** حول ZKML: ** ZKML (Zero Knowledge Machine Learning) هي تقنية للتعلم الآلي تجمع بين أدلة المعرفة الصفرية (Zero-Knowledge Proofs) وخوارزميات التعلم الآلي لحل مشكلة حماية الخصوصية في التعلم الآلي.
** حول قوة الحوسبة الموزعة: ** تشير قوة الحوسبة الموزعة إلى تقسيم مهمة الحوسبة إلى مهام صغيرة متعددة ، وتعيين هذه المهام الصغيرة إلى أجهزة كمبيوتر أو معالجات متعددة للمعالجة لتحقيق الحوسبة الفعالة.
في "خارج نطاق السيطرة: علم الأحياء الجديد للآلات والمجتمع والاقتصاد" ، اقترح كيفن كيلي ذات مرة ظاهرة: ستتخذ مستعمرة النحل قرارات انتخابية في رقصة جماعية وفقًا للإدارة الموزعة ، وستتبع مستعمرة النحل بأكملها هذا رقصة جماعية تصبح أكبر أسراب نحل في العالم سادة الحدث. هذا أيضًا ما يسمى بـ "روح الخلية" التي ذكرها موريس ميترلينك - يمكن لكل نحلة اتخاذ قرارها الخاص ، وتوجيه النحل الآخر للتأكيد ، والقرار النهائي هو حقًا اختيار المجموعة.
يتبع قانون الانتروبيا والاضطراب نفسه قانون الديناميكا الحرارية ، والتصور النظري في الفيزياء هو وضع عدد معين من الجزيئات في صندوق فارغ وحساب ملف التوزيع النهائي. يمكن للجماهير الناتجة عن الخوارزمية أن تُظهر قانون المجموعة على وجه التحديد بالنسبة للأشخاص ، على الرغم من وجود اختلافات فردية في التفكير ، وغالبًا ما يتم تقييدها في صندوق فارغ بسبب عوامل مثل الأوقات ، وفي النهاية تتخذ قرارًا بالإجماع.
بالطبع ، قد لا تكون قواعد المجموعة صحيحة ، لكن قادة الرأي الذين يمكنهم تمثيل الإجماع والحصول على الإجماع بمفردهم هم أفراد متميزون تمامًا. لكن في معظم الحالات ، لا يسعى الإجماع إلى الموافقة الكاملة وغير المشروطة من الجميع ، ولكنه يتطلب فقط أن يكون للمجموعة هوية عامة.
نحن لا نناقش هنا ما إذا كان الذكاء الاصطناعي سيؤدي إلى ضلال البشر. في الواقع ، هناك بالفعل العديد من هذه المناقشات ، سواء كانت الكمية الكبيرة من القمامة الناتجة عن تطبيقات الذكاء الاصطناعي هي التي تلوث مصداقية بيانات الشبكة ، أو بسبب اتخاذ قرارات جماعية الأخطاء ستؤدي إلى البعض. ذهب الحادث إلى وضع أكثر خطورة.
الوضع الحالي للذكاء الاصطناعي هو احتكار طبيعي ، على سبيل المثال ، يتطلب تدريب ونشر النماذج الكبيرة الكثير من موارد وبيانات الحوسبة ، لكن عددًا قليلاً فقط من الشركات والمؤسسات لديها هذه الشروط. تعتبر مئات الملايين من البيانات هذه كنوزًا من قبل كل مالك احتكار ، ناهيك عن مشاركة المصدر ، حتى الوصول المتبادل مستحيل.
أدى ذلك إلى إهدار هائل للبيانات.يجب أن يجمع كل مشروع ذكاء اصطناعي واسع النطاق بيانات المستخدم بشكل متكرر ، وأخيراً يأخذ الفائز كل شيء - سواء كانت عمليات دمج واستحواذ أو مبيعات ، أو توسيع المشاريع العملاقة الفردية ، أو الإنترنت التقليدي. سباق.
يقول الكثير من الناس أن الذكاء الاصطناعي والويب 3 هما شيئان مختلفان وليس لهما صلة - النصف الأول من الجملة صحيح ، وهذان مساران مختلفان ، لكن النصف الثاني من الجملة يمثل مشكلة ، باستخدام التكنولوجيا الموزعة للحد من احتكار المصطنعة الذكاء ، واستخدام تقنية الذكاء الاصطناعي لتعزيز تشكيل آلية إجماع لامركزية هو ببساطة أمر طبيعي.
