طوال سنوات، احتكرت الشركات الكبرى تطوير نماذج الذكاء الاصطناعي داخل مراكز بيانات ضخمة وخلف أبواب مغلقة. لكنّ مشروعاً جديداً يدعى «ماكروكوزموس» يطرح رؤية مختلفة: توسيع دائرة المشاركة في عملية التدريب لتشمل آلاف الأجهزة في أنحاء العالم، ما يسمح بخلق نماذج أكثر تنوعاً ونفعاً للمجتمع.
محتويات المقالة:
- مقدمة
- مقدمة حول مفهوم اللامركزية
- مشروع «ماكروكوزموس» ونظام Subnet 9
- مبدأ «السرب» في التدريب
- تحديات اللامركزية
- المزايا مقارنة بالأسلوب المركزي
- سيناريوهات المستقبل
- الخلاصة
- الأسئلة الشائعة
مقدمة
يشهد عالم الذكاء الاصطناعي تحولاً نحو اللامركزية، مما قد يغير موازين القوى في تطوير النماذج الذكية.
1. مقدمة حول مفهوم اللامركزية
يُشبِّه كثيرون اللامركزية في الذكاء الاصطناعي بتقنية البلوك تشين للعملات الرقمية. ففي حين تحتكر شركات كبرى مثل «أوبنAI» و«جوجل» عملية تدريب النماذج على أجهزة فائقة القدرة، يسعى مفهوم اللامركزية إلى توزيع المهام على عدة حواسيب منتشرة حول العالم. الفكرة تقوم على مشاركة المستخدمين بقدرات حوسبة متواضعة لتجميع قوة هائلة قادرة على منافسة مراكز البيانات الضخمة.
2. مشروع «ماكروكوزموس» ونظام Subnet 9
أعاد فريق «ماكروكوزموس» إطلاق ما يُعرف بـ «Subnet 9» على شبكة «بيتنسر». يصفون هذه الخطوة بأنها جيل جديد من تدريب الذكاء الاصطناعي المُسمى IOTA (Incentivized Orchestrated Training Architecture). تتيح هذه البنية لأي شخص يمتلك وحدة معالجة رسومية (GPU) المشاركة في تدريب نموذج للذكاء الاصطناعي، والحصول على مكافآت مقابل مساهمته بقوة حوسبته.
3. مبدأ «السرب» في التدريب
يستقي نهج «ماكروكوزموس» إلهامه من سلوك أسراب الطيور وأسماك السردين؛ حيث ينجح الكائن الجماعي في تحقيق هدفه من دون قيادة مركزية واضحة. ففي اللامركزية، لا يحتاج كل حاسوب إلى تحميل النموذج بالكامل؛ بل يقوم كل جهاز بمعالجة جزء محدد (طبقة أو عدة طبقات من الشبكة العصبية) وتمرير نتائج الحساب بين المشاركين. عند حدوث أخطاء، يجري تصحيحها بشكل تشاركي عبر بروتوكولات مثل Butterfly All-Reduce.
4. تحديات اللامركزية
رغم الحماسة المتصاعدة، تواجه اللامركزية تحديات جمّة: محدودية النطاق الترددي (Bandwidth): يتطلب تبادل البيانات المكثف بنية تحتية متطورة للإنترنت. تقلب المساهمين: يمكن لأي مشارك الانسحاب في أي لحظة، ما قد يُخلّ بالتدريب ما لم توجد آليات تصحيحية. تحفيز صانعي النموذج: يجب وضع نظام مكافآت عادل يضمن أن كل مساهم يتلقى حصة منصفة تتناسب مع جهده.
5. المزايا مقارنة بالأسلوب المركزي
توفر اللامركزية عدة فوائد، مثل التكلفة المنخفضة مقارنة بالاستثمار في بناء مراكز بيانات ضخمة، وإمكانية ضم قاعدة مستخدمين واسعة، ما يعزز شمول البيانات وتنوعها. كما تسمح اللامركزية بتوفير قدر من الشفافية لصانعي النموذج والمتطوعين على حد سواء.
6. سيناريوهات المستقبل
مع تطور تقنيات التسريع الخاصة بالتعلم العميق وزيادة عدد الأفراد المستعدين للمشاركة، قد يصبح النموذج اللامركزي منافساً حقيقياً لأكبر المختبرات الممولة بمليارات الدولارات. وفي حال نجاح تجربة «ماكروكوزموس»، قد نشهد نماذج ذكاء اصطناعي تُبنى بشكل مفتوح وتُدار بواسطة مجتمعات رقمية، بعيداً عن سيطرة الشركات الضخمة.
الخلاصة
تحمل اللامركزية في طياتها وعداً بتحويل مشهد الذكاء الاصطناعي من احتكار النخبة إلى حراك مجتمعي شامل. وبرغم صعوبة التحديات التقنية والتنظيمية، فإن هذا الأسلوب الجديد قد يفتح آفاقاً للإبداع وتوزيع العائدات المالية بصورة أكثر عدلاً. إنه مسار طويل لكنه قد يغير موازين القوى في عالم الذكاء الاصطناعي.
الأسئلة الشائعة
1. ما الفرق بين تدريب الذكاء الاصطناعي المركزي واللامركزي؟
في المركزي، تتم عملية التدريب على خوادم مخصصة في شركة واحدة، بينما في اللامركزي يتم توزيع أجزاء التدريب على مئات أو آلاف الأجهزة.
2. كيف يتعامل اللامركزي مع مشكلة الاتصال البطيء؟
يستخدم تقنيات ضغط بيانات وآليات مثل Butterfly All-Reduce لتقليل تبادل البيانات وضمان استمرار العملية.
3. هل يحقق المساهمون في اللامركزية أرباحاً؟
نعم، يتم تحفيزهم بمكافآت رمزية أو مالية بحسب نظام كل منصة، مثل ما تفعله العملات الرقمية.
