چگونه جانکشن پردازش غیرمتمرکز مقیاس‌پذیر را ممکن می‌سازد؟

نیاز مبرم به قدرت پردازش غیرمتمرکز هوش مصنوعی

چشم‌انداز هوش مصنوعی در حال حاضر با تقاضای سیری‌ناپذیری برای منابع محاسباتی، به‌ویژه واحدهای پردازش گرافیکی (GPU) با عملکرد بالا تعریف می‌شود. از آموزش مدل‌های زبانی بزرگ و پیچیده گرفته تا اجرای شبیه‌سازی‌های دشوار و رندرینگ گرافیک‌های پیشرفته، GPUها ستون فقرات توسعه مدرن هوش مصنوعی هستند. با این حال، این منبع حیاتی عمدتاً متمرکز است و توسط تعداد اندکی از ارائه‌دهندگان بزرگ خدمات ابری کنترل می‌شود. این تمرکز چندین چالش مهم را ایجاد می‌کند:

• کمیابی و هزینه‌های بالا: عرضه محدود GPUهای پیشرفته در کنار تقاضای عظیم برای آن‌ها، قیمت‌ها را افزایش داده و دسترسی را برای بسیاری از توسعه‌دهندگان، استارتاپ‌ها و پژوهشگران غیرممکن کرده است.
• وابستگی به فروشنده (Vendor Lock-in): تکیه بر یک ارائه‌دهنده ابری واحد می‌تواند منجر به وابستگی شدید شود که انعطاف‌پذیری را محدود، قابلیت جابه‌جایی داده‌ها را مختل و کاربران را مشمول شرایط انحصاری و مدل‌های قیمت‌گذاری نوسانی می‌کند.
• محدودیت‌های جغرافیایی و سیاسی: مراکز داده متمرکز ممکن است مشمول مقررات جغرافیایی خاص، قطعی‌ها یا حتی فشارهای سیاسی شوند که بر در دسترس بودن خدمات و حاکمیت داده‌ها تأثیر می‌گذارد.
• تنگناهای نوآوری: موانع ورود بالا و دسترسی محدود، نوآوری را سرکوب کرده و مانع از مشارکت و بهره‌مندی طیف وسیع‌تری از افراد در انقلاب هوش مصنوعی می‌شود.

با شناسایی این مشکلات، بخش شبکه‌های زیرساخت فیزیکی غیرمتمرکز (DePIN) به عنوان یک راه‌حل امیدوارکننده ظهور کرده است. پروژه‌های DePIN با بهره‌گیری از فناوری بلاک‌چین و مشارکت جامعه، با هدف ساخت و نگهداری زیرساخت‌های فیزیکی غیرمتمرکز – از شبکه‌های بی‌سیم گرفته تا شبکه‌های انرژی و به ویژه منابع محاسباتی – فعالیت می‌کنند. پروژه جانکشن (Janction) با نماد JCT، دقیقاً در این بخش نوآورانه قرار می‌گیرد و به طور خاص با ایجاد یک بازار غیرمتمرکز برای قدرت GPU، تنگنای محاسباتی هوش مصنوعی را هدف قرار داده است.

چشم‌انداز جانکشن: یک لایه ۲ متمرکز بر هوش مصنوعی برای DePIN

جانکشن به عنوان یک بلاک‌چین لایه ۲ متمرکز بر هوش مصنوعی طراحی شده است که به عنوان یک قطعه حیاتی از زیرساخت برای خودکارسازی و مقیاس‌پذیری خدمات یادگیری ماشین عمل می‌کند. در هسته خود، جانکشن به دنبال پر کردن شکاف بین تأمین‌کنندگان GPU (افراد یا نهادهایی با قدرت محاسباتی بلااستفاده) و توسعه‌دهندگان هوش مصنوعی است که به شدت به این منابع برای آموزش، استنتاج (Inference) و سایر وظایف سنگین محاسباتی نیاز دارند. با ساختار لایه ۲، جانکشن قصد دارد پلتفرمی را ارائه دهد که نه تنها غیرمتمرکز، بلکه بسیار مقیاس‌پذیر، مقرون‌به‌صرفه و کارآمد باشد.

فرض اساسی، ایجاد یک بازار قدرتمند، شفاف و بدون نیاز به مجوز (Permissionless) است که در آن منابع محاسباتی را می‌توان با استفاده از قراردادهای هوشمند کشف، تخصیص و پرداخت کرد. این امر پارادایم را از تکیه بر واسطه‌های متمرکز به یک شبکه همتا‌به‌همتا (P2P) تغییر می‌دهد و اکوسیستمی تاب‌آورتر و دردسترس‌تر برای توسعه هوش مصنوعی ایجاد می‌کند. رویکرد جانکشن با هدف دموکراتیزه کردن دسترسی به محاسبات با عملکرد بالا، از طریق کاهش موانع ورود برای متخصصان هوش مصنوعی در سراسر جهان، به نوآوری کمک می‌کند.

