هوش مصنوعی (AI) به سرعت در حال تبدیل شدن به یک قسمت اصلی از زندگی روزمره ما است.
دستیاران شخصی مانند Google Assistant و Siri برای پردازش ورودی گفتار به هوش مصنوعی اعتماد می کنند. موتورهای پیشنهادی که آهنگ ها ، رستوران ها یا اخبار را پیشنهاد می کنند نیز توسط هوش مصنوعی ساخته می شوند. پس از آن پروژه های جالب توجهی مانند AlphaGo وجود دارد ، که با استفاده از یک شبکه عصبی مصنوعی بازیکنان انسانی را در یکی از پیچیده ترین بازی های استراتژیک ایجاد کرده است.
شکی نیست که ما در حال ورود به آینده ای هستیم که با استفاده از هوش مصنوعی ساخته شده است. برخی از سازمان ها حتی از آن استفاده می کنند تا اسکن بیماری ها و جستجوی سیارات فراخورشیدی. اما نمی توان هزینه اجرای این برنامه ها را نادیده گرفت. بسیاری از شرکتهای نوپا تا حدود 20-30٪ از بودجه خود را صرفاً صرف هزینه های عملیاتی سخت افزار می کنند.
DeepBrain Chain امیدوار است که بتواند با افزایش هزینه های پردازش تا سال حل شود ترکیب کردن فناوری بلاکچین با هوش مصنوعی. برآوردهای اولیه نشان می دهد بجای ایجاد زیرساخت های خود ، شرکت ها می توانند با خرید داده و پردازش قدرت از طریق DeepBrain تا 70٪ پس انداز کنند..
به تازگی ، تیم DeepBrain Chain اولین اجرای موفقیت آمیز مدل های هوش مصنوعی خود را در آزمایشگاه اعلام کرده است که نشانگر مراحل اولیه پروژه برای دسترسی عمومی است.
مشکلات هزینه
در 5 سال گذشته بیش از 5000 استارت آپ هوش مصنوعی راه اندازی شده است. Venture Scanner گزارش ها بودجه این پروژه ها دارای نرخ رشد سالانه ترکیبی 83٪ است که در سال 2017 به بیش از 14 میلیارد دلار رسیده است. سه ماهه اول 2018 با 2.5 میلیارد دلار بودجه در سراسر صنعت ، 11٪ افزایش نسبت به Q1 2017 ، بود..
AlphaGo یکی از معروف ترین کاربردهای یادگیری عمیق و هوش مصنوعی است. توسعه دهنده آن ، DeepMind ، توسط گوگل در سال 2014 خریداری شده است. علیرغم موفقیت های خوبی که در این زمینه انجام شده ، DeepMind همچنان به ارسال پست خسارات مالی هر ساله بدهی بیش از 162 میلیون دلار فقط در سال 2016 رو به افزایش است.
هزینه های عملیاتی و هزینه های حقوقی نقش زیادی در وضعیت مالی DeepMind دارند ، اما اجرای AlphaGo نیز دقیقاً ارزان نیست. نسخه AlphaGo که بازیکن حرفه ای Go کره جنوبی ، لی سدول را بازی می کرد ، با 1920 پردازنده استاندارد و 280 پردازنده گرافیکی اصلاح شده اجرا شد و برای یک بازی 3000 دلار هزینه عملیاتی داشت..
انجام هر مدل هوش مصنوعی برای انجام با دقت قابل توجه نیاز به هزاران ساعت آموزش دارد. به راحتی می توانید بفهمید که بنگاه های هوش مصنوعی چگونه می توانند قبض های سخت افزاری بالا را در تلاش برای راه اندازی یک محصول واحد هوش مصنوعی دریافت کنند.
شرکتهای دیگری که با یادگیری ماشین و هوش مصنوعی کار می کنند با مشکلات مشابه DeepMind روبرو هستند. اکثر آنها نمی توانند به جیب های ته ته یک شرکت مادر به اندازه Google اعتماد کنند تا بتوانند از این طریق بودجه خود را تأمین کنند. کاهش هزینه ها برای ادامه کار بسیار مهم است و 30٪ هزینه سخت افزار برای شروع کار بسیار مناسب است.
