أدى التقدم السريع في الذكاء الاصطناعي إلى خلق تركيز غير مسبوق للقوة الحسابية والبيانات والقدرات الخوارزمية داخل حفنة من شركات التكنولوجيا الكبيرة. مع تزايد الذكاء الاصطناعي الأنظمة التي أصبحت جزءا لا يتجزأ من مجتمعنا ، انتقلت الأسئلة حول إمكانية الوصول والشفافية والتحكم إلى طليعة المناقشات الفنية والسياسية. على هذه الخلفية ، يقدم تقاطع Blockchain و الذكاء الاصطناعي مسارا بديلا مثيرا للاهتمام - مسار يمكن أن يعيد تشكيل كيفية تطوير أنظمة الذكاء الاصطناعي ونشرها وتوسيع نطاقها وإدارتها.

بدلاً من الترويج لتعطيل كامل لبنية الذكاء الاصطناعي الحالية، نستكشف حالات الاستخدام المحددة التي قد تقدم النهج اللامركزية مزايا فريدة مع الاعتراف بالسيناريوهات حيث تظل الأنظمة المركزية التقليدية أكثر عملية.

توجيه تحليلنا عدة أسئلة رئيسية:

• كيف تكمل الخصائص الأساسية للأنظمة اللامركزية أو تتعارض مع متطلبات أنظمة الذكاء الاصطناعي الحديثة؟
• أين يمكن لتقنيات البلوكشين أن تقدم تحسينات ذات مغزى على طول سلسلة تطوير الذكاء الاصطناعي - من جمع البيانات إلى تدريب النموذج إلى الاستدلال؟
• ما هي التضحيات التقنية والتجارية الاقتصادية التي تظهر عند تفكيك جوانب مختلفة من أنظمة الذكاء الاصطناعي؟

القيود الحالية في مجال الذكاء الاصطناعي:

قام Epoch AI بعمل رائع في تجميع تفصيل مفصل للقيود الحالية في تراكم الذكاء الاصطناعي. هذاالبحثتسلط تقنية Epoch AI الضوء على القيود المتوقعة على توسيع حسابات تدريب الذكاء الاصطناعي بحلول عام 2030. يقوم الرسم البياني بتقييم العوائق المختلفة التي يمكن أن تحد من توسيع حسابات تدريب الذكاء الاصطناعي ، باستخدام العمليات العائمة بالنقاط في الثانية (FLoPs) كمقياس رئيسي.

من المحتمل أن يكون توسع حوسبة تدريب الذكاء الاصطناعي محدودًا بسبب توافر الطاقة وقدرات تصنيع الشرائح وندرة البيانات ومشكلات التأخير. يفرض كل من هذه العوامل سقفًا مختلفًا على الحوسبة القابلة للتحقيق ، حيث يمثل جدار التأخير الحد النظري الأعلى.

تؤكد هذه الرسمة على الحاجة إلى التطورات في الأجهزة، وكفاءة الطاقة، وفتح البيانات المحبوسة على الأجهزة الحافة، والشبكات لدعم نمو الذكاء الاصطناعي المستقبلي.

• قيود الطاقة (الأداء):
  • إمكانية توسيع بنية القدرة الكهربائية بحلول عام 2030: تشير التوقعات إلى أن المجمعات الخاصة بمراكز البيانات بسعات تتراوح بين 1 و 5 جيجاوات قد تكون ممكنة بحلول عام 2030. ومع ذلك، يعتمد هذا النمو بشكل كبير على الاستثمارات الكبيرة في بنية القدرة الكهربائية والتغلب على العقبات اللوجستية والتنظيمية المحتملة.
  • محدودة بتوافر الطاقة والبنية التحتية للطاقة، مما يسمح بالنمو حتى 10،000 مرة من مستويات الحوسبة الحالية.
• سعة إنتاج الشرائح (القابلية للتحقق):
  • إن إنتاج الرقائق القادرة على دعم هذه العمليات المتقدمة (على سبيل المثال، NVIDIA H100، Google TPU v5) محدود حالياً بسبب قيود التعبئة (على سبيل المثال، TSMC CoWoS). وهذا يؤثر مباشرة على توافر وقابلية توسيع العمليات الحسابية قابلة للتحقق.
  • محدودة بسبب سلاسل التصنيع والتوريد، مما يتيح زيادة بقوة الحساب بمقدار 50,000 مرة.
  • تعتبر الشرائح المتقدمة ضرورية لتمكين المحيطات الآمنة أو بيئات التنفيذ الموثوقة (TEEs) على الأجهزة الحافة، والتي تتحقق من الحسابات وتحمي البيانات الحساسة.
• ندرة البيانات (الخصوصية):

