جينسن هوانغ يقول إن الذكاء الاصطناعي المفتوح والمغلق سيتعايشان: ماذا يعني ذلك للعملات المشفرة والذكاء الاصطناعي اللامركزي
2026/08/02 08:06:00
رأي الرئيس التنفيذي لشركة NVIDIA، جينسن هوانغ، بأن الذكاء الاصطناعي المفتوح والخاص سيتطوران معًا له آثار أبعد بكثير من المنافسة بين مختبرات الذكاء الاصطناعي الرائدة. إذا أصبحت أوزان النماذج المتقدمة متاحة على نطاق أوسع، فإن العقبة التالية ستكون بشكل متزايد البنية التحتية المطلوبة لتدريبها وتكيفها وتشغيلها. وهذا يخلق فرصة محتملة لشبكات GPU اللامركزية وأسواق الذكاء الاصطناعي القائمة على البلوكشين وبروتوكولات مثل Bittensor، لكنه لا يضمن نجاح كل مشروع ذكاء اصطناعي لامركزي أو رمز مرتبط به.
السؤال المركزي بالنسبة للعملات المشفرة ليس ببساطة ما إذا كانت نماذج الذكاء الاصطناعي الإضافية ستكون قابلة للتنزيل. بل ما إذا كانت الشبكات اللامركزية قادرة على توفير حوسبة مفيدة، واستنتاج، وتخزين، ودفعات، وتحقق على مستوى ترغب فيه الشركات والمطورون في شرائه. تعزز تعليقات هوانغ الحجة لصالح نظام بيئي متنوع للذكاء الاصطناعي، لكن الأداء التقني، وموثوقية الشبكة، واقتصاديات الرموز، والطلب الحقيقي من العملاء سيحددون ما إذا أصبحت العملات المشفرة طبقة بنية تحتية مهمة أو ظلت سردًا استثماريًا حول نمو الذكاء الاصطناعي.
رؤية جينسن هوانغ المفتوحة والمغلقة للذكاء الاصطناعي ولماذا ستتعايش كلا النموذجين
جينسن هوانغ لا يرى مستقبل الذكاء الاصطناعي كمنافسة يفوز فيها الفائز الوحيد بين الأنظمة المفتوحة والمغلقة. وفي كلمته في مؤتمر NVIDIA GTC في مارس 2026، رفض مؤسس ورئيس NVIDIA هذا الخيار الثنائي، موضحًا أن "الخاص مقابل المفتوح ليس شيئًا. إنه خاص ومفتوح معًا." وحجته هي أن النظام البيئي العالمي للذكاء الاصطناعي سيحتاج إلى نماذج مختلفة لمهام وأ industries ومتطلبات أمنية مختلفة، بدلاً من نظام واحد شامل يتحكم فيه شركة واحدة أو فلسفة تطوير واحدة. قد تستمر النماذج الخاصة المتقدمة في قيادة المهام التي تتطلب أقصى أداء في الاستدلال، وأمانًا مُدارًا، ودعمًا للشركات، بينما يمكن للنماذج ذات الأوزان المفتوحة أن تعطي المطورين والشركات والحكومات تحكمًا أكبر في التخصيص ومعالجة البيانات والنشر.
هوانغ يرفض جدل الذكاء الاصطناعي المفتوح مقابل المغلق
على الرغم من أن الذكاء الاصطناعي المفتوح والمغلق يُقدّمان غالبًا كنهجينين متنافسين، إلا أنهما يلبيان متطلبات مستخدمين مختلفين. عادةً ما تكون النماذج الملكية تحت سيطرة مطوريها وتُوصَل عبر التطبيقات أو منصات السحابة أو واجهات برمجة التطبيقات. يمكن لهذا الهيكل أن يوفر أداءً متقدمًا، وتحديثات متناسقة، وحماية أمنية مركزية، ودعمًا محترفًا دون الحاجة إلى أن يقوم العملاء بتشغيل بنية تحتية معقدة للتعلم الآلي. التنازل هو أن المستخدمين قد يكون لديهم رؤية محدودة لمعلمات النموذج وعملية التدريب والضوابط الداخلية. كما يمكن للمنظمات أن تصبح معتمدة على أسعار ومدى توفر سياسات البيانات وقيود الاستخدام الخاصة بمزود واحد مع تعمّق تكامل الذكاء الاصطناعي في عملياتها.