بودجه هوش مصنوعی از 2011-2018 – تصویر از طریق venturescanner.com
وارد DeepBrain Chain شوید
فناوری Blockchain بهترین راه حل برای جلوگیری از افزایش هزینه های اجرای برنامه های هوش مصنوعی است. این یک بخش سریع رشد ، مقیاس پذیر و سودآور است که به لطف محبوبیت ارزهای رمزپایه شروع به ورود به جریان اصلی کرده است..
DeepBrain Chain به عنوان یک بازار غیرمتمرکز برای داده ها و قدرت پردازش عمل خواهد کرد. در حال حاضر بر روی بلاکچین NEO اما پس از انتشار شبکه اصلی به زنجیره جانبی خود تقسیم می شود. سپس بنگاه ها می توانند مقادیر توان پردازشی مورد نیاز برای اجرای برنامه های خود را بدون نیاز به سرمایه گذاری در زیرساخت اختصاصی خود خریداری کنند.
DeepBrain با ارائه یک شبکه انعطاف پذیر ، با کارایی بالا و تأخیر کم ، که حریم خصوصی را از طریق تمرکززدایی و رمزگذاری حفظ می کند ، نیازهای این سازمان ها را برآورده می کند. تخمین های اولیه برای اکثر مشتریان حداقل 70٪ صرفه جویی در هزینه پیش بینی می کند.
موفقیت های Testnet
در تاریخ 3 ژوئن 2018 ، تیم توسعه DeepBrain Chain با موفقیت سه نوع مدل آموزش AI در دنیای واقعی را در شبکه آزمایشی خصوصی اجرا کرد. نتایج این آزمون اعلام نشده است ، اما هدف آزمایش هوش مصنوعی نبوده ، فقط توانایی آزمایش در اجرای برنامه ها در محیط کار است..
اولین آزمون موفقیت آمیز پایگاه داده اصلاح شده استاندارد ملی و فناوری ملی (MNIST) بود ، نوعی “سلام به جهان” برای یادگیری ماشین. تیم DeepBrain با زیر مجموعه ای محدود از 250 تصویر ، MNIST را روی آزمایشگاه اجرا کردند.
آزمون کامل MNIST شامل 60،000 تصویر از ارقام دست نویس است که از دانش آموزان دبیرستان و کارمندان اداره سرشماری ایالات متحده نمونه برداری شده است. هوش مصنوعی باید استفاده کند تشخیص تصویر در هر اسکن برای تفسیر علائم و شناسایی صحیح هرچه بیشتر اعداد.
دومین آزمایش هوش مصنوعی یک مدل پردازش زبان طبیعی بود که با استفاده از شبکه های عصبی همگرایی (CNN) انجام شد.. CNN ها تصاویر را بصورت گروهی از پیکسل ها در یک زمان تجزیه و تحلیل کنید ، به شما این امکان را می دهد تا با مقایسه تفاوت در داده های ماتریس ، اشکال و لبه ها را تشخیص دهد. هنگامی که وظیفه پردازش زبان را دارند ، CNN ها می توانند کلمات را در یک سند “ببینند” و معانی ساده را از متن رمزگشایی کنند.
سرانجام ، تیم DeepBrain با استفاده از یک نسخه آموزش دیده از doc2vector ، یک مدل طبقه بندی متن چینی را با موفقیت اجرا کردند. این برنامه پسوند word2vec که تعبیه کلمات را از اسناد اسکن شده متن ایجاد می کند. این مدل معمولاً برای بازسازی زمینه های زبانی از ورودی های اسناد استفاده می شود ، اساساً به شبکه های عصبی اجازه می دهد زبان نوشتاری را درک کنند.
