حول ZKML: ZKML (تعلم الآلة بدون معرفة) هي تقنية تعلم آلة تجمع بين إثباتات المعرفة الصفرية وخوارزميات تعلم الآلة، تهدف إلى حل مشاكل حماية الخصوصية في تعلم الآلة.

حول الحوسبة الموزعة: الحوسبة الموزعة تشير إلى تقسيم مهمة حسابية إلى عدة مهام صغيرة، وتوزيع هذه المهام الصغيرة على عدة حواسيب أو معالجات للمعالجة، لتحقيق حسابات فعالة.

حالة الذكاء الاصطناعي وWeb3: أسراب غير متحكم بها وزيادة الإنتروبيا

في (غير المتحكم: بيولوجيا جديدة للآلة والمجتمع والاقتصاد) ، قدم كيفن كيلي ظاهرة: ستقوم الأسراب بإدارة موزعة، وستجري انتخابات جماعية من خلال الرقص الجماعي، حيث تتبع الأسراب الأكبر حجمًا في هذا الرقص الجماعي لتكون هي المسيطرة على الحدث. وهذا ما أشار إليه موريز ميتلينك بما يسمى "روح السرب" - كل نحلة يمكن أن تتخذ قرارها الخاص، وتوجه النحل الآخر للتأكيد، والقرار النهائي الذي يتشكل هو في الحقيقة اختيار جماعي.

إن قانون زيادة الإنتروبيا والفوضى يتبع في ذاته قوانين الديناميكا الحرارية، وتجسيد النظرية في الفيزياء يكون بوضع عدد معين من الجزيئات في صندوق فارغ، ثم قياس التوزيع النهائي. وإذا أسقطنا ذلك على الإنسان، فإن الحشود التي تولدها الخوارزميات، رغم اختلاف تفكير الأفراد فيها، يمكنها أيضًا إظهار أنماط جماعية، وغالبًا ما تكون محصورة في صندوق فارغ بفعل عوامل مثل العصر، ثم تتخذ في النهاية قرارات توافقية.

طبعًا، ليست كل القواعد الجماعية صحيحة بالضرورة، لكنها يمكن أن تمثل الإجماع؛ فالقائد الرأي الذي يستطيع وحده أن يرفع كفة الإجماع هو فرد خارق بكل معنى الكلمة. لكن في معظم الحالات، لا يسعى الإجماع إلى موافقة الجميع بشكلٍ كامل وغير مشروط، بل يكفي أن تكون لدى الجماعة درجة عامة من القبول.

نحن هنا لا نناقش ما إذا كان الذكاء الاصطناعي سيقود البشرية إلى طرقٍ خاطئة أم لا؛ فمثل هذه النقاشات كثيرة بالفعل، سواء بسبب أن الكمّ الهائل من المحتوى الرديء الذي تولّده تطبيقات الذكاء الاصطناعي قد لوّث مصداقية بيانات الشبكة، أو لأن أخطاء القرارات الجماعية قد تدفع بعض الأحداث إلى مسارات أكثر خطورة.

الوضع الحالي للذكاء الاصطناعي يحمل بطبيعته سمات الاحتكار؛ فمثلًا، يتطلب تدريب النماذج الكبيرة ونشرها موارد حوسبة وبيانات ضخمة، ولا تمتلك هذه الشروط إلا نسبة صغيرة من الشركات والمؤسسات. هذه البيانات التي تُعدّ بملياراتها تُعامَل ككنوز ثمينة لدى كل مالك محتكر، ناهيك عن المشاركة مفتوحة المصدر؛ فحتى الوصول المتبادل بينها يكاد يكون مستحيلًا.

وهذا يؤدي إلى هدر هائل في البيانات، إذ يضطر كل مشروع ذكاء اصطناعي ضخم إلى إعادة جمع بيانات المستخدمين، لينتهي الأمر بـ«الفائز يستحوذ على كل شيء» — سواء عبر الاندماج والاستحواذ أو عبر البيع، أو من خلال تكبير مشاريع عملاقة بعينها، أو بمنطق التمدد والسباق على الأراضي الذي اشتهر به الإنترنت التقليدي.

