هوش مصنوعی و شبکه‌های غیرمتمرکز؛ آغاز یک زیرساخت جدید

در حالی که مراکز داده بسیار بزرگ در حال حاضر بازار آموزش هوش مصنوعی را در اختیار دارند، اما در بخش‌های دیگر مانند استنتاج یعنی مرحله‌ای که مدل هوش مصنوعی به درخواست‌های کاربر پاسخ می‌دهد و فعالیت‌های روزمره، فرصت‌های تازه‌ای برای شبکه‌های غیرمتمرکز پردازنده گرافیکی (Decentralized GPU networks) ایجاد شده است.

به گزارش میهن بلاکچین، این شبکه‌ها با بهره‌گیری از قدرت محاسباتی پراکنده در سراسر جهان، خود را به عنوان یک زیرساخت ارزان‌تر برای اجرای برنامه‌های هوش مصنوعی معرفی می‌کنند. با این حال، آموزش مدل‌های بسیار پیشرفته و سنگین همچنان در انحصار مراکز داده متمرکز باقی مانده است.

آموزش مدل‌های پیشرفته هوش مصنوعی به دلیل نیاز به هماهنگی لحظه‌ای میان هزاران واحد پردازش گرافیکی (GPU)، همچنان در انحصار مراکز داده متمرکز باقی مانده است؛ زیرا وجود موانعی نظیر تاخیر اینترنت (Internet latency) که سرعت انتقال داده‌ها را کاهش می‌دهد و همچنین نبود پایداری شبکه (Network stability) در اتصالات پراکنده، اجازه نمی‌دهد شبکه‌های غیرمتمرکز فعلاً با زیرساخت‌های یکپارچه و فوق‌سریع مراکز بزرگ رقابت کنند.

از آموزش مدل‌های پیشرو تا استنتاج روزمره

بسیاری از فعالیت‌های هوش مصنوعی در مرحله اجرا، برخلاف مرحله آموزش اولیه، نیازی به زیرساخت‌های عظیم و فوق‌سنگین ندارند. همین موضوع فرصت ویژه‌ای را برای شبکه‌های غیرمتمرکز فراهم کرده است تا مدیریت بخش استنتاج یعنی همان فرآیند پاسخ‌دهی هوش مصنوعی به سوالات کاربران و وظایف روزمره را بر عهده بگیرند.

میچ لیو (Mitch Liu)، از بنیان‌گذاران و مدیرعامل شبکه تتا (Theta Network)، بر این باور است که بسیاری از مدل‌های متن‌باز به قدری فشرده و بهینه شده‌اند که می‌توان آن‌ها را به راحتی روی پردازنده‌های گرافیکی معمولی که در کامپیوترهای خانگی یافت می‌شود، اجرا کرد. این تحول باعث شده است که تمایل بازار به سمت مدل‌های در دسترس، بهینه و روش‌های پردازشی کم‌هزینه افزایش یابد.

آموزش مدل‌های پیشرو و تراز اول هوش مصنوعی، به شدت به قدرت واحدهای پردازش گرافیکی (GPU) وابسته است. به دلیل هزینه‌های سرسام‌آور و پیچیدگی‌های فنی، این حوزه همچنان در انحصار چند مرکز عظیم داده (Hyperscale Data Centers) باقی می‌ماند

جدیدترین سخت‌افزارهای هوش مصنوعی، مانند تراشه «ورا روبین» (Vera Rubin) شرکت انویدیا (Nvidia)، به‌گونه‌ای طراحی شده‌اند که تنها در محیط‌های یکپارچه و متمرکز مراکز داده، بالاترین کارایی را داشته باشند.

نوکوی دان الیداسون (Nökkvi Dan Ellidason)، مدیرعامل شرکت زیرساختی اوویا سیستمز (Ovia Systems)، این تفاوت را با یک مثال ساده بیان می‌کند:

آموزش مدل‌های بزرگ هوش مصنوعی مانند ساخت یک آسمان‌خراش است؛ جایی که تمام کارگران باید در یک محل متمرکز، روی یک داربست واحد حضور داشته باشند و آجرها را با هماهنگی کامل دست‌به‌دست کنند.

این سطح از یکپارچگی در مراکز داده، فضای بسیار کمی برای ناهماهنگی یا تأخیر متغیر باقی می‌گذارد؛ مشکلاتی که از ویژگی‌های اصلی شبکه‌های توزیع‌شده محسوب می‌شوند. الیداسون در ادامه استدلال خود می‌گوید که تلاش برای ساخت آن آسمان‌خراش (مدل‌های بزرگ هوش مصنوعی) در یک شبکه غیرمتمرکز، مانند این است که کارگران مجبور باشند هر آجر را از طریق اینترنت برای یکدیگر ارسال کنند که روشی بسیار ناکارآمد است.

