هوش مصنوعی مشکل حق چاپ دارد - آیا شبکه های غیرمتمرکز راه حلی دارند؟

هوش مصنوعی مشکل حق چاپ دارد – آیا شبکه های غیرمتمرکز راه حلی دارند؟

به گزارش زوم ارز، هوش مصنوعی مثل یک کودک زودرس عمل می‌کند. آن از محیط اطراف خود یاد می‌گیرد، اطلاعات را جذب می‌کند، آنها را پردازش می‌کند و سعی می‌کند مفهوم آنها را درک کند. بچه‌ها از طریق منابع مختلفی مانند کتب، تصاویر، صداها، برنامه‌های تلویزیونی، اینترنت و حتی هوش مصنوعی، آموزش می‌بینند. همچون یک نوزاد، هوش مصنوعی تشنه‌ی دانش است و می‌تواند به سرعت و با تعجب زیادی یاد بگیرد.

شاید دنبال کردن این تحلیل ها برای شما مفید باشد:

هر چند که بچه‌ها آزاد هستند و می‌توانند از هر چیزی جزئیات و ایده‌ها را جذب کنند، اما هوش مصنوعی این امکان را ندارد یا بهتر است نداشته باشد. در تئوری، هوش مصنوعی باید فقط با داده‌های اشتباه شده آموزش ببیند، اما در عمل، داده‌های قرار گرفته در اختیار آن اغلب غیرقانونی است. به عنوان مثال، چند نمونه از نقض حقوق مالکیت فکری نشان می‌دهد که هوش مصنوعی عادت به این دارد که تمرینات دیگران را کپی کرده و سپس آن‌ها را به عنوان کارآیی خود ارائه دهد.

مقایسه قیمت صرافی های ارز دیجیتال در زوم ارز

با توجه به اینکه هوش مصنوعی‌ها به سرعت گسترش می‌یابند و نیازمند داده‌های زیادی برای عملکرد بهینه‌شان هستند، این مسئله یک چالش جدی به حساب می‌آید. از یک سو، ما خواستار زندگی در یک جهان با نوآوری‌های بی‌پایان هوش مصنوعی هستیم و همه از پیشرفت‌های فناوری بی‌نظیری که از آغاز اینترنت آغاز شده تا حداکثر استفاده کنند. اما در عین حال، منصفانه است که ارائه‌دهندگان محتوا و صاحبان حقوق باید به عنوان جبران هزینه‌های خود دریافت کنند – بدون توجه به اینکه تغییرکاری این اطلاعات توسط انسان یا ماشین صورت گرفته باشد.

شبکه‌های غیرمتمرکز، که بر اساس اصول اصلی وب۳ شفافیت و دسترسی آزاد ساخته شده‌اند، امکان می‌دهند راه‌حلی عادلانه‌تر برای داده‌های آموزشی هوش مصنوعی ارائه شود که همه شرکت‌کنندگان از آن بهره‌مند شوند. آیا این وعده می‌تواند اجرا شود و صنعت هوش مصنوعی را به سمتی عادلانه‌تر و خاتمه‌یافته‌تر هدایت کند که در آن ادعاهای حق نسخه‌برداری به پایان می‌رسد؟

هوش مصنوعی متمرکز نمی تواند کپی را متوقف کند

هسته اصلی مورد بحث در اینجا این است که چگونه مدل‌های هوش مصنوعی دانش خود را اکتساب می‌کنند. اکثر مدل‌های بزرگ معمولاً بر روی مجموعه داده‌های آسیب‌پذیری از اینترنت آموزش داده می‌شوند، بی‌اجازه و صریح از سازندگان. اگرچه شرکت‌های هوش مصنوعی ادعا می‌کنند که این روند استحقاقی و منصفانه است، اما بسیاری از ناشران، هنرمندان و نویسندگان این موضوع را رد می‌کنند و این امر منجر به انجام اقدامات قانونی و پیشرفت اعتراض‌های عمومی شده است.

مشکلات مرتبط با نقض حقوق نسخه برداری معمولاً به مسائل کنترلی نیز مربوط می‌شود. زمانی که یک تعداد محدود از شرکت‌ها قوانین استفاده از داده‌ها و بهره‌برداری از مدل‌های آموزش‌دیده بر اساس این داده‌ها را تعیین می‌کنند، سیستم به طور طبیعی از پاسخگویی کاسته می‌شود. علاوه بر این، توسل به روش‌های محدود برای ردیابی، مدیریت یا دریافت پاداش برای بهره‌برداری از دارایی‌های معنوی شان، نیز توسط سازندگان کمتر دنبال می‌شود.

