آیا شبکه‌های غیرمتمرکز تلفن همراه می‌توانند نیروی محرکه انقلاب هوش مصنوعی باشند؟

شبکه‌های هوش مصنوعی غیرمتمرکز قصد دارند تلفن‌های هوشمند روزمره را به جایگزینی برای زیرساخت‌های محاسباتی متمرکز تبدیل کنند؛ اما منتقدان در این باره تردید دارند.

مراکز داده عظیمی که زیربنای انقلاب هوش مصنوعی را تشکیل می‌دهند، این روزها به اندازه اسباب‌بازی‌های کودکان که از آزبست ساخته شده باشند، نامحبوب شده‌اند.

فعالان محیط‌زیست در سراسر جهان به مقادیر عظیم انرژی و آبی که این زیرساخت‌ها نیاز دارند اشاره می‌کنند، در حالی که بازارها نگران درآمد لازم برای بازگشت هزینه ۳۸ میلیارد دلاری ساخت تنها یک مرکز داده هوش مصنوعی یک گیگاواتی هستند.

اما آیا راه دیگری برای تأمین نیروی انقلاب هوش مصنوعی وجود دارد که همین الان در جیب شما جا خوش کرده باشد؟

تا اکتبر ۲۰۲۶، برآورد می‌شود که ۷.۶۸ میلیارد اتصال تلفن همراه در سراسر جهان وجود داشته باشد و میلیاردها گوشی هوشمند در حال حاضر بدون استفاده در جیب‌ها، روی میزها و داخل کشوها رها شده‌اند.

هر یک از این دستگاه‌ها دارای پردازنده، حافظه و اتصال به اینترنت هستند و منبع عظیمی از قدرت پردازشی را تشکیل می‌دهند که تنها منتظر به کار گرفته شدن است.

بنابراین، آیا شبکه‌ای از گوشی‌های هوشمند معمولی واقعاً می‌تواند هوش مصنوعی را در مقیاس وسیع تغذیه کند؟

به کار گرفتن گوشی‌های هوشمند

شبکه‌های هوش مصنوعی غیرمتمرکزی در حال ظهور هستند که هدفشان تبدیل گوشی‌های هوشمند روزمره به یک لایه زیرساختی توزیع‌شده و کاهش وابستگی به مراکز داده پرهزینه و متمرکز است.

شرکت آکوراست (Acurast) می‌گوید بیش از ۳۳۵,۰۰۰ گوشی هوشمند را وارد شبکه خود کرده است. الساندرو دی کارلی، هم‌بنیان‌گذار این شرکت، می‌گوید حدود ۴۰,۰۰۰ دستگاه از آن‌ها در یک روز معمولی کاملاً فعال هستند و ظرفیت محاسباتی لازم برای وظایفی از جمله وب‌اسکریپینگ و امنیت سایبری گرفته تا استنتاج هوش مصنوعی (AI inference) و میزبانی ایجنت‌ها را فراهم می‌کنند.

او می‌گوید گوشی‌های هوشمند برای بارهای کاری خاصی فوق‌العاده کارآمد هستند. ویژگی‌های امنیتی سخت‌افزاری توکار آن‌ها در زمینه‌هایی مانند محاسبات محرمانه (Confidential Computing) یا ایجاد یک «محیط ایزوله» که بتواند فایل‌های اجرایی را نصب و اجرا کند، عالی عمل می‌کنند. آن‌ها همچنین برای بارهای کاری متکی بر پردازنده (CPU) یا کارهایی که نیازمند توزیع گسترده و «دسترسی فیلترنشده» به اینترنت هستند، بسیار مناسب هستند.

دی کارلی به Magazine می‌گوید:

سرورها در پردازش چندرشته‌ای (Multi-threading) بهتر عمل می‌کنند، اما گوشی‌های هوشمند بهره‌وری محاسباتی بی‌نظیری ارائه می‌دهند.