بنیاد معماری: مقیاس‌پذیری از طریق فناوری لایه ۲

انتخاب جانکشن برای فعالیت به عنوان یک بلاک‌چین لایه ۲، عاملی کلیدی در توانایی آن برای فراهم کردن محاسبات غیرمتمرکز مقیاس‌پذیر است. راه‌حل‌های لایه ۲ بر روی یک بلاک‌چین لایه ۱ موجود (مانند اتریوم) ساخته می‌شوند تا عملکرد آن را عمدتاً با افزایش ظرفیت تراکنش‌ها و کاهش هزینه‌ها، بدون به خطر انداختن امنیت زیربنایی لایه ۱، ارتقا دهند.

در ادامه چگونگی کمک معماری لایه ۲ به مقیاس‌پذیری پلتفرمی مانند جانکشن آمده است:

1. محاسبات خارج از زنجیره، تسویه روی زنجیره: اکثریت قریب به اتفاق وظایف محاسباتی و تعاملات بازار در جانکشن – مانند کشف منابع، تخصیص وظایف، اجرای محاسبات و پردازش پرداخت‌های میانی – می‌تواند خارج از زنجیره (Off-Chain) رخ دهد. تنها تسویه‌حساب‌های نهایی، اختلافات یا به‌روزرسانی‌های دسته‌ای بزرگ به بلاک‌چین لایه ۱ ارسال می‌شوند. این کار بار شبکه اصلی را به شدت کاهش داده و اجازه می‌دهد حجم تراکنش بسیار بالاتر و زمان پردازش سریع‌تری فراهم شود.
2. کاهش هزینه‌های تراکنش: با تجمیع چندین تراکنش خارج از زنجیره در یک تراکنش واحد لایه ۱، هزینه‌های گس (Gas) مربوطه بین عملیات‌های متعددی تقسیم می‌شود. این امر بازار جانکشن را برای کارهای محاسباتی کوچک و مکرر که در حالت عادی روی لایه ۱ بسیار گران تمام می‌شد، از نظر اقتصادی توجیه می‌کند.
3. افزایش ظرفیت عملیاتی (Throughput): توانایی پردازش تراکنش‌ها در خارج از زنجیره به این معنی است که جانکشن می‌تواند تعداد بسیار بیشتری از درخواست‌های همزمان برای قدرت GPU و اجرای وظایف را نسبت به آنچه لایه ۱ به طور بومی پشتیبانی می‌کند، مدیریت کند. این موضوع برای یک بازار محاسباتی هوش مصنوعی که تقاضا در آن ممکن است ناگهان افزایش یابد، حیاتی است.
4. تخصصی‌سازی: یک لایه ۲ می‌تواند برای موارد استفاده خاص بهینه شود. در مورد جانکشن، این لایه می‌تواند برای نیازهای منحصربه‌فرد محاسبات GPU و بارهای کاری هوش مصنوعی شخصی‌سازی شود و ویژگی‌هایی مانند اثبات‌های محاسباتی قابل تأیید و مکانیسم‌های مدیریت داده امن را پیاده‌سازی کند.
5. اتوماسیون قراردادهای هوشمند: محیط لایه ۲ پلتفرمی قدرتمند برای استقرار قراردادهای هوشمند پیچیده فراهم می‌کند که کل چرخه حیات یک کار محاسباتی را خودکار می‌کنند:
   • فهرست‌بندی و تطبیق منابع: قراردادهای هوشمند به تأمین‌کنندگان GPU اجازه می‌دهند مشخصات سخت‌افزاری خود (مدل GPU، مقدار VRAM، مکان، مدل قیمت‌گذاری) را ثبت کنند و توسعه‌دهندگان نیز نیازهای خود را مشخص نمایند. الگوریتم‌های تطبیق می‌توانند طرفین مناسب را به هم متصل کنند.
   • تعریف و اجرای وظایف: توسعه‌دهندگان وظایف هوش مصنوعی خود را از طریق قراردادهای هوشمند تعریف می‌کنند و این قراردادها اجرای کار توسط تأمین‌کنندگان منتخب را مدیریت می‌کنند.
   • امانت‌سپاری (Escrow) و آزادسازی پرداخت: هزینه‌های کارهای محاسباتی توسط قراردادهای هوشمند در حالت امانت نگه داشته می‌شوند و تنها پس از تأیید انجام کار به تأمین‌کننده آزاد می‌شوند تا پاداش منصفانه تضمین شود.