* ندرة البيانات وتدريب الذكاء الاصطناعي: يسلط الاختلاف بين الويب المفهرس والويب الكامل الضوء على تحديات الوصولية لتدريب الذكاء الاصطناعي. يحد من فائدة البيانات المحتملة إما كونها خاصة أو غير مفهرسة.* الحاجة إلى الذكاء الاصطناعي متعدد الوسائط: كميات كبيرة من البيانات المرئية والفيديو تشير إلى أهمية زيادة نظام الذكاء الاصطناعي متعدد الوسائط القادر على معالجة البيانات بعيدًا عن النص.* تحديات بيانات المستقبل: هذا هو المجال التالي للذكاء الاصطناعي، والعثور على كيفية الاستفادة من البيانات الخاصة عالية الجودة مع إعطاء أصحاب البيانات السيطرة والقيمة العادلة.

• جدار التأخير (الأداء):
  • قيود التأخير الكامنة في تدريب النموذج: مع زيادة حجم نماذج الذكاء الاصطناعي، يزيد الوقت المطلوب لتمرير أمامي وخلفي واحد نتيجة للطبيعة التسلسلية للحسابات. وهذا يدخل تأخيراً أساسياً لا يمكن تجاوزه، مما يحد من سرعة تدريب النماذج.
  • التحديات في توسيع أحجام الدفعات: للتخفيف من زمن الوصول ، يتمثل أحد الأساليب في زيادة حجم الدفعة ، مما يسمح بمعالجة المزيد من البيانات بالتوازي. ومع ذلك ، هناك حدود عملية لتغيير حجم الدفعات ، مثل قيود الذاكرة وتناقص العوائد في تقارب النموذج. هذه القيود تجعل من الصعب تعويض زمن الوصول الذي تقدمه النماذج الأكبر.

المؤسسة:

مثلث الذكاء الاصطناعي المفتوح

قيود الذكاء الاصطناعي مثل ندرة البيانات وقيود الحساب والتأخير وقدرة الإنتاج تتلاقى في مثلث الذكاء الاصطناعي المتمركز، الذي يتوازن بين الخصوصية والمحكمة والأداء. هذه الخصائص أساسية لضمان فعالية وثقة وقابلية توسيع الذكاء الاصطناعي المتمركز.

تستكشف هذه الجدول المقارنات الرئيسية بين جميع الخصائص الثلاث، وتوفر نظرة متعمقة في وصفها، وتقنيات تمكينها، والتحديات المرتبطة بها:

الخصوصية: تركز على حماية البيانات الحساسة أثناء عمليات التدريب والاستدلال. تشمل التقنيات الرئيسية TEEs وMPC والتعلم الموزع وFHE والخصوصية التفاضلية. تنشأ تنازلات مع فوقية الأداء، وتحديات الشفافية التي تؤثر على القابلية للتحقق، وقيود التوسع.

التحقق: يضمن صحة وسلامة الحسابات باستخدام ZKPs والاعتمادات التشفيرية والحسابات التحققية. ومع ذلك، فإن توازن الخصوصية والأداء مع التحقق يفرض متطلبات موارد وتأخيرات حسابية.

الأداء: يشير إلى تنفيذ عمليات الذكاء الاصطناعي بكفاءة وبمقياس واسع، باستغلال البنية التحتية للحوسبة الموزعة وتسريع الأجهزة والشبكات الفعالة. تتضمن التنازلات عمليات حسابية أبطأ بسبب تقنيات تعزيز الخصوصية والتكاليف الإضافية من العمليات التي يمكن التحقق منها.

تريليما بلوكشين:

مثلث بلوكشين يلتقط التناقضات الأساسية التي يجب أن تواجهها كل بلوكشين:

• اللامركزية: الحفاظ على توزيع الشبكة عبر العديد من العقد المستقلة، مما يمنع أي كيان فردي من السيطرة على النظام
• الأمن: ضمان سلامة الشبكة من الهجمات والحفاظ على سلامة البيانات، مما يتطلب عادة المزيد من التحقق والاجماع
• قابلية التوسع: التعامل مع حجم عالٍ من المعاملات بسرعة وبتكلفة منخفضة - ولكن هذا عادة ما يعني التضحية إما باللامركزية (عدد أقل من العقد) أو الأمان (تحقق أقل تدقيقا)

على سبيل المثال، يعطي إيثيريوم الأولوية للتفcentralization والأمان، وبالتالي يوفر سرعات أبطأ. لمزيد من الفهم حول التناقضات في هندسة البلوكشين، يرجى الرجوع إلى هذا.

