آیا شبکه‌های تلفنی غیرمتمرکز می‌توانند نیروی محرکه انقلاب هوش مصنوعی باشند؟

شبکه‌های غیرمتمرکز هوش مصنوعی می‌خواهند تلفن‌های همراه روزمره را به جایگزینی برای زیرساخت رایانشی متمرکز تبدیل کنند: اما بدبینان تردیدهایی دارند. مراکز داده عظیمی که زیربنای انقلاب هوش مصنوعی هستند، دیگر تقریباً به‌اندازه اسباب‌بازی‌های کودکانه‌ای که از آزبست ساخته شده‌اند، محبوبیت دارند.

فعالان سراسر جهان به حجم عظیم انرژی و آبی اشاره می‌کنند که این زیرساخت‌ها نیاز دارند؛ از سوی دیگر، بازارها نگران درآمد لازم برای جبران هزینه ۳۸ میلیارد دلاری ساخت یک مرکز داده یک‌گیگاواتی هوش مصنوعی هستند.

اما آیا راه دیگری برای به‌حرکت‌درآوردن انقلاب هوش مصنوعی وجود دارد که همین حالا در جیبتان باشد؟

تا اکتبر ۲۰۲۶، شمار اتصالات تلفن همراه در سراسر جهان حدود ۷٫۶۸ میلیارد برآورد شده است و میلیاردها گوشی هوشمند در حال حاضر بدون استفاده، در جیب‌ها، روی میزها و داخل کشوها افتاده‌اند. هر کدام از آن‌ها پردازنده، حافظه و اتصال اینترنت دارند و در مجموع، انبوهی از توان رایانشی را تشکیل می‌دهند که فقط منتظر استفاده‌شدن است. پس آیا شبکه‌ای از گوشی‌های هوشمند ساده واقعاً می‌تواند هوش مصنوعی را در مقیاس گسترده به‌کار اندازد؟

در این رابطه بخوانید‌ : تمام چیزی که باید از بیتس کرانچ بدانید + پیش‌بینی قیمتی

به‌کارگیری گوشی‌های هوشمند

شبکه‌های غیرمتمرکز هوش مصنوعی در حال ظهورند که هدفشان تبدیل گوشی‌های هوشمند روزمره به یک لایه زیرساختی توزیع‌شده و کاهش اتکا به مراکز داده پرهزینه و متمرکز است. آکوراَست می‌گوید بیش از ۳۳۵ هزار گوشی هوشمند را به شبکه خود متصل کرده است. الساندرو دِ کارلی، هم‌بنیان‌گذار این پروژه، می‌گوید به‌طور میانگین حدود ۴۰ هزار دستگاه از آن‌ها هر روز کاملاً فعال‌اند و ظرفیت رایانشی لازم برای کارهایی از جمله خزش وب، امنیت سایبری، استنتاج هوش مصنوعی و میزبانی عامل‌ها را فراهم می‌کنند.

موقعیت مراکز داده در سراسر ایالات متحده. منبع: مؤسسه منابع جهانی

او می‌گوید گوشی‌های هوشمند برای برخی بارهای کاری به‌خصوص کارآمدند. قابلیت‌های امنیتی سخت‌افزاریِ داخلی آن‌ها در زمینه‌هایی مثل رایانش محرمانه یا ایجاد محیطی ایزوله برای نصب و اجرای فایل‌های اجرایی، بسیار خوب عمل می‌کنند. این دستگاه‌ها همچنین برای بارهای کاری پردازنده‌محور یا کارهایی که به توزیع گسترده و دسترسی بدون فیلتر به اینترنت نیاز دارند، مناسب‌اند.

دِ کارلی به مجله می‌گوید: سرورها در اجرای چندرشته‌ای بهترند، اما گوشی‌های هوشمند از نظر بهره‌وری رایانشی بی‌رقیب‌اند. او می‌گوید گوشی‌های هوشمند معمولی حافظه محدودی دارند و سرورهای بزرگ هنگام انجام چند کار به‌صورت موازی همچنان برتری دارند؛ بااین‌حال، بسیاری از بارهای کاری هنوز در ظرفیت حافظه موجود جا می‌گیرند.

