Chen_Xi

#newt $NEWT @NewtonProtocol الشيء الذي أعود إليه مرارًا عندما أبحث في البنية التحتية لسلسلة الكتل: غالبًا ما تكون أكثر الأدوات تأثيرًا هي تلك التي تحل مشكلات لم يُعبَّر عنها بشكل كامل بعد.

لا تزال وكلاء الذكاء الاصطناعي القادرون على توقيع المعاملات بشكل مستقل ضمن قطاع ضيق نسبيًا في عالم العملات المشفرة، لكن الاتجاه يتسارع. المحافظ التي تستطيع تنفيذ صفقات، أو تفعيل المدفوعات، أو التفاعل مع البروتوكولات دون موافقة يدوية، أصبحت أكثر قدرة كل ربع سنة. ومع حدوث ذلك، تبدأ مسألة هادئة لكنها مهمة جدًا: كيف نحدّ مما يُسمح للوكيل بفعله قبل أن تُحسَم المعاملة، لا بعد ذلك؟

أثناء قراءتي عن بروتوكول Newton، كانت هذه هي التفاصيل التي استحوذت عليّ أكثر من غيرها. يمكن لمحرك السياسات نفسه الذي صُمم لفرض فحوصات العقوبات على العملات المستقرة أو قواعد الأهلية للأصول المُرمَّزة أن يضع أيضًا حواجز حماية (Guardrails) لوكلاء مستقلين تحدد حدود الإنفاق، والأطراف المقابلة المسموح بها، والقيود الجغرافية التي يتم تقييمها والتحقق منها تشفيريًا قبل تنفيذ المعاملة.

يبدو هذا غير مُقدَّر حق قدره في معظم النقاشات. يلقى الامتثال المؤسسي اهتمامًا. ويلقى سلامة الوكلاء اهتمامًا. أما احتمال أن يتم حل الأمرين عبر طبقة بنية تحتية أساسية واحدة، فيحظى بأقل بكثير من الاهتمام.

مع نضوج اقتصاد وكلاء الذكاء الاصطناعي، قد تصبح الموافقة المسبقة على المعاملات أحد أهم المكوّنات الأساسية في Web3. وهذا يستحق المراقبة عن كثب.

هل يمكن لنظام سياسات ثابت قائم على القواعد أن يواكب واقعيًا وكلاء مُصمَّمين ليتعلموا ويتكيفوا؟
#Newt #NewtonProtocol #blockchain #AI

#newt $NEWT @NewtonProtocol هناك نمط لكيفية نضج بنية البلوك تشين التحتية. أولاً، يقوم كل مشروع ببناء نسخته الخاصة من أداة. ثم يقوم شخص ما بتوحيدها. اتّبعت عمليات تدقيق العقود الذكية وشبكات المَوْرِدات وبروتوكولات الربط (Bridging) مسارًا مشابهًا. أثناء قراءتي عن بروتوكول Newton، وجدت نفسي أتساءل عما إذا كانت الامتثال على السلسلة (onchain compliance) قد يكون الخطوة التالية.

اليوم، تتعامل معظم تطبيقات التمويل اللامركزي (DeFi) مع متطلبات التنظيم بشكل منعزل. تُشفّر منطق فحص العقوبات داخل عقود بروتوكول واحد. تُعاد عمليات التحقق من الأهلية من الصفر بواسطة الفريق التالي. لا توجد قاعدة مشتركة. والنتيجة هي تطبيق غير متسق للمتطلبات عبر التطبيقات، مع عبء كبير على الفرق التي لا تمتلك خبرات قانونية وأمنية داخلية.

نموذج Newton يقلب هذه الفكرة. تُكتب قواعد الامتثال مرة واحدة وتُنشر في سجلّ مشترك. يمكن لأي بروتوكول الرجوع إليها بدلًا من إعادة بناء منطق مماثل بشكل مستقل. يمكن لنفس سياسة العقوبات التي يستخدمها مُصدر عملة مستقرة (stablecoin) — من حيث المبدأ — أن تخدم منصة إقراض أو سوقًا لتداول أصول مُرمّزة (tokenized assets). لقد غيّرت هذه القابلية للتراكيب (composability) بهدوء أجزاء أخرى من البنية التحتية لقطاع العملات المشفرة، وربما تصبح أكثر أهمية في الامتثال، حيث تُعد الاتساق وقابلية التدقيق هما بالضبط ما يحتاجه المنظمون والمؤسسات كي يروا.