يقول كثيرون إن الذكاء الاصطناعي وWeb3 أمران منفصلان لا علاقة بينهما — والنصف الأول من هذه العبارة صحيح، فهما مساران مختلفان، لكن النصف الثاني فيه مشكلة؛ إذ إن استخدام التقنيات الموزعة للحد من المآل الاحتكاري للذكاء الاصطناعي، واستخدام تقنيات الذكاء الاصطناعي لتعزيز تكوّن آليات الإجماع اللامركزي، أمر طبيعي تمامًا وكأنه وُلد لهذا الغرض.

الاستدلال من الأسفل: جعل الذكاء الاصطناعي يكوّن آلية إجماع جماعي موزعة حقيقية

يبقى جوهر الذكاء الاصطناعي في الإنسان نفسه؛ فالآلة والنموذج ليسا سوى استقراءٍ وتَقليدٍ لفكر الإنسان. أما ما يُسمّى «الجماعة»، فمن الصعب في الواقع تجريدها ككيان مستقل، لأن ما نراه يوميًا هو الأفراد الحقيقيون. لكن النموذج يستخدم كماً هائلًا من البيانات للتعلم والتعديل، وفي النهاية يحاكي شكل الجماعة. ولا حاجة للحكم على النتائج التي قد يسببها هذا النوع من النماذج، لأن حوادث الفعل الجماعي السيئ لم تقع مرة أو مرتين فقط. غير أن النموذج يمثل بدقة نشوء آلية الإجماع هذه.

لنأخذ مثالًا: بالنسبة إلى DAO معيّن، إذا جُعلت الحوكمة ميكانيزمًا، فلا بد أن يؤثر ذلك على الكفاءة، لأن تكوّن الإجماع الجماعي في حد ذاته أمر مزعج، فضلًا عن الحاجة إلى التصويت والإحصاء وسلسلة من العمليات الأخرى. وإذا جُسدت حوكمة DAO على هيئة نموذج ذكاء اصطناعي، فإن كل البيانات التي تُجمع تكون أصلًا من بيانات حديث جميع أعضاء DAO، وبالتالي فإن القرار الناتج سيكون في الواقع أقرب إلى الإجماع الجماعي.

يمكن تدريب الإجماع الجماعي لنموذج واحد وفقًا للمنهجية المذكورة أعلاه، لكن هذه الكيانات الفردية ستظل في نهاية المطاف جزرًا منفصلة. أما إذا تشكل نظام ذكاء جماعي يولّد ذكاءً اصطناعيًا جماعيًا، ففي هذا النظام ستتعاون نماذج الذكاء الاصطناعي فيما بينها لحل المشكلات المعقدة، وهذا في الواقع يمنح طبقة الإجماع دورًا كبيرًا في التمكين.

بالنسبة إلى المجموعات الصغيرة، يمكنها إما أن تبني منظومتها بنفسها، أو أن تتعاون مع مجموعات أخرى لتشكيل تنسيق أكثر كفاءة وأقل تكلفة لتلبية احتياجات حوسبة أو تداول بيانات ضخمة جدًا. لكن المشكلة تعود من جديد: الحالة الراهنة بين قواعد بيانات النماذج المختلفة هي انعدام الثقة الكامل، والتحفظ من الآخرين — وهذا بالضبط ما يجعل البلوكشين يمتلك خاصيته الطبيعية: عبر إزالة الثقة يمكن تحقيق تفاعل آمن وفعّال حقيقي بين آلات الذكاء الاصطناعي الموزعة.

