0G Labs والسباق لبناء نظام تشغيل ذكاء اصطناعي لامركزي

0G Labs لا تضع نفسها كبلوكتشين ذكاء اصطناعي آخر. إنها تبني نظام تشغيل لذكاء اصطناعي لامركزي يوحد التخزين، وتوافر البيانات، والحوسبة، والتسوية في طبقة متكاملة واحدة.

الابتكار الأساسي لـ 0G يكمن في تصميم البنية التحتية بدلاً من النماذج. من خلال تحسين التخزين للقراءات السريعة، ودمج توافر البيانات مع إثباتات التخزين، وتمكين الحوسبة القابلة للتحقق، تستهدف 0G مباشرة الحدود الفيزيائية التي تعيق اعتماد الذكاء الاصطناعي على السلسلة.

نجاح 0G على المدى الطويل يعتمد أقل على الطموح التقني وأكثر على التنفيذ. يجب أن تنمو أحمال العمل الحقيقية للذكاء الاصطناعي، والاستخدام المستدام، والعمليات اللامركزية الآمنة بسرعة كافية لتبرير بنيتها التحتية المتكاملة واقتصاديات الرموز.

الفجوة في البنية التحتية التي كشف عنها الذكاء الاصطناعي

لسنوات عديدة، ركزت شبكات التشفير على مهمة واحدة واضحة. كانت تنقل القيمة بأمان. كانت تسوي المعاملات. كانت تحافظ على دفتر الأستاذ متسقًا وموثوقًا. بسبب هذا التركيز، قامت معظم سلاسل الكتل من الطبقة 1 بتحسين الأداء للمعاملات بدلاً من البيانات الكبيرة أو الحوسبة الثقيلة.

غير أن الذكاء الاصطناعي غير هذا التوازن بسرعة كبيرة.

الذكاء الاصطناعي الحديث لا يقتصر على نماذج أكثر ذكاءً فقط. إنه مدفوع بتدفقات هائلة من البيانات. غالبًا ما يتطلب التدريب مجموعات بيانات تتراوح من جيجابايت إلى بيتابايت. الاستنتاج يستخرج نوافذ سياقية كبيرة ويولد سجلات مستمرة. وكلاء الذكاء الاصطناعي لا يولدون نتيجة واحدة ويتوقفون. بدلاً من ذلك، يعملون باستمرار ويخلقون تدفقات من الحالة، والذاكرة، وبيانات التفاعل.

المشكلة الحقيقية ليست في قدرة البلوكتشين على تخزين البيانات. المشكلة هي أن تخزين وقراءة البيانات على نطاق الذكاء الاصطناعي على السلسلة كان غير واقعي من حيث التكلفة والأداء.

يصبح التخزين أول عنق زجاجة

يظهر أول قيد عند طبقة التخزين.

على سلاسل الكتل التقليدية، التخزين على السلسلة مكلف للغاية. حتى الشبكات المبنية للتخزين اللامركزي غالبًا ما توازن بين السرعة والمتانة. العديد منها يعمل بشكل جيد للأرشيفات الباردة، لكنها تكافح عندما تتطلب التطبيقات قراءات متكررة وسريعة.

أحمال العمل للذكاء الاصطناعي مختلفة. فهي نشطة، مستمرة، وحساسة جدًا للكمون.

عندما يتباطأ استرجاع البيانات، يفقد سير عمل الذكاء الاصطناعي قيمته.

توافر البيانات لا يمكنه مواكبة نطاق الذكاء الاصطناعي

في الوقت نفسه، يصل توافر البيانات بسرعة إلى حدوده.

تم تصميم معظم أنظمة DA المعيارية للبيانات المعاملاتية للـ rollup. عادةً ما يُقاس معدلها بالميغابايت في الثانية. تدفقات بيانات الذكاء الاصطناعي تعمل على نطاق مختلف تمامًا. بمجرد أن يصبح طبقة DA أضيق أنبوب، فهي تحد من كل شيء مبني فوقها.

مخرجات الذكاء الاصطناعي تفتقر إلى التحقق

مشكلة حاسمة أخرى تأتي من التحقق.

لا تزال معظم أنظمة الذكاء الاصطناعي تعمل كصناديق سوداء. لا يمكن للمستخدمين إثبات النموذج الذي أنتج مخرجات معينة. لا يمكنهم التحقق من البيانات المستخدمة. كما أنهم لا يستطيعون تأكيد ما إذا كانت المهمة قد نفذت بشكل كامل وصحيح. في بيئات ذات قيمة عالية مثل التمويل، والحكم، والتنفيذ الآلي، هذا النقص في الإثبات غير مقبول.

بسبب هذه القيود، تقدم 0G Labs ادعاءً مباشرًا. لن يحدث تقارب الذكاء الاصطناعي وWeb3 من خلال واجهات أفضل. بل سيحدث فقط من خلال إعادة بناء البنية التحتية حول البيانات، والنطاق الترددي، والحوسبة القابلة للتحقق.

