تدريب الذكاء الاصطناعي يصبح أسرع 10 مرات، وأرخص بنسبة 95% مع استراتيجية لامركزية من 0Ggettyقد يكون هناك تحول هادئ في أسس الذكاء الاصطناعي (AI)، وهو لا يحدث في مركز بيانات ضخم.
أعلنت 0G Labs، أول بروتوكول ذكاء اصطناعي لامركزي (AIP)، بالتعاون مع China Mobile، مؤخرًا عن اختراق تقني قد يكون له آثار واسعة على كيفية وصول الشركات ونشر نماذج اللغة الكبيرة. ابتكارهم هو طريقة جديدة لتدريب نماذج الذكاء الاصطناعي الضخمة التي تحتوي على أكثر من 100 مليار معلمة، دون الحاجة إلى الإنترنت فائق السرعة أو البنية التحتية المركزية المكلفة التي تتطلب عادةً.
للوهلة الأولى، قد يبدو أن هذا انتصار لعالم الهندسة.
لكن القصة الحقيقية هي اقتصادية واستراتيجية. ما حققته 0G Labs يمكن أن يخفض تكلفة بناء الذكاء الاصطناعي، ويعيد المزيد من السيطرة إلى أيدي الشركات، ويفتح الباب أمام لاعبين جدد لدخول هذا المجال.
ماذا يعني ذلك لتدريب الذكاء الاصطناعي
لفهم التحول، من المفيد إعادة النظر في كيفية تدريب نماذج الذكاء الاصطناعي واسعة النطاق حاليًا.
نماذج مثل GPT-4 من OpenAI أو Claude من Anthropic تتطلب طاقة حاسوبية واسعة وعرض نطاق ترددي للشبكة. تقليديًا، يعني هذا تدريبها على وحدات معالجة الرسوميات القوية المتصلة عبر مراكز بيانات مركزية عالية السرعة مملوكة أو مستأجرة من شركات مثل Amazon Web Services أو Google Cloud أو Microsoft Azure.
تعكس هذه الأرقام التدريب القائم على السحابة المركزية أو مراكز البيانات الضخمة - مما يتطلب مجموعات ضخمة من وحدات معالجة الرسومات، وشبكات عالية النطاق الترددي، وملايين في تكاليف الأجهزة والموظفين. ساندي كارتر. اعتبارًا من أوائل عام 2025، صرح قادة OpenAI، بما في ذلك سام ألتمان، علنًا أن تكلفة تدريب GPT-4 تجاوزت 100 مليون دولار. يدعم ذلك كل من البيانات الرسمية ونماذج التكلفة المتعددة في تقارير تحليل الذكاء الاصطناعي الأخيرة. إنه نموذج يتطلب رأس المال، والمواهب، والبنية التحتية التي لا يمكن أن تتحملها سوى عدد قليل من المنظمات.
MORE FOR YOU## 0G Labs تتحدى هذا الافتراض لتدريب الذكاء الاصطناعي
إطارهم الجديد المنشور، المسمى DiLoCoX، يقدم طريقة تدريب ذات تواصل منخفض تقلل بشكل كبير من الحاجة إلى اتصال عريض النطاق عالي. من الناحية العملية، قاموا بتدريب نموذج يحتوي على 107 مليار معلمة على شبكة بسرعة 1 جيجابت في الثانية باستخدام تجمعات لامركزية. هذا الرقم القياسي هو تحسين بمقدار 10 مرات عن الرقم القياسي السابق وطفرة في السرعة بمقدار 300 مرة جعلت هذا ممكنًا لأول مرة. هذا يعادل تقريبًا عرض النطاق الترددي لاتصال الإنترنت النموذجي في المكاتب.
بدلاً من بناء كل شيء في مركز حوسبة عملاق واحد، يربط نهجهم بين آلات أصغر موزعة ويقوم بتحسين كيفية مشاركة المعلومات بينها. والنتيجة هي طريقة قابلة للتوسع بكفاءة من حيث التكلفة لتدريب نماذج ضخمة خارج السحابة التقليدية.
