از هیجان تا واقعیت: نوآوری‌های نوظهور DePIN و هوش مصنوعی در سال ۲۰۲۵

DePIN: شبکه‌های زیرساخت فیزیکی غیرمتمرکز

پروژه‌های DePIN به طور نظری در تلاش هستند تا با ارائه کاربردهای واقعی به ارزهای دیجیتال، جایگاه خود را پیدا کنند. با این حال، تعداد اندکی از آنها واقعاً مشکلات دنیای واقعی را حل می‌کنند و دارای مدل کسب‌وکاری منطقی هستند که قادر به تغییر وضعیت شرکت‌های فعلی بوده و به راحتی قابل تقلب نیستند. بسیاری از این پروژه‌ها فقط به دنبال مشکلی برای حل هستند. یکی از استثناهای قابل توجه، شبکه ردیابی پرواز Wingbits است که چگونه با استفاده از انگیزه‌های وب ۳، مشکلی از وب ۲ را حل می‌کند. اگر تا به حال پروازهایی مانند BA117 از لندن به نیویورک را ردیابی کرده‌اید، ممکن است از وب‌سایت‌هایی مانند FlightAware یا Flightradar استفاده کرده باشید.

شکل ۱: نقشه ردیابی پرواز Wingbits

شرکت‌های ردیابی پرواز به دلیل فروش داده‌های پرواز به شرکت‌های هواپیمایی و تحلیلگران مالی که حرکات جت‌های خصوصی را برای ادغام و اکتساب‌ها پایش می‌کنند، میلیون‌ها درآمد کسب می‌کنند. این شرکت‌ها همچنین از تبلیغات و اشتراک‌ها در پلتفرم‌هایشان درآمد کسب می‌کنند. با این حال، هزینه سرمایه‌ای آنها شامل هزینه‌های زیرساخت و سخت‌افزار عمده نمی‌شود. این به این دلیل است که فناوری نظارت بر هوانوردی، به نام گیرنده‌های ADS-B، سخت‌افزاری است که به آنتن‌ها و رزبری پای ها نیاز دارد که توسط علاقه‌مندان به هوانوردی خریداری و پیکربندی می‌شود. این علاقه‌مندان انتظار چندانی در ازای کار خود ندارند و اغلب تنها یک اشتراک رایگان به پلتفرم ردیابی پرواز مورد علاقه خود دریافت می‌کنند.

مشکل اصلی این است که علاقه‌مندان به هوانوردی انگیزه چندانی برای بهینه‌سازی کیفیت داده‌ها برای این شبکه‌ها ندارند. بدون انگیزه‌های حاشیه‌ای، گیرنده‌های ADS-B اغلب به خوبی قرار نمی‌گیرند – برای مثال، در گوشه‌های اتاق نشیمن یا در مناطق شهری پرتراکم، که منجر به پوشش ضعیف در مناطق روستایی می‌شود.

شکل ۲: (چپ) گیرنده ADS-B سنتی، (راست) ماینر Wingbits

Wingbits با تشویق علاقه‌مندان به قرار دادن ایستگاه‌ها به صورت استراتژیک بر اساس ارتفاع، تحولی در ردیابی پرواز ایجاد کرده است. این رویکرد، پوشش بهینه، داده‌های با کیفیت بالا و مهم‌تر از همه، پاداش‌های عادلانه برای مشارکت‌کنندگان در شبکه را تضمین می‌کند. آنها با تنها ۱/۱۱ از تعداد ایستگاه‌های Wingbits، به پوشش ۷۵٪ از بزرگترین شبکه‌ها دست یافته‌اند. این سطح بالای کارآیی، همراه با راه‌اندازی بیش از ۴۰۰۰ ایستگاه، پیش‌بینی می‌شود که شبکه‌های سنتی ردیابی پرواز را با حاشیه قابل توجهی پیشی گیرد و داده‌های با کیفیت بهتری به مشتریان نهایی ارائه دهد.

گفتگو در مورد این مفهوم در مهمانی شام خانوادگی اکنون آسان‌تر شده است، زیرا می‌توان به یک کاربرد واقعی اشاره کرد که با انگیزه‌های ارز دیجیتال هدایت می‌شود و افراد عادی قادر به درک آن هستند.

ارز دیجیتال و هوش مصنوعی

مانند چرخه‌های بازار، تقاضا برای محاسبات نیز دوره‌های اوج و فرود دارد. GPU ها می‌توانند گران باشند و محدودیت‌های عرضه آنها را حتی بیشتر می‌کند. فعال‌سازی محاسبات بیکار در دستگاه‌های مصرف‌کننده مفهوم جدیدی نیست، اما حل مشکل همگام‌سازی در بین دستگاه‌های متعدد جدید است. Exo Labs پروژه‌ای پیشرو است که در محاسبات لبه‌ای پیشرفت‌هایی را به دست آورده و به کاربران امکان می‌دهد مدل‌ها را بر روی دستگاه‌های خانگی مانند مک‌بوک‌های خانگی اجرا کنند. این بدان معناست که داده‌های حساس تحت کنترل شما باقی می‌مانند و ریسک‌های مرتبط با ذخیره‌سازی یا پردازش ابری کاهش می‌یابد.

