【OpenLedger مقابل Bittensor: صراع بين نماذج الشبكات AI】
1. الاختلافات الأساسية في صراع النماذج
في مجال AI x Web3، تمثل OpenLedger و Bittensor نوعين مختلفين تمامًا من مفاهيم تصميم الشبكات. الأول يركز على "الشبكة المدفوعة بالبيانات"، ويؤكد على بناء البنية التحتية لتأكيد حقوق البيانات ومشاركتها وتحفيزها؛ بينما الثاني هو نموذج نموذجي لـ "شبكة جدولة النماذج"، حيث تم بناء سوق مفتوح يتكون من عقد نماذج AI، مرتبة حسب الأداء ومحفزة. كلاهما يحاول حل مشكلة توزيع الموارد في عصر AI، لكن الطرق والفلسفات مختلفة تمامًا.
Bittensor أقرب إلى "سوق استقلالية القوة الحاسوبية" الذي يهيمن عليه مقدمو النماذج، حيث يمكن للمستخدمين اختيار استدعاء عقد النماذج ذات الأداء العالي، بينما يقوم النظام بتوزيع الرموز بناءً على المشاركة والتقييم. بالمقابل، يتناول OpenLedger الأمر من وجهة نظر البيانات، حيث يبني حلقة إيكولوجية حول Datanet، ونظام السمعة، وسوق مهام البيانات، ويؤكد على أن "مصدر الذكاء الاصطناعي يجب أن يكون بيانات جيدة، وليس نموذجًا واحدًا".
ثانياً، التوجيه القائم على النموذج مقابل التوجيه القائم على البيانات: اختلافات الهيكل الإيكولوجي
بِتِنسور بَنَت نموذجًا بيئيًا يميل إلى الحلقة المغلقة، مع التركيز الرئيس على آلية تصنيف الأعصاب لشبكة TAO: حيث يحصل النموذج على حوافز من خلال "تصنيف الإجماع" لنتائج معالجة المدخلات. في هذا النظام، تكون المساهمة في أداء النموذج، وليس جودة البيانات أو المشاركة في المهام.
OpenLedger قامت ببناء شبكة بيانات مفتوحة حول Datanet، حيث يمكن لأي مستخدم الحصول على سمعة ونقاط تحفيزية من خلال تحميل، ووضع علامة، والتحقق من مهام البيانات. كما أن نظام السمعة الخاص بها يعمل كقاعدة لترتيب المشاركات وتوزيع الحوافز، مما يجعل نتائج استدعاء النماذج أكثر قابلية للتتبع والتدقيق.
هذا الاختلاف أدى إلى أدوار بيئية مختلفة: يشجع Bittensor مقدمي قوة الحوسبة ومطوري النماذج على المشاركة؛ بينما يشجع OpenLedger مزودي البيانات ومشغلي النماذج والمستخدمين والمحققين على التعاون.
ثالثًا، القابلية للتجميع والانفتاح: من هو الأنسب للتعاون في النظام البيئي؟
من منظور القابلية للتجميع، فإن شبكة Bittensor مغلقة نسبيًا، حيث يتركز مستخدموها بشكل رئيسي على الطرف المستخدم، وآلية العمل الكلية ليست سهلة الاندماج مع أنظمة أخرى. بينما تعتمد OpenLedger على فكرة التصميم المعياري، حيث يمكن أن تعمل Datanet ك"طبقة بيانات" لأي مشروع على السلسلة، كما تدعم التعاون بين عدة أطر لوكلاء الذكاء الاصطناعي.
OpenLedger أيضا من خلال OpenTask و OpenRepo وغيرها من الآليات أنشأت "مساحة التعاون في المهام" التي تقلل من عوائق المشاركة، مما يعزز من قابلية توسيع الشبكة وإمكانية دمج مشاريع Web3.
أربعة، الاحتمالات المستقبلية: التعاون أم المنافسة؟
على الرغم من أن المسارين الحاليين مختلفان تمامًا، إلا أنه في المستقبل، قد تظهر علاقة تكافلية بين دمج الذكاء الاصطناعي و Web3. على سبيل المثال، قد يوفر سوق مهام البيانات الخاص بـ OpenLedger بيانات تدريب وتحقق عالية الجودة ومنظمة لـ Bittensor؛ بينما يمكن أن تكون عقد نموذج Bittensor جزءًا من المنفذين في شبكة OpenLedger.
من الناحية الحالية، يبدو أن OpenLedger يشبه نظام سلسلة إمداد البيانات المفتوحة المصمم للذكاء الاصطناعي، بينما يحاول Bittensor إنشاء شبكة قيمة خوارزمية. إذا كان الأخير هو مستكشف اقتصاد خوارزميات الذكاء الاصطناعي، فإن الأول يعيد بناء المنطق الأساسي والبيانات للنظام الذكي.
