بن فیلدینگ: تمرکززدایی از هوش مصنوعی

داستان از یک میز پرسروصدا شروع شد؛ میزی چوبی در یک آزمایشگاه در دانشگاه نورثومبریا، واقع در شمال انگلستان. در سال ۲۰۱۵، یک پژوهشگر جوان هوش مصنوعی به نام بن فیلدینگ، مسیر دکترای خود را آغاز کرد. او دستگاه بزرگ و پرسر و صدایی با استفاده از GPUهای اولیه ساخت تا به توسعه هوش مصنوعی بپردازد. سروصدای این دستگاه به حدی بود که همکاران آزمایشگاهی‌اش را آزار می‌داد. فیلدینگ این دستگاه را زیر میز جا داد، اما به قدری بزرگ بود که مجبور شد پاهایش را به طرفین ببرد.

فیلدینگ ایده‌های غیرمتعارفی داشت. او در مورد نحوه تعامل و یادگیری “گروه‌هایی” از مدل‌های مختلف هوش مصنوعی از یکدیگر تحقیق کرد، که می‌توانست به بهبود کل مجموعه منجر شود. اما یک مشکل وجود داشت: او با محدودیت‌های دستگاه پرسروصدا زیر میز دست و پنجه نرم می‌کرد و می‌دانست که در این زمینه از رقبا عقب‌تر است. “گوگل نیز روی این تحقیقات کار می‌کرد و هزاران GPU در دیتاسنترهای خود داشتند. روش‌های آنها عجیب نبود؛ من هم روش‌ها را می‌دانستم، اما قادر به اجرای آنها نبودم.” فیلدینگ این را می‌گوید.

ده سال پیش، به فیلدینگ روشن شد که محدودیت‌های محاسباتی همیشه مسئله‌ساز خواهند بود. او در سال ۲۰۱۵ می‌دانست که اگر محاسبه در دانشگاه‌ها محدودیت محسوب می‌شود، بدون شک در زمانی که هوش مصنوعی به جریان اصلی جامعه وارد شود، این مسئله همچنان پابرجا خواهد بود.

راه‌حل؟

هوش مصنوعی غیر متمرکز.

فیلدینگ به همراه هری گریو در سال ۲۰۲۰، شرکت Gensyn را تأسیس کرد، یعنی چندین سال قبل از اینکه هوش مصنوعی غیر متمرکز به مد روز تبدیل شود. پروژه ابتدا به خاطر ساخت محاسبات غیر متمرکز شناخته شد، اما هدف اصلی آن ساخت “شبکه‌ای برای هوش ماشین” است. آنها در حال ساخت راه‌حل‌هایی در تمام سطوح فناوری هستند.

حال، یک دهه پس از اینکه میز پرسروصدای فیلدینگ همکارانش را آزار می‌داد، ابزارهای اولیه Gensyn در دسترس عموم قرار گرفته‌اند. Gensyn به تازگی پروتکل “RL Swarms” را منتشر کرده و شبکه آزمایشی خود را که بلاک‌چین را در بر می‌گیرد، راه‌اندازی کرده است.

در این گفتگو که منتهی به نشست هوش مصنوعی در تورنتو است، فیلدینگ مقدمه‌ای بر AI Swarms ارائه می‌دهد، توضیح می‌دهد که چگونه بلاک‌چین در این پازل قرار می‌گیرد و می‌گوید چرا همه نوآوران – و نه فقط غول‌های فناوری – باید “حق ساخت فناوری‌های یادگیری ماشین” را داشته باشند.

مصاحبه با بن فیلدینگ

تبریک برای راه‌اندازی شبکه آزمایشی. ماهیت آن چیست؟

بن فیلدینگ: این ادغام اولین ویژگی‌های MVP بلاک‌چین با آنچه تا کنون راه‌اندازی کرده‌ایم است.

ویژگی‌های اولیه، پیش از ادغام با بلاک‌چین چه بودند؟

چند هفته پیش، ما RL Swarm را راه‌اندازی کردیم که یادگیری تقویتی پس از آموزش به صورت یک شبکه همتا به همتا است.

