عند تصفح مجتمعات التواصل غالبًا ما أرى مناقشات حول الذكاء الاصطناعي على السلسلة، لكن معظم المشاركات تركز على مدى تقدم النماذج وسرعة الاستنتاج. بصراحة، هذه الآراء تخرج عن الموضوع.

المشكلة الحقيقية في الذكاء الاصطناعي على السلسلة ليست في الخوارزميات أو الأجهزة، بل في مكان وكيفية تخزين البيانات. تخيل: عندما يعمل تطبيق ذكاء اصطناعي على السلسلة، أين يجب أن تُخزن النتائج الوسيطة، وسجلات الاستنتاج، ومجموعات بيانات التدريب؟ كيف نضمن أن البيانات يمكن استدعاؤها في أي وقت، وأنها لا تُعدّل أو تُفقد؟ هذه هي النقطة الحاسمة التي تحدد نجاح أو فشل المشروع بأكمله.

مؤخرًا، اطلعت على بعض الحلول التقنية لمشاريع ناشئة، ووجدت شيئًا مثيرًا للاهتمام. أحد المشاريع يتبع نهجًا وهو — عند تخزين أي ملف، يتم تلقائيًا تقسيمه إلى أكثر من 10 أجزاء من البيانات، وتُخزن هذه الأجزاء موزعة على عقد مختلفة. قد يبدو هذا الرقم عشوائيًا، لكنه في الواقع محسوب بعناية: مما يعني أن فشل نقطة واحدة يكاد يكون غير مؤثر على النظام.

بالنسبة لتطبيقات الذكاء الاصطناعي على السلسلة، هذه الآلية مهمة جدًا. البيانات المؤقتة الضخمة الناتجة أثناء تدريب النماذج (وغالبًا تكون بحجم تيرابايتات)، إذا كانت مخزنة على خادم مركزي تقليدي، فإن فشل الخادم يعني كارثة حتمية. لكن باستخدام هذا الهيكل الموزع، تكون البيانات مدمجة بشكل طبيعي في الشبكة بأكملها، مما يمنحها قدرة مقاومة للمخاطر بشكل فطري. من حيث المفهوم، يشبه الأمر بنية تحتية مخصصة لتمكين تشغيل طويل الأمد للذكاء الاصطناعي على السلسلة.

البيانات الإحصائية الفعلية تظهر الأمر بشكل أوضح. تظهر بيانات التخزين الأخيرة أن أكثر من 30% من الطلبات ليست صورًا أو فيديوهات، بل مجموعات بيانات منظمة، وملفات نقاط النموذج، وحتى سجلات تنفيذ الاستنتاجات. هذا التغير في بنية البيانات يؤكد أن الذكاء الاصطناعي على السلسلة أصبح أحد التطبيقات الأساسية لبعض المشاريع. من يستطيع أن يجعل بنية تخزين البيانات أكثر استقرارًا وكفاءة، سيكون من المحتمل أن يتصدر هذا المسار غير المرئي.