کریپتو می‌تواند به عنوان یک لایه هماهنگی برای هوش مصنوعی عمل کند.

به گزارش زوم ارز، در طی ۱۲ ماه گذشته، تحولات در حوزه هوش مصنوعی مولد تأثیر قابل توجهی بر زندگی و کار افراد داشته است. مدل‌های زبانی به منظور توسعه استراتژی‌های حقوقی در پرونده‌های قضایی استفاده می‌شوند. همچنین، مدل‌های انتشار تصویر در جریان کار استودیوهای سرگرمی بزرگ به کار می‌روند و پیشرفت‌های بینایی رایانه باعث حضور خودروهای خودران در جاده‌ها به صورت گسترده‌تر شده است.

مشکل اصلی در مقیاس‌بندی این سیستم‌ها به دسترسی منابع محاسباتی مربوط می‌شود. طولانی بودن زمان انتظار و افزایش قیمت ساعتی برای استفاده از تراشه‌های A100 و H100 انویدیا در طول سال ۲۰۲۳ نشان دهنده یک روند صعودی بوده است و ظرفیت تولید تراشه‌ها نمی‌تواند به راحتی با تقاضا هماهنگ شود. کمبود مداوم کارت‌های گرافیک ناشی از محدودیت‌های مواد اولیه، اختلال در زنجیره تأمین، افزایش تقاضا و تنش‌های ژئوپلیتیکی ایجاد شده است. همچنین، دوره‌های طولانی تولید در صنعت پردازنده‌های گرافیکی نیز وجود دارد. علاوه بر این، مواد کلیدی مورد استفاده در تراشه‌های GPU مانند سیلیکون پیشرفته و بسترهای تخصصی برای PCBها و تراشه‌های حافظه نیز با کمبود مواجه هستند.

در سال ۲۰۲۳، درآمدهای مرتبط با بار کاری هوش مصنوعی در مراکز داده تقریباً ۱۰۰ میلیارد دلار بوده است. برای راه اندازی و بهره‌برداری از مراکز داده جدید، نیاز به سرمایه اولیه زمین، برق و سازمانی وجود دارد. اما تأمین مالی مراکز داده جدید از سرمایه خارجی وابسته است و نرخ‌های سرمایه‌گذاری بسیار بالا و منابع محدود است. مدل‌های هوش مصنوعی در ابعاد و پیچیدگی در حال افزایش هستند و هر ۳۰ ماه قیمت هر واحد عملکرد محاسباتی به نصف می‌شود، اما نیازهای محاسباتی هوش مصنوعی هر ۶ مماه دو برابر می‌شود. این نیاز بالا به تجدید نظر در معماری سیستم‌ها و استفاده از ماشین‌های مجازی و سرویس‌های ابری منجر شده است.

در طی سال ۲۰۲۳، حوزه هوش مصنوعی مولد نیز شاهد پیشرفت‌های قابل توجهی بوده است. مدل‌های زبانی مانند GPT-3 ، GPT-4 و مدل‌های بصری مانند CLIP و DALL-E توانایی‌های برتری در تولید متن و تفسیر تصاویر را به ارمغان آورده‌اند. با این حال، هنوز چالش‌هایی وجود دارد که باعث محدودیت‌هایی در استفاده از این مدل‌ها می‌شوند. به طور مثال، این مدل‌ها به تعداد زیادی داده آموزشی نیاز دارند و فرآیند آموزش آن‌ها زمان‌بر و پرمصرف است. همچنین، قضاوت اخلاقی و تأثیرات اجتماعی این مدل‌ها نیز هنوز مورد بحث و بررسی قرار می‌گیرد.

در حال حاضر، پیشرفت‌هایی در راستای توسعه مدل‌های هوش مصنوعی کوانتومی نیز صورت گرفته است. این مدل‌ها با استفاده از قابلیت‌های کوانتومی مانند ابرتابع و توزیع کوانتومی، قادر به انجام محاسبات پیچیده‌تر و سریعتر هستند. با این حال، هنوز در مراحل اولیه توسعه و پژوهش قرار دارند و نیاز به کارهای بیشتری برای بهینه‌سازی و کاربرد عملی دارند.

بنابراین، در طی ۱۲ ماه گذشته، تحولات قابل توجهی در حوزه هوش مصنوعی مولد رخ داده است، اما هنوز چالش‌های بسیاری وجود دارد که نیازمند پژوهش و توسعه بیشتری هستند.

به عنوان مثال، در حال حاضر GPU RTX 3090 به عنوان یک GPU مصرف‌کننده، قادر به ارائه ۸۳ FP32 TFLOPS است. در مقابل، GPU A100 درجه سازمانی فقط ۱۹.۵ FP32 TFLOPS ارائه می‌دهد. در حال حاضر، بیش از ۳۳۰ میلیون پردازنده گرافیکی درجه یک مصرف‌کننده در رایانه‌های شخصی (مانند گیمرها، طراحان، ویرایشگرهای ویدیو و غیره) و مراکز داده وجود دارد که می‌توانند به صورت آنلاین قابل دسترسی باشند. اما یکی از مشکلاتی که تا به حال وجود داشته است، عدم توانایی در ایجاد انگیزه یا هماهنگی بین این GPUهای مختلف در کلاسترهای قابل استفاده بوده است.

اما اخیراً، شبکه‌های DePIN همچنین معتبر برای هوش مصنوعی، مانند Render Network و IO.net، این مشکل را حل کرده‌اند. ابتدا، آنها به اپراتورهای GPU انگیزه‌هایی می‌دهند تا منابع خود را در یک شبکه اشتراکی به اشتراک بگذارند. با ارائه پاداش دوم، آنها در حال ایجاد یک لایه شبکه غیرمتمرکز هستند که GPUهای مختلف را به عنوان خوشه‌هایی که توسعه‌دهندگان هوش مصنوعی می‌توانند استفاده کنند، نشان می‌دهد. این بازارهای غیرمتمرکز محاسباتی اکنون صدها هزار منبع محاسباتی با انواع مختلف ارائه می‌دهند و راه جدیدی برای توزیع بارهای کاری هوش مصنوعی در میان گروهی از سخت‌افزارهای قابل دسترس که قبلاً در دسترس نبوده اند، ایجاد می‌کنند.

علاوه بر ایجاد عرضه خالص GPU جدید، شبکه‌های DePIN اغلب به طور قابل توجهی ارزان تر هستند – تا ۹۰٪ ارزان‌تر – نسبت به ارائه‌دهندگان ابر سنتی. آنها این هزینه‌ها را با برون‌سپاری هماهنگی GPU و سربار به زنجیره بلوکی به دست می‌آورند. ارائه‌دهندگان ابری هزینه‌های زیرساخت را نشانه‌گذاری می‌کنند، زیرا هزینه‌های کارکنان، نگهداری سخت‌افزار و سربار مرکز داده را دارند. اما شبکه‌DePIN ها هیچ یک از این هزینه ها را ندارند، بنابراین می توانند هزینه ها را با هزینه های ناچیز هماهنگی شبکه به مشتریان نهایی منتقل کنند.

با نگاه به آینده، انتظار می رود شبکه های غیرمتمرکز مانند DePIN ها به عنوان یکی از بازیگران اصلی در حوزه هوش مصنوعی ظاهر شوند. در حال حاضر، GPU های کافی (از نظر هزینه) برای پاسخگویی به تقاضای شرکت های بزرگ در سراسر جهان وجود ندارد.

GPU ها به عنوان واحد پول هوش مصنوعی عمل می کنند و DePIN ها برای ارائه آنها در دسترس هستند.

منبع: coindesk.com