jakiro
المؤلف: ساخر ، شيجرو
مرشد:باستخدام قوة الخوارزميات ، وقوة الحوسبة والبيانات ، فإن تقدم تقنية الذكاء الاصطناعى يعيد تعريف الحدود بين معالجة البيانات واتخاذ القرارات الذكية.في الوقت نفسه ، يمثل Depin نموذج الشبكة المركزية القائمة على blockchain على البنية التحتية المركزية.
مع انتقال العالم نحو التحول الرقمي ، أصبحت الذكاء الاصطناعى و Depin (البنية التحتية المادية اللامركزية) التقنيات الأساسية لتعزيز إصلاح جميع مناحي الحياة.لا يمكن أن يعزز دمج الذكاء الاصطناعى و Depin التكرار السريع وتطبيق التكنولوجيا فحسب ، بل يفتح أيضًا نموذج خدمة أكثر أمانًا وشفافية وفعالية لإحضار تغييرات بعيدة عن الاقتصاد العالمي.
DePin: اللامركزية والنقص ، الدعامة الأساسية للاقتصاد الرقمي
DEPIN هو اختصار للبنية التحتية المادية اللامركزية.بمعنى ضيق ، يشير Depin بشكل أساسي إلى الشبكة الموزعة للبنية التحتية المادية التقليدية التي تدعمها تقنية دفتر الأستاذ الموزعة ، مثل شبكات الطاقة وشبكات الاتصالات وشبكات تحديد المواقع.بمعنى واسع ، يمكن تسمية جميع الشبكات الموزعة التي تدعمها المعدات المادية ، مثل شبكات التخزين وشبكات الحوسبة.
>
من: Messari
إذا جلبت Crypto تغييرات لا مركزية على المستوى المالي ، فإن DePin هو حل لا مركزي في الاقتصاد الحقيقي.يمكن القول أن آلة تعدين الأسرى هي Depin.من اليوم الأول ، Depin هو عمود Web3 الأساسي.
منظمة العفو الدولية ثلاثة عناصر -أخصيص ، قوة الحوسبة ، البيانات ، تحتكرها
عادةً ما يعتبر تطوير الذكاء الاصطناعي يعتمد على ثلاثة عناصر رئيسية: الخوارزميات وقوة الحوسبة والبيانات.تشير الخوارزمية إلى النموذج الرياضي ومنطق برنامج Drive AI.
>
أي من العناصر الثلاثة هو الأكثر أهمية؟قبل ظهور chatgpt ، يعتقد الناس عادة أنها خوارزمية ، وإلا فلن يتم ملء المؤتمرات الأكاديمية وأوراق المجلات بالخوارزميات.بعد ظهور Chatgpt و LLM ، الذي يدعم LLM الذكي ، بدأ الناس يدركون أهمية الاثنين الأخير.قوة الحوسبة الضخمة هي الشرط المسبق لإنتاج النموذج.
في عصر النماذج الكبيرة ، تغيرت الذكاء الاصطناعي من النحت الناعم إلى الطوب الذي يطير بقوة.الرموز المستوحاة من سوق الطيران الطويل.
AI的去中心化不是可选项，而是必选项
بالطبع ، سيسأل بعض الأشخاص ، تتوفر الطاقة والبيانات في غرف الكمبيوتر في AWS ، وهي أفضل من Depin من حيث الاستقرار والخبرة.
هذا البيان منطقي بشكل طبيعي.لماذا؟因为只有大型的互联网企业拥有足够的优质数据与雄厚财力支撑的算力。但这是不对的，人们已经不想再被互联网巨头操纵一切。
من ناحية ، فإن الذكاء الاصطناعى المركزي لديه خصوصية بيانات ومخاطر أمنية ، والتي يمكن مراجعتها والتحكم فيها ؛
>
from: https://www.gensyn.ai/
人类不应该需要一个AI纪元的马丁路德了，人们应该有权利直接和神对话。
商业角度看DePIN：降本增效是关键
حتى لو وضعت جانبا النزاع بين اللامركزية والقيم المركزية ، من منظور الأعمال ، لا يزال استخدام DEPIN من الذكاء الاصطناعي أمرًا مرغوبًا فيه.