تسهیل محاسبات GPU غیرمتمرکز: مکانیسم‌های اصلی

توانایی جانکشن در ارائه محاسبات غیرمتمرکز مقیاس‌پذیر به چندین مکانیسم نوآورانه بستگی دارد که برای اتصال کارآمد و امن عرضه و تقاضا طراحی شده‌اند:

۱. کشف و تخصیص غیرمتمرکز منابع

• ورود تأمین‌کننده و ثبت منابع: تأمین‌کنندگان GPU، از افرادی با سیستم‌های گیمینگ بلااستفاده گرفته تا مراکز داده با ظرفیت مازاد، می‌توانند سخت‌افزار خود را به شبکه جانکشن متصل کنند. آن‌ها مشخصات GPU خود را ثبت می‌کنند، از جمله:
  • مدل و تعداد GPU: (مانند NVIDIA A100، RTX 4090)
  • ظرفیت VRAM: (مانند ۲۴ گیگابایت، ۸۰ گیگابایت)
  • CPU و RAM: منابع محاسباتی پشتیبان.
  • پهنای باند شبکه: برای انتقال داده‌ها.
  • مکان جغرافیایی: برای وظایف حساس به تاخیر (Latency).
  • برنامه زمانی در دسترس بودن: زمانی که منابع قابل دسترسی هستند.
  • مدل قیمت‌گذاری: ساعتی، به ازای هر وظیفه، به ازای هر FLOP و غیره. این اطلاعات روی زنجیره یا از طریق یک راه‌حل ذخیره‌سازی غیرمتمرکز ذخیره می‌شود و آن را به صورت عمومی قابل تأیید و مقاوم در برابر سانسور می‌کند.
• ارسال وظایف و الزامات توسط توسعه‌دهنده: توسعه‌دهندگان وظایف محاسباتی هوش مصنوعی خود را با مشخص کردن نیازهای دقیق ارسال می‌کنند:
  • نوع GPU و VRAM مورد نیاز: برای اطمینان از سازگاری با مدل‌های آن‌ها.
  • مدت زمان یا دامنه محاسباتی: زمان تخمینی یا قدرت پردازش مورد نیاز.
  • بودجه و قیمت پیشنهادی: مقداری که تمایل دارند پرداخت کنند.
  • نیازهای امنیت/حریم خصوصی داده‌ها: الزامات مربوط به محاسبات محرمانه.
• تطبیق خودکار و ایجاد قرارداد: قراردادهای هوشمند در جانکشن فرآیند تطبیق را خودکار می‌کنند. بر اساس نیازهای توسعه‌دهنده و پیشنهادات تأمین‌کننده، سیستم می‌تواند GPUها را فیلتر کرده و بر اساس قیمت، اعتبار یا در دسترس بودن مرتب‌سازی کند.

۲. اجرای وظایف و محاسبات قابل تأیید

• ارسال امن وظایف: پس از عقد قرارداد، داده‌های ورودی برای وظیفه هوش مصنوعی به صورت امن به تأمین‌کننده GPU منتخب ارسال می‌شود. جانکشن انتقال داده‌های امن را در اولویت قرار می‌دهد.
• محیط اجرا: تأمین‌کنندگان GPU یک محیط ایزوله (Sandbox) برای اجرای وظایف فراهم می‌کنند تا از تزریق کد مخرب یا نشت داده‌ها جلوگیری شود.
• اثبات محاسبات (Proof of Computation): یک جزء حیاتی در بازار غیرمتمرکز، تأیید این است که کار واقعاً و به درستی انجام شده است. جانکشن از مکانیسم‌هایی مانند اثبات‌های دانش‌صفر (ZKPs) یا سیستم‌های چالش و پاسخ استفاده می‌کند تا تأمین‌کنندگان بدون فاش کردن داده‌های حساس، صحت انجام محاسبات را اثبات کنند.
• تحویل خروجی: پس از تأیید موفقیت‌آمیز، خروجی محاسبه شده (مانند مدل آموزش‌دیده یا نتایج استنتاج) به صورت امن به توسعه‌دهنده بازگردانده می‌شود.

۳. مدل انگیزشی و پرداخت با توکن JCT

توکن JCT برای مدل عملیاتی و اقتصادی جانکشن ضروری است و برای همسو کردن انگیزه‌ها و تسهیل تبادل ارزش طراحی شده است.

