关于集中式、闭源式 AI 与分散式、开源式 AI 孰优孰劣的争论愈演愈烈。无数帖子对这一话题的双方都进行了辩论，而扎克伯格最近发布的（开源）Llama 3.1 模型更是火上浇油。

从历史上看，开源 AI 一直落后于闭源 AI。OpenAI 和其他公司已经能够利用巨大的规模经济，这些规模经济催生了这些实验室中创建的广泛使用的前沿模型。这给开源社区带来了艰巨的挑战，即构建和发现他们可以竞争的竞争维度，并为大型 AI 实验室提供可行的替代方案。从 AI x Crypto 的交集的角度来看，这个挑战可以被认为是“加密网络如何加速 AI 发展”？

但是，在去中心化和分布式加密/计算网络的背景下，人工智能发展意味着什么？目前，我认为这在很大程度上仍是一个悬而未决的问题。然而， @_jamico对此有一个很好的框架，我倾向于同意这个框架：“突破将来自利用这些 [分布式] 网络的新颖性的新模型 [架构]，而不是试图缓解它们。”许多团队现在正在努力做到这一点。

ML 模型训练 – 集中式与分散式

@PrimeIntellect是一支致力于解决这些问题的团队，最近还发布了分布式训练领域的开源成果。他们的工作是 Google DeepMind 研究的延伸，专注于扩展一种名为分布式低通信 (DiLoCo) 训练的分布式训练形式。这种方法利用地理上分散的 GPU 集群来训练 1.1B 参数的 LLM。他们的研究中发现了许多有趣的细节(I我已经在单独的主题中介绍了这一点，Prime Intellect 有一篇很棒的博客文章/论文， @0xPrismatic也是如此；如果您有兴趣，请查看这些文章)，但我认为这是加密网络如何用于加速 AI 开发的典型示例，同时利用 Jeff 所说的这些网络的新颖性。

我曾经坚信，机器学习模型训练应该留给那些拥有大规模、共置 GPU 集群的人。但有了这些结果和小型模型的潜在潜力，我将继续密切关注这一领域。

开源、协作的 AI 社区相对于集中式社区的一个优势是实验空间。分散式计算网络将在这方面发挥作用，但协调平台（如@opentensor也将发挥作用。现在关注 AI x Crypto 领域的每个人都可能知道 Bittensor（s/o @Old_Samster ）。如果你不熟悉它，给他发私信，并留出你一天中整整 6 个小时的时间，他会告诉你所有关于它的信息。

Bittensor 等平台为机器学习研究人员和工程师提供激励/补贴，让他们专注于在不同垂直领域部署、调整和测试模型。就在几天前，一个新的子网 ( @BitMindAI ) 启动，试图开发用于检测 AI 生成媒体的最佳模型。仅在 Bittensor 上，就有一组不同的子网，它们都拥有不同的专业领域。

尽管我认为 Bittensor 在应用/价值获取方面仍面临一些挑战(TBD如果即将到来的技术升级能解决这个问题），但我预计构建开源 AI 系统的社区将继续利用 Bittensor 和其他协调平台。发展和维持强大的开发者活动对于这些平台至关重要。

从机器学习模型到人工智能代理

以上各节展示了加密网络如何加速 AI 的发展。AI 代理或链上“代理网络”突出了 AI 可以加速加密网络上经济活动的另一种情况。

在这个领域，越来越多的团队正在建设。其中两个是@AIWayfinder和@autonolas 。Wayfinder 协议是@ParallelTCG团队为他们的 Colony 游戏构建的工作的概括。有很多东西需要解开（我们在报告中做了），但 Wayfinder 应该出现的是将链上协议/智能合约有效地映射到一个类似图形的结构上，AI 代理可以使用它来安全地浏览链上世界。考虑到它可能产生的网络效应，这是一个引人注目的设计。

Autonolas 允许开发人员将代理和相关服务创建为 NFT，从而在其系统内创建可组合性并成为链上所有权的一种方式。他们的 Mech 实际上是代理可以利用的技能，以完成手头的任务。在报告中，我们讨论了他们目前的一些链上足迹，但@jphackworth42对此有一个很棒的帖子，非常值得一读。

从更广阔的角度来看，我预计代理与链上协议交互的数量将继续增长。代理存储和共享知识的复合特性（即通过共享代码/软件进行扩展），尤其是通过 Wayfinder 正在构建的共享图形结构，应该有助于这些代理系统快速扩展。这是我计划花更多时间深入研究的 AI x Crypto 堆栈领域，因此如果您正在此领域构建，请直接发信息给我。

事实上，尽管上面讨论的是该领域中一些更引人注目的领域/项目，但我知道在 AI x Crypto 堆栈中还有一些令人兴奋的领域我没有讨论过。例如，有很多优秀的团队专注于 AI 系统的数据组件。

我总是很乐意聊天/了解这个领域的新项目，所以如果我错过了你的项目/你认为正在构建很酷的东西的项目，请随时给我发 DM。