تتبع النماذج ذات الأوزان المفتوحة نموذج توزيع مختلف لأن معاملاتها المدربة يمكن عادةً تنزيلها وتعديلها ونشرها على البنية التحتية التي يختارها المستخدم. وهذا يجعل من الممكن ضبط النموذج لملفات البيانات الخاصة، أو اللغات الإقليمية، أو الأبحاث العلمية، أو سير العمل التجارية المتخصصة. يمكن لمنظمة تشغيل النموذج على خوادمها الخاصة، أو داخل سحابة خاصة، أو بالقرب من أجهزة الحافة حيث تهم التأخير والتحكم في البيانات. ومع ذلك، لا يعني الوزن المفتوح تلقائيًا مفتوح المصدر بالكامل. فقد تظل مجموعات البيانات التدريبية، وشفرة المصدر، وتقييمات السلامة، أو أساليب التطوير غير متاحة، وقد تقيّد التراخيص استخدامات معينة. وبالتالي، فإن انفتاح النموذج موجود على طيفٍ بدلاً من كونه فئة بسيطة بنعم أو لا.
وفقًا لملاحظات هوانغ حول GTC، ستزداد اعتماد الصناعات مثل الرعاية الصحية والتمويل والتصنيع على مزيج من النماذج العامة والمتخصصة والمفتوحة والخاصة. فقد تستخدم مستشفى نظامًا تجاريًا متقدمًا لأبحاث طبية واسعة النطاق، مع معالجة معلومات المرضى السرية من خلال نموذج مُنشر محليًا. وقد تستخدم مؤسسة مالية نموذجًا خاصًا للتحليل العام، لكنها تحتفظ بسجلات العملاء داخل بيئة مُحكمة تابعة لها. ويمكن للمصنعين تشغيل نماذج أصغر بالقرب من المصانع والمعدات الصناعية، مع الاعتماد على أنظمة قائمة على السحابة للمهام الهندسية المعقدة. ويمكن أن تجعل وكلاء الذكاء الاصطناعي ومنصات توجيه النماذج هذا الهيكل الهجين أكثر شيوعًا. بدلاً من إرسال كل طلب إلى نموذج واحد، يمكن لنظام التنسيق تقييم تعقيد المهمة وحساسيتها وتكاليفها ومتطلبات وقت الاستجابة قبل اختيار الخيار الأنسب. فقد تُخصص تصنيف الوثائق الروتيني إلى نموذج محلي فعال، بينما يمكن إرسال البرمجة المتقدمة أو الاستدلال العلمي إلى منصة خاصة أكثر قدرة. وقد يتفاعل المستخدمون مع تطبيق واحد، رغم أن عدة نماذج تعمل خلفه. ويمكن لهذا النهج تقليل التكاليف غير الضرورية، وحماية المعلومات الحساسة، وتقليص الاعتماد على مزود واحد، مع الحفاظ على الوصول إلى القدرات المتقدمة.
استراتيجية NVIDIA المفتوحة للنماذج تدعم رؤية هوانغ
تشير إجراءات NVIDIA إلى أن دعم جينسن هوانغ للذكاء الاصطناعي المفتوح والخاص يتجاوز التعليقات العامة. في مارس 2026، أنشأت الشركة تحالف Nemotron مع Mistral AI وBlack Forest Labs وCursor وLangChain وPerplexity وReflection AI وSarvam وThinking Machines Lab. ويجمع التحالف بين الأبحاث ومجموعات البيانات وإطارات التقييم والمعرفة المتخصصة وموارد الحوسبة لتطوير نماذج حدودية مفتوحة. ويتم تطوير النموذج الأساسي الأول بالتعاون بين NVIDIA وMistral AI، مع مساهمة الأعضاء الآخرين في الاختبار والتدريب اللاحق والتطوير المستمر. وتخطط NVIDIA لمشاركة النموذج الناتج مع نظام الذكاء الاصطناعي الأوسع واستخدامه كأساس لعائلة Nemotron 4. بحلول مارس 2026، سجلت نماذج Nemotron الحالية أكثر من 45 مليون عملية تنزيل على Hugging Face، مما يدل على طلب كبير على أنظمة الذكاء الاصطناعي القابلة للتكيف. ووسعَت NVIDIA هذه الاستراتيجية في يوليو من خلال عمليات نشر تشمل منظمات يابانية مثل معهد طوكيو للعلوم وSoftBank وSB Intuitions وStockmark وHitachi وNTT DATA، والتي تستخدم تقنية Nemotron لتطبيقات الذكاء الاصطناعي باللغة اليابانية، وكلاء المؤسسات، والاتصالات، والتصنيع، والتطبيقات العلمية. وتُظهر هذه المشاريع كيف يمكن للمنظمات تخصيص الأساسيات المفتوحة باستخدام بيانات خاصة دون كشف المعرفة الداخلية القيمة علنًا.
