jakiro
المؤلف: تشانغ فنغ
<سبان ليف = "">لا شك أن الذكاء الاصطناعي (AI) هو الاتجاه التكنولوجي الأكثر سخونة في العالم. تعمل تكنولوجيا الذكاء الاصطناعي على إعادة تشكيل جميع مناحي الحياة بسرعة غير مسبوقة. ومع ذلك، وراء صخب الازدهار، هناك حقيقة قاسية تتمثل في أن الغالبية العظمى من شركات الذكاء الاصطناعي، وخاصة الشركات الناشئة، لم تجد طريقًا مستقرًا ومستدامًا لتحقيق الربحية.لقد وقعوا في معضلة “التصفيق ولكن ليس النجاح”، مع تعايش الازدهار التكنولوجي والخسائر التجارية.
1. لماذا “تخسر المال وتكسب المال”؟
<سبان ليف = "">إن معضلة الربح في أعمال الذكاء الاصطناعي لا ترجع إلى فشل التكنولوجيا نفسها، بل إلى التناقضات الهيكلية الناجمة عن نموذج التطوير المركزي الخاص بها.على وجه التحديد، يمكن أن يعزى ذلك إلى الأسباب الثلاثة الرئيسية التالية:
<ب><سبان ليف = "">المركزية الشديدة: التكاليف الباهظة واحتكار القلة.<سبان ليف = "">يعد الذكاء الاصطناعي السائد الحالي، وخاصة النماذج الكبيرة، صناعة نموذجية “ثقيلة الأصول”. تتطلب عملية التدريب والاستدلال الخاصة بها كميات هائلة من الطاقة الحاسوبية (GPU) والتخزين والكهرباء.وقد أدى هذا إلى الاستقطاب: فمن ناحية هناك عمالقة التكنولوجيا (مثل جوجل، ومايكروسوفت، وOpenAI) الذين يتمتعون برؤوس أموال وفيرة، ويمكنهم تحمل مئات الملايين أو حتى مليارات الدولارات من الاستثمارات؛وعلى الطرف الآخر، هناك عدد كبير من الشركات البادئة، التي يتعين عليها أن “تخصص” معظم تمويلها لمقدمي الخدمات السحابية للحصول على قوة الحوسبة، كما أن هوامش أرباحها مضغوطة للغاية. ويشكل هذا النموذج “أقلية قوة حاسوبية” ويخنق حيوية الابتكار.على سبيل المثال، حتى OpenAI اعتمدت بشكل كبير على استثمارات Microsoft الضخمة وموارد الحوسبة السحابية Azure في المراحل الأولى من التطوير لدعم تطوير ChatGPT وتشغيله.بالنسبة لمعظم اللاعبين، فإن التكاليف الثابتة المرتفعة تجعل من الصعب تحقيق الربحية على نطاق واسع.
<ب><سبان ليف = "">معضلة البيانات: حواجز الجودة ومخاطر الخصوصية.<سبان ليف = "">وقود الذكاء الاصطناعي هو البيانات.عادةً ما تواجه شركات الذكاء الاصطناعي المركزية مشكلتين رئيسيتين من أجل الحصول على بيانات تدريب عالية الجودة وواسعة النطاق. أولا، تكاليف الحصول على البيانات مرتفعة.سواء كان ذلك من خلال التجميع المدفوع، أو شرح البيانات، أو استخدام بيانات المستخدم، فإنه ينطوي على استثمار ضخم للمال والوقت.ثانيًا، تعد مخاطر خصوصية البيانات والامتثال ضخمة.ومع تشديد لوائح البيانات العالمية (مثل اللائحة العامة لحماية البيانات وقانون خصوصية المستهلك في كاليفورنيا)، فإن جمع البيانات واستخدامها دون الحصول على إذن صريح من المستخدمين قد يؤدي إلى اتخاذ إجراءات قانونية وغرامات ضخمة في أي وقت.على سبيل المثال، واجهت العديد من شركات التكنولوجيا المعروفة غرامات باهظة بسبب مشكلات استخدام البيانات.وهذا يخلق مفارقة: لا يمكن تطوير الذكاء الاصطناعي بدون بيانات، لكن الحصول على البيانات واستخدامها أمر صعب.