يمكن لعقلٍ ذكيٍّ عالمي أن يجعل نماذج خوارزميات الذكاء الاصطناعي، التي كانت مستقلة ومحدودة الوظيفة في الأصل، تتعاون فيما بينها، وتنفذ داخلها مسارات خوارزمية ذكية معقدة، وبذلك يمكن أن تنمو باستمرار لتشكّل شبكة إجماع جماعي موزعة. وهذه هي أيضًا أكبر دلالة لتمكين الذكاء الاصطناعي لـ Web3.

الخصوصية واحتكار البيانات؟ دمج ZK مع تعلم الآلة

سواء كان الأمر متعلقًا بالفعل السيئ الذي قد يصدر عن الذكاء الاصطناعي، أو بالحماية من الخصوصية والخوف من احتكار البيانات، فإن الإنسان مضطر إلى اتخاذ إجراءات وقائية موجهة. لكن المشكلة الجوهرية تكمن في أننا لا نعرف كيف تم التوصل إلى النتيجة، وبالمثل فإن مشغلي النماذج لا ينوون أيضًا تقديم تفسير شافٍ لهذا السؤال. أما فيما يتعلق بما ذكرناه أعلاه عن دمج هذا العقل الذكي العالمي، فسنكون أكثر حاجة إلى حل هذه المشكلة، وإلا فلن تكون هناك جهة بيانات مستعدة لأن تضع جوهرها الأساسي لتشاركه مع الآخرين.

ZKML (Zero Knowledge Machine Learning) هي تقنية توظف إثباتات المعرفة الصفرية في تعلم الآلة. أما إثبات المعرفة الصفرية (Zero-Knowledge Proofs, ZKP)، فيعني أن بإمكان المُثبت (prover) أن يجعل المُتحقق (verifier) يصدّق صحة البيانات دون الكشف عن البيانات المحددة.

لنأخذ حالة نظرية كمثال. لدينا سودوكو قياسي بحجم 9×9، وتتمثل شروط الحل في ملء المربعات التسعة الكبيرة بالأرقام من 1 إلى 9 بحيث لا يظهر أي رقم إلا مرة واحدة في كل صف وعمود ومربع كبير. فكيف يمكن لمن يضع هذا اللغز أن يثبت للمتحدي أن له حلًا دون الكشف عن الجواب؟

يكفي أن تغطي الفراغات بالإجابة، ثم تطلب عشوائيًا من المتحدي أن يختار عدة صفوف أو أعمدة، وبعدها تُخلط كل الأرقام عشوائيًا ثم يُتحقق مما إذا كانت كلها من واحد إلى تسعة. وهذا هو تجسيد بسيط لإثبات المعرفة الصفرية.

تتمتع تقنية إثبات المعرفة الصفرية بثلاث خصائص: الاكتمال، والصحة، وكونها معرفة صفرية، أي إنها تثبت النتيجة دون الحاجة إلى كشف أي تفاصيل. كما يمكن ملاحظة بساطة مصدرها التقني، فبخلفية التشفير المتماثل، تكون صعوبة التحقق أقل بكثير من صعوبة توليد الإثبات.

أما تعلم الآلة (Machine Learning) فهو استخدام الخوارزميات والنماذج لتمكين أنظمة الحاسوب من التعلم والتحسن من البيانات. ومن خلال التعلم من الخبرة بطريقة آلية، يمكن للنظام أن يقوم تلقائيًا بمهام مثل التنبؤ والتصنيف والتجميع والتحسين اعتمادًا على البيانات والنماذج.

يكمن جوهر تعلم الآلة في بناء النماذج، إذ يمكن لهذه النماذج أن تتعلم من البيانات وتتنبأ وتتخذ القرارات تلقائيًا. وعادةً ما يتطلب بناء هذه النماذج ثلاثة عناصر أساسية: مجموعة البيانات، والخوارزمية، وتقييم النموذج. فمجموعة البيانات هي أساس تعلم الآلة، وتضم عينات البيانات المستخدمة لتدريب نموذج تعلم الآلة واختباره. أما الخوارزمية فهي قلب النموذج، وتحدد كيف يتعلم النموذج من البيانات وكيف يتنبأ. ويُعد تقييم النموذج خطوة مهمة في تعلم الآلة، لأنه يُستخدم لتقدير أداء النموذج ودقته، وتحديد ما إذا كان يحتاج إلى تحسين وتطوير.