السؤال المفتوح هو ما إذا كانت البنية التحتية المشتركة هنا ستخلق مخاطر جديدة. قد يتحول سجل سياسات واسع التبني إلى نقطة تركّز.

إذا كان منطق الامتثال مشتركًا بين البروتوكولات، فمن يملك في النهاية السلطة لتغييره؟#NewtonProtocol #NewtonMainnet #newton #DecentralizedAI

#newt $NEWT @NewtonProtocol تركز معظم المحادثات حول تبنّي العملات المشفّرة على مستوى المؤسسات على المشاعر: هل تثق البنوك بسلسلة الكتل؟ وهل سيسمح المنظّمون بذلك؟ وهل التوقيت مناسب؟ أثناء قراءتي عن بروتوكول Newton، بدأت أشك في هذا الإطار برمّته.

قد لا يكون العائق الأكثر إثارة للاهتمام هو عدم الاستعداد على الإطلاق. بل هو البنية التحتية. عندما تتمتّع الدفعات التقليدية بالتسوية، تحدث عمليات تحقق آلية في الخلفية قبل اكتمال المعاملة: التحقق من الهوية، وفحص العقوبات، وقواعد الأهلية. تُنتج هذه الفحوصات سجلات. وهي سريعة ومتّسقة. على السلسلة، تفتقر هذه الطبقة فعليًا إلى الوجود. أحيانًا تقوم التطبيقات بحظر المستخدمين على مستوى واجهة الاستخدام، لكن هذا مجرد فلتر للواجهة الأمامية، وليس امتثالًا قابلًا للفرض. لا توجد شهادة يمكن التحقق منها بأن أي شيء تمّت مراجعته فعليًا.

يتعامل نهج Newton مع ذلك باعتباره مشكلة هندسية لا تنظيمية. ومن خلال إنشاء طبقة سياسات مشتركة يمكن للمطوّرين توصيلها بحد أدنى من التكامل، يحاول جعل الامتثال متسقًا وقابلًا للتدقيق عبر التطبيقات بدل أن يُبنى بشكل مخصص بواسطة كل فريق على حدة. إحدى التفاصيل التي لفتت انتباهي هي أن تصميم الخصوصية يُراعي السمات الخاصة بالهوية الحساسة عند اتخاذ قرارات السياسة داخل بيئات التنفيذ الموثوقة، لذا ما يتم تسجيله على السلسلة هو دليل على حدوث الفحص، وليس البيانات الشخصية الكامنة وراءه.

يبقى ما إذا كان المنظّمون عبر ولايات قضائية مختلفة سيجدون ذلك كافيًا سؤالًا مفتوحًا فعلًا. لكنّه يطرح سؤالًا مفيدًا: إذا تم حل مشكلة البنية التحتية للامتثال، فما العائق الحقيقي التالي أمام التمويل اللامركزي المؤسسي؟
#Newt #defi #CryptoInfrastructure #NewtonProtocol

#newt $NEWT @NewtonProtocol البحث في مشروع بعد أشهر من بدايته قد يبدو وكأنك تتحقق من شركتين مختلفتين تحملان الاسم نفسه. هذا تقريبًا ما حدث عندما أعدت زيارة بروتوكول نيوتن. ما بدأ كفكرة أتمتة مبنية حول وكلاء تداول بالذكاء الاصطناعي، وبناءً على معلومات متاحة علنًا، أعاد تموضع نفسه حول شيء أقل لفتًا للنظر ولكن ربما أكثر تأسيسًا: امتثالٌ قابلٌ للتحقق للمعاملات على السلسلة.

ما لفت انتباهي لم يكن التحول بحد ذاته، بل المنطق وراءه. أدوات الأتمتة مفيدة، لكنها لا تحل سبب تردد المؤسسات في إدخال رأس مال جاد إلى السلسلة. إن المعيق الأعمق يتمثل في غياب طريقة مشتركة وقابلة للبرمجة لفرض قواعد مثل التحقق من قوائم العقوبات أو حدود الاختصاص القضائي دون الاعتماد على مراجعة يدوية أو منطق مخصص لكل تطبيق. إن فصل تقييم السياسات عن العقود الذكية الفردية، ثم تدعيم ذلك بإثباتاتٍ تشفيرية، هو ابتكارٌ أكثر هدوءًا من أسواق الوكلاء، لكنه ربما يكون ابتكارًا أكثر ضرورة.

