ما هو الذكاء الاصطناعي اللامركزي؟

لقد حقق الذكاء الاصطناعي تقدماً ملحوظاً في السنوات الأخيرة، مُحدثاً تحولاً جذرياً في مختلف الصناعات ومُغيراً مسار حياتنا اليومية. مع ذلك، تهيمن شركات التكنولوجيا الكبرى على مشهد الذكاء الاصطناعي اليوم، مُتحكمةً بكميات هائلة من البيانات، وموارد الحوسبة، ونماذج الذكاء الاصطناعي المُتطورة. وقد أثارت هذه الديناميكيات مخاوف بشأن الخصوصية، والأمن، والعدالة، وتركز السلطة في أيدي قلة من الجهات.

الذكاء الاصطناعي اللامركزي هو نهج مختلف جذرياً لتطوير ونشر وإدارة أنظمة الذكاء الاصطناعي التي توزع المكونات الرئيسية عبر شبكة من المشاركين بدلاً من مركزتها تحت سيطرة كيان واحد.

دعونا نستكشف المكونات الأساسية للذكاء الاصطناعي اللامركزي، وكيف تتم مقارنتها بنظيراتها المركزية، والفوائد والتحديات التي تنتظرنا.

التعلم الاتحادي

تجمع أنظمة الذكاء الاصطناعي المركزية البيانات من مصادر متعددة، مثل قاعدة مستخدميها أو قواعد البيانات العامة، وتُركّزها في موقع واحد. عند تدريب نموذج ما، تُصبح مجموعة البيانات بأكملها متاحة لخوادم أو مجموعات حاسوبية قوية تستخدمها للتدريب. وهذا يُثير مشاكل تتعلق بالخصوصية والأمان بدأت تظهر اليوم.

تُحفَّز شركات التكنولوجيا الكبرى على جمع أكبر قدر ممكن من البيانات، مما يضعها في خلاف مع مراعاة الخصوصية المستهلكون. في الوقت نفسه، قد تحتاج الشركات التي ترغب في الاستفادة من الذكاء الاصطناعي المركزي إلى إرسال بياناتها إلى هذه الخدمات، مما يخلق مشكلات محتملة تتعلق بالخصوصية وأمن البيانات. 

يتبنى الذكاء الاصطناعي اللامركزي فكرة التعلم الموحد، التي تمنح كل مشارك التحكم في بياناته المحلية. وباستخدام هذا المفهوم، يرسل خادم مركزي النموذج الحالي إلى مجموعة فرعية من المشاركين الذين يدربونه على بياناتهم، قبل أن يرسل تحديثات النموذج فقط إلى الخادم لتحسين النموذج العام.

الحوسبة الجماعية

تنفق شركات الذكاء الاصطناعي التقليدية موارد هائلة على القدرة الحاسوبية لتدريب أحدث نماذجها. ووفقًا لـ HSBC، قد تتراوح تكلفة تدريب ChatGPT-5 بين 1.7 مليار دولار و2.5 مليار دولار! وقد أدى التنافس المحموم على بناء نماذج أفضل إلى زيادة حادة في الطلب على وحدات معالجة الرسومات وغيرها من الأجهزة (وزيادة في سعر سهم NVIDIA!).

تُشكّل هذه التكاليف الباهظة عائقًا رئيسيًا أمام الحكومات والجامعات والباحثين الراغبين في تدريب نماذج ذكاء اصطناعي تنافسية خاصة بهم. فبينما تُقدّم فيسبوك نموذجها الأساسي "لاما" مجانًا، يتعيّن على المستخدمين الاعتماد على معايير التدريب الأولية والإعدادات الأخرى التي تُوفّرها الشركة عند استخدام النموذج لأغراضهم الخاصة.

ابتكر مشروع SETI@home فكرة الحوسبة الجماعية لاستكشاف الكون، ولاحقًا مشروع Folding@home لاكتشاف علاجات جديدة. ويهدف الذكاء الاصطناعي اللامركزي إلى الاستفادة من المبادئ نفسها لتسخير قوة الحواسيب الشخصية والهواتف الذكية وغيرها من الأجهزة الاستهلاكية لأداء مهام الذكاء الاصطناعي التي يستخدم الذكاء الاصطناعي المركزي مراكز البيانات لأدائها.