تدعم التطورات الأمنية حجة هوانغ بأن النماذج المفتوحة والمغلقة للذكاء الاصطناعي ستتعايش. يمكن التحقق من النماذج المفتوحة واختبارها بشكل مستقل، بينما يسمح النشر المحلي للمنظمات بالاحتفاظ بالمعلومات الحساسة ضمن بنية تحتية خاضعة للرقابة. ومع ذلك، يمكن تعديل الأوزان القابلة للتنزيل لإزالة ضوابط الأمان، ويصعب التراجع عن إصدارها. توفر الأنظمة المغلقة تحكمًا مركزيًا في الوصول وتحديثات أمنية منسقة، لكنها قد تخلق اعتمادات غير شفافة ونقاط فشل مركزة. في 27 يوليو 2026، أنشأت نفيديا ومؤسسات تقنية وأمن سيبراني أخرى تحالف الذكاء الاصطناعي المفتوح الآمن لتطوير أدوات دفاعية مفتوحة مع الاعتراف بأن كلا النوعين من النماذج لا يزالان ضروريين. كما يتوافق دعم هذا النظام البيئي المختلط مع موقع نفيديا كمزود لبنية تحتية للذكاء الاصطناعي. تتطلب المختبرات الحصرية ومنصات السحابة والحكومات والمطورون الذين يشغلون نماذج مفتوحة جميعًا وحدات معالجة رسومية، وشبكات، وتخزين، وكهرباء، وبرمجيات متخصصة. قد يقلل الاستضافة الذاتية للأوزان المفتوحة رسوم الوصول إلى النموذج، لكنه لا يلغي التكاليف التشغيلية. ومن ثم، من المنطقي استنتاج أن نفيديا يمكن أن تستفيد سواء استخدمت التطبيقات المستقبلية منصات حصرية أو أنظمة بأوزان مفتوحة أو مزيجًا هجينًا، مما يجعل سوق الذكاء الاصطناعي المتنوع الناتج الأكثر احتمالاً.
ما معنى الذكاء الاصطناعي ذي الأوزان المفتوحة بالنسبة للعملات المشفرة والبنية التحتية للذكاء الاصطناعي اللامركزية
يمكن أن تزيد الذكاء الاصطناعي ذو الأوزان المفتوحة من الطلب على الحوسبة اللامركزية لأن تنزيل النموذج لا يزيل تكلفة تشغيله. لا يزال المطورون بحاجة إلى وحدات معالجة الرسومات (GPUs) والتخزين وعرض النطاق الترددي والكهرباء والبنية التحتية التقنية لضبط النماذج ومعالجة طلبات المستخدمين وتشغيل وكلاء الذكاء الاصطناعي على نطاق واسع. وهذا يخلق دورًا محتملاً لشبكات البنية التحتية المادية اللامركزية التي تربط مزودي الأجهزة المستقلين بالمطورين الباحثين عن قدرات حوسبة. يمكن أن تجعل الأسواق الموزعة وحدات معالجة الرسومات غير المستخدمة متاحة لتدريب النماذج والاستنتاج واستضافة التطبيقات، بينما يمكن لأنظمة التخزين اللامركزية دعم مجموعات البيانات والنقاط التحقق والمحتوى المولّد بالذكاء الاصطناعي. يمكن للأصول المشفرة تنسيق المدفوعات ومكافآت المزودين والرهن والوصول عبر هذه الشبكات دون الحاجة إلى أن يستخدم كل مشارك نفس الشركة أو منصة سحابية. تتجاوز الفئة الأوسع من شبكات البنية التحتية اللامركزية تطوير النموذج لتشمل الموارد المادية اللازمة لتشغيل الخدمات الرقمية. الفرصة الأساسية هي أن الأوزان المفتوحة تقلل من الحواجز أمام الوصول إلى النماذج ولكنها لا تزيل عقدة البنية التحتية، مما قد يوسع السوق أمام سحابات وحدات معالجة الرسومات البديلة والاستنتاج غير المصرح به واستضافة الذكاء الاصطناعي الموزعة جغرافيًا.
