ارتباط بین هوش مصنوعی و بلاک چین چیست؟ بهتر است جملات شعارگونه و آرمانهای این فناوری را برای لحظاتی کنار بگذاریم و درباره اکوسیستم ارزش دادهای غیرمتمرکز (Decentralized Data Value Ecosystem) جدیدی که در آن دادهها تولید، توزیع و بررسی میشوند، صحبت کنیم.
فرایند کاری این سیستم اینگونه است که اینترنت اشیا، دادهها را تولید میکند، بلاک چین و دیگر تکنولوژیهای تایید هویت، آن را توزیع میکنند و درنهایت دادهها باید پردازش، تجزیه و تحلیل شده و بصورت خودکار درآیند. این به اصطلاح جایی است که قراردادهای هوشمند، محاسبات غیرمتمرکز و یادگیری ماشین غیرمتمرکز بر روی دادهها در پایگاهدادههای غیرمتمرکز و پایگاه دادههای سند-گرا و بلاک چین به کار میرود.
اینجا نقطهای است که مرز بین هوش مصنوعی و بلاک چین از بین میرود و خلاقیتهای ناشی از این دو، در هم آمیخته میشوند و تشخیص اینکه هر فرآیند مربوط به چه حوزهای است، سخت میشود. هردو قراردادهای هوشمند و یادگیری ماشین، سطوح متفاوتی از اتوماسیون و غیرمتمرکزسازی را بسته به نوع داده ورودی و سطح اعتماد لازم مورد استفاده ارائه میدهند.
محاسبات غیرمتمرکز
محاسبات غیرمتمرکز به معنی شکستن یک مسئله پیچیده به مسائل ساده کوچکتر در یک شبکه و توزیع آن بین کامپیوترهای مطمئن است که بصورت موازی مسائل را حل کنند و درنهایت راهحلهای ارائه شده را به گونهای کنار هم قرار دهند که مسئله اصلی حل شود.
این فرآیند مشابه تکامل پردازندههاست (CPU و GPU) که از پردازندههای تک هستهای به چندهستهای توسعه یافتند، بطوریکه سرعت حل مسائل نیز با این روند افزایش مییافت. با این حال یک فرض ساده در ابتدا کردیم. کامپیوترها در شبکه باید مورد اعتماد باشند تا سیستم کار کند. در طرف دیگر بلاک چین و دفاترکل توزیع شده جهت ساخت شبکههایی با «چارچوب اعتماد» و ایجاد انگیزه در نودها به کار میروند.
در این شبکهها هر نود که مسائل را حل کند پاداش (توکن) میگیرد و این پاداش، ارزش اقتصادی (هر چند کوچکی) دارد. پروژههای بلاک چینی نظیر Golem و iExec بصورت فعال در حال کار بر روی این مسئله هستند. پروژههای دیگر مانند Truebit، محاسبات را به صورت off-chain در قالب یک بازی تاییدکننده اثباتگر (Prover-Verifier) انجام میدهند.
پردازشهای توزیع شده قابل تایید (Verifiable) و غیرقابل تایید (Non-Verifiable) هر دو با توجه به سطح اعتماد لازم بین شرکتکنندهها در شبکه مورد نیاز است. یکی از پروژههایی که خوشبختانه به ثمر رسید، شبکه بنیاد ملی علوم (NSFNET) در دهه ۸۰ است که یک ابرکامپیوتر درخواست حل مسائل مختلف را انجام میداد. پروژههای محسابهای توزیعشده دیگر مانند Nyriad درصدد رسیدن به پردازش حافظهای (Storage Processing) در مقیاس بزرگ بدون استفاده از توکن و با مفهوم «داده جاری» (Liquid data) هستند.
محاسبات کوانتومی با محاسبات توزیع شده فرق دارد و از آن برای حل مشکلاتی که توسط رایانههای فعلی قابل حل نیست، استفاده میشود. با استفاده از مفاهیم کوانتوم، این تکنولوژی نوظهور قادر به تست تمامی راهحلهای ممکن برای مسائل در یک ماشین به جای شبکهای از ماشینها خواهد بود.
این مسائل صدها و یا حتی هزاران سال برای حل شدن زمان نیاز دارند که با استفاده از کامپیوترهای کوانتومی این زمان به چندساعت و حتی چند دقیقه میتواند کاهش پیدا میکند. شرکتهای IBM، Rigetti و D-Wave در حال تحقیق و پژوهش در این حوزه هستند.
