以追踪和验证每个决策或交易。
这种透明度不仅建立了信任，而且还减少了偏见。分散的AI系统可以吸收各种数据源和观点，因此结果更加平衡和公平。例如，在分散的全球数据集上训练的AI模型将无法反映单个组织或地区的偏见。
分散的AI用例
分散的AI不仅是一种理论。它已经在发生。从医疗保健到智能家居设备，可能性无限。
卫生保健
在医疗保健中，分散的AI可以改变患者数据的管理和使用方式。传统的医疗保健系统要求患者与集中数据库共享敏感数据，并滥用风险和滥用。分散的AI允许患者控制数据并获得高级分析。
例如，分散的AI模型可以分析用户设备上的可穿戴设备中的健康数据。这种本地分析提供了个性化的健康见解，而不会损害隐私。分散的AI还可以使医疗保健提供者之间的安全数据共享，从而在没有患者机密风险的情况下进行协作。
智能家居设备
诸如虚拟助手和IoT传感器之类的智能家居设备依靠AI来进行功能。但是，这些设备将用户数据发送到集中式服务器进行处理，这引起了隐私问题。分散的AI通过在设备上处理数据来解决此问题。
这种本地处理改善了隐私和绩效。设备可以在没有Internet连接的情况下更快地响应用户命令。分散的AI使用户可以自定义其智能家庭系统，而不会锁定在一个由一家公司控制的特定生态系统中。
金融服务
在金融中，分散的AI正在改变交易的完成方式。通过将AI与区块链相结合，分散的金融平台可以提供更智能，更个性化的服务，同时确保其安全。
例如，分散的AI可以分析支出模式以提供财务建议或检测实时欺诈性交易。由于这发生在分散的网络上，因此用户不太接触集中式漏洞。这也符合DEFI原则，以删除中介机构并提供更多获得金融服务的机会。
挑战分散的AI仍然面临
这并不是所有的好消息。最大的挑战之一是支持分布式系统的基础架构。分散的AI需要一个可以处理大数据的节点网络，这是渴望资源的。
标准化是另一个问题。随着多个组织建立自己的分散AI框架，系统之间的互操作性是一个问题。我们需要创建通用标准，以便不同的平台可以相互交流。
和道德。尽管分散的AI是透明的，但我们仍然需要确保其负责任的使用。开发人员必须考虑滥用，例如有偏见或有害的AI模型，并实施保障措施以防止它。
Li博士打破了分散AI面临的主要挑战，以及多元化数据源对公正和公正的结果的重要性。
“目前最大的挑战是建立基础架构来处理网络上的所有数据和计算，这并不容易管理，”他解释说。“另一个问题是缺乏明确的标准。例如，如果用于培训AI模型的所有数据来自北美，我们如何信任AI来准确理解和服务亚洲人？”
他指出，随着AI扩大时，日常生活的细微差别强调了对各种数据源的需求。
“在该行业中，已经公认了公平，公正的AI来自多元化，开源和公开收集的数据，”李博士总结了。
期待
分散的AI是AI如何开发和使用的游戏规则改变者。通过分发处理能力和决策，这解决了传统AI系统，数据隐私，可访问性和信任的许多问题。
对于普通技术用户，分散的AI意味着更智能，更安全的应用程序，以尊重其隐私，并使他们平等地访问最新技术。尽管面临挑战，但好处使AI的未来成为赢家。随着这的发展，它将是数字景观的重要组成部分。
