AI & Crypto: هذه الثلاثة المجالات تستحق المتابعة

MLOps ، الأجهزة الموزعة وحلول التتبع القائمة على البلوكشين للذكاء الاصطناعي تمهد الطريق لمستقبل أكثر اللامركزية والشمولية.

كتب بواسطة io.net

ترجمة: ألكس ليو، أخبار التنبؤ

أصبحت الذكاء الاصطناعي بسرعة واحدة من أكثر القوى تمركزًا في العالم. تطوير ونشر الذكاء الاصطناعي يتطلب موارد هائلة — بما في ذلك رؤوس أموال كبيرة وقدرات حوسبة متقدمة وكفاءات متخصصة للغاية. بطبيعة الحال، تكون الهيئات ذات التمويل الأكثر سخاءً قادرة على استثمار البنية التحتية المتطورة وجذب الكفاءات العليا، بينما تجد الشركات الصغيرة من الصعب مواكبة هذا التطور.

في الأوضاع التقليدية، يتحكم MLOps (Machine Learning Operations، عمليات تدريب التعلم الآلي) فيها منظمات كبيرة تدير كل شيء من جمع البيانات إلى تدريب النماذج ونشرها داخلياً. هذا النظام البيئي المغلق يحتكر المواهب والموارد، مما يخلق عقبات كبيرة أمام الشركات الناشئة والشركات الصغيرة.

تحدي سلسلة الكتل بأحد الطرق الأكثر إثارة للحماس هو دعم اللامركزية ونماذج الذكاء الاصطناعي غير المرخصة. من خلال الاستفادة من المجتمع الموزع لحماية والتحقق وضبط والتحقق من كل مرحلة من مراحل عملية نشر LLM (نموذج لغة ضخم) ، يمكننا منع الأشخاص القليلين من السيطرة على مجال الذكاء الاصطناعي.

io.net تتابع بشكل وثيق نقاط التقاطع بين الذكاء الاصطناعي والبلوكشين، وحددت ثلاث مجالات رئيسية يمكنها إعادة تشكيل الوضع.

توزيع MLOps

في MLOps التقليدية ، تتمتع الشركات التكنولوجية الكبرى بالميزة. لديهم استحواذ على الموارد والمواهب ويديرون كل شيء داخليًا. من ناحية أخرى ، تستخدم MLOps اللامركزية شبكات موزعة باستخدام تقنية البلوكشين وعملات الحوافز للسماح بمشاركة أوسع في دورة حياة تطوير الذكاء الاصطناعي بأكملها.**

من تعليم البيانات إلى ضبط النموذج، يمكن للشبكة اللامركزية أن توسع بشكل أكثر كفاءة وعدل. يمكن تعديل قاعدة المواهب وفقًا للطلب والتعقيد، مما يجعل هذا النهج فعالًا بشكل خاص في مجالات الخبرة حيث يتم تركيز المواهب عادة في الشركات الغنية بالأموال.

على سبيل المثال، بنى CrunchDao نموذجًا مركزيًا مشابهًا لـ Kaggle، حيث يمكن للمواهب في مجال الذكاء الاصطناعي منافسة بعضها البعض لحل مشاكل الشركات التجارية. مع تزايد انتشار مجموعات البيانات الخاصة، ستعتمد الشركات بشكل متزايد على هذه الشبكات من المواهب لتوفير “الناس في الحلقة” للإشراف والتعديل والتحسين. يستخدم مشروع آخر يدعى Codigo نفس الطريقة، حيث يقوم ببناء شبكة مركزية تتكون من مطوري التشفير، حيث يقوم المطورون بتدريب وتحسين نماذج لغوية معينة من خلال كسب العملات الرقمية.

الأجهزة الموزعة

أحد أكبر عقبات تطوير الذكاء الاصطناعي اليوم هو الحصول على وحدات معالجة الرسوميات المتقدمة مثل A100 و H100 من Nvidia. إنها ضرورية لتدريب نماذج الذكاء الاصطناعي الكبيرة ، لكن تكلفتها مرتفعة بالنسبة لمعظم الشركات الناشئة. في الوقت نفسه ، تتفاوض الشركات مثل AWS مباشرة مع Nvidia ، مما يزيد من قيود وصول الشركات الصغيرة.

هذا هو السبب في الحاجة إلى نموذج اللامركزية القائم على البلوكشين مثل io.net. عن طريق جعل الأشخاص قادرين على تحويل وحدات GPU الغير مستخدمة (سواء كانت في مراكز البيانات أو مرافق تعدين العملات الرقمية، أو حتى في أجهزة الألعاب)، يمكن للشركات الصغيرة الحصول على القدرة الحسابية المطلوبة بتكلفة منخفضة للغاية. إنه بديل غير مرخص وفعال اقتصادياً لمزودي الخدمات السحابية التقليدية، دون مخاطر المراجعة أو التكاليف المرتفعة.

الجمعية التوزيعية

كما قال بالاجي سرينيفاسان، “الذكاء الاصطناعي هو منتج رقمي غني، الأصول الرقمية نادرة؛ الذكاء الاصطناعي يولد، الأصول الرقمية تتحقق.” مع اعتماد النماذج الذكاء الاصطناعي بشكل متزايد على البيانات الجديدة والخاصة وحتى تلك المحمية بحقوق الطبع والنشر، ومع تزايد تهديد العمق المزيف، يصبح من الأهمية ضمان مصدر البيانات والتراخيص المناسبة.

عندما يتعلق الأمر بتدريب نماذج الذكاء الاصطناعي على البيانات المحمية بدون الحصول على موافقة مناسبة ، فإن انتهاك حقوق الطبع والنشر يعد مشكلة خطيرة. هنا يبرز حلاً مثيرًا للإعجاب لحل مشكلة تتبع المصدر. باستخدام سجل البلوكشين شفاف وغير مركزي ، يمكننا تتبع والتحقق من البيانات على مدار دورة حياة البيانات بأكملها (من الجمع إلى النشر) دون الاعتماد على مؤسسات مركزية. يضيف ذلك طبقة من الثقة والمسؤولية واحترام حقوق البيانات ، وهو أمر بالغ الأهمية لتطور مستقبل الذكاء الاصطناعي.

الاستنتاج

توفر دمج الذكاء الاصطناعي وتقنية البلوكشين طرقًا جديدة مثيرة للتحدي لمواجهة التهديدات المركزية في تطوير الذكاء الاصطناعي. تلعب اللامركزية MLOps والأجهزة الموزعة وحلول التتبع المستندة إلى البلوكشين دورًا في إنشاء نظام بيئي للذكاء الاصطناعي أكثر عدلاً وقابلية للتوسعة. هذه النماذج تسمح بشبكات المواهب الديناميكية واستخدام الموارد الحسابية الخاملة وضمان موثوقية البيانات، مما يمهد الطريق لمستقبل الذكاء الاصطناعي الأكثر اللامركزية والشمولية.