DeepBrain Chain kører de første AI-træningsmodeller på Testnet

Kunstig intelligens (AI) bliver hurtigt en central del af vores daglige liv.

Personlige assistenter som Google Assistant og Siri er afhængige af AI til at behandle taleinput. Anbefalingsmotorer, der foreslår sange, restauranter eller nyhedshistorier, drives også af AI. Så er der overskriftsgribende projekter som AlphaGo, der brugte et kunstigt neuralt netværk til at besejre menneskelige spillere i et af de mest komplekse strategispil, der nogensinde er oprettet.

Der er lidt tvivl om, at vi går ind i en fremtid drevet af AI. Nogle organisationer bruger det endda til scan for sygdomme og søg efter exoplaneter. Men omkostningerne ved at køre disse applikationer er vanskelige at ignorere. Mange startups bruger så meget som 20-30% af deres finansiering på hardwaredriftsomkostninger alene.

DeepBrain Chain håber at løse problemet med stigende forarbejdningsomkostninger ved kombinerer blockchain-teknologi med kunstig intelligens. Tidlige skøn antyder, at virksomheder kan spare så meget som 70% ved at købe data og processorkraft gennem DeepBrain i stedet for at opbygge deres egen infrastruktur.

For nylig annoncerede DeepBrain Chain-teamet deres første succesrige kørsler af AI-modeller på testnet, hvilket signaliserede projektets første skridt til offentlig tilgængelighed.

Problemer med omkostningerne

Mere end 5.000 AI-startups er lanceret i de sidste 5 år. Venturescanner rapporter finansiering til disse projekter har en samlet årlig vækstrate på 83% og nåede op på over 14 mia. $ i 2017. Kvartal 1 2018 havde en rekordhøj finansiering på 2,5 mia. $ i branchen, en stigning på 11% i forhold til 1. kvartal 2017.

AlphaGo er en af ​​de mest berømte anvendelser af dyb læring og kunstig intelligens. Dens udvikler, DeepMind, blev købt af Google i 2014. På trods af ventureets veludbragte succeser fortsætter DeepMind med at skrive økonomiske tab hvert år med en gæld på over $ 162 millioner i 2016 alene.

Driftsomkostninger og advokatafgifter spiller en stor rolle i DeepMinds økonomiske tilstand, men det er heller ikke ligefrem billigt at køre AlphaGo. Den version af AlphaGo, der spillede den sydkoreanske professionelle Go-spiller Lee Sedol, kørte på 1.920 standardprocessorer og 280 modificerede GPU’er, hvilket bidrog til en driftsomkostning på $ 3.000 for et enkelt spil.

At få enhver AI-model til at udføre med mærkbar nøjagtighed kræver tusindvis af timers træning. Det er let at se, hvordan AI-virksomheder kan samle høje hardwarefakturaer i et forsøg på at lancere et enkelt kunstigt intelligensprodukt.

Andre virksomheder, der arbejder med maskinlæring og kunstig intelligens, har lignende problemer som DeepMind. De fleste af dem kan ikke stole på de bundløse lommer i et moderselskab på størrelse med Google for at holde dem finansieret. At skære omkostninger er afgørende for fortsat drift, og de 30%, der går mod hardware, er et godt sted at starte.

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

Gå ind i DeepBrain Chain

Blockchain-teknologi er den perfekte løsning til at dæmpe de stigende omkostninger ved kørsel af AI-applikationer. Det er en hurtigt voksende, skalerbar og rentabel sektor, der er begyndt at bryde ind i mainstream takket være populariteten af ​​kryptovalutaer.

DeepBrain Chain fungerer som en decentral markedsplads for data og processorkraft. Den kører i øjeblikket på NEO blockchain men deler sig til sin egen sidekæde, når mainnet frigives. Virksomheder kan derefter købe de mængder processorkraft, der kræves for at køre deres applikationer uden at skulle investere i en egen dedikeret infrastruktur.

DeepBrain vil imødekomme disse organisationers behov ved at tilbyde et fleksibelt, højtydende netværk med lav latenstid, der bevarer privatlivets fred gennem decentralisering og kryptering. Tidlige skøn forudsætter en omkostningsbesparelse på mindst 70% for de fleste kunder.

Testnet-succeser

Den 3. juni 2018 kørte DeepBrain Chains udviklingsteam med succes tre typer real-world AI-træningsmodeller på det private testnet. Resultaterne af denne test blev ikke annonceret, men formålet var ikke at teste AI, kun testnetets evne til at køre programmerne i et arbejdsmiljø.

