كيف يمكن لـ DeAI المنافسة مع الذكاء الاصطناعي المركزي: المزايا، التطبيقات والتمويل

المؤلف: 0xJeff, KOL التشفير

ترجمة: فيليكس، PANews

اليوم، الجميع يبيع شيئًا، سواء كان طعامًا، مسكنًا، موسوعة، منتجات إلكترونية، تطبيقات، أو حتى الذكاء الاصطناعي الحديث.

في الماضي، كانت تُباع أشياء عملية تلبي مستويات احتياجات ماسلو الأدنى، أما اليوم، فتُباع الأحلام والآمال، وتُغلف في غلاف لامع، خاصة في مجال التشفير والذكاء الاصطناعي.

التشفير AI المنتجات والبنية التحتية غالبًا ما تكون صعبة الفهم، مما يؤدي إلى استخدام الفرق للعديد من المصطلحات التقنية في التواصل، وبالتالي عدم جذب المستخدمين.

بالإضافة إلى ذلك، يتطلب إطلاق مختبر AI حقيقي (ليس مجرد تغليف بسيط) استثمارًا كبيرًا لتمويل المواهب، والمساهمين، وموارد الحوسبة، وغيرها من الموارد الضرورية.

تصل تكاليف مختبرات الذكاء الاصطناعي المتقدمة على مستوى الشركات إلى ملايين الدولارات سنويًا. إذا كان يتم البحث وتدريب وتحسين نماذج الذكاء الاصطناعي المتطورة، فقد تصل التكاليف إلى مئات الملايين من الدولارات. تتراوح أسعار وحدات معالجة الرسوميات من طراز H100 بين 25,000 و 40,000 دولار، بينما تتراوح أسعار وحدات معالجة الرسوميات الأحدث من طراز Blackwell B200 و GB200 بين 30,000 و 70,000 دولار. قد يتطلب تدريب نموذج متطور آلافًا من هذه الوحدات.

مزايا الذكاء الاصطناعي اللامركزي (DeAI): نماذج صغيرة + تعلم معزز

اختيار نظام لامركزي، أي تنسيق موارد الحوسبة على مستوى العالم لتدريب نموذج واحد، يمكن أن يقلل نظريًا من تكلفة GPU بشكل كبير (توفير من 30% إلى 90%)، لأنك تستطيع الاستفادة من شبكة GPU العالمية غير المستخدمة. لكن في الواقع، تنسيق هذه الـ GPU وضمان عملها بجودة عالية أمر صعب للغاية. لذلك، لا توجد حاليًا مختبرات AI لامركزية قادرة على التغلب على مشكلة التدريب اللامركزي.

ومع ذلك، لا يزال هناك أمل في المستقبل، لأن هناك عددًا قليلاً من المختبرات التي حققت نتائج مشجعة في مجال التعلم المعزز اللامركزي. إن هذه العملية من اللعب الذاتي والتعلم الذاتي يمكن أن تجعل نموذجًا صغيرًا للغاية ذكيًا للغاية.

ليس كل المواقف تتطلب نماذج اللغة الكبيرة (LLM). إن تدريب نماذج خاصة بالمجال واستخدام التعلم المعزز (RL) لتحسين مهاراتها هو الطريقة الأكثر اقتصاداً وفعالية لتقديم حلول الذكاء الاصطناعي على مستوى المؤسسات، لأن ما يريده العملاء في النهاية هو النتائج (التوافق، الأمان، التكلفة الفعالة وزيادة الإنتاجية).

في عام 2019، هزم OpenAI Five فريق OG بطل العالم آنذاك في لعبة Dota 2. لم يكن هذا حظًا، بل كان سحقًا كاملاً حيث هزموا فريق OG في مباراتين متتاليتين.

قد تتساءل كيف تم ذلك؟

《Dota 2》 هي لعبة ساحة معركة متعددة اللاعبين معقدة للغاية، حيث يتنافس 5 لاعبين ضد بعضهم البعض لتحقيق أهداف مختلفة وتدمير قاعدة الخصم.

