نقطه عطف آموزشی بیت‌تنسور توجه چامات پالیهاپیتیا و مدیرعامل انویدیا، جنسن هوانگ را به خود جلب کرد

شتاب‌گیری موج هوش مصنوعی متن‌باز با حمایت مدیرعامل انویدیا

چامات پالیهاپیتیا در یکی از قسمت‌های پادکست All-In، Covenant-72B بیت‌تنسر را برجسته کرد و آن را نمونه‌ای ملموس از هوش مصنوعی غیرمتمرکز (AI) دانست که فراتر از حد نظریه حرکت می‌کند. Bittensor به‌عنوان یک شبکه غیرمتمرکز مبتنی بر بلاکچین فعالیت می‌کند که یک بازار همتا‌به‌همتا ایجاد می‌کند؛ بازاری که در آن مدل‌های یادگیری ماشین و توان محاسباتی هوش مصنوعی مبادله شده و با سازوکارهای انگیزشی پاداش می‌گیرند.

پالیهاپیتیا این تلاش را ساده توضیح داد: یک مدل زبانی بزرگ (LLM) که بدون زیرساخت متمرکز آموزش دیده و در عوض با شبکه‌ای از مشارکت‌کنندگان مستقل نیرو گرفته است. او گفت: «آن‌ها توانستند یک مدل LLaMA با ۴ میلیارد پارامتر را کاملاً توزیع‌شده آموزش بدهند، با مشارکت گروهی از افراد که توان محاسباتی مازادشان را ارائه کردند»، و این کار را «یک دستاورد فنی واقعاً دیوانه‌وار» توصیف کرد.

این مقایسه با یک تمثیل آشنا همراه شد. پالیهاپیتیا افزود: «آدم‌های تصادفی هستند و هر نفر سهم کوچکی می‌گیرد»، و به پروژه اولیه محاسبات توزیع‌شده اشاره کرد که از سخت‌افزار بیکار در سراسر جهان استفاده می‌کرد.

هوانگ ایده را رد نکرد. در عوض، آن را در چارچوبی گسترده‌تر از بازار هوش مصنوعی قرار داد و گفت رویکردهای غیرمتمرکز و مالکیتی الزاماً متضاد هم نیستند. هوانگ گفت: «این دو چیز، A یا B نیست؛ A و B است. هیچ شکی در آن نیست.»

این نگاه دو‌مسیره بازتاب‌دهنده شکافی رو به رشد—و هم‌پوشانی—درون هوش مصنوعی است. از یک سو سامانه‌های بسته و بسیار پرداخت‌شده‌ای مانند ChatGPT، Claude و Gemini قرار دارند. از سوی دیگر، مدل‌های اوپن‌وِیت و غیرمتمرکز هستند که به توسعه‌دهندگان و سازمان‌ها امکان می‌دهند سامانه‌ها را برای نیازهای مشخص شخصی‌سازی کنند.

هوانگ روشن کرد که هر دو مسیر را ضروری می‌داند. او گفت: «مدل‌ها یک فناوری هستند، نه یک محصول»، و اشاره کرد که بیشتر کاربران همچنان به سامانه‌های عمومی و پرداخت‌شده تکیه خواهند کرد، نه اینکه از صفر برای خودشان چیزی بسازند.

در عین حال، او به صنایعی اشاره کرد که در آن‌ها شخصی‌سازی اختیاری نیست. هوانگ توضیح داد: «این همه صنعت وجود دارد که تخصص دامنه‌ای‌شان… باید به شکلی ثبت شود که بتوانند آن را کنترل کنند»، و افزود «این فقط می‌تواند از مدل‌های باز حاصل شود.»

این گفته دقیقاً در حوزه بیت‌تنسر قرار می‌گیرد. Covenant-72B که از طریق Subnet 3 (Templar) توسعه یافته، نماینده یکی از بزرگ‌ترین اجرای‌های آموزش غیرمتمرکز تا امروز است؛ اجرایی که بیش از ۷۰ مشارکت‌کننده را از طریق اتصال‌های معمول اینترنت و بدون یک مرجع مرکزی هماهنگ کرده است.

از نظر فنی، این مدل مرزها را جابه‌جا می‌کند. با ۷۲ میلیارد پارامتر ساخته شده و با حدود ۱.۱ تریلیون توکن آموزش دیده است و از نوآوری‌هایی مانند پروتکل‌های ارتباطی فشرده و موازی‌سازی داده‌ای توزیع‌شده بهره می‌برد تا آموزش را خارج از دیتاسنترهای سنتی ممکن کند.

شاخص‌های عملکرد نشان می‌دهد که صرفاً آزمایشی نیست. نتایج بنچمارک آن را در رقابت با مدل‌های متمرکز جاافتاده قرار می‌دهد؛ جزئیاتی که توضیح می‌دهد چرا این پروژه فراتر از مخاطبان کریپتونِیتیو هم توجه جلب کرده است.

بازار هم متوجه شد. پس از این اعلام، توکن پروژه یعنی TAO از زمانی که ویدئوی پالیهاپیتیا و هوانگ در شبکه‌های اجتماعی دست‌به‌دست شد، ۲۴٪ رشد کرده است.

با این حال، اظهارات هوانگ نشان می‌دهد داستان واقعی نه «برهم‌زنندگی»، بلکه همزیستی میان این دو است. سامانه‌های هوش مصنوعی مالکیتی احتمالاً برای کاربران عمومی غالب خواهند ماند، در حالی که مدل‌های باز و غیرمتمرکز در کاربردهای تخصصی، حساس به هزینه، یا مبتنی بر حاکمیت/استقلال، نقش‌هایی را برای خود می‌تراشند.

برای استارتاپ‌ها، مدیرعامل Nvidia یک نقشه راه عمل‌گرایانه ترسیم کرد: با متن‌باز شروع کنید، سپس مزیت‌های مالکیتی را لایه‌لایه اضافه کنید. او گفت: «هر استارتاپی که الان در آن سرمایه‌گذاری می‌کنیم، اول متن‌باز است و بعد به سمت مدل مالکیتی می‌رود.»

به عبارت دیگر، آینده هوش مصنوعی شاید متعلق به یک معماری یا فلسفه واحد نباشد. شاید متعلق به کسانی باشد که بتوانند هر دو را مدیریت کنند—و بدانند هر کدام را چه زمانی به کار بگیرند.

سؤالات متداول 🔎

• Covenant-72B بیت‌تنسر چیست؟
  یک مدل زبانی با ۷۲ میلیارد پارامتر که از طریق شبکه‌ای غیرمتمرکز از مشارکت‌کنندگان و بدون زیرساخت متمرکز آموزش داده شده است.
• جنسن هوانگ درباره هوش مصنوعی غیرمتمرکز چه گفت؟
  او گفت مدل‌های هوش مصنوعی باز و مالکیتی همزیستی خواهند داشت و رابطه را «A و B» توصیف کرد، نه انتخابی بین آن‌ها.
• چرا این پیشرفت مهم است؟
  نشان می‌دهد می‌توان مدل‌های هوش مصنوعی در مقیاس بزرگ را خارج از دیتاسنترهای سنتی آموزش داد و فرضیات مربوط به نیازهای زیرساختی را به چالش می‌کشد.
• این موضوع چه اثری بر صنعت هوش مصنوعی دارد؟
  از آینده‌ای ترکیبی حمایت می‌کند که در آن پلتفرم‌های متمرکز و مدل‌های غیرمتمرکز در صنایع مختلف نقش‌های متفاوتی را بر عهده می‌گیرند.