DeAI یا هوش مصنوعی غیرمتمرکز؛ چرا دیتافکتوری‌های زنجیره‌ای بیشترین سود را می‌سازند؟

هوش مصنوعی بدون داده نمی‌تواند رشد کند؛ اما چه کسی داده‌های موردنیاز نسل بعدی مدل‌های هوش مصنوعی را تولید می‌کند و سهم مشارکت‌کنندگان در این اقتصاد چقدر است؟ دیتافکتوری‌های غیرمتمرکز با استفاده از فناوری بلاک چین و مشارکت کاربران، به دنبال تغییر شیوه جمع‌آوری، پردازش و ارزش‌گذاری داده‌ها هستند. این حوزه در حال شکل‌گیری در نقطه تلاقی هوش مصنوعی و بلاک چین است و حتی توجه برخی سرمایه‌گذاران بزرگ را به خود جلب کرده است.

اما دیتافکتوری غیرمتمرکز چیست، چگونه کار می‌کند و آیا واقعا می‌تواند به یکی از زیرساخت‌های مهم هوش مصنوعی تبدیل شود؟ در این مقاله، سازوکار دیتافکتوری‌های دی‌اِی‌آی (DeAI)، روش‌های کسب درآمد، پروژه‌های مطرح، فرصت‌های سرمایه‌گذاری و ریسک‌های این حوزه را بررسی می‌کنیم.

DeAI یا هوش مصنوعی غیرمتمرکز چیست؟

هوش مصنوعی غیرمتمرکز یا DeAI نسل جدیدی از AI است که به‌جای تکیه کامل بر یک شرکت، سرور یا زیرساخت مرکزی، از شبکه‌ای توزیع‌شده از کاربران، نودها و زیرساخت‌های بلاک چینی استفاده می‌کند. در این مدل، کنترل و مالکیت بخش‌های مختلف اکوسیستم می‌تواند میان مشارکت‌کنندگان تقسیم شود و وابستگی به نهادهای مرکزی کاهش یابد. DeAI تنها به متن‌باز بودن مدل‌ها محدود نیست و می‌تواند بخش‌هایی مانند توان محاسباتی، داده، مدل و اپلیکیشن را نیز دربر بگیرد.

در لایه محاسبات، پردازش‌های هوش مصنوعی می‌توانند میان مجموعه‌ای از دستگاه‌ها و نودهای شبکه توزیع شوند. در لایه داده نیز فناوری‌های غیرمتمرکز و رمزنگاری می‌توانند برای مدیریت و اشتراک‌گذاری داده‌ها مورد استفاده قرار گیرند. همچنین در لایه مدل، فناوری بلاک چین می‌تواند امکان ثبت و ردیابی برخی تغییرات و فعالیت‌های مرتبط با مدل‌ها را فراهم کند. این ساختار علاوه بر کاهش وابستگی به زیرساخت‌های متمرکز، می‌تواند امکان مشارکت مستقیم‌تر کاربران در تأمین داده، توان پردازشی یا خدمات موردنیاز شبکه و دریافت پاداش در ازای آن را فراهم کند.

به همین دلیل، DeAI فقط یک تغییر فنی در معماری هوش مصنوعی نیست و می‌تواند مدل اقتصادی و حاکمیتی متفاوتی برای توسعه AI ایجاد کند. اگر هوش مصنوعی سنتی را به یک فروشگاه بزرگ با یک مالک تشبیه کنیم، DeAI بیشتر شبیه بازاری است که در آن مشارکت‌کنندگان مختلف منابع و خدمات خود را ارائه می‌کنند و بر اساس سازوکار هر شبکه، در ارزش ایجادشده سهیم می‌شوند. در ادامه، برای درک یکی از اجزای مهم این اکوسیستم، بررسی می‌کنیم دیتافکتوری غیرمتمرکز چیست و چگونه کار می‌کند؛ زیرا داده یکی از مهم‌ترین منابع موردنیاز سیستم‌های هوش مصنوعی است.