لكي تتمكن الذكاء الاصطناعي من مواجهة اللاعبين المحترفين، اتبعت الخطوات التالية:

• بدء القتال الذاتي من الصفر: تعلم الأساسيات، والقيام بملايين المعارك الذاتية. إذا كنت منتصراً، فهذا يدل على أن العمليات كانت إيجابية؛ وإذا خسرت، فهذا يدل على أن العمليات كانت غير جيدة (أي تجربة واسعة النطاق).
• إعداد نظام المكافآت (النقاط) ، لتشجيع التصرفات التي قد تجلب قيمة متوقعة (EV) إيجابية (مثل تدمير الأبراج، وقتل الأبطال) ، بينما يتم خصم النقاط من التصرفات ذات القيمة المتوقعة السلبية.
• طريقة التدريب تستخدم خوارزمية التعلم التعزيزي المسماة “PPO”، حيث يحاول الذكاء الاصطناعي بعض العمليات خلال المباراة، وتعتبر PPO النتائج بمثابة تغذية راجعة. إذا كانت النتائج جيدة، يتم تنفيذها أكثر؛ وإذا كانت النتائج سيئة، يتم تنفيذها أقل. هذه الطريقة تقود الذكاء الاصطناعي تدريجياً نحو الاتجاه الصحيح.
• مئات من وحدات معالجة الرسوميات تعمل منذ ما يقرب من عام لتدريب الذكاء الاصطناعي، حيث يستمر الذكاء الاصطناعي في التعلم والتكيف مع تحديثات وإصدارات اللعبة.
• بعد فترة من الوقت، بدأ يستكشف استراتيجيات معقدة بشكل مستقل (تضحية بخط جنود، اتخاذ أسلوب لعب دفاعي أو هجومي في الوقت المناسب، استغلال فرص الهجوم الشامل، إلخ)، وبدأ يتنافس مع اللاعبين البشريين ويحقق الانتصارات.

على الرغم من أن OpenAI Five قد تم إيقافه، إلا أنه ألهم النماذج الصغيرة لتكون فعالة للغاية في مهام معينة (حجم معلمات OpenAI Five يبلغ 58MB فقط).

السبب في قدرة مختبرات الذكاء الاصطناعي الكبيرة مثل OpenAI على القيام بذلك هو أنها تمتلك الأموال والموارد اللازمة لتدريب نماذج التعلم المعزز. إذا كانت هناك شركة ترغب في امتلاك OpenAI Five الخاصة بها لاكتشاف الاحتيال، أو الروبوتات في المصانع، أو السيارات ذاتية القيادة، أو التداول في الأسواق المالية، فإن ذلك يتطلب استثمارات ضخمة لتحقيق ذلك.

تعمل التعلم المعزز اللامركزي على حل هذه المشكلة، ولهذا السبب تقوم مختبرات الذكاء الاصطناعي اللامركزية مثل Nous Research وPluralis وgensyn وPrime Intellect وGradient ببناء شبكة عالمية من وحدات معالجة الرسوميات، لتدريب نماذج التعلم المعزز بشكل مشترك، وتوفير البنية التحتية للذكاء الاصطناعي في المجالات المحددة على مستوى المؤسسات.

تقوم بعض المختبرات بدراسة طرق لتقليل التكاليف أكثر، مثل استخدام RTX 5090/4090 بدلاً من H100 لتدريب نماذج التعلم المعزز. وهناك أخرى تركز على استخدام التعلم المعزز لزيادة مستوى ذكاء النماذج الأساسية الكبيرة.

بغض النظر عن تركيز البحث ، سيصبح هذا أحد أكثر الاتجاهات الواعدة في تطوير الذكاء الاصطناعي اللامركزي. إذا تم تطبيق حلول التعلم المعزز اللامركزية على نطاق واسع تجارياً ، ستستثمر الشركات العملاء أموالاً طائلة في الذكاء الاصطناعي ، وسنرى أيضًا المزيد من فرق الذكاء الاصطناعي اللامركزية تحقق إيرادات سنوية تتراوح بين 8 إلى 9 أرقام.

