المخاطر والتحديات واتجاهات التطوير المستقبلية للذكاء الاصطناعي اللامركزي

مقدمة

على الرغم من أن الذكاء الاصطناعي اللامركزي يتمتع بالعديد من المزايا، إلا أنه يواجه أيضًا بعض العديد من المخاطر والتحديات. باعتبارها المقالة الثالثة في هذه السلسلة، ستحلل لك هذه المقالة هذه التحديات وتتطلع إلى اتجاه التطوير المستقبلي للذكاء الاصطناعي اللامركزي.

كما نرحب برجال الأعمال وأطراف المشاريع في هذا الاتجاه للتواصل معنا.

فرص تطوير وكيل الذكاء الاصطناعي

عامل الذكاء الاصطناعي هو التطور الطبيعي للنماذج الكبيرة، من خلال تقديم آلية الذاكرة وتحليل المهام و القدرة على التخطيط، الذكاء الاصطناعي يمكن للوكلاء إدراك البيئة واتخاذ القرارات بشكل مستقل وتنفيذ المهام المعقدة.

على الرغم من أن النماذج الكبيرة الموجودة يمكنها إنشاء نص وحل المشكلات، إلا أنها لا تمتلك حتى الآن إمكانات كاملة لتخطيط المهام وتنفيذها. سيقوم AI Agent بالتعويض عن هذا النقص وتحسين أداء الذكاء الاصطناعي في المهام المعقدة.

إذا كان الذكاء الاصطناعي عبارة عن طاقة نووية، فلا ينبغي أن يكون في أيدي عدد قليل من الأشخاص فقط. سيضمن وكيل الذكاء الاصطناعي اللامركزي عدالة وشفافية تكنولوجيا الذكاء الاصطناعي من خلال تقنية blockchain والتشفير.

في مجتمع العملاء المستقبلي، سيصبح الذكاء الاصطناعي اللامركزي اتجاهًا لا مفر منه لحل المشكلات التي تواجهها أنظمة الذكاء الاصطناعي المركزية الحالية.

فرص تطوير التعليقات التوضيحية للبيانات:

يتضمن إعداد البيانات جمع البيانات وتنظيفها وتعليقها وتحسينها، تزيد متطلبات الذكاء الاصطناعي المتنوعة للبيانات من اعتمادها على تعليقات توضيحية عالية الدقة ومخصصة للغاية، كما أن دورة العمل الطويلة وتكلفة العمالة المرتفعة لتعليق البيانات تحد من تطوير صناعة الذكاء الاصطناعي.

يمكن لـ Web3 الوصول إلى عدد كبير من العاملين في مجال جمع بيانات الذكاء الاصطناعي والتعليقات التوضيحية في مناطق مختلفة حول العالم من خلالآلية الحوافز الاقتصادية، مما يسمح لهم بالاستفادة من مساهمات البيانات.

الحالة: بروتوكول المحيط لسوق تداول البيانات

آلية التشغيل

• مقدمو الخدمة: يمكن لموفري البيانات إصدار وبيع رموز البيانات الخاصة بهم لكسب الدخل.

• المستهلكون: اشترِ أو اربح رموز البيانات المطلوبة لتتمكن من الوصول.

• الأسواق: تشير إلى سوق تداول بيانات مفتوح وشفاف وعادل يقدمه Ocean Protocol أو طرف ثالث يمكنه الاتصال مقدمي الخدمات والمستهلكين حول العالم وتوفير رموز البيانات في أنواع ومجالات متعددة.

• الشبكة: تشير إلى طبقة الشبكة اللامركزية التي يوفرها بروتوكول المحيط.

• المنسق: يشير إلى الدور في النظام البيئي المسؤول عن فحص مجموعات البيانات وإدارتها ومراجعتها معلومات المصدر والمحتوى والتنسيق والترخيص لمجموعة البيانات للتأكد من أن مجموعة البيانات تلبي المعايير ويمكن الوثوق بها واستخدامها من قبل المستخدمين الآخرين.

• المدقق (المدقق): يشير إلى الدور في النظام البيئي المسؤول عن التحقق من وتدقيق معاملات البيانات وخدمات البيانات.

الملخص: وكيل الذكاء الاصطناعيوالتعليق التوضيحي للبيانات اللامركزية< /strong>يعد حاليًا اثنين من الاتجاهات الأكثر شيوعًا في DeAI، وتقوم العديد من فرق ريادة الأعمال بتطويرهما.

