في 12 يونيو 2023 ، أعلن Gensyn ، وهو بروتوكول سوق طاقة حوسبة يعتمد على blockchain AGI ، عن الانتهاء من جولة تمويل من السلسلة A بقيمة 43 مليون دولار ، بقيادة a16z ، بمشاركة Eden Block و CoinFund و Galaxy و Protocol Labs.
ما هو نوع المشروع Gensyn؟ لماذا يمكنك الحصول على استثمارات ضخمة من كبار رأس المال المغامر؟ سوف يأخذك Golden Finance إلى فهمه في مقال واحد.
a16z: لماذا يقود تمويل السلسلة أ من Gensyn بمبلغ 43 مليون دولار
نشرت a16z مقالاً يشرح سبب قيادتها لجولة تمويل Gensyn البالغة 43 مليون دولار من السلسلة "أ". قال a16z إن التقدم الأخير في الذكاء الاصطناعي مذهل ولديه القدرة على إنقاذ العالم (انظر التقرير السابق لـ Jinse Finance "مقالة طويلة لمؤسس a16z: لماذا ينقذ الذكاء الاصطناعي العالم"). لكن بناء أنظمة الذكاء الاصطناعي يتطلب نشر قوة حوسبة أكبر بكثير للتدريب والتفكير بشأن أكبر وأقوى النماذج المتاحة اليوم. وهذا يعني أن شركات التكنولوجيا الكبيرة لديها ميزة على الشركات الناشئة في السباق لاستخراج القيمة من الذكاء الاصطناعي ، وذلك بفضل الوصول المميز إلى قوة الحوسبة واقتصاديات الحجم لمراكز البيانات الكبيرة. للمنافسة على مستوى متكافئ ، يجب أن تكون الشركات الناشئة قادرة على استخدام قوتها الحاسوبية الهائلة بتكلفة معقولة.
تعتبر Blockchains ، كنوع جديد من أجهزة الكمبيوتر ، فريدة من نوعها من حيث أنه يمكن للمطورين كتابة التعليمات البرمجية التي تقدم وعودًا ثابتة حول كيفية تصرف الكود في المستقبل. يمكن لهذا المكون غير المرخص من blockchain إنشاء سوق للمشترين والبائعين لقوة الحوسبة - أو أي نوع آخر من الموارد الرقمية مثل البيانات أو الخوارزميات - للتداول عالميًا دون وسطاء.
** Gensyn ، وهو بروتوكول سوق حوسبة AGI قائم على blockchain ، يربط المطورين (أي شخص يمكنه تدريب نماذج التعلم الآلي) بالمحللين (Solver ، أي شخص يريد استخدام أجهزته الخاصة لتدريب نماذج التعلم الآلي). يمكن لـ Gensyn زيادة قوة الحوسبة المتاحة للتعلم الآلي بمقدار 10-100 مرة من خلال الاستفادة من الذيل الطويل لأجهزة الحوسبة القادرة على التعلم الآلي والتي تُركت غير مستخدمة حول العالم مثل مراكز البيانات الصغيرة وأجهزة الكمبيوتر المخصصة للألعاب وأجهزة M1 و M2 Mac وحتى الهواتف الذكية. **
المشاكل التي تواجه الذكاء الاصطناعي العام: شديدة المركزية
بعد ما يقرب من نصف عام من التطوير ، يدرك السوق عمومًا أن الذكاء الاصطناعي العام هو المستقبل. لكن ** صناعة الذكاء الاصطناعي العام ** تبدو حاليًا محتكرة بشكل كبير ** ، بين البلدان هي حرب تجارية ومواهب بين الصين والولايات المتحدة ، وبين الشركات هي لعبة شركات التكنولوجيا الكبيرة (مايكروسوفت ، جوجل ، ميتا). ** لأن الموارد الرئيسية الثلاثة لـ AGI (قوة الحوسبة والمعرفة والبيانات) مركزية للغاية حاليًا. **
** قوة الحوسبة: ** تتطلب النماذج الكبيرة والمعقدة بشكل متزايد معالجات حوسبة عالية للتدريب. بين الدول: حرب الرقائق بين الصين والولايات المتحدة ، تعمل الولايات المتحدة بنشاط على منع الصين من الحصول على رقائق عالية الطاقة. بين الشركات: الطاقة الإنتاجية غير الكافية ، يتم شراء أحدث رقائق الذكاء الاصطناعي من Nvidia من قبل بعض العملاء الكبار ، ولا يمكن للشركات الأخرى شرائها على الإطلاق. في المكدس التكنولوجي: تقوم بعض الشركات بإنشاء أجهزتها المخصصة للتعلم العميق ، مثل مجموعات TPU من Google. يتفوق أداء هذه الوحدات على وحدات معالجة الرسومات القياسية للتعلم العميق وليست معروضة للبيع ، للتأجير فقط.
