هوش در زنجیره: AI باید به یک دارایی توکن‌شده تبدیل شود | نظر

افشا: دیدگاه‌ها و نظرات بیان شده در اینجا صرفاً متعلق به نویسنده هستند و نماینده دیدگاه‌ها و نظرات سردبیری crypto.news نیستند.

رونق فعلی در هوش مصنوعی در حال ایجاد مشکلی است که هنوز حل نشده است: فقدان کامل مالکیت قابل تایید و ساختار اقتصادی. شرکت‌ها در حال ساخت سیستم‌های هوش مصنوعی قدرتمند و تخصصی هستند که تنها به عنوان خدمات زودگذر در دسترس هستند. با این حال، این مدل مبتنی بر خدمات پایدار نیست زیرا از مالکیت واضح جلوگیری می‌کند، دانستن منشأ خروجی‌های هوش مصنوعی را دشوار می‌سازد و راه مستقیمی برای تامین مالی و ارزش‌گذاری هوش تخصصی فراهم نمی‌کند. الگوریتم‌های بهتر به تنهایی این مشکل را حل نخواهند کرد؛ در عوض، یک ساختار مالکیت جدید مورد نیاز است، که به این معنی است که هوش مصنوعی باید از یک خدمات به یک دارایی توکنیزه شده درون زنجیره ای تغییر کند. همگرایی زیرساخت بلاک چین با پیشرفت‌های قابل توجه در هوش مصنوعی این تغییر را از نظر فنی امکان‌پذیر کرده است.

خلاصه

• هوش مصنوعی به عنوان خدمات فاقد مالکیت، منشأ و اقتصاد است — بدون منشأ قابل تایید یا ساختار دارایی واضح، هوش مصنوعی تخصصی نمی‌تواند به درستی حسابرسی، ارزش‌گذاری یا تامین مالی شود.
• AI Agent توکنیزه شده اعتماد و هماهنگی را حل می‌کنند — مالکیت درون زنجیره ای، تایید رمزنگاری شده خروجی (مانند ERC-7007)، و اقتصاد توکن بومی، هوش مصنوعی را به دارایی قابل حسابرسی و قابل سرمایه‌گذاری تبدیل می‌کند.
• هوش مصنوعی کلاس دارایی پذیرش پاسخگو را ممکن می‌سازد — بخش‌هایی مانند مراقبت‌های بهداشتی، حقوق و مهندسی با رفتار با هوش به عنوان یک دارایی دیجیتال قابل تایید به جای یک خدمات جعبه سیاه، قابلیت ردیابی، حاکمیت و تامین مالی پایدار به دست می‌آورند.

ERC-7007 را برای محتوای هوش مصنوعی قابل تایید، محاسبات محرمانه برای داده‌های خصوصی، و چارچوب‌های دارایی دیجیتال سازگار در نظر بگیرید. پشته وجود دارد. اکنون می‌توانید یک AI Agent را درون زنجیره ای، از جمله قابلیت‌ها، خروجی‌ها و درآمد آن، مالک شوید، معامله کنید و حسابرسی کنید.

ستون‌های یک AI Agent توکنیزه شده

تبدیل هوش مصنوعی به یک دارایی واقعی نیاز به ترکیب سه عنصر فنی دارد که اعتماد، حریم خصوصی و ارزش را به آن می‌دهد. ابتدا، AI Agent باید با استفاده از معماری تولید تقویت شده با بازیابی ساخته شود. این امکان آموزش آن را بر روی یک پایگاه دانش اختصاصی و محرمانه، مانند پرونده‌های یک شرکت حقوقی یا تحقیقات یک مرکز پزشکی، بدون اینکه هرگز به ارائه‌دهنده مدل هوش مصنوعی زیربنایی دسترسی به داده‌ها داده شود، فراهم می‌کند.

داده‌ها در یک پایگاه داده برداری توکنیزه شده، ایزوله و امن که توسط مالک agent کنترل می‌شود، باقی می‌مانند و مسئله حیاتی حاکمیت داده را حل کرده و تخصص واقعی را امکان‌پذیر می‌سازند.

دوم، همه خروجی‌های آن agent باید از نظر رمزنگاری قابل تایید باشند، که استانداردهایی مانند ERC-7007 برای این منظور هستند. آن‌ها امکان پیوند ریاضی پاسخ یک هوش مصنوعی را با هر دو داده‌ای که به آن دسترسی داشته و مدل خاص آن فراهم می‌کنند. این بدان معناست که یک بند قانونی یا توصیه تشخیصی دیگر صرفاً متن نیست؛ اکنون یک محصول دیجیتال تایید شده با منشأ واضح است.