بطل الذكاء الاصطناعي اللامركزي من مختبرات 0G. علق المؤسس والرئيس التنفيذي، مايكل هاينريش، على التقدم في تدريب الذكاء الاصطناعي. مختبرات 0G في حديثه مع مؤسس وم CEO مختبرات 0G مايكل هاينريش، قال: "DiLoCoX يمثل خطوة محورية في ديمقراطية تدريب LLM: سد الفجوة بين النماذج الأساسية الضخمة والعناقيد اللامركزية المتصلة بشبكات بطيئة وغير موثوقة. من خلال دمج التوازي في أنابيب المعالجة، وتداخل الاتصالات المقاومة للتأخير، وضغط التدرجات التكيفي، يوفر الإطار نطاقًا وسرعة كان يُعتقد سابقًا أنها حصرية لمراكز البيانات ذات النطاق الترددي العالي. سيؤدي ذلك إلى usher في عصر جديد حيث لم يعد تدريب الذكاء الاصطناعي على نطاق واسع مرتبطًا بالبنية التحتية المركزية."
لماذا يعتبر تدريب الذكاء الاصطناعي مهمًا للأعمال
في وقت يواجه فيه كل مشروع ضغطاً للقيام بالمزيد باستخدام الذكاء الاصطناعي، أصبحت البنية التحتية بسرعة تمثل عنق الزجاجة. بعض الشركات بدأت تنظر إلى الذكاء الاصطناعي اللامركزي بطبيعته. لا يزال بناء النماذج الكبيرة مكلفاً، وحصرياً، وم confined بشكل كبير بالشركات التي تمتلك موارد عميقة أو شراكات استراتيجية في السحابة. إن الاختراق الذي حققته 0G يفتح طريقاً ثالثاً.
هذه ليست مجرد قصة لتوفير التكاليف. إنها قصة عن الخيارات والتحكم.
1. خفض الحواجز للدخول
تقلل نهج DiLoCoX من البنية التحتية بنسبة تصل إلى 95% المطلوبة للمشاركة في سباق LLM.
بالنسبة للشركات الناشئة، يعني هذا القدرة على التجربة والتوسع دون استنزاف رأس المال المغامر على نفقات وحدات معالجة الرسومات.
بالنسبة للمؤسسات المتوسطة الحجم، فإنه يوفر إمكانية تدريب النماذج داخليًا دون الحاجة إلى التزامات كبيرة تجاه السحابة.
بالنسبة للحكومات ومختبرات البحث، فهذا يعني تطوير قدرات الذكاء الاصطناعي بشكل أكثر وصولًا وسيادة.
2. الاستقلال الاستراتيجي عن الحوسبة السحابية الكبيرة
تعتمد معظم تدريبات الذكاء الاصطناعي اليوم على ثلاثة مزودي خدمات سحابية.
هذا التركيز يحمل مخاطر من حيث تصعيد التكاليف، والاحتكار من قبل البائعين، والامتثال. إذا كانت أعمالك تعتمد على الذكاء الاصطناعي ولكنها تعمل أيضًا في قطاع حساس مثل الرعاية الصحية أو الدفاع أو المالية، فإن القدرة على تدريب أو تحسين النماذج بشكل مستقل تصبح رافعة استراتيجية قوية.
توفر الذكاء الاصطناعي اللامركزي مسارًا نحو الاستقلال الرقمي. من خلال كسر الافتراض بأن الذكاء الاصطناعي المتقدم يجب أن يتم تدريبه داخل منصات السحابة المركزية، فإن نموذج 0G يخلق مجالًا جديدًا للمنافسة والابتكار.
3. التوافق مع احتياجات خصوصية البيانات والامتثال
تُظهر العديد من الشركات حذرًا عند رفع البيانات الملكية إلى نماذج أو بيئات تدريب قائمة على السحابة. مع التدريب اللامركزي، يصبح من الممكن إبقاء البيانات محليًا ضمن الاختصاص، ضمن جدار الحماية، أو حتى على أجهزة الحافة مع الاستمرار في المشاركة في تطوير الذكاء الاصطناعي على نطاق واسع. هذا جذاب بشكل خاص في المناطق التي لديها قوانين سيادة بيانات صارمة مثل الاتحاد الأوروبي أو الدول التي تبني أنظمتها البيئية الخاصة بالذكاء الاصطناعي. لا ترى شبكة 0G أي من البيانات الخاصة.
