الذكاء الاصطناعي المتمركز: مفهوم الذكاء الاصطناعي المتمركز والهيكل وتحليل الصناعة

مقدمة يرجى إدخال النص المراد ترجمته في عصر الرقمنة، أصبحت الذكاء الاصطناعي (AI) قوة رئيسية تدفع الابتكار التكنولوجي والتقدم الاجتماعي. تطوير AI ليس فقط تقدمًا تقنيًا، بل هو أيضًا مدى لحكمة البشرية. لقد كان الذكاء الاصطناعي موضوعًا ساخنًا في صناعة رأس المال الاستثماري وأسواق الرأسمال خلال الفترة الزمنية الأخيرة. يرجى إدخال النص المراد ترجمته مع تطور تكنولوجيا سلسلة الكتل ، ظهر الذكاء الاصطناعي غير المركزي (Decentralized AI) ، وسيقوم هذا المقال بتوضيح تعريف الذكاء الاصطناعي غير المركزي والهيكل المعماري له وكيف يتفاعل مع صناعة الذكاء الاصطناعي. يرجى إدخال النص المراد ترجمته تعريف وهيكلية الذكاء الاصطناعي المركزية يرجى إدخال النص المراد ترجمته ! يرجى إدخال النص المراد ترجمته يستخدم الذكاء الاصطناعي اللامركزي الموارد الحسابية وتخزين البيانات غير المركزي لتدريب واستخدام نماذج الذكاء الاصطناعي بطريقة موزعة ، مما يعزز الخصوصية والأمان. تتكون البنية الرئيسية له من أربعة طبقات: يرجى إدخال النص المراد ترجمته • الطبقة النموذجية: دعم تطوير ومشاركة وتداول نماذج الذكاء الاصطناعي اللامركزي، وتعزيز التعاون والابتكار على نطاق عالمي. من مشاريع هذه الطبقة مثل Bittensor، حيث يستخدم تكنولوجيا سلسلة الكتل لإنشاء منصة عالمية لمشاركة والتعاون في نماذج الذكاء الاصطناعي. يرجى إدخال النص المراد ترجمته • طبقة التدريب: استخدام العقود الذكية وتكنولوجيا اللامركزية لتقليل تكلفة تدريب نماذج الذكاء الاصطناعي وتبسيط العملية وزيادة كفاءة التدريب. التحدي في هذا الجانب هو كيفية استخدام الموارد الموزعة للحوسبة بطريقة فعالة لتدريب النماذج بكفاءة عالية. يرجى إدخال النص المراد ترجمته • الطبقة البيانية: استخدام تقنية سلسلة الكتل لتخزين وإدارة البيانات، ضمان أمان البيانات وعدم قابلية التلاعب بها، مع منح المستخدمين السيطرة الكاملة على البيانات. تطبيقات هذه الطبقة تشمل الأسواق اللامركزية للبيانات، حيث تتيح تقنية سلسلة الكتل تنفيذ معاملات البيانات بشفافية وتأكيد الملكية. يرجى إدخال النص المراد ترجمته • طبقة الطاقة الحسابية: من خلال منصة طاقة الحساب GPU غير المركزية والدعم النطاق الترددي ، فإنها توفر موارد الحساب الموزعة ، وتدعم التدريب والاستدلال الفعال لنماذج الذكاء الاصطناعي. تقدم التحسينات التقنية على هذا المستوى ، مثل الحوسبة الموزعة وشبكة GPU الموزعة ، حلولًا جديدة لتدريب واستدلال نماذج الذكاء الاصطناعي. يرجى إدخال النص المراد ترجمته مشروع يمثل الذكاء الاصطناعي اللامركزي يرجى إدخال النص المراد ترجمته ! يرجى إدخال النص المراد ترجمته تصنيف صناعة الذكاء الاصطناعي المتمحور حول النموذج: الطبقة النمطية يرجى إدخال النص المراد ترجمته الطبقة النموذجية: زيادة متسارعة في عدد معلمات النموذج الكبير، وتحسين أداء النموذج بشكل ملحوظ، ولكن الفوائد المتزايدة التي