التشفير x الذكاء الاصطناعي فك تشفير فرصة الضجيج: ابحث عن التداخل في اثنين "المثلث المستحيل".

AI - ستصبح مصفوفة تعاون سلسلة الكتلة أداة مهمة في تقييم المشاريع ، ويمكنها بشكل فعال مساعدة صانعي القرار في تمييز الابتكار الفعال عن الضجيج الغير مهم.

**كتب بواسطة:**Swayam

** مترجم: ديب تايد تيكفلو **

تطور الذكاء الاصطناعي (AI) بسرعة قياسية أتاح لعدد قليل من الشركات التكنولوجية الكبيرة الاستفادة من قدرات الحساب الهائلة والموارد البيانات والتقنيات الخوارزمية غير المسبوقة. ومع ذلك، ومع تزايد اندماج أنظمة الذكاء الاصطناعي في مجتمعنا، أصبحت قضايا الوصول، والشفافية، وحقوق السيطرة موضوعًا أساسيًا للمناقشات التقنية والسياسية. في هذا السياق، تقدم تكنولوجيا البلوكتشين بالاشتراك مع الذكاء الاصطناعي مسارًا بديلًا يستحق استكشافه - وهو الطريقة الجديدة التي قد تعيد تعريف تطوير أنظمة الذكاء الاصطناعي ونشرها وتوسيعها وحكمها.

لسنا بصدد تقليب البنية التحتية الحالية للذكاء الاصطناعي بالكامل، بل نأمل من خلال التحليل والنقاش استكشاف الفوائد الفريدة التي قد تجلبها الطرق اللامركزية في بعض حالات الاستخدام الخاصة. في الوقت نفسه، نعترف أيضًا بأن الأنظمة التقليدية المركزية قد تظل خيارًا أكثر عملية في سياقات معينة.

يوجه الأسئلة الرئيسية التالية بحثنا:

• هل يمكن أن تتوافق ميزات النظام اللامركزي (مثل الشفافية ومقاومة الرقابة) مع متطلبات نظام الذكاء الاصطناعي الحديث (مثل الكفاءة والتوسعة)، أم أنها ستتعارض؟
• فى جميع جوانب تطوير الذكاء الاصطناعي - من جمع البيانات إلى تدريب النماذج ومن ثم التحقق - ما هي المجالات التي يمكن فيها توفير تحسينات فعلية باستخدام تكنولوجيا سلسلة الكتل؟
• في تصميم نظام AI غير المركزي، ما هي التوازنات التقنية والاقتصادية التي ستواجهها مختلف البيئات؟

القيود الحالية في مكدس التكنولوجيا الذكاء الاصطناعي

قدم فريق Epoch AI مساهمة هامة في تحليل القيود الحالية لتكنولوجيا الذكاء الاصطناعي. تفصيل بحثهم يشرح بالتفصيل القيود الرئيسية التي قد تواجه قدرة التدريب الحاسوبي للذكاء الاصطناعي على التوسع حتى عام 2030، ويستخدم عدد عمليات النقطة العائمة في الثانية (Floating Point Operations per Second, FLoPs) كمؤشر أساسي لقياس أداء الحوسبة.

أظهرت الدراسات أن توسيع التدريب الحسابي للذكاء الاصطناعي قد يتعرض لقيود متعددة بسبب عوامل مختلفة، بما في ذلك نقص إمدادات الطاقة وتقنية تصنيع الشرائح وندرة البيانات ومشكلة وقت الاستجابة. تحدد هذه العوامل حدودًا مختلفة لقدرة الحساب الممكنة لكل منها على حدة، حيث يُعتبر مشكلة وقت الاستجابة الحد النظري الأكثر صعوبة في التغلب عليه.

تسليط الضوء على ضرورة تقدم الأجهزة وكفاءة الطاقة والبيانات المحصلة من أجهزة الحواف المفتوحة وتقدم الشبكة لدعم ارتفاع الذكاء الاصطناعي في المستقبل.