ظهور ChatGPT و مدل‌های مولد مشابه در ابتدا به عنوان یک پیروزی قاطع برای هوش مصنوعی به نظر می‌رسید، اما با ظهور موضوع “استفاده منصفانه”، این دیدگاه تغییر کرد. ناشران و هنرمندان از سراسر جهان اتهاماتی را علیه آزمایشگاه‌های غول‌پیکر هوش مصنوعی مطرح کردند؛ زیرا بدون اجازه صریح، مدل‌های مولد بر روی آثار دارای حق چاپ آموزش داده می‌شوند. این بحث از یک زمزمه معمولی به یک گفتگوی جهانی درباره اینکه کدام فرد یا سازمان مالک داده‌های پشت هوش مصنوعی در آینده خواهد بود، تبدیل شده است.

به نظر می‌رسد داده‌های آموزشی ChatGPT شامل محتوای دارای حق نسخه‌برداری می‌باشد که شامل کتب و مقالات روزنامه‌نگاری می‌شود. ادعای این شرکت درباره استفاده منصفانه از این داده‌ها، توسط منتقدان به چالش کشیده شده است و آن‌ها متقاعد نشده‌اند. در صورتی که برای تولید هوش مصنوعی، به آزمایشگاه‌های بزرگ تکیه کنیم و عملیات آنها به صورت مبهم باقی‌بماند، آیا واقعاً می‌توانیم اطمینان داشت که حقوق سازندگان رعایت شده است؟

در حالی که تنظیمات مرسوم برای کمیته‌های اخلاق داخلی آزمایشگاه هوش مصنوعی یا قراردادهای مجوز، برای تعیین اینکه چه داده‌هایی می‌توانند استفاده شوند یا نمی‌توانند مورد استفاده قرار گیرند، صادق نیست. هوش مصنوعی غیرمتمرکز، چارچوب شفاف‌تری را پیشنهاد می‌دهد. در این چارچوب، شبکه‌های مشارکت‌کنندگان، اپراتورهای گره و «هاب‌های هوش مصنوعی»، به طور جمعی در مورد دریافت داده، معماری مدل و حقوق استفاده تصمیم‌گیری می‌کنند. به عبارت دیگر، هیچ نهاد واحدی وجود ندارد که مشخص کند کدام آثار دارای حق چاپ بازی منصفانه هستند. اما چگونگی اجرای این چشم‌انداز در عمل چگونه است؟

هوش مصنوعی غیرمتمرکز در عمل

برخلاف مدل‌های متمرکز، که در آن فرآیند جمع‌آوری داده و آموزش مدل توسط یک نهاد مرکزی کنترل می‌شود، در هوش مصنوعی غیرمتمرکز این مسئولیت‌ها به صورت توزیع شده در سراسر شبکه قرار دارد. این سیستم اجازه می‌دهد تا منابع داده به شفافیت مدیریت شوند و به سازندگان این فرصت را می‌دهد که از کار خود برای آموزش مدل‌ها استفاده کنند.

با استفاده از قراردادهای هوشمند و توکن‌سازی، سیستم‌های غیرمتمرکز قادرند به شکلی مطمئن اطمینان حاصل کنند که تمامی شرکت‌کنندگان به صورت منطقی و عادلانه پاداش دریافت می‌کنند. علاوه بر این، این رویکرد امکان فراهم کردن یک سنداکتاوی منتقل‌ناپذیر را فراهم می‌کند و قابلیت اعلام‌کردن اینکه آیا داده‌ها با پیشرفت‌ها و مقررات قانونی و اخلاقی تطابق دارند یا خیر، را فراهم می‌سازد.

SingularityNET، به عنوان یک انکوباتور برای خدمات هوش مصنوعی شناخته می‌شود که نشان می دهد چگونه مرکز‌بندی بیش‌انگیزانه (توجه) می‌تواند فرآیند توسعه هوش مصنوعی را به یک مسیر دموکراتیک تبدیل کند. این پلتفرم به توسعه دهندگان امکان می‌دهد تا به ابزارهای هوش مصنوعی دسترسی پیدا کنند و در عین حال از این نکته اطمینان حاصل شود که مشارکت کنندگان به طور عادلانه پاداش دریافت می‌کنند. بیشتر از این، SingularityNET بر بازارهایی نظارت می‌کند که در برگیرنده حوزه‌های مختلفی مانند DeFi، Robotics، Biotech و Longevity، بازی و رسانه، هنر و سرگرمی (موسیقی)، و هوش مصنوعی در سطح سازمانی است.

یک فعال کلیدی در این ابتکار ابر هوش مصنوعی (ASI)، متمرکز بر مدل‌های خاص هوش مصنوعی دامنه است. این مدل‌ها، که برای صنایعی مانند رباتیک یا مراقبت‌های بهداشتی طراحی شده‌اند، از مجموعه داده‌های انتخاب‌شده خود استفاده می‌کنند تا بتوانند رضایت و انطباق را با دقت مدیریت کنند. راهبرد اولیه ASI شامل مدیریت شفاف داده‌ها و حاکمیت بر مدل است، به طوری که هر هوش مصنوعی دامنه خاص، یک منبع قابل ردیابی برای داده‌های آموزشی خود داشته باشد.

