الذكاء الاصطناعي × DePIN: ما هي الفرص الجديدة التي ستولد من تصادم المسارات الساخنة؟

المؤلفون: ساخر ، شيغيرو

هذا هو المجلد الثاني من سلسلة Web3 x الذكاء الاصطناعي من التقارير البحثية، والجزء التمهيدي مفصل في “من التوازي إلى التقارب: استكشاف الموجة الجديدة للاقتصاد الرقمي بقيادة تقارب Web3 و الذكاء الاصطناعي”

مع استمرار العالم في تسريع تحوله الرقمي ، أصبحت الذكاء الاصطناعي و DePIN (البنية التحتية المادية اللامركزية) تقنيات أساسية تقود التغيير عبر الصناعات. لن يؤدي دمج الذكاء الاصطناعي و DePIN إلى تعزيز التكرار السريع للتكنولوجيا وتطبيقها فحسب ، بل سيفتح أيضا نموذج خدمة أكثر أمانا وشفافية وكفاءة ، مما يؤدي إلى تغييرات بعيدة المدى في الاقتصاد العالمي.

DePIN: اللامركزية من الافتراضية إلى الواقعية، الدعامة الأساسية للاقتصاد الرقمي

DePIN هو اختصار للبنية التحتية المادية اللامركزية اللامركزية. بالمعنى الضيق ، يشير DePIN بشكل أساسي إلى الشبكة الموزعة للبنية التحتية المادية التقليدية المدعومة بتقنية دفتر الأستاذ الموزع ، مثل شبكات الطاقة وشبكات الاتصالات وشبكات تحديد المواقع وما إلى ذلك. بشكل عام ، يمكن تسمية جميع الشبكات الموزعة التي تدعمها الأجهزة المادية ، مثل شبكات التخزين وشبكات الحوسبة ، باسم DePINs.

من: مساري

إذا جلبت Crypto اللامركزية على المستوى المالي ، فإن DePIN هو حل اللامركزية في الاقتصاد الحقيقي. يمكن القول أن جهاز تعدين PoW هو نوع من DePIN. كان DePIN ركيزة أساسية ل Web3 منذ اليوم الأول.

العناصر الثلاثة ل الذكاء الاصطناعي - الخوارزمية وقوة الحوسبة والبيانات ، يحتل DePIN حصريا العنصر الثاني

يعتبر تطوير الذكاء الاصطناعي بشكل عام يعتمد على ثلاثة عناصر رئيسية: الخوارزمية وقوة الحوسبة والبيانات. تشير الخوارزميات إلى النماذج الرياضية ومنطق البرنامج الذي يقود الأنظمة الذكاء الاصطناعي ، وتشير قوة الحوسبة إلى موارد الحوسبة المطلوبة لتنفيذ هذه الخوارزميات ، والبيانات هي الأساس لتدريب النماذج الذكاء الاصطناعي وتحسينها.

أي من العناصر الثلاثة هو الأكثر أهمية؟قبل ظهور chatGPT ، اعتقد الناس عادة أنها خوارزمية ، وإلا فلن تمتلئ المؤتمرات الأكاديمية وأوراق المجلات بخوارزمية واحدة تلو الأخرى. ومع ذلك ، عندما تم الكشف عن chatGPT ونموذج اللغة الكبير LLM الذي يدعم ذكائه ، بدأ الناس يدركون أهمية الأخيرين. تعد قوة الحوسبة شرطا أساسيا للنماذج ، وجودة البيانات وتنوعها أمران حاسمان لبناء أنظمة الذكاء الاصطناعي قوية وفعالة ، ولم تعد متطلبات الخوارزمية مصقولة كالمعتاد.

في عصر النماذج الكبيرة ، تغيرت الذكاء الاصطناعي من الحرفية الدقيقة إلى الطوب الطائر القوي ، ويتزايد الطلب على قوة الحوسبة والبيانات يوما بعد يوم ، ويمكن ل DePIN توفير ذلك بالضبط. تستفيد الحوافز الرمزية من سوق الذيل الطويل ، وستصبح قوة الحوسبة والتخزين الضخمة على مستوى المستهلك أفضل غذاء للنماذج الكبيرة.

