Đào tạo AI nhanh gấp 10 lần, rẻ hơn 95% với chiến lược phi tập trung từ 0GgettyMột sự thay đổi nhẹ trong nền tảng của trí tuệ nhân tạo (AI) có thể đang diễn ra, và nó không xảy ra trong một trung tâm dữ liệu quy mô lớn.
0G Labs, giao thức AI phi tập trung đầu tiên (AIP), phối hợp với China Mobile, gần đây đã công bố một bước đột phá kỹ thuật có thể có những tác động sâu rộng đến cách các doanh nghiệp truy cập và triển khai các mô hình ngôn ngữ lớn. Đổi mới của họ là một phương pháp mới để huấn luyện các mô hình AI khổng lồ với hơn 100 tỷ tham số, mà không cần internet siêu tốc độ hoặc cơ sở hạ tầng tập trung đắt đỏ thường được yêu cầu.
Xem qua thì đây có thể nghe như một chiến thắng cho thế giới kỹ thuật.
Nhưng câu chuyện thực sự là kinh tế và chiến lược. Những gì 0G Labs đã đạt được có thể làm giảm chi phí xây dựng AI, đưa nhiều quyền kiểm soát trở lại tay các doanh nghiệp, và mở ra cơ hội cho những người chơi mới tham gia vào lĩnh vực này.
Điều này có nghĩa gì cho việc đào tạo AI
Để hiểu sự chuyển dịch, điều này giúp chúng ta quay lại cách mà các mô hình AI quy mô lớn hiện đang được đào tạo.
Các mô hình như GPT-4 của OpenAI hoặc Claude của Anthropic yêu cầu sức mạnh tính toán và băng thông mạng khổng lồ. Truyền thống, điều này có nghĩa là huấn luyện chúng trên các GPU mạnh mẽ được kết nối qua các trung tâm dữ liệu tập trung tốc độ cao do các công ty như Amazon Web Services, Google Cloud hoặc Microsoft Azure sở hữu hoặc thuê.
Những con số này phản ánh việc đào tạo dựa trên đám mây tập trung hoặc trung tâm dữ liệu quy mô lớn—đòi hỏi phải có các cụm GPU khổng lồ, mạng băng thông cao và hàng triệu đô la cho chi phí phần cứng và nhân sự. Sandy Carter Tính đến đầu năm 2025, ban lãnh đạo của OpenAI, bao gồm Sam Altman, đã công khai tuyên bố rằng việc đào tạo GPT‑4 tốn hơn 100 triệu đô la. Điều này được hỗ trợ bởi cả các tuyên bố chính thức và nhiều mô hình chi phí trong các báo cáo phân tích AI gần đây. Đây là một mô hình đòi hỏi vốn, tài năng và cơ sở hạ tầng mà ít tổ chức nào có thể đủ khả năng chi trả.
NHIỀU HƠN CHO BẠN## 0G Labs đang thách thức giả định đó cho việc đào tạo AI
Khung công tác mới được công bố của họ, có tên là DiLoCoX, giới thiệu một phương pháp đào tạo ít giao tiếp, giúp giảm đáng kể nhu cầu kết nối băng thông cao. Trong thực tế, họ đã thành công đào tạo một mô hình 107 tỷ tham số trên mạng 1 Gbps bằng cách sử dụng các cụm phi tập trung. Kỷ lục này là cải tiến 10 lần so với kỷ lục trước đó và là bước đột phá tốc độ 300 lần đã làm cho điều này trở nên khả thi lần đầu tiên. Đây là băng thông tương đương với một kết nối internet văn phòng điển hình.
Thay vì xây dựng mọi thứ trong một trung tâm tính toán khổng lồ, cách tiếp cận của họ liên kết các máy phân tán nhỏ hơn và tối ưu hóa cách thông tin được chia sẻ giữa chúng. Kết quả là một cách rất có thể mở rộng và tiết kiệm chi phí để đào tạo các mô hình lớn bên ngoài đám mây truyền thống.