ASI بر تأکید ویژگی دامنه تکیه می‌کند، به خصوص برای پیمایش پیچیدگی‌های حق چاپ، مناسب است. این سیستم با تمرکز بر داده‌های هدفمند برای برنامه‌های کاربردی خاص، تأکید دارد تا استحکام مورد نیاز برای هوش مصنوعی با کارایی بالا را حفظ کند و از مشکلات خراشیدن در مقیاس بزرگ جلوگیری کند. این رویکرد به هدف گسترده‌تر هوش مصنوعی غیرمتمرکز هماهنگ شده است، به منظور اطمینان از اینکه تمامی سهامداران – اعم از سازندگان، کاربران و توسعه‌دهندگان – بهره‌وری از مزایای رشد صنعت را تجربه کنند.

توسعه دهندگان SingularityNET و ASI به گونه‌ای طراحی شده‌اند که فرآیند تصمیم‌گیری مرتبط با استفاده از داده و تنظیم مدل، به جای وابسته بودن به یک نهاد شرکتی واحد، در اختیار یک مجموعه توزیع شده قرار دارد. این نگرش را می‌توان به عنوان یک جهان‌بینی استراتژیک دید که از شعار “به ما اعتماد کنید، ما آن را کشف خواهیم کرد” به “بیایید با هم آن را به شکل عمومی کشف کنیم” تغییر می‌دهد.

چرا هوش مصنوعی غیرمتمرکز مهم است

شبکه‌های غیرمتمرکز با توزیع فرآیند آموزش و اعتبارسنجی در میان مشارکت‌کنندگان متعدد، می‌توانند کنترل‌ها و تعادل‌های شفاف و مبتنی بر جامعه را روی داده‌ها اعمال کنند. هر بخش از محتوا قابل ردیابی، تأیید و حتی حذف در صورت بروز نگرانی است. صاحبان مالکیت فکری امکان انتخاب یا حذف را دارند و اپراتورهای گره می‌توانند قوانین مبتنی بر اجماع را به اجرا درآورند. این موضوع ممکن است پیچیدگی را کاملاً برطرف نکند – زیرا قوانین حق تکثیر همچنان پیچیده هستند – اما شفافیت را در محیط اصلی شبکه وارد می‌کند.

این تلاش برای توسعه هوش مصنوعی غیرمتمرکز برای رفع مسائلی که فراتر از مسائل حق نسخه‌برداری است، شتاب می‌دهد. این روند شامل کل دوره زندگی یک سیستم هوش مصنوعی از جمع‌آوری داده‌ها تا مدیریت زنجیره می‌شود. اصل مهم این تلاش این است که منشأ هر داده مورد استفاده برای آموزش مدل‌ها قابل ردیابی باشد، تا بتوان موافقت‌نامه‌های مجوز منصفانه یا جبران خسارت مناسب را فراهم کرد. به عبارت دیگر، در صورتی که جامعه تصمیم بگیرد که داده‌ها بی‌حدودند، هیچ کس نتواند پشت پرده استفاده نامنصفانه از آنها پنهان شود.

در شرایطی که هوای حقوقی از عدم قطعیت و فاشیسم افشاگران فناوری بزرگ پر است، ممکن است حوزه‌ای غیرمتمرکز مانند هوش مصنوعی به عنوان یک راه حل موثر مورد استفاده قرار گیرد. اگر بخواهیم صنایع بدون تضاد وارداتی یا تاثیرات منفی بر جوامع خلاق به نوآوری ادامه دهند، لازم است یک مسیر جدید و آزادتر را ایجاد کنیم. تامین نیازهای هوش مصنوعی در آینده نباید به معنای محدود در دام حق چاپ شود، بلکه می‌توان از بهترین فناوری‌های تصمیم‌گیری توزیع‌شده و وب آینده‌ای عادلانه‌تر و گسترده‌تر را برای سازندگان، توسعه‌دهندگان و کاربران هوش مصنوعی به ارمغان آورد.

با بازگرداندن کنترل به دست سازندگان و جوامع، امکان وجود یک هوش مصنوعی غیرمتمرکز به وجود آمده است که می‌تواند زمینه را برای دوباره تعریف کردن تفکر ما درباره مفهوم مالکیت و داده‌ها در دوران هوش مصنوعی فراهم نماید.

منبع: financemagnates.com

بیشتر بخوانید:

هوش مصنوعی مشکل حق چاپ دارد – آیا شبکه های غیرمتمرکز راه حلی دارند؟