التحقق من صحة البيانات في الحوسبة الذكاء الاصطناعي اللامركزية: تحول هيكلي نحو الذكاء الاصطناعي السلس @OpenledgerHQ ، @gensynai ، @OpenGradient يقدم الحوسبة الذكاء الاصطناعي اللامركزية حلا مختلفا تماما لمسألة كيفية إنشاء الذكاء الاصطناعي والتحقق منه. في البيئة المركزية، كان الحكم على مصدر البيانات، وما إذا كانت عملية التعلم قد تم تنفيذها بشكل صحيح، وما إذا كانت نتائج الاستنتاج موثوقة، يعتمد على الإدارة الداخلية والتوثيق والتدقيقات لمنظمة معينة. في الهيكل اللامركزي، لا يكمن أساس هذه الثقة في المنظمة بل في التكنولوجيا نفسها، ويتم تقسيم العملية الكاملة للذكاء الاصطناعي، مثل البيانات والحوسبة والتفكير، إلى طبقات قابلة للتحقق. نقطة البداية لهذا الهيكل هي بيانات التدريب. يتم إنشاء نماذج الذكاء الاصطناعي بناء على كميات كبيرة من البيانات، لكن في البيئات التقليدية، من الصعب التحقق من مصدر البيانات وتاريخ تعديلها من الخارج. تتحمل OpenLedger مسؤولية تتبع سلامة البيانات ومصدرها لمعالجة هذه المشكلات. في OpenLedger، لا يتم تخزين البيانات فقط، بل يتم تسجيل من قدمها بوضوح لأي غرض وسياق. يتم تسجيل البيانات في شبكة بيانات منظمة حسب المجال، ويتم تسجيل كل مساهمة على السلسلة مع معلومات الإصدارات. هذا يخلق هيكلا يسمح لك بتتبع البيانات التي استخدمت فعليا لتدريب نموذج معين وكيف أثرت تلك البيانات على النتائج. تمنع هذه العملية اختفاء البيانات في الصندوق الأسود وتترك العلاقة بين البيانات وأداء النموذج كحقيقة قابلة للتحقق. بمجرد أن تكون البيانات جاهزة، تكون الخطوة التالية هي الموارد الحاسوبية التي تقوم بالتعلم الفعلي. توفر جينسين شبكة حوسبة لامركزية تربط موارد الحوسبة الخاملة المنتشرة حول العالم وتستخدمها في تعلم الذكاء الاصطناعي. المفتاح هنا ليس فقط توزيع الحسابات، بل إثبات أن الحسابات أجريت بشكل صحيح. يقوم جينسين بالتحقق من شرعية عملية التدريب من خلال بروتوكول التحقق من صحة فيردي. يتم تفويض مهمة التعلم إلى عدة مشاركين، وإذا حدث خلاف بين النتائج، تستخدم الطريقة لإيجاد نقطة الخطأ دون إعادة حساب العملية بأكملها. ويصبح ذلك ممكنا بفضل هيكل مشغل قابل للتكرار، يثبت بشكل صارم ترتيب العمليات بحيث يتم الحصول على نفس نتائج العمليات على أجهزة مختلفة. وبفضل ذلك، يمكن التحقق من اتساق نتائج التعلم حتى في بيئة لامركزية، ويتم تقليل تكلفة التحقق. تتميز هذه الهياكل أيضا بخصائص واضحة من حيث التكلفة وسهولة الوصول. بينما يعد التدريب على وحدات معالجة الرسوميات عالية الأداء في بيئة سحابية مركزية مكلفا، يهدف Gensyn إلى توفير نفس مستوى الحوسبة بتكلفة أقل باستخدام الموارد الخاملة. وفي الوقت نفسه، يتم التحقق مما إذا كان الحساب قد تم فعليا من خلال إجراءات تشفير وتحقق قائم على الألعاب، والذي يستبدل ليس بإعلان ثقة بسيط، بل بتأكيد ذو أساس تقني. لا ينتهي التحقق حتى بعد الانتهاء من التعلم. عندما يقوم النموذج فعليا بالاستنتاج، يكون من الضروري التحقق من صحة النتائج. أوبن غراديانت مسؤول عن التحقق من صحة هذه الخطوة الاستنتاجية. في هيكل OpenGradient، يتم تنفيذ استدلال الذكاء الاصطناعي ضمن معاملات البلوك تشين، ويتم تأكيد نتائج الاستدلال وفقا لطريقة التحقق المختارة. أقوى طريقة هي إثبات دقة الحسابات رياضيا من خلال إثباتات المعرفة الصفرية، كما يتم استخدام طريقة تستخدم بيئة تنفيذ موثوقة قائمة على الأجهزة. في الحالات منخفضة المخاطر نسبيا، يمكن تطبيق طريقة بسيطة تعتمد على الأمن الاقتصادي الرقمي. يتم اختيار هذه الطرق المختلفة بناء على أهمية المنطق، والتكلفة، ومتطلبات الأداء. خصوصية OpenGradient هي أن عملية الاستدلال لا تدار سرا خارج السلسلة، بل تعامل كجزء من انتقال حالة البلوك تشين. يتم تخزين ملفات النماذج في التخزين الموزع، وتربط طلبات الاستدلال والنتائج عبر معرفات واضحة. هذا يسمح لك بالتحقق من أي نموذج أنتج أي مخرج لإدخال معين وفي أي طريقة تحقق بعد ذلك. نتائج الاستدلال ليست مجرد قيم إخراج، بل يتم تسجيلها كحاصل ضرب عمليات قابلة للتحقق. وبالتالي، تلعب OpenLedger وGensyn وOpenGradient دورا في مراحل مختلفة من البيانات والتعلم والاستنتاج. في مرحلة البيانات، يتم تتبع المصادر والمساهمات، وفي مرحلة التدريب يتم التحقق من دقة الحسابات، وفي مرحلة الاستدلال، تبرر النتائج. هذه الطبقات الثلاث ليست مرتبطة بنظام متكامل واحد، بل تشكل وظيفيا سلسلة تحقق مستمرة. إنه هيكل مصمم بحيث لا يبقى أي خطوة معتمة. تظهر هذه البنية في التحقق من البيانات في الحوسبة الذكاء الاصطناعي اللامركزية تحولا في طريقة جعل الذكاء الاصطناعي أكثر موثوقية. مع تحول أساس الثقة من سمعة الشركات أو السيطرة الداخلية إلى الأدلة التقنية، تصبح أنظمة الذكاء الاصطناعي متجذرة هيكليا مع التفسير والمساءلة. البيئة التي يمكننا فيها التحقق من مصدر البيانات، وكيفية التعلم، وما إذا كان المنطق دقيقا تجعل الذكاء الاصطناعي ليس أداة غير مفهومة، بل نظاما حسابيا قابلا للتحقق. هذا يوضح أن اللامركزية تتجاوز اللامركزية البسيطة وهي طريقة لإعادة تشكيل هيكل الثقة في الذكاء الاصطناعي نفسه. $OPEN