Nhà vô địch AI phi tập trung từ 0G labs. Nhà sáng lập và Giám đốc điều hành, Michael Heinrich, bình luận về những tiến bộ trong Đào tạo AI.0G Labs Khi nói chuyện với nhà sáng lập và Giám đốc điều hành 0G labs, Michael Heinrich cho biết “DiLoCoX đánh dấu một bước quan trọng trong việc dân chủ hóa đào tạo LLM: thu hẹp khoảng cách giữa các mô hình nền tảng khổng lồ và các cụm phi tập trung được kết nối bởi các mạng chậm, không đáng tin cậy. Bằng cách kết hợp song song đường ống, chồng chéo giao tiếp chịu độ trễ và nén gradient thích ứng, khung này mang lại quy mô và tốc độ mà trước đây được cho là chỉ dành riêng cho các trung tâm dữ liệu băng thông cao. Điều này sẽ mở ra một kỷ nguyên mới, nơi việc đào tạo AI quy mô lớn không còn bị ràng buộc vào cơ sở hạ tầng tập trung.
Tại Sao Đào Tạo AI Quan Trọng Đối Với Doanh Nghiệp
Vào thời điểm mà mọi doanh nghiệp đang chịu áp lực để làm nhiều hơn với AI, hạ tầng đang nhanh chóng trở thành nút thắt cổ chai. Một số doanh nghiệp đang bắt đầu xem xét AI phi tập trung theo thiết kế. Việc xây dựng các mô hình lớn vẫn tốn kém, độc quyền và chủ yếu được giới hạn trong các công ty có nguồn lực sâu hoặc các mối quan hệ đối tác đám mây chiến lược. Đột phá của 0G mở ra một con đường thứ ba.
Đây không chỉ là một câu chuyện về tiết kiệm chi phí. Đây là một câu chuyện về sự lựa chọn và kiểm soát.
1. Giảm rào cản gia nhập
Cách tiếp cận của DiLoCoX giảm hạ tầng xuống tới 95% cần thiết để tham gia vào cuộc đua LLM.
Đối với các startup, điều này có nghĩa là khả năng thử nghiệm và mở rộng mà không phải tiêu tốn vốn đầu tư mạo hiểm cho chi phí GPU.
Đối với các doanh nghiệp vừa, nó cung cấp khả năng đào tạo các mô hình nội bộ mà không cần cam kết lớn với đám mây.
Đối với các chính phủ và phòng thí nghiệm nghiên cứu, điều đó có nghĩa là phát triển khả năng AI có thể tiếp cận dễ dàng hơn và độc lập hơn.
2. Độc lập chiến lược khỏi các nhà cung cấp lớn
Hầu hết việc đào tạo AI ngày nay phụ thuộc vào ba nhà cung cấp đám mây.
Sự tập trung đó mang lại rủi ro về việc tăng chi phí, bị phụ thuộc vào nhà cung cấp và vấn đề tuân thủ. Nếu doanh nghiệp của bạn phụ thuộc vào AI nhưng cũng hoạt động trong một lĩnh vực nhạy cảm như y tế, quốc phòng hoặc tài chính, khả năng tự đào tạo hoặc điều chỉnh các mô hình trở thành một đòn bẩy chiến lược mạnh mẽ.
AI phi tập trung cung cấp một con đường hướng tới sự tự chủ kỹ thuật số. Bằng cách phá vỡ giả định rằng AI tiên tiến phải được đào tạo trong các nền tảng đám mây tập trung, mô hình của 0G tạo ra không gian mới cho sự cạnh tranh và đổi mới.
3. Đáp ứng nhu cầu về quyền riêng tư dữ liệu và tuân thủ
Nhiều công ty thận trọng khi tải dữ liệu sở hữu lên các mô hình hoặc môi trường đào tạo dựa trên đám mây. Với đào tạo phi tập trung, trở nên khả thi để giữ dữ liệu tại chỗ trong khu vực pháp lý, trong tường lửa, hoặc thậm chí trên các thiết bị biên trong khi vẫn tham gia vào phát triển AI quy mô lớn. Điều này đặc biệt hấp dẫn ở những khu vực có luật về chủ quyền dữ liệu nghiêm ngặt như Liên minh Châu Âu hoặc các quốc gia đang xây dựng hệ sinh thái AI riêng. Mạng 0G không bao giờ thấy bất kỳ dữ liệu cá nhân nào.