لامركزية الذكاء الاصطناعي ليست اختيارية ، ولكنها إلزامية

بالطبع ، سيسأل بعض الناس ، قوة الحوسبة والبيانات متوفرة في غرفة كمبيوتر AWS ، وهي أفضل من DePIN من حيث الاستقرار وتجربة المستخدم ، فلماذا تختار DePIN بدلا من الخدمات المركزية؟

هذا البيان منطقي بشكل طبيعي ، بعد كل شيء ، طوال الوقت الحاضر ، يتم تطوير جميع الطرز الكبيرة تقريبا بشكل مباشر أو غير مباشر من قبل شركات الإنترنت الكبيرة ، chatGPT وراء Microsoft ، الجوزاء وراء Google ، مصنعي الإنترنت في الصين تقريبا كل شخص لديه نموذج كبير. لماذا؟ لأن شركات الإنترنت الكبيرة فقط لديها ما يكفي من البيانات عالية الجودة والدعم المالي القوي لقوة الحوسبة. لكن هذا ليس صحيحا ، فالناس لا يريدون أن يتم التلاعب بهم من قبل عمالقة الإنترنت بعد الآن.

من ناحية ، تنطوي الذكاء الاصطناعي المركزية على مخاطر تتعلق بخصوصية البيانات وأمنها ، والتي يمكن مراقبتها والتحكم فيها ، ومن ناحية أخرى ، فإن الذكاء الاصطناعي التي يصنعها عمالقة الإنترنت ستزيد من اعتماد الناس ، وتؤدي إلى تركيز السوق ، وترفع الحواجز أمام الابتكار.

من:

لا ينبغي للبشرية أن تحتاج إلى مارتن لوثر في عصر الذكاء الاصطناعي ، ويجب أن يكون للناس الحق في التحدث مباشرة إلى الله.

DePIN من منظور الأعمال: خفض التكاليف وزيادة الكفاءة هما المفتاح

حتى لو وضعنا جانبا الجدل حول القيمة بين اللامركزية والمركزية ، من منظور الأعمال ، فإن استخدام DePIN for الذكاء الاصطناعي لا يزال له مزاياه.

بادئ ذي بدء ، نحتاج إلى أن نفهم بوضوح أنه على الرغم من أن عمالقة الإنترنت لديهم عدد كبير من موارد بطاقات الرسومات المتطورة في أيديهم ، فإن الجمع بين بطاقات الرسومات الاستهلاكية المنتشرة في القطاع الخاص يمكن أن يشكل أيضا شبكة طاقة حوسبة كبيرة جدا ، أي التأثير طويل الذيل لقوة الحوسبة. معدل الخمول لهذا النوع من بطاقات الرسومات الاستهلاكية مرتفع جدا في الواقع. طالما أن الحافز الذي تقدمه DePIN يتجاوز فاتورة الكهرباء ، يتم تحفيز المستخدمين للمساهمة بقوة الحوسبة في الشبكة. في الوقت نفسه ، تتم إدارة جميع المرافق المادية من قبل المستخدمين أنفسهم ، ولا تحتاج شبكة DePIN إلى تحمل التكاليف التشغيلية التي لا يمكن تجنبها من قبل البائعين المركزيين ، ولكنها تركز فقط على تصميم البروتوكول نفسه.

بالنسبة للبيانات ، يمكن لشبكات DePIN إطلاق توفر البيانات المحتملة وإسقاط تكاليف الإرسال من خلال حوسبة الحافة والطرق الأخرى. في الوقت نفسه ، تتمتع معظم شبكات التخزين الموزعة بقدرات إلغاء البيانات المكررة تلقائيا ، مما يقلل من عمل تنظيف بيانات التدريب الذكاء الاصطناعي.

أخيرا ، يعزز الاقتصاد المشفر الناجم عن DePIN مساحة التسامح مع الخطأ في النظام ، والتي من المتوقع أن تحقق وضعا مربحا للجانبين لمقدمي الخدمات والمستهلكين والمنصات.

من: جامعة كاليفورنيا في لوس أنجلوس

في حال لم تكن مقتنعا ، تظهر أحدث أبحاث جامعة كاليفورنيا في لوس أنجلوس أن استخدام الحوسبة اللامركزية يحقق أداء 2.75x مقارنة بمجموعات GPU التقليدية بنفس التكلفة ، وتحديدا 1.22x أسرع و 4.83x أرخص.