قيد الطاقة (الأداء):

• توسيع البنية التحتية للطاقة الكهربائية (توقعات عام 2030): من المتوقع أن تصل قدرة مجمعات مراكز البيانات إلى 1-5 غيغاواط (GW) بحلول عام 2030. ومع ذلك، يتطلب ذلك الارتفاع الاعتماد على استثمارات كبيرة في البنية التحتية للطاقة الكهربائية، بالإضافة إلى التغلب على أي عقبات لوجستية وتنظيمية قد تكون موجودة.
• نظرًا لقيود إمدادات الطاقة والبنية التحتية للكهرباء ، من المتوقع أن يصل الحد الأقصى لقدرة الحوسبة العالمية إلى 10,000 مرة من المستوى الحالي.

قدرة إنتاج الرقاقات (القابلية للتحقق):

• حاليًا ، تقتصر إنتاج شرائح الكمبيوتر المتخصصة في الحسابات المتقدمة (مثل NVIDIA H100 و Google TPU v5) على تقنية التعبئة والتغليف (مثل تقنية CoWoS لدى TSMC). هذا القيد يؤثر مباشرة على قابلية التحقق والتوسع للحسابات القابلة للتحقق.
• تشكل الاختناقات في تصنيع الرقائق والموردين عقبات رئيسية ، ولكن لا يزال من الممكن تحقيق ما يصل إلى 50000 ضعف قوة الحوسبة.
• بالإضافة إلى ذلك، فإن استخدام الرقائق المتقدمة في أجهزة الحواف يعتبر أمرًا حاسمًا لتمكين مناطق العزل الآمنة أو بيئات التنفيذ الموثوق بها (TEEs). هذه التقنيات لا تقوم فقط بالتحقق من نتائج الحساب، بل يمكنها أيضًا حماية خصوصية البيانات الحساسة أثناء عملية الحساب.

ندرة البيانات ( الخصوصية ):

وقت الإستجابة壁垒 ( 性能 )：

• القيود الزمنية الأساسية في تدريب النماذج: مع توسيع حجم نموذج الذكاء الاصطناعي باستمرار، يزداد بشكل ملحوظ الوقت المطلوب للتوجيه الأمامي والتوجيه الخلفي نتيجة تسلسل عملية الحساب. هذه الوقت الإستجابة الأساسية التي لا يمكن تجاوزها في عملية تدريب النماذج، تؤثر مباشرة على سرعة التدريب.
• تحديات توسيع حجم الدفعة: للتخفيف من مشكلة وقت الاستجابة، فإن أحد الأساليب الشائعة هي زيادة حجم الدفعة لمعالجة المزيد من البيانات بشكل متوازي. ومع ذلك، هناك قيود عملية على توسيع حجم الدفعة، مثل نقص سعة الذاكرة، وانخفاض الفوائد الهامشية لتقارب النموذج مع زيادة حجم الدفعة. هذه العوامل تجعل من الصعب تعويض وقت الاستجابة من خلال زيادة حجم الدفعة.

الأساسيات

اللامركزية AI 三角形

تشكل العديد من القيود المواجهة للذكاء الاصطناعي حاليًا (مثل ندرة البيانات وزيادة الطلب على القوة الحسابية ومشكلة وقت الإستجابة وقدرة إنتاج الرقائق) “مثلث اللامركزية للذكاء الاصطناعي”. يحاول هذا الإطار تحقيق التوازن بين الخصوصية والتحقق والأداء. هذه الصفات الثلاث هي عناصر الأساسية التي تضمن فعالية وموثوقية وقابلية التوسع لأنظمة الذكاء الاصطناعي غير المركزية.