هذا أثار سؤالًا آخر لدي: مع اكتشاف المزيد من مشاريع التشفير أن الامتثال، لا الأتمتة، هو عنق الزجاجة الحقيقي لاعتماد التقنية، هل سيصبح "الامتثال ككود" فئة بنية تحتية مستقلة بهدوء—كما فعلت منصات الأوراكل بالنسبة للبيانات؟

ماذا الذي سيتطلبه الأمر لطبقة امتثال لا مركزية أن تكسب ثقة الجهات التنظيمية دون أن تتحول هي نفسها إلى بوابة تمنع الوصول؟#Newt #newton #NewtonProtocol #Aİ

#opg $OPG @OpenGradient عندما أدركتُ أنني أثق بكتل البرمجيات المفتوحة التي يراجعها غرباء أكثر من الأسماء التجارية الكبيرة

كانت لديّ في الليلة الماضية قناعة غريبة أدركتُ فيها أنني أثق ببرمجيات المصدر المفتوح التي يراجعها أشخاص عاديون من الغرباء أكثر مما أثق بمنتج مُصقَل من شركة أظن أنني "أعرفها". هذا يبدو معكوسًا على الورق. فالشركة لديها سمعة تحميها، وعلامة تجارية، وفريق قانوني. أما المساهم العشوائي فلا يملك أيًا من ذلك. لكن الكود موجود هناك، مرئي، وإذا حدث خطأ فسيكتشفه شخصٌ ما في النهاية ويشير إليه علنًا.

في أنظمة الذكاء الاصطناعي المغلقة، لا نحصل على هذا الخيار. نحن نثق بالاسم الموجود على الموقع بدلًا من الآليات الفعلية تحت السطح، وقد اعتاد معظمنا ذلك كأمر طبيعي لأننا غالبًا لا نملك بديلًا. بدأت أتساءل لماذا نطبّق معايير مختلفة جدًا على الذكاء الاصطناعي عما نطبقه عمومًا على البرمجيات، حيث كانت المراجعة العلنية مفيدة لِعقود.

ولهذا جزءٌ من السبب وراء أن نهج البنية التحتية المفتوحة وراء شيء مثل OpenGradient ظلّ عالقًا في ذهني مدةً أطول مما توقعت. ليس لأن الانفتاح يعني تلقائيًا أنه أكثر أمانًا؛ فالكثير من الكود المفتوح به أخطاء أيضًا. بل لأن الانفتاح يعني أنه يمكن التحقق منه، والتحقق في المدى الطويل يتفوّق على السمعة، حتى لو كان الأمر أقل طمأنينة في اللحظة.

أعتقد أننا سننظر إلى الثقة العمياء بالعلامات التجارية في الذكاء الاصطناعي بالطريقة نفسها التي ننظر بها اليوم إلى الثقة العمياء بعقود ذكية غير خاضعة للتدقيق.

هل لاحظ أي شخص آخر هذا التفاوت في المعايير من قبل، أم أنني وحدي؟

#OpenGradient #OPG #OpenSourceAI

#opg $OPG @OpenGradient لماذا توقفت عن افتراض أن اللامركزية تعني أنها أبطأ

لفترة طويلة كان لدي هذا الافتراض الكسول العالق في ذهني، بأن بنية الذكاء الاصطناعي اللامركزية يجب أن تكون أبطأ أو أكثر تعقيدًا من البدائل المركزية، فقط لأن إضافة التحقق عبر البلوك تشين تبدو وكأنها ستضيف احتكاكًا. لم أختبر هذا الافتراض أبدًا؛ كنت أحمله فقط لأنه بدا منطقيًا على السطح.

ثم بدأت أولي اهتمامًا أكبر بكيفية تعامل OpenGradient مع الاستدلال، وأدركت أنني كنت أفكر في هذا الأمر بالعكس. عنق الزجاجة ليس في اللامركزية نفسها، بل في الطريقة السيئة التي صُممت بها معظم المحاولات المبكرة لدمج الذكاء الاصطناعي والبلوك تشين. التحقق لا يعني بالضرورة أن كل خطوة يجب أن تتعطل على السلسلة. يمكن أن يعني أن الأجزاء المهمة—الأجزاء التي تهم في بناء الثقة—تُسجل بطريقة يمكن التحقق منها دون أن تُبطئ النظام بالكامل.