الحوكمة التعاونية

تُثير أنظمة الذكاء الاصطناعي المركزية مشكلة حوكمة جوهرية. فعلى سبيل المثال، قد تبيع شركات التكنولوجيا الكبرى التي تتحكم في الذكاء الاصطناعي إمكانية الوصول إليه لأي جهة تختارها لتحقيق أقصى قدر من الأرباح. ومن جهة أخرى، قد ترفض منح هذه الشركات إمكانية الوصول لأي جهة تختارها. والنتيجة هي جهة تحكم لا تخضع للمساءلة إلا أمام مساهميها.

إضافةً إلى ذلك، لا تتوفر معلومات كافية حول كيفية تدريب النماذج ونوع البيانات المستخدمة، مما قد يؤدي إلى تحيزات يصعب على المستخدمين النهائيين تقييمها. وقد بدأت العديد من هذه التحيزات بالظهور بالفعل، مثل تحيز نظام إدارة ملفات تعريف المجرمين في السجون (COMPAS) الذي يميل إلى اعتبار المتهمين السود أكثر عرضةً لارتكاب الجرائم مرة أخرى.

يهدف الذكاء الاصطناعي اللامركزي إلى الاستفادة من الحوكمة التعاونية مثل المنظمات اللامركزية المستقلة (المنظمات اللامركزية المستقلة). تستخدم هذه المنظمات رموز الحوكمة لتمكين أفراد المجتمع من اتخاذ القرارات المتعلقة بالمشروع وأهدافه. شفرة المصدر الخاصة بالمنظمة متاحة للجميع للاطلاع عليها أو تطويرها.

مشاريع الذكاء الاصطناعي اللامركزية

لا يزال الذكاء الاصطناعي اللامركزي في مراحله الأولى مقارنةً بمشاريع الذكاء الاصطناعي المركزي مثل OpenAI أو Llama. مع ذلك، يتزايد عدد المشاريع التي تستفيد من التعلم الموحد والحوسبة الجماعية والحوكمة التعاونية. يمكن لهذه المشاريع أن تبني على أسس الذكاء الاصطناعي المركزي لتزويد المستخدمين بخيارات بديلة.

تتضمن بعض المشاريع الأكثر شعبية ما يلي:

• جينسين يربط هذا المشروع جميع أجهزة الكمبيوتر في العالم بشبكة واحدة، مما يتيح تدريب التعلم الآلي البرمجي بتكلفة منخفضة وعلى نطاق واسع. وتوضح المنظمة منهجها في ورقتها البحثية المختصرة.
  
• أورت هي منصة حوسبة سحابية لامركزية وقابلة للتحقق، تستخدم موارد عالمية، من مراكز البيانات إلى الهواتف الذكية، لتمكين تطبيقات الذكاء الاصطناعي الموثوقة. والجدير بالذكر أن المشروع مُتاح بالفعل للعملاء.
  
• بيتنسور وهي رائدة في الإنتاج اللامركزي للذكاء الاصطناعي من خلال إنتاج سلع رقمية تنافسية، مثل الذكاء الآلي، ومساحة التخزين، وقوة الحوسبة، أو طي البروتين.

ليس من المستغرب أن تتداخل العديد من هذه المشاريع مع أنظمة العملات الرقمية وتقنية البلوك تشين. توفر تقنية البلوك تشين طريقة لامركزية لتنظيم المعلومات، بينما تُسهّل العملات الرقمية خلق حوافز فردية لتحقيق أهداف جماعية. وهذا يُناسب تمامًا متطلبات نجاح أنظمة الذكاء الاصطناعي اللامركزية.

ومن المثير للاهتمام أن الذكاء الاصطناعي المركزي قد يُسهم أيضاً في تعزيز هذا المجال. فبينما لا تُفصح الشركات عن تفاصيل عمل نماذجها، يُمكن لهذه النماذج أن تُساعد في تدريب نماذج أخرى لرفع كفاءتها بسرعة. وتتضمن عملية "تقطير النماذج" تدريب نماذج أصغر حجماً لمحاكاة سلوك النماذج الأكبر حجماً، وذلك بهدف الحصول على الوظائف المطلوبة بتكلفة أقل بكثير.