يكمن جوهر الذكاء الاصطناعي في الناس أنفسهم ، والآلات والنماذج ليست سوى تكهنات وتقليد للتفكير البشري. يصعب على ما يسمى بالمجموعة في الواقع تجريد المجموعة ، لأن ما نراه كل يوم لا يزال فردًا حقيقيًا. لكن النموذج هو استخدام البيانات الضخمة للتعلم والتعديل ، وأخيراً محاكاة شكل المجموعة. لا تقم بتقييم نوع النتائج التي سيحدثها هذا النموذج ، لأن حوادث ارتكاب الجماعات للشر لا تحدث مرة أو مرتين. لكن النموذج لا يمثل توليد آلية الإجماع هذه.
على سبيل المثال ، بالنسبة إلى DAO معين ، إذا تم تنفيذ آلية الحوكمة ، فإنها ستؤثر حتما على الكفاءة ، والسبب هو أن تكوين إجماع المجموعة أمر مزعج ، ناهيك عن التصويت ، والإحصاءات ، وما إلى ذلك من سلسلة العمليات. إذا تم تجسيد حوكمة DAO في شكل نموذج AI ، وتأتي جميع البيانات المجمعة من بيانات الكلام لكل شخص في DAO ، فسيكون قرار الإخراج في الواقع أقرب إلى إجماع المجموعة.
يمكن تدريب إجماع المجموعة على نموذج واحد وفقًا للمخطط أعلاه ، لكنها لا تزال جزيرة لهؤلاء الأفراد. إذا كان هناك نظام ذكاء جماعي لتشكيل مجموعة الذكاء الاصطناعي ، فسيعمل كل نموذج ذكاء اصطناعي في هذا النظام مع بعضه البعض لحل المشكلات المعقدة ، وفي الواقع سيكون له تأثير كبير على تمكين مستوى الإجماع.
بالنسبة للمجموعات الصغيرة ، يمكنك بناء بيئة بيئية بشكل مستقل ، أو تكوين مجموعة تعاونية مع مجموعات أخرى لتلبية قوة الحوسبة الضخمة أو معاملات البيانات بشكل أكثر كفاءة وبتكلفة منخفضة. ولكن هنا تأتي المشكلة مرة أخرى ، فالوضع الراهن بين قواعد البيانات النموذجية المختلفة غير موثوق به تمامًا ويحمي الآخرين - وهذا هو بالضبط المكان الذي تكمن فيه السمات الطبيعية لـ blockchain: من خلال عدم الثقة ، يمكن تحقيق أمان أجهزة AI الموزعة حقًا تفاعل فعال.
يمكن للدماغ الذكي العالمي أن يجعل نماذج خوارزمية الذكاء الاصطناعي المستقلة وذات الوظيفة الواحدة تتعاون مع بعضها البعض ، وتنفيذ عمليات خوارزمية ذكية معقدة داخليًا ، وتشكيل شبكة إجماع جماعية موزعة يمكن أن تستمر في النمو. هذا أيضًا هو أهم أهمية لتمكين الذكاء الاصطناعي للويب 3.
** الخصوصية مقابل احتكار البيانات؟ الجمع بين ZK والتعلم الآلي **
يجب على البشر اتخاذ الاحتياطات المستهدفة سواء كان ذلك ضد الذكاء الاصطناعي لفعل الشر أو على أساس حماية الخصوصية والخوف من احتكار البيانات. المشكلة الأساسية هي أننا لا نعرف كيف تم التوصل إلى الاستنتاج ، وبالمثل ، لا ينوي مشغل النموذج الإجابة على هذا السؤال. وبالنسبة للجمع بين الدماغ الذكي العالمي الذي ذكرناه أعلاه ، فإنه من الضروري أكثر حل هذه المشكلة ، وإلا فلن يكون هناك طرف بيانات على استعداد لمشاركة جوهره مع الآخرين.
ZKML (Zero Knowledge Machine Learning) هي تقنية تستخدم براهين المعرفة الصفرية للتعلم الآلي. إثباتات المعرفة الصفرية (ZKP) ، أي أن المُثبِت (المُثبِّت) قد يقنع المدقق (المدقق) بصحة البيانات دون الكشف عن البيانات المحددة.
استشهد بحالة نظرية. توجد لعبة سودوكو قياسية 9 × 9. شرط الإكمال هو ملء الأرقام من 1 إلى 9 في تسعة شبكات مكونة من تسعة مربعات ، بحيث يظهر كل رقم مرة واحدة فقط في كل صف وعمود وشبكة من تسعة مربعات. إذن كيف يمكن للشخص الذي يرتب هذا اللغز أن يثبت للمتحديه أن لعبة Sudoku لديها حل دون الكشف عن الإجابة؟
ما عليك سوى تغطية الحشو بالإجابة ، ثم اطلب من المنافس تحديد عدد قليل من الصفوف أو الأعمدة عشوائيًا ، وتبديل جميع الأرقام والتحقق من أنها كلها من واحد إلى تسعة. هذا هو تجسيد بسيط لإثبات المعرفة الصفرية.
