شبکههای غیرمتمرکز GPU؛ راهکاری مقرونبهصرفه برای هوش مصنوعی
هوش مصنوعی به قدرت محاسباتی وابسته است، همانطور که مغز ما به اکسیژن وابسته است؛ بدون آن، سیستمهای هوش مصنوعی نمیتوانند کار کنند و بهبود یابند. راهکارهای محبوب محاسباتی هوش مصنوعی به پلتفرمهای ابری مانند AWS و Google Cloud یا شرکتهایی که از GPU و TPU خود استفاده میکنند، متکی هستند. اگرچه این راهکارها انعطافپذیری و مقیاسپذیری را ارائه میدهند، اما میتوانند پرهزینه و از نظر فنی چالشبرانگیز باشند، بهویژه برای استارتاپها.
شبکههای محاسباتی غیرمتمرکز میتوانند جایگزین مناسبی باشند. Sjoerd Dijkstra، یکی از بنیانگذاران Nosana، در AMA زنده Cointelegraph به مزایای این شبکهها اشاره کرد. Nosana که در ژانویه ۲۰۲۵ راهاندازی شد، یک بازار GPU است که به توسعهدهندگان اجازه میدهد از قدرت یک شبکه غیرمتمرکز GPU برای آموزش و استنتاج مدلهای هوش مصنوعی خود استفاده کنند، در حالی که به صاحبان GPU اجازه میدهد سختافزار خود را اجاره دهند.
Dijkstra گفت: «ما از منابع بلااستفاده در سراسر جهان استفاده میکنیم و آن را برای شرکتها و توسعهدهندگانی که به مقیاسپذیری نیاز دارند، بدون هزینههای گزاف، بسیار مقرونبهصرفه میکنیم. مقیاسپذیری یکی دیگر از دلایل است. همچنین با پردازش دادهها نزدیک به منبع، تأخیرها را به حداقل میرسانیم و آزمایش هوش مصنوعی را تسریع میکنیم.»
کاربردهای گسترده در صنایع مختلف
او ادامه داد: «GPUهای غیرمتمرکز کاربردهای گستردهای در صنایع مختلف دارند و بهویژه برای وظایف استنتاج هوش مصنوعی عالی هستند. در Web3، ما پلتفرمهای زیادی با مدلهای زبانی بزرگ و سیستمهای تولید تصویر میبینیم که واقعاً از این قابلیتهای محاسباتی پیشرفته شبکههای غیرمتمرکز GPU بهرهمند میشوند.»
دیگر کاربردهایی که Dijkstra به آنها اشاره کرد، شامل مراقبتهای بهداشتی برای کشف دارو و تشخیص، صنعت خودرو برای وسایل نقلیه خودران، امور مالی و عوامل هوش مصنوعی است.
قالبهای از پیش ساخته شده برای مدلهای هوش مصنوعی
ساخت مدلهای هوش مصنوعی از ابتدا میتواند زمانبر و پرهزینه باشد، بنابراین این پلتفرم مجموعهای از قالبها با مدلهای هوش مصنوعی از پیش ساخته شده را ارائه میدهد که از مدلهای زبانی بزرگ (LLM) برای نیازهای مختلف پشتیبانی میکنند. Dijkstra تأکید کرد: «کسبوکارها میتوانند از قالبهای ما بهعنوان نقطه شروع استفاده کنند که متناسب با نیازهای رایج صنعت سفارشی شدهاند. اینها راهکارهای پیشرفته هوش مصنوعی هستند که از قبل برای موارد استفاده خاص شما بهینه شدهاند.»
او به برخی از پروژههای فعال که از منابع Nosana بهرهمند شدهاند، اشاره کرد: یک پلتفرم برای صنعت خلاقیت به نام Sogni AI هزینهها را کاهش داده و عملیات را مقیاسبندی کرده است، Ocada عوامل هوش مصنوعی را با قدرت محاسباتی Nosana یکپارچه کرده تا لایه کاربردی خود را بهینه کند، و یک بازار غیرمتمرکز برای مدلهای هوش مصنوعی و مجموعه دادهها به نام AlphaNeural استقرار مدلها را تسریع کرده است.
شبکهای متشکل از صاحبان مستقل GPU و ارائهدهندگان بزرگ
شبکه Nosana توسط ترکیبی از صاحبان مستقل GPU و ارائهدهندگان بزرگ پشتیبانی میشود: تقریباً ۷۵٪ از GPUهای شبکه از مشارکتکنندگان فردی در سراسر جهان هستند و بقیه از ارائهدهندگان GPU معتبر مانند Render و PikNick هستند که امنیت، قابلیت اطمینان و عملکرد Nosana را افزایش میدهند.
Dijkstra گفت: «آنها شبکه Nosana را نهتنها غیرمتمرکز، بلکه آماده برای استفاده سازمانی میکنند که به ما اجازه میدهد به طیف وسیعتری از مشتریان، از استارتاپها تا سازمانهای بزرگ که به راهکارهای محاسباتی قوی و سازگار نیاز دارند، خدمات ارائه دهیم.»
میزبانان GPU در Nosana ملزم به سهامگذاری $NOS هستند تا اطمینان حاصل شود که تنها شرکتکنندگان معتبر قدرت محاسباتی را ارائه میدهند. آنها مشوقها و پاداشهای مبتنی بر عملکرد دریافت میکنند.
آینده هوش مصنوعی با تمرکز بر امنیت و اعتماد
Dijkstra در پایان گفتگو گفت: «ما تازه در ابتدای انقلاب هوش مصنوعی هستیم و غیرمتمرکزسازی کلید دسترسی بیشتر به هوش مصنوعی است. اما باید به نکات مهمی توجه کنیم - تضمین امنیت و اعتماد، تعیین پروتکلها و APIهای استاندارد و استفاده از راهکارهای مقیاسپذیر، که این همان کاری است که ما در Nosana انجام میدهیم. اینگونه است که میتوانیم راه را برای یک چشمانداز هوش مصنوعی قابل دسترستر و کارآمدتر هموار کنیم.»