بادئ ذي بدء ، نحتاج إلى أن ندرك بوضوح أنه على الرغم من أن عمالقة الإنترنت قد أتقنوا عددًا كبيرًا من موارد بطاقات الرسومات العالية ، إلا أن مزيجًا من بطاقات الرسومات المستهلك المنتشرة في الأشخاص يمكن أن يشكل أيضًا شبكة طاقة حوسبة كبيرة للغاية ، أي ، هي ، تأثير ذيل الطويل لقوة الحوسبة.هذا النوع من بطاقة رسومات المستهلك مرتفع للغاية.طالما أن الحوافز التي قدمها DePin يمكن أن تتجاوز فاتورة الكهرباء ، فإن المستخدم لديه الدافع للمساهمة في الشبكة.في الوقت نفسه ، يتم إدارة جميع المرافق المادية من قبل المستخدم نفسه.
بالنسبة للبيانات ، يمكن لشبكة DEPIN إصدار توفر البيانات المحتملة من خلال الحوسبة الحافة وطرق أخرى ، وتقليل تكاليف النقل.في الوقت نفسه ، فإن معظم شبكات التخزين الموزعة لها وظائف تلقائيًا ، مما يقلل من عمل تنظيف بيانات تدريب الذكاء الاصطناعي.
أخيرًا ، يعزز اقتصاديات التشفير التي جلبتها DePin مساحة تحمل خطأ النظام ، والتي من المتوقع أن تحقق وضعًا فوزًا في مقدمي الخدمات والمستهلكين والمنصات.
>
من: UCLA
في حال كنت لا تصدق ، فإن الأبحاث الأخيرة في جامعة كاليفورنيا في لوس أنجلوس تُظهر أن استخدام الحسابات اللامركزية في نفس التكلفة قد حقق أداءً 2.75 مرة مقارنة بمجموعة GPU التقليدية.
ما هي التحديات التي ستواجهها aixdepin؟
نختار الذهاب إلى القمر في هذا العقد ونفعل الشيء الآخر ، ليس لأنها سهلة ، لكنهم يتسمون بأنهم هارت.
—— جون فيتزجيرالد كينيدي
لا يزال استخدام سعة التخزين الموزعة الموزعة والحوسبة الموزعة لبناء نموذج الذكاء الاصطناعي دون ثقة كثيرة.
التحقق من العمل
في جوهرها ، يتم حساب نماذج التعلم العميق الحوسبة ورابة الأسرى عمومًا ، والطبقة السفلية هي تغييرات إشارة بين دوائر الأبواب.في Macro ، يعد تعدين الأسرى “حسابًا عديمة الفائدة” والاشتقاق العكسي احسب قيم المعلمة لكل طبقة في التعلم العميق ، وبالتالي بناء نموذج فعال منظمة العفو الدولية.
والحقيقة هي أن “الحوسبة غير المجدية” مثل تعدين الأسرى. يتم استخدام إخراج كل طبقة كمدخل للطبقة الأخيرة.
>
من: AWS
التحقق من العمل أمر بالغ الأهمية.
أحد أنواع الأفكار هو السماح لخوادم مختلفة بأداء نفس مهام الحوسبة ، والتحقق من فعالية العمل من خلال تكرار واختبار ما إذا كان الشيء نفسه هو نفسه.ومع ذلك ، فإن معظم حسابات النموذج ليست مؤكدة ، ولا يمكن استنساخ النتائج نفسها حتى في نفس بيئة الحساب بالضبط ، ويمكن أن تكون متشابهة فقط في إحصائي.بالإضافة إلى ذلك ، ستؤدي الحسابات المتكررة إلى ارتفاع سريع في التكاليف ، والتي لا تتفق مع الأهداف الرئيسية لخفض تكاليف Depin وكفاءتها.
