هوش مصنوعی غیرمتمرکز (Decentralized AI) چیست؟

هوش مصنوعی نقش برجسته‌ای را در مشاغل صنعت بازی‌های ویدئویی بازی می‌کند. با این حال، بسیاری از کارشناسان حول این موضوع اتفاق نظر دارند که غیرمتمرکزسازی برای موفقیت هوش مصنوعی و کاربرد آن بسیار مهم است. اما هوش مصنوعی غیرمتمرکز چیست و هوش مصنوعی و بلاک چین چگونه با یکدیگر ترکیب می‌شوند؟

پذیرش جهانی هوش مصنوعی (AI) به طور چشمگیری در حال افزایش است. هوش مصنوعی در امور مالی، پزشکی و بسیاری از فناوری‌هایی که ما روزانه استفاده می‌کنیم حضور دارد. در دنیایی که اتوماسیون همه‌گیر شده، هوش مصنوعی فرصت‌های فراوانی را برای کسب‌وکارها فراهم می‌کند تا در زمان و منابع صرفه‌جویی کنند و تجربیات کاربر را بهبود بخشند. با این حال، با گران‌تر شدن هوش مصنوعی، تنها گروه کوچکی از سازمان‌ها می‌توانند در بالاترین سطح به رقابت بپردازند و این خطر متمرکز شدن را به همراه دارد.

هوش مصنوعی غیرمتمرکز از بلاکچین‌های عمومی برای ذخیره‌سازی داده‌های غیرقابل دست‌کاری و کاربردهای اقتصادی استفاده می‌کند. ترکیب بلاک چین و هوش مصنوعی باعث ترویج همکاری و نوآوری بدون نیاز به اعتماد می‌شود. اما هوش مصنوعی غیرمتمرکز چیست و چرا این‌قدر مهم است؟

در این مقاله از فکت کوینز روش‌های مختلف تعامل بلاک چین و هوش مصنوعی را بررسی خواهیم کرد. ما برخی از مزایا و معایب هوش مصنوعی را مورد بحث قرار خواهیم داد. به علاوه، بررسی خواهیم کرد که بلاک چین و ارزهای دیجیتال چگونه به کاهش بسیاری از نگرانی‌ها در مورد هوش مصنوعی کمک می‌کنند.

بیشتر بخوانید: ارز دیجیتال هوش مصنوعی چیست؟ معرفی برترین ارزهای دیجیتال AI

هوش مصنوعی (Artificial Intelligence) چیست؟

قبل از اینکه به این سوال بپردازیم که هوش مصنوعی غیرمتمرکز چیست؟ بیایید نگاهی به خود حوزه هوش مصنوعی بیندازیم. هوش مصنوعی (AI) یک حوزه میان رشته‌ای در علوم کامپیوتر است که به انسان‌ها امکان می‌دهد تجهیزاتی بسازند که می‌توانند وظایفی را انجام دهند یا بیاموزند که عملکردهای خاصی را کارآمدتر از یک انسان انجام دهند. متخصصان هوش مصنوعی اغلب مغز انسان را برای توسعه مکانیسم‌های جدید برای حل مشکلات روزمره مدل‌سازی می‌کنند. علاوه بر این، هوش مصنوعی نقش برجسته‌ای در مواردی مانند ربات‌های چت خدمات مشتری، ماشین‌های خودران و برنامه‌هایی مانند الکسا و سیری ایفا می‌کند.

بیشتر بخوانید: Fetch.ai چیست؟ ساخت برنامه غیرمتمرکز با هوش مصنوعی!

به علاوه، زیرمجموعه‌های مختلفی از هوش مصنوعی وجود دارد، ازجمله یادگیری عمیق و یادگیری ماشینی. به همین دلیل، هیچ تعریف واحدی وجود ندارد که کل حوزه هوش مصنوعی را توضیح دهد، زیرا اصطلاح «هوش مصنوعی» بسته به زمینه مورد نظر، به معنای چیزهای مختلفی است.