لماذا تعرف 0G نفسها كdAIOS

تحت سرد الذكاء الاصطناعي، تطلق العديد من المشاريع على نفسها اسم سلاسل ذكاء اصطناعي. يركز بعضها على أسواق وحدات معالجة الرسومات (GPU). يضيف البعض الآخر خدمات استضافة النماذج. تأخذ 0G نهجًا مختلفًا وتعرف نفسها كنظام تشغيل لذكاء اصطناعي لامركزي، أو dAIOS.

يعكس هذا التعريف قرارًا هيكليًا بدلاً من اختيار تسويقي.

من التفكير في البلوكتشين إلى التفكير في نظام التشغيل

يدير نظام التشغيل التقليدي الموارد المحلية. يجدول وقت وحدة المعالجة المركزية. يخصص الذاكرة. يتحكم في الوصول إلى القرص. والأهم من ذلك، يوفر واجهات مستقرة حتى لا يحتاج المطورون للتعامل مع تعقيد الأجهزة.

يجادل 0G بأن اقتصاد الذكاء الاصطناعي يحتاج إلى طبقة مماثلة لعالم موزع. في هذا البيئة، الموارد ليست محدودة بجهاز واحد. تشمل التخزين العالمي، والنطاق الترددي، وقوة الحوسبة، والإجماع.

بدلاً من دمج شبكات التخزين المنفصلة، وطبقات DA، وأسواق الحوسبة، وسلاسل التسوية، يحتاج المطورون إلى طبقة واحدة تتصرف كنظام موحد.

الوعد وراء dAIOS

استنادًا إلى هذه الفكرة، تتعامل 0G مع التخزين، وتوافر البيانات، والحوسبة، والتسوية كجزء من منصة واحدة منسقة. يحدد هذا الاختيار بنية النظام بأكملها.

هناك أيضًا دلالة أوسع. في عصر Web2، أصبح الذكاء الاصطناعي مركزيًا للغاية. تسيطر على النماذج والبيانات عدد قليل من الشركات. الوصول محدود والتدقيق نادر. تحاول 0G دفع الذكاء الاصطناعي نحو نموذج أكثر انفتاحًا وفائدة.

في هذا الرؤية، يمكن أن يمتلك المساهمون البيانات. يمكن تخزين النماذج وتتبعها بشكل مفتوح. يمكن التحقق من الحوسبة. يُحدد السعر حسب السوق بدلاً من السيطرة بواسطة منصة واحدة.

هذه الطموحات كبيرة ومخاطرة. إذا نجحت، ستصبح 0G طبقة أساسية للعديد من تطبيقات الذكاء الاصطناعي. إذا فشلت، فإنها تخاطر بأن تصبح نظامًا معقدًا بدون طلب كافٍ.

داخل الطبقة: كيف يتم بناء 0G

لفهم 0G، من المفيد تتبع كيفية انتقال البيانات عبر النظام.

طبقة التنسيق في 0G

تعمل 0G Chain كطبقة تنسيق وتسوية. مبنية على CometBFT وتركز على معدل نقل مرتفع وFinality سريع. في الوقت نفسه، تظل متوافقة مع EVM.

يقلل هذا التصميم من عائق المطورين. يمكن للأدوات والعقود الذكية الحالية أن تهاجر بأقل قدر من الاحتكاك. على الرغم من أن هذه الطبقة ليست الابتكار الأكثر جذرية، إلا أنها تربط باقي النظام معًا.

إعادة تصميم التخزين لأحمال العمل للذكاء الاصطناعي

يظهر التميز الحقيقي في 0G Storage.

معظم أنظمة التخزين اللامركزية تركز على المتانة على المدى الطويل. ونتيجة لذلك، غالبًا ما تقبل أداء قراءة أبطأ. أحمال العمل للذكاء الاصطناعي تعكس هذا التفضيل. يعتمد التدريب والاستنتاج على قراءات سريعة ومتكررة.

يستخدم 0G Storage هيكلًا ذو مسارين. يحمل مسار واحد التجزئات، والبيانات الوصفية، وإثباتات التخزين التي تؤكد حدوث التخزين. وهو محسّن للتوافق. يتعامل المسار الآخر مع ملفات كبيرة ويسمح بانتقال البيانات مباشرة بين عقد التخزين دون تحميل السلسلة.

لدعم هذا التصميم، تقدم 0G إثبات الوصول العشوائي، أو PoRA. تتحدى الشبكة عشوائيًا عقد التخزين لإرجاع أجزاء صغيرة من البيانات خلال نافذة زمنية قصيرة. يتم مكافأة الاستجابات السريعة، بينما يُعاقب البطيئة. يدفع هذا المشغلين نحو تخزين عالي الأداء بدلاً من الأرشيفات الباردة.

