AI行业的新趋势:本地小模型和边缘计算

近期AI行业呈现出一个有趣的发展趋势:从之前专注于大规模算力集中和大型模型的主流方向,逐渐衍生出了一个侧重于本地小模型和边缘计算的新分支。这一趋势可以从多个方面得到印证,如Apple Intelligence已覆盖5亿设备,微软为Windows 11推出了拥有3.3亿参数的专用小型模型Mu,以及谷歌DeepMind开发的能够"离线"运行的机器人等。

这种转变带来了哪些不同?云端AI主要依赖于庞大的参数规模和海量的训练数据,资金实力成为了关键竞争因素。相比之下,本地AI更注重工程优化和场景适配,在保护用户隐私、提高可靠性和实用性方面具有明显优势。这一点尤其重要,因为通用模型在特定领域应用时常出现的"幻觉"问题,严重制约了其在垂直场景中的推广。

对于Web3 AI项目而言,这种趋势可能带来更多机遇。此前,当行业聚焦于"通用化"能力(包括计算、数据和算法)时,传统科技巨头自然而然地占据了主导地位。在这种情况下,仅仅套用去中心化概念就想与行业巨头竞争,无异于痴人说梦。毕竟,相较于这些巨头,Web3项目在资源、技术和用户基础等方面都处于劣势。

然而,随着本地化模型和边缘计算的兴起,区块链技术在AI领域的应用前景变得更加广阔。当AI模型运行在用户自己的设备上时,如何确保输出结果的真实性?如何在保护隐私的同时实现模型之间的协作?这些问题恰恰是区块链技术擅长解决的领域。

业内已经出现了一些针对这些挑战的新项目。例如,最近获得1000万美元融资的项目推出了一个数据通信协议,旨在解决中心化AI平台存在的数据垄断和黑箱操作问题。另一个项目通过脑电波设备采集真实人类数据,构建"人工验证层",并已实现了1400万美元的收入。这些项目都在尝试解决本地AI面临的"可信性"问题。

总的来说,只有当AI技术真正"下沉"到每个用户设备时,去中心化协作才能从概念变为现实需求。对于Web3 AI项目来说,与其在已经拥挤的通用化赛道上继续内卷,不如认真思考如何为即将到来的本地化AI浪潮提供必要的基础设施支持。这或许是一个更有前景的发展方向。