مدیرعامل 0G Labs می‌گوید: هوش مصنوعی غیرمتمرکز می‌تواند یک جامعه پس از کمبود را باز کند

معمای داده: کیفیت، منشأ و اعتماد

بحث در مورد هوش مصنوعی (AI) به طور بنیادی تغییر کرده است. اکنون سوال بر سر اهمیت آن نیست، بلکه چگونگی افزایش قابلیت اطمینان، شفافیت و کارایی آن به‌عنوان جزئی از فرآیندهای رایج در هر بخش است.

پارادایم فعلی هوش مصنوعی که تحت سلطه مدل‌های مرکزی “جعبه سیاه” و مراکز داده‌ای بزرگ و اختصاصی است، با فشار فزاینده‌ای از نگرانی‌ها در مورد تبعیض و کنترل انحصاری مواجه می‌شود. برای بسیاری در فضای وب3، راه‌حل در محدود کردن مقررات سیستم فعلی نیست، بلکه در تمرکززدایی کامل زیرساخت‌های بنیادین است.

اثربخشی این مدل‌های قدرتمند هوش مصنوعی، برای مثال، ابتدا و بیشتر از همه توسط کیفیت و صداقت داده‌هایی که بر روی آن‌ها آموزش دیده‌اند، تعیین می‌شود— عاملی که باید قابل اثبات و ردیابی باشد تا از خطاهای سیستمی و هذیان‌های هوش مصنوعی جلوگیری شود. با افزایش معقول در حوزه‌هایی مانند مالی و بهداشت، نیاز به یک بنیاد قابل اعتماد و شفاف برای هوش مصنوعی ضروری می‌شود.

مایکل هاینریش، کارآفرین سریالی و فارغ‌التحصیل استنفورد، یکی از کسانی است که برای ساختن آن بنیاد پیش قدم شده است. به عنوان مدیرعامل 0G Labs، او در حال توسعه اولین و بزرگ‌ترین زنجیره هوش مصنوعی است، با مأموریت ایجاد شده برای تضمین اینکه هوش مصنوعی به یک کالای عمومی ایمن و قابل اثبات تبدیل شود. با تجربه قبلی در تأسیس گارتن، یک شرکت برجسته با پشتیبانی وای‌کامبینیتور، و کار در مایکروسافت، بین، و بریج‌واتر اسوسیتس، هاینریش اکنون تخصص خود را در چالش‌های معماری هوش مصنوعی غیرمتمرکز (DeAI) به کار گرفته است.

هاینریش بر این باور است که عملکرد اصلی هوش مصنوعی بر پایه دانش آن است: داده‌ها. او توضیح می‌دهد: “اثربخشی مدل‌های هوش مصنوعی ابتدا و بیشتر از همه توسط داده‌های بنیادی که آن‌ها بر روی آن‌ها آموزش دیده‌اند، تعیین می‌شود.” مجموعه داده‌های با کیفیت بالا و متعادل منجر به پاسخ‌های دقیق می‌شود، اما داده‌های بد یا کم‌نمایی شده، باعث خروجی بی‌کیفیت و افزایش حساسیت به هذیان می‌شود.

برای هاینریش، حفظ صداقت این مجموعه داده‌های همیشه در حال به‌روزرسانی و متنوع، نیازمند جدایی بنیادی از وضع موجود است. او استدلال می‌کند که عامل اصلی هذیان‌های هوش مصنوعی، کمبود منشأ شفاف است. راه حل او کریپتوگرافیک است:

باور دارم همه داده‌ها باید بر روی زنجیره با اثبات‌های کریپتوگرافی و مدارک قابل اثبات ثابت شوند تا صداقت داده را حفظ کنند.

این بنیاد غیرمتمرکز و شفاف، همراه با مشوق‌های اقتصادی و تنظیم دائمی، به‌عنوان مکانیزمی ضروری در نظر گرفته می‌شود تا به صورت سیستماتیکی خطاها و تبعیض الگوریتمی را از بین ببرد.

فراتر از نکات فنی، هاینریش، کسی که از سوی مجله فوربز به عنوان یکی از چهل زیر چهل سال انتخاب شده، دارای چشم‌انداز کلی برای هوش مصنوعی است و باور دارد که باید به عصر وفور رسانده شود.

