Quando Trump investe trilhões em IA, quem está a fornecer dados confiáveis para a IA?

Quando Trump investe trilhões em IA, à primeira vista parece ser uma competição entre modelos, chips e centros de dados, mas também levanta questões mais profundas: como são validados os dados dos quais os modelos de IA dependem, se são rastreáveis, se o processo de treinamento é uma caixa-preta e se o processo de inferência pode ser auditado, se os modelos podem colaborar ou se estão condenados a lutar sozinhos?

Falar a verdade é que, quando obtemos informações com a IA, quem pode garantir que as informações fornecidas pela IA estão corretas? A poluição de dados já não é um termo para ser levado na brincadeira. Um certo aplicativo de IA que se dizia o "assassino do ChatGPT" já estava profundamente imerso em um ambiente de poluição de dados. Quando as fontes de dados estão todas erradas, como podem as respostas ser corretas?

A IA de agora é realmente inteligente? Talvez sim, mas mesmo a IA mais inteligente precisa de treinamento de modelo, mas não podemos saber quais dados foram usados para treinar o modelo, nem podemos verificar se a GPU realmente completou um processo de inferência, e ainda menos estabelecer uma lógica de confiança entre vários modelos.

Se quisermos que a IA realmente avance para a próxima geração, pode ser necessário resolver simultaneamente esses três problemas:

Primeiro, os dados de treinamento devem ser confiáveis e verificáveis.

Em segundo lugar, o processo de raciocínio deve ser auditável por modelos de terceiros.

Três, o modelo deve ser capaz de coordenar a potência de cálculo, trocar tarefas e compartilhar resultados sem a necessidade de uma plataforma de mediação.

Isto não é algo que possa ser resolvido apenas com um modelo, uma API ou uma plataforma GPU, mas sim que requer um sistema verdadeiramente construído para IA, que deve ser capaz de armazenar dados de forma permanente e a baixo custo, permitindo que os próprios dados tenham permissões de revisão e de serem revisados, além de possibilitar a validação de inferências entre modelos, e ainda necessitar de suportar a capacidade dos modelos de descobrir autonomamente poder computacional, coordenar tarefas e auditar cada passo da execução sob certas condições.

Isso é difícil de alcançar em plataformas centralizadas, então é possível implementá-lo em plataformas descentralizadas, e por que devemos usar uma abordagem descentralizada para realizá-lo?

Eu acho que apenas a blockchain pode realmente integrar "armazenamento de dados, execução de dados, validação de dados" na mesma rede subjacente. Esta é também uma das maiores atrações da blockchain, a imutabilidade e a transparência, mas o problema é que nem toda cadeia é adequada para ser a base da IA.

Se for apenas armazenamento, já existe o protocolo IPFS, mas o armazenamento simples não é suficiente; é necessário que os contratos inteligentes possam chamar dados diretamente, auditar os resultados de inferência e até coordenar recursos de GPU para completar tarefas de computação. Essas características, não só o IPFS, mas a maioria dos L1 ou aplicações de IA ainda não conseguem fazer por enquanto.

Se realmente houver alguma relação, talvez seja com @irys_xyz, que não é uma cadeia de armazenamento tradicional, mas está se preparando para se tornar uma rede de execução de dados para a construção de IA. Trata os dados como ativos programáveis. Os modelos podem ler dados na cadeia, validar inferências, chamar poder computacional e, através de contratos inteligentes, implementar precificação, autorização, divisão de lucros e verificação.

Claro que atualmente a Irys ainda tem algumas áreas imaturas, mas essa direção de desenvolvimento parece estar correta. Além disso, tanto a IA centralizada quanto a IA descentralizada, se a fonte de dados não for confiável, toda a capacidade de computação é como construir uma torre sobre a areia; mesmo o modelo mais forte não passa de uma lua na água ou uma flor no espelho.