خلاص شدن از معضل 'جعبه سیاه' با استفاده از هوش مصنوعی غیرمتمرکز، اما یک چالش وجود دارد

در چند سال کوتاه از ورود به زبان رایج، هوش مصنوعی و محصولات مرتبط با آن تاثیر غیرقابل انکاری بر چشم‌انداز فناوری جهانی گذاشته‌اند، به طوری که پژوهشگران پیش‌بینی می‌کنند این بازار تا سال ۲۰۳۴ به ارزش ۳.۶ تریلیون دلار برسد.

علاوه بر این، تخمین زده می‌شود که تا امسال حدود ۸۳٪ از تمام شرکت‌ها کاوش هوش مصنوعی را در دستور کار‌های کلیدی خود قرار داده‌اند. این به دلیل ظرفیت فناوری برای ایجاد تغییرات تحول‌آفرین، افزایش کارایی عملیاتی و ایجاد مزایای رقابتی پایدار است که قبلاً تصور نمی‌شد.

با این حال، در حاشیه این چشم‌انداز نوآورانه یک صنعت دیگر نیز در حال ظهور است، یعنی رمزنگاری. از زمان پیدایش، این بخش چالش‌هایی برای وضعیت فعلی تمرکزگرایی ایجاد کرده و بر اساس گزارش ون‌اک، بازار AI x crypto می‌تواند تا سال ۲۰۳۰ به درآمد ۱۰.۲ میلیارد دلار برسد.

از بیرون که نگاه کنیم، این همگرایی پتانسیل بسیار عمیقی را ارائه می‌دهد، یعنی می‌تواند کنترل انحصاری‌ای را که تعدادی از شرکت‌های فناوری بزرگ بر روی هوش مصنوعی دارند، حذف کند.

برای روشن شدن موضوع، بیشتر مدل‌های هوش مصنوعی متمرکز امروز به عنوان جعبه‌های سیاه غیرقابل نفوذ عمل می‌کنند که فرآیندهای تصمیم‌گیری آن‌ها از بازبینی عمومی پنهان است. این فقدان شفافیت نگرانی‌های اخلاقی و عملی قابل توجهی را مطرح کرده است تا جایی که تحقیقات اخیر نشان داده‌اند که امکان دستکاری مدل‌های هوش مصنوعی به روش‌های متعددی که قابل تشخیص نیستند، وجود دارد.

در نهایت، طبق گزارش شاخص هوش مصنوعی ۲۰۲۴ استنفورد، تقریباً نیمی از جمعیت جهان نگرانی‌های واقعی درباره استفاده احتمالی از هوش مصنوعی برای مقاصد ناپسند را نشان داده‌اند - بنابراین اهمیت بیشتری به غیرمتمرکز سازی این فناوری می‌دهند.

نگاه به غیرمتمرکزسازی به عنوان چیزی بیش از یک کلمه مرسوم

ترکیب بلاکچین با هوش مصنوعی راه‌حل قوی‌ای برای بن‌بستی که دومی با آن روبرو است، ارائه می‌دهد. در حال حاضر، بیشتر پروژه‌هایی که در این حوزه فعالیت می‌کنند، به دام افتاده‌اند که غیرمتمرکزسازی را بدون ارائه خروجی‌های قابل لمس، فتیه‌بندی کنند.

به عبارت ساده، پشتیبانی از اصول غیرمتمرکزسازی در هوش مصنوعی ممکن است به تنهایی برای تحریک پذیرش گسترده کافی نباشد؛ بلکه نیاز به توسعه فناوری‌ای هم‌زیستی و واقعی است که می‌تواند تجربه کاربری را بهبود بخشد و اعتماد را به شیوه‌هایی ایجاد کند که پلتفرم‌های متمرکز نمی‌توانند.

در این زمینه، جانسون لای، مسئول داده و هوش مصنوعی برای پلتفرم بلاکچین رله‌ای L-1 کرومیا، معتقد است که هوش مصنوعی غیرمتمرکز - اگر به درستی با استفاده از اصول فناوری بلاکچین ساخته شود - می‌تواند زمان توقف را حذف کرده و به کاربران امکان می‌دهد که فرآیندهای استدلال عامل‌های هوش مصنوعی را در هر لحظه بررسی کنند.