تاریخچه مختصر هوش مصنوعی

رمزنگار و ریاضیدان مشهور آلن تورینگ (Alan Turing) به عنوان پیشگام هوش مصنوعی شناخته می‌شود. تورینگ در مقاله مهم خود در سال 1950 با عنوان «Computing Machinery and Intelligence» به دنبال تعیین این بود که آیا رایانه‌ها قادر به تفکر هستند یا خیر. این مقاله پایه و اساس آنچه را که به حوزه هوش مصنوعی کنونی تبدیل شده، بنا نهاد. بعدها، آزمون تورینگ برای درک بیشتر نحوه تفکر ماشین‌ها ایجاد شد. آزمون تورینگ «هوش» رایانه‌ها را با تجزیه و تحلیل شباهت پاسخ‌های آنها به سؤالات در مقایسه با پاسخ‌ انسان‌ها اندازه‌گیری می‌کند.

هوش مصنوعی چگونه کار می‌کند؟

به طور معمول، هوش مصنوعی با تقلید از الگوهای تفکر و رفتار انسان عمل می‌کند. مدل‌های هوش مصنوعی اغلب مبتنی بر منطق و رفتار انسان هستند و به ماشین‌ها اجازه می‌دهند به سرعت یاد بگیرند که چگونه به شیوه‌ای خاص عمل کنند یا به یک نتیجه خاص دست یابند. یک موضوع مشترک در بین مدل‌های هوش مصنوعی، توانایی ماشین‌ها برای «آموزش دیدن» بر مبنای داده‌ها است.

با این حال، هدف انواع مختلف هوش مصنوعی دستیابی به نتایج متفاوت با پیچیدگی‌های مختلف است. قبل از پرداختن به هوش مصنوعی غیرمتمرکز ، باید گفت که هر روزه زیرمجموعه‌های جدیدی از هوش مصنوعی ظهور می‌کند، چهار دسته کلی اکثر مدل‌های هوش مصنوعی را تعریف می‌کنند:

اول، «ماشین‌های واکنش پذیر» (Reactive machines) ساده‌ترین شکل هوش مصنوعی است که به داده‌های ورودی واکنش نشان می‌دهد اما نمی‌تواند بر اساس داده‌های آموخته شده عمل کند. دوم، مدل‌های «حافظه محدود» (limited memory) هستند که می‌توانند داده‌ها را برای پیش‌بینی نتایج آتی تجزیه و تحلیل کنند. زیرمجموعه‌های هوش مصنوعی که از مدل‌ «حافظه محدود» استفاده می‌کنند عبارت‌اند از یادگیری ماشینی (ML) و شبکه‌های عصبی بازگشتی (RNN).

سوم، مدل‌های هوش مصنوعی هستند که در دسته «نظریه ذهن» (Theory of mind) قرار می‌گیرند و می‌توانند تصمیم بگیرند و رفتار خود را با توجه به احساسات انسانی تنظیم کنند. دسته آخر مدل‌های هوش مصنوعی «خودآگاهی» (self-awareness) است که رایانه‌ها را قادر می‌سازد هوش سطح انسانی ازجمله احساسات و آگاهی را به نمایش بگذارند. علاوه بر این، سیستم‌های هوش مصنوعی علیرغم مدل‌های مختلف موجود، وظایفی را انجام می‌دهند که معمولاً به هوش انسانی نیاز دارند.

بیشتر بخوانید: ربات ChatGPT چگونه منجر به انقلاب در بازار کریپتو خواهد شد؟

انواع هوش مصنوعی

هوش مصنوعی را می‌توان به سه گروه مجزا طبقه‌بندی کرد. هوش مصنوعی محدود (narrow AI)، هوش عمومی مصنوعی (AGI) و ابر هوش (Superintelligence). هوش مصنوعی محدود ساده‌ترین شکل‌ هوش مصنوعی را که به عنوان «هوش مصنوعی ضعیف» نیز شناخته می‌شود، در خود جای داده است.

هوش مصنوعی ضعیف جنبه‌های اساسی هوش انسانی را تقلید می‌کند و معمولاً در یک کار خاص تخصص دارد. همچنین، هوش مصنوعی ضعیف به عملیات انسانی متکی است و نمی‌تواند مستقل عمل کند. نمونه‌هایی از هوش مصنوعی ضعیف شامل دستیارهای هوشمند مانند سیری و الکسا، فیلترهای اسپم، گزارش‌های ترافیک و ربات‌های گفتگو می‌شود.

