هوش مصنوعی آماده است تا از زیرساخت های داده مبتنی بر بلاک چین استفاده کند

انواع زیرساخت های داده و موارد استفاده از اطلاعات، رویکردی غیرمتمرکز برای ارائه عملکردهای هوش مصنوعی دارند.

ظهور ChatGPT تماشایی بوده است. این اپلیکیشن مبتنی بر هوش مصنوعی (AI) در عرض دو ماه پس از راه‌اندازی به ۱۰۰ میلیون کاربر منحصربه‌فرد رسید. تنها در ژانویه 2023، ChatGPT تقریباً 590 میلیون بازدید را ثبت کرد.

علاوه بر هوش مصنوعی، بلاک چین یکی دیگر از فناوری های مخرب است که به طور فزاینده ای در حال استفاده است. پروتکل‌ها، برنامه‌ها و مدل‌های تجاری غیرمتمرکز از زمان انتشار وایت‌پیپر بیت‌کوین (BTC) در سال 2008 به بلوغ رسیده‌اند و در بازار جذب شده‌اند. تماشا کردن.

در حالی که هیاهو در مورد هوش مصنوعی است، کارهای زیادی در پشت صحنه برای ایجاد یک زیرساخت داده قوی برای فعال کردن هوش مصنوعی معنادار انجام می شود. داده‌های با کیفیت پایین که به‌طور ناکارآمد ذخیره و به اشتراک گذاشته می‌شوند منجر به بینش ضعیفی از لایه هوشمند می‌شود. در نتیجه، نگاه کلی به زنجیره ارزش داده ها برای تعیین اینکه برای دستیابی به داده های با کیفیت بالا و برنامه های کاربردی هوش مصنوعی با استفاده از بلاک چین چه کاری باید انجام شود بسیار مهم است.

سوال اصلی این است که چگونه فناوری‌های Web3 می‌توانند از هوش مصنوعی در زمینه‌هایی مانند ذخیره‌سازی داده، انتقال داده و هوش داده استفاده کنند. هر یک از این قابلیت‌های داده می‌توانند از فناوری‌های غیرمتمرکز بهره ببرند و شرکت‌ها بر ارائه آن‌ها تمرکز دارند.

ذخیره سازی داده ها

درک اینکه چرا ذخیره سازی داده های غیرمتمرکز یک بلوک ساختمانی مهم برای آینده هوش مصنوعی غیرمتمرکز است، کمک می کند. همانطور که پروژه‌های بلاک چین مقیاس می‌شوند، هر بردار تمرکز می‌تواند آنها را آزار دهد. یک پروژه بلاک چین متمرکز ممکن است با شکست حاکمیتی، فشار نظارتی یا مشکلات زیرساختی مواجه شود.

به عنوان مثال، شبکه اتریوم “Merge” که در سپتامبر 2022 زنجیره را از اثبات کار به اثبات سهام منتقل کرد، می تواند یک بردار متمرکزسازی را به زنجیره اضافه کند. برخی استدلال کردند که پلتفرم‌ها و صرافی‌های بزرگی مانند Lido و Coinbase که سهم زیادی از بازار سهام اتریوم دارند، شبکه را متمرکزتر می‌کنند.

یکی دیگر از عوامل متمرکزسازی اتریوم، اتکای آن به فضای ذخیره سازی ابری خدمات وب آمازون (AWS) است. بنابراین، ذخیره سازی و قدرت پردازش برای پروژه های بلاک چین باید در طول زمان توزیع شود تا خطرات یک نقطه مرکزی شکست کاهش یابد. این فرصتی را برای راه حل های ذخیره سازی غیرمتمرکز فراهم می کند تا به اکوسیستم کمک کنند و مقیاس پذیری و ثبات را به ارمغان بیاورند.

اما ذخیره سازی غیرمتمرکز چگونه کار می کند؟

اصل این است که از چندین سرور و رایانه در سراسر جهان برای ذخیره یک سند استفاده کنید. به سادگی، یک سند را می توان تقسیم، رمزگذاری و در سرورهای مختلف ذخیره کرد. فقط صاحب سند کلید خصوصی برای بازیابی داده ها را خواهد داشت. در طول بازیابی، الگوریتم این تکه های جداگانه را می کشد تا سند را به کاربر ارائه دهد.