تتميز تقنية إثبات المعرفة الصفرية بثلاث خصائص هي الاكتمال والصحة والمعرفة الصفرية ، أي أنها تثبت الاستنتاج دون الكشف عن أي تفاصيل. يمكن أن يعكس مصدر تقنيتها البساطة ، ففي سياق التشفير المتماثل ، تكون صعوبة التحقق أقل بكثير من صعوبة إنشاء البراهين.
التعلم الآلي هو استخدام الخوارزميات والنماذج للسماح لأنظمة الكمبيوتر بالتعلم والتحسين من البيانات. التعلم من التجربة من خلال الأتمتة يسمح للنظام بأداء المهام تلقائيًا مثل التنبؤ والتصنيف والتجميع والتحسين استنادًا إلى البيانات والنماذج.
يدور التعلم الآلي في جوهره حول بناء النماذج التي تتعلم من البيانات وتقوم بالتنبؤات والقرارات تلقائيًا. يتطلب بناء هذه النماذج عادةً ثلاثة عناصر رئيسية: مجموعات البيانات والخوارزميات وتقييم النموذج. مجموعات البيانات هي أساس التعلم الآلي وتحتوي على عينات بيانات للتدريب واختبار نماذج التعلم الآلي. تعد الخوارزميات في صميم نماذج التعلم الآلي ، حيث تحدد كيف يتعلم النموذج ويتنبأ من البيانات. يعد تقييم النموذج جزءًا مهمًا من التعلم الآلي ، والذي يستخدم لتقييم أداء ودقة النموذج ، وتحديد ما إذا كان النموذج بحاجة إلى التحسين والتحسين.
في التعلم الآلي التقليدي ، يجب عادةً جمع مجموعات البيانات في مكان مركزي للتدريب ، مما يعني أنه يجب على مالكي البيانات مشاركة البيانات مع أطراف ثالثة ، مما قد يؤدي إلى خطر تسرب البيانات أو تسرب الخصوصية. باستخدام ZKML ، يمكن لمالكي البيانات مشاركة مجموعات البيانات مع الآخرين دون الكشف عن البيانات ، وهو ما يتم تحقيقه باستخدام براهين عدم المعرفة.
عند تطبيق إثبات المعرفة الصفرية على تمكين التعلم الآلي ، يجب أن يكون التأثير متوقعًا ، مما يحل مشكلة الصندوق الأسود للخصوصية التي طال أمدها ومشاكل احتكار البيانات: ما إذا كان يمكن لطرف المشروع استخدامه دون الكشف عن إدخال بيانات المستخدم أو المحدد تفاصيل النموذج بعد الانتهاء من الإثبات والتحقق ، هل من الممكن لكل مجموعة أن تشارك بياناتها أو نموذجها للعمل دون الكشف عن البيانات الخاصة؟ بالطبع ، لا تزال التكنولوجيا الحالية في وقت مبكر ، وستكون هناك بالتأكيد العديد من المشاكل في الممارسة ، وهذا لا يعيق خيالنا ، والعديد من الفرق تتطور بالفعل.
هل سيؤدي هذا الوضع إلى دعارة مجانية لقواعد البيانات الصغيرة لقواعد البيانات الكبيرة؟ عندما تفكر في قضايا الحوكمة ، يعود الأمر إلى تفكيرنا في Web3. يكمن جوهر Crypto في الحوكمة. سواء كان ذلك من خلال عدد كبير من التطبيقات أو المشاركة ، يجب أن تحصل على الحوافز التي تستحقها. سواء كان ذلك من خلال آلية Pow الأصلية أو PoS أو أحدث PoR (آلية إثبات السمعة) ، فإنهم جميعًا يوفرون ضمانات لتأثير الحافز.
** قوة الحوسبة الموزعة: سرد مبتكر متشابك مع الأكاذيب والواقع **
لطالما كانت شبكة طاقة الحوسبة اللامركزية من السيناريوهات المذكورة بشدة في دائرة التشفير. بعد كل شيء ، تتطلب النماذج الكبيرة للذكاء الاصطناعي قوة حوسبة مذهلة ، ولن تتسبب شبكة طاقة الحوسبة المركزية في إهدار الموارد فحسب ، بل ستشكل أيضًا احتكارًا كبيرًا - إذا ما قورنت في النهاية ، فإن عدد وحدات معالجة الرسومات هو آخر شيء يجب قتاله ، وهو أمر ممل للغاية.