تحليل مفصل للتوازن الحاسم بين الخصوصية والقابلية للتحقق والأداء في الجدول التالي ، مع مناقشة عميقة لتعريفاتها وتقنيات تنفيذها والتحديات التي تواجهها على حدة:

• الخصوصية: في عملية تدريب واستنتاج الذكاء الاصطناعي ، تكون حماية البيانات الحساسة أمرًا بالغ الأهمية. لهذا الغرض ، يتم استخدام مجموعة من التقنيات الحيوية بما في ذلك بيئة التنفيذ الموثوقة (TEEs)، أطول الحساب (MPC)، التعلم الاتحادي، التشفير المتماثل الكامل (FHE)، والخصوصية المختلفة. على الرغم من فعالية هذه التقنيات ، إلا أنها تأتي مع تكاليف الأداء ، ومشكلة الشفافية التي تؤثر على قابلية التحقق ، وتحديات التوسع المحدودة.
• القابلية للتحقق: لضمان صحة الحساب واكتماله، تم استخدام تقنيات zk-SNARKs والتشفير الإثباتي والحساب القابل للتحقق. ومع ذلك، فإن تحقيق التوازن بين الخصوصية والأداء والقابلية للتحقق غالباً ما يتطلب موارد ووقت إضافي، مما قد يؤدي إلى تأخير الاستجابة.
• الأداء: تنفيذ حسابات AI بكفاءة وتحقيق تطبيقات بمقياس كبير يعتمد على البنية التحتية للحوسبة الموزعة وتسريع الأجهزة والاتصال الشبكي الفعال. ومع ذلك، فإن استخدام تقنيات تعزيز الخصوصية يؤدي إلى بطء سرعة الحساب ، وستزيد الحسابات القابلة للتحقق من النفقات الإضافية.

تحديات ثلاثة في سلسلة الكتل:

التحدي الرئيسي الذي يواجه مجال التكنولوجيا اللامركزية هو مأزق الثلاثة الصعوبات ، حيث يجب على كل نظام لامركزي في مجال البلوكشين معايرة الاعتبارات التالية:

• اللامركزية：通过在多个独立عقدة上分布网络，防止任何单一实体对系统的控制。
• الأمان: ضمان أن الشبكة مُحمية من الهجمات والحفاظ على سلامة البيانات، وعادة ما يتطلب مزيدًا من عمليات التحقق وعمليات الالإجماع.
• قابلية التوسع: معالجة كمية كبيرة من المعاملات بسرعة وبتكلفة اقتصادية، ولكن هذا عادة ما يعني التضحية باللامركزية (بتقليل عدد العقد) أو الأمان (بتخفيض قوة التحقق).

على سبيل المثال، يعتبر إثيريوم متفوقًا في اللامركزية والأمان، وبالتالي فإن سرعة معالجة المعاملات فيه نسبيًا بطيئة. يمكن الاطلاع على الأدبيات ذات الصلة لفهم عمق هذه التوازنات في هيكل السلسلة الكتلية.

AI- مصفوفة تحليل تعاون سلسلة الكتل (3x3)

تجمع الذكاء الاصطناعي والبلوكتشين بين عملية معقدة من التوازن والفرص. توضح هذه المصفوفة حيث قد تحدث الاحتكاكات بين هاتين التقنيتين، وتجد نقاط التوافق المتناغمة، وأحيانًا تكبير نقاط ضعف بعضهما البعض.

مبدأ عمل المصفوفة التعاونية

تعكس قوة التنسيق التوافق والتأثير لخصائص سلسلة الكتل والذكاء الاصطناعي في مجال معين. وتعتمد على كيفية التعامل المشترك بين التقنيتين لمواجهة التحديات وتعزيز قدراتهما المتبادلة. على سبيل المثال، فيما يتعلق بالخصوصية البيانات، يمكن أن يؤدي الجمع بين عدم قابلية تلاعب سلسلة الكتل وقدرة الذكاء الاصطناعي على معالجة البيانات إلى حلول جديدة.