يجلبها توسيع حجم النموذج بدأت تتناقص تدريجيًا. يتطلب هذا الاتجاه منا إعادة التفكير في اتجاه تطوير نماذج الذكاء الاصطناعي، وكيفية تقليل التكاليف واستهلاك الموارد بينما نحافظ على الأداء. يرجى إدخال النص المراد ترجمته ! يرجى إدخال النص المراد ترجمته تطور نموذج AI الكبير يتبع “قانون الحجم”، وهو يعني أن هناك علاقة معينة بين أداء النموذج وحجم المعلمات وحجم مجموعة البيانات وكمية الحساب. يرجى إدخال النص المراد ترجمته ! يرجى إدخال النص المراد ترجمته عندما يتم توسيع النموذج إلى حجم معين، يتحسن أداؤه بشكل ملحوظ في مهمة محددة. مع زيادة حجم معلمات النموذج الكبير، يقل ارتفاع أداء النموذج تدريجياً، وكيفية تحقيق توازن بين حجم المعلمات وأداء النموذج ستكون مفتاح التطور المستقبلي. يرجى إدخال النص المراد ترجمته ! يرجى إدخال النص المراد ترجمته رأينا تصاعد منافسة أسعار واجهات برمجة التطبيقات لنماذج AI الكبيرة، حيث قام العديد من الشركات بخفض الأسعار لزيادة حصتها في السوق. ومع ذلك، مع تجانس أداء النماذج الكبيرة، فإن استدامة عائدات واجهات برمجة التطبيقات قد تواجه شكوكًا. كيفية الحفاظ على جاذبية المستخدم العالية وزيادة الإيرادات ستكون تحديات كبيرة في المستقبل. يرجى إدخال النص المراد ترجمته ! يرجى إدخال النص المراد ترجمته ! يرجى إدخال النص المراد ترجمته تطبيق نموذج الجانب النهائي سيتم تحقيقه من خلال تقليل دقة البيانات واعتماد هيكل نموذج الخبراء المختلط (MoE). يمكن لتقنية النمذجة الكمية ضغط بيانات العائمة بدقة 32 بت إلى بيانات بدقة 8 بت، ** مما يقلل بشكل كبير من حجم النموذج واستهلاك الذاكرة. وبهذه الطريقة، يمكن للنموذج أن يعمل بكفاءة على الأجهزة النهائية، ويعزز انتشار تقنية الذكاء الاصطناعي بشكل أكبر. ** يرجى إدخال النص المراد ترجمته ! يرجى إدخال النص المراد ترجمته الخلاصة: تساعد تقنية البلوكشين في تحسين شفافية طبقة النموذج الذكي والتعاون ومشاركة المستخدم في نموذج الذكاء الاصطناعي. يرجى إدخال النص المراد ترجمته ! يرجى إدخال النص المراد ترجمته ** تمشيط صناعة الذكاء الاصطناعي المركزية: طبقة التدريب ** يرجى إدخال النص المراد ترجمته طبقة التدريب: يتطلب تدريب النماذج الكبيرة اتصالا عالي النطاق الترددي وزمن انتقال منخفض ، وهناك إمكانية لشبكات الحوسبة اللامركزية لتجربة النماذج الكبيرة. ويتمثل التحدي على هذا المستوى في كيفية تحسين تخصيص موارد الاتصالات والحوسبة من أجل تدريب نموذجي أكثر كفاءة. يرجى إدخال النص المراد ترجمته ! يرجى إدخال النص المراد ترجمته لديها القدرة المحتملة لشبكة الطاقة المركزية في تدريب النماذج الكبيرة. على الرغم من التحديات التي تواجهها في تكاليف الاتصال الزائدة ، إلا أنه يمكن تحسين كفاءة التدريب بشكل كبير من خلال تحسين خوارزميات الجدولة وضغط كمية بيانات النقل. ومع ذلك ، تعد تجاوز تأخير الشبكة وقيود نقل البيانات في البيئة الفعلية مشكلة رئيسية لتدريب الشبكة المركزية. يرجى إدخال النص المراد ترجمته ! يرجى