أبحاث الذكاء الاصطناعي اللامركزي: نظرة عامة على المفهوم والهندسة المعمارية والصناعة للذكاء الاصطناعي اللامركزي

مقدمة

في العصر الرقمي، أصبح الذكاء الاصطناعي (AI) قوة دافعة قوة رئيسية في الابتكار التكنولوجي والتقدم الاجتماعي. إن تطوير الذكاء الاصطناعي ليس مجرد تقدم تكنولوجي، ولكنه أيضًا امتداد للحكمة البشرية. لقد كان الذكاء الاصطناعي هو الموضوع الأكثر سخونة في صناعة رأس المال الاستثماري وأسواق رأس المال في الفترة الماضية.

مع تطور تقنية blockchain، ظهر الذكاء الاصطناعي اللامركزي (الذكاء الاصطناعي اللامركزي) وستشرح لك هذه المقالة تعريف وتعريف هندسة الذكاء الاصطناعي اللامركزية وكيف فهو يتآزر مع صناعة الذكاء الاصطناعي.

تعريف وهندسة الذكاء الاصطناعي اللامركزي

يستخدم الذكاء الاصطناعي اللامركزي موارد الحوسبة اللامركزية وتخزين البيانات لتدريب نماذج الذكاء الاصطناعي واستخدامها بطريقة موزعة، مما يعزز الخصوصية والأمان. تشتمل بنيتها الرئيسية المكونة من أربع طبقات على ما يلي:

• طبقة النموذج:تدعم تطوير نماذج الذكاء الاصطناعي اللامركزية ومشاركتها وتداولها وتعزيزها. التعاون والابتكار حول العالم. المشاريع التمثيلية على هذا المستوى هي Bittensor، التي تستخدم تقنية blockchain لإنشاء منصة عالمية لمشاركة نماذج الذكاء الاصطناعي والتعاون.

• طبقة التدريب: استخدم العقود الذكية والتكنولوجيا اللامركزية لتقليل تكلفة التدريب على نماذج الذكاء الاصطناعي وتبسيط العملية. تحسين كفاءة التدريب. يتمثل التحدي في هذا المستوى في كيفية الاستخدام الفعال لموارد الحوسبة الموزعة للتدريب الفعال على النماذج.

• طبقة البيانات: استخدم تقنية blockchain لتخزين البيانات وإدارتها، لضمان أمان البيانات وعدم قابلية التلاعب بها، مع توفير يتحكم المستخدمون بشكل كامل في بياناتهم. تشمل التطبيقات على هذا المستوى أسواق البيانات اللامركزية، والتي تتيح المعاملات الشفافة وتأكيد ملكية البيانات من خلال تقنية blockchain.

• طبقة الحوسبة: توفير موارد الحوسبة الموزعة من خلال منصة حوسبة GPU اللامركزية ودعم عرض النطاق الترددي، ودعم التدريب والاستدلال الفعالين نماذج الذكاء الاصطناعي. التقدم التكنولوجي على هذا المستوى، مثل الحوسبة المتطورة وشبكات GPU الموزعة، يوفر حلولاً جديدة للتدريب والاستدلال على نماذج الذكاء الاصطناعي.

مشروع ممثل الذكاء الاصطناعي اللامركزي

مراجعة صناعة الذكاء الاصطناعي اللامركزية: طبقة النموذج< /p>< نمط ف = "محاذاة النص: left;">طبقة النموذج: يزداد عدد معلمات النموذج الكبيرة بشكل كبير، ويتحسن أداء النموذج بشكل ملحوظ، ولكن تتناقص الفوائد الناتجة عن المزيد من التوسع في مقياس النموذج تدريجيًا. يتطلب هذا الاتجاه منا إعادة التفكير في اتجاه تطوير نماذج الذكاء الاصطناعي وكيفية تقليل التكاليف واستهلاك الموارد مع الحفاظ على الأداء.

يتبع تطوير نماذج الذكاء الاصطناعي الكبيرة "قانون المقياس"، أي أن هناك علاقة معينة بين أداء النموذج ومقياس المعلمة وحجم مجموعة البيانات ومقدار الحساب.

عندما يتوسع النموذج إلى حجم معين، يتحسن أدائه في مهمة معينة بشكل ملحوظ فجأة. مع زيادة عدد معلمات النموذج الكبيرة، يتناقص التحسن في أداء النموذج تدريجيًا. وستكون كيفية تحقيق التوازن بين حجم المعلمات وأداء النموذج هي مفتاح التطوير المستقبلي.