ما هي تحديات AIxDePIN؟

نختار الذهاب إلى القمر في هذا العقد والقيام بالأشياء الأخرى ، ليس لأنها سهلة ، ولكن لأنها صعبة.

لا يزال البناء غير الموثوق به لنماذج الذكاء الاصطناعي باستخدام التخزين الموزع والحوسبة الموزعة من DePIN يمثل العديد من التحديات.

التحقق من الوظيفة

بشكل أساسي ، تعد نماذج تعلم العمق الحسابي وتعدين إثبات العمل حوسبة للأغراض العامة ، والطبقة الأدنى هي تغيير الإشارة بين البوابات. من الناحية المجهرية ، يعد PoW Mining “حسابا عديم الفائدة” يحاول الوصول إلى قيمة تجزئة مسبوقة ب n أصفار من خلال عدد لا يحصى من حسابات توليد الأرقام العشوائية ودالة التجزئة ، في حين أن حساب تعلم العمق هو “حساب مفيد” يحسب قيم المعلمات لكل طبقة من التعلم العميق من خلال الاشتقاق الأمامي والاشتقاق العكسي ، وذلك لبناء نموذج الذكاء الاصطناعي فعال.

الحقيقة هي أن “الحسابات عديمة الفائدة” مثل PoW Mining تستخدم وظائف التجزئة ، ومن السهل حساب الصورة من الصورة المسبقة ، ومن الصعب حساب الصورة المسبقة من الصورة ، لذلك يمكن لأي شخص التحقق بسهولة وسرعة من صحة الحساب ، بينما لحساب نموذج تعلم العمق ، نظرا للهيكل الهرمي ، يتم استخدام مخرجات كل طبقة كمدخل للطبقة التالية ، لذا فإن التحقق من صحة الحساب يتطلب كل العمل السابق ، ولا يمكن التحقق منه ببساطة وفعالية.

من: AWS

يعد التحقق من العمل أمرا بالغ الأهمية ، وإلا يمكن لمزود الحساب ببساطة إرسال نتيجة تم إنشاؤها عشوائيا دون حساب.

أحد أنواع الأفكار هو أن تقوم خوادم مختلفة بنفس مهمة الحوسبة ، والتحقق من صحة العمل عن طريق تكراره والتحقق من أنه هو نفسه. ومع ذلك ، فإن الغالبية العظمى من حسابات النموذج غير حتمية ، ولا يمكن إعادة إنتاج نفس النتائج حتى في نفس بيئة الحوسبة بالضبط ، ويمكن تحقيق أوجه التشابه الإحصائية فقط. بالإضافة إلى ذلك ، يؤدي العد المزدوج إلى ارتفاع سريع في التكاليف ، وهو ما لا يتوافق مع الهدف الرئيسي ل DePIN المتمثل في خفض التكاليف وزيادة الكفاءة.

نوع آخر من الأفكار هو آلية Optimistic ، والتي تعتقد أولا بتفاؤل أن النتيجة محسوبة بشكل صحيح ، وفي نفس الوقت تسمح لأي شخص بالتحقق من نتائج الحساب ، وإذا تم العثور على خطأ ، يمكن تقديم دليل على الاحتيال ، ويخفض البروتوكول المحتال ويكافئ المبلغين عن المخالفات.

التوازي

كما ذكرنا سابقا ، تستفيد DePIN بشكل أساسي من سوق طاقة الحوسبة طويل الذيل من فئة المستهلك ، والذي محكوم عليه بقوة الحوسبة المحدودة التي يمكن أن يوفرها جهاز واحد. بالنسبة لنماذج الذكاء الاصطناعي الكبيرة ، يمكن أن يكون التدريب على جهاز واحد طويلا جدا ، ويجب استخدام التوازي لتقليل الوقت اللازم للتدريب.

تكمن الصعوبة الرئيسية في موازاة تدريب التعلم المتعمق في الاعتماد بين المهام الأمامية والخلفية ، مما يجعل من الصعب تحقيق التوازي.

في الوقت الحاضر ، ينقسم توازي التدريب على التعلم المتعمق بشكل أساسي إلى توازي البيانات وتوازي النموذج.

يشير توازي البيانات إلى توزيع البيانات عبر أجهزة متعددة ، حيث يخزن كل جهاز جميع معلمات النموذج ، ويستخدم البيانات المحلية للتدريب ، وأخيرا يجمع معلمات كل جهاز. يعمل توازي البيانات بشكل جيد عندما يكون هناك كمية كبيرة من البيانات ، ولكن الاتصال المتزامن مطلوب لتجميع المعلمات.