إدخال النص المراد ترجمته من أجل حل عنق الزجاجة لتدريب النماذج الكبيرة في شبكة الحوسبة اللامركزية ، يمكننا استخدام تقنيات مثل ضغط البيانات وتحسين الجدولة والتحديث والمزامنة المحلية. يمكن أن تقلل هذه الأساليب من نفقات الاتصالات ، وتحسن كفاءة التدريب ، وتجعل شبكات الحوسبة اللامركزية خيارا قابلا للتطبيق لتدريب النماذج الكبيرة. يرجى إدخال النص المراد ترجمته ! يرجى إدخال النص المراد ترجمته التعلم الآلي بدون معرفة (zkML) يجمع بين إثبات الصفر المعرفة وتقنيات التعلم الآلي ، ويتيح التحقق والاستدلال عن النموذج دون الكشف عن بيانات التدريب وتفاصيل النموذج. تعتبر هذه التقنية ملائمة بشكل خاص للصناعات التي تتطلب سرية البيانات عالية مثل الرعاية الصحية والمالية ، وتضمن سرية البيانات مع التحقق من دقة وموثوقية نموذج الذكاء الاصطناعي. يرجى إدخال النص المراد ترجمته ! يرجى إدخال النص المراد ترجمته ** تمشيط صناعة الذكاء الاصطناعي اللامركزية: طبقة البيانات ** يرجى إدخال النص المراد ترجمته أصبحت خصوصية وأمن البيانات قضية رئيسية في تطوير الذكاء الاصطناعي. توفر تقنيات تخزين ومعالجة البيانات اللامركزية أفكارا جديدة لحل هذه المشكلات. يرجى إدخال النص المراد ترجمته يعد تخزين البيانات وفهرسة البيانات وتطبيقات البيانات كلها جوانب حاسمة لضمان الأداء السليم لأنظمة الذكاء الاصطناعي اللامركزية. تقدم منصات التخزين اللامركزية مثل Filecoin و Arweave حلولا جديدة لأمن البيانات وحماية الخصوصية ، فضلا عن انخفاض تكاليف التخزين. ** يرجى إدخال النص المراد ترجمته ! يرجى إدخال النص المراد ترجمته ! يرجى إدخال النص المراد ترجمته حالة تخزين مركزية: يرجى إدخال النص المراد ترجمته ! يرجى إدخال النص المراد ترجمته ! يرجى إدخال النص المراد ترجمته

• نما نطاق تخزين البيانات في Arweave بسرعة منذ عام 2020 ، مدفوعا بشكل أساسي بالطلب من سوق NFT وتطبيقات Web3. من خلال Arweave ، يمكن للمستخدمين تحقيق تخزين دائم لامركزي للبيانات ، وحل مشكلة تخزين البيانات على المدى الطويل.
• پروجيكت AO يعزز نظام البيئة في أرويف بشكل أكبر، ويوفر قدرات حسابية أقوى ومجالات تطبيق أوسع للمستخدمين. يرجى إدخال النص المراد ترجمته ! يرجى إدخال النص المراد ترجمته في هذه الصفحة، نقارن بين مشروعي Arweave و Filecoin لتخزين البيانات المركزي. يستخدم Arweave الدفع لمرة واحدة لتحقيق التخزين الدائم، بينما يستخدم Filecoin نمط الدفع الشهري ويركز على تقديم خدمات تخزين مرنة. كلا المشروعين لهما مزايا في البنية التقنية ونطاق العمل والموقع في السوق، ويمكن للمستخدمين اختيار الحل المناسب حسب الاحتياجات الفردية. يرجى إدخال النص المراد ترجمته ** تمشيط صناعة الذكاء الاصطناعي اللامركزية: طبقة طاقة الحوسبة ** يرجى إدخال النص المراد ترجمته الطبقة الحسابية: مع زيادة تعقيد نماذج الذكاء الاصطناعي، تزداد احتياجات الموارد الحسابية أيضًا. ظهور شبكة القوة الحسابية غير المركزية يوفر طريقة جديدة لتوزيع الموارد