<ب><سبان ليف = "">توزيع القيمة غير المتوازن: يتم استبعاد المساهمين والمبدعين من الفوائد.<سبان ليف = "">في النظام البيئي الحالي للذكاء الاصطناعي، يعد توزيع القيمة غير عادل للغاية.يعتمد تدريب نماذج الذكاء الاصطناعي على البيانات السلوكية التي ينشئها عدد لا يحصى من المستخدمين، والمحتوى (النص والصور والأكواد وما إلى ذلك) الذي ينتجه المبدعون، والتعليمات البرمجية مفتوحة المصدر التي يساهم بها المطورون في جميع أنحاء العالم.ومع ذلك، فإن هؤلاء المساهمين الأساسيين لا يتلقون أي عائد تقريبًا من القيمة التجارية الضخمة التي أنشأتها نماذج الذكاء الاصطناعي.وهذه ليست قضية أخلاقية فحسب، بل هي أيضاً نموذج أعمال غير مستدام.فهو يثبط حماسة المساهمين في البيانات ومنشئي المحتوى، وسيؤدي على المدى الطويل إلى تآكل أساس التحسين المستمر والابتكار في نماذج الذكاء الاصطناعي.ومن الأمثلة النموذجية على ذلك أن العديد من الفنانين والكتاب اتهموا شركات الذكاء الاصطناعي باستخدام أعمالهم للتدريب وتحقيق الربح دون أي تعويض، الأمر الذي أثار جدلاً واسع النطاق ونزاعات قانونية.
<ب><سبان ليف = "">2. نموذج جديد للربح
<سبان ليف = "">DeAI (الذكاء الاصطناعي اللامركزي) ليست تقنية واحدة، ولكنها نموذج جديد يدمج blockchain والتشفير والحوسبة الموزعة.ويهدف إلى إعادة بناء علاقة إنتاج الذكاء الاصطناعي من خلال نهج لا مركزي، وبالتالي حل نقاط الضعف الرئيسية الثلاث المذكورة أعلاه بطريقة مستهدفة وفتح إمكانية الربح.
<ب><سبان ليف = "">يستخدم DeAI نموذج “التعهيد الجماعي” لتوزيع احتياجات طاقة الحوسبة على العقد الخاملة (أجهزة الكمبيوتر الشخصية ومراكز البيانات وما إلى ذلك) حول العالم.<سبان ليف = "">وهذا مشابه لـ “Airbnb for GPU”، مما يشكل سوقًا عالميًا وتنافسيًا لقوة الحوسبة يمكنه تقليل تكاليف طاقة الحوسبة بشكل كبير.يحصل المشاركون على حوافز رمزية من خلال المساهمة في القوة الحاسوبية، وتحقيق التخصيص الأمثل للموارد.
<ب><سبان ليف = "">يحقق DeAI “البيانات لا تتحرك ولكن النموذج يتحرك” من خلال تقنيات مثل “التعلم الموحد” و”التشفير المتماثل”.<سبان ليف = "">فبدلاً من مركزية البيانات الأولية في مكان واحد، تقوم بتوزيع النماذج على مصادر بيانات مختلفة للتدريب المحلي، وتجميع تحديثات المعلمات المشفرة فقط.وهذا يحمي بشكل أساسي خصوصية البيانات مع الاستفادة من قيمة البيانات اللامركزية بشكل قانوني ومتوافق.يمكن لأصحاب البيانات أن يقرروا بشكل مستقل ما إذا كانوا سيقدمون البيانات ويستفيدون منها.
<ب><سبان ليف = "">قامت DeAI ببناء نظام توزيع قيمة شفاف وعادل من خلال “اقتصاديات الرمز المميز” و”العقود الذكية”.<سبان ليف = "">يمكن للمساهمين في البيانات وموفري طاقة الحوسبة ومطوري النماذج وحتى مستخدمي النماذج الحصول تلقائيًا على مكافآت رمزية مقابلة من خلال العقود الذكية بناءً على مساهمتهم.وهذا يحول الذكاء الاصطناعي من “الصندوق الأسود” الذي يسيطر عليه العمالقة إلى اقتصاد مفتوح يتم بناؤه بشكل مشترك ويشارك في إدارته ويتقاسمه المجتمع.
<ب><سبان ليف = "">3. تحول العمارة ثلاثية المستويات
<سبان ليف = "">يتطلب ترحيل أعمال الذكاء الاصطناعي المركزية التقليدية إلى نموذج DeAI إعادة بناء منهجية على المستويات الثلاثة للتكنولوجيا والأعمال والحوكمة.
<ب><سبان ليف = "">(1) إعادة البناء الفني من المركزية إلى الموزعة
<ب><سبان ليف = "">طبقة الطاقة الحاسوبية<سبان ليف = "">بالاعتماد على مشروع شبكة البنية التحتية المادية اللامركزية (DePIN)، مثل شبكة Akash وRender Network وما إلى ذلك، نقوم ببناء مجموعة طاقة حوسبة موزعة مرنة ومنخفضة التكلفة لتحل محل الخدمات السحابية المركزية التقليدية.