يعني توازي النموذج أنه عندما يكون حجم النموذج كبيرا جدا بحيث لا يتناسب مع جهاز واحد ، يمكن تقسيم النموذج على أجهزة متعددة ، ويحفظ كل جهاز جزءا من معلمات النموذج. يتطلب الانتشار الأمامي والخلفي الاتصال بين الآلات المختلفة. يتميز توازي النموذج بمزايا عندما يكون النموذج كبيرا ، لكن حمل الاتصال يكون كبيرا عند الانتشار للخلف وللأمام.

بالنسبة لمعلومات التدرج بين الطبقات المختلفة ، يمكن تقسيمها إلى تحديث متزامن وتحديث غير متزامن. التحديثات المتزامنة واضحة ومباشرة ولكنها تزيد من أوقات الانتظار ؛ التحديث غير المتزامن أوقات انتظار الخوارزمية قصيرة ولكنها تقدم مشكلات في الاستقرار.

من: جامعة ستانفورد ، التعلم العميق المتوازي والموزع

الخصوصية

يطلق العالم اتجاها للتفكير لحماية الخصوصية الشخصية ، وتعمل الحكومات في جميع أنحاء العالم على تعزيز حماية أمن خصوصية البيانات الشخصية. بينما تستخدم الذكاء الاصطناعي مجموعات البيانات المتاحة للجمهور على نطاق واسع ، فإن بيانات المستخدم الخاصة بالمؤسسة هي التي تفصل حقا بين نماذج الذكاء الاصطناعي المختلفة.

كيف يمكنني الحصول على فوائد البيانات المسجلة الملكية أثناء عملية التدريب دون الكشف عن الخصوصية ، وكيف يمكنني التأكد من عدم تسريب معلمات نموذج الذكاء الاصطناعي الذي أقوم ببنائه؟

هذان جانبان من الخصوصية ، خصوصية البيانات وخصوصية النموذج. تحمي خصوصية البيانات المستخدمين ، بينما تحمي خصوصية النموذج المؤسسة التي تبني النموذج. في السيناريو الحالي ، تعد خصوصية البيانات أكثر أهمية من خصوصية النموذج.

تحاول خيارات متعددة معالجة مخاوف الخصوصية. يضمن التعلم الموحد خصوصية البيانات من خلال التدريب على مصدر البيانات ، والحفاظ على البيانات المحلية أثناء إرسال معلمات النموذج ؛ قد يصبح إثبات المعرفة الصفرية نجما صاعدا.

دراسة حالة: ما هي المشاريع عالية الجودة في السوق؟

جينسين

Gensyn هي شبكة حوسبة موزعة للتدريب الذكاء الاصطناعي النماذج. تستخدم الشبكة طبقة 1 Blockchain المستندة إلى Polkadot للتحقق من أن مهام التعلم العميق قد تم تنفيذها بشكل صحيح وتشغيل المدفوعات عبر الأوامر. تأسست في عام 2020 ، وكشفت عن جولة تمويل من السلسلة A بقيمة 43 مليون دولار في يونيو 2023 ، بقيادة a16z.

يستخدم Gensyn البيانات الوصفية لعملية التحسين القائمة على التدرج لإنشاء شهادة العمل المنجز ، ويتم تنفيذه باستمرار من خلال بروتوكول دقة متعدد التفاصيل قائم على الرسم البياني ومقيم متقاطع للسماح بإعادة تشغيل أعمال التحقق ومقارنة الاتساق ، وتأكيدها في النهاية بواسطة السلسلة نفسها ، مما يضمن صحة الحساب. لزيادة تعزيز موثوقية إثبات العمل ، قدمت Gensyn Staking لخلق الحوافز.

هناك أربعة أنواع من المشاركين في النظام: المرسلون ، والمحللون ، والمدققون ، والمبلغون عن المخالفات.

