Kunstig intelligens (AI) blir raskt en sentral del av vårt daglige liv.

Personlige assistenter som Google Assistant og Siri er avhengige av AI for å behandle taleinndata. Anbefalingsmotorer som foreslår sanger, restauranter eller nyheter er også drevet av AI. Så er det overskriftsgripende prosjekter som AlphaGo, som brukte et kunstig nevralt nettverk for å beseire menneskelige spillere i et av de mest komplekse strategispillene som noensinne er laget..

Det er liten tvil om at vi går inn i en fremtid drevet av AI. Noen organisasjoner bruker det til og med skanne etter sykdommer og søk etter eksoplaneter. Men kostnadene ved å kjøre disse applikasjonene er vanskelig å ignorere. Mange startups bruker så mye som 20-30% av finansieringen på maskinvarens driftskostnader alene.

DeepBrain Chain håper å løse problemet med økende prosesseringskostnader innen kombinere blockchain-teknologi med kunstig intelligens. Tidlige estimater antyder at bedrifter kan spare så mye som 70% ved å kjøpe data og prosessorkraft gjennom DeepBrain i stedet for å bygge sin egen infrastruktur.

Nylig kunngjorde DeepBrain Chain-teamet sine første vellykkede kjøringer av AI-modeller på testnettet, og signaliserte prosjektets første trinn for offentlig tilgjengelighet.

Problemer med kostnader

Mer enn 5000 AI-oppstart har blitt lansert de siste 5 årene. Venture Scanner rapporter finansieringen til disse prosjektene har en samlet årlig vekstrate på 83% og nådde over $ 14 milliarder dollar i 2017. Q1 2018 hadde rekord 2,5 milliarder dollar i næringsfinansiering, en økning på 11% i forhold til første kvartal 2017.

AlphaGo er en av de mest kjente applikasjonene for dyp læring og kunstig intelligens. Dens utvikler, DeepMind, ble kjøpt av Google i 2014. Til tross for satsingen med godt omtalte suksesser, fortsetter DeepMind å legge ut økonomiske tap hvert år, med en gjeld på over $ 162 millioner bare i 2016.

Driftskostnader og advokatkostnader spiller en stor rolle i DeepMinds økonomiske tilstand, men å kjøre AlphaGo er heller ikke akkurat billig. Versjonen av AlphaGo som spilte den sørkoreanske profesjonelle Go-spilleren Lee Sedol kjørte på 1.920 standardprosessorer og 280 modifiserte GPUer, og bidro til en driftskostnad på $ 3000 for et enkelt spill.

Å få en hvilken som helst AI-modell til å utføre med betydelig nøyaktighet krever tusenvis av timer med trening. Det er lett å se hvordan AI-bedrifter kan samle inn høye maskinvareregninger i et forsøk på å lansere et enkelt kunstig intelligensprodukt.

Andre selskaper som arbeider med maskinlæring og kunstig intelligens, har lignende problemer som DeepMind. De fleste av dem kan ikke stole på bunnløse lommer til et morselskap på størrelse med Google for å holde dem finansiert. Å kutte kostnader er avgjørende for fortsatt drift, og de 30% som går mot maskinvare er et flott sted å starte.

AI-finansiering fra 2011-2018 – Bilde via venturescanner.com

Gå inn i DeepBrain Chain

Blockchain-teknologi er den perfekte løsningen for å dempe de økende kostnadene ved å kjøre AI-applikasjoner. Det er en raskt voksende, skalerbar og lønnsom sektor som har begynt å bryte inn i mainstream, takket være populariteten til kryptovalutaer.

DeepBrain Chain vil fungere som en desentralisert markedsplass for data og prosessorkraft. Den kjører for tiden på NEO blockchain men vil dele seg til sin egen sidekjede når mainnet slippes. Bedrifter kan da kjøpe mengden prosessorkraft som kreves for å kjøre applikasjonene sine uten å måtte investere i en egen infrastruktur.

DeepBrain vil tilfredsstille behovene til disse organisasjonene ved å tilby et fleksibelt, høytytende nettverk med lav latens som bevarer personvernet gjennom desentralisering og kryptering. Tidlige estimater anslår en kostnadsbesparelse på minst 70% for de fleste kunder.

Testnet suksesser

3. juni 2018 kjørte DeepBrain Chains utviklingsteam vellykket tre typer virkelige AI-treningsmodeller på det private testnettet. Resultatene av denne testen ble ikke kunngjort, men formålet var ikke å teste AI, bare testnets evne til å kjøre programmene i et arbeidsmiljø.