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
【OpenLedger مقابل Bittensor: صراع بين نماذج الشبكات AI】
1. الاختلافات الأساسية في صراع النماذج
في مجال AI x Web3، تمثل OpenLedger و Bittensor نوعين مختلفين تمامًا من مفاهيم تصميم الشبكات. الأول يركز على "الشبكة المدفوعة بالبيانات"، ويؤكد على بناء البنية التحتية لتأكيد حقوق البيانات ومشاركتها وتحفيزها؛ بينما الثاني هو نموذج نموذجي لـ "شبكة جدولة النماذج"، حيث تم بناء سوق مفتوح يتكون من عقد نماذج AI، مرتبة حسب الأداء ومحفزة. كلاهما يحاول حل مشكلة توزيع الموارد في عصر AI، لكن الطرق والفلسفات مختلفة تمامًا.
Bittensor أقرب إلى "سوق استقلالية القوة الحاسوبية" الذي يهيمن عليه مقدمو النماذج، حيث يمكن للمستخدمين اختيار استدعاء عقد النماذج ذات الأداء العالي، بينما يقوم النظام بتوزيع الرموز بناءً على المشاركة والتقييم. بالمقابل، يتناول OpenLedger الأمر من وجهة نظر البيانات، حيث يبني حلقة إيكولوجية حول Datanet، ونظام السمعة، وسوق مهام البيانات، ويؤكد على أن "مصدر الذكاء الاصطناعي يجب أن يكون بيانات جيدة، وليس نموذجًا واحدًا".
ثانياً، التوجيه القائم على النموذج مقابل التوجيه القائم على البيانات: اختلافات الهيكل الإيكولوجي
بِتِنسور بَنَت نموذجًا بيئيًا يميل إلى الحلقة المغلقة، مع التركيز الرئيس على آلية تصنيف الأعصاب لشبكة TAO: حيث يحصل النموذج على حوافز من خلال "تصنيف الإجماع" لنتائج معالجة المدخلات. في هذا النظام، تكون المساهمة في أداء النموذج، وليس جودة البيانات أو المشاركة في المهام.
OpenLedger قامت ببناء شبكة بيانات مفتوحة حول Datanet، حيث يمكن لأي مستخدم الحصول على سمعة ونقاط تحفيزية من خلال تحميل، ووضع علامة، والتحقق من مهام البيانات. كما أن نظام السمعة الخاص بها يعمل كقاعدة لترتيب المشاركات وتوزيع الحوافز، مما يجعل نتائج استدعاء النماذج أكثر قابلية للتتبع والتدقيق.
هذا الاختلاف أدى إلى أدوار بيئية مختلفة: يشجع Bittensor مقدمي قوة الحوسبة ومطوري النماذج على المشاركة؛ بينما يشجع OpenLedger مزودي البيانات ومشغلي النماذج والمستخدمين والمحققين على التعاون.
ثالثًا، القابلية للتجميع والانفتاح: من هو الأنسب للتعاون في النظام البيئي؟
من منظور القابلية للتجميع، فإن شبكة Bittensor مغلقة نسبيًا، حيث يتركز مستخدموها بشكل رئيسي على الطرف المستخدم، وآلية العمل الكلية ليست سهلة الاندماج مع أنظمة أخرى. بينما تعتمد OpenLedger على فكرة التصميم المعياري، حيث يمكن أن تعمل Datanet ك"طبقة بيانات" لأي مشروع على السلسلة، كما تدعم التعاون بين عدة أطر لوكلاء الذكاء الاصطناعي.
OpenLedger أيضا من خلال OpenTask و OpenRepo وغيرها من الآليات أنشأت "مساحة التعاون في المهام" التي تقلل من عوائق المشاركة، مما يعزز من قابلية توسيع الشبكة وإمكانية دمج مشاريع Web3.
أربعة، الاحتمالات المستقبلية: التعاون أم المنافسة؟
على الرغم من أن المسارين الحاليين مختلفان تمامًا، إلا أنه في المستقبل، قد تظهر علاقة تكافلية بين دمج الذكاء الاصطناعي و Web3. على سبيل المثال، قد يوفر سوق مهام البيانات الخاص بـ OpenLedger بيانات تدريب وتحقق عالية الجودة ومنظمة لـ Bittensor؛ بينما يمكن أن تكون عقد نموذج Bittensor جزءًا من المنفذين في شبكة OpenLedger.
من الناحية الحالية، يبدو أن OpenLedger يشبه نظام سلسلة إمداد البيانات المفتوحة المصمم للذكاء الاصطناعي، بينما يحاول Bittensor إنشاء شبكة قيمة خوارزمية. إذا كان الأخير هو مستكشف اقتصاد خوارزميات الذكاء الاصطناعي، فإن الأول يعيد بناء المنطق الأساسي والبيانات للنظام الذكي.