يمكن لشبكات البلوكشين أيضًا دعم الذكاء الاصطناعي اللامركزي من خلال المدفوعات الشفافة، وسجلات ملكية النماذج، وأصل البيانات، والحوافز لتحفيز تقييم مخرجات التعلم الآلي. يطبق Bittensor هذا المفهوم من خلال شبكات فرعية متخصصة يمكن للمشاركين من خلالها تقديم خدمات مثل الاستنتاج، والحوسبة، والتخزين، والتنبؤ، بينما يقوم المدققون بتقييم المساهمات، وتشجع الحوافز البروتوكولية الأداء المفيد. قد تسمح البنية التحتية للعملات المشفرة أيضًا وكلاء الذكاء الاصطناعي في العملات المشفرة بشراء الخدمات الرقمية من خلال المحافظ القابلة للبرمجة والمدفوعات بالعملات المستقرة. ومع ذلك، فإن الذكاء الاصطناعي ذا الأوزان المفتوحة ليس لامركزيًا تلقائيًا. فقد لا يزال يمكن استضافة نموذج قابل للتنزيل من قبل مزود سحابي مركزي، وتدريبه على مجموعات بيانات مركزة، وتشغيله عبر أجهزة مقدمة من عدد قليل من المصنعين. يجب على الشبكات اللامركزية حل مشكلات صعبة تتعلق بالتحقق من المخرجات، والخصوصية، والتأخير، وجودة الأجهزة، والأمن السيبراني، وتوافر الخدمة قبل أن تستطيع التنافس باستمرار مع البدائل المركزية. وبالتالي، فإن أقوى صلة بين الذكاء الاصطناعي ذا الأوزان المفتوحة والعملات المشفرة هي البنية التحتية المحيطة بالنموذج—كيف يتم توفير موارد الحوسبة، وكيف يتم دفع المساهمين، وكيف يتم التحقق من المخرجات، وما إذا كان المستخدمون يمكنهم الوصول إلى الخدمات دون الاعتماد كليًا على وسيط واحد.
الفرص والمخاطر المتعلقة بـ Bittensor ورموز الحوسبة اللامركزية والذكاء الاصطناعي
يكتسب بيتنتانور ومشاريع الذكاء الاصطناعي اللامركزية الأخرى اهتمامًا مع تزايد الطلب على بدائل لبنية تحتية سحابية تقليدية، لكن قيمتها على المدى الطويل ستتوقف على أكثر من شعبية الذكاء الاصطناعي. يجب على هذه الشبكات إثبات أن المشاركين الموزعين يمكنهم تقديم خدمات تدريب واستنتاج وتخزين وبيانات موثوقة بأسعار تنافسية. يمكن للعملات المشفرة أن تساعد في تنسيق المزودين والموثوقين والمدفوعات، لكن التبني المستدام يتطلب عملاء حقيقيين ومخرجات قابلة للقياس وأنشطة اقتصادية لا تعتمد بشكل رئيسي على مكافآت الرموز. يحتوي المجال الأوسع لقطاعات الذكاء الاصطناعي المشفرة على نماذج عمل مختلفة، مما يجعل التقييم على مستوى المشروع أكثر فائدة من معاملة كل رمز ذكاء اصطناعي على أنه تعرض لنفس الاتجاه.
بيتاتينور وكوفينانت-72B تبرزان إمكانات الذكاء الاصطناعي اللامركزي
يعمل Bittensor من خلال شبكات فرعية متخصصة تنافس لتوفير خدمات رقمية مثل استنتاج الذكاء الاصطناعي، التدريب، التنبؤ، التخزين والحوسبة. وفقًا لوثائق الشبكة الفرعية لـ Bittensor، يُنتج المعدنون الخدمة ذات الصلة، وتقيم المدققون جودتها، ويُنشئ مُنشئو الشبكات الفرعية آليات الحوافز، ويدعم المُستثمرون المدققين بعملة TAO. تلقت الشبكة اهتمامًا أوسع في مارس 2026 بعد أن دعمت الشبكة الفرعية Templar 3 التدريب الموزع لنموذج Covenant-72B، وهو نموذج لغوي بـ 72 مليار معلمة. ويقول تقرير Covenant-72B التقني إن النموذج تم تدريبه مسبقًا على حوالي تريليوني وحدة لغوية من خلال عملية موزعة عالميًا دون إذن. وقارن هوانغ التجربة بإصدار حديث من Folding@home، معترفًا بنهجها في الحوسبة الموزعة. ولم يشكل هذا التعليق شراكة بين NVIDIA و Bittensor، ولا تأييدًا لـ TAO، ولا دليلًا على أن التدريب اللامركزي متفوق بالفعل على مراكز البيانات التقليدية. بل أظهر أن التدريب التعاوني الواسع ممكن تقنيًا، بينما تكمن الفرصة الأوسع لـ Bittensor في تحويل شبكاتها الفرعية إلى أسواق تنافسية للذكاء الآلي المفيد.
