في عصر التطورات السريعة في الذكاء الاصطناعي التوليدي ونماذج اللغة الكبيرة (LLMs)، يُعترف على نطاق واسع بأن القدرة الحاسوبية والخوارزميات والبيانات هي المحركات الثلاثة الرئيسية لتقدم القطاع. ومع ذلك، مع تجاوز معلمات النماذج عتبة التريليون، تواجه صناعة الذكاء الاصطناعي «اختناقًا في البيانات» وأزمة ثقة غير مسبوقين. إذ تكاد بيانات الإنترنت العامة عالية الجودة تنفد، بينما تواجه الكميات الهائلة من البيانات المستخدمة لتدريب النماذج تحديات خطيرة أثناء الجمع والتنقية والتوسيم والنقل، بما في ذلك العمليات غير الشفافة، وعدم وضوح ملكية حقوق النشر، وتسميم البيانات، وانتهاكات الخصوصية.
في هذا السياق، برز الجمع بين تتبع مصدر بيانات الذكاء الاصطناعي والبنية التحتية للتخزين اللامركزي. أعلنت مؤسسة Sui مؤخرًا عن استثمار استراتيجي بقيمة $30 مليون في DATA Network، واعتمدت Walrus طبقة التخزين الافتراضية لديها. يشير هذا التطور المهم في القطاع إلى تكامل أعمق بين سلاسل البلوكشين العامة عالية الأداء والتحقق من حقوق بيانات الذكاء الاصطناعي. وبالنسبة للمستثمرين المهتمين بالذكاء الاصطناعي والتقنيات الناشئة، فإن فهم الآليات التقنية لتتبع مصدر البيانات وتدفقات رأس المال ضروري لاستيعاب تطور البنية التحتية للجيل القادم من الذكاء الاصطناعي. ومن منظوري الذكاء الاصطناعي والتقنيات الأساسية، يقدم هذا المقال تحليلًا شاملًا ومتعمقًا للمنطق الأساسي والاختراقات في منظومة تتبع مصدر بيانات الذكاء الاصطناعي.
النقاط الرئيسية
-
استكشاف التحديات الأوسع والضرورة التقنية لجودة البيانات، وتتبع مصدر حقوق النشر، والتحقق المقاوم للعبث في عصر الذكاء الاصطناعي
-
تحليل منهجي للدافع الاستراتيجي الأعمق وراء استثمار مؤسسة Sui في DATA Network واعتماد Walrus طبقة التخزين الافتراضية
-
دراسة كيفية تمكين التخزين اللامركزي من توفير سلسلة تتبع مصدر بيانات شاملة غير قابلة للتغيير وقابلة للتحقق لتدريب نماذج الذكاء الاصطناعي
-
شرح تفصيلي لكيفية دمج سيادة البيانات وحماية الخصوصية والحوافز الاقتصادية على السلسلة في تطوير النماذج الكبيرة
-
تقديم منظور عقلاني للمشاركة في تخصيص أصول التقنيات الناشئة من خلال منظومة التداول الفوري في منصات التداول الكبرى مثل Gate
أزمة تتبع مصدر البيانات في عصر الذكاء الاصطناعي وكيف يمكن للتخزين اللامركزي معالجتها
لفهم سبب الحاجة الملحة لصناعة الذكاء الاصطناعي إلى «تتبع مصدر البيانات»، ينبغي أولًا دراسة مواطن الضعف في سلاسل توريد البيانات المركزية التقليدية. في ظل نماذج التطوير التجاري الحالية للذكاء الاصطناعي، غالبًا ما يجمع مزودو النماذج الكبيرة كميات هائلة من بيانات النصوص والصور والفيديو من مختلف أنحاء الإنترنت. وخلال هذه العملية، تعتمد معرفة المصدر الأصلي للبيانات، وما إذا كانت قد عُدلت بصورة ضارة، وما إذا كانت تنتهك حقوق الملكية الفكرية للمبدعين، وما إذا أُدخلت «بيانات مسممة» متحيزة أو ضارة أثناء التدريب، على عمليات غير شفافة لدى المزودين المركزيين. ولم يؤد ذلك إلى موجة من دعاوى حقوق النشر حول العالم فحسب، بل أضعف أيضًا بصورة كبيرة أمن نماذج الذكاء الاصطناعي وقابليتها للتفسير.
يتمثل الهدف الأساسي من تتبع مصدر بيانات الذكاء الاصطناعي في إنشاء «هوية رقمية» عامة وشفافة وغير قابلة للتغيير لكل جزء من البيانات المستخدمة في تدريب النماذج الكبيرة. وبدءًا من مصدر جمع البيانات، يتطلب ذلك تثبيت بصمات تجزئة البيانات وأوقات الجمع وسجلات التفويض وجميع سجلات التنقية والنقل اللاحقة بالكامل على دفتر أستاذ لامركزي.
ومع ذلك، يفرض تحقيق تتبع فوري لمصدر كميات ضخمة من بيانات تدريب الذكاء الاصطناعي تكاليف مرتفعة واختناقات في معدل المعالجة على بنى تخزين البلوكشين التقليدية. واستجابةً لهذا التحدي القطاعي تحديدًا، حصلت سلسلة البلوكشين العامة عالية الأداء Sui، إلى جانب شبكات التخزين والبيانات اللامركزية ضمن منظومتها، على فرصة تاريخية. ويعكس استثمار مؤسسة Sui الاستراتيجي الأخير بقيمة $30 مليون في DATA Network، واعتمادها بروتوكول التخزين اللامركزي عالي الأداء Walrus طبقة التخزين الافتراضية، الإمكانات التحويلية لهذا المزيج التقني في تلبية متطلبات معدل المعالجة الضخم وتتبع المصدر القابل للتحقق لبيانات الذكاء الاصطناعي.
تطور منظومة Sui: التكامل التقني بين Walrus وDATA Network
بدعم قوي من مؤسسة Sui، أسس الجمع بين Walrus وDATA Network بنية تحتية جاهزة للاستخدام وعلى مستوى القطاع لتتبع مصدر بيانات الذكاء الاصطناعي. وبصفته بروتوكول تخزين لامركزيًا مصممًا للتخزين الفعّال للملفات الكبيرة والبيانات غير المهيكلة، يستطيع Walrus استيعاب مجموعات بيانات تدريب الذكاء الاصطناعي الضخمة بتكلفة منخفضة جدًا. وفي الوقت نفسه، تركز DATA Network على بناء طبقة قابلة للتحقق لنقل البيانات والتحقق من مصدرها، لضمان سلامة البيانات وأمن الخصوصية أثناء التخزين والنقل.
تكمن قوة هذه البنية التقنية في قدرتها على تجاوز القيد التقليدي المتمثل في أن «البلوكشين لا يستطيع معالجة الملفات الكبيرة بكفاءة». إذ يمكن لمطوري الذكاء الاصطناعي تخزين مجموعات البيانات متعددة الوسائط الكبيرة في Walrus، مع كتابة البراهين التشفيرية والبيانات الوصفية لتتبع المصدر الخاصة بهذه المجموعات على سلسلة البلوكشين العامة عالية الأداء Sui. وعند تدريب نماذج الذكاء الاصطناعي، يستطيع النظام التحقق تلقائيًا عبر العقود الذكية من مشروعية مصادر بيانات التدريب ومستويات جودتها.
ولا يعالج نموذج «فصل التخزين عن التحقق مع تمكين التنسيق الفعال داخل السلسلة وخارجها» مخاطر الامتثال التي واجهها مزودو النماذج الكبيرة منذ فترة طويلة فحسب، بل يفتح أيضًا فرصًا اقتصادية جديدة لمساهمي البيانات حول العالم. ويمكن للأفراد أو المؤسسات التي توفر مجموعات بيانات عالية الجودة ذات مصدر موثق الحصول على حوافز رمزية شفافة عبر العقود الذكية، مما يساعد على تأسيس اقتصاد بيانات ذكاء اصطناعي لامركزي يتمتع بحلقة تغذية راجعة إيجابية على نطاق عالمي.