يتمثل جوهر شبكة طاقة الحوسبة اللامركزية في دمج موارد الحوسبة المنتشرة في مواقع مختلفة وعلى أجهزة مختلفة. المزايا الرئيسية التي يتم ذكرها غالبًا هي: توفير إمكانات الحوسبة الموزعة ، وحل مشكلات الخصوصية ، وتعزيز مصداقية وموثوقية نماذج الذكاء الاصطناعي ، ودعم النشر والتشغيل السريع في سيناريوهات التطبيقات المختلفة ، وتوفير أنظمة تخزين وإدارة البيانات اللامركزية. هذا صحيح ، من خلال قوة الحوسبة اللامركزية ، يمكن لأي شخص تشغيل نماذج الذكاء الاصطناعي واختبارها على مجموعات بيانات حقيقية على السلسلة من المستخدمين حول العالم ، حتى يتمكنوا من الاستمتاع بخدمات حوسبة أكثر مرونة وكفاءة ومنخفضة التكلفة.
في الوقت نفسه ، يمكن لقوة الحوسبة اللامركزية حل مشكلات الخصوصية من خلال إنشاء إطار عمل قوي لحماية أمان وخصوصية بيانات المستخدم. كما يوفر عملية حوسبة شفافة وقابلة للتحقق ، ويعزز مصداقية وموثوقية نماذج الذكاء الاصطناعي ، ويوفر موارد حوسبة مرنة وقابلة للتطوير للنشر والتشغيل السريع في سيناريوهات التطبيقات المختلفة.
ننظر إلى تدريب النموذج من عملية حوسبة مركزية كاملة ، وتنقسم الخطوات عادة إلى: إعداد البيانات ، وتجزئة البيانات ، ونقل البيانات بين الأجهزة ، والتدريب الموازي ، وتجميع التدرج ، وتحديث المعلمات ، والمزامنة ، والتدريب المتكرر. في هذه العملية ، حتى إذا كانت غرفة الكمبيوتر المركزية تستخدم مجموعات أجهزة حوسبة عالية الأداء وتشارك في مهام الحوسبة من خلال اتصالات شبكة عالية السرعة ، فقد أصبحت تكلفة الاتصال المرتفعة أحد أكبر القيود على شبكة طاقة الحوسبة اللامركزية.
لذلك ، على الرغم من أن شبكة طاقة الحوسبة اللامركزية لها العديد من المزايا والإمكانيات ، إلا أن مسار التطوير لا يزال متعرجًا وفقًا لتكلفة الاتصال الحالية وصعوبة التشغيل الفعلية. من الناحية العملية ، يتطلب تحقيق شبكة طاقة حوسبة لامركزية التغلب على العديد من المشكلات الفنية العملية ، سواء كانت كيفية ضمان موثوقية العقد وأمانها ، أو كيفية إدارة موارد الحوسبة الموزعة وجدولتها بفعالية ، أو كيفية تحقيق نقل البيانات والاتصال بكفاءة ، إلخ. . ، أخشى أنها في الواقع مشاكل كبيرة.
** الذيل: توقعات المثاليين **
بالعودة إلى الواقع التجاري الحالي ، تبدو قصة التكامل العميق بين الذكاء الاصطناعي والويب 3 جميلة جدًا ، لكن رأس المال والمستخدمين يخبروننا أكثر من خلال الإجراءات العملية أن هذه رحلة ابتكار صعبة للغاية ، ما لم يكن المشروع مثل OpenAI ، مع التمسك بمؤيد مالي قوي بينما نحن أقوياء ، وإلا فإن تكاليف البحث والتطوير التي لا نهاية لها ونموذج العمل غير الواضح سوف يسحقنا تمامًا.
سواء أكان الذكاء الاصطناعي أم Web3 ، فإنهما الآن في مرحلة مبكرة جدًا من التطور ، تمامًا مثل فقاعة الإنترنت في نهاية القرن الماضي ، ولم يبدأ العصر الذهبي الحقيقي رسميًا إلا بعد مرور ما يقرب من عشر سنوات. تخيل مكارثي تصميم ذكاء اصطناعي بذكاء بشري في إجازة واحدة ، ولكن لم نتخذ الخطوة الحاسمة نحو الذكاء الاصطناعي إلا بعد مرور ما يقرب من سبعين عامًا.
وينطبق الشيء نفسه على Web3 + AI. لقد حددنا مدى صحة الطريق إلى الأمام ، وسيترك الباقي للوقت.
