فيما يلي مقالة للضيف بقلم جياهاو صن، الرئيس التنفيذي والمؤسس من FLock.io.
في ظل المشهد المتطور باستمرار للذكاء الاصطناعي، تشتد المناقشة بين الحوسبة المركزية واللامركزية. فقد هيمنت شركات تقديم الخدمات المركزية مثل Amazon Web Services (AWS) على السوق، حيث قدمت حلولاً قوية وقابلة للتطوير لتدريب نماذج الذكاء الاصطناعي ونشرها. ومع ذلك، تبرز الحوسبة اللامركزية كمنافس هائل، حيث تقدم مزايا وتحديات فريدة من نوعها يمكن أن تعيد تعريف كيفية تدريب نماذج الذكاء الاصطناعي ونشرها على مستوى العالم.
كفاءة التكلفة من خلال الموارد غير المستخدمة
تتمثل إحدى المزايا الأساسية للحوسبة اللامركزية في الذكاء الاصطناعي في كفاءة التكلفة. يستثمر مقدمو الخدمات المركزية بكثافة في البنية الأساسية، ويحافظون على مراكز بيانات ضخمة مزودة بوحدات معالجة رسومية مخصصة لحسابات الذكاء الاصطناعي. هذا النموذج، على الرغم من قوته، مكلف. من ناحية أخرى، تستفيد الحوسبة اللامركزية من وحدات معالجة الرسوميات “غير المستخدمة” من مصادر مختلفة حول العالم.
قد تكون هذه الموارد عبارة عن أجهزة كمبيوتر شخصية أو خوادم خاملة أو حتى وحدات تحكم في الألعاب. ومن خلال الاستفادة من هذا الكم الهائل من الموارد غير المستغلة، يمكن للمنصات اللامركزية تقديم قوة الحوسبة مقابل جزء بسيط من تكلفة المزودين المركزيين. ويجعل هذا التوسع في استخدام موارد الحوسبة تطوير الذكاء الاصطناعي أكثر سهولة في الوصول إليه بالنسبة للشركات الصغيرة والشركات الناشئة، مما يعزز الابتكار والمنافسة في مجال الذكاء الاصطناعي.
تحسين إمكانية الوصول إلى وحدات معالجة الرسوميات (GPU)
لقد أثر النقص العالمي في وحدات معالجة الرسوميات بشكل كبير على قدرة الشركات الصغيرة على تأمين الطاقة الحسابية اللازمة من مقدمي الخدمات المركزيين. غالبًا ما تبرم الشركات الكبرى عقودًا طويلة الأجل، وتحتكر الوصول إلى هذه الموارد الحيوية.
تخفف شبكات الحوسبة اللامركزية من هذه المشكلة من خلال الحصول على وحدات معالجة الرسوميات من مجموعة متنوعة من المساهمين، بما في ذلك لاعبو الكمبيوتر الشخصي الأفراد والموردون على نطاق صغير. وتضمن إمكانية الوصول المتزايدة هذه أن تتمكن الكيانات الأصغر حجمًا من الحصول على القوة الحسابية التي تحتاج إليها دون أن تطغى عليها عمالقة الصناعة.
خصوصية البيانات والتحكم في المستخدم
تظل خصوصية البيانات مصدر قلق بالغ الأهمية في تطوير الذكاء الاصطناعي. تتطلب الأنظمة المركزية نقل البيانات وتخزينها داخل بنيتها التحتية، مما يتخلى فعليًا عن سيطرة المستخدم. يفرض هذا المركزية مخاطر كبيرة على الخصوصية. تقدم الحوسبة اللامركزية بديلاً مقنعًا من خلال إبقاء العمليات الحسابية قريبة من المستخدم. يمكن تحقيق ذلك من خلال التعلم الفيدرالي، حيث تظل البيانات على جهاز المستخدم، أو من خلال الاستفادة من موفري الحوسبة اللامركزية الآمنة.
إن الحوسبة السحابية الخاصة من شركة Apple هي مثال واضح على هذا النهج من خلال دمج العديد من عقد الحوسبة السحابية حول مستخدم معين، وبالتالي الحفاظ على خصوصية البيانات مع الاستفادة من قوة الحوسبة السحابية. ورغم أن هذه الطريقة لا تزال تنطوي على درجة من المركزية، إلا أنها تؤكد على التحول نحو سيطرة أكبر للمستخدم على البيانات.
بروتوكولات التحقق والأمان
على الرغم من مزاياها، تواجه الحوسبة اللامركزية العديد من التحديات. ومن بين القضايا الحرجة التحقق من سلامة وأمان عقد الحوسبة اللامركزية. إن ضمان عدم تعرض هذه العقد للخطر وتوفيرها لقوة حوسبة حقيقية يمثل مشكلة معقدة.