در حالی که گوشی‌های هوشمند معمولی حافظه محدودی دارند و سرورهای بزرگ هنگام مدیریت چندین کار به صورت موازی برتری خود را حفظ می‌کنند، او معتقد است که بسیاری از بارهای کاری همچنان می‌توانند در همان حافظه موجود گوشی‌ها جا شوند.

او ادعا می‌کند که در مجموع، گوشی‌های فعال در این شبکه در مقایسه با بنچمارک سرور ASUS RS720A-E11 (یک سرور با تراکم بالا که برای هوش مصنوعی و محاسبات با کارایی بالا یا HPC ساخته شده است)، «ظرفیت محاسباتی معادل حدود ۲,۳۴۰ سرور پیشرفته دیتاسنتر را ارائه می‌دهند».

پروژه دیگری به نام فِیز (Phase)، در ماه اکتبر سرویس Phase Proxy را راه‌اندازی کرد که به صاحبان گوشی‌های هوشمند اجازه می‌دهد اتصال اینترنت و اعتبارسنجی بلاک‌چین را برای ایجنت‌های هوش مصنوعی فراهم کنند. کیریل ایوز، بنیان‌گذار این پروژه، توضیح می‌دهد:

وب‌سایت‌ها معمولاً ترافیک خودکاری را که از مراکز داده سرچشمه می‌گیرد مسدود یا محدود می‌کنند.

بنابراین، این سیستم به جای آن از اتصالات موبایل و اینترنت خانگی کاربران به عنوان پروکسی استفاده می‌کند. پروژه Phase قصد دارد به ازای هر ۱,۰۰۰ درخواست و ۱ گیگابایت ترافیک، هزینه ۰.۵ تتر (USDT) دریافت کند.

گام بعدی، سرویس Phase Router است که بر اساس «پیچیدگی کار، قابلیت‌های مدل، عملکرد و هزینه»، درخواست‌های ساده‌تر را به مدل‌های در حال اجرا روی گوشی‌های شبکه هدایت می‌کند یا آن‌ها را به ارائه‌دهندگان خارجی بزرگ مانند OpenAI و Anthropic می‌فرستد.

او می‌گوید این شبکه در نهایت می‌تواند فراتر از گوشی‌های هوشمند گسترش یابد و رایانه‌های رومیزی، سرورها و پردازنده‌های گرافیکی (GPU) را نیز در بر بگیرد.

اما مارکوس لوین، هم‌بنیان‌گذار شرکت ارائه‌دهنده زیرساخت غیرمتمرکز XYO، معتقد است شبکه‌های غیرمتمرکز به جای اجرای مدل‌های هوش مصنوعی، ممکن است برای جمع‌آوری و تأیید داده‌های دنیای واقعی مناسب‌تر باشند.

او می‌گوید گوشی‌ها و حسگرها می‌توانند اطلاعات محلی و مکانی را فراهم کنند که مجموعه‌داده‌های متمرکز از آن‌ها بی‌بهره‌اند، اما این امر تنها در صورتی مفید است که داده‌ها دقیق و در برابر دستکاری مقاوم باشند.

او می‌افزاید:

یک شبکه هوش مصنوعی غیرمتمرکزِ کارآمد باید بر اساس این قضاوت شود که آیا مشکلی را حل می‌کند که مشتریان حاضر به پرداخت هزینه برای رفع آن باشند یا خیر، نه بر اساس قیمت توکن یا تعداد نودهای آن.

هماهنگی، بخش دشوار ماجراست

یکی از بزرگ‌ترین چالش‌ها در شبکه‌های تلفن همراه، هماهنگ کردن دستگاه‌ها برای ارائه سخت‌افزار، توان مصرفی و اتصال قابل پیش‌بینی است؛ دقیقا به همان شکلی که مراکز داده عمل می‌کنند.

