هوش مصنوعی از زیرساخت های داده مبتنی بر بلاک چین بهره می برد

ظهور ChatGPT چیزی جز دیدنی نبوده است. در عرض دو ماه از راه اندازی، اپلیکیشن مبتنی بر هوش مصنوعی (AI) به ۱۰۰ میلیون کاربر منحصر به فرد رسید. تنها در ژانویه 2023، ChatGPT حدود 590 میلیون بازدید را ثبت کرد.

علاوه بر هوش مصنوعی، بلاک چین یکی دیگر از فناوری‌های مخرب با افزایش پذیرش است. پروتکل‌ها، برنامه‌ها و مدل‌های تجاری غیرمتمرکز از زمان بیت‌کوین به بلوغ رسیده و کشش بازار را به دست آورده‌اند.بیت کوینکاغذ سفید در سال 2008 منتشر شد. کارهای زیادی برای پیشرفت هر دوی این فناوری ها باید انجام شود، اما مناطق همگرایی بین این دو برای تماشا هیجان انگیز خواهد بود.

در حالی که هیاهو در مورد هوش مصنوعی است، در پشت صحنه چیزهای زیادی 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 دریافت 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 کلیدی این است که چگونه فناوری های وب 3 می تواند از هوش مصنوعی در زمینه هایی مانند ذخیره سازی داده ها، انتقال داده ها و هوش داده ها استفاده کند. هر یک از این قابلیت‌های داده ممکن است از فناوری‌های غیرمتمرکز بهره ببرند و شرکت‌ها بر ارائه آنها تمرکز دارند.

ذخیره سازی داده ها

این به درک اینکه چرا ذخیره سازی غیرمتمرکز داده یک واحد اساسی 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 دچار اختلالات حاکمیتی، سرکوب نظارتی یا مشکلات زیرساختی شود.

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

یکی دیگر از عوامل تمرکز 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 غیرمتمرکز شود تا خطرات یک نقطه متمرکز شکست را کاهش دهد. این فرصتی را برای راه‌حل‌های ذخیره‌سازی غیرمتمرکز برای کمک به اکوسیستم فراهم می‌کند و مقیاس‌پذیری و ثبات را به ارمغان می‌آورد.

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. هنگام بازیابی، الگوریتم این بخش‌های جداگانه را می‌کشد تا سند را به کاربر ارائه دهد.

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

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

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

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

بدون شک، 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 در پشته داده است که می تواند از عدم تمرکز بهره مند شود. انتقال داده ها با استفاده از رابط های برنامه نویسی برنامه کاربردی متمرکز (API) همچنان می تواند برنامه های هوش مصنوعی را فعال کند. با این حال، افزودن یک بردار تمرکز در هر نقطه از پشته داده، آن را کمتر موثر می کند.

هنگامی که غیرمتمرکز شد، مورد بعدی در زنجیره ارزش داده، انتقال و به اشتراک گذاری داده ها است – در درجه اول از طریق اوراکل.

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

با این حال، اوراکل‌ها یکی از آسیب‌پذیرترین بخش‌های معماری داده‌ها هستند که هکرها آن‌ها را در طول سال‌ها به طور گسترده و با موفقیت هدف قرار می‌دهند. در یک مثال اخیر، پروتکل Bonq 120 میلیون دلار ضرر کرده است به دلیل هک اوراکل

علاوه بر قراردادهای هوشمند و هک‌های پل زنجیره‌ای متقابل، آسیب‌پذیری‌های اوراکل برای مجرمان سایبری بسیار کم اهمیت بوده است. 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 با کیفیت بالا را ارائه می دهند و عدم تمرکز سرتاسر را ایجاد می کنند.

اوراکل ها به طور گسترده در صنعت بلاک چین مورد استفاده قرار گرفته اند و انواع مختلفی از اوراکل ها در مکانیسم انتقال داده نقش دارند.

اوراکل‌های ورودی، خروجی، زنجیره‌ای متقابل و محاسباتی وجود دارد. هر یک از آنها هدفی در چشم انداز داده دارند.