** المعرفة: ** تنبع العديد من الإنجازات العامة من تصميمات النماذج الجديدة واسعة النطاق التي طورها الباحثون ، ولكن هناك معركة حول الملكية الفكرية الأساسية والموهبة. على سبيل المثال ، تجذب الولايات المتحدة أكثر من 50٪ من مواهب الذكاء الاصطناعي في الصين ، والشركات الكبيرة التي تستخدم هذه المواهب لتطوير نماذج واسعة النطاق تقلل بشكل متزايد من إمكانية الوصول إلى هذه التكنولوجيا ؛ GPT-3.5 أو 4 من OpenAI متاح اسميًا للجمهور ، ولكن إنه يجلس خلف واجهة برمجة التطبيقات (API) ولديه فقط Microsoft حق الوصول إلى كود المصدر الخاص به.
** البيانات: ** تتطلب نماذج التعلم العميق AGI كميات كبيرة من البيانات - المصنفة وغير المصنفة - وعادة ما تتحسن مع المزيد من البيانات. تم تدريب GPT-3 على 300 مليار كلمة. تعتبر البيانات المصنفة مهمة بشكل خاص ، وتتركز مجموعات البيانات اللازمة لتدريب الذكاء الاصطناعي العام في أيدي بعض الشركات الكبيرة. على سبيل المثال ، القليل من المعرفة الجيدة: في كل مرة تقوم فيها بزيارة موقع ويب لحل reCaptcha ، فإنك تقوم بتصنيف بيانات التدريب لتحسين خرائط Google.
الصعوبات في الحوسبة اللامركزية للذكاء الاصطناعي العام
يمكن للحوسبة اللامركزية أن تخلق أساسًا أرخص وأكثر حرية للبحث وتطوير الذكاء الاصطناعي. لكن هناك مشكلة في التحقق من العمل في الذكاء الاصطناعي العام اللامركزي ، كيف تعرف أن الطرف الثالث قد أكمل الحساب الذي طلبته؟
يحتوي لغز إثبات العمل على عاملين: الاعتماد على الدولة ، والتكلفة الحسابية العالية.
** تبعية الدولة **: ترتبط كل طبقة في الشبكة العصبية بجميع العقد الموجودة في الطبقة التي تسبقها. هذا يعني أنه يحتاج إلى حالة الطبقة السابقة. لجعل الأمور أسوأ ، يتم تحديد جميع أوزان كل طبقة من خلال الخطوة الزمنية السابقة. لذلك إذا كنت تريد التحقق من أن شخصًا ما قام بتدريب نموذج - على سبيل المثال ، عن طريق اختيار نقطة عشوائية في الشبكة ومعرفة ما إذا كنت تحصل على نفس الحالة - فأنت بحاجة إلى الاستمرار في تدريب النموذج حتى تلك النقطة ، وهو أمر مكلف من الناحية الحسابية.
** نفقات حسابية عالية: ** تبلغ تكلفة جلسة تدريب واحدة لـ GPT-3 في عام 2020 حوالي 12 مليون دولار ، وهو ما يزيد بأكثر من 270 مرة عن القيمة المقدرة بحوالي 43000 دولار لتدريب GPT-2 في عام 2019. بشكل عام ، يتضاعف تعقيد النموذج (الحجم) لأفضل الشبكات العصبية كل ثلاثة أشهر. يُسمح بنفقات التحقق ، ربما من تبعيات الحالة ، إذا كانت الشبكة العصبية أرخص ، و / أو إذا كان التدريب يمثل أقل من عملية تطوير النموذج.
إذا كنت ترغب في جعل التدريب على التعلم العميق رخيصًا والتحكم اللامركزي ، فأنت بحاجة إلى نظام يدير دون ثقة التحقق المتعلق بالحالة بينما يكون رخيصًا من حيث النفقات العامة ومكافأة أولئك الذين يساهمون في الحساب.