** عندما يتلاشى مد الزمن ، فإن هؤلاء الأشخاص والأشياء هم حجر الزاوية في انتقالنا من الخيال العلمي إلى الواقع. **
شاهد النسخة الأصلية
المحتوى هو للمرجعية فقط، وليس دعوة أو عرضًا. لا يتم تقديم أي مشورة استثمارية أو ضريبية أو قانونية. للمزيد من الإفصاحات حول المخاطر، يُرجى الاطلاع على إخلاء المسؤولية.
ZKML والحوسبة الموزعة: سرد حوكمة محتمل للذكاء الاصطناعي والويب 3
** حالة الذكاء الاصطناعي والويب 3: الأسراب الجامحة ونمو الأنتروبيا **
في "خارج نطاق السيطرة: علم الأحياء الجديد للآلات والمجتمع والاقتصاد" ، اقترح كيفن كيلي ذات مرة ظاهرة: ستتخذ مستعمرة النحل قرارات انتخابية في رقصة جماعية وفقًا للإدارة الموزعة ، وستتبع مستعمرة النحل بأكملها هذا رقصة جماعية تصبح أكبر أسراب نحل في العالم سادة الحدث. هذا أيضًا ما يسمى بـ "روح الخلية" التي ذكرها موريس ميترلينك - يمكن لكل نحلة اتخاذ قرارها الخاص ، وتوجيه النحل الآخر للتأكيد ، والقرار النهائي هو حقًا اختيار المجموعة.
يتبع قانون الانتروبيا والاضطراب نفسه قانون الديناميكا الحرارية ، والتصور النظري في الفيزياء هو وضع عدد معين من الجزيئات في صندوق فارغ وحساب ملف التوزيع النهائي. يمكن للجماهير الناتجة عن الخوارزمية أن تُظهر قانون المجموعة على وجه التحديد بالنسبة للأشخاص ، على الرغم من وجود اختلافات فردية في التفكير ، وغالبًا ما يتم تقييدها في صندوق فارغ بسبب عوامل مثل الأوقات ، وفي النهاية تتخذ قرارًا بالإجماع.
بالطبع ، قد لا تكون قواعد المجموعة صحيحة ، لكن قادة الرأي الذين يمكنهم تمثيل الإجماع والحصول على الإجماع بمفردهم هم أفراد متميزون تمامًا. لكن في معظم الحالات ، لا يسعى الإجماع إلى الموافقة الكاملة وغير المشروطة من الجميع ، ولكنه يتطلب فقط أن يكون للمجموعة هوية عامة.
نحن لا نناقش هنا ما إذا كان الذكاء الاصطناعي سيؤدي إلى ضلال البشر. في الواقع ، هناك بالفعل العديد من هذه المناقشات ، سواء كانت الكمية الكبيرة من القمامة الناتجة عن تطبيقات الذكاء الاصطناعي هي التي تلوث مصداقية بيانات الشبكة ، أو بسبب اتخاذ قرارات جماعية الأخطاء ستؤدي إلى البعض. ذهب الحادث إلى وضع أكثر خطورة.
الوضع الحالي للذكاء الاصطناعي هو احتكار طبيعي ، على سبيل المثال ، يتطلب تدريب ونشر النماذج الكبيرة الكثير من موارد وبيانات الحوسبة ، لكن عددًا قليلاً فقط من الشركات والمؤسسات لديها هذه الشروط. تعتبر مئات الملايين من البيانات هذه كنوزًا من قبل كل مالك احتكار ، ناهيك عن مشاركة المصدر ، حتى الوصول المتبادل مستحيل.
أدى ذلك إلى إهدار هائل للبيانات.يجب أن يجمع كل مشروع ذكاء اصطناعي واسع النطاق بيانات المستخدم بشكل متكرر ، وأخيراً يأخذ الفائز كل شيء - سواء كانت عمليات دمج واستحواذ أو مبيعات ، أو توسيع المشاريع العملاقة الفردية ، أو الإنترنت التقليدي. سباق.
يقول الكثير من الناس أن الذكاء الاصطناعي والويب 3 هما شيئان مختلفان وليس لهما صلة - النصف الأول من الجملة صحيح ، وهذان مساران مختلفان ، لكن النصف الثاني من الجملة يمثل مشكلة ، باستخدام التكنولوجيا الموزعة للحد من احتكار المصطنعة الذكاء ، واستخدام تقنية الذكاء الاصطناعي لتعزيز تشكيل آلية إجماع لامركزية هو ببساطة أمر طبيعي.