Den første vellykkede testen var databasen Modified National Institute of Standards and Technology (MNIST), en slags “Hello World” for maskinlæring. DeepBrain-teamet kjørte vellykket MNIST på testnettet med et begrenset delmengde på 250 bilder.

Den fulle MNIST-testen inneholder 60 000 bilder av håndskrevne sifre som er samplet fra videregående studenter og ansatte i US Census Bureau. AI må bruke bildegjenkjenning på hver skanning for å tolke markeringene og korrekt identifisere så mange tall som mulig.

Den andre AI-testen var en naturlig språkbehandlingsmodell som ble kjørt ved bruk av Convolutional Neural Networks (CNN). CNN analysere bilder som grupper av piksler om gangen, slik at den kan oppdage former og kanter ved å sammenligne forskjeller i matrisedata. Når de har til oppgave å behandle språk, er CNNs i stand til å “se” ord i et dokument og tyde enkle betydninger fra sammenhengen.

Til slutt kjørte DeepBrain-teamet en kinesisk tekstkategoriseringsmodell med en forhåndsutdannet versjon av doc2vector. Dette programmet er en utvidelse av word2vec som konstruerer ordinnblanding fra skannede dokumenter. Modellen brukes ofte til å rekonstruere språklig kontekst fra dokumentinnganger, slik at nevrale nettverk kan forstå skriftspråk.

Veikart og milepæler

I januar 2018 kunngjorde DeepBrain et partnerskap med en Disney-lisensinnehaver om en serie av  Mickey Mouse leker som lytter og svarer på taleinnspill. Utdanningsroboten sendte mer enn 3 millioner enheter i 2017. DeepBrain vil hjelpe til med å oppgradere læringsevnen til neste produktkjøring.

Det mest bemerkelsesverdige kommende arrangementet er lanseringen av DeepBrain Chains testnett planlagt til slutten av juni. Med suksessen med de første testene, føler teamet at produktet er klart til å godta offentlige søknader. Mainnet-utgivelsen følger måneder senere med en planlagt lansering i oktober 2018.

De Skynet Prosjekt ble åpnet i midten av juni 2018 for å styrke nettverket som forberedelse til å bli offentlig. Brukere som oppfyller maskinvarekravene kan søke om å bli med i Skynet og tjene prioritetsrettigheter for mainnet mining, ekstra konsensusknutepunkter og gratis bruk av DeepBrain-ressurser mens Skynet Project er i drift.

DeepBrain Chain har smidd en samarbeid med SingularityNET, en åpen, desentralisert AI-stack-løsning som tar sikte på å demokratisere tilgangen til kunstig intelligens. Alliansen vil tillate deling av data og behandlingstjenester mellom begge plattformene gjennom et rammeverk teamene for tiden bygger.

DeepBrain Chain’s veikart bærer plattformen gjennom lanseringen i oktober 2018 og inkluderer testing og forbedring gjennom hele 2019.

Fremtiden til DeepBrain Chain

DeepBrain Chain er verdens første blockchain-baserte AI-databehandlingsplattform, og den kom akkurat i tide til å kapitalisere på en blomstrende industri.

Tekniske giganter Google og Baidu har brukt mellom 20-30 milliarder dollar på AI-utvikling. Bransjen selv kan være verdt over en billioner dollar innen 2035. For å sette det i perspektiv, oppnådde OPECs netto oljeeksportinntekter sin moderne topp på 917 ​​milliarder dollar i 2012 og har falt med nesten halvparten siden da.

DeepBrain Chain fokuserer for tiden mye av sin innsats på bedrifter i Kina, et land klar å bli verdensledende innen kunstig intelligens. DeepBrain-sjef He Yong tilskriver dette til hvor enkelt det er å samle inn og bruke data i Kina sammenlignet med andre land.

Det er noen bekymringer angående DeepBrains evne og vilje til å utvide seg til andre territorier, særlig Europa og USA. Som partnerskapet med SingularityNET antyder, har ikke DeepBrain Chain til hensikt å forbli et Kina-fokusert prosjekt for alltid.

Så langt ser fremtiden lys ut for DeepBrain Chain. Det landet et sted i funksjonene våre på spennende NEO-prosjekter og lovende AI-blockchain-prosjekter tidligere i år. Hvis testnet- og mainnet-lanseringene går greit, kan DeepBrain Chain være det første prosjektet som bedriftene henvender seg til når de skaffer seg AI-partnerskap..

I slekt: Blockchain og kunstig intelligens: fordelene med desentralisert AI