إخلاء المسؤولية: الآراء الواردة هنا تعبر عن رأي الكاتب فقط ولا تمثل وجهات نظر وآراء تحرير موقع crypto.news.
في الاقتصاد الرقمي اليوم، تستحوذ عدد قليل من الشركات التقنية العملاقة على سيطرة غير مسبوقة على أهم المصادر في العصر الحديث: البيانات التي ينتجها المستخدمون. شركات مثل جوجل وميتا وأمازون قامت ببناء إمبراطوريات بيانات ضخمة من خلال جمع وتخزين واستثمار المعلومات الشخصية لمليارات المستخدمين. هذا المركزية في البيانات تعيق المنافسة وتحد من الابتكار وتخلق تقسيمات بيانات حيث يقتصر الوصول على القليل.
تحديات المركزية: كيف تغير DePINs المشهد
بينما نجح مفهوم الشبكات اللامركزية للبنية التحتية المادية، والمعروفة اختصارًا بـ DePINs، في تحفيز المستخدمين على المشاركة في البنية التحتية اللامركزية، تظل البيانات واحدة من الشرائح الأقل خدمة. هنا يأتي الدور الجديد لشبكات تنسيق البيانات (DCNs). تقدم DCNs، التي تلك الشبكات اللامركزية التي تلتقط وتنسق البيانات مباشرة من المستخدمين، حلاً رائدًا لتحريرنا من هذه التقسيمات المتحكمة بالبيانات.
تمثل DCNs فرصة جيدة للسوق الآخذ في النمو للذكاء الاصطناعي. الذكاء الاصطناعي يتطلب مجموعات بيانات ذات جودة عالية وفريدة لتعمل بشكل مثالي. تعتبر مجموعات البيانات الكبيرة ضرورية لتدريب النماذج وتحسين الأنظمة وتغذية الجيل التالي من التطبيقات. يمكن لـ DCNs أيضًا معالجة المخاوف التنظيمية بشأن تحيز الذكاء الاصطناعي من خلال إنشاء مجموعات بيانات متنوعة ومفتوحة.
لامركزية جمع البيانات للذكاء الاصطناعي من خلال DCNs
وصلت القيمة السوقية لشبكة DePINs إلى أكثر من 50 مليار دولار، ومن المتوقع أن تصل إلى 3.5 تريليون دولار بحلول عام 2028. يعكس هذا إمكانات الشبكات اللامركزية في إعادة حقوق ملكية البيانات إلى المستخدمين، مما يسمح لهم بالاستفادة من مساهماتهم. تقدم DePINs حلاً تحويليًا بنقل جمع البيانات بعيدًا عن العمالقة المؤسساتية ووضعه في أيدي الأفراد.
مع تطور تكنولوجيا الذكاء الاصطناعي، ستزداد الحاجة إلى البيانات المتنوعة وذات الجودة العالية. لا تستطيع الشركات المركزية التقاط النطاق الكامل للبيانات اللازمة للعديد من استخدامات الذكاء الاصطناعي. على عكس مجموعات البيانات الخاضعة لسيطرة الشركات، والتي غالبًا ما تكون متحيزة بقاعدة مستخدمي النظام الأساسي أو محدودة بمدى الشركة، قادرة على استقطاب البيانات من مجموعة واسعة من المصادر، ما يؤدي إلى مجموعات بيانات أكثر شمولاً وتنوعًا، وهو الخطر الحاسم لبناء نماذج ذكاء اصطناعي متفوقة وشاملة وفتح إمكانات جديدة.
تحفيز الابتكار في الذكاء الاصطناعي مع مكافأة المستخدمين
يجب أن ترتكز نماذج الذكاء الاصطناعي المطورة لاحتياجات البشر على البيانات التي ينتجها البشر كمصدر حقيقي لتدريب النماذج. مع تزويد المزيد من أجهزة IoT والأجهزة القابلة للارتداء بقدرات الحوسبة ورقائق الذكاء الاصطناعي، ومع مليارات الأجهزة المتصلة مثل الهواتف الذكية، يمكن لشبكات DCNs المضاعفة الاستفادة بشكل هائل من خلال زيادة مدى وصولها وقدرتها، مما يضخم تكثيف تقنيات جمع البيانات وتحسينها.
بدلاً من مطالبة المستخدمين بالاستثمار في أجهزة جديدة، تستفيد DCNs الرخيصة من الأجهزة التي تشكل بالفعل جزءًا من حياة الناس اليومية، مثل الهواتف الذكية وأجهزة الكمبيوتر المحمولة. هذا يقلل بشكل كبير العقبات التي غالباً ما تأتي مع تصنيع وتوزيع الأجهزة، ويبسّط من عملية المشاركة، ويتيح لمشاركة المستخدمين بسلاسة بدون أي تكلفة أولية تُذكر. في هذا السياق الجديد، أن المستخدمين هم المستفيدون الحقيقيون. يحصلون على السيطرة على بياناتهم، ويتمتعون بالمكافآت المالية لمساهمتهم في الشبكات اللامركزية، ويستفيدون من الابتكارات المدفوعة بالذكاء الاصطناعي التي تتمكن هذه الشبكات من تحقيقها.
الأسئلة المتكررة
- ما هي DCNs؟
هي شبكات لامركزية تلتقط وتنسق البيانات مباشرة من المستخدمين، مما يساعد في تجنب تقسيمات البيانات الموجودة في الشركات الكبيرة.
- كيف يمكن لـ DePINs مساعدة الذكاء الاصطناعي؟
تقوم بتوفير مجموعات بيانات متنوعة وشاملة ضرورية لتحسين نماذج الذكاء الاصطناعي وتدريبها.
- كيف يستفيد المستخدمون من DCNs وDePINs؟
يحصل المستخدمون على حقوق ملكية بياناتهم، بالإضافة إلى مكافآت مالية لمساهمتهم في الشبكات اللامركزية، ومشاركة في الابتكارات المدفوعة بالذكاء الاصطناعي.
ساهم في كتابة هذا المقال علي رضا غود و تومي إيستمان. علي رضا غود هو الرئيس التنفيذي والمؤسس المشارك لـ NATIX. حصل على دكتوراه في الاستمكانيات الجغرافية وعمل كمهندس أبحاث وتطوير في سوق البيانات الجغرافية وقيادة المركبات الذاتية وإنشاء الخرائط الديناميكية المحلية. سابقًا، قاد عمليات إنترنت الأشياء وبلوكتشين في أوروبا لشركة PWC. تومي إيستمان، وهو مسؤول بحثي في شركة Plaintext Capital، حيث قام بقيادة جهود الذكاء الاصطناعي اللامركزية وDePIN لمدة عامين كمهندس برمجيات. سابقًا، عمل في L3Harris، المقاول الدفاعي، حيث طور فهمًا أساسيًا للذكاء الاصطناعي وحلولًا في العالم الحقيقي باستخدام التعلم الآلي للكشف عن الأهداف.
