مدير شبكة ريندر: شبكات البنى التحتية اللامركزية (DePIN) قد تحل أزمات الاختناقات في الذكاء الاصطناعي

مع تطور الذكاء الاصطناعي، تصل البنية التحتية اللازمة لتشغيله إلى حدودها القصوى. هذه الحدود قد تفتح الباب أمام شبكات البنية التحتية المادية اللامركزية (DePIN).

ما هي شبكات DePIN؟

ببساطة، تسمح شبكات DePIN للأشخاص حول العالم بمشاركة موارد البنية التحتية الحقيقية، مثل وحدات معالجة الرسومات (GPU)، مقابل مكافآت. هذا النظام يقلل الاعتماد على الشركات المركزية الكبيرة.

مثال واقعي: شبكة ريندر Render Network

شبكة ريندر هي منصة لامركزية لتقديم خدمات معالجة الرسومات. تهدف إلى جعل عملية الإبداع الرقمي متاحة للجميع وتحرير المبدعين من سيطرة الكيانات المركزية.

التحدي: نقص وحدات معالجة الرسومات GPU

يواجه العالم نقصاً حاداً في وحدات معالجة الرسومات عالية الأداء. حتى الشركات الكبرى، مثل شركة OpenAI المطورة لتطبيق Sora لتوليد الفيديو، اضطرت لتقييد استخدام خدماتها بسبب هذا النقص.

هذا يطرح سؤالاً مهماً: هل يمكن للنماذج اللامركزية أن تتغلب على مراكز البيانات المركزية؟

الحل: التعاون وليس الاستبدال

الإجابة هي لا. لا تهدف الشبكات اللامركزية إلى استبدال المراكز التقليدية، بل إلى استكمالها. فمراكز البيانات المركزية تبقى حيوية لتدريب نماذج الذكاء الاصطناعي الكبيرة.

لكن التدريب يشكل جزءاً صغيراً من العمل. الجزء الأكبر (قرابة 80%) هو “الاستدلال”، أي تشغيل النماذج المدربة بالفعل.

هنا تكمن فرصة الشبكات اللامركزية. فمع تحسين كفاءة النماذج، يمكن تشغيلها على أجهزة أبسط. بدلاً من الاعتماد فقط على مراكز البيانات باهظة الثمن، يمكن توزيع أحمال العمل على وحدات معالجة الرسومات الخاملة في جميع أنحاء العالم، مما يخفض التكلفة ويوسع الإمكانيات.

مستقبل البنية التحتية للذكاء الاصطناعي

المستقبل لا ينتمي للشبكات المركزية أو اللامركزية وحدها. الحل الأمثل هو استخدام مرن لكليهما لتلبية الطلب المتزايد والهائل على قوة الحوسبة في عالم الذكاء الاصطناعي.

الأسئلة الشائعة

• ما هي شبكات DePIN؟
  شبكات تسمح للأفراد بمشاركة مواردهم المادية (مثل كروت الشاشة) عبر الإنترنت، مقابل مكافآت، لتشكيل بنية تحتية لامركزية.
• هل ستحل الشبكات اللامركزية محل مراكز البيانات التقليدية؟
  لا، الهدف هو التعاون. المراكز التقليدية تظل الأفضل للتدريب، بينما الشبكات اللامركزية مثالية لتشغيل النماذج بكفاءة وتكلفة أقل.
• ما فائدة ذلك لمستقبل الذكاء الاصطناعي؟
  تساعد في حل أزمة نقص معالجات الرسومات GPU، وتخفض التكاليف، وتسريع وتيرة الابتكار من خلال الاستفادة من الموارد الخاملة عالمياً.