در همین حال، غول‌های هوش مصنوعی همچنان سهم بزرگی از عرضه جهانی واحدهای پردازش گرافیکی یا GPU را به خود اختصاص می‌دهند. برای مثال، شرکت متا مدل «لاما ۴» (Llama 4) خود را با استفاده از مجموعه‌ای شامل بیش از ۱۰۰ هزار تراشه H100 انویدیا آموزش داده است. شرکت اوپن‌ای‌آی (OpenAI) نیز اعلام کرده که مدل «جی‌پی‌تی-۵» (GPT-5) با تکیه بر توان بیش از ۲۰۰ هزار پردازنده گرافیکی عرضه شده است.

اصطلاح استنتاج به معنای مرحله اجرای مدل‌های آموزش‌دیده برای پاسخ‌گویی به کاربران و برنامه‌ها است. الیداسون معتقد است که بازار هوش مصنوعی به یک «نقطه عطف در استنتاج» رسیده است. در حالی که تا سال ۲۰۲۴ تمرکز اصلی بر آموزش مدل‌ها بود، پیش‌بینی می‌شود تا سال ۲۰۲۶، حدود ۷۰ درصد از تقاضای بازار مربوط به بخش استنتاج، ایجنت های هوشمند (Agents) و فعالیت‌های پیش‌بینی‌محور باشد.

این تغییر نشان می‌دهد که قدرت پردازش دیگر فقط یک هزینه برای «تحقیق و آزمایش» نیست، بلکه به یک هزینه خدماتی دائمی مثل قبض برق یا آب تبدیل شده که برای فعالیت همیشگی هوش مصنوعی ضروری است. همین موضوع باعث شده تا استفاده از محاسبات غیرمتمرکز به عنوان یک راهکار حیاتی در کنار روش‌های قدیمی، در بحث‌های مربوط به محاسبات ترکیبی یعنی استفاده هم‌زمان از قدرت چندین شبکه مختلف اهمیت زیادی پیدا کند.

جایگاه واقعی شبکه‌های غیرمتمرکز پردازنده گرافیکی کجاست؟

شبکه‌های غیرمتمرکز پردازنده گرافیکی برای کارهایی ساخته شده‌اند که می‌توان آن‌ها را به قطعات کوچک‌تر تقسیم کرد تا هر بخش به‌صورت جداگانه و مستقل انجام شود؛ یعنی کارهایی که نیاز ندارند دستگاه‌ها ثانیه به ثانیه با هم در ارتباط باشند.

اوگنی پونومارف (Evgeny Ponomarev)، بنیان‌گذار پلتفرم محاسباتی فلوعنس (Fluence)، می‌گوید که بخش استنتاج یا همان پاسخ‌دهی، بازاری است که بر پایه تعداد زیادِ درخواست‌ها می‌چرخد. با ورود مدل‌های جدید و ایجنت های هوشمند به زندگی مردم، نیاز به این بخش به‌سرعت رشد می‌کند. در این بازار، دیگر نیازی به ابرکامپیوترهای متمرکز نیست، بلکه سه مورد زیر حرف اول را می‌زنند:

• پراکندگی جغرافیایی: یعنی پردازنده‌ها در تمام دنیا پخش باشند تا به کاربران نزدیک‌تر باشند.
• قیمت ارزان‌تر: برای کاهش هزینه‌های نهایی.
• انعطاف‌پذیری در ظرفیت: یعنی هر زمان که شلوغ شد، بتوان به‌راحتی قدرت شبکه را کم و زیاد کرد.

در دنیای واقعی، واحدهای پردازش گرافیکی که در سطح کارت‌های گرافیک مخصوص بازی و در سیستم‌های خانگی مورد استفاده قرار می‌گیرند، برای آن دسته از فعالیت‌های عملیاتی که اولویت اصلی آن‌ها ظرفیت عبور داده (Throughput) و انعطاف‌پذیری است، بسیار مناسب‌تر از محیط‌های با هماهنگی بسیار فشرده و متمرکز هستند.