كيف يقوم Gensyn بإضفاء اللامركزية على حوسبة الذكاء الاصطناعي العام
يوحد بروتوكول Gensyn جميع الحوسبة في العالم في مجموعة عالمية فائقة للتعلم الآلي متاحة بسهولة لأي شخص. إنه يتيح تدريبًا غير موثوق به للشبكات العصبية على نطاق واسع جدًا وبتكلفة منخفضة من خلال الجمع بين شيئين:
1. نظام تحقق مبتكر
نظام تحقق يحل بفعالية مشكلة الاعتماد على الدولة في تدريب الشبكة العصبية على نطاق تعسفي. يجمع النظام بين نقاط فحص التدريب النموذجية والفحوصات الاحتمالية التي تنتهي على السلسلة. يقوم بكل هذا بطريقة غير موثوقة مع النفقات العامة التي تتناسب خطيًا مع حجم النموذج (الحفاظ على تكاليف التحقق ثابتة).
وفقًا لـ Gensyn Litepaper ، يحل Gensyn بشكل أساسي مشكلة التحقق من خلال ثلاثة مفاهيم: إثبات التعلم الاحتمالي (باستخدام البيانات الوصفية في عملية التحسين القائمة على التدرج لبناء شهادة للعمل المنجز والتحقق منه بسرعة من خلال تكرار مراحل معينة) ، بروتوكول تحديد دقيق قائم على الرسم البياني (يستخدم بروتوكول تحديد دقيق متعدد الحبيبات قائم على الرسم البياني وتنفيذ إجماع عبر المقيّمين للسماح بإعادة تشغيل أعمال التحقق ومقارنتها من أجل الاتساق ، وتأكيدها في النهاية بواسطة السلسلة نفسها) ، محفز بأسلوب Truebit الألعاب (باستخدام Staking و slashing لبناء لعبة تحفيزية تضمن أن يتصرف كل لاعب عقلاني مالياً بأمانة ويؤدي مهامه المقصودة)
** يتكون النظام بشكل أساسي من أربعة مشاركين رئيسيين: مقدمو الطلبات ، والقائمون على حل المشكلة ، والمحققون ، والمبلغون عن المخالفات. ** المرسل: المستخدم النهائي للنظام ، الذي يوفر المهمة المراد حسابها ويدفع مقابل وحدة العمل المكتملة ؛ المحلل: جزء العمل الرئيسي من النظام ، ويقوم بإجراء تدريب نموذجي ويولد البراهين للتحقق من قبل المدقق ؛ المدقق : غير الحتمية - ترتبط عملية التدريب بحساب خطي حتمي ، وتكرار جزء من برهان الحل ومقارنة المسافة بالعتبة المتوقعة ؛ المبلغ عن المخالفات: خط الدفاع الأخير ، والتحقق من عمل المدقق والتحدي من أجل الفوز بالجائزة الكبرى.
2. العرض الجديد
استفد من موارد أجهزة الحوسبة غير المستغلة وغير المستغلة / الأقل استخدامًا. تتراوح هذه الأجهزة من وحدات معالجة الرسومات غير المستخدمة حاليًا إلى أجهزة تعدين GPU من عصر ما قبل Ethereum PoW. وتعني اللامركزية للبروتوكول أنه سيخضع في النهاية لأغلبية مجتمعية ولا يمكن "إغلاقه" دون موافقة المجتمع ؛ على عكس نظيره على الويب 2 ، فإن هذا يجعله مقاومًا للرقابة.
مقياس + تكلفة منخفضة: يوفر بروتوكول Gensyn تكلفة مماثلة لوحدات معالجة الرسومات المملوكة لمركز البيانات ، والتي يمكن أن تتجاوز AWS
شاهد النسخة الأصلية
المحتوى هو للمرجعية فقط، وليس دعوة أو عرضًا. لا يتم تقديم أي مشورة استثمارية أو ضريبية أو قانونية. للمزيد من الإفصاحات حول المخاطر، يُرجى الاطلاع على إخلاء المسؤولية.