ما لفت انتباهي هو أن الأمر لا يبدو كأنه مقايضة بين السرعة والثقة، بل كمشكلة تصميم لم تكن المشاريع الأقدم قد حلتها بشكل جيد بعد. هذه نتيجة مختلفة عن الاستنتاج الذي بدأت به، وقد جعلتني أقل يقينًا بكثير في تجاهل أنظمة ذكاء اصطناعي لا مركزية فقط بسبب كيفية أداء تجارب البلوك تشين الأقدم.

يدفعني ذلك للتساؤل: كم عدد الافتراضات الأخرى حول هذا المجال التي ما زالت مجرد انطباعات قديمة من مشاريع جاءت قبلها، وليست وصفًا دقيقًا لما هو ممكن الآن.#OpenGradient #OPG #DecentralizedAI

#opg $OPG @OpenGradient سلامة البيانات هي الكلمة المملة التي تحدد بالفعل ما إذا كان أي شيء من هذا يعمل

لم أكن أضع في اعتباري مقدار ما تتجاوزه محادثات الذكاء الاصطناعي سريعًا فيما يخص سلامة البيانات حتى حاولت تتبع مصدر بيانات تدريب النموذج فعليًا. طرحت سؤالًا أساسيًا نسبيًا: من أين نشأ هذا المجموع؟ وهل تم تعديله منذ ذلك الحين؟ ثم اصطدمت بجدار تقريبًا فورًا. معظم المنصات لا تجيب عن ذلك، ومعظم المستخدمين—بمن فيهم أنا—لم نكن نسأل عادةً، إلا مؤخرًا.

إنها فجوة عمياء غريبة بالنسبة لشيء نثق به في قرارات أكثر فأكثر أهمية. نبالغ في التركيز على دقة النموذج، ودرجات المعايير القياسية (benchmarks)، وسرعة الاستجابة، وكل ما هو ظاهر. وفي الوقت نفسه، لا يخضع ما يدخل النموذج من بيانات—سواء تم العبث بها أو استبدالها أو تحديثها بهدوء—لأي فحص تقريبًا. «قمامة تدخل، قمامة تخرج» عبارة قديمة، لكنها ما تزال تنطبق؛ فقط أننا توقفنا عن التحقق من جزء «القمامة».

هنا تحديدًا تَكتسب الزاوية المرتبطة بالسلسلة (on-chain) خلف شيء مثل OpenGradient مكانها بالنسبة لي، ليس كشعار رنان، بل كحل عملي. إذا تم تسجيل البيانات وسلوك النموذج في مكان ما لا يمكن تغييره، فإن سلامة البيانات لم تعد مجرد افتراض، بل تصبح شيئًا يمكن التحقق منه. هذا تحول صغير على الورق، لكنه تحول ذو معنى في الواقع، خصوصًا مع أتمتة المزيد من القرارات.

أعتقد أن سلامة البيانات ستصبح أهم من أداء النموذج خلال بضع سنوات. هل يشعر أي شخص آخر أننا نقلل من قيمتها مقارنةً بمقاييس ذكاء اصطناعي أكثر لفتًا للنظر؟

#OpenGradient #OPG #DataIntegrity #verifiableAI

#opg $OPG @OpenGradient I لا أعتقد أننا حدّدنا بعد من يَملِك أخطاء وكيلٍ للذكاء الاصطناعي

شيء لفت انتباهي مؤخرًا هو منشور/خيط نقاش عن وكلاء ذكاء اصطناعي يتولّون مهام مالية صغيرة، مثل دفع الفواتير وإعادة توازن محفظة، من هذا النوع. سأل أحدهم ماذا يحدث عندما يقوم الوكيل بشيء خاطئ، وكانت الردود متباينة للغاية. بعضهم حمّل المسؤولية للمستخدم لأنه قام بنشره، وبعضهم حمّلها للمطوّر، وآخرون اكتفوا بالتجهم/لم يبدِ أي رأي. لم يتفق أحد، وهذا ضايقني أكثر مما ينبغي على الأرجح.