• پرداخت برای خدمات: توسعه‌دهندگان از توکن‌های JCT برای پرداخت هزینه منابع محاسباتی استفاده می‌کنند که این امر تقاضای مستقیم برای توکن ایجاد می‌کند.
• پاداش تأمین‌کننده و استیکینگ (Staking): تأمین‌کنندگان در ازای ارائه قدرت محاسباتی خود JCT پاداش می‌گیرند. همچنین ممکن است برای مشارکت در شبکه ملزم به استیک کردن JCT باشند تا رفتاری صادقانه داشته باشند؛ در غیر این صورت با جریمه (Slashing) مواجه می‌شوند.
• امنیت شبکه و حاکمیت: دارندگان توکن JCT می‌توانند در حاکمیت غیرمتمرکز شرکت کرده و در مورد ارتقای شبکه و تغییرات پارامترها رأی دهند.

۴. امنیت داده‌ها و حریم خصوصی

با توجه به ماهیت حساس مدل‌های هوش مصنوعی، جانکشن بر امنیت تأکید زیادی دارد:

• رمزنگاری: تمامی داده‌های منتقل شده بین توسعه‌دهندگان و تأمین‌کنندگان به صورت سرتاسری (End-to-End) رمزنگاری می‌شوند.
• محاسبات محرمانه (Confidential Computing): در آینده جانکشن ممکن است از فناوری‌هایی مانند Intel SGX استفاده کند تا محاسبات در محیط‌های امن سخت‌افزاری انجام شود که حتی تأمین‌کننده GPU نیز نتواند به داده‌های خام دسترسی پیدا کند.

رفع چالش‌های حیاتی توسعه هوش مصنوعی با جانکشن

پارادایم محاسبات غیرمتمرکز جانکشن مستقیماً چالش‌های اصلی توسعه هوش مصنوعی را هدف قرار می‌دهد:

1. دموکراتیزه کردن دسترسی: جانکشن محاسبات با عملکرد بالا را برای همه، در هر مکان و با کسری از هزینه ارائه‌دهندگان ابری سنتی در دسترس قرار می‌دهد.
2. کارایی هزینه: ماهیت همتابه‌همتای بازار، واسطه‌ها و سودهای کلان آن‌ها را حذف می‌کند و قیمت‌های رقابتی‌تری ارائه می‌دهد.
3. انعطاف‌پذیری و شخصی‌سازی: توسعه‌دهندگان می‌توانند دقیقاً نوع و مقدار منابع مورد نیاز خود را انتخاب کنند و محدود به پیشنهادات سفت و سخت شرکت‌های بزرگ نباشند.
4. تاب‌آوری و مقیاس‌پذیری: شبکه غیرمتمرکز نقطه شکست واحد (Single Point of Failure) ندارد و با پیوستن تأمین‌کنندگان بیشتر، قدرت شبکه به صورت تصاعدی رشد می‌کند.

تأثیر جانکشن بر چشم‌انداز DePIN و آینده هوش مصنوعی

رویکرد جانکشن نشان‌دهنده گامی بزرگ در بخش DePIN است. این پروژه نشان می‌دهد که چگونه فناوری بلاک‌چین می‌تواند منابع فیزیکی (GPUها) را برای ایجاد خدمات ارزشمند و مقیاس‌پذیر سازماندهی کند. جانکشن تنها یک سرویس ارائه نمی‌دهد، بلکه در حال ساخت لایه‌ای بنیادین برای آینده‌ای بازتر و شفاف‌تر در هوش مصنوعی است.

چشم‌انداز روشن است: حرکت از دنیایی که در آن نوآوری هوش مصنوعی توسط چند نهاد متمرکز دیکته می‌شود، به سمت یک اکوسیستم غیرمتمرکز که در آن هر کسی می‌تواند سخت‌افزار خود را به اشتراک بگذارد و هر کسی می‌تواند به قدرت مورد نیاز خود دسترسی داشته باشد. این تغییر پیامدهای عمیقی دارد:

• مدل‌های کسب‌وکار جدید: صاحبان GPU می‌توانند از سخت‌افزار بلااستفاده خود درآمدزایی کنند.
• همکاری جهانی: محققان بدون توجه به موقعیت جغرافیایی می‌توانند به منابع دسترسی پیدا کنند.
• توسعه اخلاقی هوش مصنوعی: زیرساخت غیرمتمرکز می‌تواند مانع از انحصار منافع هوش مصنوعی در دست شرکت‌های بزرگ شود.

در نتیجه، جانکشن با بهره‌گیری از قدرت لایه ۲ و فلسفه DePIN، در حال رفع یکی از بزرگترین تنگناهای انقلاب هوش مصنوعی است. این پروژه با ایجاد یک بازار غیرمتمرکز و مقیاس‌پذیر برای قدرت محاسباتی GPU، قصد دارد دسترسی را دموکراتیزه کرده، هزینه‌ها را کاهش دهد و در نهایت توسعه هوش مصنوعی را به شیوه‌ای عادلانه‌تر تسریع بخشد.