دیتافکتوری غیرمتمرکز چیست و چگونه کار می‌کند؟

دیتافکتوری غیرمتمرکز را می‌توان کارخانه‌ای برای تولید داده‌های آماده هوش مصنوعی دانست؛ با این تفاوت که به یک شرکت یا مرکز واحد وابسته نیست و از شبکه‌ای از مشارکت‌کنندگان توزیع‌شده استفاده می‌کند. وظیفه این شبکه، جمع‌آوری داده‌های خام و پراکنده، به‌ویژه داده‌های وب، و تبدیل آن‌ها به مجموعه‌داده‌های قابل‌استفاده برای آموزش مدل‌های هوش مصنوعی است. این فرایند می‌تواند شامل جمع‌آوری، پاک‌سازی، دسته‌بندی، اعتبارسنجی و برچسب‌گذاری داده‌ها باشد.

برای مثال، یک شرکت AI ممکن است برای آموزش مدل خود به تصاویر، ویدئوها، نظرات کاربران یا داده‌های ساختاریافته نیاز داشته باشد. دیتافکتوری غیرمتمرکز این داده‌ها را از منابع مختلف جمع‌آوری کرده و آماده استفاده می‌کند. این وظایف می‌توانند توسط افراد، اپراتورها یا نودهای شبکه انجام شوند و مشارکت‌کنندگان نیز بر اساس سازوکار هر پروژه، در ازای انجام صحیح وظایف خود پاداش دریافت کنند.

مزیت این مدل، امکان استفاده از تعداد زیادی مشارکت‌کننده برای آماده‌سازی داده در مقیاس بزرگ است. در نتیجه، شرکت‌های هوش مصنوعی می‌توانند به‌جای مدیریت مستقیم تمام مراحل جمع‌آوری و پردازش داده، از مجموعه‌داده‌هایی استفاده کنند که متناسب با نیاز مدل آماده شده‌اند. در واقع، دیتافکتوری غیرمتمرکز پل میان داده خام و مدل هوش مصنوعی است؛ اما چرا داده تا این اندازه برای مدل‌های AI اهمیت دارد و به یکی از مهم‌ترین دارایی‌های این فناوری تبدیل شده است؟ در ادامه به این موضوع می‌پردازیم.

اهمیت داده در مدل‌های هوش مصنوعی

قدرت واقعی هوش مصنوعی فقط به مدل یا توان محاسباتی وابسته نیست و کیفیت داده نیز نقش تعیین‌کننده‌ای در عملکرد آن دارد. امروزه دسترسی به بسیاری از مدل‌های AI آسان‌تر شده و توان پردازشی نیز به‌تنهایی مزیت رقابتی سابق را ندارد؛ اما داده‌ای که دقیق، کامل، قابل‌اعتماد و متناسب با مسئله باشد، همچنان یکی از ارزشمندترین منابع در توسعه مدل‌های هوش مصنوعی است. دلیل آن ساده است: مدل‌های AI از داده یاد می‌گیرند و کیفیت داده مستقیم بر کیفیت خروجی آن‌ها اثر می‌گذارد.

به همین دلیل، داده‌های ناقص، قدیمی، سوگیرانه یا پرخطا می‌توانند حتی عملکرد مدل‌های پیشرفته را نیز تحت تأثیر قرار دهند؛ مسئله‌ای که در حوزه‌هایی مانند سلامت، اعطای وام، استخدام، خدمات عمومی و امور حقوقی اهمیت بیشتری پیدا می‌کند. از طرف دیگر، با گسترش استفاده سازمان‌ها از هوش مصنوعی، حاکمیت داده، منشأ داده، حریم خصوصی و انطباق با مقررات نیز اهمیت بیشتری یافته‌اند. در نتیجه، داده دیگر صرفاً یک ورودی برای مدل نیست، بلکه به یک دارایی رقابتی و در برخی موارد حقوقی تبدیل شده است؛ بنابراین هر زیرساختی که بتواند داده باکیفیت و قابل‌اعتماد تولید و مدیریت کند، می‌تواند ارزش اقتصادی قابل‌توجهی در اکوسیستم AI ایجاد کند.