تقدم التطورات في تقنية blockchain حلولاً محتملة، مما يتيح آليات إثبات ذاتية تتحقق من شرعية عقد الحوسبة دون المساس بالأمن.
الحفاظ على خصوصية البيانات في الأنظمة اللامركزية
إن التحدي الكبير الآخر هو احتمال تعرض البيانات الشخصية للخطر أثناء العمليات الحسابية اللامركزية. تزدهر نماذج الذكاء الاصطناعي على مجموعات البيانات الضخمة، ولكن بدون تقنيات الحفاظ على الخصوصية، قد يؤدي التدريب اللامركزي إلى مخاطر اختراق البيانات. يمكن لتقنيات مثل التعلم الفيدرالي وإثباتات المعرفة الصفرية والتشفير المتجانس بالكامل التخفيف من هذه المخاطر.
يتيح التعلم الفيدرالي، الذي تبنته الشركات الكبرى على نطاق واسع منذ عام 2017، للبيانات أن تظل محلية مع الاستمرار في المساهمة في تدريب النموذج. ومن خلال دمج تقنيات التشفير والحفاظ على الخصوصية هذه في شبكات الحوسبة اللامركزية، يمكننا تعزيز أمان البيانات وخصوصية المستخدم، ودفع حدود ما يمكن أن تحققه الذكاء الاصطناعي اللامركزي.
مخاوف بشأن النطاق الترددي والكفاءة
إن كفاءة شبكات الحوسبة اللامركزية تشكل مجالاً آخر مثيراً للقلق. إذ إن كفاءة النقل في نظام لامركزي سوف تتخلف حتماً عن المجموعات المركزية بسبب الطبيعة الموزعة للشبكة. وتسلط القصص التاريخية، مثل نقل AWS للبيانات من تورنتو إلى فانكوفر أثناء عاصفة ثلجية، الضوء على التحديات اللوجستية لنقل البيانات.
ومع ذلك، فإن التطورات في تقنيات الذكاء الاصطناعي مثل ضبط LoRA وضغط النماذج يمكن أن تساعد في التخفيف من هذه الاختناقات في النطاق الترددي. من خلال تحسين عمليات نقل البيانات وتحسين تقنيات تدريب النماذج، يمكن لشبكات الحوسبة اللامركزية تحقيق مستويات أداء تنافسية مع نظيراتها المركزية.
سد الفجوة باستخدام التقنيات الناشئة
إن دمج تقنية البلوك تشين مع الذكاء الاصطناعي يوفر وسيلة واعدة لمعالجة العديد من التحديات التي تواجه الحوسبة اللامركزية. توفر تقنية البلوك تشين سجلاً شفافًا وغير قابل للتغيير لتتبع مصدر البيانات وسلامة عقد الحوسبة. وهذا يضمن أن جميع المشاركين في الشبكة يمكنهم الثقة في البيانات والعمليات الحسابية التي يتم إجراؤها.
بالإضافة إلى ذلك، يمكن لآليات إجماع blockchain تسهيل الحوكمة اللامركزية، مما يتيح للمجتمعات إدارة الشبكة وتحسينها بشكل جماعي.
علاوة على ذلك، فإن التطورات في التعلم الفيدرالي والتشفير المتجانس تشكل أهمية محورية في ضمان الحفاظ على خصوصية البيانات مع الاستفادة من الطبيعة الموزعة لشبكات الحوسبة اللامركزية. تمكن هذه التقنيات نماذج الذكاء الاصطناعي من التعلم من مجموعات البيانات الموزعة دون الكشف عن معلومات حساسة، وبالتالي تحقيق التوازن بين الحاجة إلى كميات هائلة من البيانات ومتطلبات الخصوصية الصارمة.
مستقبل الحوسبة اللامركزية في الذكاء الاصطناعي
إن إمكانات شبكات الحوسبة اللامركزية لإحداث ثورة في تطوير الذكاء الاصطناعي هائلة. ومن خلال إضفاء الطابع الديمقراطي على الوصول إلى الموارد الحاسوبية، وتعزيز خصوصية البيانات، والاستفادة من التقنيات الناشئة، يمكن للذكاء الاصطناعي اللامركزي أن يقدم بديلاً قوياً للأنظمة المركزية. ومع ذلك، فإن الرحلة محفوفة بالتحديات التي تتطلب حلولاً مبتكرة وجهوداً تعاونية من مجتمعات الذكاء الاصطناعي والبلوك تشين.
مع تقدمنا للأمام، يتعين علينا مواصلة استكشاف وتطوير حلول الحوسبة اللامركزية التي تعالج هذه التحديات. ومن خلال تعزيز نظام بيئي تعاوني، يمكننا ضمان إتاحة فوائد الذكاء الاصطناعي للجميع، وتعزيز مستقبل أكثر إنصافًا وإبداعًا لتطوير الذكاء الاصطناعي.