در نهایت، agent نیاز به یک مدل اقتصادی بومی دارد که می‌تواند از طریق یک عرضه امنیت دیجیتال سازگار به نام عرضه توکن Agent (ATO) امکان‌پذیر شود. با استفاده از آن، سازندگان می‌توانند با صدور توکن هایی که به دارندگان آن‌ها حقوق خدمات آن agent، سهمی از درآمد آن یا کنترل بر توسعه آن را می‌دهند، پول جمع‌آوری کنند.

این هماهنگی مستقیمی بین توسعه‌دهندگان، سرمایه‌گذاران و کاربران ایجاد می‌کند و فراتر از یارانه‌های سرمایه گذاری خطرپذیر به مدلی می‌رود که در آن بازار مستقیماً کاربرد را تامین مالی و ارزش‌گذاری می‌کند.

از تئوری به عمل

اهمیت عملی این چارچوب بسیار مهم است، به ویژه در بخش‌هایی که اتوماسیون غیرقابل پاسخگویی قبلاً هزینه‌های حقوقی و اجتماعی را متحمل می‌شود. در چنین محیط‌هایی، یکپارچه‌سازی مستمر هوش مصنوعی توکنیزه نشده در مورد محدودیت‌های فنی نیست، بلکه در مورد شکست‌ها در حاکمیت است. این نهادها را در موقعیتی قرار می‌دهد که قادر به توجیه نحوه حل یا تامین مالی تصمیمات حیاتی نیستند.

به عنوان مثال، مورد یک دستیار تشخیصی که در یک مرکز تحقیقات پزشکی استفاده می‌شود را در نظر بگیرید. یک عرضه توکن Agent همه چیز را مستند می‌کند: داده‌های آموزشی، مجموعه داده‌های استفاده شده، و چارچوب نظارتی. نتایج دارای تایید ERC-7007 هستند. وقتی به این روش یک agent را تامین مالی می‌کنید، یک ردیابی حسابرسی دریافت می‌کنید: چه کسی آن را آموزش داده، از چه چیزی یاد گرفته، و چگونه عمل می‌کند. اکثر سیستم‌های هوش مصنوعی این را به طور کامل نادیده می‌گیرند.

اینها دیگر توصیه‌های نامشخص نیستند. آن‌ها شیوه‌های پزشکی قابل ثبت و قابل ردیابی با منبع و جهتی هستند که می‌تواند برای تایید ادعاها بررسی شود. با این حال، این فرآیندی برای از بین بردن نهایی عدم قطعیت بالینی نیست، اما آسیب‌پذیری نهادی را به میزان قابل توجهی کاهش می‌دهد با جایگزینی فرضیات غیرقابل تایید با تایید مستند در حالی که سرمایه را به سمت ابزارهایی که ارزش آن‌ها از طریق استفاده تنظیم شده نشان داده و اثبات شده است نه نوآوری فرض شده، هدایت می‌کند.

متخصصان حقوقی با همان مشکل ساختاری روبرو هستند. اکثر ابزارهای هوش مصنوعی حقوقی امروزی وقتی برای استانداردهای حرفه‌ای بررسی می‌شوند شکست می‌خورند زیرا تحلیل‌هایی تولید می‌کنند که غیرقابل ردیابی یا مستند نشده هستند، که نمی‌توانند تحت ارزیابی اثبات شوند. توکنیزه کردن تاریخچه پرونده خصوصی یک شرکت حقوقی به یک AI Agent توکنیزه شده در عوض پایگاه دانش را حفظ می‌کند که شرکت می‌تواند دسترسی‌پذیری را بر اساس شرایط تعریف شده مدیریت کند. با این کار، هر بررسی قرارداد و پاسخ قانونی سپس قابل ردیابی می‌شود و به شرکت اجازه می‌دهد قوانین قانونی اساسی و الزامات حرفه‌ای را حفظ کند.

