الآن بعد أن تجاوزنا عقبة كبيرة - مما يدل على أن التدريب اللامركزي على الذكاء الاصطناعي ممكن - تقودنا هذه المعرفة إلى المرحلة التالية من التفكير في دور مكدس الذكاء الاصطناعي اللامركزي للاستدلال. بالنظر إلى أن الشبكات يمكن أن تنتج نماذج ، يصبح الاستدلال اللامركزي * كثيرا * أكثر إثارة للاهتمام. لماذا؟ حسنا ، كان الاستدلال اللامركزي سابقا يعني القدرة على أخذ شبكة d وتقديم مخرجات النموذج. كانت النماذج نماذج تقليدية مفتوحة المصدر أو مغلقة. وكان اسم اللعبة يخفض التكاليف بحيث يفضل العميل الاستدلال على الاستدلال العادي. لكن هذا يمثل مشكلة في d-inference ، لأن d- في الواقع يجعل الاستدلال أكثر تكلفة (مع بعض الحلول المضاربة ، وأكثرها إثارة هو الدعم). ومع ذلك ، إذا علمنا أن الشبكات يمكن أن تنتج نماذج * تمتلكها بشكل جماعي ، فإن الاستدلال يصبح النقطة التي يتم عندها توليد الإيرادات. يجب على العملاء * الانتقال إلى الشبكة للحصول على مخرجات النموذج ، وستعتمد العديد من مخططات الترميز على هذه المنشأة. على سبيل المثال، إذا كنت ترغب في ترميز نماذج deAI، فستحتاج إلى إعادة توجيه تدفق إيرادات الاستدلال إلى حاملي الرموز المميزة. يعد الاستدلال اللامركزي مجالا رائعا للتفكير فيه ، ولكنه يصبح مجالا * حرجا * عندما نجلس لبناء نماذج الرموز المميزة لمساحة deAI!