التحديات المقبلة

تتمثل أهم ميزة للأنظمة المركزية في قدرتها على العمل بسرعة. فعلى سبيل المثال، يستطيع البنك المركزي طباعة النقود فورًا للسيطرة على التضخم، بينما تعتمد أنظمة العملات المشفرة على الشبكات اللامركزية لإصدار الرموز. وينطبق الأمر نفسه على الذكاء الاصطناعي المركزي، حيث يمكن للشركات ببساطة جمع الأموال والبدء في الحوسبة.

يواجه الذكاء الاصطناعي اللامركزي بعض التحديات الفريدة، بما في ذلك:

• مقياس اقتصادي. يتطلب التعلم الموحد والحوسبة الجماعية نطاقًا واسعًا لتحقيق النجاح. ففي نهاية المطاف، لا تكفي مجموعة بيانات محدودة أو بضعة هواتف ذكية لمنافسة مراكز البيانات الضخمة لشركة OpenAI. ويُعدّ استقطاب المشاركين أصعب ما يكون في المراحل الأولى.
  
• التحديات التقنية. قد يكون تنسيق العمليات الحسابية عبر أجهزة متعددة أبطأ من المعالجة المركزية، بينما ينطوي التعامل مع الأنظمة الموزعة واسعة النطاق على تعقيد إضافي كبير. في الوقت نفسه، تعني طبيعة تطوير البرمجيات مفتوحة المصدر الاعتماد على المتطوعين الأوائل.
  
• جودة البيانات. تُكرّس العديد من شركات الذكاء الاصطناعي المركزية جزءًا كبيرًا من وقتها لتحسين جودة البيانات. ولكن، عند الاعتماد على مصادر بيانات متنوعة وغير خاضعة للرقابة، قد يكون من الصعب ضمان جودة البيانات. كما أن البيانات غير المستقلة والموزعة توزيعًا متطابقًا (غير المستقلة والموزعة توزيعًا متطابقًا) قد تؤثر سلبًا على أداء النموذج.
  
• مخاوف أمنية. يُحسّن التوزيع اللامركزي الخصوصية، لكنه قد يُثير مشكلات أمنية. فعلى سبيل المثال، تتضمن مشاريع المصادر المفتوحة أصحاب مصلحة، وقد يؤدي عدم اكتشاف الثغرات الأمنية إلى إدخالها في قاعدة بيانات المشروع. كما يصعب الحد من وصول الجهات الخبيثة إليها.

بالطبع، هذه التحديات ليست سوى غيض من فيض. فهناك أيضاً تحديات محتملة تتعلق بالموارد والبنية التحتية، وتحديات اجتماعية وتحديات تتعلق بالتبني، فضلاً عن العديد من التحديات التنظيمية والقانونية المحتملة. وقد تعكس العديد من هذه التحديات، ولا سيما التحديات التنظيمية وتحديات البنية التحتية، تلك التي تواجه منظومة العملات الرقمية.

الخط السفلي

بإمكان الذكاء الاصطناعي اللامركزي تجاوز القيود التقليدية التي تعيق الذكاء الاصطناعي المركزي الحالي، وإحداث ثورة في هذا المجال. ومن خلال تمهيد الطريق لأنظمة ذكاء اصطناعي أكثر ديمقراطية وموثوقية، يمكنه معالجة العديد من المخاوف المشروعة التي تكتنف الذكاء الاصطناعي المركزي.

إذا كنت تستخدم منصات الذكاء الاصطناعي اللامركزية التي تعتمد على الرموز الرقمية، فقد تحتاج إلى الإبلاغ عن أي أرباح أو خسائر لمصلحة الضرائب الأمريكية. يُمكن لـ ZenLedger مساعدتك في تجميع المعاملات عبر المحافظ ومنصات التداول، وحساب أرباحك أو خسائرك الرأسمالية، وإنشاء المستندات اللازمة لتقديمها سنويًا لمصلحة الضرائب، وتجنب عمليات التدقيق المكلفة!

ابدأ اليوم مجانًا!

هذه المعلومات مُعدّة لأغراض إعلامية فقط، ولا ينبغي اعتبارها استشارة مهنية. يُرجى طلب استشارة قانونية أو مالية أو ضريبية أو غيرها من الاستشارات المستقلة التي تتناسب مع وضعك الخاص.