Whalesbook
ਕੰਪਿਊਟਿੰਗ ਪਾਵਰ ਦਾ ਵੱਡਾ ਫਰਕ
Bitcoin ਬਾਰੇ ਆਮ ਤੌਰ 'ਤੇ ਇਸਨੂੰ ਡਿਜੀਟਲ ਸਟੋਰ ਆਫ ਵੈਲਿਊ (Digital Store of Value) ਵਜੋਂ ਦੇਖਿਆ ਜਾਂਦਾ ਹੈ, ਪਰ ਇਸਦੇ ਪਿੱਛੇ ਦੀ ਟੈਕਨੋਲੋਜੀ ਇਤਿਹਾਸ ਦੀ ਸਭ ਤੋਂ ਮਜ਼ਬੂਤ ਡਿਸਟ੍ਰੀਬਿਊਟਿਡ ਕੰਪਿਊਟਿੰਗ ਗ੍ਰਿਡ ਹੈ। ਤਾਜ਼ਾ ਰਿਪੋਰਟਾਂ ਮੁਤਾਬਕ, Bitcoin ਨੈੱਟਵਰਕ ਦੀ ਕੁੱਲ ਕੰਪਿਊਟਿੰਗ ਸਮਰੱਥਾ ਦੁਨੀਆ ਦੇ ਸਿਖਰਲੇ 100 ਸੁਪਰਕੰਪਿਊਟਰਾਂ ਦੀ ਕੁੱਲ ਸਮਰੱਥਾ ਨਾਲੋਂ 600,000 ਗੁਣਾ ਜ਼ਿਆਦਾ ਹੈ। ਇਹ ਸਿਰਫ ਅੰਕੜਾ ਨਹੀਂ, ਇਹ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਡਿਸਟ੍ਰੀਬਿਊਟਿਡ ਕੋਆਰਡੀਨੇਸ਼ਨ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਜਦੋਂ ਕਿ ਰਵਾਇਤੀ ਹਾਈ-ਪਰਫਾਰਮੈਂਸ ਕੰਪਿਊਟਿੰਗ (HPC) ਕੇਂਦ੍ਰਿਤ ਊਰਜਾ ਬਜਟ ਅਤੇ ਕਾਰਪੋਰੇਟ ਬੈਲੰਸ ਸ਼ੀਟਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ, Bitcoin ਨੈੱਟਵਰਕ ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਕਿਵੇਂ ਆਰਥਿਕ ਪ੍ਰੋਤਸਾਹਨ (Economic Incentives) ਦੁਨੀਆ ਭਰ ਦੇ ਹਾਰਡਵੇਅਰ ਨੂੰ ਇੱਕ ਅਜੂਬੇ ਵਾਂਗ ਜੋੜ ਸਕਦੇ ਹਨ।
AI ਲਈ ਪ੍ਰੂਫ-ਆਫ-ਵਰਕ (Proof-of-Work) ਦੀ ਵਰਤੋਂ
Blockchain ਡਿਜ਼ਾਈਨਰਾਂ ਵਿੱਚ Bitcoin ਦੇ ਆਰਕੀਟੈਕਚਰਲ ਸਫਲਤਾ ਨੂੰ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਸੈਕਟਰ ਵਿੱਚ ਲਿਆਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਤੇਜ਼ੀ ਨਾਲ ਵੱਧ ਰਹੀ ਹੈ। Bittensor, ਇੱਕ ਪ੍ਰੋਟੋਕਾਲ ਜੋ ਡਿਸਟ੍ਰੀਬਿਊਟਿਡ ਮਸ਼ੀਨ ਲਰਨਿੰਗ (Decentralized Machine Learning) ਨੂੰ ਸੌਖਾ ਬਣਾਉਣ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ, ਇਸ ਬਦਲਾਅ ਦਾ ਮੁੱਖ ਟੈਸਟ ਕੇਸ ਹੈ। Bitcoin ਦੀ ਤਰ੍ਹਾਂ ਹਾਰਡ-ਕੈਪਡ ਸਪਲਾਈ (Hard-capped Supply) ਅਤੇ ਅਨੁਸੂਚਿਤ ਹਾਫਿੰਗ ਇਵੈਂਟਸ (Scheduled Halving Events) ਵਾਲੇ ਟੋਕਨੋਮਿਕ ਮਾਡਲ (Tokenomic Model) ਨੂੰ ਅਪਣਾ ਕੇ, ਇਹ ਨੈੱਟਵਰਕ ਡਿਸਟ੍ਰੀਬਿਊਟਿਡ ਇੰਟੈਲੀਜੈਂਸ (Decentralized Intelligence) ਦੀ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਨ। ਵੱਡੇ, ਗੁਪਤ ਪ੍ਰਾਈਵੇਟ ਕਲੱਸਟਰਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਨ ਦੀ ਬਜਾਏ, ਇਹ ਸਿਸਟਮ ਕੰਮਾਂ ਨੂੰ ਵਿਸ਼ੇਸ਼ ਸਬਨੈੱਟਾਂ (Subnets) ਵਿੱਚ ਵੰਡਦੇ ਹਨ। ਭਾਗੀਦਾਰ ਹੈਸ਼ (Hashes) ਜਨਰੇਟ ਕਰਨ ਦੀ ਬਜਾਏ AI ਮਾਡਲਾਂ ਲਈ ਵੈਲੀਡੇਸ਼ਨ (Validation) ਅਤੇ ਟ੍ਰੇਨਿੰਗ (Training) ਕੰਮ ਕਰਨ ਲਈ ਕੰਪਿਊਟੇਸ਼ਨਲ ਸਰੋਤਾਂ ਦਾ ਯੋਗਦਾਨ ਪਾਉਂਦੇ ਹਨ, ਅਤੇ ਇਸਦੇ ਬਦਲੇ ਵਿੱਚ ਇੱਕ ਨਿਸ਼ਚਿਤ ਰਕਮ ਟੋਕਨ (Native Tokens) ਦੇ ਰੂਪ ਵਿੱਚ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ। ਇਹ ਪ੍ਰਕਿਰਿਆ ਕੰਪਿਊਟ ਪਾਵਰ ਨੂੰ ਵਸਤੂ ਬਣਾਉਂਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਇੱਕ ਮੁਕਾਬਲੇ ਵਾਲਾ ਬਾਜ਼ਾਰ ਬਣਦਾ ਹੈ ਜਿੱਥੇ ਸਭ ਤੋਂ ਕੁਸ਼ਲ ਪ੍ਰਦਾਤਾ ਜ਼ਿਆਦਾਤਰ ਇਨਾਮ ਹਾਸਲ ਕਰਦੇ ਹਨ।
ਜੋਖਮ ਦਾ ਪੂਰਾ ਮੁਲਾਂਕਣ
ਜਿੱਥੇ ਡਿਸਟ੍ਰੀਬਿਊਟਿਡ AI ਦੀ ਸਿਧਾਂਤਕ ਕੁਸ਼ਲਤਾ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੈ, ਉੱਥੇ ਇਸਦੀ ਅਸਲ ਵਰਤੋਂ ਵਿੱਚ ਕਈ ਵੱਡੀਆਂ ਰੁਕਾਵਟਾਂ ਹਨ ਜੋ ਇਸਨੂੰ ਅਪਣਾਉਣ ਤੋਂ ਰੋਕ ਸਕਦੀਆਂ ਹਨ। ਸਭ ਤੋਂ ਵੱਡੀ ਚਿੰਤਾ ਇਸਦੇ ਅੰਤਰੀਵ ਪ੍ਰੋਤਸਾਹਨ ਪ੍ਰਣਾਲੀ (Incentive Layer) ਦੀ ਅਸਥਿਰਤਾ ਹੈ। NVIDIA ਜਾਂ Microsoft ਵਰਗੇ ਕੇਂਦ੍ਰਿਤ AI ਪ੍ਰਦਾਤਾਵਾਂ ਦੇ ਉਲਟ, ਜੋ ਕਿ ਪ੍ਰਤੀਯੋਗੀ ਕੀਮਤਾਂ ਅਤੇ ਸਰਵਿਸ ਲੈਵਲ ਐਗਰੀਮੈਂਟ (SLA) ਪੇਸ਼ ਕਰ ਸਕਦੇ ਹਨ, ਡਿਸਟ੍ਰੀਬਿਊਟਿਡ ਪ੍ਰੋਟੋਕੋਲ ਟੋਕਨ ਮੁੱਲ ਵਿੱਚ ਭਾਰੀ ਉਤਰਾਅ-ਚੜ੍ਹਾਅ ਲਈ ਸੰਵੇਦਨਸ਼ੀਲ ਰਹਿੰਦੇ ਹਨ। ਜੇਕਰ ਕੰਪਿਊਟ ਪ੍ਰਦਾਨ ਕਰਨ ਦਾ ਆਰਥਿਕ ਇਨਾਮ ਘੱਟ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਨੈੱਟਵਰਕ ਦੀ ਕੁੱਲ ਸ਼ਕਤੀ ਅਸਥਿਰ ਹੋ ਸਕਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਗਿਰਾਵਟ ਆ ਸਕਦੀ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇਹਨਾਂ ਟੋਕਨਾਂ ਨੂੰ ਸਕਿਓਰਿਟੀਜ਼ (Securities) ਵਜੋਂ ਵਰਗੀਕ੍ਰਿਤ ਕਰਨ ਸੰਬੰਧੀ ਰੈਗੂਲੇਟਰੀ ਜਾਂਚ ਵੀ ਇੱਕ ਵੱਡਾ ਖਤਰਾ ਹੈ। ਜੇਕਰ ਇਹਨਾਂ ਨੈੱਟਵਰਕਾਂ ਨੂੰ ਯੂਟਿਲਿਟੀ-ਅਧਾਰਿਤ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦੀ ਬਜਾਏ ਰਵਾਇਤੀ ਵਿੱਤੀ ਸਾਧਨ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਪਾਲਣਾ ਦੀ ਲਾਗਤ ਉਹਨਾਂ ਦੇ ਡਿਸਟ੍ਰੀਬਿਊਟਿਡ ਆਪਰੇਟਰਾਂ ਦੇ ਘੱਟ ਮੁਨਾਫੇ ਨੂੰ ਖਤਮ ਕਰ ਸਕਦੀ ਹੈ। ਅੰਤ ਵਿੱਚ, ਭਰੋਸੇਯੋਗਤਾ ਰਹਿਤ ਮਾਹੌਲ ਵਿੱਚ ਗੁੰਝਲਦਾਰ AI ਗਣਨਾਵਾਂ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰਨ ਦੀ ਤਕਨੀਕੀ ਚੁਣੌਤੀ ਅਜੇ ਵੀ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਹੱਲ ਨਹੀਂ ਹੋਈ ਹੈ, ਜਿਸ ਨਾਲ ਖਤਰਨਾਕ ਅਦਾਕਾਰਾਂ ਦੁਆਰਾ ਸਬਨੈੱਟਾਂ ਵਿੱਚ ਗਲਤ ਡਾਟਾ ਭੇਜ ਕੇ ਇਨਾਮ ਹੜੱਪਣ ਦਾ ਖਤਰਾ ਬਣਿਆ ਰਹਿੰਦਾ ਹੈ।
ਬਾਜ਼ਾਰ ਦਾ ਨਜ਼ਰੀਆ ਅਤੇ ਸਿੱਟਾ
ਡਿਸਟ੍ਰੀਬਿਊਟਿਡ ਕੰਪਿਊਟਿੰਗ ਨੂੰ AI ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਸ਼ਾਮਲ ਕਰਨਾ ਮੌਜੂਦਾ ਟੈਕ ਦਿੱਗਜਾਂ ਲਈ ਇੱਕ ਵੱਡਾ ਢਾਂਚਾਗਤ ਚੁਣੌਤੀ ਪੇਸ਼ ਕਰਦਾ ਹੈ। ਜਿਵੇਂ-ਜਿਵੇਂ ਹਾਈ-ਪਰਫਾਰਮੈਂਸ ਕੰਪਿਊਟਿੰਗ ਦੀ ਗਲੋਬਲ ਮੰਗ ਸਪਲਾਈ ਤੋਂ ਅੱਗੇ ਨਿਕਲਦੀ ਜਾ ਰਹੀ ਹੈ, ਘਰੇਲੂ ਹਾਰਡਵੇਅਰ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਆਰਬਿਟਰੇਜ ਮੌਕਾ ਪੇਸ਼ ਕਰਦੀ ਹੈ। ਸੰਸਥਾਗਤ ਨਿਵੇਸ਼ (Institutional Interest) ਮੁੱਖ ਤੌਰ 'ਤੇ ਸਬਨੈੱਟ ਪ੍ਰਦਰਸ਼ਨ ਦੇ ਵਿਕਾਸ 'ਤੇ ਨਿਰਭਰ ਕਰੇਗਾ; ਜੇਕਰ ਇਹ ਪ੍ਰੋਟੋਕਾਲ ਭਰੋਸੇਮੰਦ, ਘੱਟ-ਲੇਟੈਂਸੀ (Low-latency) ਵਾਲੀ ਬੁੱਧੀਮੱਤਾ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰ ਸਕਦੇ ਹਨ, ਤਾਂ ਉਹ ਮੌਜੂਦਾ, ਬਹੁਤ ਜ਼ਿਆਦਾ ਕੇਂਦ੍ਰਿਤ ਕਲਾਊਡ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦਾ ਇੱਕ ਜ਼ਰੂਰੀ ਬਦਲ ਬਣ ਸਕਦੇ ਹਨ।