یک پژوهش در سال ۲۰۲۵ گروه‌های کوچکی از گوشی‌های هوشمند را در حال انجام وظایف تشخیص تصویر آزمایش کرد و نشان داد که خوشه‌هایی از گوشی‌ها می‌توانند در شرایط خاصی عملکردی رقابتی ارائه دهند، اما این نتایج حاصل یک محیط آزمایشی کنترل‌شده بود.

یک پروژه تحت حمایت گوگل در دانشگاه کالیفرنیا، سن دیگو نشان داد که مجموعه‌ای متشکل از ۲۰ گوشی هوشمند از رده خارج می‌تواند اوج بار کاری محاسباتی یک کلاس با بیش از ۷۵ دانشجو را مدیریت کند و زمان نمره‌دهی و ارزیابی آن سریع‌تر از سیستم ابری استاندارد دانشگاه باشد. با این حال، آن دستگاه‌ها نیز در یک محیط کنترل‌شده سازماندهی شده بودند، نه اینکه در سراسر جهان پراکنده باشند.

در دنیای واقعی، یک شبکه توزیع‌شده باید با گوشی‌هایی دست‌وپنجه نرم کند که قطع می‌شوند، داغ می‌کنند، باتری‌شان تمام می‌شود، شبکه‌شان تغییر می‌کند و قدرت پردازش و حافظه متفاوتی دارند.

برای مثال، در یک شبکه بلاک‌چین مانند اتریوم، ظرفیت شبکه در حال حاضر به دلیل زمان لازم برای برقراری ارتباط در سراسر شبکه و توانایی‌های پردازشی ضعیف‌ترین دستگاه‌ها محدود می‌شود.

به همین ترتیب، وقتی وظایف بین چندین گوشی تقسیم می‌شوند، اتصالات کند یا دستگاه‌های قطع‌شده می‌توانند کار را مختل کنند. توزیع وظایف مجزا و مستقل بین گوشی‌های در دسترس، معمولاً سرراست‌تر و ساده‌تر است.

آیا این مدل از نظر اقتصادی مقرون‌به‌صرفه است؟

حتی اگر بتوان بر چالش‌های فنی غلبه کرد، این شبکه‌ها همچنان باید هم برای مشتریان و هم برای صاحبان دستگاه‌ها توجیه مالی داشته باشند.

استفاده از سخت‌افزارهای موجود گوشی‌های هوشمند، هزینه‌های سرمایه‌ای سنگین ساخت یک دیتاسنتر را به همراه ندارد، اما هزینه‌های آن شامل عواملی مانند اتصال، هماهنگی و مشوق‌های مالی برای افراد حاضر در شبکه است.

در مورد جبران خدمات و پاداش‌ها، دی کارلی می‌گوید «رقم ثابتی وجود ندارد»، زیرا پاداش مشارکت‌کنندگان در شبکه Acurast بر اساس «مدت زمان روشن و متصل بودن دستگاه (Uptime)، مشخصات سخت‌افزاری (عملکرد در بنچمارک)، کل توکن‌های استیک‌شده ACU و تقاضای محاسباتی فعال» از سوی توسعه‌دهندگان متغیر است. او می‌گوید اپراتورها به جای دریافت پرداخت مستقیم از مشتریان، برای دریافت سهمی از یک استخر پاداش که از طریق تورم توکن تأمین می‌شود، رقابت می‌کنند.

پاداش‌های شبکه Phase نیز به زمان اتصال، میزان مشارکت و تقاضای مشتریان بستگی دارد.

ایوز می‌گوید:

Phase بخشی از درآمد حاصل از خدمات خود را برای خرید توکن PHASE در بازار آزاد اختصاص می‌دهد و آن را بر اساس میزان مشارکت اپراتورهای نود در شبکه، بین آن‌ها توزیع می‌کند.

اجرای صحیح یک مدل هوش مصنوعی روی یک گوشی دیگر چالش اصلی نیست؛ بلکه چالش واقعی، ایجاد توازن اقتصادی و در عین حال هماهنگ کردن ده‌ها هزار گوشی برای رفتار کردن مانند یک سرویس ابری قابل اعتماد است.