4. تسريع الابتكار في الأسواق المحرومة
لقد أبقى ارتفاع تكلفة الدخول العديد من الدول والصناعات على هامش تطوير الذكاء الاصطناعي المتقدم.
دي لو كوكسي يخفض هذا العتبة.
قد لا تكون لدى جامعة في كينيا، أو مزود اتصالات في جنوب شرق آسيا، أو بنك إقليمي في أمريكا اللاتينية نفس القدرة الحاسوبية مثل وادي السيليكون، ولكن قد يكون لديهم قريباً الأدوات اللازمة لتدريب ونشر أنظمتهم الذكية على البنية التحتية الحالية.
5. المخاطر الجيوسياسية والتنظيمية
بينما الإنجاز الفني مثير للإعجاب، يثير انخراط China Mobile تساؤلات.
مع تصاعد التوترات بين الولايات المتحدة والصين بشأن ريادة التكنولوجيا والأمن القومي، يجب على الشركات أن تزن التدقيق التنظيمي المحتمل، ومخاوف حوكمة البيانات، والمخاطر المتعلقة بالسمعة المرتبطة بالشراكات التي تشمل كيانات مرتبطة بالدولة الصينية.
بالنسبة للشركات التي تتخذ من الولايات المتحدة مقراً لها أو تعمل في الأسواق المتحالفة، فإن أي دمج للبنية التحتية أو الأبحاث المرتبطة بالصين قد يواجه ضوابط تصدير أو قيود قانونية أو ردود فعل سلبية من الجمهور. ستحتاج المنظمات التي تستكشف حلول الذكاء الاصطناعي اللامركزية إلى النظر في الأداء والتكلفة، ولكن أيضاً في التوافق السياسي، وأطر الامتثال، والجدوى على المدى الطويل**.**
ومع ذلك، فإن وجود DiLoCoX على بنية تحتية لامركزية حيث تكون الشبكة موثوقة، لا يمثل هذه مشكلة لأن China Mobile لا ترى بياناتك أبدًا، والنظام لا يعتمد عليهم للحصول على النتائج.
إعادة صياغة نموذج الأعمال للذكاء الاصطناعي
إذا تم اعتماد DiLoCoX على نطاق واسع، فقد يؤدي ذلك إلى خلق تأثيرات متتالية عبر النظام البيئي الأوسع للذكاء الاصطناعي.
قد تواجه نماذج إيرادات السحابة، التي تعززها حاليًا أحمال عمل الذكاء الاصطناعي، ضغطًا جديدًا في التسعير. قد تحتاج منصات الذكاء الاصطناعي كخدمة إلى إعادة هندسة نفسها لدعم التوزيعات الهجينة أو اللامركزية. قد تنمو تأثيرات الأطر مفتوحة المصدر مع تأكيد اللامركزية على قابلية التشغيل البيني والسيطرة المحلية. قد يحتاج بائعو برامج المؤسسات إلى إعادة التفكير في استراتيجيات الذكاء الاصطناعي الخاصة بهم لتعكس مشهد الحوسبة الأكثر توزيعًا.
يتماشى هذا التحول أيضًا مع الاتجاه الأوسع الذي يهدف إلى توفير الذكاء الاصطناعي للجميع. من بناء الوكلاء منخفضي الكود إلى الاستدلال القائم على الحافة، يتحرك الاتجاه نحو تكنولوجيا ذكاء اصطناعي أكثر سهولةً، وقابلة للتعديل، وقابلة للتخصيص. التدريب اللامركزي هو الامتداد الطبيعي لتلك الفلسفة.
إشارة ذكاء صناعي للمديرين التنفيذيين ومديري التكنولوجيا
بالنسبة لقادة الشركات، فإن عمل 0G يعد بمثابة إشارة ليست من الاضطراب الفوري، ولكن من فرصة قريبة في المستقبل. الذكاء الاصطناعي يتطور من بدايته الحرجة.