4. Thúc đẩy đổi mới trong các thị trường chưa được phục vụ
Chi phí gia nhập cao đã khiến nhiều quốc gia và ngành công nghiệp bị bỏ lại bên lề trong sự phát triển AI tiên tiến.
DiLoCoX giảm ngưỡng đó.
Một trường đại học ở Kenya, một nhà cung cấp viễn thông ở Đông Nam Á, hoặc một ngân hàng khu vực ở Mỹ Latinh có thể không có quyền truy cập vào cùng một khả năng tính toán như Silicon Valley, nhưng họ có thể sớm có các công cụ để đào tạo và triển khai các hệ thống thông minh của họ trên cơ sở hạ tầng hiện có.
5. Rủi ro Địa chính trị và Quy định
Mặc dù thành tựu kỹ thuật rất ấn tượng, nhưng sự tham gia của China Mobile đặt ra nhiều câu hỏi.
Khi căng thẳng giữa Hoa Kỳ và Trung Quốc tiếp tục leo thang liên quan đến lãnh đạo công nghệ và an ninh quốc gia, các doanh nghiệp phải cân nhắc sự giám sát quy định tiềm năng, các vấn đề về quản trị dữ liệu và rủi ro về danh tiếng liên quan đến các mối quan hệ đối tác với các thực thể có liên quan đến nhà nước Trung Quốc.
Đối với các công ty có trụ sở tại Hoa Kỳ hoặc hoạt động trên các thị trường đồng minh, bất kỳ sự tích hợp nào của cơ sở hạ tầng hoặc nghiên cứu liên quan đến Trung Quốc có thể phải đối mặt với các biện pháp kiểm soát xuất khẩu, các hạn chế pháp lý hoặc sự phản đối từ công chúng. Các tổ chức khám phá các giải pháp AI phi tập trung sẽ cần xem xét không chỉ hiệu suất và chi phí, mà còn cả sự phù hợp về chính trị, các khung tuân thủ, và tính khả thi lâu dài.
Tuy nhiên, việc có DiLoCoX trên một hạ tầng phi tập trung nơi mà mạng lưới không cần tin cậy, đây không phải là một mối lo ngại vì China Mobile không bao giờ thấy dữ liệu của bạn, và hệ thống không dựa vào họ để có kết quả.
Tái cấu trúc mô hình kinh doanh của AI
Nếu DiLoCoX được áp dụng rộng rãi, nó có thể tạo ra những ảnh hưởng lan tỏa trong hệ sinh thái AI rộng lớn hơn.
Các mô hình doanh thu đám mây, hiện đang được thúc đẩy bởi khối lượng công việc AI, có thể phải đối mặt với áp lực giá mới. Các nền tảng AI-dưới-dạng-dịch-vụ có thể cần phải thiết kế lại để hỗ trợ các triển khai lai hoặc phi tập trung. Các khung mã nguồn mở có thể gia tăng ảnh hưởng khi sự phân cấp nhấn mạnh tính tương tác và kiểm soát địa phương. Các nhà cung cấp phần mềm doanh nghiệp có thể cần phải suy nghĩ lại các chiến lược AI của họ để phản ánh một bối cảnh tính toán phân tán hơn.
Sự thay đổi này cũng phù hợp với xu hướng rộng lớn hơn về AI cho mọi người. Từ các công cụ xây dựng đại lý mã thấp đến việc suy diễn dựa trên biên, xu hướng đang hướng tới các ngăn xếp AI dễ tiếp cận, mô-đun và tùy biến hơn. Đào tạo phi tập trung là sự mở rộng tự nhiên của triết lý đó.
Một tín hiệu AI cho CIO và CTO
Đối với các nhà lãnh đạo doanh nghiệp, công việc của 0G phục vụ như một tín hiệu không phải của sự gián đoạn ngay lập tức, mà là của cơ hội trong tương lai gần. AI đang phát triển từ những bước đầu quan trọng của nó.
Bây giờ là thời điểm để đánh giá lại chiến lược hạ tầng. Liệu tổ chức của bạn có nên tiếp tục đầu tư vào mô hình lưu trữ dựa trên đám mây, hay bắt đầu khám phá các lựa chọn phi tập trung?