لتدريب واستنتاج نماذج الذكاء الاصطناعي. يرجى إدخال النص المراد ترجمته ! يرجى إدخال النص المراد ترجمته ! يرجى إدخال النص المراد ترجمته تعد شبكات الحوسبة اللامركزية (وشبكات الحوسبة المتخصصة للتدريب والاستدلال) حاليا أكثر المجالات نشاطا وأسرعها نموا في مسار DeAI. وهذا يتسق مع مزودي البنية التحتية في العالم الحقيقي الذين يستفيدون من ثمار سلسلة القيمة الذكاء الاصطناعي. مع استمرار النقص في موارد الحوسبة مثل وحدات معالجة الرسومات ، دخلت الشركات المصنعة للأجهزة ذات موارد الحوسبة هذا المجال. يرجى إدخال النص المراد ترجمته ! يرجى إدخال النص المراد ترجمته حالة Aethir: يرجى إدخال النص المراد ترجمته ! يرجى إدخال النص المراد ترجمته نموذج الأعمال: سوق ذات وجهين لتأجير الطاقة الحاسوبية يرجى إدخال النص المراد ترجمته يستخدم سوق الحوسبة اللامركزية بشكل أساسي تقنية Web3 لتوسيع مفهوم الحوسبة الشبكية إلى بيئة محفزة اقتصاديا وغير موثوقة. ** من خلال تحفيز مزودي الموارد مثل وحدات المعالجة المركزية ووحدات معالجة الرسومات للمساهمة بقوة الحوسبة الخاملة في الشبكة اللامركزية ، سيتم تشكيل سوق خدمات طاقة الحوسبة اللامركزية على نطاق معين ؛ كما أنه يربط بين طالبي موارد الحوسبة (مثل موفري النماذج) لتزويدهم بموارد خدمة الحوسبة بتكلفة أقل وبطريقة أكثر مرونة. يمثل سوق طاقة الحوسبة اللامركزية أيضا تحديا لمقدمي الخدمات السحابية الذين لديهم احتكارات مركزية.
• يمكن تقسيم سوق الطاقة الحسابية غير المركزية إلى نوعين حسب نوع الخدمة المقدمة: العامة والخاصة. تعمل الشبكة الحسابية العامة مثل سحابة موزعة لتوفير موارد الحساب لمجموعة متنوعة من التطبيقات. تستهدف الشبكة الحسابية الخاصة بالغرض الخاص شبكات الحساب المخصصة لأغراض محددة وتتم تصميمها خصيصًا لهذه الحالات الاستخدام. على سبيل المثال ، تعتبر Render Network شبكة حسابية خاصة مع التركيز على أعباء العمل الرسومية ؛ Gensyn هو شبكة حسابية خاصة مع التركيز على تدريب نماذج ML ؛ في حين أن io.net هو مثال على شبكة حسابية عامة.
• يتمثل التحدي الكبير الذي يواجه DeAI في نماذج التدريب على البنية التحتية اللامركزية في الكمون العالي الناجم عن قوة الحوسبة الهائلة وقيود النطاق الترددي واستخدام الأجهزة غير المتجانسة من بائعين مختلفين حول العالم. نتيجة لذلك ، يمكن أن توفر شبكة الحوسبة الذكاء الاصطناعي المخصصة إمكانات الذكاء الاصطناعي أكثر تحديدا من شبكة الحوسبة للأغراض العامة. في الوقت الحاضر ، لا يزال التدريب المركزي لنماذج ML هو المشروع الأكثر كفاءة واستقرارا ، ولكنه يطرح متطلبات عالية جدا لقوة رأس المال لطرف المشروع. يرجى إدخال النص المراد ترجمته خاتمه يرجى إدخال النص المراد ترجمته ** الذكاء الاصطناعي اللامركزية هو اتجاه تكنولوجي ناشئ يظهر تدريجيا مزاياه من حيث خصوصية البيانات والأمان والفعالية من حيث التكلفة. في المقالة التالية ، سنستكشف مخاطر وتحديات الذكاء الاصطناعي اللامركزية ، وكذلك الطريق إلى الأمام. **