آخرین: مدیر اجرایی کاسپر می‌گوید وام‌های مسکن نمادین می‌توانند از یک بحران حباب مسکن دیگر جلوگیری کنند

از نقطه نظر امنیتی، کلید خصوصی اولین لایه حفاظتی و ذخیره سازی توزیع شده لایه دوم است. اگر یک گره یا سرور در شبکه هک شود، فقط می تواند به بخشی از فایل داده رمزگذاری شده دسترسی پیدا کند.

پروژه های اصلی در ذخیره سازی غیرمتمرکز شامل Filecoin، Arweave، Crust، Sia و StorJ می باشد.

با این حال، ذخیره سازی غیرمتمرکز هنوز در حال توسعه است. فیسبوک روزانه 4 پتابایت (4096 ترابایت) داده تولید می کند، اما Arweave در مجموع تنها حدود 122 ترابایت داده را پردازش می کند. ذخیره 1 ترابایت داده در AWS حدود 10 دلار هزینه دارد، در حالی که در Arweave در زمان انتشار حدود 1350 دلار هزینه دارد.

مسلماً، ذخیره سازی غیرمتمرکز راه طولانی در پیش دارد، اما ذخیره سازی داده با کیفیت بالا می تواند هوش مصنوعی را برای موارد استفاده در دنیای واقعی تقویت کند.

انتقال اطلاعات

انتقال داده مورد استفاده کلیدی بعدی است که می تواند از تمرکززدایی در پشته داده بهره مند شود. انتقال داده ها با استفاده از رابط های برنامه نویسی برنامه مرکزی (API) همچنان می تواند برنامه های کاربردی هوش مصنوعی را فعال کند. با این حال، افزودن یک بردار متمرکزسازی به هر نقطه از پشته داده، کارایی آن را کاهش می‌دهد.

پس از استقرار، عنصر بعدی در زنجیره ارزش داده، انتقال و به اشتراک گذاری داده ها، عمدتاً از طریق اوراکل ها است.

اوراکل ها موجودیت هایی هستند که بلاک چین ها را به منابع داده خارجی متصل می کنند تا قراردادهای هوشمند بتوانند به داده های دنیای واقعی متصل شوند و تصمیمات تراکنشی بگیرند.

با این حال، اوراکل‌ها یکی از آسیب‌پذیرترین بخش‌های معماری داده‌ها هستند، زیرا هکرها در طول سال‌ها آن‌ها را به طور گسترده و با موفقیت هدف قرار داده‌اند. در یک نمونه اخیر، پروتکل Bonq به دلیل یک حمله فال 120 میلیون دلار ضرر دید.

در کنار قراردادهای هوشمند و حملات پل های زنجیره ای، آسیب پذیری های اوراکل برای مجرمان سایبری آسان نیست. این عمدتا به دلیل عدم وجود زیرساخت و پروتکل های غیرمتمرکز انتقال داده است.

شبکه های غیرمتمرکز اوراکل (DON) یک راه حل بالقوه برای انتقال امن داده ها هستند. DON ها دارای گره های متعددی هستند که داده های باکیفیت را ارائه می دهند و عدم تمرکز سرتاسر را ایجاد می کنند.

اوراکل ها به طور گسترده در صنعت بلاک چین استفاده می شوند و انواع مختلفی از اوراکل ها در مکانیسم انتقال داده نقش دارند.

اوراکل های ورودی، خروجی، زنجیره ای متقابل و محاسباتی خاص وجود دارد. هر کدام هدفی در محیط داده دارند.