في تعلم الآلة التقليدي، تحتاج مجموعة البيانات عادةً إلى أن تُجمع في مكان مركزي واحد للتدريب، وهذا يعني أن مالك البيانات يجب أن يشاركها مع طرف ثالث، ما قد يؤدي إلى خطر تسرب البيانات أو تسرب الخصوصية. أما باستخدام ZKML، فيمكن لمالك البيانات مشاركة مجموعة البيانات مع الآخرين دون الكشف عنها، ويتم ذلك باستخدام إثبات المعرفة الصفرية.

إن توظيف إثباتات المعرفة الصفرية في تعلم الآلة من شأنه أن يكون ذا أثر متوقع، فهو يحل مشكلة الصندوق الأسود الخصوصي واحتكار البيانات التي طال أمدها: هل يمكن للجهة المطورة إتمام الإثبات والتحقق دون كشف مدخلات بيانات المستخدم أو التفاصيل الدقيقة للنموذج؟ وهل يمكن لكل مجموعة أن تشارك بياناتها أو نموذجها للعمل دون تسريب البيانات الخاصة؟ بالطبع، ما زالت التقنية الحالية في بداياتها، ومن المؤكد أن التطبيق العملي سيواجه كثيرًا من المشكلات، لكن ذلك لا يمنعنا من التخيل، وقد بدأت بالفعل فرق كثيرة في التطوير.

هل يمكن أن يؤدي هذا الوضع إلى استنزاف مجاني من قِبل قواعد البيانات الصغيرة لقواعد البيانات الكبيرة؟ عندما تفكر في مسألة الحوكمة، فإنك تعود مرة أخرى إلى طريقة تفكير Web3؛ فجوهر الكريبتو يكمن في الحوكمة. سواء كان ذلك عبر الاستخدام الكثيف أو المشاركة، ينبغي أن يحصل الجميع على الحوافز المستحقة. وسواء عبر آلية PoW أو PoS الأصلية أو عبر مختلف آليات PoR (آلية إثبات السمعة) التي ظهرت مؤخرًا، فإن الغرض منها جميعًا هو ضمان أثر الحوافز.

قدرة الحوسبة الموزعة: سردٌ ابتكاري تختلط فيه الأكاذيب بالواقع

كانت شبكة الحوسبة اللامركزية دائمًا من السيناريوهات الشائعة في دوائر العملات المشفرة، فالنماذج الكبيرة للذكاء الاصطناعي تحتاج إلى قدر هائل من الحوسبة، بينما لا تؤدي شبكات الحوسبة المركزية إلى هدر الموارد فحسب، بل تخلق أيضًا احتكارًا فعليًا — فإذا انتهى الأمر بأن تكون المنافسة كلها على عدد وحدات GPU، فسيكون ذلك بلا معنى إلى حد كبير.

شبكة الحوسبة اللامركزية هي في جوهرها تجميع للموارد الحاسوبية الموزعة عبر أماكن وأجهزة مختلفة. ومن أبرز مزاياها التي يُكثر الناس من ذكرها: توفير قدرة حوسبة موزعة، وحل مشكلات الخصوصية، وتعزيز موثوقية واعتمادية نماذج الذكاء الاصطناعي، ودعم النشر والتشغيل السريع في مختلف سيناريوهات الاستخدام، فضلًا عن تقديم حلول لامركزية لتخزين البيانات وإدارتها. نعم، عبر الحوسبة اللامركزية يمكن لأي شخص تشغيل نماذج الذكاء الاصطناعي واختبارها على مجموعات بيانات حقيقية على السلسلة واردة من مستخدمين حول العالم، وبذلك يمكن الاستفادة من خدمات حوسبة أكثر مرونة وكفاءة وأقل تكلفة.