<ب><سبان ليف = "">طبقة البيانات<سبان ليف = "">يتم استخدام التعلم الموحد كإطار تدريب أساسي، جنبًا إلى جنب مع تقنيات التشفير مثل التشفير المتماثل والحساب الآمن متعدد الأطراف لضمان خصوصية البيانات وأمانها.إنشاء سوق بيانات يعتمد على تقنية blockchain، مثل Ocean Protocol، للسماح بتداول البيانات تحت فرضية التأكيد والأمن.
<ب><سبان ليف = "">طبقة النموذج<سبان ليف = "">يتم نشر نموذج الذكاء الاصطناعي المُدرب على blockchain في شكل “عقد ذكي للذكاء الاصطناعي”، مما يجعله شفافًا وقابلاً للتحقق وقابلاً للاستدعاء دون إذن.يمكن تسجيل كل استخدام للنموذج والفوائد المتولدة بدقة وتوزيعها.
<ب><سبان ليف = "">(2) إعادة بناء الأعمال بدءًا من بيع الخدمات وحتى البناء البيئي المشترك
<ب><سبان ليف = "">من SaaS إلى DaaS (البيانات كخدمة) وMaaS (النموذج كخدمة)،<سبان ليف = "">لم تعد الشركات تبيع فقط عدد مكالمات واجهة برمجة التطبيقات (API)، ولكنها تعمل كمنشئين بيئيين، مما يحفز المجتمع على المشاركة في بناء الشبكة من خلال إصدار الرموز الوظيفية أو الرموز المميزة للحوكمة.لقد توسع مصدر الدخل من رسوم خدمة واحدة إلى ارتفاع القيمة الرمزية وأرباح رسوم المعاملات وما إلى ذلك نتيجة لنمو القيمة البيئية.
<ب><سبان ليف = "">ولذلك،<سبان ليف = "">قم ببناء منصة مهام لا مركزية لنشر المهام مثل شرح البيانات، وضبط النماذج، وتطوير التطبيقات لسيناريوهات محددة في شكل “منح” لأعضاء المجتمع العالمي للقيام والحصول على المكافآت، مما يقلل بشكل كبير من تكاليف التشغيل ويحفز حيوية الابتكار.
<ب><سبان ليف = "">(3) من نظام الشركات إلى<ب><سبان ليف = "">DAO<ب><سبان ليف = "">إعادة هيكلة الحوكمة
<سبان ليف = "">استنادًا إلى حوكمة المجتمع، ومن خلال الاحتفاظ برموز الحوكمة، يحق للمشاركين في المجتمع (المساهمين والمستخدمين) التصويت على القرارات الرئيسية، مثل اتجاه تعديل معلمات النموذج، واستخدام أموال الخزانة، وأولوية تطوير الوظائف الجديدة، وما إلى ذلك.وهذا يمكّن “المستخدمين الحقيقيين كمالكين”.
<ب><سبان ليف = "">على أساس الصراحة والشفافية<سبان ليف = "">يتم وضع جميع الرموز والنماذج (بعضها مفتوح المصدر) وسجلات المعاملات وقرارات الحوكمة في السلسلة لضمان انفتاح وشفافية العملية وإقامة علاقة تعاونية غير موثوقة. يعد هذا في حد ذاته أحد الأصول القوية للعلامة التجارية وتأييدًا للثقة.
<ب><سبان ليف = "">خذ تحويل منصات البيانات اللوجستية التقليدية إلى DeAI كمثال.<ب><سبان ليف = "">تكمن معضلة منصة البيانات اللوجستية التقليدية في أنه على الرغم من أنها تجمع البيانات من جميع الأطراف مثل الشحن والنقل البري والتخزين، إلا أن المشاركين “غير راغبين في المشاركة” بسبب المخاوف بشأن تسرب الأسرار التجارية، مما يؤدي إلى جزر البيانات ومحدودية قيمة المنصة.<سبان ليف = "">جوهر التحول إلى DeAI هو إطلاق قيمة البيانات وتوفير حوافز عادلة دون الكشف عن البيانات الأصلية:
<ب><سبان ليف = "">من الناحية الفنية، قم ببناء شبكة حوسبة موثوقة.<سبان ليف = "">لم تعد المنصة تقوم بتخزين البيانات مركزيًا، ولكنها تتحول إلى طبقة تنسيق قائمة على blockchain.من خلال اعتماد نماذج تقنية مثل التعلم الموحد، يتم نقل نموذج الذكاء الاصطناعي جواً إلى الخوادم المحلية لكل مؤسسة (مثل شركات الشحن والمستودعات) للتدريب، ويتم تجميع تحديثات المعلمات المشفرة فقط لتحسين نموذج التنبؤ العالمي بشكل مشترك (مثل وقت وصول سفينة الشحن، ومخاطر تصفية المستودعات)، وتحقيق “لا تتحرك البيانات، وتحركات القيمة”.
