پروژه‌های هوش مصنوعی و بلاک‌چین: چرا نیاز به مدل‌های غیرمتمرکز و سرعت بالا برای مقیاس‌پذیری ضروری است؟

به گزارش مالی خبر، خدمات ابری آمازون (AWS) و مایکروسافت به تاخیر افتاده‌اند در سرمایه‌گذاری مراکز داده با هوش مصنوعی و مواجه با مشکلات مربوط به مدل متمرکز. تحلیل‌گران به بررسی آخرین پیشرفت‌ها پرداخته‌اند تا نشان دهند چرا زیرساخت‌های مبتنی بر بلاک‌چین غیرمتمرکز می‌توانند راه حل مناسبی باشند.

Kai Wawrzinek، بنیان‌گذار شبکه Cloud Impossible، در یک مصاحبه اختصاصی با Beincrypto، درباره موضوعات زیر بحث و گفتگو کرد:

چند ماه پیش، هوش مصنوعی به عنوان یکی از بخش‌های امیدوارکننده ترین صنایع فناوری جهانی شناخته می‌شد. اما اخیرا با اعلام شرکت‌هایی مانند AWS و مایکروسافت در مورد تاخیر در احداث مراکز داده مربوط به هوش مصنوعی، چنین تصوری تغییر کرده است. این وضعیت می‌تواند نشان‌دهنده مشکلات و چالش‌هایی باشد که در پیشرفت این فناوری وجود دارد.

با این حال، آینده هوش مصنوعی هنوز می‌تواند امیدوارکننده باشد. از آنجا که این فناوری همچنان در حال توسعه است، احتمالا مواجهه‌ی شرکت‌ها با چالش‌ها و تاخیرها جزئی از راه رسیدن به یک پیشرفت قابل توجه است. از آنجا که هوش مصنوعی هنوز به مرحله نهایی خود نرسیده است، ممکن است برای دستیابی به اهداف مورد نظر، زمان بیشتری نیاز باشد.

کای واورزینک نیز، وضعیت فعلی هوش مصنوعی را به عنوان یک فرصت برای ارتقا و بهبود در نظر گرفته است. او معتقد است که با بررسی و حل مسائل و چالش‌های موجود، همچنان می‌توان به پیشرفت‌های بزرگی در زمینه هوش مصنوعی دست یافت. از این رو، ممکن است در آینده نزدیک، شاهد رشد و پیشرفت بیشتری در این حوزه باشیم.

هنگامی که تقاضا برای هوش مصنوعی در حال افزایش است، شرکت‌های AWS و مایکروسافت در حال بررسی فرآیند خروج از مراکز داده جدید هستند. آن‌ها به نظر می‌رسد متوجه شده‌اند که مدل‌های مرکزی برای مقیاس‌پذیری اینترنت جهانی کافی سریع و کارآمد نیستند. این اقدام‌ها نشان از ناکارآمدی بزرگ در استفاده از این مدل‌های زیرساخت مرکزی برای پاسخ به رشد تقاضا برای هوش مصنوعی دارد.

شرکت‌های AWS و مایکروسافت تنها شرکت‌هایی نیستند که با این مشکلات روبرو هستند. متا اعلام کرده است که برای زیرساخت‌های هوش مصنوعی و مراکز داده صدها میلیارد دلار صرف خواهد کرد. اما این ادعا با عدم توافق رقبا در خصوص بودجه، مورد انتقاد قرار گرفته است.

شرکت OpenAI موفق شده است با هزینه‌های کامل به توسعه فناوری چتباز پرداخته باشد. علاوه بر این، سام آلتمن، یکی از مسئولان شرکت، به طور ضمنی اظهار داشته که امکان دارد تحقیقات این شرکت هیچ‌گاه سودآوری نداشته باشند.

Wawrzinek یک راه حل واضح مشاهده کرده است. او توصیه می‌دهد که مدل متمرکز را به طور کلی رها کنیم و به جای آن بر روی Defai تمرکز کنیم. اینکه رهبران صنعت میلیاردها دلار در توسعه LLM Capex و جمع‌آوری پیشگام جمع کرده‌اند، ممکن است کل استراتژی را خودکشی تبدیل کند.