الحوسبة الخصوصية وبراهين المعرفة الصفرية: مفتاح معالجة تحديات امتثال بيانات تدريب الذكاء الاصطناعي
مع تطور نماذج الذكاء الاصطناعي الكبيرة نحو التطبيقات الرأسية وتطبيقات المؤسسات، غالبًا ما تمثل امتثال البيانات وحماية الخصوصية مصدر قلق رئيسيًا للمطورين. فمن جهة، تفرض لوائح حماية البيانات الصارمة، مثل اللائحة العامة لحماية البيانات في الاتحاد الأوروبي (GDPR)، متطلبات قانونية عالية لجمع البيانات الشخصية واستخدامها. ومن جهة أخرى، تمتلك المؤسسات المالية الكبرى ومؤسسات الرعاية الصحية والشركات كميات هائلة من مجموعات البيانات المتخصصة القيّمة وعالية الدقة، لكنها تتردد في مشاركة البيانات خوفًا من كشف الأسرار التجارية أو مخالفة لوائح الخصوصية. ويقيد هذا التعارض الهيكلي بين «موارد غنية بالبيانات لا يمكن تحقيق قيمة اقتصادية منها» و«نماذج كبيرة تبحث عن البيانات دون تمييز» التطور الأعمق لصناعة الذكاء الاصطناعي بشكل كبير.
يوفر التعاون العميق بين منظومة Sui على السلسلة وDATA Network حلًا تشفيريًا لهذا التحدي من خلال دمج براهين المعرفة الصفرية (ZKPs) مع التخزين اللامركزي. في ظل هذه البنية، لا يحتاج مالكو البيانات إلى كشف البيانات النصية مباشرة لمزودي النماذج الكبيرة أو عُقد التدريب التابعة لجهات خارجية. وبدلًا من ذلك، يمكنهم إنشاء براهين دقيقة رياضيًا وغير قابلة للتزوير على الامتثال والجودة في طبقة التخزين Walrus عبر براهين المعرفة الصفرية. وعندما يستخدم مطورو الذكاء الاصطناعي هذه مجموعات البيانات الحساسة للضبط الدقيق للنماذج الكبيرة أو التعلم الاتحادي، يتحقق النظام من صحة البراهين فقط دون الوصول إلى المحتوى الخاص المحدد.
لا تعالج هذه الآلية المبتكرة المتمثلة في «توفر البيانات دون رؤيتها، مع فصل كامل بين الملكية وحقوق الاستخدام» مخاطر الامتثال القانوني التي واجهها مزودو الذكاء الاصطناعي منذ فترة طويلة من جذورها فحسب، بل تفتح أيضًا سوقًا غير مسبوقة للبيانات الخاصة في الشبكات اللامركزية. إذ يمكن لمؤسسات البحث والمستشفيات والشركات تجميع بياناتها الخاصة كأصول مشفرة ودعم تدريب الذكاء الاصطناعي بأمان مع الحفاظ على الخصوصية الكاملة. ومن خلال الجمع بين التشفير المتقدم وتتبع مصدر بيانات الذكاء الاصطناعي، لا يوسع هذا النموذج التقني نطاق تطبيق سلسلة البلوكشين العامة عالية الأداء Sui بشكل كبير فحسب، بل يضع أيضًا الأساس لتوظيف رأس المال المؤسسي السائد بأمان وامتثال في البنية التحتية للجيل القادم من الذكاء الاصطناعي.
تحليل الأصول في إطار السرد التقني والتكامل مع منظومة التداول الفوري لدى Gate
مع استمرار تطور سردية المحركين المزدوجين المتمثلة في «الذكاء الاصطناعي + التخزين اللامركزي وتتبع مصدر البيانات»، يصبح هذا القطاع العابر للمجالات تدريجيًا مجالًا ذا قيمة يحظى باهتمام وثيق في السوق الثانوية للعملات الرقمية. وعلى خلاف الاتجاهات قصيرة الأجل المدفوعة بمشاعر السوق وحدها، يرتكز التوجه الاستراتيجي لمنظومة Sui في البنية التحتية لبيانات الذكاء الاصطناعي على تحسينات ملموسة في الإنتاجية ضمن الذكاء الاصطناعي واختراقات في التكنولوجيا الأساسية، مما يُظهر مرونة قوية عبر دورات السوق وقيمة استثمارية طويلة الأجل.