الآن هو الوقت لإعادة تقييم استراتيجية البنية التحتية. هل يجب على مؤسستك الاستمرار في الاستثمار في استضافة النموذج القائم على السحابة، أم البدء في استكشاف البدائل اللامركزية؟
هل يمكن لمركز البيانات الداخلي الخاص بك أن يعمل كنقطة في نظام تدريب موزع؟ التعلم الفيدرالي اللامركزي هو وسيلة رائعة للاستفادة من البيانات الخاصة من أطراف مختلفة في شبكة، مثل المستشفيات التي تقوم بتدريب نموذج تشخيص السرطان. هل يمكنك الشراكة مع آخرين في قطاعك لتطوير نماذج مشتركة باستخدام بروتوكولات لامركزية؟
حتى إذا كانت الإجابة ليست بنعم اليوم، يجب أن يدفع ظهور أطر مثل DiLoCoX تخطيط بنية الذكاء الاصطناعي أعلى على جدول الأعمال الاستراتيجي. ستقع الشركات التي تستعد لهذه النقلة من خلال بناء القدرة الداخلية، وتقييم الشركاء، وفهم المجموعة التقنية في أفضل وضع للتحرك عندما تميل الاقتصاديات لصالحها.
مستقبل يتم فيه بناء الذكاء الاصطناعي بشكل مختلف
ما أظهرته 0G Labs وChina Mobile هو أكثر من مجرد إثبات تقني للمفهوم. إنها طريقة جديدة للتفكير في كيفية بناء الذكاء وتدريبه وتوزيعه. من خلال إظهار أنه من الممكن تدريب نماذج تحتوي على 100 مليار معلمة دون الحاجة إلى حواسيب فائقة مركزية، فإنهم لا يدفعون حدود الحجم فحسب، بل يقومون أيضًا بتوسيع الوصول.
بالنسبة للأعمال، فهذا يعني أن الذكاء الاصطناعي قد يصبح قريبًا أقل ارتباطًا بمن يملك أكبر مركز بيانات وأكثر ارتباطًا بمن يمكنه بناء أذكى الأنظمة مع أكبر قدر من المرونة.
إنها مستقبل الذكاء الاصطناعي يستحق التحضير له.
شاهد النسخة الأصلية
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.
تدريب الذكاء الاصطناعي يصبح أسرع بمعدل 10 مرات، وأرخص بنسبة 95% مع الاستراتيجية اللامركزية
أعلنت 0G Labs، أول بروتوكول ذكاء اصطناعي لامركزي (AIP)، بالتعاون مع China Mobile، مؤخرًا عن اختراق تقني قد يكون له آثار واسعة على كيفية وصول الشركات ونشر نماذج اللغة الكبيرة. ابتكارهم هو طريقة جديدة لتدريب نماذج الذكاء الاصطناعي الضخمة التي تحتوي على أكثر من 100 مليار معلمة، دون الحاجة إلى الإنترنت فائق السرعة أو البنية التحتية المركزية المكلفة التي تتطلب عادةً.
للوهلة الأولى، قد يبدو أن هذا انتصار لعالم الهندسة.
لكن القصة الحقيقية هي اقتصادية واستراتيجية. ما حققته 0G Labs يمكن أن يخفض تكلفة بناء الذكاء الاصطناعي، ويعيد المزيد من السيطرة إلى أيدي الشركات، ويفتح الباب أمام لاعبين جدد لدخول هذا المجال.
ماذا يعني ذلك لتدريب الذكاء الاصطناعي
لفهم التحول، من المفيد إعادة النظر في كيفية تدريب نماذج الذكاء الاصطناعي واسعة النطاق حاليًا.
نماذج مثل GPT-4 من OpenAI أو Claude من Anthropic تتطلب طاقة حاسوبية واسعة وعرض نطاق ترددي للشبكة. تقليديًا، يعني هذا تدريبها على وحدات معالجة الرسوميات القوية المتصلة عبر مراكز بيانات مركزية عالية السرعة مملوكة أو مستأجرة من شركات مثل Amazon Web Services أو Google Cloud أو Microsoft Azure.