مبدأ عمل المصفوفة التعاونية

مثال 1: الأداء + اللامركزية (التعاون الضعيف)

في شبكات اللامركزية، مثل بيتكوين أو إيثيريوم، يتم عادةً قيد الأداء بواسطة عدة عوامل. تشمل هذه القيود تقلب موارد العقد، ووقت الاستجابة العالي، وتكلفة معالجة المعاملات، وتعقيد آلية الإجماع. بالنسبة لتطبيقات الذكاء الاصطناعي التي تتطلب وقت استجابة منخفض وقدرة عالية على المرور (مثل الاستدلال الاصطناعي في الوقت الحقيقي أو تدريب نماذج كبيرة الحجم)، من الصعب على هذه الشبكات توفير السرعة وموثوقية الحساب بما فيه الكفاية لتلبية متطلبات الأداء العالي.

مثال 2: الخصوصية + اللامركزية (التعاون القوي)

تقنية الذكاء الاصطناعي القائمة على حماية الخصوصية (مثل التعلم الفيدرالي) يمكن أن تستفيد بشكل كامل من خصائص البلوكتشين اللامركزية ، وتحقق التعاون الفعال في حماية بيانات المستخدم. على سبيل المثال ، يوفر سوراشين الذكاء الاصطناعي حلاً يعتمد على البلوكتشين ، ويضمن ملكية البيانات دون أن تتم سلبها. يمكن لأصحاب البيانات المساهمة ببيانات عالية الجودة لتدريب النماذج ، مما يحقق فوائد متبادلة بين الخصوصية والتعاون.

الهدف من هذا المصفوفة هو مساعدة الصناعة على فهم نقاط تقاطع الذكاء الاصطناعي والبلوكشين بوضوح، وتوجيه المبتكرين والمستثمرين للنظر أولاً في الاتجاهات العملية، واستكشاف المجالات ذات الإمكانيات، مع تجنب الوقوع في المشاريع ذات الدلالة الاستثمارية فقط.

AI- كتلة链协同矩阵

يمثل محورا مصفوفة التآزر سمات مختلفة: المحور الأول هو السمات الأساسية الثلاث لنظام الذكاء الاصطناعي - إمكانية التحقق والخصوصية والأداء. المحور الآخر هو معضلة blockchain الثلاثية - الأمان وقابلية التوسع واللامركزية. عندما تتقاطع هذه السمات مع بعضها البعض ، يمكن إنشاء مجموعة من أوجه التآزر ، تتراوح من التوافق العالي إلى النزاعات المحتملة.

على سبيل المثال، عندما يتم دمج التحقق والأمان (تعاون عالي)، يمكن بناء نظام قوي لإثبات صحة واكتمال حساب الذكاء الاصطناعي. ولكن عندما تتعارض متطلبات الأداء مع اللامركزية (تعاون منخفض)، سيؤثر التكلفة العالية للنظام الموزع بشكل كبير على الكفاءة. بالإضافة إلى ذلك، بعض الجمعيات (مثل الخصوصية والقابلية للتوسيع) تقع في المنطقة المتوسطة، لديها القدرة وتواجه تحديات تقنية معقدة.

لماذا هذا مهم؟

• بوصلة الاستراتيجية: توفر هذه المصفوفة توجيهًا واضحًا لاتخاذ القرار والباحثين والمطورين لمساعدتهم في التركيز على المجالات ذات التشاور العالي ، مثل ضمان خصوصية البيانات من خلال التعلم الاتحادي أو تحقيق تدريب AI قابل للتوسع من خلال الحسابات اللامركزية.
• التركيز على الابتكارات المؤثرة وتوزيع الموارد: فهم توزيع قوة التعاون (مثل الأمان + التحقق، الخصوصية + اللامركزية) يساعد المعنيين بالأمر على تركيز الموارد في المجالات ذات القيمة العالية وتجنب الإهدار في التكامل الضعيف أو غير الواقعي.
• تطور النظام البيئي الموجه: مع تطور تقنيات الذكاء الاصطناعي والبلوكشين ، يمكن استخدام هذا المصفوفة كأداة ديناميكية لتقييم المشاريع الناشئة وضمان تلبيتها للمتطلبات الفعلية بدلاً من تشجيع اتجاهات المضاربة المفرطة.

