انتبه لفجوة البيانات: يتطلب الذكاء الاصطناعي مجموعة بيانات أكثر تنوعًا | رأي

الذكاء الاصطناعي هو الشغل الشاغل في الوقت الحالي. ولكن تحت الضجيج المحيط بالذكاء الاصطناعي اللامركزي (DeAI) يكمن عيب أساسي: نقص البيانات المتنوعة، الآمنة، والقابلة للتحقق. مجموعات البيانات المضمنة في السلسلة محدودة جداً لتدريب نماذج قوية حقًا. وهذا يعرض مستقبل الذكاء الاصطناعي للخطر من خلال تسليمه للعمالقة المركزيين، الذين لديهم وصول غير محدود إلى كنوز البيانات الواسعة على الويب.

وعد DeAI – الذكاء الاصطناعي الديمقراطي، الشفاف، والمتين – يعتمد على سد هذه الفجوة البيانات. تقدم التشفير الذكي مسارًا لذلك.

تتمثل جمالية الذكاء الاصطناعي التقليدي في جشعه. كلما زادت البيانات التي يستهلكها، أصبح أكثر ذكاءً. ولكن هذه الميزة هي أيضًا نقطة ضعفها. تُدرب نماذج الذكاء الاصطناعي المركزية على بيانات غالبًا ما يتم جمعها دون موافقة صريحة، مما يثير أسئلة معقدة بشأن الخصوصية والسيطرة.

يقدم DeAI، المبني على مبادئ اللامركزية والشفافية في blockchain، بديلاً جذابًا. ومع ذلك، تأتي معظم البيانات المضمنة في السلسلة من المعاملات المالية أو DeFi. تتطلب نماذج اللغة الصغيرة بشكل خاص المزيد من البيانات الدقيقة لضبطها. وهذا يترك نماذج DeAI محرومة من مجموعات البيانات الغنية والمتنوعة اللازمة لرفع مستواها إلى المعايير التنافسية المتوقعة من أحدث النماذج.

تتوفر مثل هذه المجموعات البيانات خارج الويب3، مع كون مجموعة The Pile وCommon Crawl كل واحدة تحتوي على بيانات من مليار مصدر فريد. عمق مصادر بيانات الويب2 المؤكدة، بقدر ما هو حجم البيانات، هو ما مكّن مقدمي خدمات الذكاء الاصطناعي المركزيين من تحسين نماذج GPT الخاصة بهم إلى هذا الحد وبسرعة.

إعادة إنشاء نفس مستوى البيانات على السلسلة ليس ممكنًا ضمن إطار زمني تنافسي. ورغم أن بعض شركات الذكاء الاصطناعي قد اصطدمت بالمبدعين في مجال البيانات الذين يتهمونها بسرقة نوع البيانات الدقيقة التي تم مناقشتها هنا، هناك طريقة أخرى للحصول على المزيد من البيانات على السلسلة – جعلها أكثر أمانًا.

بناء جسور

هنا يأتي دور التشفير. توفر الإثباتات بدون معرفة، التي تثير الدهشة بالفعل في قابلية التوسع والخصوصية للبلوك تشين، حلاً قويًا. تقنيتان على وجه الخصوص – التشفير المتجانس تمامًا بدون معرفة (zkFHE) وTLS بدون معرفة (zkTLS) – تحمل المفتاح لفتح بيانات الويب2 لـDeAI.

يسمح zkFHE بإجراء عمليات حسابية على بيانات مشفرة دون فك تشفيرها. تخيل تدريب نموذج ذكاء اصطناعي على سجلات طبية حساسة دون الكشف عن بيانات المرضى الخام أبدًا. هذه هي قوة zkFHE. يسمح لنماذج DeAI بالتعلم من مجموعات بيانات واسعة محمية بالخصوصية، مما يوسع بشكل كبير من إمكانيات تدريبها.

يمتد zkTLS إلى هذه الفكرة في الاتصالات عبر الإنترنت. يسمح للمستخدمين بإثبات حيازة بيانات معينة من موقع ويب – مثل درجة الائتمان أو نشاط وسائل التواصل الاجتماعي – دون الكشف عن المعلومات الأساسية. هذا أمر حاسم لدمج الثروة من البيانات الموجودة في صوامع الويب2 في أنظمة DeAI. على سبيل المثال، يمكن أن يستفيد نموذج تصنيف ائتماني لامركزي من zkTLS للوصول إلى بيانات مالية معتمدة من مؤسسات تقليدية دون المساس بسرية المعلومات.

ميزة، DeAI؟

الآثار عميقة. من خلال دمج zkFHE وzkTLS، يمكن لـDeAI الاستفادة من اتساع بيانات الويب2 مع الحفاظ على المبادئ الأساسية للخصوصية واللامركزية. قد يؤدي هذا إلى تسوية أرضية اللعب، مما يسمح لـDeAI بالتنافس مع الذكاء الاصطناعي المركزي وربما يتجاوزها.

فكر في تطوير نماذج اللغة الكبيرة التي تهيمن عليها حاليًا الشركات التقنية ذات التمويل الوفير. تتطلب هذه النماذج كميات هائلة من بيانات النصوص للتدريب. من خلال الاستفادة من zkTLS، يمكن لمطوري DeAI الوصول واستخدام بيانات الويب المتاحة للجمهور بطريقة تحافظ على الخصوصية، مما ينشئ نماذج LLM أكثر ديمقراطية وشفافية.

بالطبع، هناك تحديات. تنفيذ zkFHE وzkTLS يتطلب حسابات مكثفة، مما يتطلب تقدمًا كبيرًا في الأجهزة والبرامج. كما أن المعايير والتوافق ضرورية أيضًا للاعتماد الواسع. لكن العوائد المحتملة هائلة.

في سباق الهيمنة على الذكاء الاصطناعي، تعتبر البيانات هي الوقود النهائي. من خلال تبني الحلول التشفيرية مثل zkFHE وzkTLS، يمكن لـDeAI الوصول إلى الوقود الذي يحتاجه للأداء. هذه ليست مجرد مسألة بناء ذكاء اصطناعي أذكى؛ إنها تتعلق ببناء مستقبل ذكاء اصطناعي أكثر ديمقراطية وإنصافًا.

Xiang Xieis

Xiang Xieis هو الرئيس التنفيذي والمؤسس المشارك لشركة Primus. كرّس الكثير من حياته المهنية في مجال التشفير، بدءًا من البحث النظري إلى التنفيذ العملي، سواء في الأوساط الأكاديمية أو الصناعية. كان تركيزه على التعلم الآلي المحافظ على الخصوصية باستخدام الحوسبة متعددة الأطراف والإثباتات بدون معرفة لحماية بيانات المستخدم وخصوصية النموذج.