تعكس هذه الأرقام التدريب القائم على السحابة المركزية أو مراكز البيانات الضخمة - مما يتطلب مجموعات ضخمة من وحدات معالجة الرسومات، وشبكات عالية النطاق الترددي، وملايين في تكاليف الأجهزة والموظفين. ساندي كارتر. اعتبارًا من أوائل عام 2025، صرح قادة OpenAI، بما في ذلك سام ألتمان، علنًا أن تكلفة تدريب GPT-4 تجاوزت 100 مليون دولار. يدعم ذلك كل من البيانات الرسمية ونماذج التكلفة المتعددة في تقارير تحليل الذكاء الاصطناعي الأخيرة. إنه نموذج يتطلب رأس المال، والمواهب، والبنية التحتية التي لا يمكن أن تتحملها سوى عدد قليل من المنظمات.
MORE FOR YOU## 0G Labs تتحدى هذا الافتراض لتدريب الذكاء الاصطناعي
إطارهم الجديد المنشور، المسمى DiLoCoX، يقدم طريقة تدريب ذات تواصل منخفض تقلل بشكل كبير من الحاجة إلى اتصال عريض النطاق عالي. من الناحية العملية، قاموا بتدريب نموذج يحتوي على 107 مليار معلمة على شبكة بسرعة 1 جيجابت في الثانية باستخدام تجمعات لامركزية. هذا الرقم القياسي هو تحسين بمقدار 10 مرات عن الرقم القياسي السابق وطفرة في السرعة بمقدار 300 مرة جعلت هذا ممكنًا لأول مرة. هذا يعادل تقريبًا عرض النطاق الترددي لاتصال الإنترنت النموذجي في المكاتب.
بدلاً من بناء كل شيء في مركز حوسبة عملاق واحد، يربط نهجهم بين آلات أصغر موزعة ويقوم بتحسين كيفية مشاركة المعلومات بينها. والنتيجة هي طريقة قابلة للتوسع بكفاءة من حيث التكلفة لتدريب نماذج ضخمة خارج السحابة التقليدية.
بطل الذكاء الاصطناعي اللامركزي من مختبرات 0G. علق المؤسس والرئيس التنفيذي، مايكل هاينريش، على التقدم في تدريب الذكاء الاصطناعي. مختبرات 0G في حديثه مع مؤسس وم CEO مختبرات 0G مايكل هاينريش، قال: "DiLoCoX يمثل خطوة محورية في ديمقراطية تدريب LLM: سد الفجوة بين النماذج الأساسية الضخمة والعناقيد اللامركزية المتصلة بشبكات بطيئة وغير موثوقة. من خلال دمج التوازي في أنابيب المعالجة، وتداخل الاتصالات المقاومة للتأخير، وضغط التدرجات التكيفي، يوفر الإطار نطاقًا وسرعة كان يُعتقد سابقًا أنها حصرية لمراكز البيانات ذات النطاق الترددي العالي. سيؤدي ذلك إلى usher في عصر جديد حيث لم يعد تدريب الذكاء الاصطناعي على نطاق واسع مرتبطًا بالبنية التحتية المركزية."
لماذا يعتبر تدريب الذكاء الاصطناعي مهمًا للأعمال
في وقت يواجه فيه كل مشروع ضغطاً للقيام بالمزيد باستخدام الذكاء الاصطناعي، أصبحت البنية التحتية بسرعة تمثل عنق الزجاجة. بعض الشركات بدأت تنظر إلى الذكاء الاصطناعي اللامركزي بطبيعته. لا يزال بناء النماذج الكبيرة مكلفاً، وحصرياً، وم confined بشكل كبير بالشركات التي تمتلك موارد عميقة أو شراكات استراتيجية في السحابة. إن الاختراق الذي حققته 0G يفتح طريقاً ثالثاً.
هذه ليست مجرد قصة لتوفير التكاليف. إنها قصة عن الخيارات والتحكم.
1. خفض الحواجز للدخول
تقلل نهج DiLoCoX من البنية التحتية بنسبة تصل إلى 95% المطلوبة للمشاركة في سباق LLM.
بالنسبة للشركات الناشئة، يعني هذا القدرة على التجربة والتوسع دون استنزاف رأس المال المغامر على نفقات وحدات معالجة الرسومات.