نحوه کسب درآمد از دیتافکتوری‌های DeAI

در سال‌های اخیر، دیتافکتوری‌های حوزه هوش مصنوعی غیرمتمرکز (DeAI) به یکی از مدل‌های جدید کسب درآمد تبدیل شده‌اند؛ مدلی که در آن کاربران، سازندگان و مشارکت‌کنندگان به‌جای آنکه فقط مصرف‌کننده باشند، در تولید ارزش نقش دارند و در ازای این نقش پاداش دریافت می‌کنند. به‌طور کلی، درآمدزایی در این فضا معمولاً از سه مسیر زیر انجام می‌شود:

• ساخت ابزار و عامل هوش مصنوعی
• مشارکت در تولید و پردازش داده
• فعالیت مستمر در اکوسیستم پلتفرم

در بحث ساخت، پلتفرم‌هایی مانند MyShell به کاربران اجازه می‌دهند عامل‌های هوش مصنوعی خود را ایجاد و در فروشگاه اختصاصی پلتفرم عرضه کنند. اگر کاربران با این عامل‌ها تعامل داشته باشند، بخشی از کارمزد استفاده به سازنده می‌رسد. همچنین در صورت حمایت مالی و یا معامله، سازنده می‌تواند سهمی از کارمزد تراکنش‌ها را دریافت کند. در کنار این موارد، فعالیت کاربران با عامل ساخته‌شده می‌تواند به دریافت Creator Points منجر شود که در ادامه قابلیت تبدیل شدن به توکن SHELL را دارند.

مسیر دوم، مربوط به پلتفرم‌هایی مانند OORT DataHub است که بر جمع‌آوری و پیش‌پردازش داده تمرکز دارند. در این مدل، کاربران با ارائه داده‌هایی مانند تصویر، صوت و ویدئو یا مشارکت در پردازش آن‌ها، امتیاز مشارکت دریافت می‌کنند. این امتیازها، مبنای دریافت پاداش‌های بیشتر هستند. مسیر سوم نیز به مشارکت اجتماعی و فنی مربوط می‌شود.

در MyShell، فعالیت در جامعه کاربری، حضور در رویدادها، مشارکت در پروژه‌های متن‌باز GitHub و تعامل در شبکه‌های اجتماعی می‌تواند به دریافت امتیاز و توکن منجر شود. در مجموع، کسب درآمد از دیتافکتوری‌های DeAI بیشتر بر پایه مشارکت واقعی و تداوم فعالیت است، نه درآمد سریع و بدون نقش‌آفرینی.

ریسک‌ها و محدودیت‌های DeAI

هوش مصنوعی غیرمتمرکز یا DeAI با وجود مزایایی مثل شفافیت، توزیع مالکیت و کاهش وابستگی به شرکت‌ها و سرورهای متمرکز، یک فناوری بدون ریسک نیست. در سال ۲۰۲۶، نگاه حرفه‌ای به این حوزه به معنی صرفاً دیدن فرصت‌ها نیست؛ بلکه باید محدودیت‌های عملیاتی، حقوقی، فنی و اقتصادی آن را هم شناخت. هرچه DeAI بیشتر به کاربردهای واقعی نزدیک می‌شود، اهمیت ارزیابی این ریسک‌ها نیز بیشتر می‌شود. در ادامه به برخی از ریسک‌های موجود اشاره خواهیم کرد.

• انحراف کیفیت داده‌ها
• حقوق و مالکیت داده
• ریسک‌های امنیتی
• هزینه راستی‌آزمایی
• ریسک‌های مرتبط با قوانین و مقررات
• پایداری اقتصادی

انحراف کیفیت داده‌ها

در فضای هوش مصنوعی‌های غیرمتمرکز، مشارکت‌کنندگان و سواستفاده‌گر باهم مفید حضور دارند. اگر سازوکار پاداش‌دهی به‌درستی با کیفیت واقعی خروجی‌ها هماهنگ نباشد، کیفیت داده، مدل یا پاسخ‌های تولیدشده ممکن است به‌مرور افت کند. در واقع بعضی افراد یا سیستم‌ها ممکن است داده بی‌کیفیت، مدل ضعیف یا پاسخ‌های اشتباه ارائه کنند و حتی برای گرفتن پاداش، سعی کنند سیستم را فریب دهند. به همین دلیل، وجود سیستم‌های اعتبارسنجی و ارزیابی مداوم کیفیت اهمیت زیادی دارد.