از سوی دیگر، AGI یا «هوش مصنوعی قوی» را می‌توان برای هر موضوع پیچیده یا سناریوی حل مسئله‌ای به کار برد. علاوه بر این، سیستم‌های هوش مصنوعی که در طبقه‌بندی «ابر هوش» قرار می‌گیرند در حال حاضر در دسترس نیستند، اما این سیستم‌ها برای به تصویر کشیدن دقیق احساسات پیچیده انسانی و حل مسائل ظریف به طور مستقل در حال توسعه هستند.

بیشتر بخوانید:‌ ChatGPT چیست و چه تاثیری بر ارزهای دیجیتال دارد؟

یادگیری ماشین (ML) و یادگیری عمیق چیست؟

یادگیری ماشینی (ML) یکی از محبوب‌ترین الگوریتم‌های هوش مصنوعی برای شبیه‌سازی هوش انسانی است. این الگوریتم با تغذیه داده‌ها به یک ماشین هوش مصنوعی کار می‌کند که از آمار برای یادگیری نحوه انجام عملیات‌های خاص استفاده می‌کند. با گذشت زمان، این ماشین‌ها در تکمیل وظایف تعیین‌شده توسط متخصصان هوش مصنوعی کارآمدتر می‌شوند.

علاوه بر این، ML عناصر یادگیری تحت نظارت و بدون نظارت را با استفاده از داده‌های لیبل دار و بدون لیبل (Label) ترکیب می‌کند. ماشین‌ها توسط متخصصان هوش مصنوعی که داده‌ها را به ماشین‌ها تغذیه می‌کنند، نظارت می‌شوند. با این حال، سیستم‌های ML می‌توانند یاد بگیرند که بدون برنامه‌نویسی به‌طور مستقل در کارها بهتر شوند. علاوه بر این، ML به کاربران اجازه می‌دهد خروجی‌های قابل پیش‌بینی و غیرقابل پیش‌بینی تولید کنند، امری که آن را به ابزاری همه کاره با کاربردهای بسیاری تبدیل می‌کند.

علاوه بر این، یادگیری عمیق (DL) زیرمجموعه‌ای از ML است که از شبکه‌های عصبی استفاده می‌کند. استفاده از DL در مراقبت‌های بهداشتی، پیشگیری از بیماری‌ها و بهینه‌سازی وسایل نقلیه خودران برجسته است.

هوش عمومی مصنوعی (AGI) چیست؟

هوش عمومی مصنوعی (AGI) چیزی است که بسیاری آن را اوج تحقیقات هوش مصنوعی می‌دانند. یک الگوریتم جهانی که می‌تواند تمام جنبه‌های هوش مصنوعی را دربرگیرد و یاد می‌گیرد که چگونه هر کاری را با عملکردهای شناختی پیشرفته یک انسان انجام دهد.

اگرچه AGI چندین سال تا محقق شدن فاصله دارد، اما پیشرفت‌هایی مانند مدل زبان GPT-3 OpenAI و MuZerio DeepMind ما را به آن نزدیک‌تر می‌کند. ابر هوش (Superintelligence) اصطلاحی است که برای توصیف یک مدل فرضی AGI استفاده می‌شود که می‌تواند رفتار و شناخت انسان را در هر زمینه ممکن کپی کند.

بیشتر بخوانید: پیش‌ بینی ChatGPT از آینده بیت کوین

بلاک چین و هوش مصنوعی

بلاک چین‌ها به عنوان یکی از اجزای اصلی هوش مصنوعی غیرمتمرکز ، پایگاه‌های داده غیرمتمرکزی هستند که به جای سرورهای متمرکز از شبکه‌های توزیع شده استفاده می‌کنند. بلاکچین‌های عمومی مانند بیت کوین و اتریوم غیرمتمرکز هستند. آنها توسط جامعه اداره می‌شوند و هیچ اختیار واحدی ندارند. هر زمان که داده‌های تراکنش در یک بلاک چین عمومی مخابره می‌شود، هر گره در شبکه باید در مورد اعتبار تراکنش مربوطه به اجماع برسد.