<ب><سبان ليف = "">تعزيز أصول البيانات والحوافز الرمزية في الأعمال التجارية.<سبان ليف = "">يتم إصدار المنصة بنقاط عملية، ويمكن لشركات الخدمات اللوجستية “التعدين” من خلال المساهمة بالبيانات (معلمات النموذج) للحصول على مكافآت النقاط.يدفع العملاء النهائيون (مثل مالكي البضائع) الرموز المميزة للاستعلام عن “نتائج توقعات” عالية الدقة (على سبيل المثال: الأداء في الوقت المحدد لمسار معين في الأسبوع التالي) بدلاً من شراء البيانات الأولية.يتم توزيع الإيرادات تلقائيًا على المساهمين في البيانات من خلال العقود الذكية.
<ب><سبان ليف = "">بناء الصناعات القائمة على الحوكمة<ب><سبان ليف = "">DAO<ب><سبان ليف = "">,<سبان ليف = "">يتم التصويت بشكل مشترك على القرارات الرئيسية (مثل تطوير الميزات الجديدة وتعديل الرسوم) من قبل حاملي الرمز المميز (أي المشاركين الأساسيين) لتحويل المنصة من شركة خاصة تهيمن عليها شركة خاصة إلى مجتمع صناعي.
<سبان ليف = "">لقد تحولت المنصة من منظمة مركزية تحاول استخراج رسوم وسيط البيانات إلى نظام عصبي للبناء المشترك والحوكمة المشتركة ومشاركة سلسلة صناعة الخدمات اللوجستية بأكملها.ومن خلال حل مشكلة الثقة، فقد أدى ذلك إلى تحسين الكفاءة التعاونية في الصناعة ومقاومة المخاطر بشكل كبير.
<ب><سبان ليف = "">4. الامتثال والأمن
<سبان ليف = "">وعلى الرغم من أن DeAI يتمتع بآفاق كبيرة، إلا أن تطويره لا يزال في مراحله الأولى ويواجه سلسلة من التحديات التي لا يمكن تجاهلها.
<ب><سبان ليف = "">الامتثال وعدم اليقين القانوني.ومن حيث لوائح البيانات،<سبان ليف = "">حتى لو لم تتحرك البيانات، فإن نماذج مثل التعلم الموحد لا تزال بحاجة إلى الالتزام الصارم بمتطلبات “تحديد الغرض” و”تقليل البيانات” وحقوق المستخدم (مثل الحق في النسيان) في لوائح مثل اللائحة العامة لحماية البيانات عند معالجة البيانات الشخصية.يجب على أطراف المشروع تصميم آليات متوافقة لترخيص البيانات والخروج.
<ب><سبان ليف = "">وفيما يتعلق بقواعد الأوراق المالية،<سبان ليف = "">يمكن بسهولة التعرف على الرموز الصادرة عن المشاريع كأوراق مالية من قبل الهيئات التنظيمية في مختلف البلدان (مثل هيئة الأوراق المالية والبورصات الأمريكية)، وبالتالي تواجه تدقيقًا تنظيميًا صارمًا.إن كيفية تجنب المخاطر القانونية عند تصميم نموذج اقتصادي رمزي هو المفتاح لبقاء المشروع.
<ب><سبان ليف = "">ومن حيث مسؤولية المحتوى،<سبان ليف = "">إذا أنتج نموذج DeAI المنشور على السلسلة محتوى ضارًا أو متحيزًا أو غير قانوني، فمن المسؤول؟هل هو مطور نموذجي أم مزود طاقة حاسوبية أم حامل رمزي للحوكمة؟وقد جلب هذا قضايا جديدة إلى النظام القانوني الحالي.
<ب><سبان ليف = "">فيما يتعلق بالتحديات الأمنية والأداء،<سبان ليف = "">سلامة النموذجهذا هو<سبان ليف = "">قد تواجه النماذج المنشورة على السلاسل العامة نواقل هجوم جديدة، مثل استغلال نقاط الضعف في العقود الذكية أو إتلاف أنظمة التعلم الفيدرالية بشكل ضار عن طريق تسميم البيانات.
