我刚刚推出了 🤖 - 一个活跃的去中心化人工智能项目地图。我希望这个生态系统能增长10倍！ 隐私本身并不能推动采用。我们需要匹配并超越中心化大人工智能的用户体验。 数据源连接器和记忆是护城河。人工智能应用的切换成本将在未来两年内飙升。 为什么？更好的数据源 → 使用量增加 → 更丰富的历史 → 更有价值的记忆，在切换提供商时完全丢失 → 更高的护城河。 这就是为什么我们必须迅速行动。 今天在@UCBerkeley的DeAI峰会上，我提出了“调酒师堆栈”来解决这个问题，同时保持用户和开发者相同的用户体验： 推理抽象：开发者只需调用一个通用的推理函数，用户的设备决定将其路由到哪个模型，无论是使用远程TEEs还是本地推理。目前，开发者必须为本地推理提供自己的模型或提供自己的隐私保护TEEs。这是疯狂的——这就是为什么他们默认使用中心化的推理API。我所提议的实际上是我们在通用计算中已经做的事情：你只需请求内核进行计算，完全抽象处理器、内存等。这使得开发者可以专注于使他们的人工智能应用独特的地方：界面和提示+上下文工程。 跨应用记忆：通过自动共享上下文来消除“记忆护城河”，实现与大人工智能相同的用户体验。抽象推理的本地路由器“扩展”上下文，新创公司构建本地人工智能应用从第一天起就受益于你所有的记忆，而不是受到惩罚。 数据钱包：对工具和数据共享的细粒度、本地控制。一次配置，而不是每个应用。记忆由用户拥有，并与人工智能应用共享，而不是由人工智能应用拥有。 无状态TEEs：提示和上下文在本地生成，并在推理时共享。TEEs不存储数据，解决了TEEs的用户体验关键问题和信任假设。 代理的分布式声誉：代理网络需要入口点来访问无权限的声誉，以决定信任哪些代理。没有这个，人们总是会默认选择大人工智能或知名品牌。对于代理来说，信任就是护城河。 我希望人工智能像调酒师一样！本地的。可替换的。健忘的。 他们在我需要他们的时候倾听，在我离开时消失，从不保留我的订单历史记录。太专业了，无法记住我在🍹第二杯饮料后说过的话！ 完整的设计和架构在这里： cc @BerkeleyRDI, 🦊@MetaMask