تقود a16z استثمارًا بقيمة 43 مليون دولار في Gensyn ، وهو سوق طاقة حوسبة AGI ، لفهم Gensyn
في 12 يونيو 2023 ، أعلن Gensyn ، وهو بروتوكول سوق طاقة حوسبة يعتمد على blockchain AGI ، عن الانتهاء من جولة تمويل من السلسلة A بقيمة 43 مليون دولار ، بقيادة a16z ، بمشاركة Eden Block و CoinFund و Galaxy و Protocol Labs.
! [uk1BnFxCXnQJOCSlEHSD6PWYEjP5vvd4C5chddYq.png] (https://img.gateio.im/social/moments-40baef27dd-1dd0aa623a-dd1a6f-62a40f "7049565")
ما هو نوع المشروع Gensyn؟ لماذا يمكنك الحصول على استثمارات ضخمة من كبار رأس المال المغامر؟ سوف يأخذك Golden Finance إلى فهمه في مقال واحد.
a16z: لماذا يقود تمويل السلسلة أ من Gensyn بمبلغ 43 مليون دولار
نشرت a16z مقالاً يشرح سبب قيادتها لجولة تمويل Gensyn البالغة 43 مليون دولار من السلسلة "أ". قال a16z إن التقدم الأخير في الذكاء الاصطناعي مذهل ولديه القدرة على إنقاذ العالم (انظر التقرير السابق لـ Jinse Finance "مقالة طويلة لمؤسس a16z: لماذا ينقذ الذكاء الاصطناعي العالم"). لكن بناء أنظمة الذكاء الاصطناعي يتطلب نشر قوة حوسبة أكبر بكثير للتدريب والتفكير بشأن أكبر وأقوى النماذج المتاحة اليوم. وهذا يعني أن شركات التكنولوجيا الكبيرة لديها ميزة على الشركات الناشئة في السباق لاستخراج القيمة من الذكاء الاصطناعي ، وذلك بفضل الوصول المميز إلى قوة الحوسبة واقتصاديات الحجم لمراكز البيانات الكبيرة. للمنافسة على مستوى متكافئ ، يجب أن تكون الشركات الناشئة قادرة على استخدام قوتها الحاسوبية الهائلة بتكلفة معقولة.
تعتبر Blockchains ، كنوع جديد من أجهزة الكمبيوتر ، فريدة من نوعها من حيث أنه يمكن للمطورين كتابة التعليمات البرمجية التي تقدم وعودًا ثابتة حول كيفية تصرف الكود في المستقبل. يمكن لهذا المكون غير المرخص من blockchain إنشاء سوق للمشترين والبائعين لقوة الحوسبة - أو أي نوع آخر من الموارد الرقمية مثل البيانات أو الخوارزميات - للتداول عالميًا دون وسطاء.
** Gensyn ، وهو بروتوكول سوق حوسبة AGI قائم على blockchain ، يربط المطورين (أي شخص يمكنه تدريب نماذج التعلم الآلي) بالمحللين (Solver ، أي شخص يريد استخدام أجهزته الخاصة لتدريب نماذج التعلم الآلي). يمكن لـ Gensyn زيادة قوة الحوسبة المتاحة للتعلم الآلي بمقدار 10-100 مرة من خلال الاستفادة من الذيل الطويل لأجهزة الحوسبة القادرة على التعلم الآلي والتي تُركت غير مستخدمة حول العالم مثل مراكز البيانات الصغيرة وأجهزة الكمبيوتر المخصصة للألعاب وأجهزة M1 و M2 Mac وحتى الهواتف الذكية. **
المشاكل التي تواجه الذكاء الاصطناعي العام: شديدة المركزية
بعد ما يقرب من نصف عام من التطوير ، يدرك السوق عمومًا أن الذكاء الاصطناعي العام هو المستقبل. لكن ** صناعة الذكاء الاصطناعي العام ** تبدو حاليًا محتكرة بشكل كبير ** ، بين البلدان هي حرب تجارية ومواهب بين الصين والولايات المتحدة ، وبين الشركات هي لعبة شركات التكنولوجيا الكبيرة (مايكروسوفت ، جوجل ، ميتا). ** لأن الموارد الرئيسية الثلاثة لـ AGI (قوة الحوسبة والمعرفة والبيانات) مركزية للغاية حاليًا. **
** قوة الحوسبة: ** تتطلب النماذج الكبيرة والمعقدة بشكل متزايد معالجات حوسبة عالية للتدريب. بين الدول: حرب الرقائق بين الصين والولايات المتحدة ، تعمل الولايات المتحدة بنشاط على منع الصين من الحصول على رقائق عالية الطاقة. بين الشركات: الطاقة الإنتاجية غير الكافية ، يتم شراء أحدث رقائق الذكاء الاصطناعي من Nvidia من قبل بعض العملاء الكبار ، ولا يمكن للشركات الأخرى شرائها على الإطلاق. في المكدس التكنولوجي: تقوم بعض الشركات بإنشاء أجهزتها المخصصة للتعلم العميق ، مثل مجموعات TPU من Google. يتفوق أداء هذه الوحدات على وحدات معالجة الرسومات القياسية للتعلم العميق وليست معروضة للبيع ، للتأجير فقط.
