تطلب منا معظم منصات الذكاء الاصطناعي أن نثق بإجاباتها. لكن ماذا لو أمكننا أيضًا التحقق من كيفية إنتاج تلك الإجابات؟
هذه هي المشكلة التي تسعى OpenGradient إلى معالجتها.
تعمل OpenGradient على بناء بنية تحتية لامركزية للذكاء الاصطناعي، مع التركيز على التنفيذ القابل للتحقق، والحوسبة الآمنة، وإتاحة الوصول المفتوح إلى نماذج الذكاء الاصطناعي.
ومن الجوانب التي أجدها مثيرة للاهتمام استخدامها لبيئات التنفيذ الموثوقة (TEEs).
ببساطة، تنشئ بيئة التنفيذ الموثوقة (TEE) بيئة محمية يمكن فيها تشغيل مهام الذكاء الاصطناعي. ويمكن بعد ذلك أن يوفّر التصديق المستند إلى الأجهزة دليلًا على تنفيذ الشيفرة المعتمدة داخل تلك البيئة الآمنة.
جزء مهم آخر هو ZKML، أو تعلّم الآلة بإثبات المعرفة الصفرية. ويمكنه تقديم براهين تشفيرية لبعض عمليات تعلّم الآلة. ومع ذلك، من المهم فهم أن OpenGradient يستخدم أساليب تحقق مختلفة لأعباء العمل المختلفة. يعتمد الاستدلال باستخدام نماذج اللغة الكبيرة (LLM) حاليًا على التحقق عبر بيئة التنفيذ الموثوقة (TEE)، بينما يتوفر ZKML لتنفيذ تعلّم الآلة المدعوم.
يضم المشروع أيضًا مركزًا لامركزيًا للنماذج، حيث يمكن للمطورين الوصول إلى النماذج واستضافتها، إلى جانب MemSync، الذي يساعد تطبيقات الذكاء الاصطناعي على الحفاظ على السياق عبر المحادثات.
لرمز $OPG دور في أنظمة الدفع والتخزين والمشاركة في الحوكمة ضمن الشبكة.
لكنني لا أعتقد أن التكنولوجيا وحدها ستحدد نجاح OpenGradient.
ما زالت هناك أسئلة مهمة ينبغي أخذها في الاعتبار. هل يستطيع المطورون بناء تطبيقات مفيدة عليها؟ وهل سيطلب المستخدمون فعلًا ذكاءً اصطناعيًا قابلًا للتحقق؟ وهل ستتمكن الشبكة من الحفاظ على مستوى عالٍ من الأمان والخصوصية مع ازدياد انتشارها؟
كذلك، لا يعني التحقق تلقائيًا أن كل إجابة يقدمها الذكاء الاصطناعي صحيحة. فهو يساعد على إثبات كيفية تنفيذ العمليات الحسابية، وهذه مسألة مختلفة لكنها مهمة.
شخصيًا، أعتقد أن الذكاء الاصطناعي القابل للتحقق يستحق المتابعة، لأن الثقة والشفافية ستزداد أهميتهما مع دخول الذكاء الاصطناعي في الخدمات المالية والتطبيقات والقرارات اليومية.
ما رأيكم، ما العامل الأهم لمستقبل الذكاء الاصطناعي: نماذج أفضل، أم خصوصية أقوى، أم القدرة على التحقق من كيفية عمل الذكاء الاصطناعي؟
@OpenGradient $OPG #OpenGradient #OPG #Aİ