بهترین راه برای درک آن این است که زمانی که یک مدل پیش‌آموزش دیده از آموزش تفکر عبور می‌کند – مانند DeepSeek-R1 – یاد می‌گیرد که تفکر خود را نقد کند و به طور مکرر در برابر وظیفه بهبود یابد. می‌تواند پاسخ خود را بهبود دهد.

ما این فرآیند را یک قدم جلوتر می‌بریم و می‌گوییم: “عالی است که مدل‌ها تفکر خود را نقد کنند و بهبود یابند. اما اگر بتوانند با مدل‌های دیگر صحبت کنند و تفکر یکدیگر را نقد کنند چه؟” اگر مدل‌های زیادی در یک گروه جمع شوند که بتوانند با یکدیگر صحبت کنند، می‌توانند یاد بگیرند که چگونه اطلاعات را به مدل‌های دیگر ارسال کنند… با هدف کلی بهبود کل گروه.

بسیار خوب، این نام “گروه” را توضیح می‌دهد.

درست است. این روش آموزشی به مدل‌های متعدد اجازه می‌دهد به صورت موازی ترکیب شوند تا نتیجه یک مدل متا نهایی ایجاد شده از این مدل‌ها بهبود یابد. اما در عین حال، هر مدل به طور جداگانه بهبود می‌یابد. بنابراین اگر شما با مدلی در یک مک‌بوک همراه شوید، به مدت یک ساعت به گروه بپیوندید و سپس دوباره خارج شوید، مدل محلی شما بر اساس دانش در گروه بهبود یافته و همچنین مدل‌های دیگر در گروه را بهبود داده‌اید. این فرآیند آموزشی همکاری است که هر مدلی می‌تواند به آن ملحق شود و هر مدلی می‌تواند آن را انجام دهد. این همان چیزی است که RL Swarm است.

بسیار خوب، این چیزی است که چند هفته پیش منتشر کردید. حالا بلاک‌چین کجا وارد می‌شود؟

بلاک‌چین ما را به جلو می‌برد تا برخی از اصول پایین‌دستی را وارد سیستم کنیم.

فرض کنیم کسی عبارت “اصول پایین‌دستی” را درک نمی‌کند. منظور شما چیست؟

بله، منظورم نزدیک به خود منبع است. بنابراین اگر به پشته نرم‌افزار فکر کنید، یک پشته GPU در یک مرکز داده دارید. برخی از درایورها روی GPU قرار دارند. سیستم‌عامل‌ها، ماشین‌های مجازی و همه این موارد در حال بالا رفتن است.

بنابراین یک اصل پایین‌دستی نزدیک‌ترین چیز به پایه در پشته فناوری است. درست می‌گویم؟

بله، دقیقاً. و RL Swarm یک نمایش از آنچه ممکن است است، اساساً. این فقط یک نمایش نسبتاً آزمایشی از انجام ماشین یادگیری در مقیاس بزرگ و مقیاس‌پذیر است. اما آنچه Gensyn در طول چهار سال گذشته به طور واقع‌گرایانه انجام داده، ساخت زیرساخت است. و اکنون در دوره‌ای هستیم که تمام زیرساخت‌ها در سطح نسخه ۰.۱ بتا هستند. همه چیز تمام شده و آماده استفاده است. ما باید بفهمیم که چگونه به جهان نشان دهیم که چه چیزی ممکن است، وقتی که این تغییر بزرگی در نحوه دید مردم به یادگیری ماشین است.

به نظر می‌رسد که شما خیلی بیشتر از محاسبات غیر متمرکز یا حتی زیرساخت انجام می‌دهید؟

ما سه جزء اصلی داریم که زیرساخت ما را تشکیل می‌دهند. اجرا – ما کتابخانه‌های اجرای مداوم داریم. ما کامپایلر خودمان را داریم. کتابخانه‌های قابل تکراری برای هر هدف سخت‌افزاری داریم.

قطعه دوم ارتباط است. فرض کنید می‌توانید یک مدل را روی هر دستگاهی در جهان که سازگار است اجرا کنید، آیا می‌توانید آنها را به گفتگو با یکدیگر درآورید؟ اگر همه به یک استاندارد یکسان بپیوندند، همه می‌توانند مانند TCP/IP از اینترنت ارتباط برقرار کنند، اساساً. بنابراین ما آن کتابخانه‌ها را ساختیم و RL Swarm نمونه‌ای از آن ارتباط است.