من خلال طبقة التنسيق، يوفر التمويل لـ DeAI ويحقق التوسع في النطاق

لكن قبل الوصول إلى دخل يتراوح بين 8 إلى 9 أرقام سنويًا، يحتاجون إلى مواصلة البحث، والتنفيذ، والانتقال إلى حلول التعلم المعزز القابلة للتطبيق تجاريًا، وهذا يتطلب تمويلًا كبيرًا.

إحدى أفضل الطرق لجمع الأموال هي من خلال طبقات التنسيق مثل Bittensor. يتم توزيع ملايين الدولارات من حوافز TAO يوميًا على الشبكات الفرعية (الشركات الناشئة ومختبرات الذكاء الاصطناعي)، بينما يساهم المساهمون (المواهب في الذكاء الاصطناعي) في الشبكات الفرعية التي تهمهم للحصول على جزء من الحوافز.

تتيح Bittensor للمساهمين المشاركة في تطوير الذكاء الاصطناعي، كما تتيح للمستثمرين الاستثمار في مختبرات الذكاء الاصطناعي التي تساهم في تقنيات DeAI.

حاليًا في نظام Bittensor الإيكولوجي، هناك عدة مجالات فرعية رئيسية في DeAI تبرز، بما في ذلك الحوسبة الكمية، التدريب اللامركزي، وكلاء الذكاء الاصطناعي وأنظمة التنبؤ (التعلم المعزز ليس واحدًا منها حتى الآن، لكن هناك أكثر من 3 شبكات فرعية تركز بنشاط على التعلم المعزز اللامركزي).

كيف تسير تقدم التعلم المعزز اللامركزي حالياً؟

لقد تم إثبات أن التعلم المعزز يمكن تطبيقه على نطاق واسع، لكنه لم يتحقق بعد في الصناعة. الخبر الجيد هو أن الطلب من الشركات على وكلاء الذكاء الاصطناعي القادرين على التعلم من ردود الفعل الحقيقية ينمو بسرعة. مثل الوكلاء القادرين على التعلم من البيئات الواقعية، ومكالمات المبيعات وخدمة العملاء، ونماذج التداول القادرة على التكيف مع تغيرات السوق، وما إلى ذلك. يمكن لهذه الأنظمة ذاتية التعلم أن تخلق أو توفر ملايين الدولارات للشركات.

تكنولوجيا الخصوصية أيضًا في صعود. تساعد تطبيقات بيئة التنفيذ الموثوق (TEE) ، والتشفير المدمج داخل TEE ، والخصوصية التفاضلية في حلقة التغذية الراجعة في تشفير وحماية المعلومات الخاصة، مما يسمح للقطاعات الحساسة مثل الرعاية الصحية والمالية والقانونية بالحفاظ على الامتثال أثناء الاستفادة من وكلاء الذكاء الاصطناعي القادرين على التعلم الذاتي في مجالات محددة.

ماذا سيحدث بعد ذلك؟

التعلم المعزز هو الخيار الأفضل لجعل الذكاء الاصطناعي أكثر ذكاءً. يحول التعلم المعزز الذكاء الاصطناعي من نظام توليدي إلى وكيل ذكاء اصطناعي نشط وذكي.

دمج الخصوصية مع التعلم المعزز سيدفع الشركات إلى التبني الحقيقي، وتقديم حلول متوافقة للعملاء.

يجعل التعلم المعزز “اقتصاد الوكلاء” ممكنًا، حيث يقوم الوكلاء بشراء موارد الحوسبة والتفاوض مع بعضهم البعض وتقديم الخدمات.

نظرًا للكفاءة من حيث التكلفة، ستصبح التعلم المعزز اللامركزي هو الطريقة الافتراضية لتوسيع تدريب التعلم المعزز.

سوف تظهر التعلم المعزز الفيدرالي (Federated RL) مما يتيح لعدة أطراف التعلم بشكل متعاون دون مشاركة البيانات الحساسة المحلية، مما يجمع بين حماية الخصوصية والتعلم الذاتي، مما يعزز من مستوى الذكاء بشكل كبير، مع الامتثال للمتطلبات التنظيمية.

المقالات ذات الصلة: التشفير AI يتعرض لإعادة ترتيب كبيرة: Virtuals تفقد شعبيتها، و DeFAI و AI التنبؤ تتنافس على الفرص.