دی‌ای‌آی نیازمند مجموعه داده‌های متنوع‌تر است

هوش مصنوعی در دنیای امروز بسیار مورد توجه قرار گرفته است. اما زیر هیاهوی مربوط به هوش مصنوعی غیرمتمرکز (DeAI) یک مشکل عمده قرار دارد: کمبود داده‌های متنوع، امن و قابل تأیید. داده‌های محدود روی زنجیره بلاکچین برای آموزش مدل‌های قدرتمند به اندازه کافی نیست. این مشکل می‌تواند آینده هوش مصنوعی را به شرکت‌های مرکزی‌ای واگذار کند که دسترسی کامل به حجم عظیمی از داده‌های وب دارند.

وعده هوش مصنوعی غیرمتمرکز—دموکراتیزه و شفاف بودن همراه با قدرت بالا—به پر کردن این شکاف داده‌ای بستگی دارد. استفاده هوشمندانه از رمزنگاری مسیری برای تحقق این وعده ارائه می‌دهد.

زیبایی هوش مصنوعی متداول در جذب حجم عظیمی از داده‌ها نهفته است. هرچه بیشتر داده دریافت کند، هوشمندتر می‌شود. اما همین ویژگی برتری، نقطه ضعف آن نیز به شمار می‌آید. مدل‌های هوش مصنوعی متمرکز اغلب با استفاده از داده‌هایی آموزش می‌بینند که بدون رضایت صریح جمع‌آوری شده‌اند و این موضوع مسائل حساسیت‌برانگیزی درباره حفظ حریم خصوصی ایجاد می‌کند.

هوش مصنوعی غیرمتمرکز، که بر پایه اصول غیرمتمرکز بودن بلاکچین و شفافیت ساخته شده است، جایگزینی جذاب ارائه می‌دهد. با این حال، بیشتر داده‌های موجود در زنجیره بلاکچین از تراکنش‌های مالی یا امور مربوط به فایننس غیرمتمرکز نشأت می‌گیرند. مدل‌های زبان کوچک به داده‌های دقت‌بالا برای بهینه‌سازی نیاز دارند و عدم وجود چنین داده‌هایی، مدل‌های هوش مصنوعی غیرمتمرکز را از منابع غنی و مفید مورد نیاز برای ارتقاء باز می‌دارد.

چنین مجموعه داده‌هایی در خارج از دنیای وب ۳ در دسترس هستند، مانند مجموعه داده‌های The Pile و Common Crawl که هر یک شامل داده‌هایی از میلیاردها منبع منحصربه‌فرد هستند. عمق و کیفیت داده‌های تاییدشده در وب ۲ همان چیزی است که به ارائه‌دهندگان هوش مصنوعی متمرکز امکان داده است مدل‌های قدرتمند خود را با سرعت بالایی بهبود بخشند.

ایجاد چنین سطحی از داده‌ها در زنجیره بلاک چین در یک بازه زمانی رقابتی امکان‌پذیر نیست. در حالی که برخی از شرکت‌های هوش مصنوعی متمرکز با مشکلاتی در رابطه با داده‌دزدی مواجه شده‌اند، راهی دیگر برای افزودن داده‌های غنی به زنجیره وجود دارد—ایمن‌سازی آن‌ها.

ایجاد پل‌ها

در اینجا نقش تکنولوژی رمزنگاری به میان می‌آید. اثبات با دانش صفر (Zero-Knowledge Proofs) که در حال حاضر در افزایش مقیاس‌پذیری و حفظ حریم خصوصی بلاکچین شناخته شده‌اند، راهکاری قدرتمند ارائه می‌دهند. دو تکنیک به‌ویژه—رمزنگاری همومورفیک کاملاً دانش صفر (zkFHE) و پروتکل TLS دانش صفر (zkTLS)—کلیدی برای دسترسی به داده‌های وب ۲ برای DeAI هستند.

zkFHE امکان انجام محاسبات بر روی داده‌های رمزگذاری‌شده بدون نیاز به رمزگشایی آن را فراهم می‌کند. تصور کنید مدلی از هوش مصنوعی را با داده‌های حساس از قبیل سوابق پزشکی آموزش دهید بدون اینکه داده‌های خام بیماران فاش شوند. این همان قدرت zkFHE است که امکان یادگیری از مجموعه داده‌های گسترده و محافظت‌شده از حریم خصوصی را برای مدل‌های DeAI فراهم می‌سازد و امکانات آموزشی آن‌ها را به طرز چشمگیری گسترش می‌دهد.

zkTLS این مفهوم را به ارتباطات اینترنتی گسترش می‌دهد. این روش به کاربران اجازه می‌دهد شواهدی از داشتن داده‌های خاصی از وب‌سایت‌ها—مانند امتیازات اعتباری یا فعالیت‌های شبکه‌های اجتماعی—ارائه دهند بدون این‌که اطلاعات اساسی را افشا کنند. این تکنیک برای ادغام داده‌های موجود در سیلوهای وب ۲ با سیستم‌های DeAI بسیار حیاتی است. به عنوان نمونه، مدلی غیرمتمرکز برای امتیازدهی اعتباری می‌تواند با استفاده از zkTLS داده‌های مالی تأییدشده از مؤسسات سنتی را بدون افشای محرمانگی آن‌ها به کار گیرند.

مزیت، DeAI؟

پیامدها بسیار عمیق هستند. با ترکیب zkFHE و zkTLS، هوش مصنوعی غیرمتمرکز می‌تواند از گستره عظیم داده‌های وب ۲ بهره‌مند شود و همزمان اصول حفظ حریم خصوصی و غیرمتمرکز بودن را حفظ کند. این توانایی می‌تواند زمینه رقابتی را برای DeAI فراهم کند تا با هوش مصنوعی‌های متمرکز مقابله کرده و حتی از آنها پیشی بگیرد.

به عنوان مثال، توسعه مدل‌های بزرگ زبانی که در حال حاضر تحت سلطه غول‌های فناوری با منابع مالی قوی قرار دارند به حجم عظیمی از داده‌های متنی نیاز دارند. با بهره‌گیری از zkTLS، توسعه‌دهندگان DeAI می‌توانند به داده‌های عمومی دسترسی پیدا کرده و از آنها استفاده کنند…

استفاده خصوصی و امن از داده‌های وب از طریق رویکردهایی مانند zkFHE و zkTLS به منظور ایجاد مدل‌های زبانی (LLM) شفاف‌تر و دموکراتیک‌تر، گام ارزشمندی به شمار می‌رود.

البته این موضوع چالش‌هایی نیز دارد. پیاده‌سازی zkFHE و zkTLS به دلیل نیاز به محاسبات سنگین، به پیشرفت‌های چشمگیری در سخت‌افزار و نرم‌افزار نیاز دارد. همچنین، سازگاری و استانداردسازی برای پذیرش گسترده این فناوری‌ها ضروری است. اما پتانسیل این فناوری‌ها بسیار عظیم است.

در مسابقه برتری هوش مصنوعی، داده‌ها سوخت اصلی هستند. با پذیرش راهکارهای رمزنگاری مانند zkFHE و zkTLS، DeAI می‌تواند به داده‌هایی که برای عملکرد بهتر نیاز دارد دسترسی پیدا کند. این تنها به معنای ساخت یک هوش مصنوعی هوشمندتر نیست، بلکه ایجاد آینده‌ای دموکراتیک‌تر و عادلانه‌تر برای این حوزه است.