De-AI （去中心化人工智能）會成為像Elon Musk所預言的那樣統治我們生活的人工智能機器人獨裁者，還是會成為豐富且不那麼物質化的未來的生產工具？由加密貨幣的間歇性牛市及其各自的區塊鏈推動的去中心化點對點技術的改進，正在產生可以改善去中心化人工智能（ De-AI ）的生產環境。
De-AI的問題
De-AI的問題就和區塊鏈一樣，一個單一的系統將面臨突然停用該計算機系統的非常艱鉅的風險，因為節點將分佈在許多國家/地區，並且系統中內置了經濟激勵措施。參與De-AI網絡的已部署節點將獲得加密貨幣獎勵。與當前許多的AI應用程序一樣， De-AI上將提供AI應用程序，但它們不會由單個人類實體控制，而是由受經濟激勵措施引導的驗證者社區控制。
Layer 2區塊鏈被設計為可大規模擴展，是部署機器學習算法的自然目標，但可能需要一種更原生的方法，包括高速計算。 Layer 2區塊鏈，如Optimism 、 Arbitrum和Starkware ，有特定的編程語言（最常見的是Solidity ， Cairo即將出現在StarkWare ）不適合人工智能的高性能計算。
零知識(ZK)是加密生成的簡短證明，證明有一些數據或計算已經完成，而沒有透露數據或計算的所有細節。有用的ZK證明還必須在短時間內可驗證。未來零知識技術的高速改進（ StarkWare使用了這種ZK技術）將允許對區塊鏈進行高性能計算。
區塊鏈的主要問題是用戶需要任何交易計算都可以由其他節點快速驗證，而ZK允許驗證比計算本身快得多。
去哪個去中心化系統？
我們可以考慮哪些機器學習系統最適合首先遷移到去中心化系統中，這包括：
1 ）推薦系統：當用戶消費不同的項目時，它被註冊並被評估以建議未來要消費的項目。從技術上講，你需要估計到其他項目的距離。這種類型的技術非常適合將推薦算法數據應用到多個節點中。你不需要將所有用戶偏好、過去消費的項目都存儲在一台計算機上。
2 ）聚類/非結構化分類：鑑於聚類是將數據集分類為自發的新類別的問題，似乎比結構化分類（固定數量的類別）更容易去中心化。如果你將類別想像為地理區域，你會發現沒有必要將所有數據點都存儲在一台計算機中。特別是廣義聚類算法中的應用於大腦圖像的去中心化聚類算法。
現在人工智能或機器學習中缺少的工具是結構化分類器。基於固定數量的類別，算法必須猜測一條數據屬於哪個類別（例如，這篇文章是用英語還是西班牙語寫的？）。與強化學習密切相關，強化學習就像分類器的閉環，為機器人或遊戲生成動作。
深度學習是多層結構化分類器（因此，深度分層）的組合，以獲得更複雜的自動化學習體驗。這種類型的AI工具的問題在於，你需要所有訓練數據集的全局視圖，因為輸出使用的是經過訓練的權重或變量形式的數據合成匯總。你需要訓練權重來生成輸出、類別、機器人動作。
De-AI的三種場景
矩陣乘法是做大量的數值乘法和加法。海量矩陣乘法是結構化分類器、深度學習和強化學習中涉及的主要操作。正如我們之前提到的，對這些操作的驗證（以避免作弊）是De-AI將面臨的主要挑戰。我們為去中心化人工智能(De-AI)設想了這三種場景：
1 ）原生高性能區塊鍊或側鏈：當比特幣被認為是無用的，因為“浪費”了每秒驗證5筆交易的無意識計算量，許多有遠見的人提出，區塊的挖掘涉及更多有用的計算。這是區塊鏈難題的聖杯，將幫助人類。
要參與區塊鍊網絡中交易的驗證，你將必須進行矩陣乘法和復雜的機器學習操作，這些操作將由其他節點驗證，並最終被接受為挖礦的一部分加密貨幣。這種方法僅限於特定操作或靜態深度學習架構。 Filecoin和其他存儲區塊鏈可以通過僅存儲數據但沒有太多或沒有轉換的方式在此類別中看到。 WekaCoin解決方案提出了一系列多樣化的機器學習算法參與共識，使挖礦更加智能。
2 ）更快的Layer2區塊鏈：利用現有的高性能和廉價的Layer 2區塊鏈，其中大多數基於以太坊網絡協議，是實現去中心化人工智能的自然方法。使用Solidity作為編程語言可能不是最快的，但該技術具有構建去中心化AI樂高的所有要素。
構建可重複用的機器學習代碼塊，這些代碼是開放且免費的（如果你支付網絡費用）。這種方法的主要限制是區塊鏈通常具有有限的計算能力，可以包含在單個區塊中。然後，如果你分叉像Arbitrum 、 Optimism或Starkware這樣的Layer 2 ，你必須準備好大量增加最大區塊大小，並準備好為網絡中的驗證器設置最低性能閾值。
3 ）用於AI的專用零知識平台：這種替代方案類似於前面提到的StarkWare Layer 2方法，但也涉及針對矩陣乘法和深度學習的ZK智能合約（例如使用Cairo編程語言）的特定開發。這可以在智能合約層中完成，例如在StarkWare中，或者在較低的共識層中完成。目標是進行大量繁重的計算，可以很容易地被網絡中的其他節點驗證。此外，包括靈活的智能合約操作組合允許不同算法的互操作性。