او مدعی است در مجموع، گوشی‌های فعال در این شبکه «از نظر ظرفیت رایانشی با حدود ۲۳۴۰ سرور رده‌بالای مراکز داده برابری می‌کنند. این مقایسه بر اساس ASUS RS720A-E11 انجام شده است؛ سروری پرتراکم که برای هوش مصنوعی و رایانش با کارایی بالا (HPC) ساخته شده است.

اتصالات تلفن همراه در سال ۲۰۲۶. منبع: دیتا ریپورتال

پروژه دیگری به نام فِیز در اکتبر Phase Proxy را راه‌اندازی کرد؛ سرویسی که به مالکان گوشی‌های هوشمند اجازه می‌دهد اتصال اینترنت و اعتبارسنجی بلاک‌چین را برای عامل‌های هوش مصنوعی فراهم کنند. کیریل ایوز، بنیان‌گذار این پروژه، توضیح می‌دهد: وب‌سایت‌ها معمولاً ترافیک خودکاری را که از مراکز داده می‌آید مسدود می‌کنند یا برای آن محدودیت نرخ می‌گذارند. به همین دلیل، این سامانه به‌جای آن از اتصال‌های تلفن همراه و خانگی کاربران به‌عنوان پراکسی استفاده می‌کند. فِیز قصد دارد برای هر هزار درخواست و یک گیگابایت ترافیک، ۰٫۵ یو‌اس‌دی‌تی دریافت کند.

گام بعدی Phase Router خواهد بود که درخواست‌های ساده‌تر را به مدل‌های در حال اجرا روی گوشی‌های شبکه هدایت می‌کند یا، بر اساس پیچیدگی کار، قابلیت‌های مدل، عملکرد و هزینه، آن‌ها را به ارائه‌دهندگان بزرگ بیرونی مانند OpenAI و Anthropic می‌فرستد. او می‌گوید این شبکه در نهایت می‌تواند فراتر از گوشی‌های هوشمند گسترش یابد و رایانه‌های رومیزی، سرورها و پردازنده‌های گرافیکی را نیز دربر بگیرد.

اما مارکوس لوین، هم‌بنیان‌گذار شرکت زیرساخت غیرمتمرکز XYO، می‌گوید شبکه‌های غیرمتمرکز شاید برای گردآوری و راستی‌آزمایی داده‌های دنیای واقعی مناسب‌تر باشند تا اجرای مدل‌های هوش مصنوعی. او می‌گوید تلفن‌ها و حسگرها می‌توانند اطلاعات محلی‌ای فراهم کنند که از چشم مجموعه‌داده‌های متمرکز دور می‌ماند؛ البته فقط در صورتی که داده‌ها دقیق و در برابر دست‌کاری مقاوم باشند. او می‌گوید: ارزش یک شبکه غیرمتمرکز هوش مصنوعی را باید بر اساس این سنجید که آیا مشکلی را حل می‌کند که مشتریان حاضرند برای رفع آن پول بپردازند یا نه؛ نه بر اساس قیمت توکن یا تعداد گره‌های آن.

همچنین بخوانید : بیوبل (Beoble) چیست؟ همه چیز درباره BBL

هماهنگ‌سازی، بخش دشوار ماجراست

یکی از بزرگ‌ترین چالش‌های شبکه‌های تلفن همراه، هماهنگ‌کردن دستگاه‌ها برای فراهم‌کردن سخت‌افزار، انرژی و اتصالی قابل‌پیش‌بینی است؛ همان کاری که مراکز داده انجام می‌دهند. در پژوهشی در سال ۲۰۲۵، گروه‌های کوچکی از گوشی‌های هوشمند برای انجام وظایف تشخیص تصویر آزمایش شدند. نتایج نشان داد خوشه‌هایی از گوشی‌ها در شرایط خاص می‌توانند عملکردی رقابتی داشته باشند؛ اما این نتایج در محیطی کنترل‌شده به دست آمدند.

پروژه‌ای با حمایت گوگل در دانشگاه کالیفرنیا، سن‌دیگو نشان داد خوشه‌ای متشکل از ۲۰ گوشی هوشمند بازنشسته می‌تواند اوج بار رایانشیِ کلاسی با بیش از ۷۵ دانشجو را مدیریت کند و نمره‌دهی را سریع‌تر از پیکربندی ابری استاندارد دانشگاه انجام دهد. بااین‌حال، این دستگاه‌ها هم در محیطی کنترل‌شده سازمان‌دهی شده بودند و در سراسر جهان پراکنده نبودند.