لقد رأينا اشتداد المنافسة السعرية لواجهة برمجة التطبيقات (API) لنماذج الذكاء الاصطناعي الكبيرة، وقام العديد من الشركات المصنعة بتخفيض الأسعار لزيادة حصتها في السوق. ومع ذلك، مع تجانس أداء النماذج الكبيرة، فإن استدامة إيرادات واجهة برمجة التطبيقات تواجه أيضًا شكوكًا. ستشكل كيفية الحفاظ على مستوى عالٍ من اللزوجة لدى المستخدم وزيادة الإيرادات تحديًا كبيرًا في المستقبل.

سيتم تحقيق تطبيق نماذج الجانب النهائي من خلال تقليل دقة البيانات واعتماد بنية نموذج الخبراء المختلط (MoE). يمكن لتقنية تكميم النموذج ضغط بيانات الفاصلة العائمة 32 بت إلى 8 بتات، مما يقلل بشكل كبير من حجم النموذج واستهلاك الذاكرة. وبهذه الطريقة، يمكن تشغيل النماذج بكفاءة على الأجهزة الطرفية، مما يعزز تعميم تكنولوجيا الذكاء الاصطناعي بشكل أكبر.

الملخص: تساعد Blockchain طبقة النموذج على تحسين الشفافية والتعاون ومشاركة المستخدم لنماذج الذكاء الاصطناعي.

المراجعة المركزية لصناعة الذكاء الاصطناعي: طبقة التدريب

طبقة التدريب: يتطلب تدريب النماذج الكبيرة نطاقًا تردديًا عاليًا واتصالات ذات زمن وصول منخفض، ومن الممكن إجراء محاولات نماذج كبيرة على شبكة طاقة حاسوبية لا مركزية. التحدي على هذا المستوى هو كيفية تحسين تخصيص موارد الاتصالات والحوسبة لتحقيق تدريب نموذجي أكثر كفاءة.

تتمتع شبكات طاقة الحوسبة اللامركزية بإمكانيات معينة في تدريب النماذج الكبيرة. على الرغم من التحدي المتمثل في عبء الاتصالات الزائد، يمكن تحسين كفاءة التدريب بشكل كبير من خلال تحسين خوارزمية الجدولة وضغط كمية البيانات المرسلة. ومع ذلك، لا تزال كيفية التغلب على زمن استجابة الشبكة واختناقات نقل البيانات في البيئات الفعلية هي المشكلة الرئيسية التي تواجه التدريب اللامركزي.

من أجل حل عنق الزجاجة في تدريب النماذج الكبيرة في شبكات الحوسبة اللامركزية، يمكننا استخدام تقنيات مثل ضغط البيانات، وتحسين الجدولة، والتحديث والمزامنة المحلية. يمكن لهذه الأساليبتقليل أعباء الاتصالات وتحسين كفاءة التدريب، مما يجعل شبكات الحوسبة اللامركزية خيارًا ممكنًافي تدريب النماذج الكبيرة.

يجمع التعلم الآلي للمعرفة الصفرية (zkML) بين براهين المعرفة الصفرية وتقنيات التعلم الآلي للسماح بالتحقق من صحة النموذج والاستدلال دون الكشف عن بيانات التدريب وتفاصيل النموذج. تعتبر هذه التقنية مناسبة بشكل خاص للصناعات التي تتطلب متطلبات سرية عالية للبيانات، مثل القطاع الطبي والمالية، ويمكنها ضمان خصوصية البيانات مع التحقق من دقة وموثوقية نماذج الذكاء الاصطناعي.

مراجعة صناعة الذكاء الاصطناعي اللامركزية: طبقة البيانات

خصوصية البيانات وأمنها تصبح مشكلة رئيسية في تطوير الذكاء الاصطناعي. توفر تقنية تخزين البيانات ومعالجتها اللامركزية أفكارًا جديدة لحل هذه المشكلات.

يعد تخزين البيانات وفهرسة البيانات وتطبيق البيانات كلها روابط رئيسية لضمان التشغيل الطبيعي لنظام الذكاء الاصطناعي اللامركزي. توفر منصات التخزين اللامركزية مثل Filecoin وArweave حلولاً جديدة في مجال أمن البيانات وحماية الخصوصية، وتقليل تكاليف التخزين

حالة التخزين اللامركزية:

• منذ عام 2020، نما حجم تخزين البيانات في Arweave بسرعة، مدفوعًا بشكل أساسي بسوق NFT والطلب على تطبيقات Web3. من خلال Arweave، يمكن للمستخدمين تحقيق تخزين دائم لامركزي للبيانات، مما يحل مشكلة تخزين البيانات على المدى الطويل.

• يعمل مشروع AO على تعزيز نظام Arweave البيئي، مما يوفر للمستخدمين قوة حوسبة أكثر قوة ومجموعة واسعة من سيناريوهات التطبيق.