نوع آخر من الفكرة هو الآلية المتفائلة.
التوازي
كما ذكرنا سابقًا ، فإن خدمة DePin هي أساسًا سوق الحوسبة المستهلك الطويل المستهلك ، والذي يتجه إلى أن قوة الحوسبة التي يمكن أن توفرها جهاز واحد محدودة نسبيًا.لنماذج الذكاء الاصطناعى الكبيرة ، سيكون وقت التدريب على جهاز واحد طويلًا جدًا.
الصعوبة الرئيسية في موازاة التدريب على التعلم العميق هي الاعتماد بين مهام الأمام والخلفية.
في الوقت الحاضر ، ينقسم موازاة التدريب على التعلم العميق بشكل أساسي إلى موازي ونموذج متوازي.
تشير البيانات الموازية إلى توزيع البيانات على آلات متعددة.تكون البيانات الموازية فعالة عندما تكون كمية البيانات كبيرة ، ولكن يجب مزامنتها لتجميع المعلمات.
النموذج الموازي هو عندما لا يمكن وضع حجم النموذج في جهاز واحد ، ويمكن تقسيم النموذج على آلات متعددة ، ويوفر كل جهاز جزءًا من معلمات النموذج.مطلوب آلات مختلفة للتواصل بين الاتصال الأمامي والعكسي.يتمتع النموذج الموازي بميزة عندما يكون النموذج كبيرًا ، ولكن النفقات العامة للاتصال عندما ينتشر.
للحصول على معلومات التدرج بين الطبقات المختلفة ، يمكن تقسيمها إلى تحديثات متزامنة وتحديثات غير متزامنة.التحديث المتزامن بسيط ومباشر ، لكنه سيزيد من وقت الانتظار ؛
>
من: جامعة ستانفورد ، التعلم العميق الموازي والتوزيع
خصوصية
ينطلق العالم من موجة حماية الخصوصية الشخصية ، وتعزز الحكومات في مختلف البلدان حماية خصوصية البيانات الشخصية وأمنها.على الرغم من أن الذكاء الاصطناعى يستخدم عددًا كبيرًا من مجموعات البيانات العامة ، إلا أنه أيضًا بيانات مستخدم خاصة لنماذج الذكاء الاصطناعى المختلفة.
كيفية الحصول على فوائد بيانات الملكية أثناء عملية التدريب دون تعريض الخصوصية؟كيفية التأكد من عدم تسرب معلمات نموذج الذكاء الاصطناعى؟
هذان جانبان للخصوصية وخصوصية البيانات وخصوصية النموذج.خصوصية البيانات محمية من قبل المستخدمين ، والحماية من خصوصية النموذج هي بناء منظمة نموذجية.في الحالات الحالية ، تعتبر خصوصية البيانات أكثر أهمية من خصوصية النموذج.
تحاول مجموعة متنوعة من الحلول حل مشكلة الخصوصية.يتم تدريب التعلم الفيدرالي على مصدر البيانات ، ويتم ترك البيانات محليًا ، ويتم نقل معلمات النماذج لضمان خصوصية البيانات ؛
تحليل الحالة: ما هي المشاريع عالية الجودة في السوق؟
Genesyn
Gensyn هي شبكة حوسبة موزعة لتدريب نماذج الذكاء الاصطناعي.تستخدم الشبكة طبقة من blockchain استنادًا إلى polkadot للتحقق مما إذا كانت مهمة التعلم العميق قد تم تنفيذها بشكل صحيح وتؤدي الدفع عن طريق الأمر.تم تأسيسه في عام 2020 ، تم الكشف عن تمويل بقيمة 43 مليون دولار في يونيو 2023 ، وقاد A16Z.
يستخدم Gensyn البيانات الوصفية المستندة إلى التدرج بناءً على عملية التحسين المستندة إلى التدرج لإنشاء شهادة أعمال التنفيذ ، ويتم تنفيذها بواسطة بروتوكول دقيق متعدد الحبيبات ، وبروتوكول دقيق يعتمد على الرسوم. في النهاية ، تم تأكيد السلسلة لضمان فعالية الحساب.من أجل زيادة تعزيز موثوقية التحقق من العمل ، قدمت Gensyn تعهد لإنشاء حوافز.