حقوق و مالکیت داده

حتی اگر پروژه از مدل‌هایی مثل Compute-to-Data استفاده کند؛ روشی که در آن داده‌ها معمولاً بدون اینکه مستقیماً در اختیار مدل یا کاربر قرار بگیرند، برای انجام محاسبات مورد استفاده قرار می‌گیرند، باز هم مسئله حقوق استفاده از داده‌ها پابرجا خواهد بود. در واقع حتی اگر داده‌ها مستقیم در اختیار دیگران قرار نگیرند، باز هم باید مشخص باشد چه کسی مالک داده است و اجازه استفاده از آن را دارد. این شفافیت کمک می‌کند مشکلات قانونی در آینده کاهش پیدا کند.

ریسک های امنیتی

گاهی افراد می‌توانند اطلاعات ورودی را تغییر دهند یا محاسبات اشتباه به شبکه ارسال کنند. برای جلوگیری از این مشکلات، امنیت شبکه باید به‌طور مداوم بررسی شود. پروژه‌هایی که توسط متخصصان امنیتی ارزیابی شده‌اند، معمولاً بیشتر قابل اعتمادترهستند. همچنین داشتن برنامه‌هایی که آسیب‌پذیری‌ها را کشف می‌کند و روش‌هایی برای مقابله با حملات دارد، امنیت پروژه را افزایش می‌دهد.

هزینه راستی آزمایی

در DeAI فقط اینکه یک سیستم محاسبه‌ای را انجام دهد کافی نیست؛ بلکه باید مشخص شود نتیجه واقعاً درست بوده است. شبکه باید بتواند بررسی کند که محاسبات بدون تقلب یا خطا انجام شده‌اند. این بررسی‌ها ممکن است زمان و هزینه بیشتری نیاز داشته باشند. هرچه میزان بررسی و امنیت بیشتر باشد، ممکن است سرعت انجام کار کاهش پیدا کند. از طرف دیگر، کاهش بررسی‌ها می‌تواند اعتماد به خروجی را کمتر کند.

ریسک‌های مرتبط با قوانین و مقررات

قوانین مربوط به هوش مصنوعی و حفظ حریم خصوصی کاربران در همه کشورها یکسان نیستند و ممکن است با گذشت زمان تغییر کنند. این تغییرات می‌توانند روی نحوه فعالیت پروژه‌های DeAI، استفاده از داده‌ها و مدل کسب‌وکار آن‌ها تأثیر بگذارند. به همین دلیل، پروژه‌ها و سرمایه‌گذاران باید همواره تغییرات قانونی را بررسی کنند تا با مشکلات حقوقی یا محدودیت‌های جدید مواجه نشوند.

پایداری اقتصادی

یکی از دلایلی که کاربران در پروژه‌های AI شرکت می‌کنند، انگیزه‌های مالی و پاداش‌هایی است که به‌صورت توکن دریافت می‌کنند. در پروژه‌های DeAI، بخشی از درآمد مشارکت‌کنندگان ممکن است از طریق توکن‌ها پرداخت شود. اگر قیمت این توکن‌ها نوسان بسیار زیادی داشته باشد و یا ارزش خود را از دست بدهد، افراد ممکن است دیگر تمایلی به همکاری با شبکه نداشته باشند.

پروژه‌های مطرح در اکوسیستم DeAI

اکوسیستم DeAI از پروژه‌هایی با کاربردهای متفاوت تشکیل شده است؛ برخی روی تأمین و مدیریت داده تمرکز دارند، برخی زیرساخت محاسباتی یا بازار خدمات هوش مصنوعی ایجاد می‌کنند و گروهی نیز به توسعه عامل‌های هوشمند و شبکه‌های غیرمتمرکز کمک می‌کنند. بنابراین، همه پروژه‌های این حوزه را نمی‌توان مستقیم دیتافکتوری نامید، اما هرکدام می‌توانند بخشی از زیرساخت موردنیاز برای توسعه هوش مصنوعی غیرمتمرکز را فراهم کنند.