اوراکل‌های ورودی داده‌ها را از منابع داده خارج از زنجیره به یک بلاک چین برای استفاده توسط یک قرارداد هوشمند حمل و تأیید می‌کنند. اوراکل‌های خروجی به قراردادهای هوشمند اجازه می‌دهند تا فعالیت‌های خارج از زنجیره داده را انجام دهند و اقدامات خاصی را آغاز کنند. اوراکل‌های زنجیره‌ای متقابل داده‌ها را بین دو بلاک چین حمل می‌کنند – که می‌تواند با بهبود قابلیت همکاری بلاک‌چین اساسی باشد – در حالی که اوراکل‌های دارای قابلیت محاسبه از محاسبات خارج از زنجیره برای ارائه خدمات غیرمتمرکز استفاده می‌کنند.

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

هوش داده ها

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 می‌تواند داده‌ها را از APIهای سنتی منبع دهد. با این حال، این یک درجه از تمرکز را اضافه می کند و می تواند بر استحکام راه حل نهایی تأثیر بگذارد.

با این حال، چندین برنامه از یادگیری ماشین و هوش مصنوعی در رمزارز و بلاک چین بهره می برند.

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 برنامه های کاربردی هوش مصنوعی الهام گرفته است. پلتفرم‌ها داده‌های مربوط به قیمت‌های بازار، داده‌های اقتصاد کلان و داده‌های جایگزین مانند رسانه‌های اجتماعی را تهیه می‌کنند و بینش‌های خاص کاربر را ایجاد می‌کنند.

کاربر معمولاً انتظارات ریسک و بازگشت خود را تعیین می کند، با توصیه های پلت فرم هوش مصنوعی در این پارامترها قرار می گیرد. داده‌های مورد نیاز برای ارائه این بینش‌ها توسط پلتفرم هوش مصنوعی با استفاده از اوراکل تهیه می‌شود.

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 حال انجام ماموریت ساخت “آخرین صندوق تامینی جهان” با استفاده از بلاک چین و هوش مصنوعی است. از هوش مصنوعی برای جمع‌آوری داده‌ها از منابع مختلف برای مدیریت مجموعه‌ای از سرمایه‌گذاری‌ها مانند یک صندوق تامینی استفاده می‌کند.

بازار هوش مصنوعی

بازار غیرمتمرکز هوش مصنوعی بر اثر شبکه بین توسعه‌دهندگانی که راه‌حل‌های هوش مصنوعی را در یک طرف ایجاد می‌کنند و کاربران و سازمان‌هایی که از این راه‌حل‌ها استفاده می‌کنند در سمت دیگر رشد می‌کند. 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 تراکنش داده، بینش داده یا فقط یک هزینه ثابت نگهدارنده برای دوره استفاده انجام شود. همچنین ممکن است رویکردهای ترکیبی برای طرح قیمت وجود داشته باشد، با ردیابی استفاده در زنجیره به عنوان راه حل هوش مصنوعی. 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.

Fetch.ai، به طور مشابه، 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 روی یک بلاک چین قرار دارد و امکان ردیابی مصرف و مدیریت معاملات هوشمند قرارداد را فراهم می کند.

NFT و هوش متاورز

یکی دیگر از موارد استفاده امیدوارکننده در مورد توکن‌های غیرقابل تعویض (NFT) و متاورس‌ها است. از سال 2021، NFT ها توسط بسیاری از کاربران Web3 با استفاده از NFT ها به عنوان تصاویر نمایه توییتر به عنوان هویت های اجتماعی در نظر گرفته شده اند. سازمان‌هایی مانند Yuga Labs یک گام فراتر رفته‌اند 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 دیجیتالی در متاورس ها امروزه نه هوشمند هستند و نه شباهتی به شخصیت مورد انتظار کاربر دارند. اینجاست که هوش مصنوعی می‌تواند ارزش اضافه کند. NFTهای هوشمند در حال توسعه هستند تا به آواتارهای NFT اجازه دهند از کاربران خود یاد بگیرند.

اخیر: دانشجویان دانشگاه راه حل های جدید Web3 را در ETHDenver 2023 نشان می دهند

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

هوش مصنوعی Althea در حال ساخت یک پروتکل غیرمتمرکز برای ایجاد NFT های هوشمند (iNFT) است. 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 متاورس خود به نام «کشتی نوح» خواهند شد. 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 مشکل واقعی کاربر را حل می‌کنند. این هنوز روزهای اولیه برای پروژه های هوش مصنوعی و داده های غیرمتمرکز است، اما شاخه های سبز ظاهر شده اند و امیدوارکننده به نظر می رسند.