ریسکهای متمرکز، فرصتهای بالقوه انسانی در هوش مصنوعی: مصاحبه با رونالد چان، یکی از بنیانگذاران آزمایشگاه استنتاج
سلب مسئولیت: نظرات بیان شده توسط نویسندگان ما متعلق به خود آنها است و دیدگاه های U.Today را نشان نمی دهد. اطلاعات مالی و بازار ارائه شده در U.Today فقط برای اهداف اطلاعاتی است. U.Today هیچ مسئولیتی در قبال خسارات مالی وارده در هنگام معامله ارزهای دیجیتال ندارد. قبل از تصمیم گیری در مورد سرمایه گذاری، تحقیقات خود را با تماس با کارشناسان مالی انجام دهید. ما معتقدیم که تمام محتوا از تاریخ انتشار دقیق است، اما برخی از پیشنهادات ذکر شده ممکن است دیگر در دسترس نباشند.
U.Today با رونالد چان، یکی از بنیانگذاران Inference Labs، یک تیم پیشگام هوش مصنوعی، نشست. در این سال، از VC های برتر تأمین مالی کرد و نسل اول زیرشبکه Bittensor را راه اندازی کرد.
از فناوری بزرگ و اینترنت اشیا تا Web3: پسزمینه
هر دو بنیانگذار Inference Labs بیش از هشت سال است که با هم کار می کنند. ران چان نزدیک به دو دهه است که یک کارآفرین سریالی بوده است، با سه خروج موفقیت آمیز از شرکت هایی که تاسیس کرده است. یکی از این خروجی ها شامل یک شرکت عمومی اروپایی بود که فناوری توسعه یافته ران و کالین را خریداری می کرد. رون در صنایع مختلفی از جمله ساخت مراکز داده و پروژه های دفاع ملی مانند NORAD (دفاع هوافضای آمریکای شمالی) در خلیج شمالی، کانادا کار کرده است. یکی از راههایی که او به آن اشاره کرد، هوانوردی غیرنظامی بود، جایی که او نزدیک به یک دهه پیش سرمایهگذاری را راهاندازی کرد که با تحول دیجیتال آغاز شد و در سال ۲۰۱۸ به ساخت سیستمهای تعبیهشده سفارشی و یادگیری ماشینی پرداخت.
این توزیع شامل فرودگاههای بینالمللی مانند شیکاگو اوهار، بزرگترین فرودگاه آمریکای شمالی از نظر حجم مسافر، مرکز توزیع اصلی فدرال اکسپرس در ایالات متحده (ریختن بتن ۱۸ ماه طول کشید و بزرگترین مرکز یخزدایی جهان را در خود جای داده است) و هیترو لندن. به بیش از ۶۰ فرودگاه در سراسر جهان از جمله گسترش یافته است
آقای چان تاکید میکند که اگرچه این بخش با سرعت فزایندهای در حال افزایش است، پیشرفتهای آن همچنان معتبر هستند:
سیستم یادگیری ماشین برای ارائه راهنمایی بصری در شرایط زمستانی طراحی شده بود، و یک توافقنامه سطح خدمات مستلزم این بود که هواپیما در ۹۹٪ مواقع در فاصله ۲ متری از یک نقطه معین قرار گیرد. این معیاری بود که سیستم هوش مصنوعی از آن پیشی گرفت. همین مدل از سال ۲۰۱۸ همچنان در حال تولید است.
آنها همچنین در سال ۲۰۱۷ به صورت تجاری وارد فضای کریپتو شدند، اینترنت اشیا در آن زمان یک روایت اصلی وب ۳ بود. در طول کار خود در هوانوردی غیرنظامی، آنها نیاز به backhaul ثانویه را پیدا کردند و LoRaWAN را بررسی کردند، که آنها را به بررسی هلیوم و صنعت گسترده تر web3 در سطح تجاری سوق داد.
سیستم و روش توزیع، نظارت و کنترل اطلاعات: مهمترین حق ثبت اختراع برای رونالد چان چیست؟
“سیستم و روش توزیع، نظارت و کنترل اطلاعات” در ابتدا به عنوان بخشی از یک ابتکار تحول دیجیتال توسعه یافت. این نوآوری درها را به روی ران چان باز کرد تا وارد یک صنعت خاص متمرکز بر عملیات پشتیبانی زمینی در چندین فرودگاه بینالمللی شود و آن را مختل کند.