بالنسبة للمؤسسات المتوسطة الحجم، فإنه يوفر إمكانية تدريب النماذج داخليًا دون الحاجة إلى التزامات كبيرة تجاه السحابة.
بالنسبة للحكومات ومختبرات البحث، فهذا يعني تطوير قدرات الذكاء الاصطناعي بشكل أكثر وصولًا وسيادة.
2. الاستقلال الاستراتيجي عن الحوسبة السحابية الكبيرة
تعتمد معظم تدريبات الذكاء الاصطناعي اليوم على ثلاثة مزودي خدمات سحابية.
هذا التركيز يحمل مخاطر من حيث تصعيد التكاليف، والاحتكار من قبل البائعين، والامتثال. إذا كانت أعمالك تعتمد على الذكاء الاصطناعي ولكنها تعمل أيضًا في قطاع حساس مثل الرعاية الصحية أو الدفاع أو المالية، فإن القدرة على تدريب أو تحسين النماذج بشكل مستقل تصبح رافعة استراتيجية قوية.
توفر الذكاء الاصطناعي اللامركزي مسارًا نحو الاستقلال الرقمي. من خلال كسر الافتراض بأن الذكاء الاصطناعي المتقدم يجب أن يتم تدريبه داخل منصات السحابة المركزية، فإن نموذج 0G يخلق مجالًا جديدًا للمنافسة والابتكار.
3. التوافق مع احتياجات خصوصية البيانات والامتثال
تُظهر العديد من الشركات حذرًا عند رفع البيانات الملكية إلى نماذج أو بيئات تدريب قائمة على السحابة. مع التدريب اللامركزي، يصبح من الممكن إبقاء البيانات محليًا ضمن الاختصاص، ضمن جدار الحماية، أو حتى على أجهزة الحافة مع الاستمرار في المشاركة في تطوير الذكاء الاصطناعي على نطاق واسع. هذا جذاب بشكل خاص في المناطق التي لديها قوانين سيادة بيانات صارمة مثل الاتحاد الأوروبي أو الدول التي تبني أنظمتها البيئية الخاصة بالذكاء الاصطناعي. لا ترى شبكة 0G أي من البيانات الخاصة.
4. تسريع الابتكار في الأسواق المحرومة
لقد أبقى ارتفاع تكلفة الدخول العديد من الدول والصناعات على هامش تطوير الذكاء الاصطناعي المتقدم.
دي لو كوكسي يخفض هذا العتبة.
قد لا تكون لدى جامعة في كينيا، أو مزود اتصالات في جنوب شرق آسيا، أو بنك إقليمي في أمريكا اللاتينية نفس القدرة الحاسوبية مثل وادي السيليكون، ولكن قد يكون لديهم قريباً الأدوات اللازمة لتدريب ونشر أنظمتهم الذكية على البنية التحتية الحالية.
5. المخاطر الجيوسياسية والتنظيمية
بينما الإنجاز الفني مثير للإعجاب، يثير انخراط China Mobile تساؤلات.
مع تصاعد التوترات بين الولايات المتحدة والصين بشأن ريادة التكنولوجيا والأمن القومي، يجب على الشركات أن تزن التدقيق التنظيمي المحتمل، ومخاوف حوكمة البيانات، والمخاطر المتعلقة بالسمعة المرتبطة بالشراكات التي تشمل كيانات مرتبطة بالدولة الصينية.
بالنسبة للشركات التي تتخذ من الولايات المتحدة مقراً لها أو تعمل في الأسواق المتحالفة، فإن أي دمج للبنية التحتية أو الأبحاث المرتبطة بالصين قد يواجه ضوابط تصدير أو قيود قانونية أو ردود فعل سلبية من الجمهور. ستحتاج المنظمات التي تستكشف حلول الذكاء الاصطناعي اللامركزية إلى النظر في الأداء والتكلفة، ولكن أيضاً في التوافق السياسي، وأطر الامتثال، والجدوى على المدى الطويل**.**
ومع ذلك، فإن وجود DiLoCoX على بنية تحتية لامركزية حيث تكون الشبكة موثوقة، لا يمثل هذه مشكلة لأن China Mobile لا ترى بياناتك أبدًا، والنظام لا يعتمد عليهم للحصول على النتائج.