• پروژه HeLa Labs
• پروژه بایتنسور Bittensor (TAO)
• پروژه نت (SingularityNET)
• پروژه فیچ ای آی (Fetch.ai)
• پروژه اوشن پروتکل (Ocean Protocol)

پروژه HeLa Labs

هلا لبز (HeLa Labs) یک بلاک چین لایه ۱ هوش مصنوعی است که برای ساخت عامل‌های شخصی‌سازی‌شده روی زنجیره طراحی شده است. تمرکز این پروژه بر این است که عامل‌ها بتوانند به‌صورت قابل‌راستی‌آزمایی عمل کنند، داده داشته باشند و تراکنش انجام دهند. مزیت مهم HeLa توجه هم‌زمان به حریم خصوصی، هویت دیجیتال و کاربردهای واقعی مثل DeFi و بازی است. البته چون اکوسیستم آن نسبتاً جدیدتر است، میزان پذیرش و رشد ابزارهای توسعه‌دهنده، برای آینده آن نقش بسیار تعیین‌کننده‌ای خواهد داشت.

پروژه بیتنسور Bittensor (TAO)

Bittensor یک شبکه غیرمتمرکز برای توسعه و استفاده از مدل‌های هوش مصنوعی است که در آن مدل‌های مختلف برای ارائه پاسخ‌ها و خروجی‌های بهتر با یکدیگر رقابت می‌کنند. این شبکه به بخش‌های کوچک‌تری به نام زیرشبکه تقسیم شده که هرکدام می‌توانند روی یک موضوع خاص مانند پردازش زبان، تشخیص تصویر یا جست‌وجوی اطلاعات تمرکز کنند. مزیت اصلی Bittensor این است که به مدل‌هایی که عملکرد بهتر و کاربردی‌تری دارند، پاداش بیشتری می‌دهد. بنابراین توسعه‌دهندگان انگیزه پیدا می‌کنند مدل‌های باکیفیت‌تر بسازند.

پروژه سینگولاریتی نت (SingularityNET)

سینگولاریتی نت (SingularityNET) یک بازار غیرمتمرکز برای ارائه و استفاده از خدمات هوش مصنوعی است. توسعه‌دهندگان می‌توانند خدمات و برنامه‌های خود را در این شبکه عرضه کنند و کاربران نیز امکان جست‌وجو، استفاده و ترکیب آن‌ها را دارند. این ساختار می‌تواند وابستگی به یک ارائه‌دهنده واحد را کاهش دهد و دسترسی به طیف متنوعی از خدمات هوش مصنوعی را فراهم کند. با این حال، کیفیت، عملکرد و پایداری خدمات ارائه‌شده ممکن است بین توسعه‌دهندگان مختلف متفاوت باشد و ارزیابی هر سرویس پیش از استفاده اهمیت دارد.

پروژه فچ ای آی (Fetch.ai)

Fetch.ai بر عامل‌های خودمختار تمرکز دارد؛ عامل‌هایی که می‌توانند از طرف کاربر جست‌وجو کنند و وظایف مختلف را انجام بدهند. این رویکرد می‌تواند بسیاری از فرایندهای دستی را خودکار کند. مزیت اصلی Fetch.ai این است که فرایند تصمیم‌گیری و اجرای خودکار را ساده‌تر می‌کند. بااین‌حال، برای استفاده گسترده از این فناوری، باید محدودیت‌های امنیتی و قوانین مشخصی وجود داشته باشد تا عامل‌ها رفتار نامناسب یا غیرقابل‌ پیش‌بینی نداشته باشند.

پروژه اوشن پروتکل (Ocean Protocol)

Ocean Protocol یکی از مهم‌ترین پروژه‌های داده‌محور در DeAI است که با مدل Compute-to-Data اجازه می‌دهد محاسبات روی داده انجام شود، بدون اینکه داده خام افشا شود. این ویژگی برای حوزه‌های حساس مثل سلامت و مالی بسیار ارزشمند است. در عوض، پیچیدگی‌های حقوقی، قیمت‌گذاری داده و اعتماد خریداران به کیفیت و شرایط استفاده، از چالش‌های مهم این پروژه به شمار می‌رود.