“در جهانی ایده‌آل، امیدوارانه شرایطی ایجاد می‌کند که جامعه‌ای پس از کمبود منابع ایجاد شود، جایی که منابع فراوان می‌شوند و هیچکس نباید نگران انجام کارهای روزمره باشد،” او بیان می‌کند. این تغییر به افراد اجازه می‌دهد “روی کارهای خلاقانه‌تر و تفریحی‌تر تمرکز کنند”، و در واقع، به همه این امکان را می‌دهد که زمان بیشتری برای تفریح و امنیت اقتصادی داشته باشند.

به‌طور خاص، او استدلال می‌کند که جهان غیرمتمرکز به‌طور منحصر به‌فردی برای نیروی این آینده مناسب است. زیبایی این سیستم‌ها این است که با انگیزه تطبیق دارند و اقتصادی خودمتعادل برای قدرت محاسبه ایجاد می‌کنند. اگر تقاضا برای منابع افزایش یابد، انگیزه‌ها برای تأمین آن‌ها به‌طور طبیعی افزایش می‌یابند تا آن تقاضا برآورده شود و نیاز به منابع محاسباتی را به روشی متعادل و بدون مجوز برآورده کند.

محافظت از هوش مصنوعی: طراحی منبع باز و انگیزش

برای جلوگیری از سوءاستفاده عمدی از هوش مصنوعی—مانند کلاهبرداری‌های تقلید صدا و دیپ‌فیک‌ها—هاینریش ترکیبی از راه‌حل‌های انسانی محور و معماری را پیشنهاد می‌کند. اول، باید تمرکز بر آموزش دادن مردم در مورد شناسایی کلاهبرداری‌ها و فیک‌های هوش مصنوعی که برای تقلید و انتشار اطلاعات نادرست به کار می‌رود، باشد. هاینریش بیان می‌کند: “ما باید به مردم آموزش دهیم تا بتوانند محتوای تولید شده توسط هوش مصنوعی را شناسایی کنند تا بتوانند از خود محافظت کنند.”

قانون‌گذاران می‌توانند نقشی را در تنظیم استانداردهای جهانی برای امنیت و اخلاق هوش مصنوعی ایفا کنند. اگرچه این امر احتمالاً استفاده نادرست از هوش مصنوعی را کاملاً از بین نمی‌برد، اما حضور چنین استانداردهایی “می‌تواند تا حدی از آن جلوگیری کند”. با این حال، قدرتمندترین تدبیر مقابله، در طراحی غیرمتمرکز بافته شده است: “طراحی سیستم‌های انگیزش تطبیق می‌تواند به طور قابل توجهی سوءاستفاده عمدی از هوش مصنوعی را کاهش دهد.” با استقرار و نظارت بر مدل‌های هوش مصنوعی روی زنجیره، مشارکت صادقانه پاداش دارد و رفتار مخرب موجب پیامدهای مالی مستقیم می‌شود از طریق مکانیزم‌های کاهش نقدینگی درون زنجیره‌ای.

در حالی که برخی از منتقدان از خطرات الگوریتم‌های باز هراس دارند، هاینریش به بیت‌کوین.کام نیوز می‌گوید که با اشتیاق از آن پشتیبانی می‌کند زیرا به وضوح ارائه می‌دهد چگونه مدل‌ها کار می‌کنند. او بیان می‌کند “چیزهایی مانند سوابق آموزشی قابل اثبات و مسیر داده تغییرناپذیر می‌توانند برای اطمینان از شفافیت و امکان نظارت جامعه مورد استفاده قرار گیرند”، که مستقیماً به مقابله با خطرات مرتبط با مدل‌های اختصاصی و منبع بسته “جعبه سیاه” کمک می‌کند.

برای ارائه این چشم‌انداز از آینده‌ای امن و کم هزینه برای هوش مصنوعی، 0G Labs در حال ساخت اولین “سیستم عامل هوش مصنوعی غیرمتمرکز (DeAIOS)” است.

