مخاطر الذكاء الاصطناعي المركزية والتحديات واتجاهات التطوير المستقبلية

مقدمة

على الرغم من أن الذكاء الاصطناعي المتمحور حول المركز يحمل العديد من المزايا ، إلا أنه يواجه أيضًا العديد من المخاطر والتحديات. كما هو الحال في المقال الثالث من هذه السلسلة ، ستحلل هذه المقالة هذه التحديات وتتطلع إلى اتجاهات تطوير الذكاء الاصطناعي المتمحور حول المركز في المستقبل.

نحن نرحب أيضًا برواد الأعمال والمشاريع في هذا الاتجاه للتواصل معنا.

فرص تطوير وكلاء الذكاء الاصطناعي

!

يعد الذكاء الاصطناعي Agent تطورا طبيعيا للنماذج الكبيرة ، ومن خلال إدخال آليات الذاكرة وتفكيك المهام وقدرات التخطيط ، يمكن للوكلاء الذكاء الاصطناعي إدراك البيئة واتخاذ قرارات مستقلة وأداء المهام المعقدة.

!

على الرغم من أن النماذج الكبيرة الحالية قادرة على إنشاء نصوص وحل المشكلات، إلا أنها لا تزال تفتقر إلى قدرة كاملة على تخطيط وتنفيذ المهام. سيقوم وكيل الذكاء الاصطناعي بسد هذا النقص وتعزيز أداء الذكاء الاصطناعي في المهام المعقدة.

!

إذا كان الذكاء الاصطناعي مثل الطاقة النووية، فلا ينبغي أن يكون في يد أقلية. وسيضمن وكيل الذكاء الاصطناعي اللامركزي من خلال تقنيات البلوكشين والتشفير عدالة وشفافية التكنولوجيا الاصطناعية.

في المستقبل المجتمع المفوض، سيكون الذكاء الاصطناعي غير المركزي حتمًا لحل المشكلات التي تواجه النظام المركزي للذكاء الاصطناعي الحالي.

فرص تطوير تعليقات البيانات:

تشمل إعداد البيانات جمع البيانات وتنظيفها وتسميتها وتعزيزها. زادت احتياجات الذكاء الاصطناعي المتنوعة للبيانات الاعتماد على تسمية بيانات عالية الدقة والتخصيص القوي. فترة عمل تسمية البيانات الطويلة وتكلفة العمالة المرتفعة تقيد نمو صناعة الذكاء الاصطناعي.

يمكن لـ Web3 من خلال آلية التحفيز الاقتصادي الوصول إلى عدد كبير من عمال جمع البيانات وتسميتها للذكاء الاصطناعي في جميع أنحاء العالم، مما يتيح لهم الحصول على أرباح من تقديم البيانات.

!

حالة الأسد: سوق تبادل البيانات Ocean Protocol

!

آلية التشغيل

!

• مقدمو البيانات (مقدمو الخدمات): يمكن لمزودي البيانات إصدار وبيع رموز البيانات الخاصة بهم للحصول على الدخل.

• المستهلكون (المستهلكون): شراء أو كسب الرموز البيانات اللازمة للحصول على حق الوصول.

• الأسواق (Marketplaces): تشير إلى سوق تداول البيانات المفتوح والشفاف والعادل الذي يتم توفيره بواسطة بروتوكول Ocean أو جهة خارجية، ويمكنه ربط مقدمي البيانات والمستهلكين على مستوى عالمي، وتوفير رموز بيانات من مختلف الأنواع والمجالات.

• الشبكة (الشبكة): تشير إلى طبقة الشبكة المركزية التي يوفرها بروتوكول أوشن.

• المنسق (Curator): يشير إلى دور في النظام البيئي مسؤول عن تنقية وإدارة ومراجعة مجموعات البيانات، وهم مسؤولون عن مراجعة مصدر ومحتوى وتنسيق وتراخيص مجموعات البيانات ومعلومات أخرى لضمان الامتثال للمعايير وأنه يمكن الاعتماد عليها واستخدامها من قبل المستخدمين الآخرين.

• المحقق (التحقق): يشير إلى دور في النظام البيئي مسؤول عن التحقق ومراجعة معاملات البيانات وخدمات البيانات.

ملخص: AI Agent وتسمية البيانات غير المركزية** هما اتجاهان شائعان حاليًا في مجال دي إي، وهناك العديد من فرق الشركات الناشئة التي تعمل على تطويرهما.**

المخاطر والتحديات التي تواجه الذكاء الاصطناعي اللامركزي

!