في هذه الصفحة، نقوم بمقارنة مشروعين للتخزين اللامركزي، Arweave وFilecoin. تتيح Arweave التخزين الدائم من خلال الدفع لمرة واحدة، بينما تتبنى Filecoin نموذج الدفع الشهري وتركز على توفير خدمات تخزين مرنة. يتمتع كلاهما بمزايا خاصة به في البنية التقنية وحجم الأعمال ووضع السوق، ويمكن للمستخدمين اختيار الحل المناسب بناءً على الاحتياجات المحددة.

مراجعة صناعة الذكاء الاصطناعي اللامركزية: طبقة قوة الحوسبة

< strong>طبقة الطاقة الحاسوبية: مع زيادة تعقيد نماذج الذكاء الاصطناعي، يتزايد أيضًا الطلب على موارد الحوسبة. يوفر ظهور شبكات قوة الحوسبة اللامركزية طرقًا جديدة لتخصيص الموارد للتدريب والاستدلال على نماذج الذكاء الاصطناعي.

تعد شبكات الحوسبة اللامركزية (بالإضافة إلى شبكات الحوسبة المتخصصة للتدريب والاستدلال) حاليًا أكثر المجالات نشاطًا وأسرعها نموًا على مسار DeAI. يتوافق هذا مع قيام موفري البنية التحتية في العالم الحقيقي باعتراض الثمار الغنية لسلسلة صناعة الذكاء الاصطناعي. مع استمرار النقص في موارد الحوسبة مثل وحدات معالجة الرسومات، دخلت الشركات المصنعة التي لديها معدات أجهزة موارد الحوسبة هذا المجال.

أثيرالحالة:

نموذج العمل: سوق ذو جانبين لتأجير طاقة الحوسبة

• سوق الحوسبة اللامركزية، باستخدام Web3 بشكل أساسي تعمل التكنولوجيا على توسيع فكرة الحوسبة الشبكية إلى بيئة محفزة ماليًا وغير موثوقة. من خلال تحفيز موفري الموارد مثل وحدة المعالجة المركزية ووحدة معالجة الرسومات للمساهمة بقدرة الحوسبة الخاملة في الشبكة اللامركزية، سيتم تشكيل سوق خدمات طاقة حوسبة لامركزية على نطاق معين، وسيقوم بربط طالبي موارد الطاقة الحاسوبية (مثل؛ موفري النماذج)، وتزويدهم بموارد خدمات الحوسبة بتكلفة أقل وبطريقة أكثر مرونة. يمثل سوق طاقة الحوسبة اللامركزية أيضًا تحديًا لمقدمي الخدمات السحابية الاحتكارية المركزية.

• يمكن تقسيم سوق طاقة الحوسبة اللامركزية بشكل أكبر وفقًا لنوع خدماتها: للأغراض العامة والأغراض الخاصة. تعمل شبكة الحوسبة العامة مثل السحابة اللامركزية، حيث توفر موارد الحوسبة لمجموعة متنوعة من التطبيقات. شبكات الحوسبة المخصصة هي في المقام الأول شبكات حوسبة مبنية لهذا الغرض، ومصممة خصيصًا لحالات استخدام محددة. على سبيل المثال، Render Network عبارة عن شبكة حوسبة متخصصة تركز على تقديم أعباء العمل؛ وGensyn هي شبكة حوسبة متخصصة تركز على التدريب على نماذج ML، وio.net مثال على شبكة حوسبة ذات أغراض عامة.

• بالنسبة لـ DeAI، فإن التحدي المهم الذي يواجه نماذج التدريب على البنية التحتية اللامركزية هو قوة الحوسبة واسعة النطاق وعرض النطاق الترددي والقيود وزمن الوصول العالي الناجم عن باستخدام أجهزة غير متجانسة من بائعين مختلفين حول العالم. ولذلك،يمكن لشبكة حوسبة الذكاء الاصطناعي المخصصة أن توفر وظائف أكثر ملاءمة للذكاء الاصطناعي من شبكة الحوسبة ذات الأغراض العامة. في الوقت الحاضر، لا يزال التدريب المركزي لنماذج تعلم الآلة هو المشروع الأكثر كفاءة واستقرارًا، ولكن هذا يفرض متطلبات عالية جدًا على قوة رأس المال لطرف المشروع.

الاستنتاج

تظهر اللامركزيةالذكاء الاصطناعي باعتبارها اتجاهًا تكنولوجيًا ناشئًا تدريجيًا مزاياها في خصوصية البيانات والأمن ومزايا فعالية التكلفة. في المقالة التالية، سنناقش المخاطر والتحديات التي يواجهها الذكاء الاصطناعي اللامركزي، بالإضافة إلى اتجاه التطوير المستقبلي.