** المعرفة: ** تنبع العديد من الإنجازات العامة من تصميمات النماذج الجديدة واسعة النطاق التي طورها الباحثون ، ولكن هناك معركة حول الملكية الفكرية الأساسية والموهبة. على سبيل المثال ، تجذب الولايات المتحدة أكثر من 50٪ من مواهب الذكاء الاصطناعي في الصين ، والشركات الكبيرة التي تستخدم هذه المواهب لتطوير نماذج واسعة النطاق تقلل بشكل متزايد من إمكانية الوصول إلى هذه التكنولوجيا ؛ GPT-3.5 أو 4 من OpenAI متاح اسميًا للجمهور ، ولكن إنه يجلس خلف واجهة برمجة التطبيقات (API) ولديه فقط Microsoft حق الوصول إلى كود المصدر الخاص به.
** البيانات: ** تتطلب نماذج التعلم العميق AGI كميات كبيرة من البيانات - المصنفة وغير المصنفة - وعادة ما تتحسن مع المزيد من البيانات. تم تدريب GPT-3 على 300 مليار كلمة. تعتبر البيانات المصنفة مهمة بشكل خاص ، وتتركز مجموعات البيانات اللازمة لتدريب الذكاء الاصطناعي العام في أيدي بعض الشركات الكبيرة. على سبيل المثال ، القليل من المعرفة الجيدة: في كل مرة تقوم فيها بزيارة موقع ويب لحل reCaptcha ، فإنك تقوم بتصنيف بيانات التدريب لتحسين خرائط Google.
الصعوبات في الحوسبة اللامركزية للذكاء الاصطناعي العام
يمكن للحوسبة اللامركزية أن تخلق أساسًا أرخص وأكثر حرية للبحث وتطوير الذكاء الاصطناعي. لكن هناك مشكلة في التحقق من العمل في الذكاء الاصطناعي العام اللامركزي ، كيف تعرف أن الطرف الثالث قد أكمل الحساب الذي طلبته؟
يحتوي لغز إثبات العمل على عاملين: الاعتماد على الدولة ، والتكلفة الحسابية العالية.
** تبعية الدولة **: ترتبط كل طبقة في الشبكة العصبية بجميع العقد الموجودة في الطبقة التي تسبقها. هذا يعني أنه يحتاج إلى حالة الطبقة السابقة. لجعل الأمور أسوأ ، يتم تحديد جميع أوزان كل طبقة من خلال الخطوة الزمنية السابقة. لذلك إذا كنت تريد التحقق من أن شخصًا ما قام بتدريب نموذج - على سبيل المثال ، عن طريق اختيار نقطة عشوائية في الشبكة ومعرفة ما إذا كنت تحصل على نفس الحالة - فأنت بحاجة إلى الاستمرار في تدريب النموذج حتى تلك النقطة ، وهو أمر مكلف من الناحية الحسابية.
** نفقات حسابية عالية: ** تبلغ تكلفة جلسة تدريب واحدة لـ GPT-3 في عام 2020 حوالي 12 مليون دولار ، وهو ما يزيد بأكثر من 270 مرة عن القيمة المقدرة بحوالي 43000 دولار لتدريب GPT-2 في عام 2019. بشكل عام ، يتضاعف تعقيد النموذج (الحجم) لأفضل الشبكات العصبية كل ثلاثة أشهر. يُسمح بنفقات التحقق ، ربما من تبعيات الحالة ، إذا كانت الشبكة العصبية أرخص ، و / أو إذا كان التدريب يمثل أقل من عملية تطوير النموذج.