Den første vellykkede test var databasen Modified National Institute of Standards and Technology (MNIST), en slags “Hello World” til maskinlæring. DeepBrain-teamet kørte med succes MNIST på testnet med et begrænset undersæt på 250 billeder.

Den fulde MNIST-test indeholder 60.000 billeder af håndskrevne cifre, der er udtaget fra gymnasieelever og amerikanske Census Bureau-medarbejdere. AI skal bruge billedgenkendelse på hver scanning for at fortolke markeringerne og korrekt identificere så mange tal som muligt.

Den anden AI-test var en naturlig sprogbehandlingsmodel kørt ved hjælp af Convolutional Neural Networks (CNN). CNN’er analyser billeder som grupper af pixels ad gangen, så det kan registrere former og kanter ved at sammenligne forskelle i matrixdata. Når CNN’er har til opgave at behandle sprog, er de i stand til at “se” ord i et dokument og dechiffrere enkle betydninger fra sammenhængen.

Endelig kørte DeepBrain-teamet med succes en kinesisk tekstkategoriseringsmodel ved hjælp af en foruddannet version af doc2vector. Dette program er en udvidelse af word2vec der konstruerer ordindlejringer fra scannede tekstdokumenter. Modellen bruges ofte til at rekonstruere sproglig sammenhæng fra dokumentinput, hvilket i det væsentlige tillader neurale netværk at forstå skriftsprog.

Køreplan og milepæle

I januar 2018 annoncerede DeepBrain et partnerskab med en Disney-licenshaver om en serie af  Mickey Mouse legetøj der lytter og reagerer på taleinput. Uddannelsesrobotten afsendte mere end 3 millioner enheder i 2017. DeepBrain vil hjælpe med at opgradere sine læringsfunktioner til den næste produktkørsel.

Den mest bemærkelsesværdige kommende begivenhed er lanceringen af ​​DeepBrain Chains testnet planlagt til slutningen af ​​juni. Med succesen med de indledende tests føler teamet, at produktet er klar til at acceptere offentlige applikationer. Mainnet-udgivelsen følger måneder senere med en planlagt lancering i oktober 2018.

Det Skynet-projekt blev åbnet i midten af ​​juni 2018 for at styrke netværket som forberedelse til offentliggørelse. Brugere, der opfylder hardwarekravene, kan ansøge om at deltage i Skynet og optjene mainnet mining prioritetsrettigheder, ekstra konsensusknudepunkter og fri brug af DeepBrain-ressourcer, mens Skynet Project er operationelt.

DeepBrain Chain har smedet en partnerskab med SingularityNET, en åben, decentral AI-stack-løsning, der har til formål at demokratisere adgangen til kunstig intelligens. Alliancen tillader deling af data og behandlingstjenester mellem begge platforme gennem en ramme, som holdene i øjeblikket bygger.

DeepBrain Chains køreplan bærer platformen gennem mainnet-lanceringen i oktober 2018 og inkluderer test og raffinement i hele 2019.

Fremtiden for DeepBrain Chain

DeepBrain Chain er verdens første blockchain-baserede AI-computerplatform, og den ankom lige i tide til at udnytte en blomstrende industri.

Tekniske giganter Google og Baidu har brugt mellem 20-30 milliarder dollars på AI-udvikling. Industrien selv kunne være værd over en billioner dollars inden 2035. For at sætte det i perspektiv, nåede OPECs nettoeksport til olieeksport sit moderne højdepunkt på 917 ​​milliarder dollars i 2012 og er faldet med næsten halvdelen siden da.

DeepBrain Chain fokuserer i øjeblikket meget af sin indsats på virksomheder i Kina, et land klar at blive verdensleder inden for kunstig intelligens. DeepBrain CEO He Yong tilskriver dette, hvor let det er at indsamle og udnytte data i Kina sammenlignet med andre lande.

Der er nogle bekymringer over DeepBrains evne og vilje til at udvide til andre territorier, især Europa og USA. Som partnerskabet med SingularityNET antyder, har DeepBrain Chain ikke til hensigt at forblive et Kina-fokuseret projekt for evigt.

Indtil videre ser fremtiden lys ud for DeepBrain Chain. Det landede en plet i vores funktioner på spændende NEO-projekter og lovende AI blockchain-projekter tidligere i år. Hvis lanceringen af ​​testnet og mainnet går glat, kan DeepBrain Chain være det første projekt, som virksomheder henvender sig til, når de køber AI-partnerskaber.

Relaterede: Blockchain og kunstig intelligens: Fordelene ved decentral AI