مصفوفة تحليل توافق الذكاء الاصطناعي والبلوكشين (3x3)

تقاطع الذكاء الاصطناعي والبلوكتشين هو رقصة معقدة من التناقضات والفرص. تختار هذه المصفوفة المناطق التي تخلق فيها هاتان التقنيتان احتكاكًا، تجد فيها التناغم، وتكمن فيها بعض الأحيان في تضخيم نقاط ضعف بعضهما البعض.

كيف يعمل مصفوفة التآزر

يعكس قوة التآزر مستوى التوافق والتأثير بين خصائص سلسلة الكتل والذكاء الاصطناعي في فئات محددة. ويتم تحديدها من خلال مدى قدرة التكنولوجيتين على مواجهة التحديات المتبادلة وتعزيز وظائف بعضهما البعض.

كيف يعمل مصفوفة التآزر

مثال 1: الأداء + اللامركزية (تأثير ضعيف) — في الشبكات اللامركزية، مثل بيتكوين أو إيثيريوم، يكون الأداء مقيدًا بشكل طبيعي بعوامل مثل تغير الموارد، وارتفاع تأخر الاتصال، وتكاليف المعاملات، وآليات الاتفاق. بالنسبة لتطبيقات الذكاء الاصطناعي التي تتطلب معالجة منخفضة التأخير وعالية الإنتاجية - مثل استنتاج الذكاء الاصطناعي في الوقت الحقيقي أو تدريب النماذج على نطاق واسع - تواجه هذه الشبكات صعوبات في توفير السرعة والموثوقية الحسابية اللازمة للأداء الأمثل.

المثال 2: الخصوصية + اللامركزية (تآزر قوي) - تستفيد تقنيات الذكاء الاصطناعي الحفاظ على الخصوصية، مثل التعلم الموزع، من البنية التحتية للبلوكشين اللامركزية لحماية بيانات المستخدم وفي نفس الوقت تمكين التعاون.سورا تشين الذكاء الاصطناعييُوضِّح ذلك عن طريق تمكين التعلم الاتحادي حيث يتم الحفاظ على ملكية البيانات، مما يمكِّن أصحاب البيانات من المساهمة ببياناتهم ذات الجودة العالية للتدريب مع الحفاظ على الخصوصية.

تهدف هذه المصفوفة لتمكين الصناعة من التنقل في تلاقي بين blockchain و AI بوضوح، مما يساعد المبتكرين والمستثمرين على تحديد ما يعمل، واستكشاف ما هو مبشر، وتجنب ما هو مجرد تكهن.

مصفوفة تكامل الذكاء الاصطناعي والبلوكتشين

على طول محور واحد، لدينا الخصائص الأساسية لأنظمة الذكاء الاصطناعي المفcentralized: القابلية للتحقق، الخصوصية، والأداء. من ناحية أخرى، نواجه مأزق بلوكتشين الأبدي: الأمان، التوسعة، واللامركزية. عندما تتصادم هذه القوى، تخلق مجموعة من التآزرات - من التوافقات القوية إلى التعارضات الصعبة.

على سبيل المثال، عندما يلتقي التحقق بالأمان (تآزر عالي)، نحصل على أنظمة قوية لإثبات الحوسبة الذكية. ولكن عندما تتعارض مطالب الأداء مع التمركز (تآزر منخفض)، نواجه الواقع الصعب للتكاليف الإضافية للأنظمة الموزعة. بعض التركيبات، مثل الخصوصية وقابلية التوسع، تقع في المنتصف - واعدة ولكنها معقدة.