علاوه بر این، بلاک چین ها از ساختار دیتایی استفاده می‌کنند که هر تراکنش را به هم متصل می‌کند. بر این اساس، هر تلاشی برای دستکاری یک تراکنش در یک بلاک چین عمومی نیاز به قدرت محاسباتی قابل توجهی دارد. همچنین، هر کسی می‌تواند با استفاده از جست‌وجوگر بلاک، تاریخچه تراکنش‌ها را در یک بلاک چین مشاهده کند، بنابراین یک محیط شفاف برای به اشتراک‌گذاری داده‌ها ایجاد می‌شود.

همچنین مشوق‌های مالی مانع از دستکاری سوابق تراکنش‌ها یا اعتبارسنجی تراکنش‌های جعلی می‌شود. استفاده از ارزهای دیجیتال در سیستم‌های هوش مصنوعی غیرمتمرکز، تعامل را به شیوه‌ای پایدار و مقیاس‌پذیر تشویق می‌کند.

بیشتر بخوانید: مقیاس پذیری در بلاک چین به چه معنا است؟

هوش مصنوعی غیرمتمرکز چیست؟

حال، هوش مصنوعی غیرمتمرکز چیست؟ هوش مصنوعی غیرمتمرکز یک حوزه نوظهور هوش مصنوعی است که بلاک چین و سایر فناوری‌های دفتر کل توزیع شده (DLT) را در خود جای داده است. بسیاری از متخصصان برجسته هوش مصنوعی معتقدند که غیرمتمرکزسازی برای اطمینان از عادلانه و ایمن بودن هوش مصنوعی حیاتی است. مدل‌های موفق هوش مصنوعی به داده‌های پیچیده و فزاینده‌ای متکی هستند.

در حالی که امکان ایجاد مدل‌های هوش مصنوعی با استفاده از داده‌های عادی وجود دارد، پیشرفت‌ در این زمینه به رایانه‌های پیشرفته و متخصصان برای تفسیر و تجزیه و تحلیل داده‌ها متکی است.

با افزایش تقاضای منابع برای مدل‌های رقابتی هوش مصنوعی، تعداد رقبا به طور طبیعی کاهش می‌یابد. نتیجه گروه کوچکی از بازیگران مسلط است که توانایی شکل دادن به آینده صنعت و آموزش مدل‌های هوش مصنوعی را دارند که درآمد را بر اخلاق و ایمنی اولویت می‌دهند. هدف از هوش مصنوعی غیرمتمرکز حل این مسائل با استفاده از شبکه‌ای توزیع شده از گره‌ها است که از تمرکز قدرت جلوگیری می‌کند و ارزش بیشتری را برای کاربران و جامعه نسبت به مدل‌های متمرکز هوش مصنوعی فراهم می‌کند.

قابل‌ذکر است، دانش غیرمتمرکز محیط یادگیری برتری را نسبت به هوش متمرکز فراهم می‌کند و یادگیری جمعی نسبت به مدل‌های هوش مصنوعی که بر مکانیسم‌های متمرکز متکی هستند، زمینه بیشتری را برای بهبود انسان محیا می‌کند.

علاوه بر این، مدل‌های غیرمتمرکز هوش مصنوعی به پزشکان کمک می‌کنند تا برخی از قدرتمندترین سیستم‌های هوش مصنوعی را کنترل کنند و از مخرب شدن ماشین‌های فوق هوشمند جلوگیری کنند.

اگر این مدل‌ها به سرورهای متمرکز تکیه می‌کردند، به راحتی می‌توانستند هک شوند یا به دست افراد نادرستی بیفتند. بلاک چین به تیم‌های هوش مصنوعی اجازه می‌دهد تا مدل‌های هوش را با قابلیت تأثیرگذاری قابل‌توجه بر جامعه، با خیال راحت توسعه دهند. همچنین، هوش مصنوعی غیرمتمرکز شفافیت را افزایش و تعامل‌پذیری را ارتقا می‌دهد.