يُلخص الجدول أدناه مجموعات الخصائص هذه ويشرح كيفية عملها في نظام الذكاء الصناعي اللامركزي وفقًا لقوتها التعاونية (من الأقوى إلى الأضعف). بالإضافة إلى ذلك، يقدم الجدول أمثلة على مشاريع مبتكرة تظهر تطبيقات هذه المجموعات في الواقع. يمكن للقراء من خلال هذا الجدول فهم نقاط تقاطع تقنية البلوكشين والذكاء الاصطناعي بشكل أكثر وضوحًا، وتحديد المجالات ذات التأثير الحقيقي، وتجنب الاتجاهات المبالغ فيها أو التقنيات غير القابلة للتطبيق.

مصفوفة تعاون سلسلة كتلية AI: نقطة تقاطع رئيسية لتصنيف قوة التعاون بين AI وتقنية سلسلة الكتل

الاستنتاج

دمج تقنية البلوكشين مع الذكاء الاصطناعي يحمل إمكانيات تحول هائلة، ولكن تطوير المستقبل يتطلب توجيها وجهود مركزة. المشاريع التي تعزز الابتكار حقاً، تعمل على حل تحديات حاسمة مثل خصوصية البيانات والقابلية للتوسع وبناء الثقة، لتشكيل مستقبل الذكاء الاصطناعي بشكل اللامركزي. على سبيل المثال، فإن التعلم الاتحادي (خصوصية + اللامركزية) يعمل على حماية بيانات المستخدم وتحقيق التعاون، بينما يعزز الحوسبة والتدريب الموزع (أداء + قابلية للتوسع) كفاءة أنظمة الذكاء الاصطناعي، ويوفر zkML (تعلم الآلة بدون علم، قابلية التحقق + الأمان) ضمانات لمصداقية حسابات الذكاء الاصطناعي.

في الوقت نفسه ، يجب أن ننظر إلى هذا المجال بشكل حذر. العديد من وحدات الذكاء الاصطناعي المسماة AI في الواقع مجرد تغليف بسيط للنماذج الموجودة ، ولها قدرات محدودة ، وتفتقر إلى العمق عندما يتعلق الأمر بالجمع بينها وبين التكنولوجيا المجتمعة. ستأتي الاختراقات الحقيقية من المشاريع التي تستغل تمامًا ميزات كل من تكنولوجيا blockchain والذكاء الاصطناعي ، وتعمل على حل المشاكل العملية ، بدلاً من مجرد منتجات تتبع التضخيم السوقي.

نظرًا للمستقبل، سيصبح مصفوفة تعاون سلسلة AI- كتلة أداة مهمة لتقييم المشاريع، حيث يمكنها مساعدة صانعي القرار بشكل فعال في التمييز بين الابتكارات الحقيقية ذات التأثير والضجيج الغير ذي معنى.

سينتمي العقد المقبل إلى المشاريع التي يمكن أن تجمع بين الموثوقية العالية ل blockchain والقوة التحويلية الذكاء الاصطناعي لحل مشاكل العالم الحقيقي. على سبيل المثال ، سيؤدي التدريب النموذجي الموفر للطاقة إلى تقليل استهلاك الطاقة لنظام الذكاء الاصطناعي بشكل كبير ؛ سيوفر التعاون في الحفاظ على الخصوصية بيئة أكثر أمانا لمشاركة البيانات ؛ ستؤدي حوكمة الذكاء الاصطناعي القابلة للتطوير إلى تشغيل أنظمة ذكية أكبر وأكثر كفاءة. تحتاج الصناعة إلى التركيز على هذه المجالات الرئيسية لفتح مستقبل الذكاء حقا.