باب مایلز (Bob Miles)، مدیرعامل شرکت سالاد تکنولوژی (Salad Technologies)، تبیین می‌کند که این پردازنده‌های گرافیکی معمولی به دلیل بهره‌مندی از حافظه ویدیویی (VRAM) کمتر و اتکا به اینترنت خانگی، برای آموزش مدل‌های اولیه یا فعالیت‌هایی که به شدت به تأخیر یا Latency حساس هستند، گزینه ایده‌آلی محسوب نمی‌شوند. با این حال، این منابع در حال حاضر برای پروژه‌هایی نظیر کشف دارو با استفاده از هوش مصنوعی، تبدیل متن به تصویر یا ویدیو و همچنین مسیرهای انتقال داده در مقیاس وسیع که به هزینه‌های نهایی حساسیت زیادی دارند، بازدهی قیمتی بسیار درخشانی از خود نشان می‌دهند.

علاوه بر این، شبکه‌های غیرمتمرکز برای انجام وظایفی مانند جمع‌آوری، پاک‌سازی و آماده‌سازی داده‌ها جهت آموزش مدل‌های هوش مصنوعی بسیار کارآمد هستند. این نوع فعالیت‌ها نیازمند دسترسی گسترده به وب بوده و می‌توانند به صورت موازی و بدون نیاز به هماهنگی‌های پیچیده و فشرده انجام شوند؛ کارهایی که اجرای آن‌ها در مراکز عظیم داده بدون داشتن زیرساخت‌های گسترده سرور واسط (Proxy) بسیار دشوار است. همچنین، هنگام ارائه خدمات به کاربران در سطح جهان، مدل غیرمتمرکز از مزیت پراکندگی جغرافیایی بهره می‌برد و با کاهش فاصله فیزیکی تا کاربر نهایی، تأخیر را در مقایسه با مراکز داده متمرکز به شکل چشمگیری کاهش می‌دهد.

در این میان، شبکه تتا (Theta Network) در اواخر سال ۲۰۲۵ با یک پرونده حقوقی از سوی کارمندان سابق خود روبرو شده است که اتهاماتی همچون کلاهبرداری و دستکاری در قیمت توکن را مطرح کرده‌اند، هرچند مدیران تتا پیش از این تمامی این اتهامات را بی‌اساس دانسته و رد کرده‌اند.

لایه‌ای مکمل در زیرساخت‌های پردازشی هوش مصنوعی

آموزش مدل‌های پیشرو و تراز اول هوش مصنوعی در آینده‌ای نزدیک همچنان در انحصار مراکز داده متمرکز باقی خواهد ماند؛ اما کل فضای محاسباتی جهان در حال تغییر مسیر به سمت استنتاج، ایجنت های هوشمند و فعالیت‌های عملیاتی است که به هماهنگی فنی کمتری نیاز دارند. این نوع فعالیت‌ها از مزایایی چون صرفه‌جویی در هزینه‌ها، پراکندگی جغرافیایی و انعطاف‌پذیری در ظرفیت بهره‌مند می‌شوند.

جی‌یی لانگ (Jieyi Long)، مدیر فنی شبکه تتا (Theta Network)، اشاره می‌کند که در این دوره شاهد ظهور مدل‌های متن‌باز بسیاری هستیم؛ این مدل‌ها اگرچه به بزرگی سیستم‌هایی مانند چت‌جی‌پی‌تی نیستند، اما به قدری بهینه شده‌اند که می‌توان آن‌ها را روی کامپیوترهای شخصی مجهز به واحدهای پردازش گرافیکی قدرتمندی مانند RTX 4090 یا 5090 اجرا کرد.

با داشتن چنین سخت‌افزارهای قدرتمندی، کاربران عادی می‌توانند کارهای پیچیده‌ای مثل ساخت تصاویر هوش مصنوعی یا طراحی‌های سه‌بعدی را به جای تکیه بر سرورهای ابری، مستقیماً روی کامپیوتر شخصی خودشان انجام دهند. این پیشرفت، فرصت بزرگی را برای دارندگان سیستم‌های خانگی ایجاد می‌کند تا قدرت واحد پردازش گرافیکی خود را در زمان‌هایی که بیکار است، به دیگران اجاره دهند و از آن درآمد کسب کنند.

در نهایت هرچه کارت‌های گرافیک خانگی قدرتمندتر و مدل‌های متن باز بهینه‌تر می‌شوند، بخش بزرگی از کارهای هوش مصنوعی می‌تواند از انحصار مراکز عظیم داده خارج شده و به شبکه‌های مردمی منتقل شود؛ اتفاقی که جایگاه مدل‌های غیرمتمرکز را به عنوان ستون اصلی در زیرساخت‌های هوش مصنوعی تثبیت خواهد کرد.