** الخصم السفلي: دع الذكاء الاصطناعي يشكل آلية إجماع جماعية موزعة حقيقية **
يكمن جوهر الذكاء الاصطناعي في الناس أنفسهم ، والآلات والنماذج ليست سوى تكهنات وتقليد للتفكير البشري. يصعب على ما يسمى بالمجموعة في الواقع تجريد المجموعة ، لأن ما نراه كل يوم لا يزال فردًا حقيقيًا. لكن النموذج هو استخدام البيانات الضخمة للتعلم والتعديل ، وأخيراً محاكاة شكل المجموعة. لا تقم بتقييم نوع النتائج التي سيحدثها هذا النموذج ، لأن حوادث ارتكاب الجماعات للشر لا تحدث مرة أو مرتين. لكن النموذج لا يمثل توليد آلية الإجماع هذه.
على سبيل المثال ، بالنسبة إلى DAO معين ، إذا تم تنفيذ آلية الحوكمة ، فإنها ستؤثر حتما على الكفاءة ، والسبب هو أن تكوين إجماع المجموعة أمر مزعج ، ناهيك عن التصويت ، والإحصاءات ، وما إلى ذلك من سلسلة العمليات. إذا تم تجسيد حوكمة DAO في شكل نموذج AI ، وتأتي جميع البيانات المجمعة من بيانات الكلام لكل شخص في DAO ، فسيكون قرار الإخراج في الواقع أقرب إلى إجماع المجموعة.
يمكن تدريب إجماع المجموعة على نموذج واحد وفقًا للمخطط أعلاه ، لكنها لا تزال جزيرة لهؤلاء الأفراد. إذا كان هناك نظام ذكاء جماعي لتشكيل مجموعة الذكاء الاصطناعي ، فسيعمل كل نموذج ذكاء اصطناعي في هذا النظام مع بعضه البعض لحل المشكلات المعقدة ، وفي الواقع سيكون له تأثير كبير على تمكين مستوى الإجماع.
بالنسبة للمجموعات الصغيرة ، يمكنك بناء بيئة بيئية بشكل مستقل ، أو تكوين مجموعة تعاونية مع مجموعات أخرى لتلبية قوة الحوسبة الضخمة أو معاملات البيانات بشكل أكثر كفاءة وبتكلفة منخفضة. ولكن هنا تأتي المشكلة مرة أخرى ، فالوضع الراهن بين قواعد البيانات النموذجية المختلفة غير موثوق به تمامًا ويحمي الآخرين - وهذا هو بالضبط المكان الذي تكمن فيه السمات الطبيعية لـ blockchain: من خلال عدم الثقة ، يمكن تحقيق أمان أجهزة AI الموزعة حقًا تفاعل فعال.
يمكن للدماغ الذكي العالمي أن يجعل نماذج خوارزمية الذكاء الاصطناعي المستقلة وذات الوظيفة الواحدة تتعاون مع بعضها البعض ، وتنفيذ عمليات خوارزمية ذكية معقدة داخليًا ، وتشكيل شبكة إجماع جماعية موزعة يمكن أن تستمر في النمو. هذا أيضًا هو أهم أهمية لتمكين الذكاء الاصطناعي للويب 3.
** الخصوصية مقابل احتكار البيانات؟ الجمع بين ZK والتعلم الآلي **
يجب على البشر اتخاذ الاحتياطات المستهدفة سواء كان ذلك ضد الذكاء الاصطناعي لفعل الشر أو على أساس حماية الخصوصية والخوف من احتكار البيانات. المشكلة الأساسية هي أننا لا نعرف كيف تم التوصل إلى الاستنتاج ، وبالمثل ، لا ينوي مشغل النموذج الإجابة على هذا السؤال. وبالنسبة للجمع بين الدماغ الذكي العالمي الذي ذكرناه أعلاه ، فإنه من الضروري أكثر حل هذه المشكلة ، وإلا فلن يكون هناك طرف بيانات على استعداد لمشاركة جوهره مع الآخرين.
ZKML (Zero Knowledge Machine Learning) هي تقنية تستخدم براهين المعرفة الصفرية للتعلم الآلي. إثباتات المعرفة الصفرية (ZKP) ، أي أن المُثبِت (المُثبِّت) قد يقنع المدقق (المدقق) بصحة البيانات دون الكشف عن البيانات المحددة.
استشهد بحالة نظرية. توجد لعبة سودوكو قياسية 9 × 9. شرط الإكمال هو ملء الأرقام من 1 إلى 9 في تسعة شبكات مكونة من تسعة مربعات ، بحيث يظهر كل رقم مرة واحدة فقط في كل صف وعمود وشبكة من تسعة مربعات. إذن كيف يمكن للشخص الذي يرتب هذا اللغز أن يثبت للمتحديه أن لعبة Sudoku لديها حل دون الكشف عن الإجابة؟
ما عليك سوى تغطية الحشو بالإجابة ، ثم اطلب من المنافس تحديد عدد قليل من الصفوف أو الأعمدة عشوائيًا ، وتبديل جميع الأرقام والتحقق من أنها كلها من واحد إلى تسعة. هذا هو تجسيد بسيط لإثبات المعرفة الصفرية.