و در نهایت، تأیید.

آه، و حدس می‌زنم اینجا جایی است که بلاک‌چین وارد می‌شود…

تصور کنید سناریویی که در آن هر دستگاه در جهان به طور مداوم در حال اجرا است. آنها می‌توانند مدل‌ها را به هم متصل کنند. اما آیا می‌توانند به یکدیگر اعتماد کنند؟ اگر مک‌بوک خود را به شما متصل کنم، بله، آنها می‌توانند همان وظایف را اجرا کنند. بله، می‌توانند تنسورها را به عقب و جلو بفرستند، اما آیا می‌دانند که آنچه به دستگاه دیگر ارسال می‌شود واقعاً در دستگاه دیگر اتفاق می‌افتد یا نه؟

در دنیای فعلی، شما و من احتمالاً قراردادی امضا می‌کنیم که می‌گوید، بله، ما موافقت می‌کنیم که مطمئن شویم دستگاه‌های ما کار درست را انجام می‌دهند. در دنیای ماشین، این باید برنامه‌ریزی‌شده اتفاق بیفتد. بنابراین این آخرین قطعه‌ای است که ما می‌سازیم، اثبات‌های رمزنگاری، اثبات‌های احتمالی، اثبات‌های نظری بازی برای این که این فرآیند به طور کامل برنامه‌ریزی‌شده باشد.

بنابراین اینجاست که بلاک‌چین وارد می‌شود. این به ما همه مزایای بلاک‌چین را که می‌توانید تصور کنید می‌دهد، مانند هویت پایدار، پرداخت‌ها، توافق، و غیره. و بنابراین آنچه که اکنون با شبکه آزمایشی انجام می‌دهیم این است که RL Swarm و اصول دیگر زیرساخت را می‌گیریم و اجزای بلاک‌چین را اضافه می‌کنیم و می‌گوییم، “هی، وقتی به یک گروه ملحق می‌شوید، اکنون یک هویت پایدار دارید که در آنجا در یک دفتر غیر متمرکز وجود دارد.”

در آینده شما توانایی انجام پرداخت‌ها را خواهید داشت، اما در حال حاضر، شما آن مکانیسم توافق اعتماد را دارید که می‌توانیم اختلافات را حل کنیم. بنابراین، این نوعی MVP از زیرساخت آینده Gensyn است، جایی که ما قرار است اجزا را به مرور اضافه کنیم.

ما را با چیزی که در آینده پیش رو است آشنا کنید؟

وقتی به شبکه اصلی برسیم، تمامی نرم‌افزار و زیرساخت بر اساس بلاک‌چین به عنوان منبع اعتماد، پرداخت‌ها، توافق و هویت زنده خواهد بود. این اولین گام از آن است. این افزودن هویت به سیستم و اعلام اینکه وقتی به یک گروه می‌پیوندید، می‌توانید به عنوان همان شخص ثبت‌نام کنید. همه بدون این که نیاز به بررسی یک سرور یا وب‌سایت مرکزی داشته باشید، می‌دانند شما کی هستید.

حالا بگذارید به آینده دورتر بپردازیم. یک سال، دو سال، پنج سال بعد، چه چیزی در انتظار است؟ ستاره شمالی شما چیست؟

البته. چشم‌انداز نهایی این است که تمامی منابعی که زیر یادگیری ماشین قرار دارند را به طور فوری و برنامه‌پذیر برای همه قابل دسترسی کنیم. یادگیری ماشین به شدت با منابع اصلی خود محدود شده است. این یک حفاظت بزرگ برای شرکت‌های هوش مصنوعی متمرکز ایجاد می‌کند، اما نیازی به وجود آن نیست. اگر بتوانیم نرم‌افزار درست بسازیم، می‌تواند متن‌باز شود. بنابراین دیدگاه ما این است که Gensyn تمامی زیرساخت‌های سطح پایین را می‌سازد تا به آن نزدیک‌ترین حالت متن‌باز برسد. افراد باید حق ساخت فناوری‌های یادگیری ماشین را داشته باشند.