وفي الوقت نفسه، يمكن للحوسبة اللامركزية أن تحل مشكلات الخصوصية عبر إنشاء إطار عمل قوي يحمي أمان بيانات المستخدم وخصوصيتها. كما أنها توفر عملية حوسبة شفافة وقابلة للتحقق، ما يعزز موثوقية نماذج الذكاء الاصطناعي واعتماديتها، ويقدم موارد حوسبة مرنة وقابلة للتوسع للنشر والتشغيل السريع في مختلف سيناريوهات الاستخدام.

عند النظر إلى تدريب النماذج من خلال عملية حوسبة مركزية متكاملة، فإن الخطوات عادةً تكون: إعداد البيانات، وتقسيم البيانات، ونقل البيانات بين الأجهزة، والتدريب المتوازي، وتجميع التدرجات، وتحديث المعلمات، والمزامنة، ثم إعادة التدريب. وخلال هذه العملية، حتى لو استخدمت مراكز الحوسبة المركزية عناقيد من أجهزة الحوسبة عالية الأداء، مع ربطها بشبكات عالية السرعة لمشاركة مهام الحوسبة، فإن تكاليف الاتصال العالية تصبح أحد أكبر القيود على شبكة الحوسبة اللامركزية.

لذلك، وعلى الرغم من أن شبكة الحوسبة اللامركزية تمتلك كثيرًا من المزايا والإمكانات، فإن مسار تطورها لا يزال متعرجًا إذا ما نظرنا إلى تكاليف الاتصال الحالية وصعوبة التشغيل الفعلي. ففي التطبيق العملي، يتطلب بناء شبكة حوسبة لامركزية التغلب على الكثير من المشكلات التقنية الواقعية، سواء في كيفية ضمان موثوقية العقد وأمانها، أو في كيفية إدارة وتنسيق موارد الحوسبة الموزعة بكفاءة، أو في كيفية تحقيق نقل بيانات واتصالات فعالة، وغير ذلك؛ وربما تكون هذه كلها من أكبر التحديات الفعلية.

الخاتمة: التوقعات المتروكة للمثاليين

إذا عدنا إلى الواقع التجاري، فإن السردية التي تقول إن الذكاء الاصطناعي وWeb3 يندمجان بعمق تبدو جميلة جدًا، لكن رأس المال والمستخدمين يخبروننا بالفعل أن هذا سيكون حتمًا رحلة ابتكار شديدة الصعوبة؛ إلا إذا استطاع المشروع، مثل OpenAI، أن يكون قويًا بذاته وفي الوقت نفسه يحتمي براعٍ مالي قوي، وإلا فإن تكاليف البحث والتطوير التي لا قاع لها، ونموذج الأعمال غير الواضح بعد، سيحطمنا تمامًا.

سواء كان الأمر متعلقًا بالذكاء الاصطناعي أو بـ Web3، فكلاهما لا يزال في مرحلة مبكرة جدًا من التطور، تمامًا مثل فقاعة الإنترنت في نهاية القرن الماضي، ولم يدخل مرحلة الازدهار الحقيقي إلا بعد ما يقرب من عشر سنوات. كان مكارثي يتخيل أنه يستطيع تصميم ذكاء اصطناعي يملك ذكاءً بشريًا خلال عطلة واحدة، لكننا لم نخطُ الخطوة الحاسمة الحقيقية في الذكاء الاصطناعي إلا بعد نحو سبعين عامًا.

ينطبق الأمر نفسه على Web3+AI، فقد تأكدنا بالفعل من صحة الاتجاه الذي نسير فيه، أما الباقي فمتروك للزمن.

عندما ينحسر مدّ الزمن تدريجيًا، فإن أولئك الأشخاص والأشياء التي تظل شامخة لا تتزحزح، هي الأساس الذي ينقلنا من الخيال العلمي إلى الواقع.