این اختلال با تجهیز صنعت هوانوردی به زیرساخت های پیشرفته، انقلابی در عملیات فرودگاه ایجاد کرده است. این فناوری نوآورانه با ترکیب منابع تکنولوژیکی و تجاری، فرودگاه ها را قادر می سازد تا با راه حل های یکپارچه، خودکارسازی فرآیندها و بهبود ایمنی و کارایی عملیات فرودگاه و خطوط هوایی، به سرعت و به طور مناسب مقیاس شوند.
مبارزه با انحصار و تمرکز در هوش مصنوعی: ماموریت آزمایشگاه های استنتاج
همه شرکت کنندگان در Inference Labs معتقدند که آینده هوش مصنوعی باید شامل تمرکززدایی و خود مدیریتی باشد.
ماموریت ما افزایش مقیاس فناوری هوش مصنوعی و در عین حال محافظت از آزادی بیان فردی و تضمین حاکمیت بر مدل های شخصی و اختصاصی است. در دنیایی که سیستمهای هوش مصنوعی متمرکز اغلب انحصاری و باغهای دیواری بسیار متمرکز هستند، ما نیاز اساسی به ارائه جایگزینهایی را میبینیم که به کاربران امکان کنترل دادههایشان و مدلهای هوش مصنوعی را که با آنها در تعامل هستند میدهد. ما می دانیم که علی رغم کارایی هوش مصنوعی متمرکز، اغلب با خطرات قابل توجهی همراه است، از جمله دسترسی محدود به داده ها و نحوه استفاده از آن.
چان تاکید میکند که این محدودیتها خطرات و چالشهایی را ایجاد میکنند که مانع از نوآوری و محدود کردن آزادیهای فردی میشود.
خطرات مرتبط با هوش مصنوعی متمرکز نه تنها فنی، بلکه اخلاقی و اجتماعی نیز هستند. کنترل متمرکز بر مدلهای هوش مصنوعی منجر به سوء استفاده و دستکاری دادهها میشود، زیرا شاهد بهرهبرداری از دادههای رسانههای اجتماعی توسط شرکتها و نهادهای سیاسی بودهایم.
استفاده از فناوری ZK برای تمرکززدایی مناسب در هوش مصنوعی
در آزمایشگاه استنتاج، آنها دنیایی را تصور می کنند که در آن هوش مصنوعی دموکراتیک شده است و به همه اجازه می دهد تا مدل های خود را بر اساس طیف گسترده ای از داده هایی که روزانه با آنها در تعامل هستند آموزش دهند. با این حال، این چشم انداز همچنین ضرورت حاکمیت چنین سیستم های هوش مصنوعی را به همراه دارد.
ما نمی توانیم سناریویی را بپذیریم که در آن افراد کنترل روی داده های خود را از دست بدهند یا مدل های هوش مصنوعی علیه سازندگان آنها استفاده شود. تعهد ما به هوش مصنوعی غیرمتمرکز مبتنی بر این باور است که کنترل هرگز نباید به واسطهها یا نهادهای غیرقابل اعتماد واگذار شود.
برای مقابله با چالشهای پذیرش غیرمتمرکز هوش مصنوعی، آزمایشگاههای استنتاج در استفاده از رمزنگاری دانش صفر برای ارائه یک لایه امن و حفظ حریم خصوصی برای مدلهای هوش مصنوعی پیشگام است. با تبدیل مدلهای هوش مصنوعی به نمایشهای ریاضی، مدارهای دانش صفر را با استفاده از رمزنگاری دانش صفر ایجاد میکنیم و از صحت و یکپارچگی خروجی مدل اطمینان میدهیم. این رویکرد تعادلی بین مدلهای منبع باز و اختصاصی ارائه میکند و به کاربران اطمینان میدهد که تعاملات آنها با هوش مصنوعی از نظر رمزنگاری دقیق است، در حالی که اپراتورهای هوش مصنوعی میتوانند محرمانه بودن IP مدل (وزنها و سوگیریها) را حفظ کنند. Inference Labs متعهد به توسعه این فناوریهای بنیادی است که به اعتقاد ما برای ایجاد هوش مصنوعی غیرمتمرکز برای پیشبرد پتانسیل انسانی و عامل بدون به خطر انداختن حقوق یا آزادیهای فردی ضروری هستند.
منبع: U.Today