هناك أربعة أنواع من المشاركين في النظام: المقاطع ، والحل ، والتحققات والمراسلين.
• المقالات هي نظام النظام ، حيث يوفرون المهام التي يتم حسابها ، ودفع ثمن وحدة العمل المكتملة.
• جهاز الحل هو العامل الرئيسي للنظام.
• جهاز التحقق هو المفتاح لربط عملية التدريب غير المؤكدة مع الحساب الخطي.
• المراسل هو خط الدفاع الأخير.
يحتاج الشخص إلى التعهد ، يتفقد المراسل عمل الحل.
وفقًا لتوقعات Gensyn ، من المتوقع أن تقلل الخطة من تكلفة التدريب إلى 1/5 من المورد المركزي.
>
من: جينسين
FedMl
FEDML هي منصة التعلم الآلي للتعاون اللامركزي من أجل اللامركزية و AI التعاونية على أي مكان في أي مكان.وبشكل أكثر تحديداً ، يوفر FedML نظامًا بيئيًا MLOPs يمكنه تدريب نماذج التعلم الآلي ونشرها ومراقبتها وتحسينها بشكل مستمر ، وفي الوقت نفسه تتعاون في البيانات المدمجة والموارد الحوسبة في طريقة حماية الخصوصية.أنشئت في عام 2022 ، وكشفت FedML عن تمويل جولة البذور بقيمة 6 ملايين دولار في مارس 2023.
يتكون FedML من مكونين رئيسيين: FedMl-API و FedMl-Core ، على التوالي ، يمثلان واجهات برمجة التطبيقات المتطورة وواجهة برمجة التطبيقات الأساسية ، على التوالي.
يتضمن FedML-Core وحدتين مستقلتين من الاتصالات الموزعة والتدريب النموذجي.وحدة الاتصال هي المسؤولة عن التواصل الأساسي بين مختلف العمال/العملاء ، بناءً على MPI ؛
تم بناء FedMl-API على FedMl-Core.مع FedML-Core ، يمكن تحقيق خوارزميات موزعة جديدة بسهولة باستخدام واجهة برمجة العميل.
يثبت أحدث عمل لفريق FedML أن استخدام FedMl Nexus AI لإجراء التفكير في نموذج AI على GPU RTX 4090 المستهلك ، وهو أرخص 20 مرة من A100 و 1.88 مرة أسرع.
>
من: FedMl
التوقعات المستقبلية: Depin يجلب الديمقراطية الذكاء الاصطناعي
في يوم من الأيام ، تطورت منظمة العفو الدولية إلى AGI.
لقد فتح دمج الذكاء الاصطناعى و Depin نقطة نمو تكنولوجية جديدة ، مما يوفر فرصًا هائلة لتطوير الذكاء الاصطناعي.يوفر DePin AI كمية كبيرة من قوة الحوسبة الموزعة والبيانات ، مما يساعد على تدريب نموذج أكبر على نطاق واسع وتحقيق ذكاء أقوى.في الوقت نفسه ، جعلت DePin أيضًا منظمة العفو الدولية في اتجاه أكثر انفتاحًا وآمنة وموثوقية لتقليل الاعتماد على البنية التحتية لمركز واحد.
نتطلع إلى المستقبل ، سيستمر الذكاء الاصطناعي ودين في التطور.ستوفر الشبكة الموزعة أساسًا قويًا لتدريب نماذج كبيرة الحجم ، وستلعب هذه النماذج دورًا مهمًا في تطبيقات Depin.أثناء حماية الخصوصية والأمان ، ستساعد الذكاء الاصطناعى أيضًا بروتوكول شبكة DEPIN وتحسين الخوارزمية.نتطلع إلى AI و DePin يجلب عوالم رقمية أكثر كفاءة وعادلة وأكثر مصداقية.