Bạn có thể sử dụng trung tâm dữ liệu nội bộ của mình làm nút trong hệ thống đào tạo phân tán không? Học tập liên kết phi tập trung là một cách tuyệt vời để khai thác dữ liệu riêng tư từ các bên khác nhau trên mạng, như các bệnh viện đào tạo một mô hình chẩn đoán ung thư. Bạn có thể hợp tác với những người khác trong lĩnh vực của mình để cùng phát triển các mô hình sử dụng các giao thức phi tập trung không?
Ngay cả khi câu trả lời không phải là có hôm nay, sự xuất hiện của các khung như DiLoCoX nên đẩy kế hoạch hạ tầng AI lên cao hơn trong chương trình chiến lược. Các doanh nghiệp chuẩn bị cho sự chuyển đổi này bằng cách xây dựng năng lực nội bộ, đánh giá đối tác và hiểu biết về cấu trúc kỹ thuật sẽ có vị trí tốt nhất để hành động khi kinh tế nghiêng về phía họ.
Một Tương Lai Mà AI Được Xây Dựng Khác Nhau
Những gì 0G Labs và China Mobile đã chứng minh không chỉ là một bằng chứng khái niệm kỹ thuật. Đó là một cách tư duy mới về cách trí tuệ được xây dựng, đào tạo và phân phối. Bằng cách cho thấy rằng có thể đào tạo các mô hình 100 tỷ tham số mà không cần siêu máy tính tập trung, họ không chỉ đang mở rộng giới hạn quy mô. Họ đang mở rộng quyền truy cập.
Đối với doanh nghiệp, điều đó có nghĩa là AI có thể sớm không còn là vấn đề ai sở hữu trung tâm dữ liệu lớn nhất mà là ai có thể xây dựng những hệ thống thông minh nhất với độ linh hoạt cao nhất.
Đó là một tương lai AI đáng để chuẩn bị.
Xem bản gốc
Trang này có thể chứa nội dung của bên thứ ba, được cung cấp chỉ nhằm mục đích thông tin (không phải là tuyên bố/bảo đảm) và không được coi là sự chứng thực cho quan điểm của Gate hoặc là lời khuyên về tài chính hoặc chuyên môn. Xem Tuyên bố từ chối trách nhiệm để biết chi tiết.
Đào tạo AI nhanh hơn 10 lần, rẻ hơn 95% với chiến lược phi tập trung
0G Labs, giao thức AI phi tập trung đầu tiên (AIP), phối hợp với China Mobile, gần đây đã công bố một bước đột phá kỹ thuật có thể có những tác động sâu rộng đến cách các doanh nghiệp truy cập và triển khai các mô hình ngôn ngữ lớn. Đổi mới của họ là một phương pháp mới để huấn luyện các mô hình AI khổng lồ với hơn 100 tỷ tham số, mà không cần internet siêu tốc độ hoặc cơ sở hạ tầng tập trung đắt đỏ thường được yêu cầu.
Xem qua thì đây có thể nghe như một chiến thắng cho thế giới kỹ thuật.
Nhưng câu chuyện thực sự là kinh tế và chiến lược. Những gì 0G Labs đã đạt được có thể làm giảm chi phí xây dựng AI, đưa nhiều quyền kiểm soát trở lại tay các doanh nghiệp, và mở ra cơ hội cho những người chơi mới tham gia vào lĩnh vực này.
Điều này có nghĩa gì cho việc đào tạo AI
Để hiểu sự chuyển dịch, điều này giúp chúng ta quay lại cách mà các mô hình AI quy mô lớn hiện đang được đào tạo.
Các mô hình như GPT-4 của OpenAI hoặc Claude của Anthropic yêu cầu sức mạnh tính toán và băng thông mạng khổng lồ. Truyền thống, điều này có nghĩa là huấn luyện chúng trên các GPU mạnh mẽ được kết nối qua các trung tâm dữ liệu tập trung tốc độ cao do các công ty như Amazon Web Services, Google Cloud hoặc Microsoft Azure sở hữu hoặc thuê.