المخاطر والتحديات التي يواجهها الذكاء الاصطناعي اللامركزي

• القيود المفروضة على تمكين Web3 لـ الذكاء الاصطناعي: بسبب عدد مستخدمي تشفير Web3 محدود، ونطاق آلية الحوافز الاقتصادية صغير. وهذا يحد من التطور السريع للذكاء الاصطناعي اللامركزي ويتطلب المزيد من مشاركة المستخدمين وقبولهم.

• تحديات تقنية إثبات المعرفة الصفرية: دقة القياس الكمي، والأجهزة المتطلبات والهجمات العدائية. تتمتع تقنية إثبات المعرفة الصفرية (ZKP) بأهمية طويلة المدى في تحقيق إمكانية التحقق من النموذج، ولكنها لا تزال تواجه صعوبات فنية وتحديات في التنفيذ.

• جاذبية ميزة التكلفة: إذا كانت موارد الحوسبة متوفرة في السوق يتم تخفيفها، وسوف تتضاءل قيمة وتكلفة شبكات الطاقة الحاسوبية اللامركزية. ويتطلب ذلكلامركزيةالذكاء الاصطناعي لتحسين الكفاءة بشكل مستمر وخفض التكاليف للحفاظ على قدرتها التنافسية.

• AI و مشكلات الكفاءة والتكلفة في الجمع بين التشفير: كفاءة أداء مهام الحوسبة الخاصة باستخدام تقنية إثبات المعرفة الصفرية أو تقنية التشفير المتماثل بالكامل (FHE) أقل بكثير من تنفيذ النص العادي. نظرًا لمتطلبات الحوسبة العالية لـ AI، فإن إضافة تقنية التشفير ستؤدي إلى زيادة التكلفة وقد يكون من الصعب تنفيذها عمليًا.

• AI عميق مشكلة زائفة: يواجه الذكاء الاصطناعيمشكلة اختناق في الاتصال كبيرة في التدريب النموذجي. يستهلك التبادل المتكرر لمعلمات النموذج ومعلومات التدرج الكثير من النطاق الترددي للشبكة ويولد حملًا عاليًا للاتصالات. وفي الوقت نفسه، ستؤثر مشكلات المزامنة الخاصة بكل عقدة أيضًا على نتائج التدريب، مما يتطلب عمليات التحقق والمزامنة المتكررة من البيانات.

• AI النشر يؤدي إلى زيادة خطرالتزييف العميق. في سيناريو التمكين المشترك لـ Web3 وAI، من الضروري منعAI خطر التزييف.

اللامركزيةالذكاء الاصطناعياتجاه التنمية المستقبلية< /p>

طبقة النموذج: بصفته الذكاء الاصطناعي الوكيل يصبح أكثر انتشارًا< نمط الامتداد = "mso-تسليط الضوء: Yellow;">، سيعتمد المستخدمون في المستقبل على الذكاء الاصطناعي الوكيل للمساعدة، يعد إكمال المهام بنفسك هو المفتاح لربط طبقة النموذج وطبقة التطبيق. تتشكل منصات تنويع النماذج تدريجيًا، ولا تزال تكلفة النماذج الكبيرة في انخفاض

طبقة التدريب: التدريب اللامركزيالذكاء الاصطناعي يتمتع النموذج بإمكانية التنفيذ، ولكن نظرًا لأن متطلبات الاستدلال أكبر بكثير من متطلبات التدريب، فإن طبقة التدريب ستعتمد بشكل أكبر على قوة الحوسبة المركزية.

طبقة طاقة الحوسبة: تقلل قوة الحوسبة اللامركزية بشكل فعالتكاليف استخدام وحدة معالجة الرسومات، على مستوى المؤسسةوحدة معالجة الرسومات احتياجات طاقة الحوسبة الحالية. وفي المستقبل، ستكون وحدة معالجة الرسومات مفيدة

طبقة البيانات: أصبح الحصول على البيانات العامة أمرًا صعبًا بشكل متزايد، سيكون المستقبل هو جمع البيانات اللامركزية وتعليق البياناتالذكاء الاصطناعيطريقة مهمة لمصدر البيانات ومعالجتها

الاستنتاج