اوراکل‌های ورودی داده‌ها را از منابع داده خارج از زنجیره به یک بلاک چین برای استفاده توسط یک قرارداد هوشمند منتقل و تأیید می‌کنند. اوراکل‌های خروجی به قراردادهای هوشمند اجازه می‌دهند تا داده‌ها را خارج از زنجیره حرکت دهند و اقدامات خاصی را آغاز کنند. اوراکل‌های زنجیره‌ای متقاطع داده‌ها را بین دو بلاک چین جابه‌جا می‌کنند – که می‌تواند با تکامل قابلیت همکاری بلاک‌چین اساسی شود – اوراکل‌های محاسباتی از محاسبات خارج از زنجیره برای ارائه خدمات غیرمتمرکز استفاده می‌کنند.

در حالی که Chainlink در توسعه فناوری‌های اوراکل برای انتقال داده‌های بلاک چین پیشگام است، پروتکل‌هایی مانند Nest و Band نیز اوراکل غیرمتمرکز را ارائه می‌کنند. علاوه بر پروتکل های خالص مبتنی بر بلاک چین، پلتفرم هایی مانند Chain API و CryptoAPI API هایی را برای DON ها ارائه می کنند تا به طور ایمن داده های خارج از زنجیره را مصرف کنند.

هوش داده

لایه هوش داده جایی است که تمام تلاش‌های زیرساختی برای ذخیره، اشتراک‌گذاری و پردازش داده‌ها به ثمر می‌رسد. یک برنامه مبتنی بر بلاک چین با استفاده از هوش مصنوعی همچنان می تواند داده ها را از API های سنتی بازیابی کند. با این حال، این درجاتی از تمرکز را اضافه می کند و ممکن است بر استحکام راه حل نهایی تأثیر بگذارد.

با این حال، برنامه های کمی از یادگیری ماشین و هوش مصنوعی در رمزارز و بلاک چین استفاده می کنند.

تجارت و سرمایه گذاری

برای چندین سال، یادگیری ماشین و هوش مصنوعی در فین‌تک برای ارائه عملکردهای مشاوره‌ای روبو به سرمایه‌گذاران استفاده می‌شود. Web3 از این کاربردهای هوش مصنوعی الهام گرفته شده است. پلتفرم‌ها با ارائه داده‌هایی در مورد داده‌های جایگزین مانند قیمت‌های بازار، داده‌های اقتصاد کلان و رسانه‌های اجتماعی، بینش‌های خاص کاربر را ایجاد می‌کنند.

کاربر معمولاً انتظارات ریسک و بازده را تعیین می کند و توصیه های پلت فرم هوش مصنوعی در این پارامترها قرار می گیرد. داده های مورد نیاز برای ارائه این بینش ها توسط پلت فرم هوش مصنوعی با استفاده از اوراکل ها ارائه می شود.

Bitcoin Loophole و Numerai نمونه هایی از این مورد استفاده از هوش مصنوعی هستند. Bitcoin Loophole یک برنامه تجاری است که از هوش مصنوعی برای ارائه سیگنال های تجاری به کاربران پلت فرم استفاده می کند. ادعا می کند که بیش از 85٪ درصد موفقیت در انجام این کار دارد.

Numerai ادعا می کند که در ماموریت ایجاد “آخرین صندوق تامینی جهان” با استفاده از بلاک چین و هوش مصنوعی است. از هوش مصنوعی برای جمع آوری داده ها از منابع مختلف برای مدیریت یک سبد سرمایه گذاری مانند صندوق تامینی استفاده می کند.

بازار هوش مصنوعی

یک بازار غیرمتمرکز هوش مصنوعی از اثر شبکه ای بین توسعه دهندگانی که راه حل های هوش مصنوعی را در یک طرف ایجاد می کنند و کاربران و سازمان هایی که از این راه حل ها استفاده می کنند، استفاده می کند. به دلیل ماهیت غیرمتمرکز برنامه، بیشتر روابط تجاری و معاملات بین این سهامداران با استفاده از قراردادهای هوشمند خودکار می شود.

توسعه دهندگان می توانند استراتژی قیمت گذاری را از طریق ورودی های قراردادهای هوشمند پیکربندی کنند. پرداخت به آنها برای استفاده از راه حل آنها ممکن است به ازای هر تراکنش داده، به ازای هر بینش داده یا فقط یک هزینه ثابت برای مدت استفاده از آن باشد. همچنین ممکن است رویکردهای ترکیبی برای طرح قیمت گذاری با استفاده از ردیابی روی زنجیره هنگام استفاده از راه حل هوش مصنوعی وجود داشته باشد. فعالیت‌های زنجیره‌ای، پرداخت‌های مبتنی بر قرارداد هوشمند را برای استفاده از راه‌حل آغاز می‌کند.