محاسبات موازی (Parallelisation) مبحثی است که محاسبه توزیع شده و محاسبات کوانتومی را به هم متصل میکند. در طرف دیگر، محاسبات توزیع شده شامل شبکهای از کامپیوترهاست که که مسائل کوچک شده را به صورت موازی کار میکنند درحالیکه در محاسبات کوانتومی یک کامپیوتر بسیاری از مسائل پیچیده را بطور همزمان در حال حل کردن است. در هر دو مورد ما میتوانیم بر شبکهای از کامپیوترهای باانگیزه برای حل چالشهای محاسباتی به جای سرورهای مراکز متمرکز تکیه کنیم.
از دیدگاه انگیزشی، بلاک چین این شبکهها را برای کار موثر و عاری از اطمینان فعال میکند و این کار را با استفاده از توکنها برای مجموعهای از نودهای دارای قدرت محاسبه انجام میدهد. کامپیوترهای کوانتومی هم میتوانند بخشی از این شبکه باشند و مسائل خاصی که کامپیوترهای معمولی قادر به پردازش آن نیستند را حل کنند.
قراردادهای هوشمند
تنها تعداد انگشت شماری پلتفرم قرارداد هوشمند در بلاک چن وجود دارد که بازار را قبضه کردهاند. طبق گزارش Etherscan ، نزدیک به ۹۳,۰۰۰ توکن ERC20 وجود دارد. ارزهای دیجیتال
با قرار دادن چارچوب مجاز، قراردادهای هوشمند توانایی جایگزین و اتوماسیون کردن قراردادهای کاغذی را خواهند داشت. تیم Mattereum در حال کار بر روی اجراسازی این نوع قراردادهای هوشمند است. برای مثال با این حساب فرآیند خرید یک خانه بدون نیاز به بانکها، مشاوران حقوقی و املاکی و بصورت موثرتر از قبل انجام خواهد شد. صرف هزینه و زمان بسیار و واسطهها تبدیل به هزاران خط کدی میشوند که فرآیند را بصورت خودکار انجام میدهد.
قواعد اتوماسیون در این قراردادهای مبتنی بر بلاک چین، در هر صنعتی که نیاز به شخص ثالث جهت نظارت بر قراردادها دارد، میتواند اجرایی شود. این قراردادها تنها برای اجرای کار هستند و خدمات حل اختلاف غیرمتمرکز جهت مفید واقع شدن این قراردادهای هوشمند لازم است. قدمهای اولیه در این جهت با استفاده از بازارهای آتی و گرو گذاشتن اعتبار همانند Kleros ، برداشته شده است.
با سرعت سرسامآور توسعه و همگرایی هوش مصنوعی و شبکههای غیرمتمرکز، شاهد این خواهیم بود که ساختار این قراردادها پیچیدهتر از چیزی که هست شود. برای مثال در آینده قراردادهای هوشمند وجود خواهند داشت که به شبکههای عصبی در حال توسعه متصل هستند. در توسعه این سیستمها شاید به ناسازگاریهایی در چارچوب مجاز برخورد کنیم که منجر به ساخت سیستمهایی با چارچوب محکمتر میشود. همانطور که قراردادهای هوشمند بر این چارچوبها پیاده میشوند، هوش مصنوعی نیز باید با آن سازگار بوده و توانایی ترکیب شدن را داشته باشد.
کما اینکه در ابتدای راه قرار داریم و توسعه این قراردادها به اندازه کافی انجام نشده و دولتها نیز برای صنایع مختلف قوانین را تعریف نکردهاند. اگر بخواهیم توکنها را آغازی بر پول دیجیتالی
یادگیری ماشین غیرمتمرکز
یادگیری ماشین حوزهای در هوش مصنوعی است که به کامپیوترها این اجازه را میدهد که صرفا برنامه نویسی ایستا نداشته و توانایی یادگیری داشته باشند. سیستمهای هوش مصنوعی قدیمی که بر اصول و قواعد تکیه دارند، توانایی الگوبرداری از جنبههای سمعی و بصری محیط طبیعی و همچنین حالات مختلف روزانه ما از جمله حرکات و گفتگو را ندارند.
پیشرفت بزرگی که اخیرا در حوزه یادگیری ماشین رخ داده و به یادگیری عمیق (Deep Learning) شناخته میشود، سبب سرعت بخشیدن به برنامههای این حوزه شده است. (هرچند اینکه تا کی از آن استفاده میشود جای بحث دارد). تکنیکهای این پیشرفت اخیر بصورت عمیق است چرا که از چندین لایه پردازش اطلاعات برای شناسایی الگو در دادهها استفاده میشود. لایههای مختلف، سیستم را برای فهمیدن ساختارهای مختلف داده آموزش میدهد. در واقع یادگیری عمیق یک تکنیک جدید نیست ولی ترکیب آن با کلان داده (Big Data)، قدرت محاسبه بیشتر و محاسبات موازی به نتایج بسیار خوبی در چالشهای بینایی رایانهای (Computer Vision) و پردازش زبانهای طبیعی رسیده است.