إذا كنت ترغب في جعل التدريب على التعلم العميق رخيصًا والتحكم اللامركزي ، فأنت بحاجة إلى نظام يدير دون ثقة التحقق المتعلق بالحالة بينما يكون رخيصًا من حيث النفقات العامة ومكافأة أولئك الذين يساهمون في الحساب.
كيف يقوم Gensyn بإضفاء اللامركزية على حوسبة الذكاء الاصطناعي العام
يوحد بروتوكول Gensyn جميع الحوسبة في العالم في مجموعة عالمية فائقة للتعلم الآلي متاحة بسهولة لأي شخص. إنه يتيح تدريبًا غير موثوق به للشبكات العصبية على نطاق واسع جدًا وبتكلفة منخفضة من خلال الجمع بين شيئين:
1. نظام تحقق مبتكر
نظام تحقق يحل بفعالية مشكلة الاعتماد على الدولة في تدريب الشبكة العصبية على نطاق تعسفي. يجمع النظام بين نقاط فحص التدريب النموذجية والفحوصات الاحتمالية التي تنتهي على السلسلة. يقوم بكل هذا بطريقة غير موثوقة مع النفقات العامة التي تتناسب خطيًا مع حجم النموذج (الحفاظ على تكاليف التحقق ثابتة).
وفقًا لـ Gensyn Litepaper ، يحل Gensyn بشكل أساسي مشكلة التحقق من خلال ثلاثة مفاهيم: إثبات التعلم الاحتمالي (باستخدام البيانات الوصفية في عملية التحسين القائمة على التدرج لبناء شهادة للعمل المنجز والتحقق منه بسرعة من خلال تكرار مراحل معينة) ، بروتوكول تحديد دقيق قائم على الرسم البياني (يستخدم بروتوكول تحديد دقيق متعدد الحبيبات قائم على الرسم البياني وتنفيذ إجماع عبر المقيّمين للسماح بإعادة تشغيل أعمال التحقق ومقارنتها من أجل الاتساق ، وتأكيدها في النهاية بواسطة السلسلة نفسها) ، محفز بأسلوب Truebit الألعاب (باستخدام Staking و slashing لبناء لعبة تحفيزية تضمن أن يتصرف كل لاعب عقلاني مالياً بأمانة ويؤدي مهامه المقصودة)
** يتكون النظام بشكل أساسي من أربعة مشاركين رئيسيين: مقدمو الطلبات ، والقائمون على حل المشكلة ، والمحققون ، والمبلغون عن المخالفات. ** المرسل: المستخدم النهائي للنظام ، الذي يوفر المهمة المراد حسابها ويدفع مقابل وحدة العمل المكتملة ؛ المحلل: جزء العمل الرئيسي من النظام ، ويقوم بإجراء تدريب نموذجي ويولد البراهين للتحقق من قبل المدقق ؛ المدقق : غير الحتمية - ترتبط عملية التدريب بحساب خطي حتمي ، وتكرار جزء من برهان الحل ومقارنة المسافة بالعتبة المتوقعة ؛ المبلغ عن المخالفات: خط الدفاع الأخير ، والتحقق من عمل المدقق والتحدي من أجل الفوز بالجائزة الكبرى.
2. العرض الجديد
استفد من موارد أجهزة الحوسبة غير المستغلة وغير المستغلة / الأقل استخدامًا. تتراوح هذه الأجهزة من وحدات معالجة الرسومات غير المستخدمة حاليًا إلى أجهزة تعدين GPU من عصر ما قبل Ethereum PoW. وتعني اللامركزية للبروتوكول أنه سيخضع في النهاية لأغلبية مجتمعية ولا يمكن "إغلاقه" دون موافقة المجتمع ؛ على عكس نظيره على الويب 2 ، فإن هذا يجعله مقاومًا للرقابة.
! [eSYM8rcGL8caaKg9sO6OayhLMYOKBAErhl4VGTGQ.png] (https://img.gateio.im/social/moments-40baef27dd-1e83240431-dd1a6f-62a40f "7049575")
مقياس + تكلفة منخفضة: يوفر بروتوكول Gensyn تكلفة مماثلة لوحدات معالجة الرسومات المملوكة لمركز البيانات ، والتي يمكن أن تتجاوز AWS