نقشه راه و نقاط عطف
در ژانویه 2018 ، DeepBrain اعلام همکاری با یک مجوز دیزنی در یک سری از اسباب بازی های میکی موس که به ورودی گفتار گوش می دهند و پاسخ می دهند. این ربات آموزشی بیش از 3 میلیون واحد در سال 2017 حمل کرده است. DeepBrain در ارتقا capabilities قابلیت های یادگیری خود برای محصول بعدی خود کمک خواهد کرد.
مهمترین رویداد پیش رو راه اندازی آزمایش DeepBrain Chain’s است که برای پایان ماه ژوئن برنامه ریزی شده است. با موفقیت در آزمایشات اولیه ، تیم احساس می کند محصول آماده پذیرش برنامه های عمومی است. انتشار mainnet ماه ها بعد با برنامه ریزی اکتبر 2018 دنبال می شود.
پروژه Skynet برای کمک به تقویت شبکه در آماده سازی برای عمومی شدن ، در اواسط ژوئن 2018 افتتاح شد. کاربرانی که شرایط سخت افزاری را دارند می توانند برای پیوستن به Skynet و کسب حق تقدم ماینینگ ماینینت ، امتیازات گره اجماع اضافی و استفاده رایگان از منابع DeepBrain در حین اجرای پروژه Skynet اقدام کنند.
DeepBrain Chain جعل کرده است شراکت با SingularityNET ، یک راه حل باز و غیرمتمرکز AI stack که هدف آن دموکراتیک سازی دسترسی به هوش مصنوعی است. این اتحاد اجازه می دهد تا داده ها و خدمات پردازش بین هر دو سیستم عامل از طریق چارچوبی که تیم ها در حال حاضر ایجاد کرده اند ، به اشتراک گذاشته شود.
نقشه راه DeepBrain Chain پلت فرم را از طریق راه اندازی شبکه اصلی در اکتبر 2018 حمل می کند و شامل آزمایش و اصلاح در سراسر سال 2019 است.
آینده DeepBrain Chain
DeepBrain Chain اولین پلتفرم رایانه ای مبتنی بر بلاکچین در جهان است و به موقع وارد بازار شد تا از یک صنعت پر رونق استفاده کند..
غول های فناوری گوگل و بایدو بین 30-20 میلیارد دلار برای توسعه هوش مصنوعی هزینه كرده اند. این صنعت می تواند بیش از یک ارزش داشته باشد تریلیون دلار تا سال 2035. به بیان منظر ، درآمد خالص صادرات نفت اوپک در سال 2012 به بالاترین میزان خود رسیده و به 917 میلیارد دلار رسیده است و از آن زمان تقریباً نصف کاهش یافته است.
DeepBrain Chain در حال حاضر بیشتر تلاش خود را بر روی شرکتهای چین ، یک کشور متمرکز کرده است آماده برای تبدیل شدن به یک رهبر جهانی در هوش مصنوعی. مدیر عامل شرکت DeepBrain ، He Yong ، این امر را به سهولت جمع آوری و استفاده از داده ها در چین در مقایسه با سایر کشورها نسبت می دهد.
برخی از نگرانی ها در مورد توانایی و تمایل DeepBrain برای گسترش در سرزمین های دیگر ، به ویژه اروپا و ایالات متحده وجود دارد. همانطور که همکاری با SingularityNET نشان می دهد ، DeepBrain Chain قصد ندارد برای همیشه یک پروژه متمرکز در چین باقی بماند.
تاکنون آینده برای DeepBrain Chain روشن به نظر می رسد. این یک نقطه از ویژگی های ما را در نشان داد پروژه های جالب NEO و امیدوار کننده پروژه های بلاکچین AI اوایل امسال اگر تست نت و شبکه اصلی به نرمی پیش رود ، DeepBrain Chain می تواند اولین پروژه ای باشد که شرکت ها هنگام تأمین مشارکت هوش مصنوعی به آن روی می آورند..
مربوط: بلاکچین و هوش مصنوعی: مزایای هوش مصنوعی غیرمتمرکز