• المرسل هو المستخدم النهائي للنظام ، ويوفر المهام التي سيتم حسابها ، ويدفع مقابل وحدات العمل التي تم إنجازها.
• الحل هو العامل الأساسي للنظام ، حيث يقوم بتدريب النموذج وتوليد البراهين لفحص المدقق.
• المدقق هو المفتاح لربط عملية التدريب غير الحتمية بالحساب الخطي الحتمي ، وتكرار جزء من إثبات الحل ومقارنة المسافة بالعتبة المتوقعة.
• المبلغون عن المخالفات هم خط الدفاع الأخير ، والتحقق من عمل المدققين وطرح التحديات ، ويتم منح المكافآت عند اجتياز التحديات.

يحتاج المحلل إلى تقديم تعهد ، ويختبر المبلغ عن المخالفات عمل المحلل ، إذا وجد شرا ، فإنه يتحداه ، وبعد اجتياز التحدي ، تتم مصادرة الرمز المميز الذي تعهد به الحل ، ويحصل المبلغ عن المخالفات على مكافأة.

وفقا لتوقعات Gensyn ، من المتوقع أن يقلل هذا الحل من تكلفة التدريب إلى 1/5 من تكلفة البائعين المركزيين.

من: جينسين

FedML

FedML عبارة عن منصة للتعلم الآلي التعاوني اللامركزي من أجل اللامركزية الذكاء الاصطناعي التعاوني على أي نطاق وفي أي مكان. وبشكل أكثر تحديدا ، يوفر FedML نظاما بيئيا MLOps لتدريب نماذج التعلم الآلي ونشرها ومراقبتها وتحسينها باستمرار أثناء التعاون في البيانات والنماذج والموارد المجمعة بطريقة تحافظ على الخصوصية. تأسست FedML في عام 2022 ، وكشفت عن جولة تمويل أولي بقيمة 6 ملايين دولار في مارس 2023.

يتكون FedML من مكونين رئيسيين ، FedML-API و FedML-core ، يمثلان واجهة برمجة التطبيقات عالية المستوى وواجهة برمجة التطبيقات الأساسية ، على التوالي.

يتكون FedML-core من وحدتين منفصلتين: الاتصالات الموزعة والتدريب النموذجي. وحدة الاتصال مسؤولة عن التواصل الأساسي بين مختلف العمال / العملاء وتستند إلى MPI ؛ تعتمد وحدة التدريب النموذجية على PyTorch.

تم بناء FedML-API على قمة FedML-core. باستخدام FedML-core ، يمكن تنفيذ الخوارزميات الموزعة الجديدة بسهولة من خلال استخدام واجهات البرمجة الموجهة للعميل.

يثبت أحدث عمل لفريق FedML أن الاستدلال النموذجي الذكاء الاصطناعي على وحدة معالجة الرسومات RTX 4090 من فئة المستهلك باستخدام FedML Nexus الذكاء الاصطناعي أرخص 20 مرة وأسرع 1.88 مرة من A100.

من: FedML

النظرة المستقبلية: DePIN يضفي الطابع الديمقراطي على الذكاء الاصطناعي

في يوم من الأيام ، ستتطور الذكاء الاصطناعي إلى AGI ، وستصبح قوة الحوسبة العملة العالمية بحكم الأمر الواقع ، وستجعل DePIN هذا يحدث في وقت أقرب.

فتح التقارب بين الذكاء الاصطناعي و DePIN نقطة نمو تكنولوجية جديدة ووفر فرصا هائلة لتطوير الذكاء الاصطناعي. يوفر DePIN كميات هائلة من قوة الحوسبة الموزعة والبيانات الذكاء الاصطناعي ، مما يساعد على تدريب نماذج أكبر وتحقيق قدر أكبر من الذكاء. في الوقت نفسه ، يمكن DePIN أيضا الذكاء الاصطناعي من أن يصبحوا أكثر انفتاحا وأمانا وموثوقية ، مما يقلل من الاعتماد على بنية تحتية مركزية واحدة.

من الآن فصاعدا ، ستستمر الذكاء الاصطناعي و DePIN في التطور في التآزر. ستوفر الشبكات الموزعة أساسا قويا لتدريب نماذج كبيرة جدا ، والتي بدورها ستلعب دورا مهما في تطبيق DePIN. مع حماية الخصوصية والأمان ، سيساعد الذكاء الاصطناعي أيضا في تحسين بروتوكولات وخوارزميات شبكة DePIN. نتطلع إلى عالم رقمي أكثر كفاءة وعدلا وثقة مع الذكاء الاصطناعي و DePIN.

مرجع:

_reports/التحوط_usmani.pdf