【译】Why Decentralized AI Matters Part II: Technological Enablers
这是一篇文章的第二部分，探讨了分散式人工智能（AI）作为未来十年基础技术趋势之一的价值主张。在前一部分中，我们讨论了分散式人工智能的一些经济基础。今天，我们将探讨一些支持第一波分散式AI平台的技术趋势。
尽管它有一些明显的价值主张，但分散化人工智能的道路却受到非常困难的技术挑战的困扰，这使得它在现实世界的应用中变得完全不切实际。在我们之前的文章中，我们确定了分散式AI成为现代AI应用程序中可行架构需要解决的四个主要挑战：
从纯粹的技术角度来看，许多这些问题直到最近才被认为是无法解决的。在过去几年中，密码学，数字货币和人工智能空间的新技术汇集在一起，为分散式AI应用的实施提供了坚实的基础。
分散的AI启动器
隐私解决方案：同态加密
在数学上，同态被定义为“将数学集（例如，组，环或向量空间）映射到另一个集合或其自身的映射，使得通过将操作应用于第一集合的元素而获得的结果被映射到通过将相应的操作应用于第二组中的它们各自的图像而获得的结果“。同态加密允许在密文上执行特定类型的计算，该密文产生也是密文的加密结果。其结果是在明文上执行的操作的结果。例如，一个人可以添加两个加密的数字，然后另一个人可以解密结果，而他们中的任何一个都无法找到单个数字的值。
同态加密可以被认为是过去十年中密码学领域最大的突破之一。在分散式AI的背景下，同态加密使AI应用程序中的参与者能够以对其他方保持加密的方式将数据提供给模型的训练。
经济解决方案：区块链
区块链提供基本的运行时和协议，以实现真正的分散式AI应用程序。第一代dencetralized AI应用程序正在利用智能合约或DApps等概念来模拟AI应用程序中不同端点之间的交互。
数字代币也是分散式AI应用程序中的一个相关概念，因为它代表了补偿数据科学家对模型贡献的主要机制。数字代币还提供了一个经济渠道，以有利于所有相关方的方式指导和影响模型的行为。
影响力解决方案：联邦学习
联合学习是人工智能系统的一种新型学习架构，可在高度分布式拓扑中运行，如移动或物联网（IOT）系统。最初由Google研究实验室提出，联合学习代表了集中式AI培训的替代方案，其*享的全局模型在*服务器的协调下从参与设备的联合进行训练。在该模型中，不同的设备可以有助于模型的训练和知识，同时保持设备中的大部分数据。
不难想象为什么联邦学习是分散式人工智能平台的基础。使用联合学习，AI应用程序中的多个参与者可以独立地训练或优化AI模型，而无需相互信任或集中授权。
我希望这个系列能让你保持参与。在下一部分中，我们将讨论dencentralized AI空间中的一些新平台。