نماذج الذكاء الاصطناعي تحصل على معظم الانتباه. نماذج أكبر. مخرجات أذكى. استجابات أسرع. $OPEN لكن هناك قضية هادئة تحت كل ذلك: جودة البيانات. الذكاء الاصطناعي مفيد فقط بقدر المعلومات التي يتعلم منها. واليوم، الكثير من تلك البيانات موجودة داخل أنظمة مغلقة تتحكم بها عدد قليل من المنصات. مع غمر المحتوى الذي يتم إنشاؤه بواسطة الذكاء الاصطناعي في الإنترنت، أصبح من الصعب، وليس سهلاً، العثور على بيانات موثوقة ومتخصصة وعالية الجودة. لهذا السبب، بيانات الذكاء الاصطناعي اللامركزية مهمة. الحجة بسيطة: الذكاء الاصطناعي في المستقبل قد لا يحقق الفوز من خلال المزيد من البيانات، بل من خلال بيانات أفضل.
قبل بضع سنوات، كانت سباق الذكاء الاصطناعي يبدو بسيطًا بشكل خادع. قم ببناء نماذج أكبر. اجمع بيانات أكثر. أنفق المزيد من المال على الحوسبة. كانت المعادلة تعمل، على الأقل على السطح. لكن تحت العناوين، كان يحدث شيء غير مريح. كل نظام ذكي يتم الاحتفال به كان يتعلم بهدوء من ملايين المساهمين غير المرئيين: باحثون يشاركون خبراتهم، مجتمعات تولد معرفة متخصصة، مستخدمون يقدمون ملاحظات لا تنتهي، ومجموعات بيانات تم تحسينها من قبل أشخاص لن يروا أسمائهم مرتبطة بالنتيجة.
نماذج الذكاء الاصطناعي تحصل على معظم الانتباه. نماذج أكبر. مخرجات أذكى. استجابات أسرع. $OPEN لكن هناك قضية هادئة تحت كل ذلك: جودة البيانات.
الذكاء الاصطناعي مفيد فقط بقدر المعلومات التي يتعلم منها. واليوم، الكثير من تلك البيانات موجودة داخل أنظمة مغلقة تتحكم بها عدد قليل من المنصات. مع غمر المحتوى الذي يتم إنشاؤه بواسطة الذكاء الاصطناعي في الإنترنت، أصبح من الصعب، وليس سهلاً، العثور على بيانات موثوقة ومتخصصة وعالية الجودة.
لهذا السبب، بيانات الذكاء الاصطناعي اللامركزية مهمة.
الحجة بسيطة: الذكاء الاصطناعي في المستقبل قد لا يحقق الفوز من خلال المزيد من البيانات، بل من خلال بيانات أفضل.