تتميز تقنية إثبات المعرفة الصفرية بثلاث خصائص هي الاكتمال والصحة والمعرفة الصفرية ، أي أنها تثبت الاستنتاج دون الكشف عن أي تفاصيل. يمكن أن يعكس مصدر تقنيتها البساطة ، ففي سياق التشفير المتماثل ، تكون صعوبة التحقق أقل بكثير من صعوبة إنشاء البراهين.
التعلم الآلي هو استخدام الخوارزميات والنماذج للسماح لأنظمة الكمبيوتر بالتعلم والتحسين من البيانات. التعلم من التجربة من خلال الأتمتة يسمح للنظام بأداء المهام تلقائيًا مثل التنبؤ والتصنيف والتجميع والتحسين استنادًا إلى البيانات والنماذج.
يدور التعلم الآلي في جوهره حول بناء النماذج التي تتعلم من البيانات وتقوم بالتنبؤات والقرارات تلقائيًا. يتطلب بناء هذه النماذج عادةً ثلاثة عناصر رئيسية: مجموعات البيانات والخوارزميات وتقييم النموذج. مجموعات البيانات هي أساس التعلم الآلي وتحتوي على عينات بيانات للتدريب واختبار نماذج التعلم الآلي. تعد الخوارزميات في صميم نماذج التعلم الآلي ، حيث تحدد كيف يتعلم النموذج ويتنبأ من البيانات. يعد تقييم النموذج جزءًا مهمًا من التعلم الآلي ، والذي يستخدم لتقييم أداء ودقة النموذج ، وتحديد ما إذا كان النموذج بحاجة إلى التحسين والتحسين.
في التعلم الآلي التقليدي ، يجب عادةً جمع مجموعات البيانات في مكان مركزي للتدريب ، مما يعني أنه يجب على مالكي البيانات مشاركة البيانات مع أطراف ثالثة ، مما قد يؤدي إلى خطر تسرب البيانات أو تسرب الخصوصية. باستخدام ZKML ، يمكن لمالكي البيانات مشاركة مجموعات البيانات مع الآخرين دون الكشف عن البيانات ، وهو ما يتم تحقيقه باستخدام براهين عدم المعرفة.
عند تطبيق إثبات المعرفة الصفرية على تمكين التعلم الآلي ، يجب أن يكون التأثير متوقعًا ، مما يحل مشكلة الصندوق الأسود للخصوصية التي طال أمدها ومشاكل احتكار البيانات: ما إذا كان يمكن لطرف المشروع استخدامه دون الكشف عن إدخال بيانات المستخدم أو المحدد تفاصيل النموذج بعد الانتهاء من الإثبات والتحقق ، هل من الممكن لكل مجموعة أن تشارك بياناتها أو نموذجها للعمل دون الكشف عن البيانات الخاصة؟ بالطبع ، لا تزال التكنولوجيا الحالية في وقت مبكر ، وستكون هناك بالتأكيد العديد من المشاكل في الممارسة ، وهذا لا يعيق خيالنا ، والعديد من الفرق تتطور بالفعل.
هل سيؤدي هذا الوضع إلى دعارة مجانية لقواعد البيانات الصغيرة لقواعد البيانات الكبيرة؟ عندما تفكر في قضايا الحوكمة ، يعود الأمر إلى تفكيرنا في Web3. يكمن جوهر Crypto في الحوكمة. سواء كان ذلك من خلال عدد كبير من التطبيقات أو المشاركة ، يجب أن تحصل على الحوافز التي تستحقها. سواء كان ذلك من خلال آلية Pow الأصلية أو PoS أو أحدث PoR (آلية إثبات السمعة) ، فإنهم جميعًا يوفرون ضمانات لتأثير الحافز.
** قوة الحوسبة الموزعة: سرد مبتكر متشابك مع الأكاذيب والواقع **
لطالما كانت شبكة طاقة الحوسبة اللامركزية من السيناريوهات المذكورة بشدة في دائرة التشفير. بعد كل شيء ، تتطلب النماذج الكبيرة للذكاء الاصطناعي قوة حوسبة مذهلة ، ولن تتسبب شبكة طاقة الحوسبة المركزية في إهدار الموارد فحسب ، بل ستشكل أيضًا احتكارًا كبيرًا - إذا ما قورنت في النهاية ، فإن عدد وحدات معالجة الرسومات هو آخر شيء يجب قتاله ، وهو أمر ممل للغاية.
