يعتقد الرئيس التنفيذي لشركة Gradient، إريك يانغ، أن التحول الرئيسي القادم في مجال الذكاء الاصطناعي لن يأتي من النماذج الاحتكارية الأكبر حجمًا أو من مراكز البيانات الأكثر قوة.
بدلاً من ذلك، يجادل بأن هذا التحول سيقوده تغيير جذري في كيفية تدريب النماذج: توزيع عملية التدريب عبر شبكة عالمية من موارد الحوسبة التي لا تتطلب إذناً، بدلًا من حصرها داخل جدار حاسوب فائق مملوك لشركة واحدة.
متحدثًا عن عمل Gradient في مقابلة مع Yellow.com، قال يانغ إن مختبرات الذكاء الاصطناعي المسيطرة اليوم مثل OpenAI وGoogle وAnthropic وxAI تقوم على افتراض أن نماذج الأساس لا يمكن تدريبها إلا داخل بنية تحتية هائلة ومركزية.
"الذكاء الاصطناعي يستفيد كثيرًا من المركزية لدرجة أن أحدًا لم يتمكن من تدريب نماذج كبيرة عبر مراكز بيانات متعددة"، كما قال. وتراهن Gradient على أن هذا الافتراض على وشك الانهيار.
يدّعي يانغ أن Gradient حققت بالفعل عمليات تدريب ناجحة للتعلّم بالتعزيز موزعة عبر مراكز بيانات مستقلة، بأداء ينافس أساليب RLHF المركزية.
ويقول إن هذا يفتح الباب أمام ما كان يُعتقَد سابقًا أنه مستحيل: إجراء تدريب لاحق لنموذج يضم تريليون مُعامِل، لا يتم بواسطة شركة واحدة، بل بواسطة آلاف مزوّدي الحوسبة حول العالم.
اقرأ أيضًا: As Bitcoin Evolves Into A Global Economy, A Hidden Battle Emerges Behind Closed Doors
التداعيات الاقتصادية لا تقل أهمية. يصف يانغ سوقًا عالميًا قائمًا على "المكافآت" حيث يتنافس مشغلو وحدات معالجة الرسومات (GPU) ومراكز البيانات وحتى مزوّدو البنية التحتية الصغار المستقلون على المساهمة بقدرات الحوسبة في مهام التدريب.
يكسب المساهمون مكافآت لقاء توفير الحوسبة بأقل سعر متاح، بينما تنخفض تكاليف التدريب إلى ما دون بدائل البنى التحتية المركزية التي تهيمن حاليًا على السوق.
كما يعتقد أن البنية التحتية اللامركزية للذكاء الاصطناعي توفر مزايا حقيقية من حيث الأمان والثقة.
فإذا أمكن تنفيذ الاستدلال (inference) بالكامل على عتاد يملكه المستخدم، مثل أجهزة الماك بوك وأجهزة الحاسوب المكتبية ووحدات المعالجة الرسومية المنزلية أو الترتيبات الهجينة، فلن تغادر البيانات الشخصية الجهاز مطلقًا.
"اليوم نُسرِّب بيانات حساسة إلى أنظمة الذكاء الاصطناعي أكثر بكثير مما فعلنا مع Google في أي وقت مضى"، كما قال. "نموذج سيادي يعمل محليًا يغيّر هذه المعادلة."
يجادل يانغ بأن هذا الوضوح يمكن أن يمتد إلى عملية التدريب نفسها.
فإذا جرى تسجيل مصدر بيانات التدريب على السلسلة (on-chain)، يمكن للمستخدمين رؤية البيئات والمساهمين الذين شكّلوا النموذج، وهو ما يعدّه علاجًا للتحيزات والتحكم التحريري غير الشفاف الذي يُرى في الأنظمة المركزية.
من وجهة نظره، لن يهيمن على مشهد الذكاء الاصطناعي المستقبلي نموذج واحد عملاق، بل "بحر من النماذج المتخصصة" التي تُدرَّب وتُمتلك بشكل تعاوني.
قال يانغ: "كل شركة ستشغّل الذكاء الاصطناعي تمامًا كما تشغّل تحليلات البيانات اليوم". "وعندما يحدث ذلك، تصبح شبكة حوسبة عالمية لا مركزية نموذج التشغيل الوحيد القابل للتوسع".
اقرأ التالي: The Aster ETF Hoax That Fooled Even Top Crypto Influencers