• قيود قدرات AI في Web3: نظرًا لتحديد عدد مستخدمي Web3 المشفرين ونطاق تأثير آليات التحفيز الاقتصادي، يتم تقييد نمو الذكاء الاصطناعي المركزي. يتطلب مزيدًا من مشاركة المستخدمين وقبولهم.
• تحديات تقنية البرهان الصفري : دقة التقييم، متطلبات الأجهزة ومكافحة الهجمات. تقنية البرهان الصفري (ZKP) لها أهمية بعيدة المدى في تحقيق قابلية التحقق للنماذج، ولكنها تواجه حاليا تحديات تقنية وتنفيذية.
• جاذبية الميزة التكلفية: إذا تم تخفيف إمدادات موارد قوة الحساب على السوق ، فإن قيمة شبكة القوة الحساب المتمحورة حول اللامركزية وجاذبيتها التكلفية ستضعف. هذا يتطلب من الذكاء الاصطناعي غير المركزي تحسين الكفاءة وتخفيض التكلفة باستمرار للحفاظ على تنافسيته.
• مشكلة كفاءة وتكلفة دمج الذكاء الاصطناعي مع علم المعلومات : إن كفاءة أداء مهام الحوسبة الخاصة بالخصوصية باستخدام تقنيات إثبات الصفر أو تقنيات التشفير المفوق تكون أقل بكثير من أداء النصوص الواضحة. نظرًا لاحتياجات الحساب العالية للذكاء الاصطناعي ، فإن إضافة تقنيات علم المعلومات ستزيد من التكلفة بشكل أكبر ، مما قد يجعل من الصعب تطبيقها في الواقع.
• مشكلة تزوير العمق في الذكاء الاصطناعي : مشكلة زحزحة الاتصالات الملحوظة في تدريب نماذج الذكاء الاصطناعي. تبادل المعلومات الدالة والمعلومات الحديثة بشكل متكرر سيستهلك الكثير من عرض النطاق الترددي، وسيؤدي إلى تكاليف اتصال عالية. في الوقت نفسه، ستؤثر مشكلة المزامنة بين العقد أيضًا على نتائج التدريب، مما يتطلب التحقق من البيانات وعمليات المزامنة بشكل متكرر.
• انتشار الذكاء الاصطناعي يزيد من خطر التزوير العميق. في سياق تعاون تكنولوجيا الويب 3 مع الذكاء الاصطناعي، يجب التصدي لمخاطر التزوير باستخدام الذكاء الاصطناعي.

!

اتجاه تطور مستقبل الذكاء الاصطناعي غير المركزي

طبقة النموذج: نظرا الذكاء الاصطناعي أصبح الوكلاء أكثر شيوعا ، سيعتمد المستخدمون على وكلاء الذكاء الاصطناعي لمساعدتهم على إكمال مهامهم في المستقبل ، وهو المفتاح لتوصيل طبقة النموذج وطبقة التطبيق. ** يتم تشكيل المنصة المتنوعة للنموذج تدريجيا ، وتتناقص تكلفة النموذج الكبير ، ولا يزال الأمر يستغرق وقتا لنفاد تطبيق “الحصان الأسود”.

طبقة التدريب: فرصة وجود تنفيذ نموذج AI غير مركزي، ولكن بسبب الطلب الكبير على الاستدلال مقارنة بالطلب على التدريب، ستعتمد طبقة التدريب بشكل أكبر على القوة الحسابية المركزة.

طبقة القوة الحسابية: تقليل فعال لتكلفة استخدام وحدة معالجة الرسوميات الشبكية (GPU) غير المركزية، ووحدات معالجة الرسوميات على مستوى المؤسسات تلبي الحاجة الحالية للقوة الحسابية. في المستقبل، عند تنفيذ نماذج الطرفية، ستكون وحدات معالجة الرسوميات الاستهلاكية ذات أهمية كبيرة.

الطبقة البياناتية: تصبح صعوبة الحصول على البيانات العامة أكبر وأكبر، وسيكون جمع البيانات وتسمية البيانات غير المركزية هما الطرق المهمة في المستقبل للحصول على بيانات نماذج الذكاء الاصطناعي ومعالجتها.

خاتمة

كـ الذكاء الاصطناعي المركزي كاترند جديد للتكنولوجيا، على الرغم من التحديات المتنوعة على الطريق، إلا أن لديها إمكانات تطوير هائلة. مع التقدم المستمر في التكنولوجيا ونضج السوق تدريجيًا، يُعتَّقَد أن الذكاء الاصطناعي المركزي سيكون له دور أكبر في المستقبل. نحن بحاجة إلى متابعة هذه التحديات والبحث عن حلول مبتكرة لتعزيز تطوير الذكاء الاصطناعي المركزي. في هذا السياق، نعتقد أن الذكاء الاصطناعي المركزي لديه دوره في أربع جوانب: النموذج والتدريب والبيانات والقدرة الحسابية، وخاصةً أن الذكاء الاصطناعي المركزي هو واحدة من الاتجاهات الأكثر وضوحًا وقيمة.