توافر البيانات المدمج مع التخزين

في طبقة توافر البيانات، تتبع 0G نموذجًا مختلفًا عن معظم شبكات DA.

بدلاً من مطالبة عقد DA بتنزيل ونشر كتل البيانات الكاملة، تُكتب البيانات مباشرة في طبقة التخزين. تركز طبقة DA على التحقق من إثباتات التوافر والتوقيعات. ونتيجة لذلك، يتحول عملية استهلاك النطاق الترددي إلى مهمة تحقق.

إذا نجح هذا النهج على نطاق واسع، فإنه يرفع سقف النظام بشكل كبير. لم تعد تدفقات بيانات الذكاء الاصطناعي على نطاق كبير مقيدة بطبقات DA المبنية للمعاملات من نوع rollup. يعمل التخزين وDA كنظام متكامل بشكل وثيق بدلاً من مكونات منفصلة.

الحوسبة القابلة للتحقق وعقد التوافق

على جانب الحوسبة، تربط 0G بين إمدادات GPU وطلب الذكاء الاصطناعي من خلال سوق لامركزي. ومع ذلك، يتجاوز التركيز استئجار الأجهزة. يهدف النظام إلى التحقق من أن المهام تنفذ بشكل صحيح.

تسلط 0G الضوء على التحقق التشفيري واستخدام بيئات التنفيذ الموثوقة لتقليل مخاطر النتائج الزائفة أو تسرب البيانات.

بالإضافة إلى ذلك، تلعب عقد التوافق للذكاء الاصطناعي دورًا مميزًا. هذه العقد لا تنتج كتلًا. بدلاً من ذلك، تراقب سلوك النموذج وأنماط المخرجات للكشف عن الشذوذ أو التلاعب المحتمل. هدفها هو تقديم إشراف مستمر على مستوى النظام.

تصميم الرموز وواقع السوق

يتطلب نظام بهذا التعقيد حوافز قوية. يجب أن تظل المدققون، وعقد التخزين، ومزودو الحوسبة متصلين ومستجيبين على مدى فترات طويلة.

نموذج التضخم وأدوار الرموز

تتبنى 0G عرضًا أوليًا مع تضخم طويل الأمد، مماثلًا لشبكات مثل إيثريوم أو سولانا. تدفع الرموز مقابل المعاملات، ورسوم التخزين، ومكافآت العقد، والمشاركة في الحوكمة.

من منظور هندسي، يدعم هذا التصميم الأمان على المدى الطويل. من منظور السوق، يثير اعتبارات مهمة.

الإفراجات وضغط التمويل

عامل رئيسي هو جداول الإفراج. زيادات التخصيصات للفريق، والداعمين الأوائل، وتوزيعات العقد تزيد العرض مع مرور الوقت. يخلق هذا ضغطًا إلا إذا نمت الطلبات الحقيقية قبل نوافذ الإفراج الكبرى.

عامل آخر هو هيكل التمويل الذي يتضمن التزامات شراء الرموز. يوفر ذلك استقرارًا طويل الأمد لتمويل المؤسسة. بالنسبة للأسواق الثانوية، يمكن أن يخلق أيضًا توقعات بالتخفيف المستمر إذا تم استخدامه بشكل متكرر.

الشكوك الأساسية

أهم مخاطر ليست المنافسة، بل التنفيذ التشغيلي.

أنظمة النقل عالية الأداء غالبًا تعتمد على أجهزة متقدمة ومراكز بيانات. في المراحل المبكرة، يمكن أن تقدم مخاطر مركزة هادئة. إذا اعتمدت الخدمات الحيوية بشكل كبير على مزودي خدمات سحابية رئيسيين، فإن النظام يرث افتراضات الثقة على نمط Web2.

تُظهر الحوادث السابقة أنه حتى عندما يظل البروتوكول سليمًا، يمكن أن تتلف الثقة بسرعة بسبب نقاط ضعف التشغيل.

رهان طويل الأمد

في النهاية، يراهن 0G على تحول طويل الأمد.

إذا أصبح وكلاء الذكاء الاصطناعي شكلًا سائدًا من التفاعل الرقمي، فسيستمر الطلب على البيانات والحوسبة السريعة، المنخفضة التكلفة، والقابلة للتحقق في النمو. في ذلك السيناريو، يمكن أن تتطور طبقة dAIOS إلى طبقة منصة حقيقية.

إذا وصل ذلك المستقبل بشكل أبطأ، أو إذا فضل المطورون أدوات معيارية يمكن استبدالها بسهولة، يجب على 0G إثبات أن التكامل العميق يوفر قيمة كافية لتبرير التضحيات.

هذه سباق واضح ولكنه صعب. سيكون نتيجته غير محسومة إلا من خلال الاستخدام المستدام والأحمال العمل الحقيقية مع مرور الوقت.

〈0G Labs and the Race to Build a Decentralized AI Operating System〉 تم نشره لأول مرة على 《CoinRank》.