إعادة صياغة نموذج الأعمال للذكاء الاصطناعي
إذا تم اعتماد DiLoCoX على نطاق واسع، فقد يؤدي ذلك إلى خلق تأثيرات متتالية عبر النظام البيئي الأوسع للذكاء الاصطناعي.
قد تواجه نماذج إيرادات السحابة، التي تعززها حاليًا أحمال عمل الذكاء الاصطناعي، ضغطًا جديدًا في التسعير. قد تحتاج منصات الذكاء الاصطناعي كخدمة إلى إعادة هندسة نفسها لدعم التوزيعات الهجينة أو اللامركزية. قد تنمو تأثيرات الأطر مفتوحة المصدر مع تأكيد اللامركزية على قابلية التشغيل البيني والسيطرة المحلية. قد يحتاج بائعو برامج المؤسسات إلى إعادة التفكير في استراتيجيات الذكاء الاصطناعي الخاصة بهم لتعكس مشهد الحوسبة الأكثر توزيعًا.
يتماشى هذا التحول أيضًا مع الاتجاه الأوسع الذي يهدف إلى توفير الذكاء الاصطناعي للجميع. من بناء الوكلاء منخفضي الكود إلى الاستدلال القائم على الحافة، يتحرك الاتجاه نحو تكنولوجيا ذكاء اصطناعي أكثر سهولةً، وقابلة للتعديل، وقابلة للتخصيص. التدريب اللامركزي هو الامتداد الطبيعي لتلك الفلسفة.
إشارة ذكاء صناعي للمديرين التنفيذيين ومديري التكنولوجيا
بالنسبة لقادة الشركات، فإن عمل 0G يعد بمثابة إشارة ليست من الاضطراب الفوري، ولكن من فرصة قريبة في المستقبل. الذكاء الاصطناعي يتطور من بدايته الحرجة.
الآن هو الوقت لإعادة تقييم استراتيجية البنية التحتية. هل يجب على مؤسستك الاستمرار في الاستثمار في استضافة النموذج القائم على السحابة، أم البدء في استكشاف البدائل اللامركزية؟
هل يمكن لمركز البيانات الداخلي الخاص بك أن يعمل كنقطة في نظام تدريب موزع؟ التعلم الفيدرالي اللامركزي هو وسيلة رائعة للاستفادة من البيانات الخاصة من أطراف مختلفة في شبكة، مثل المستشفيات التي تقوم بتدريب نموذج تشخيص السرطان. هل يمكنك الشراكة مع آخرين في قطاعك لتطوير نماذج مشتركة باستخدام بروتوكولات لامركزية؟
حتى إذا كانت الإجابة ليست بنعم اليوم، يجب أن يدفع ظهور أطر مثل DiLoCoX تخطيط بنية الذكاء الاصطناعي أعلى على جدول الأعمال الاستراتيجي. ستقع الشركات التي تستعد لهذه النقلة من خلال بناء القدرة الداخلية، وتقييم الشركاء، وفهم المجموعة التقنية في أفضل وضع للتحرك عندما تميل الاقتصاديات لصالحها.
مستقبل يتم فيه بناء الذكاء الاصطناعي بشكل مختلف
ما أظهرته 0G Labs وChina Mobile هو أكثر من مجرد إثبات تقني للمفهوم. إنها طريقة جديدة للتفكير في كيفية بناء الذكاء وتدريبه وتوزيعه. من خلال إظهار أنه من الممكن تدريب نماذج تحتوي على 100 مليار معلمة دون الحاجة إلى حواسيب فائقة مركزية، فإنهم لا يدفعون حدود الحجم فحسب، بل يقومون أيضًا بتوسيع الوصول.
بالنسبة للأعمال، فهذا يعني أن الذكاء الاصطناعي قد يصبح قريبًا أقل ارتباطًا بمن يملك أكبر مركز بيانات وأكثر ارتباطًا بمن يمكنه بناء أذكى الأنظمة مع أكبر قدر من المرونة.
إنها مستقبل الذكاء الاصطناعي يستحق التحضير له.