يمكن أن توسع رموز الحوسبة والذكاء الاصطناعي اللامركزية الوصول إلى البنية التحتية
أقوى فرصة للحوسبة اللامركزية تأتي من الفجوة بين الوصول إلى نموذج ذكاء اصطناعي والحصول على الأجهزة المطلوبة لتشغيله. توفر مزودو السحابة المركزة وحدات معالجة رسوميات بكميات كبيرة، لكن التسعير، والتوافر الإقليمي، وقيود السعة، والعقود طويلة الأجل يمكن أن تخلق عوائق أمام المطورين الأصغر. تحاول الشبكات الموزعة تجميع الموارد من مزودين مستقلين وجعلها متاحة من خلال أسواق مفتوحة. إذا استطاعت تقديم أسعار تنافسية وخدمة موثوقة، فقد تدعم الشركات الناشئة والباحثين ومطوري وكلاء الذكاء الاصطناعي الذين يحتاجون إلى سعة مؤقتة أو مرنة. الفرصة لا تقتصر على تدريب النماذج الكبيرة: الاستنتاج، الضبط الدقيق، تقييم النموذج، إنتاج البيانات الاصطناعية، وتنفيذ الوكلاء المستمر يمكن أن تخلق أحمال عمل متكررة. قد تنظم الرموز المميزة المدفوعات والمكافآت عبر هذه الأنظمة، لكن أقوى استخدام لها يكمن عندما يؤدي الأصل وظيفة ضرورية في الشبكة بدلاً من كونه مجرد Etiquette تداولية مرفقة بتطبيق ذكاء اصطناعي.
يمكن أن تحد المخاطر الفنية والأمنية والمركزية من التبني
تواجه شبكات الذكاء الاصطناعي اللامركزية تحديات لا تواجهها المعاملات البلوكشين العادية. فقد تكون مخرجات الذكاء الاصطناعي ذات طابع ذاتي ومكلفة للتقييم، مما يجعل من الصعب على المدققين تحديد ما إذا كان المزود قد قدم عملًا مفيدًا حقًا أو قام فقط بتحسين الأداء وفقًا لآلية التقييم. ويمكن أن يؤدي التقييم الضعيف إلى تشجيع التلاعب والتواطؤ والأنشطة التي تحقق مكافآت دون خدمة العملاء الخارجيين. كما أن التدريب الموزع يُدخل تأخيرات في الاتصال، وعدم اتساق الأجهزة، وخطر انفصال المشاركين أو تقديم تحديثات معيبة. ويمكن أن تظل البلوكشين معتمدة على عدد محدود من مصنعي وحدات معالجة الرسوميات، أو المدققين الكبار، أو مراكز البيانات، أو فرق التطوير، مما يترك الطبقات الحاسمة مركزية حتى عندما تكون المدفوعات لامركزية. كما أن مزودين خبيثين، أو مفاتيح مخترقة، أو ثغرات برمجية، أو استخدام غير مصرح به للبيانات المحمية بحقوق الملكية أو السرية، تخلق مخاطر إضافية. ولذلك، فإن المنافسة مع خدمات السحابة الراسخة ستتطلب أداءً موثوقًا، حوكمة شفافة، حمايات قوية للخصوصية، وطرق موثوقة للتحقق من العمل المنجز.