نحن نتقدّم نحو عالم تتصرّف فيه الوكلاء نيابةً عنا بشكل مستمر، لكننا لم نُحسم فعليًا السؤال الأساسي عن ملكية قراراتهم. هل ناتج الوكيل لك لأنك شغّلته، أم لمقدّم النموذج لأنه هو من بنى المنطق وراءه، أم أن المسؤولية تذوب ببساطة في منطقة رمادية لأن لا أحد يريد أن يتبنّاها؟

لا أعتقد أن هذه المسألة تُحل بكتابة شروط خدمة أفضل. تُحل ببنية تحتية تسجّل ما حدث فعلًا، بطريقة لا يمكن لأي أحد تعديلها بهدوء لاحقًا. هذه هي القطعة التي جعلتني أنظر إلى OpenGradient بشكل مختلف هذه المرة—ليس كأداة تحقق بالمعنى الدقيق تمامًا، بل كشيء أقرب إلى سجلّ لحفظ قرارات تُتخذ بالنيابة عنا. إذا وُجد الأثر، تتوقف مسألة الملكية عن كونها لعبة تخمين.

لا أعتقد أن الصناعة لديها إجابة حقيقية بعد. أتساءل إن كان لدى أي شخص هنا جواب، لأنني بصراحة لا أملك واحدًا.

#OpenGradient #OPG #AIAgents #OnChainAI

#opg $OPG @OpenGradient مقارنة التكلفة التي لا أحد يذكرها إلا عندما يحتاجون إلى ناتجٍ موثّق

كلما فكرت أكثر في الأمر، أدركت أنني لم أقارن فعليًا تكلفة ما يُسمّى "الثقة" في الذكاء الاصطناعي التقليدي مقابل تكلفة التحقق في شيء مثل OpenGradient. نتحدث عن هذين الأمرين كفئتين مختلفتين تمامًا، لكنهما في النهاية تكلفتان تدفعهما أنت، فقط بعملتين مختلفتين. مع نموذج مغلق، تدفع في ثمن الثقة العمياء؛ أي أنك تأخذ كلام الشركة بأن المخرجات لم يتم التلاعب بها أو تغييرها بهدوء بين الإصدارات. أما مع الاستدلال على السلسلة (on-chain inference)، فالدفع يكون في الحوسبة الفعلية وإضافات التحقق، لكنك تحصل على دليل بدلًا من وعد.

كنت أفترض أن الخيار الثاني أفضل بشكل صارم—أكثر شفافية وأكثر صدقًا. لكن الآن أعتقد أنه أقرب إلى كونه مقايضة مما يعترف به الناس. التحقق ليس مجانيًا. هناك من يدفع مقابل تلك الحوسبة الإضافية، والخطوة الإضافية المتمثلة في وضع الأمور على السلسلة بدلًا من تشغيلها على خادم والاكتفاء بالقول إن كل شيء تمام. السؤال الذي يستحق الطرح هو: هل هذه التكلفة تستحق العناء لكل حالة استخدام؟ أم فقط للحالات التي تكون فيها المخاطر مرتفعة بما يكفي لدرجة أن الثقة العمياء لم تعد مقبولة.

وهذا بالضبط ما يجعلني أجد نهج OpenGradient مثيرًا للاهتمام، لأنه لا يبدو أنه يحاول التحقق من كل شيء في كل مكان؛ بل إنه أكثر تعمّدًا في تحديد أين تهم تلك الإضافات بالفعل.

فضولي: أين يرسم الناس تلك الحدود؟ ما مخرجات الذكاء الاصطناعي برأيك التي تحتاج فعلًا إلى دليل، مقابل تلك التي تكون فيها الثقة كافية؟