SingularityNET و Fetch.ai دو نمونه از این برنامه ها هستند. SingularityNET یک بازار غیرمتمرکز برای ابزارهای هوش مصنوعی است. توسعه دهندگان راه حل هایی را ایجاد و منتشر می کنند که سازمان ها و سایر شرکت کنندگان پلت فرم می توانند از طریق API ها استفاده کنند.

به طور مشابه، Fetch.ai راه حل های یادگیری ماشین غیرمتمرکز را برای ساخت راه حل های ماژولار و قابل استفاده مجدد ارائه می دهد. عوامل بر روی این زیرساخت راه حل های همتا به همتا می سازند. لایه اقتصادی در کل پلت فرم داده بر روی یک بلاک چین است که ردیابی استفاده و مدیریت تراکنش هوشمند قرارداد را فراهم می کند.

NFT و هوش متاورز

یکی دیگر از موارد استفاده امیدوارکننده مربوط به توکن‌های تغییرناپذیر (NFTs) و ذخیره‌های ابرداده است. از سال 2021، بسیاری از کاربران Web3 که از NFT خود به عنوان تصویر نمایه توییتر خود استفاده می کنند، NFT ها به عنوان هویت های اجتماعی در نظر گرفته می شوند. سازمان‌هایی مانند Yuga Labs قدمی فراتر گذاشته‌اند و به کاربران اجازه می‌دهند با استفاده از آواتارهای Bored Ape Yacht Club NFT وارد یک تجربه متاورس شوند.

با افزایش روایت متاورس، استفاده از NFT به عنوان آواتار دیجیتال نیز افزایش می یابد. با این حال، آواتارهای دیجیتال در متاورس‌های امروزی نه هوشمند هستند و نه هیچ شباهتی به شخصیت مورد انتظار کاربر ندارند. اینجاست که هوش مصنوعی می‌تواند ارزش اضافه کند. NFT های هوشمند در حال توسعه هستند تا آواتارهای NFT بتوانند از کاربران خود یاد بگیرند.

آخرین: دانشجویان کالج راه حل های جدید Web3 را در ETHDenver 2023 نشان می دهند

Matrix AI و Althea AI دو شرکتی هستند که در حال توسعه ابزارهای هوش مصنوعی برای آوردن هوشمندی به آواتارهای متاورس خود هستند. هدف Matrix AI ایجاد “هوش آواتار” یا AvI است. فناوری آن به کاربران اجازه می دهد تا آواتارهای متاورس ایجاد کنند که تا حد امکان به خودشان نزدیک باشند.

هوش مصنوعی Althea این یک پروتکل غیرمتمرکز برای ساخت NFT های هوشمند (iNFT) ایجاد می کند. این NFT ها می توانند یاد بگیرند که از طریق یادگیری ماشینی به نشانه های ساده کاربر پاسخ دهند. iNFT ها تبدیل به آواتار در فروشگاه ابرداده “کشتی نوح” می شوند. توسعه دهندگان می توانند از پروتکل iNFT برای ایجاد، آموزش و کسب درآمد از iNFT های خود استفاده کنند.

تعدادی از این پروژه های هوش مصنوعی در کنار افزایش ChatGPT شاهد افزایش قیمت توکن ها بوده اند. با این حال، پذیرش کاربر آزمون تورنسل واقعی است و تنها در این صورت است که می‌توانیم مطمئن باشیم که این پلتفرم‌ها یک مشکل واقعی را برای کاربر حل می‌کنند. این هنوز روزهای اولیه برای پروژه های داده های غیرمتمرکز و هوش مصنوعی است، اما جوانه های سبز ظاهر شده اند و امیدوارکننده به نظر می رسند.

نویسنده: Arunkumar Krishnakumar