نمو الشبكة لا يزيد تلقائيًا من قيمة رمز الذكاء الاصطناعي
يمكن لأسعار رموز الذكاء الاصطناعي أن تتفاعل بسرعة مع إصدارات النماذج، والتعليقات المؤثرة، ومشاعر السوق الأوسع، لكن الاهتمام لا يخلق بالضرورة إيرادات متكررة. قد يُبلغ شبكة عن المزيد من عمليات النشر أو المعاملات أو المشاركين، بينما تظل غالبية هذه الأنشطة ممولة من خلال إصدارات الرموز والحوافز. إذا تجاوزت مكافآت المشاركين باستمرار الإيرادات من العملاء الخارجيين، فقد يعتمد النمو الظاهري على الإصدار المستمر بدلاً من نموذج عمل مستدام. يتطلب تقييم TAO ورموز الحوسبة اللامركزية الأخرى فحص مدفوعات العملاء، وأحمال العمل المتكررة، واستخدام الأجهزة، واستقلالية المُحققين، وتركيز المزودين، وتكلفة الحوافز اللازمة لاستدامة النشاط. كما ينبغي للمستثمرين تحديد ما إذا كان المستخدمون بحاجة إلى الرمز للوصول إلى الخدمات، وما إذا كانت رسوم الشبكة تولّد طلبًا مستمرًا، وما إذا كانت الإصدارات تُخفّض قيمة الحائزين الحاليين. لدي Bittensor والحوسبة اللامركزية فرصة موثوقة لدعم اقتصاد ذكاء اصطناعي أكثر انفتاحًا، لكن النجاح طويل الأمد سيعتمد على خدمات قابلة للتحقق، وعملاء متكررين، واقتصاد رموز مستدام.
الاستنتاج
رأي جينسن هوانغ بأن الذكاء الاصطناعي المفتوح والخاص سيتعايشان يشير إلى اقتصاد متعدد النماذج، حيث تختار المنظمات الأنظمة بناءً على الأداء والخصوصية والتكلفة والتحكم بدلاً من اتباع نهج تطوير واحد عالمي. يمكن أن يخلق هذا التوسع طلبًا حقيقيًا على الحوسبة اللامركزية، ودفعات قائمة على البلوك تشين، وشبكات الحوافز مثل Bittensor، لأن أوزان النماذج القابلة للوصول لا تزال تتطلب بنية تحتية كبيرة للتدريب والتشغيل. أظهر Covenant-72B أن التجارب الكبيرة للتدريب دون إذن ممكنة، لكن الإمكانية التقنية لا تضمن التفوق التجاري أو قيمة الرمز. يجب على مشاريع الذكاء الاصطناعي اللامركزية إثبات قدرتها على التحقق من المخرجات، وحماية البيانات، وتوفير خدمات موثوقة، وجذب عملاء يدفعون مقابل الخدمات دون الاعتماد المفرط على الانبعاثات. قد تصبح العملات المشفرة طبقة تنسيق وتسوية مهمة لاقتصاد الذكاء الاصطناعي المفتوح، لكن المشاريع الأقوى ستكون تلك التي تحول سرد الذكاء الاصطناعي إلى استخدام قابل للقياس، وإيرادات مستدامة، واقتصاد رمزي شفاف.
|
تحتفل KuCoin بمرور 9 سنوات على تأسيسها بحملة خاصة على المنصة تضم مكافآت حصرية وأنشطة تداول وعروض لفترة محدودة. لا تفوت فرصة المشاركة والاستمتاع بالمزايا مع احتفال المنصة بتسعة أعوام من النمو والابتكار. قم بزيارة صفحة الحملة الرسمية الآن:
|
الأسئلة الشائعة
هل بيتينسور هو نفسه منصة حوسبة سحابية لامركزية؟
لا. يربط سوق السحابة اللامركزية بشكل أساسي العملاء بموفرين مستقلين يقدمون موارد حوسبة. بينما يُعد Bittensor شبكة حوافز أوسع، حيث يمكن للشبكات الفرعية المتخصصة إنتاج الاستنتاجات والتنبؤات والتدريب والتخزين وخدمات رقمية أخرى. قد تقدم بعض الشبكات الفرعية خدمات مرتبطة بالحوسبة، لكن الشبكة لا تعمل كسوق موحد لإيجار وحدات معالجة الرسوميات.
هل يمكن لنماذج الذكاء الاصطناعي المفتوحة الوزن العمل تمامًا دون اتصال بالإنترنت؟
نعم، بشرط أن يمتلك المستخدم أجهزة كافية وبرمجيات متوافقة ونسخة محلية من أوزان النموذج. يمكن أن يحسن النشر دون اتصال بالإنترنت الخصوصية ويقلل الاعتماد على واجهة برمجة تطبيقات خارجية، لكن النماذج الأكبر قد تتطلب بطاقات رسومية مكلفة وذاكرة كبيرة. قد لا يزال الوصول إلى الإنترنت ضروريًا لتنزيل النموذج، وتحديثات الأمان، والأدوات الخارجية، أو البيانات الحية.