يتمثل جوهر شبكة طاقة الحوسبة اللامركزية في دمج موارد الحوسبة المنتشرة في مواقع مختلفة وعلى أجهزة مختلفة. المزايا الرئيسية التي يتم ذكرها غالبًا هي: توفير إمكانات الحوسبة الموزعة ، وحل مشكلات الخصوصية ، وتعزيز مصداقية وموثوقية نماذج الذكاء الاصطناعي ، ودعم النشر والتشغيل السريع في سيناريوهات التطبيقات المختلفة ، وتوفير أنظمة تخزين وإدارة البيانات اللامركزية. هذا صحيح ، من خلال قوة الحوسبة اللامركزية ، يمكن لأي شخص تشغيل نماذج الذكاء الاصطناعي واختبارها على مجموعات بيانات حقيقية على السلسلة من المستخدمين حول العالم ، حتى يتمكنوا من الاستمتاع بخدمات حوسبة أكثر مرونة وكفاءة ومنخفضة التكلفة.
في الوقت نفسه ، يمكن لقوة الحوسبة اللامركزية حل مشكلات الخصوصية من خلال إنشاء إطار عمل قوي لحماية أمان وخصوصية بيانات المستخدم. كما يوفر عملية حوسبة شفافة وقابلة للتحقق ، ويعزز مصداقية وموثوقية نماذج الذكاء الاصطناعي ، ويوفر موارد حوسبة مرنة وقابلة للتطوير للنشر والتشغيل السريع في سيناريوهات التطبيقات المختلفة.
ننظر إلى تدريب النموذج من عملية حوسبة مركزية كاملة ، وتنقسم الخطوات عادة إلى: إعداد البيانات ، وتجزئة البيانات ، ونقل البيانات بين الأجهزة ، والتدريب الموازي ، وتجميع التدرج ، وتحديث المعلمات ، والمزامنة ، والتدريب المتكرر. في هذه العملية ، حتى إذا كانت غرفة الكمبيوتر المركزية تستخدم مجموعات أجهزة حوسبة عالية الأداء وتشارك في مهام الحوسبة من خلال اتصالات شبكة عالية السرعة ، فقد أصبحت تكلفة الاتصال المرتفعة أحد أكبر القيود على شبكة طاقة الحوسبة اللامركزية.
لذلك ، على الرغم من أن شبكة طاقة الحوسبة اللامركزية لها العديد من المزايا والإمكانيات ، إلا أن مسار التطوير لا يزال متعرجًا وفقًا لتكلفة الاتصال الحالية وصعوبة التشغيل الفعلية. من الناحية العملية ، يتطلب تحقيق شبكة طاقة حوسبة لامركزية التغلب على العديد من المشكلات الفنية العملية ، سواء كانت كيفية ضمان موثوقية العقد وأمانها ، أو كيفية إدارة موارد الحوسبة الموزعة وجدولتها بفعالية ، أو كيفية تحقيق نقل البيانات والاتصال بكفاءة ، إلخ. . ، أخشى أنها في الواقع مشاكل كبيرة.
** الذيل: توقعات المثاليين **
بالعودة إلى الواقع التجاري الحالي ، تبدو قصة التكامل العميق بين الذكاء الاصطناعي والويب 3 جميلة جدًا ، لكن رأس المال والمستخدمين يخبروننا أكثر من خلال الإجراءات العملية أن هذه رحلة ابتكار صعبة للغاية ، ما لم يكن المشروع مثل OpenAI ، مع التمسك بمؤيد مالي قوي بينما نحن أقوياء ، وإلا فإن تكاليف البحث والتطوير التي لا نهاية لها ونموذج العمل غير الواضح سوف يسحقنا تمامًا.
سواء أكان الذكاء الاصطناعي أم Web3 ، فإنهما الآن في مرحلة مبكرة جدًا من التطور ، تمامًا مثل فقاعة الإنترنت في نهاية القرن الماضي ، ولم يبدأ العصر الذهبي الحقيقي رسميًا إلا بعد مرور ما يقرب من عشر سنوات. تخيل مكارثي تصميم ذكاء اصطناعي بذكاء بشري في إجازة واحدة ، ولكن لم نتخذ الخطوة الحاسمة نحو الذكاء الاصطناعي إلا بعد مرور ما يقرب من سبعين عامًا.
وينطبق الشيء نفسه على Web3 + AI. لقد حددنا مدى صحة الطريق إلى الأمام ، وسيترك الباقي للوقت.
** عندما يتلاشى مد الزمن ، فإن هؤلاء الأشخاص والأشياء هم حجر الزاوية في انتقالنا من الخيال العلمي إلى الواقع. **