این رویکرد مدل اعتماد انقلابی بلاکچین را منعکس می‌کند، مدلی که پیش‌تر تأیید و حسابداری در سیستم‌های مالی را متحول کرده است. علاوه بر این، لای بر این نظر است که مسیر به سمت غیرمتمرکزسازی معنی‌دار نیازمند رویکردی پیچیده و کاربرمحور است که در آن پروژه‌ها بتوانند تعادل بین غیرمتمرکز سازی فنی و کاربری عملی را برقرار کنند، افزود:

"پذیرش نمی‌تواند از طریق ایدئولوژی به دست آید بلکه به وسیله ارائه ارزش حقیقی باشد. با پیاده‌سازی تدریجی ویژگی‌های غیرمتمرکز در اولویت قرار دادن تجربه کاربری، این فناوری‌ها می‌توانند فوراً سودمندی را فراهم کنند و اعتماد بلند مدت را بسازند."

به این ترتیب، خود کرومیا با اتخاذ رویکرد نوآورانه به ایجاد یک معماری غیرمتمرکز قادر به دستگیری برنامه‌های هوش مصنوعی داده‌محور و پیچیده پرداخته است. به عنوان یک بلاکچین رله‌ای طراحی شده است، کرومیا راه‌حلی منحصر به فرد ارائه می‌دهد که می‌تواند صدها عملیات خواندن و نوشتن را در هر تراکنش انجام دهد و داده‌ها را به صورت لحظه‌ای فهرست کند.

این رویکرد موانع ورود برای دانشمندان داده و مهندسان یادگیری ماشین (ML) را به طور قابل توجهی کاهش می‌دهد و زیرساختی مبتنی بر SQL را فراهم می‌کند که ساخت و استقرار برنامه‌های هوش مصنوعی را در دسترس‌تر می‌سازد.

در نهایت، با معرفی خود به عنوان لایه شفافیت بخش Web3 - جایی که عوامل هوش مصنوعی می‌توانند با حداکثر دید و حسابداری عمل کنند - کرومیا به طور کامل به دنبال تغییر روابط اساسی بین AI و فناوری‌های غیرمتمرکز بوده است.

فراتر از کرومیا، اکوسیستم نوظهور هوش مصنوعی غیرمتمرکز شاهد توسعه چارچوب‌های شفافیت دیگری نیز بوده است، با پلتفرم‌هایی مانند Luna Terminal ویرچوآل که رهبری را بر عهده دارند. به تفصیل، دومی قابلیت‌هایی مانند فرآیندهای استدلال و تصمیم‌گیری آنی ارائه می‌دهد - همه در حالی که مراحل متعددی از شفافیت را معرفی می‌کند که از کدنویسی باز به امکان استنتاج غیرمتمرکز می‌رسد.

در واقع، می‌توان دید که پیشرفت شفافیت عامل AI مسیری دقیقاً نقشه‌برداری شده را دنبال کرده است. به عنوان مثال، در ابتدا اکثر پروژه‌ها از مدل 'به من اعتماد کنید' استفاده می‌کردند، جایی که کاربران راهی برای تأیید اعتبار تعاملات هوش مصنوعی نداشتند.

در این باره، کد باز را به عنوان اولین گام برای از بین بردن این گلوگاه در نظر گرفته می‌شد، که پس از آن تلاش‌ها برای شفافیت روند داده‌ها و استدلال‌ها دنبال شد. استنتاج غیرمتمرکز نیز اجازه تأیید اجرای مدل را داد (با استفاده از فناوری‌های پیشرفته مانند zkML و opML).

نوآوری مسئولانه

با نگاه به جلو، پارادایم AI x crypto ایستاده است که جذابیت فراوانی پیدا کند. با این حال، هر گونه توسعه که به این فضا سرایت می‌کند باید به طور مسئولانه دنبال شود، و به شفافیت، ملاحظات اخلاقی و توانمندسازی کاربر پایبند باشد. به عنوان پیش‌تر تأکید شد، هدف فقط غیرمتمرکزسازی نیست بلکه ایجاد سیستم‌هایی است که به طور بنیادی بیشتر قابل اعتماد و مسئولیت‌پذیر هستند.