به عنوان مثال ، ساخت مرکز داده های هوش مصنوعی ایالات متحده مهندسان برق را با کار تا حد بی سابقه ای در حال تعقیب و گریز است. با توجه به اینکه بسیاری از متخصصان روی خود مراکز تمرکز می کنند ، این یک تنگنا برای کار ماهر ایجاد می کند.

پروژه‌های انرژی تجدیدپذیر و مشکلات شبکه برق باعث اختلال در عملکرد مراکز داده می‌شوند.

دوره‌ی هوش مصنوعی به زیرساخت‌های خاصی نیاز دارد که توانایی پشتیبانی از سرعت و مقیاس مورد نیاز آن را داشته باشند. سیستم‌های غیرمتمرکز تنها مدل‌هایی هستند که می‌توانند به این نیاز پاسخ دهند. با این حال، یک رویکرد غیرمتمرکز و محور بازار می‌تواند این چالش را حل کند: این رویکرد امکان قرار دادن ظرفیت به شکلی کارآمد و مناسب فراهم می‌کند که به جای اینکه منابع به سمت پروژه‌های بزرگ متمرکز شوند، امکان انتظار سالها برای این نوع پروژه‌ها را از بین می‌برد.

آیا Defai می تواند چالش ها را برطرف کند؟

Defai افزایش قابلیت دسترسی به محاسبات هوش مصنوعی را نسبت به مدل مرکز داده متمرکز داشته است. از طریق استفاده از مشوق‌های اقتصادی با فناوری blockchain، Defai می‌تواند سرعت استقرار را افزایش دهد، قابلیت مقیاس‌پذیری را تقویت کند و تخصیص منابع را بهبود دهد، بدون نیاز به سرمایه گذاری گسترده از پیش.

سیستم‌های غیر متمرکز دارای چابکی بیشتری هستند نسبت به رقبا.

شرکت‌های هوش مصنوعی که بر اساس فناوری بلاک‌چین فعالیت می‌کنند، توانسته‌اند از توانایی محاسباتی قابل توجهی بدون نیاز به مراکز داده متمرکز بهره ببرند. به عنوان یک مثال، شرکت Depin Aethir با ارائه خدمات GPU-AS-A-Service به دستاوردهای قابل توجهی دست یافته است.

شرکت‌ها مثل آزمایشگاه‌های 0G ثابت کرده‌اند که توسعه هوش مصنوعی غیرمتمرکز، تنها از نظر نظری امکان‌پذیر نیست بلکه برای اکوسیستم سودآور و ضروری است.

اگرچه این مطلب اندکی گنگ و پر از اصطلاحات فنی به نظر می‌رسد، اما محتوای آن به طور کلی درباره رویداد “قو سیاه” مهم است.

مدل Genai در چین نشان داد که شرکت‌های هوش مصنوعی می‌توانند با هزینه کمتری LLM های پیشرفته بسازند و این نشان می‌دهد که صنعت هوش مصنوعی ممکن است نیاز به بازنگری در مدل مرکز داده داشته باشد، اگر این توسعه‌دهنده موفق باشد.

اگرچه برخی افراد از این سوال شک دارند که آیا هوش مصنوعی غیر متمرکز می‌تواند با مراکز داده رقابت کند، اما واقعیت این است که تمرکز ممکن است ناکارآمدی خاص خود را داشته باشد.

تکنولوژی هوش مصنوعی در آینده به شکل فراگیرتری در شبکه‌های باز و بدون نیاز به مجوز استفاده خواهد شد. در این شبکه‌ها، تقاضا به صورت پویا و در مقیاس جهانی برآورده خواهد شد، به جای استفاده از مدل‌های ابرقدرت که ممکن است منسوخ شده و قدیمی شده باشند.

شرکت‌هایی که در حوزه هوش مصنوعی فعالیت می‌کنند، تاکنون مقادیر زیادی سرمایه را به دست آورده‌اند. اما امکانات نوآوری آنها ممکن است با موانعی روبه‌رو شود. برای به دست آوردن نتایج بهتر، ممکن است نیاز به استفاده از یک مدل بهتر و پیشرفته‌تر باشد.