Những con số này phản ánh việc đào tạo dựa trên đám mây tập trung hoặc trung tâm dữ liệu quy mô lớn—đòi hỏi phải có các cụm GPU khổng lồ, mạng băng thông cao và hàng triệu đô la cho chi phí phần cứng và nhân sự. Sandy Carter Tính đến đầu năm 2025, ban lãnh đạo của OpenAI, bao gồm Sam Altman, đã công khai tuyên bố rằng việc đào tạo GPT‑4 tốn hơn 100 triệu đô la. Điều này được hỗ trợ bởi cả các tuyên bố chính thức và nhiều mô hình chi phí trong các báo cáo phân tích AI gần đây. Đây là một mô hình đòi hỏi vốn, tài năng và cơ sở hạ tầng mà ít tổ chức nào có thể đủ khả năng chi trả.
NHIỀU HƠN CHO BẠN## 0G Labs đang thách thức giả định đó cho việc đào tạo AI
Khung công tác mới được công bố của họ, có tên là DiLoCoX, giới thiệu một phương pháp đào tạo ít giao tiếp, giúp giảm đáng kể nhu cầu kết nối băng thông cao. Trong thực tế, họ đã thành công đào tạo một mô hình 107 tỷ tham số trên mạng 1 Gbps bằng cách sử dụng các cụm phi tập trung. Kỷ lục này là cải tiến 10 lần so với kỷ lục trước đó và là bước đột phá tốc độ 300 lần đã làm cho điều này trở nên khả thi lần đầu tiên. Đây là băng thông tương đương với một kết nối internet văn phòng điển hình.
Thay vì xây dựng mọi thứ trong một trung tâm tính toán khổng lồ, cách tiếp cận của họ liên kết các máy phân tán nhỏ hơn và tối ưu hóa cách thông tin được chia sẻ giữa chúng. Kết quả là một cách rất có thể mở rộng và tiết kiệm chi phí để đào tạo các mô hình lớn bên ngoài đám mây truyền thống.
Nhà vô địch AI phi tập trung từ 0G labs. Nhà sáng lập và Giám đốc điều hành, Michael Heinrich, bình luận về những tiến bộ trong Đào tạo AI.0G Labs Khi nói chuyện với nhà sáng lập và Giám đốc điều hành 0G labs, Michael Heinrich cho biết “DiLoCoX đánh dấu một bước quan trọng trong việc dân chủ hóa đào tạo LLM: thu hẹp khoảng cách giữa các mô hình nền tảng khổng lồ và các cụm phi tập trung được kết nối bởi các mạng chậm, không đáng tin cậy. Bằng cách kết hợp song song đường ống, chồng chéo giao tiếp chịu độ trễ và nén gradient thích ứng, khung này mang lại quy mô và tốc độ mà trước đây được cho là chỉ dành riêng cho các trung tâm dữ liệu băng thông cao. Điều này sẽ mở ra một kỷ nguyên mới, nơi việc đào tạo AI quy mô lớn không còn bị ràng buộc vào cơ sở hạ tầng tập trung.
Tại Sao Đào Tạo AI Quan Trọng Đối Với Doanh Nghiệp
Vào thời điểm mà mọi doanh nghiệp đang chịu áp lực để làm nhiều hơn với AI, hạ tầng đang nhanh chóng trở thành nút thắt cổ chai. Một số doanh nghiệp đang bắt đầu xem xét AI phi tập trung theo thiết kế. Việc xây dựng các mô hình lớn vẫn tốn kém, độc quyền và chủ yếu được giới hạn trong các công ty có nguồn lực sâu hoặc các mối quan hệ đối tác đám mây chiến lược. Đột phá của 0G mở ra một con đường thứ ba.
Đây không chỉ là một câu chuyện về tiết kiệm chi phí. Đây là một câu chuyện về sự lựa chọn và kiểm soát.
1. Giảm rào cản gia nhập
Cách tiếp cận của DiLoCoX giảm hạ tầng xuống tới 95% cần thiết để tham gia vào cuộc đua LLM.
Đối với các startup, điều này có nghĩa là khả năng thử nghiệm và mở rộng mà không phải tiêu tốn vốn đầu tư mạo hiểm cho chi phí GPU.