به طور مشابه، شرکت‌های مهندسی با همان مشکل روبرو هستند، اما با ریسک‌های حتی بالاتر، زیرا اشتباهات اغلب سال‌ها بعد بررسی می‌شوند. اگر یک سیستم هوش مصنوعی نتواند نشان دهد یا اثبات کند که چگونه به یک تصمیم خاص رسیده است، پس دفاع علمی از چنین تصمیماتی دشوار است، به ویژه زمانی که در دنیای واقعی اعمال می‌شوند. یک agent توکنیزه شده که بر روی طراحی‌های داخلی، شکست‌های گذشته و قوانین ایمنی آموزش دیده است نه تنها کار خود را نشان می‌دهد بلکه توصیه‌های اثبات شده و مبتنی بر داده را ارائه می‌دهد که می‌توانند بعداً به عنوان یک مطالعه موردی بررسی و توضیح داده شوند. به این ترتیب، شرکت‌ها می‌توانند عملیات را ردیابی کنند تا استانداردهای قابل دفاع ایجاد کنند. شرکت‌هایی که از هوش مصنوعی بدون اجرای این سطح از اثبات استفاده می‌کنند، ناگزیر در معرض ریسک‌هایی قرار می‌گیرند که ممکن است نتوانند توضیح دهند.

ضرورت بازار برای هوش مصنوعی کلاس دارایی

تغییر به سمت توکنیزه کردن هوش مصنوعی اکنون ثابت شده است که یک ضرورت برای اقتصاد است و دیگر فقط در مورد یک پیشرفت تکنولوژیکی چشمگیر نیست. مدل SaaS کلاسیک برای هوش مصنوعی قبلاً شروع به فروپاشی کرده است، زیرا کنترل متمرکز، داده‌های آموزشی نامشخص و قطع ارتباط بین سازندگان، سرمایه‌گذاران و کاربران نهایی ارزش ایجاد می‌کند.

حتی مجمع جهانی اقتصاد گفته است که نیاز به مدل‌های اقتصادی جدید برای اطمینان از اینکه توسعه هوش مصنوعی عادلانه و پایدار است، وجود دارد. توکنیزه کردن سرمایه را به طور متفاوت هدایت می‌کند. به جای شرط‌بندی بر روی آزمایشگاه‌ها از طریق دورهای سرمایه گذاری خطرپذیر، سرمایه‌گذاران agent های خاص با سوابق را خریداری می‌کنند. مالکیت روی زنجیره قرار دارد، بنابراین می‌توانید تایید کنید چه کسی چه چیزی را کنترل می‌کند و بدون واسطه موقعیت‌ها را معامله کنید.

مهمتر از همه، هر تعامل قابل ردیابی است، که هوش مصنوعی را از یک "جعبه سیاه" به یک "جعبه شفاف" تغییر می‌دهد. این در مورد قابل معامله کردن هیاهوی هوش مصنوعی نیست؛ این در مورد اعمال نظم و انضباط دارایی قابل تایید به مهم‌ترین فناوری زمان ما است.

امروز، زیرساخت برای ساخت این آینده، مانند پلتفرم‌های دارایی دیجیتال امن، استانداردهای تایید، و هوش مصنوعی که از حریم خصوصی محافظت می‌کند، قبلاً در جای خود قرار دارد. سوال اکنون این است که "چرا ما هوش را توکنیزه نکنیم؟" نه "آیا می‌توانیم؟"

صنایعی که با هوش مصنوعی تخصصی خود نه به عنوان یک مرکز هزینه بلکه به عنوان یک دارایی توکنیزه شده در ترازنامه خود رفتار می‌کنند، کسانی خواهند بود که مراحل بعدی نوآوری را تعریف می‌کنند. آن‌ها مالکیت هوش خود را به عهده خواهند گرفت، اثربخشی آن را نشان خواهند داد و آینده آن را از طریق یک بازار باز و جهانی تامین مالی خواهند کرد.

Davide Pizzo

Davide Pizzo رهبر فناوری Backend/AI در Brickken است، با پیشینه قوی در Big Data، هوش مصنوعی مولد، توسعه نرم‌افزار، معماری‌های ابری، و فناوری های بلاک چین. او در حال حاضر مهندسی backend و هوش مصنوعی را در Brickken رهبری می‌کند، جایی که API های مقیاس‌پذیر، راه‌حل‌های مبتنی بر هوش مصنوعی، و زیرساخت‌های داده برای توکنیزه کردن دارایی دنیای واقعی طراحی می‌کند. با تجربه در پلتفرم‌های داده در مقیاس بزرگ، Davide بر ساخت سیستم‌های قوی و کارآمد در تقاطع هوش مصنوعی، امور مالی و web3 تمرکز دارد.