#OpenGradient #OPG #VerifiableAI #OnChainAI

#OPG $OPG @OpenGradient
يقوم OpenGradient ‏($OPG ) بهدوء ببناء واحد من أقوى منظومات البنية التحتية للذكاء الاصطناعي في Web3.
📊 أحدث الحقائق والأرقام:
🔹 انضم أكثر من 2 مليون مستخدم إلى المنظومة خلال المرحلة الترويجية المبكرة.
🔹 شارك أكثر من 263 ألف محفظة نشطة عبر الشبكة.
🔹 تمت معالجة أكثر من 1.85 مليون معاملة.
🔹 تم توليد أكثر من 500 ألف إثبات تشفيري للذكاء الاصطناعي، ما يتيح حساب ذكاء اصطناعي يمكن التحقق منه.
🔹 تم تنفيذ أكثر من 2 مليون استدلال بالذكاء الاصطناعي على الشبكة.
🔹 يتوفر أكثر من 4,250 نموذج ذكاء اصطناعي عبر بوابة OpenGradient Model Hub.
🔹 إجمالي ثابت يبلغ 1 مليار من OPG دون أي سكّ خفي.
🔹 مدعوم من مستثمرين رائدين، بما في ذلك Andreessen Horowitz وCoinbase Ventures، ومدعوم ببرنامج NVIDIA Inception. �
Bitget Wallet +1
📈 أبرز تحديثات السوق:
• توسع OPG مؤخرًا ليشمل بورصات رئيسية مثل Binance وCoinbase وUpbit.
• المعروض المتداول: 190M OPG.
• المعروض المخفف بالكامل: 1B OPG.
• تجاوز حجم التداول الأخير 169 مليون دولار، مع ارتفاعات فوق 357 مليون دولار عقب إدراجات بورصات رئيسية. �
Pluang +2
سباق الذكاء الاصطناعي لم يعد يتعلق فقط بوجود نماذج أكبر.
بل يتعلق بالذكاء القابل للتحقق، والحسابات الشفافة، والنتائج التي يمكن إثباتها.
هذه هي المشكلة التي يحاول OpenGradient حلها.
#OpenGradient #OPG #AI

حزمة حمراء

#opg $OPG @OpenGradient معظم المناقشات حول الذكاء الاصطناعي تركز على النماذج الأكبر.

السؤال الأكثر إثارة هو ما إذا كانت هذه النماذج يمكن الوثوق بها.

بعض الأرقام تساعد في تفسير مدى أهمية هذا:

• المحتوى المولد بواسطة الذكاء الاصطناعي ينمو بشكل متسارع عبر الصناعات.
• مليارات الاستدلالات الخاصة بالذكاء الاصطناعي تُنفذ كل يوم.
• يمكن أن يؤدي قرار واحد من الذكاء الاصطناعي الآن إلى تحفيز معاملات مالية، أو إجراءات بنية تحتية، أو سير عمل مستقل.
• ومع ذلك، لا تزال معظم أنظمة الذكاء الاصطناعي توفر رؤية محدودة حول كيفية إنتاج المخرجات.

وهذا يخلق تحديًا أساسيًا:

المزيد من الذكاء لا يعني تلقائيًا المزيد من الثقة.

الثقة تأتي من التحقق.

من المحتمل أن يتم تعريف المرحلة التالية من بنية الذكاء الاصطناعي بواسطة خمسة متطلبات:

1️⃣ شفافية النموذج
يحتاج المستخدمون إلى معرفة أي نموذج أنتج نتيجة معينة.

2️⃣ تتبع النسخة
يجب أن تكون النتيجة مرتبطة بإصدار نموذج محدد، وليس تحديث غير معروف.

3️⃣ تحقق التنفيذ
يجب أن يكون الاستدلال قابلًا للإثبات بدلاً من الافتراض.

4️⃣ القابلية للتدقيق
يجب أن تكون المخرجات قابلة لإعادة البناء بعد الحدث.

5️⃣ المساءلة
عندما يحدث خطأ ما، يجب أن تكون المسؤولية قابلة للتتبع.

لهذا السبب أصبح الذكاء الاصطناعي القابل للتحقق أحد أهم محادثات البنية التحتية في الصناعة.

مشاريع مثل OpenGradient تستكشف مستقبلًا حيث لا تكون مخرجات الذكاء الاصطناعي ذكية فحسب، بل قابلة للتحقق بشكل مستقل.

هذا التحول مهم.

لأن مجموعة الذكاء الاصطناعي المستقبلية قد لا تُحكم على أساس:

"ما مدى ذكاء النموذج؟"

بدلاً من ذلك، قد تُحكم على أساس:

"هل يمكن إثبات النتيجة؟"

الذكاء يخلق القدرة.

التحقق يخلق الثقة.

والثقة هي ما يحول الذكاء الاصطناعي من أداة إلى بنية تحتية حيوية.