<ب><سبان ليف = "">عنق الزجاجة في الأداء هو<سبان ليف = "">قد لا تدعم سرعة المعاملة (TPS) وقيود التخزين الخاصة بـ blockchain نفسها طلبات الاستدلال للنماذج الكبيرة عالية التردد وزمن الوصول المنخفض.ويتطلب ذلك مزيجًا فعالاً من حلول توسيع الطبقة الثانية والحوسبة خارج السلسلة.
<ب><سبان ليف = "">كفاءة التعاون<سبان ليف = "">على الرغم من أن التعاون الموزع عادل، إلا أن كفاءة اتخاذ القرار والتنفيذ قد تكون أقل من الشركات المركزية. إن كيفية تحقيق التوازن بين الكفاءة والعدالة هو فن يجب استكشافه باستمرار في حوكمة DAO.
<سبان ليف = "">كثورة في علاقات الإنتاج، من المتوقع أن يكسر DeAI احتكار العمالقة من خلال التكنولوجيا الموزعة والاقتصاد الرمزي وحوكمة المجتمع، وإطلاق قوة الحوسبة الخاملة وقيمة البيانات في جميع أنحاء العالم، وبناء نظام بيئي جديد للذكاء الاصطناعي أكثر عدالة واستدامة وربما أكثر ربحية.
<سبان ليف = "">5. اتجاه الاستكشاف الحالي
<ب><سبان ليف = "">لا يزال التطوير الحالي لأدوات الذكاء الاصطناعي بعيدًا عن تحقيق الذكاء الاصطناعي اللامركزي المثالي.ما زلنا في المراحل الأولى من سيطرة الخدمات المركزية، لكن بعض الاستكشافات أشارت إلى الاتجاه المستقبلي.<سبان ليف = "">.
<سبان ليف = "">
<ب><سبان ليف = "">الاستكشافات الحالية والتحديات المستقبلية.<سبان ليف = "">على الرغم من أن DeAI المثالي لم يتحقق بعد، إلا أن الصناعة تبذل بالفعل محاولات قيمة، مما يساعدنا على رؤية المسار المستقبلي والعقبات التي يجب التغلب عليها.
<سبان ليف = "">مثل النموذج الأولي للتعاون في نظام متعدد الوكلاء.<سبان ليف = "">تستكشف بعض المشاريع بناء بيئة يتعاون فيها وكلاء الذكاء الاصطناعي ويتطورون معًا.على سبيل المثال، يهدف مشروع AMMO إلى إنشاء “شبكة تكافلية بين البشر والذكاء الاصطناعي”.يسمح إطار العمل متعدد الوكلاء وبيئة محاكاة RL Gyms التي صممها لعملاء الذكاء الاصطناعي بتعلم التعاون والتنافس في سيناريوهات معقدة.يمكن اعتبار ذلك بمثابة محاولة لبناء قواعد التفاعل الأساسية لعالم DeAI.
<ب><سبان ليف = "">مثال آخر هو محاولة أولية لنموذج الحوافز.<سبان ليف = "">في رؤية DeAI، يجب أن يحصل المستخدمون الذين يساهمون بالبيانات والعقد التي توفر قوة الحوسبة على عوائد عادلة.تحاول بعض المشاريع إعادة توزيع القيمة مباشرة على المساهمين في النظام البيئي من خلال أنظمة الحوافز القائمة على العملات المشفرة.وبطبيعة الحال، تظل الكيفية التي يمكن بها لهذا النموذج الاقتصادي أن يعمل على نطاق واسع وبشكل مستقر وعادل تحدياً هائلاً.
<ب><سبان ليف = "">مثال آخر هو التحرك نحو أكثر استقلالية<ب><سبان ليف = "">منظمة العفو الدولية<سبان ليف = "">: تُظهر منتجات Deep Research الاستقلالية القوية للذكاء الاصطناعي في مهام محددة (مثل استرجاع المعلومات وتحليلها). يمكنهم التخطيط بشكل مستقل وتنفيذ عمليات متعددة الخطوات وتحسين النتائج بشكل متكرر.تعد إمكانية أتمتة المهام هذه أساسًا للعمل المستقل لوكلاء الذكاء الاصطناعي في شبكات DeAI المستقبلية.
<سبان ليف = "">بالنسبة لممارسي الذكاء الاصطناعي الذين يكافحون في المحيط الأحمر، فبدلاً من التورط في النموذج القديم، من الأفضل أن يحتضنوا بشجاعة المحيط الأزرق الجديد لـ DeAI.وهذا لا يشكل تحولاً في المسارات التقنية فحسب، بل إنه أيضاً إعادة تشكيل لفلسفة العمل ــ من “الاستخراج” إلى “الحوافز”، ومن “المغلق” إلى “المفتوح”، ومن “الأرباح الاحتكارية” إلى “النمو الشامل”.