Đối với các doanh nghiệp vừa, nó cung cấp khả năng đào tạo các mô hình nội bộ mà không cần cam kết lớn với đám mây.
Đối với các chính phủ và phòng thí nghiệm nghiên cứu, điều đó có nghĩa là phát triển khả năng AI có thể tiếp cận dễ dàng hơn và độc lập hơn.
2. Độc lập chiến lược khỏi các nhà cung cấp lớn
Hầu hết việc đào tạo AI ngày nay phụ thuộc vào ba nhà cung cấp đám mây.
Sự tập trung đó mang lại rủi ro về việc tăng chi phí, bị phụ thuộc vào nhà cung cấp và vấn đề tuân thủ. Nếu doanh nghiệp của bạn phụ thuộc vào AI nhưng cũng hoạt động trong một lĩnh vực nhạy cảm như y tế, quốc phòng hoặc tài chính, khả năng tự đào tạo hoặc điều chỉnh các mô hình trở thành một đòn bẩy chiến lược mạnh mẽ.
AI phi tập trung cung cấp một con đường hướng tới sự tự chủ kỹ thuật số. Bằng cách phá vỡ giả định rằng AI tiên tiến phải được đào tạo trong các nền tảng đám mây tập trung, mô hình của 0G tạo ra không gian mới cho sự cạnh tranh và đổi mới.
3. Đáp ứng nhu cầu về quyền riêng tư dữ liệu và tuân thủ
Nhiều công ty thận trọng khi tải dữ liệu sở hữu lên các mô hình hoặc môi trường đào tạo dựa trên đám mây. Với đào tạo phi tập trung, trở nên khả thi để giữ dữ liệu tại chỗ trong khu vực pháp lý, trong tường lửa, hoặc thậm chí trên các thiết bị biên trong khi vẫn tham gia vào phát triển AI quy mô lớn. Điều này đặc biệt hấp dẫn ở những khu vực có luật về chủ quyền dữ liệu nghiêm ngặt như Liên minh Châu Âu hoặc các quốc gia đang xây dựng hệ sinh thái AI riêng. Mạng 0G không bao giờ thấy bất kỳ dữ liệu cá nhân nào.
4. Thúc đẩy đổi mới trong các thị trường chưa được phục vụ
Chi phí gia nhập cao đã khiến nhiều quốc gia và ngành công nghiệp bị bỏ lại bên lề trong sự phát triển AI tiên tiến.
DiLoCoX giảm ngưỡng đó.
Một trường đại học ở Kenya, một nhà cung cấp viễn thông ở Đông Nam Á, hoặc một ngân hàng khu vực ở Mỹ Latinh có thể không có quyền truy cập vào cùng một khả năng tính toán như Silicon Valley, nhưng họ có thể sớm có các công cụ để đào tạo và triển khai các hệ thống thông minh của họ trên cơ sở hạ tầng hiện có.
5. Rủi ro Địa chính trị và Quy định
Mặc dù thành tựu kỹ thuật rất ấn tượng, nhưng sự tham gia của China Mobile đặt ra nhiều câu hỏi.
Khi căng thẳng giữa Hoa Kỳ và Trung Quốc tiếp tục leo thang liên quan đến lãnh đạo công nghệ và an ninh quốc gia, các doanh nghiệp phải cân nhắc sự giám sát quy định tiềm năng, các vấn đề về quản trị dữ liệu và rủi ro về danh tiếng liên quan đến các mối quan hệ đối tác với các thực thể có liên quan đến nhà nước Trung Quốc.
Đối với các công ty có trụ sở tại Hoa Kỳ hoặc hoạt động trên các thị trường đồng minh, bất kỳ sự tích hợp nào của cơ sở hạ tầng hoặc nghiên cứu liên quan đến Trung Quốc có thể phải đối mặt với các biện pháp kiểm soát xuất khẩu, các hạn chế pháp lý hoặc sự phản đối từ công chúng. Các tổ chức khám phá các giải pháp AI phi tập trung sẽ cần xem xét không chỉ hiệu suất và chi phí, mà còn cả sự phù hợp về chính trị, các khung tuân thủ, và tính khả thi lâu dài.