• لماذا تهم هذه المسألة؟
  • بوصلة استراتيجية: لا يقدم كل مشروع للذكاء الاصطناعي أو سلسلة الكتل قيمة ملموسة. توجه المصفوفة صانعي القرار والباحثين والمطورين نحو فئات عالية التكامل التي تعالج التحديات العالمية الحقيقية، مثل ضمان خصوصية البيانات في التعلم المتحد أو استخدام المحاسبة اللامركزية لتدريب الذكاء الاصطناعي القابل للتوسع.
  • تركيز الابتكار الذي يؤثر وتوزيع الموارد: من خلال فهم أين تكمن أقوى التآزرات (على سبيل المثال، الأمان + القابلية للتحقق، الخصوصية + اللامركزية)، يسمح هذا الأداة لأصحاب المصلحة بتركيز جهودهم واستثماراتهم في المجالات التي تعد وعودًا بتأثير قابل للقياس، مما يتجنب الطاقة المستهلكة في التكاملات الضعيفة أو غير العملية.
  • توجيه تطور النظام البيئي: مع تطور كل من الذكاء الاصطناعي والبلوكشين، يمكن للمصفوفة أن تكون مرشدًا ديناميكيًا لتقييم المشاريع الناشئة، مع ضمان توافقها مع حالات الاستخدام ذات الصلة بدلاً من المساهمة في الروايات المبالغ فيها.

تلخص هذه الجدول هذه التركيبات حسب قوة تآزرها - من القوي إلى الضعيف - وتشرح كيف تعمل هذه التقاطعات في أنظمة الذكاء الاصطناعي اللامركزية. يتم تقديم أمثلة على المشاريع المبتكرة لتوضيح التطبيقات العملية في كل فئة. يعمل الجدول كدليل عملي لفهم مكان تقاطع تكنولوجيات سلسلة الكتل والذكاء الاصطناعي بشكل معنوي ، مما يساعد في تحديد المجالات المؤثرة مع تجنب التوقعات المبالغ فيها أو التركيبات الأقل قابلية للتنفيذ.

مصفوفة تآزر الذكاء الاصطناعي والبلوكشين: تصنيف النقاط المشتركة الرئيسية لتقنيات الذكاء الاصطناعي والبلوكشين حسب قوة التآزر

استنتاج

تقاطع تكنولوجيا سلسلة الكتل والذكاء الاصطناعي يمثل إمكانات تحويلية، ولكن المسار الأمامي يتطلب وضوحًا وتركيزًا. المشاريع التي تبتكر حقاً - مثل تلك في التعلم الاتحادي (الخصوصية + اللامركزية) والحوسبة/التدريب الموزع (الأداء + التوسع) وzkML (التحقق + الأمان) - يشكلون مستقبل الذكاء اللامركزي عن طريق معالجة التحديات الحاسمة مثل خصوصية البيانات وقابلية التوسع والثقة.

مع ذلك، من المهم بالمثل النهج المجال بعين الاعتبار. العديد من وكلاء الذكاء الاصطناعي المزعومين هم مجرد أغلفة حول النماذج الحالية، مقدمة فائدة دنيا وتكامل محدود مع تقنية سلسلة الكتل. الانفجارات الحقيقية ستأتي من المشاريع التي تستغل قوى كل من المجالين لحل مشاكل العالم الحقيقي، بدلا من ركوب موجة الضجة.

بينما نتقدم قدمًا، يصبح مصفاة تآزر الذكاء الاصطناعي-البلوكتشين عدسة قوية لتقييم المشاريع، مميزة بين الابتكارات المؤثرة والضوضاء.

نظراً للأمام، ستكون العقد القادمة ملكًا للمشاريع التي تجمع بين متانة التكنولوجيا البلوكشين مع الإمكانية التحويلية للذكاء الاصطناعي لحل التحديات الحقيقية مثل تدريب النماذج الفعال من حيث الطاقة، والتعاون الحفاظ على الخصوصية، وحكم الذكاء الاصطناعي الموسع. يجب على الصناعة أن تحتضن هذه النقاط البؤرية لفتح مستقبل الذكاء اللامركزي.

تنصل:

1. تمت إعادة طبع هذه المقالة من [BotsnBlocks], جميع حقوق التأليف والنشر محفوظة للمؤلف الأصلي [سوايام]. إذا كان هناك اعتراضات على هذا النشر المعاد طباعته، يرجى الاتصال بـمنصة Gate.ioفريق العمل، وسيتولون بالأمر على الفور.
2. إخلاء المسؤولية عن المسؤولية: تعبر الآراء والآراء المعبر عنها في هذه المقالة عن وجهة نظر المؤلف فقط ولا تشكل أي نصيحة استثمارية.
3. تتم ترجمة المقالات إلى لغات أخرى من قبل فريق gate Learn. ما لم يذكر غير ذلك، يُمنع نسخ أو توزيع أو نسخ المقالات المترجمة.