ومع ذلك، عند التعامل مع أصول التقنيات الناشئة سريعة التطور، يحتاج المستثمرون غالبًا إلى مراعاة عمق السيولة وامتثال الأصول وسهولة التشغيل. وتؤدي منصات تداول الأصول الرقمية الكبرى دورًا جسريًا لا غنى عنه في هذه العملية. على سبيل المثال، عندما يتابع المستخدمون ويخصصون استثماراتهم للأصول ذات الصلة بالتقنيات الناشئة ومنظومات سلاسل البلوكشين العامة عالية الأداء على Gate، فإنهم يدخلون فعليًا عبر قناة ميسّرة نحو اقتصاد البيانات الذكي المستقبلي.
ومن خلال خدمات التداول الفوري وإدارة الأصول الميسّرة التي تقدمها Gate، يمكن للمستخدمين المشاركة في خلق القيمة عبر قطاعات التقنيات الناشئة بحاجز دخول منخفض. سواء عند التخصيص عبر أصول البنية التحتية عالية الأداء أو تتبع إمكانات النمو طويلة الأجل عند تقاطع التخزين اللامركزي والذكاء الاصطناعي، يوفر الجمع بين «سهولة التداول المركزي» و«الابتكار التكنولوجي اللامركزي» للمستخدمين العاديين مسارًا فعالًا للتعامل مع دورات السوق بثبات أكبر والمشاركة في فوائد الابتكار التكنولوجي العالمي. ومع استمرار التطورات الأوسع، ستواصل منصات مثل Gate، التي توفر سيولة عميقة وحفظًا آمنًا للأصول، أداء دور الجسور القوية، بما يساعد على دفع منظومة الابتكار بأكملها نحو تطوير أعلى جودة.
الأسئلة الشائعة
ما هو تتبع مصدر بيانات الذكاء الاصطناعي، ولماذا يُعد ضروريًا للنماذج الكبيرة؟
يشير تتبع مصدر بيانات الذكاء الاصطناعي إلى التتبع والتحقق طوال دورة حياة البيانات المستخدمة لتدريب نماذج الذكاء الاصطناعي. ويساعد على ضمان أن تكون مصادر البيانات مشروعة وخالية من نزاعات حقوق النشر وغير معدلة بصورة ضارة، بما في ذلك عبر تسميم البيانات. وهو عنصر أساسي لضمان أمن النماذج الكبيرة وامتثالها وقابليتها للتفسير.
ماذا يعني الاستثمار الاستراتيجي لمؤسسة Sui في DATA Network وWalrus؟
يشير ذلك إلى أن منظومة Sui تسرّع توسعها في البنية التحتية للذكاء الاصطناعي والتخزين اللامركزي. ومن خلال استخدام Walrus طبقة التخزين الافتراضية بالاقتران مع DATA Network، يمكن لـSui توفير حلول منخفضة التكلفة وعالية الإنتاجية وقابلة للتحقق لتتبع المصدر على السلسلة لكميات ضخمة من بيانات تدريب الذكاء الاصطناعي.
كيف يمكن للمستثمرين الأفراد المشاركة في قطاع التقنيات الناشئة هذا على Gate؟
يمكن للمستثمرين شراء وبيع الأصول ذات الصلة بسلاسل البلوكشين العامة عالية الأداء والبنية التحتية الأساسية بسهولة عبر سوق التداول الفوري لدى Gate. وبفضل الحفظ الآمن ودعم السيولة العميقة اللذين توفرهما المنصة، يمكنهم المشاركة في إمكانات النمو طويلة الأجل للتكنولوجيا مع إدارة المخاطر التشغيلية بفعالية.