بیشتر بخوانید: بنیانگذار فانتوم: ترکیب هوش مصنوعی و بلاک چین ممکن نیست

هوش مصنوعی غیرمتمرکز چه مشکلاتی را برطرف می‌کند؟

متمرکز بودن ذاتاً بد نیست. با این حال، سیستم‌های متمرکز هوش مصنوعی مشکلات متعددی را ایجاد می‌کنند. به عنوان مثال، پروژه‌های بسته هوش مصنوعی اغلب نمی‌توانند مشوق مشارکت‌هایی باشند که مدل‌های هوش مصنوعی با کیفیت می‌سازند. همچنین، AI متن بسته (closed-source) اغلب در خدمت برنامه‌های سازمان است و فاقد نوآوری است که از طریق مدل‌های یادگیری جمعی به دست آمده است. هوش مصنوعی غیرمتمرکز این مشکل را با ایجاد یک چارچوب قوی برای یک استاندارد متن باز جدید با حفظ حریم خصوصی حل می‌کند.

مدل‌های غیرمتمرکز هوش مصنوعی اغلب از رمزگذاری همومورفیک (homomorphic) برای تسهیل تعامل در یک محیط بی‌نیاز به اعتماد استفاده می‌کنند. این به چندین طرف اجازه می‌دهد تا بدون افشای داده‌های حساس با یکدیگر همکاری کنند. همچنین، قراردادهای هوشمند و برنامه‌های غیرمتمرکز (dapps) به متخصصان هوش مصنوعی اجازه می‌دهند تا جنبه‌های مختلف فرآیند مدل‌سازی هوش مصنوعی را در یک محیط شفاف و بی‌نیاز به اعتماد خودکارسازی کنند.

علاوه بر این، ارزهای دیجیتال انگیزه‌های مالی برای دانشمندان داده و متخصصان هوش مصنوعی ایجاد می‌کنند. هوش مصنوعی غیرمتمرکز ، تعامل و همکاری بدون نیاز به اعتماد را تسهیل می‌کند و ارائه‌دهندگان داده را تشویق می‌کند تا اطلاعات را چک کنند و بدین ترتیب کیفیت خروجی‌های هوش مصنوعی را افزایش می‌دهند. همچنین، غیرمتمرکزسازی به عنوان یک محافظ عمل می‌کند تا اطمینان حاصل شود که ابرهوش به آینده‌ای دیستوپیایی منجر نمی‌شود که در آن انسان‌ها از روبات‌ها غیرقابل تشخیص هستند.

جمع‌بندی؛ هوش مصنوعی غیرمتمرکز چیست؟

حوزه هوش مصنوعی به سرعت در حال رشد است. با این حال، رشد آن به دلیل هزینه‌های محاسباتی روزافزون داده‌های گسترده محدود شده است. آموزش حل مسائل به ماشین‌ها یک کار پرهزینه است. با رشد صنعت، تعداد کسب‌وکارهایی که می‌توانند از عهده رقابت برآیند کاهش می‌یابد و تنها تعداد انگشت شماری از شرکت‌های قدرتمند بر فضا مسلط می‌شوند.

همانطور که هوش مصنوعی به طور فزاینده‌ای با زندگی روزمره ما در هم آمیخته می‌شود، تیم‌های توسعه دهنده مشتاق هستند تا اطمینان حاصل کنند که این فناوری قدرتمند به جای منافع شرکت، به نفع جامعه عمل می‌کند. مکانیسم‌های غیرمتمرکز هوش مصنوعی از بلاک چین برای جلوگیری از دستکاری داده‌ها، افزایش شفافیت و جلوگیری از تمرکز قدرت که می‌تواند مانع از تحقق پتانسیل هوش مصنوعی شود، استفاده می‌کند. هوش مصنوعی غیرمتمرکز بر پایه بلاک چین برای پیشبرد فضای هوش مصنوعی، تسریع در نوآوری و ایجاد انگیزه برای ساخت فناوری‌های هوشمند و مستقل با یکدیگر همکاری می‌کنند.