فرصت سرمایه‌گذاری در دیتافکتوری‌های غیرمتمرکز

دیتافکتوری‌های غیرمتمرکز را می‌توان یکی از بخش‌های نوظهور اکوسیستم دی‌اِی‌آی (DeAI) دانست که با هدف ایجاد زیرساختی مشارکتی برای جمع‌آوری، پردازش و تأمین داده‌های موردنیاز مدل‌های هوش مصنوعی شکل گرفته‌اند. اهمیت این حوزه با افزایش استفاده از هوش مصنوعی و چالش‌هایی مانند تمرکز داده، شفافیت استفاده از اطلاعات و نحوه توزیع منافع بیشتر شده است.

از مهم‌ترین عواملی که می‌توانند این حوزه را برای سرمایه‌گذاران جذاب کنند، می‌توان به موارد زیر اشاره کرد:

• نیاز روزافزون به داده: توسعه مدل‌های هوش مصنوعی به داده‌های باکیفیت، متنوع و قابل اعتماد نیاز دارد.
• مدل مشارکتی: توسعه‌دهندگان، تأمین‌کنندگان داده، کاربران و شرکت‌ها می‌توانند در ایجاد ارزش و دریافت پاداش مشارکت داشته باشند.
• تمرکززدایی: این پروژه‌ها تلاش می‌کنند وابستگی فرایند تولید و مدیریت داده به یک شرکت یا زیرساخت مرکزی را کاهش دهند.
• جذب سرمایه: برای نمونه، ساهارا اِی‌آی (Sahara AI) با جذب ۴۳ میلیون دلار سرمایه از سرمایه‌گذارانی مانند بایننس لبز (Binance Labs)، پانترا کپیتال (Pantera Capital) و پلی چین کپیتال (Polychain Capital) مورد توجه بخشی از سرمایه‌گذاران بزرگ قرار گرفته است.

با این حال، جذب سرمایه یا قرارگرفتن در یک حوزه پررشد به‌تنهایی به معنای وجود فرصت قطعی سرمایه‌گذاری نیست. پیش از بررسی هر پروژه، عواملی مانند موارد زیر اهمیت دارند:

• توانایی و سابقه تیم توسعه‌دهنده
• میزان پذیرش و استفاده واقعی از محصول
• مدل اقتصادی و نحوه توزیع ارزش
• مالکیت و نحوه استفاده از داده‌ها
• امنیت زیرساخت و فرایند راستی‌آزمایی داده‌ها
• توانایی تبدیل ایده غیرمتمرکز به یک کاربرد عملی و پایدار

کلام پایانی

دیتافکتوری‌های غیرمتمرکز یکی از حوزه‌های نوظهور در اکوسیستم دی‌ای‌آی (DeAI) هستند که با هدف ایجاد روشی مشارکتی برای جمع‌آوری، پردازش و تأمین داده‌های موردنیاز هوش مصنوعی شکل گرفته‌اند. این مدل می‌تواند وابستگی به زیرساخت‌های متمرکز را کاهش دهد و امکان مشارکت و کسب پاداش برای تأمین‌کنندگان داده، توسعه‌دهندگان و سایر کاربران را فراهم کند.

با وجود ظرفیت این حوزه، چالش‌هایی مانند کیفیت و مالکیت داده، امنیت، هزینه راستی‌آزمایی، قوانین و پایداری مدل اقتصادی همچنان مطرح هستند. بنابراین، دیتافکتوری‌های غیرمتمرکز را نمی‌توان صرفاً به دلیل قرارگرفتن در روند دی‌اِی‌آی یا جذب سرمایه، یک فرصت قطعی دانست. بررسی میزان استفاده واقعی، تیم توسعه‌دهنده، مدل اقتصادی، امنیت و کاربرد محصول، معیارهای مهم‌تری برای ارزیابی این پروژه‌ها هستند.