去中心化人工智能计算网络与 MLOps 工具在 FedML 的 1150 万美元筹款活动中结合在一起

在南加州大学-亚马逊可信机器学习中心（USC-Amazon Center on Trustworthy Machine Learning）首任主任萨尔曼-阿维斯蒂梅尔（Salman Avestimehr）的带领下，一家创新型初创企业承诺为企业提供一条在云端或边缘轻松训练、完善、监控和增强人工智能模型的途径。FedML 是这家前景广阔的创业公司的名称，它已成功获得 1150 万美元的种子基金，公司估值达 5650 万美元。本轮融资由 Camford Capital 负责，Road Capital 和 Finality Capital 参投。

Avestimehr在接受TechCrunch的电子邮件采访时表示，大量企业热衷于在行业级或公司特定数据上训练或调整定制的人工智能模型，以满足大量业务需求。不过，他也强调说："据称，由于云基础设施成本、数据和工程费用高昂，定制人工智能模型的设计和维护费用一直很高。此外，训练定制人工智能模型所需的专有数据往往是隐秘的、受监管的或敏感的"。

然而，FedML 提供了一种可行的解决方案。根据 Avestimehr 的说法，FedML 提出了一个协作式人工智能平台，通过共享模型、计算资源和数据，让开发人员和企业能够共同完成人工智能任务。

FedML 能够执行任何数量的定制人工智能模型或来自开源社区的模型。借助 FedML 的平台，客户可以组建一个合作者小组，并在个人电脑等设备上自动同步人工智能应用程序。合作者可以将用于人工智能模型训练的设备（如移动设备或服务器）纳入其中，并能实时监控训练进度。

最近，FedML 发布了 FedLLM，这是一个用于在专有数据上创建特定领域大型语言模型（LLM）的构建管道，类似于 OpenAI 的 GPT-4。Avestimehr表示，FedLLM与微软的DeepSpeed和Hugging Face等流行的LLM库兼容，旨在加快定制人工智能的开发速度，同时确保安全和隐私。

与伽利略（Galileo）和阿里云（Arize）等许多其他 MLOps 平台，甚至是 AWS、微软和谷歌云等现有平台一样，FedML 有助于简化将人工智能模型部署到生产中的流程，并随后对其进行维护和监控。然而，FedML 的目标远不止于人工智能和机器学习模型工具。

Avestimehr 认为，其首要目标是开发一个 CPU 和 GPU 资源社区，以便在模型部署就绪时为其提供托管和服务。虽然具体细节仍在讨论中，但FedML计划通过代币或其他补偿形式激励用户为平台贡献计算资源。

尽管为人工智能模型服务提供分布式、去中心化计算并不是什么新鲜事，Run.AI、Gensys 和 Petals 都曾进行过尝试，但 Avestimehr 确信，通过将这种计算模式与 MLOps 套件相结合，FedML 可以取得更大的成功。

Avestimehr表示，FedML允许企业和开发人员以极低的成本构建大规模、私有和专有的LLM，从而为定制人工智能模型提供便利。 此外，他还强调了FedML的独特卖点，即在任何地方培训、部署、监控和完善ML模型，同时对合并的数据、模型和计算进行协作，从而显著降低成本，缩短上市时间。

鉴于这些进步，如果 FedML 能在MLOps、人工智能行业掀起一场风暴，加入 AppMaster 无代码平台 等平台的行列，也不足为奇。