نوآوری جدیدی هم که در این حوزه رخ داده مربوط به ترکیب یادگیری عمیق و یادگیری تقویتی (Reinforcement Learning) در بازیهای تختهای AlphaGo است که توسط تیم DeepMind انجام شده است.
تکنیکهای یادگیری عمیق و یادگیری ماشین، دادههای خام را به اطلاعات قابل قبول تبدیل میکنند؛ ورودی صدا را گرفته و خروجی متن تحویل میدهد و یا ورودی لیدار را تبدیل به تصمیم رانندگی میکند. در حوزههای مختلف مانند شناسایی تصاویر و سخنرانیها، تشخیص پزشکی و شناسایی کلاهبرداری، یادگیری ماشین از کلاندادههایی که برای یادگیری استفاده کرده ما را مجهز میکند. پارادایم فعلی یادگیری ماشین به این صورت است که راهحلها بوسیله APIهای ابری، توسط چند شرکت پیشرو ارائه میشود اما به وضوح مشخص است که این پارادایم، پایدار نخواهد بود.
دادهها و خدمات برای استفاده هزینهبر هستند و نمیتوانند خودشان را بفروشند. تعجب آور است که این اطلاعات بدون اینکه ارزششان فهمیده شود، از بین بروند. به ویژه هنگامی که اطلاعات درباره بازارها و دادهها باشد. نمیتوان اجازه داد که این دادهها تحت سلطه عده کمی باشد. ماموریت Fetch این است که شبکهای غیرمتمرکز و توکنیزه بسازد که خودش را اداره کند و قابلیت این را داشته باشد که اطلاعات را به کسانی که نیاز دارند منتقل کند و آینده عادلانهتری برای همه بسازد.
این را توبی سیمپسون، موسس Fetch عنوان کرد.
سیستمهای متمرکز از چند مشکل اساسی رنج میبرند: ناتوانی در هماهنگی جهانی، محدودیت در همکاریها و توان همکاری و گرایش به سمت انحصار بازار و رفتارهای سانسورگری. با آمیخته شدن یادگیری ماشین در زندگیهایمان، این تکنولوژی بصورت متمرکز تهیدی برای رقابت اقتصادی و آزادی بیان خواهد بود.
اکوسیستم همگرا اگر درک شود، اشتراک جهانی اطلاعات و زیرساخت بازار را برای فعالنمودن هوش مصنوعی جهت مشارکت در روشی غیرمتمرکز فراهم میکند. با حذف تنگناهای متمرکز که حجم کاری محاسباتی سنگینی دارند مسائل مربوط به سرعت کاهش یافته و زمان لازم جهت آموزش مدلها کمتر میشود. یادگیری بر روی دستگاه – مانند مدل یادگیری فدراسیونی گوگل (Federated Learning Model) – یک ارتقا فنی است اما توانایی لازم جهت هماهنگی گسترده با استفاده از بازارها و توکنها را ندارد.
یادگیری ماشین غیرمتمرکز علاوه بر مکانیزم هماهنگی که دارد، باعث تخصیص موثرتر منابع میشود و با اجازه دادن اینکه هرکس مدل و الگوریتم خود را پیاده کند و با توجه به کیفیت و کاربردشان درآمد داشته باشد، دسترسی بیشتر به این تکنولوژی را امکانپذیر میسازد. شرکتهای SingularityNET، doc.ai و Fetch از جمله شرکتهایی هستند که در حال ساخت هوش مصنوعی غیرمتمرکز توصیف شده میباشند. یادگیری ماشین غیرمتمرکز نتیجه یک پروسه طولانی خواهد بود که در ابتدا نیاز به توسعه پروتکلهای دفاترکل توزیع شده ، توافقات جمعی، تشخیص هویت و اعتبار، قابلیتهای همکاری و دادههای بازار خواهد داشت.
ما باید همانطور که الکساندر فون هومبولت گفته از دهکدههای منفصل و ناکارآمدی از تخصص، دوری کنیم و درعوض نگاه جامعی برای دیدن ارتباطات نوآوری های تکنولوژیکی به ظاهر منفصل داشته باشیم.