Tuy nhiên, việc có DiLoCoX trên một hạ tầng phi tập trung nơi mà mạng lưới không cần tin cậy, đây không phải là một mối lo ngại vì China Mobile không bao giờ thấy dữ liệu của bạn, và hệ thống không dựa vào họ để có kết quả.
Tái cấu trúc mô hình kinh doanh của AI
Nếu DiLoCoX được áp dụng rộng rãi, nó có thể tạo ra những ảnh hưởng lan tỏa trong hệ sinh thái AI rộng lớn hơn.
Các mô hình doanh thu đám mây, hiện đang được thúc đẩy bởi khối lượng công việc AI, có thể phải đối mặt với áp lực giá mới. Các nền tảng AI-dưới-dạng-dịch-vụ có thể cần phải thiết kế lại để hỗ trợ các triển khai lai hoặc phi tập trung. Các khung mã nguồn mở có thể gia tăng ảnh hưởng khi sự phân cấp nhấn mạnh tính tương tác và kiểm soát địa phương. Các nhà cung cấp phần mềm doanh nghiệp có thể cần phải suy nghĩ lại các chiến lược AI của họ để phản ánh một bối cảnh tính toán phân tán hơn.
Sự thay đổi này cũng phù hợp với xu hướng rộng lớn hơn về AI cho mọi người. Từ các công cụ xây dựng đại lý mã thấp đến việc suy diễn dựa trên biên, xu hướng đang hướng tới các ngăn xếp AI dễ tiếp cận, mô-đun và tùy biến hơn. Đào tạo phi tập trung là sự mở rộng tự nhiên của triết lý đó.
Một tín hiệu AI cho CIO và CTO
Đối với các nhà lãnh đạo doanh nghiệp, công việc của 0G phục vụ như một tín hiệu không phải của sự gián đoạn ngay lập tức, mà là của cơ hội trong tương lai gần. AI đang phát triển từ những bước đầu quan trọng của nó.
Bây giờ là thời điểm để đánh giá lại chiến lược hạ tầng. Liệu tổ chức của bạn có nên tiếp tục đầu tư vào mô hình lưu trữ dựa trên đám mây, hay bắt đầu khám phá các lựa chọn phi tập trung?
Bạn có thể sử dụng trung tâm dữ liệu nội bộ của mình làm nút trong hệ thống đào tạo phân tán không? Học tập liên kết phi tập trung là một cách tuyệt vời để khai thác dữ liệu riêng tư từ các bên khác nhau trên mạng, như các bệnh viện đào tạo một mô hình chẩn đoán ung thư. Bạn có thể hợp tác với những người khác trong lĩnh vực của mình để cùng phát triển các mô hình sử dụng các giao thức phi tập trung không?
Ngay cả khi câu trả lời không phải là có hôm nay, sự xuất hiện của các khung như DiLoCoX nên đẩy kế hoạch hạ tầng AI lên cao hơn trong chương trình chiến lược. Các doanh nghiệp chuẩn bị cho sự chuyển đổi này bằng cách xây dựng năng lực nội bộ, đánh giá đối tác và hiểu biết về cấu trúc kỹ thuật sẽ có vị trí tốt nhất để hành động khi kinh tế nghiêng về phía họ.
Một Tương Lai Mà AI Được Xây Dựng Khác Nhau
Những gì 0G Labs và China Mobile đã chứng minh không chỉ là một bằng chứng khái niệm kỹ thuật. Đó là một cách tư duy mới về cách trí tuệ được xây dựng, đào tạo và phân phối. Bằng cách cho thấy rằng có thể đào tạo các mô hình 100 tỷ tham số mà không cần siêu máy tính tập trung, họ không chỉ đang mở rộng giới hạn quy mô. Họ đang mở rộng quyền truy cập.
Đối với doanh nghiệp, điều đó có nghĩa là AI có thể sớm không còn là vấn đề ai sở hữu trung tâm dữ liệu lớn nhất mà là ai có thể xây dựng những hệ thống thông minh nhất với độ linh hoạt cao nhất.
Đó là một tương lai AI đáng để chuẩn bị.