این سیستم عامل طراحی شده تا منشأ قابل اثبات هوش مصنوعی ارائه دهد—یک لایه ذخیره‌سازی و دسترسی داده بسیار مقیاس‌پذیر که امکان ذخیره داده‌های عظیم هوش مصنوعی را بر روی زنجیره فراهم می‌کند، و تمامی داده‌ها را قابل اثبات و ردیابی می‌سازد. این سطح از امنیت و قابلیت ردیابی برای عوامل هوش مصنوعی که در بخش‌های مقرراتی فعالیت می‌کنند، ضروری است.

به علاوه، این سیستم شامل یک بازار محاسبه بدون مجوز است که دسترسی به منابع محاسباتی را به قیمت‌های رقابتی به دموکراتیزه می‌کند. این پاسخی مستقیم به هزینه‌های بالا و قفل فروشنده‌ای است که با زیرساخت‌های ابری متمرکز مرتبط است.

0G Labs قبلاً با دیلوکاکس، یک چارچوب که امکان آموزش مدل‌های زبان بزرگ (LLM) بیش از 100 میلیارد پارامتر را بر روی خوشه‌های غیرمتمرکز، 1 گیگابیت بر ثانیه فراهم می‌کند، یک پیشرفت فنی را نشان داده است. با تجزیه مدل‌ها به بخش‌های کوچکتر و مستقل آموزش‌دیده، دیلوکاکس یک بهبود 357 برابری در کارایی را نسبت به روش‌های سنتی آموزش توزیع‌شده نشان داده است، و توسعه هوش مصنوعی بزرگ‌مقیاس را به صورت اقتصادی در خارج از دیوارهای مراکز داده متمرکز امکان‌پذیر می‌سازد.

آینده‌ای روشن‌تر و مقرون به صرفه‌تر برای هوش مصنوعی

در نهایت، هاینریش آینده‌ای بسیار روشن برای هوش مصنوعی غیرمتمرکز می‌بیند، جایی که توسط مشارکت و برچیدن موانع به تصویب تعریف می‌شود.

“این جایی است که مردم و جوامع با هم مدل‌های هوش مصنوعی کارشناسی ایجاد می‌کنند، به ‌طوری که آینده هوش مصنوعی توسط بسیاری شکل می‌گیرد نه فقط توسط تعداد کمی از سازمان‌های متمرکز”، او نتیجه‌گیری می‌کند. با فشار گذاشتن بر شرکت‌های هوش مصنوعی اختصاصی برای افزایش قیمت‌ها، اقتصاد و ساختارهای انگیزشی DeAI یک جایگزین جذاب و بسیار مقرون به صرفه ارائه می‌دهند که در آن مدل‌های قدرتمند هوش مصنوعی با هزینه‌های پایین‌تر ایجاد می‌شوند، و راه را برای آینده‌ای بازتر، ایمن‌تر و در نهایت مفیدتر از نظر فناوری هموار می‌سازند.

سوالات متداول

• مشکل اصلی هوش مصنوعی متمرکز کنونی چیست؟ مدل‌های کنونی هوش مصنوعی به‌خاطر معماری “جعبه سیاه” متمرکزشان با مشکلات شفافیت، تبعیض داده و کنترل انحصاری دست و پنجه نرم می‌کنند.
• 0G Labs مایکل هاینریش چه حلی می‌سازد؟ 0G Labs در حال توسعه اولین “سیستم عامل هوش مصنوعی غیرمتمرکز (DeAIOS)” است تا هوش مصنوعی را به یک کالای عمومی ایمن، قابل اثبات و عمومی تبدیل کند.
• چگونه هوش مصنوعی غیرمتمرکز از صداقت داده اطمینان حاصل می‌کند؟ صداقت داده با ثابت کردن تمام داده‌ها بر روی زنجیره با اثبات‌های کریپتوگرافی و یک مسیر اثبات قابل اثبات حفظ می‌شود تا از خطا و هذیان جلوگیری شود.
• مزیت اصلی فناوری Dilocox 0G Labs چیست؟ دیلوکاکس یک چارچوب است که توسعه هوش مصنوعی بزرگ‌مقیاس را بسیار کارآمدتر می‌کند و افزایش 357 برابری را نسبت به روش آموزش توزیع‌شده سنتی نشان می‌دهد.