شکل ۳: مدل ۹ لایه به ۳ بخش تقسیم شده و بر روی دستگاه‌های جداگانه اجرا می‌شود

Exo Labs زیرساخت نرم‌افزاری جدیدی به نام پیش‌بینی موازی لوله‌ای توسعه داده که امکان تقسیم یک مدل زبان بزرگ (LLM) به “بخش‌ها” را فراهم می‌کند، به طوری که دستگاه‌های مختلف می‌توانند قسمت‌های جداگانه‌ای از مدل را اجرا کرده و در عین حال به همان شبکه متصل باقی بمانند. این رویکرد مزایای زیادی از جمله کاهش تأخیر، بهبود امنیت، کارآیی هزینه و مهم‌تر از همه، بهره‌وری از حریم خصوصی را ارائه می‌دهد.

با بررسی بیشتر حریم خصوصی، پروژه Bagel AI توسعه‌دهنده ZKLoRA (سازگاری رده پایین دانش صفر) را کشف می‌کنیم، رویکردی برای حفظ حریم خصوصی در بهبود LLMها. این نوآوری امکان ایجاد مدل‌های تخصصی برای صنایع مانند خدمات حقوقی، بهداشت و درمان و مالی را فراهم می‌کند و اجازه می‌دهد داده‌های حساس برای یادگیری تقویتی استفاده شوند بدون اینکه خطر نشت اطلاعات محرمانه به وجود آید.

در حالی که حفظ حریم خصوصی یک موضوع داغ است، چالشی بزرگ‌تر برای بیشتر LLMها مشکل هذیان است، پاسخی که توسط هوش مصنوعی تولید شده و شامل اطلاعات نادرست یا گمراه‌کننده‌ای است که به عنوان حقیقت ارائه می‌شود. یک مدیر پرتفوی به من گفت: “حکمت در ترکیب دیدگاه‌های رقابتی برای کشف حقیقت محوری بین دو افراط نهفته است.” Blocksense پروژه‌ای است که رویکرد اختصاصی به نام اجماع zkSchellingCoin را توسعه داده است. این روش به دنبال ترکیب حقایق ذهنی از منابع متعدد، مثلاً LLMهای مختلف، برای دستیابی به یک حقیقت مشترک است. به عنوان مثال، تصور کنید که همان پرسش را در ChatGPT، Claude، Grok و Llama اجرا کنید. اگر یک مدل خروجی نادرست ارائه دهد، احتمالاً تمام چهار مدل نتیجه نادرست مشابهی تولید نمی‌کنند.

شکل ۴: نمای کلی از اجماع zkSchellingCoin

اجماع zkSchellingCoin می‌تواند به افزودن قابلیت تأیید به استنتاج هوش مصنوعی نیز کمک کند. به عنوان مثال، چگونه می‌توانیم تأیید کنیم که یک عامل هوش مصنوعی به درستی USDC را به بالاترین بازده وُلت در زمان اجرا منتقل کرده است؟ اعتماد به هوش مصنوعی با یک لایه تأیید اضافی به شدت تقویت می‌شود. اگر بتوانیم این مشکل را بدون مصالحه در هزینه یا تأخیر حل کنیم، می‌تواند به یک پیشرفت بزرگ در موارد کاربرد واقعی منجر شود.

مسیر از هیاهو تا واقعیت در DePIN و هوش مصنوعی نشان می‌دهد که نوآوری واقعی در حل مشکلات دنیای واقعی با راه‌حل‌های عملی و کارآمد نهفته است. پروژه‌هایی مانند Wingbits و Exo Labs نشان می‌دهند که چگونه بلاکچین و هوش مصنوعی می‌توانند تأثیرات معناداری ایجاد کنند — چه با تحول ردیابی پرواز با انگیزه‌های استراتژیک و چه با فعال‌سازی قدرت دستگاه‌های مصرفی برای محاسبات امن و مقرون به صرفه. با پیشرفت‌هایی مانند ZKLoRA برای هوش مصنوعی با حفظ حریم خصوصی و zkSchellingCoin برای حقیقت قابل تأیید، این فناوری‌های نوظهور به حل چالش‌های حیاتی پرداخته و راه را برای آینده‌ای غیرمتمرکزتر، کارآمدتر و با اعتماد بیشتر هموار می‌کنند.