هل يمكن لمالكي وحدات معالجة الرسومات الاستهلاكية المشاركة في شبكات الذكاء الاصطناعي اللامركزية؟
يعتمد المشاركة على الشبكة والsubnet ومتطلبات الحمل. قد تقبل بعض الخدمات بطاقات الرسوميات للمستهلكين، بينما تتطلب مهام التدريب أو الاستنتاج الكبيرة أجهزة احترافية، إنترنت عالي السرعة، ذاكرة كبيرة، وuptime موثوق. امتلاك بطاقة رسوميات لا يضمن الربحية، لأن المكافآت يجب أن تتجاوز تكاليف الكهرباء والصيانة والعرض الترددي والمعدات.
كيف يمكن لشبكات الحوسبة اللامركزية حماية بيانات الذكاء الاصطناعي السرية؟
الخصوصية ليست مضمونة فقط لأن الشبكة لامركزية. قد تستخدم المنصات الآمنة التشفير، وبيئات الحوسبة السرية، وعزل الأحمال، وتحديد الوصول إلى البيانات لحماية المعلومات الحساسة. يجب على المنظمات التحقق مما إذا كان مقدمو الخدمة يمكنهم رؤية البيانات المرفوعة، وكيفية تخزين النتائج، وما يحدث للملفات المؤقتة بعد اكتمال المهمة.
ماذا يحدث إذا انقطع مزود الأجهزة أثناء تشغيل ذكاء اصطناعي؟
يمكن للشبكة المصممة جيدًا حفظ نقاط التحقق وإعادة توزيع العمل غير المكتمل وفرض عقوبات على المزودين الذين يفشلون في تلبية متطلبات الموثوقية. لا تزال الانقطاعات يمكن أن تزيد من أوقات الإنجاز والتكاليف، خاصة أثناء التدريب الموزع الذي يتطلب من المشاركين البقاء مزامنين. لذلك، فإن التكرار المزود والتعافي التلقائي مهمان عند تقييم خدمات الحوسبة اللامركزية.
هل يظل حساب GPU اللامركزي دائمًا أرخص من خدمات السحابة المركزية؟
ليس بالضرورة. قد توفر الأسواق الموزعة أسعارًا أقل باستخدام الأجهزة غير المستغلة بشكل كافٍ والمناقصات التنافسية، لكن التكلفة الإجمالية تعتمد أيضًا على نقل البيانات، والتلكؤ، وتعقيد الإعداد، ومدة الحمل، والموثوقية. يجب على الشركات مقارنة التكلفة الكاملة لإكمال المهمة بدلاً من الانتباه فقط إلى سعر وحدة المعالجة الرسومية بالساعة المعلن عنه.
ما المقاييس التي تُظهر ما إذا كان هناك طلب حقيقي على شبكة الذكاء الاصطناعي اللامركزية؟
تشمل المؤشرات المفيدة المدفوعات من العملاء الخارجيين، وحجم العمل المتكرر، واستخدام وحدات معالجة الرسومات، والاحتفاظ بالعملاء، ووقت التشغيل، وعدد مزودي الخدمة المستقلين. كما ينبغي للمستخدمين مقارنة إيرادات الرسوم مع المكافآت المدفوعة بالعملات المعدنية لتحديد ما إذا كان النشاط ممولًا تجاريًا أم مدعومًا بشدة من خلال الانبعاثات. قد لا تمثل أعداد المعاملات العالية وحدها استخدامًا حقيقيًا للذكاء الاصطناعي.
إخلاء المسؤولية: هذا المقال لأغراض إعلامية فقط ولا يشكل نصيحة مالية أو استثمارية. الأصول المشفرة متقلبة، ويجب على القراء التحقق من أحدث إعلانات WEMIX الرسمية قبل اتخاذ قرارات.
اخلاء المسؤوليه: تُرجمت هذه الصفحة باستخدام تقنية الذكاء الاصطناعي لراحتك. للحصول على المعلومات الأكثر دقة، ارجع إلى النسخة الإنجليزية الأصلية.