تعاونت Nuffle Labs و OpenGradient لضمان الذكاء الاصطناعي الآمن على سلاسل الكتل

تعاونت Nuffle Labs مع OpenGradient لتمكين معالجة الذكاء الاصطناعي الآمنة واللامركزية على شبكات البلوكشين.

تهدف التعاون بين الشركتين إلى معالجة تحدي مشترك لمطوري البلوكشين: دمج الذكاء الاصطناعي بدون الاعتماد على حلول مركزية, خارج السلسلة التي قد تعرض الأمان والثقة للخطر، وفقًا لبيان صحفي مشترك مع crypto.news.

كان من الصعب في السابق توافق شبكات البلوكتشين  وتطبيقات الذكاء الاصطناعي. في حين يولي البلوكتشين  الأولوية للأمان والثبات، فإن الذكاء الاصطناعي يتطلب قوة حسابية مرنة وعالية الأداء، مما يخلق حواجز تقنية.

أطلقت Nuffle Labs طبقتها “طبقة النهاية السريعة” لتعزيز سرعات المعاملات والأمان لتطبيقات سلسلة الكتل. ستستفيد OpenGradient من هذه البنية التحتية لمعالجة الذكاء الاصطناعي ذي الثقة المتناقصة عبر شبكات سلسلة الكتل المختلفة.

ماذا يعني هذا التعاون بالنسبة للبلوكشين؟

في الواقع، تعني هذه التعاون أن المطورين الذين يبنون تطبيقات مفتوحة المصدر يمكنهم الآن الوصول إلى قدرات الذكاء الاصطناعي بدون القيود المعتادة لبنية التشفير المشتركة. معظم بنية التشفير تعمل في “حالات” أو بيئات معزولة، مما يجعل من الصعب دمج وظائف الذكاء الاصطناعي مباشرةً داخل السلسلة. نتيجة لذلك، يلجأ المطورون غالبًا إلى خدمات الذكاء الاصطناعي الخارجية والتي تكون أقل أمانًا.

باستخدام بنية Nuffle، تهدف OpenGradient إلى توفير بيئة عبر السلاسل لنماذج الذكاء الاصطناعي التي تعمل داخل سلسلة الكتل، مع الحفاظ على الثقة والأمان.

بالنسبة للمستخدمين الذين غير ملمين بتكنولوجيا التمويل اللامركزي (DeFi) أو التكنولوجيا البلوكتشين ، تكمن أهمية هذا الشراكة في الحاجة إلى الثقة والأمان في التطبيقات الرقمية. توفر التكنولوجيا البلوكتشين  الأمان عن طريق تخزين البيانات عبر شبكة لامركزية بدلاً من خادم مركزي واحد. ومع ذلك ، فقد تأخرت عملية دمج الذكاء الاصطناعي في هذه التكنولوجيا بسبب القيود التقنية.

يهدف العمل المشترك بين Nuffle Labs و OpenGradient إلى التغلب على هذا التحدي، مما يسمح بشكل محتمل لأي تطبيق لامركزي باستخدام وظائف الذكاء الاصطناعي دون التضحية بالأمان.

مع التركيز على بيئة سلسلة الكتل NEAR (NEAR) ، ستستخدم OpenGradient تقنية Nuffle لإجراء المهام الذكاء الاصطناعي ، مثل التحليل واتخاذ القرار في الوقت الحقيقي ، مباشرة داخل السلسلة. يتجاوز هذا النهج بعض القيود الأداء التي واجهتها الشبكات المركزية في الماضي ، وخاصة فيما يتعلق بالمطالب الحسابية العالية للمهام الذكاء الاصطناعي.