در دنیای واقعی، یک شبکه توزیع‌شده باید با گوشی‌هایی سروکار داشته باشد که اتصالشان قطع می‌شود، داغ می‌کنند، شارژشان تمام می‌شود، شبکه‌شان را عوض می‌کنند و قدرت پردازش و حافظه متفاوتی دارند. برای نمونه، در شبکه بلاک‌چینی‌ای مانند اتریوم، ظرفیت فعلی به مدت‌زمان ارتباط میان دستگاه‌های شبکه و توان پردازشیِ ضعیف‌ترین دستگاه‌ها محدود است.

۲۰ گوشی هوشمند بازنشسته می‌توانند بار کاری یک کلاس با بیش از ۷۵ دانشجو را مدیریت کنند. منبع: پژوهش گوگل

به همین ترتیب، وقتی کارها میان چند گوشی تقسیم می‌شوند، اتصال‌های کند یا قطع‌شدن دستگاه‌ها می‌توانند کار را مختل کنند. معمولاً توزیع کارهای جداگانه و مستقل میان گوشی‌های در دسترس ساده‌تر است.

آیا مدل اقتصادی جواب می‌دهد؟

حتی اگر بتوان بر چالش‌های فنی غلبه کرد، شبکه‌ها همچنان باید از نظر مالی برای مشتریان و دارندگان دستگاه‌ها توجیه‌پذیر باشند. استفاده از سخت‌افزار موجود گوشی‌های هوشمند، هزینه سرمایه‌ای هنگفت ساخت مرکز داده را به همراه ندارد؛ اما هزینه‌هایی مانند اتصال، هماهنگ‌سازی و مشوق‌های مالی برای افراد حاضر در شبکه همچنان وجود دارند.

دِ کارلی درباره میزان جبران هزینه‌ها می‌گوید: رقم ثابتی وجود ندارد، چون پاداش شرکت‌کنندگان آکوراَست بر اساس مدت‌زمان فعال‌بودن دستگاه، مشخصات سخت‌افزار (عملکرد در آزمون‌های سنجش)، مجموع ACU سهام‌گذاری‌شده و تقاضای فعال توسعه‌دهندگان برای توان رایانشی تغییر می‌کند. او می‌گوید اپراتورها برای دریافت بخشی از پاداش‌هایی که از محل تورم توکن تأمین می‌شود رقابت می‌کنند، نه اینکه مستقیماً از مشتریان پول بگیرند. پاداش‌های شبکه فِیز به مدت‌زمان فعال‌بودن، میزان مشارکت و تقاضای مشتریان بستگی دارد.

ایوز می‌گوید: فِیز بخشی از درآمد خدمات خود را برای خرید PHASE در بازار آزاد اختصاص می‌دهد و بر اساس مشارکت اپراتورها در شبکه، آن را میانشان توزیع می‌کند. اجرای درست یک مدل هوش مصنوعی روی گوشی دیگر چالش اصلی نیست؛ مسئله واقعی این است که مدل اقتصادی به‌صرفه باشد و در عین حال ده‌ها هزار گوشی به‌گونه‌ای هماهنگ شوند که مانند یک سرویس ابری قابل‌اعتماد عمل کنند.

نتیجه‌گیری

شبکه‌های غیرمتمرکز می‌توانند از توان بلااستفاده گوشی‌های هوشمند برای انجام برخی کارهای هوش مصنوعی بهره بگیرند و در مواردی جایگزینی ارزان‌تر و پراکنده‌تر برای مراکز داده فراهم کنند. بااین‌حال، این شبکه‌ها فعلاً بیشتر مکمل زیرساخت‌های متمرکز به نظر می‌رسند تا جایگزین کامل آن‌ها. ناپایداری اتصال و توان دستگاه‌ها، دشواری هماهنگ‌سازی و نامشخص‌بودن پایداری اقتصادی، موانع اصلی گسترش آن‌هاست. موفقیت این ایده در نهایت به این بستگی دارد که شبکه‌ها بتوانند خدماتی قابل‌اعتماد و مقرون‌به‌صرفه ارائه دهند که مشتریان واقعاً حاضر باشند برایشان پول بپردازند.