#Aİ #artificialintelligence. #OpenGradient #OPG

#OPG $OPG @OpenGradient كلما تعلمت أكثر عن بنية الذكاء الاصطناعي، كلما أدركت أن الأداء وحده ليس كافياً.
يمكن أن يكون النموذج سريعاً ودقيقاً وذو قدرة عالية، لكن إذا لم يتمكن المستخدمون من التحقق من مكان تشغيله، وكيف تم تنفيذه، أو ما إذا كانت المخرجات قد تم تعديلها، فإن الثقة تظل افتراضاً بدلاً من أن تكون ضماناً.
مستقبل الذكاء الاصطناعي لن يُحدد فقط من خلال نماذج أكبر. بل سيتم تحديده من خلال أنظمة تجعل الحوسبة شفافة وقابلة للتدقيق والتحقق.
لهذا السبب، فإن مشاريع مثل OpenGradient مثيرة للاهتمام. فهي تغير المحادثة من "هل يمكن للذكاء الاصطناعي فعل ذلك؟" إلى "هل يمكننا إثبات كيف فعل الذكاء الاصطناعي ذلك؟"
في عالم حيث سيقوم وكلاء الذكاء الاصطناعي باتخاذ قرارات ستؤثر بشكل متزايد على الاقتصاد، قد تصبح إمكانية التحقق بنفس أهمية الذكاء نفسه.
#AI #artificialintelligence #OpenGradient #verifiableAI

#opg $OPG @OpenGradient صوت غير مقيد يبدو رائعًا حتى تسأل لمن هو بالفعل غير مقيد

وجدت نفسي أستخدم كلمة "غير مقيد" بشكل غير دقيق في اليوم الآخر، مثلما يفعل الكثير منا في هذا المجال، كأنه يعني تلقائيًا شيئًا جيدًا. ثم قام شخص ما في قسم التعليقات بالضغط وسأل غير مقيد لمن بالضبط، ولم يكن لدي إجابة واضحة. لقد علق هذا السؤال في ذهني لفترة أطول مما كنت أتوقع.

معظم الذكاء الاصطناعي الآن هو عكس غير المقيد. لا يمكنك استخدام نموذج متقدم ما لم تقرر شركة أن حالة استخدامك مسموح بها، أو تتناسب استخدامات واجهة برمجة التطبيقات الخاصة بك مع شروطهم، أو منطقتك ليست مقيدة في تلك الأسبوع. الوصول مُعطى، وليس مفترضًا. نحن فقط لا نلاحظ لأن المختبرات الكبيرة مريحة بما يكفي لدرجة أننا نادرًا ما نختبر الحدود.

هنا تأتي زاوية OpenGradient التي تعني لي شيئًا ما يتجاوز مجرد كلمة رنانة. إذا كان بإمكان أي شخص نشر نموذج أو البناء على البنية التحتية دون الحاجة لطلب إذن من حارس البوابة، فهذا يغير من يحق له التجربة في المقام الأول. ليست كل تجربة ستكون جيدة. بعض الأفكار ستكون سيئة حقًا. لكن الآن معظم الناس لا يحصلون حتى على فرصة لاكتشاف ذلك، لأن الباب لم يكن مفتوحًا من الأساس.

أعتقد أن هذه هي المقايضة الحقيقية التي يتجاهلها الناس، الوصول المفتوح يعني المزيد من الضوضاء، لكنه يعني أيضًا المزيد من الفرص لشيء لم يكن أي شخص كبير بما يكفي ليوافق عليه.

هل تستحق هذه المقايضة بالنسبة لك، أم أن حراسة البوابات تحمينا حقًا من شيء ما؟

#OpenGradient #OPG #DecentralizedAI #OnChainAI

#OPG $OPG @OpenGradient
الجميع يتحدث عن توسيع الذكاء الاصطناعي، لكن التحدي الأكبر هو إثبات أن مخرجات الذكاء الاصطناعي يمكن الوثوق بها. مع بدء التعاملات التي يقوم بها وكلاء الذكاء الاصطناعي في اتخاذ قرارات لها تأثير اقتصادي حقيقي، تصبح القابلية للتحقق بنفس أهمية الذكاء. تقوم OpenGradient ببناء بنية تحتية حيث يمكن التحقق بشكل مستقل من الحسابات والتنفيذ والنتائج، مما يخلق أساسًا أقوى للجيل القادم من أنظمة الذكاء الاصطناعي المستقلة. #OpenGradient #OPG #AI #DePIN