بنیاد 0G در حال ادغام مدل زبان بزرگ (LLM) کیانون (Qianwen) از علیبابا کلاود (Alibaba Cloud) در زیرساخت غیرمتمرکز از طریق دسترسی توکنمحور است و یکی از اولین پشتههای عامل هوش مصنوعی تجاری روی زنجیره را پایهگذاری میکند.
بنیاد 0G یک همکاری رسمی با علیبابا کلاود آغاز کرده است تا مدل زبان بزرگ کیانون (Qianwen) این غول فناوری چینی را روی زنجیره بیاورد و به عوامل هوش مصنوعی اجازه دهد تا به طور مستقیم از زیرساخت غیرمتمرکز، یک LLM در سطح تجاری را پرسوجو کنند. در یک پست وبلاگی که این همکاری را تشریح میکند، 0G خود را به عنوان "اولین لایه هوش مصنوعی (AIL) و سیستم عامل هوش مصنوعی غیرمتمرکز (dAIOS)" توصیف کرده و گفته است که این ادغام به "پیشبرد نسل بعدی زیرساختهای هوش مصنوعی و وب3 در سراسر منطقه آسیا و اقیانوسیه" کمک خواهد کرد.
بر اساس این توافق، توسعهدهندگان به جای صورتحساب ابری سنتی، از طریق یک مکانیزم دسترسی مبتنی بر توکن از استنتاج کیانون استفاده میکنند، که به طور موثر فراخوانیهای LLM را به عملیاتهای قابل اندازهگیری و روی زنجیره تبدیل میکند. علیبابا کلاود، که میگوید خانواده تانگیی کیانون (Tongyi Qianwen) آن بیش از ۹۰,۰۰۰ استقرار داشته و اکنون شامل مدلهای Qwen2.5 با ۷ میلیارد تا ۷۲ میلیارد پارامتر است، این همکاری را به عنوان راهی برای گسترش این قابلیتها به محیطهای بدون مجوز معرفی میکند.
برای 0G، ادغام کیانون در یک استراتژی گستردهتر برای ساخت یک "اقتصاد عامل" روی زنجیره قرار میگیرد که در آن عوامل هوش مصنوعی خودمختار میتوانند هویت داشته باشند، هزینه محاسبات را بپردازند و بدون اتکا به پلتفرمهای هوش مصنوعی متمرکز با پروتکلهای دیگر تعامل داشته باشند. اوایل سال جاری، این بنیاد یک برنامه رشد اکوسیستم ۸۸.۸۸ میلیون دلاری را با هدف تامین مالی عوامل DeFAI (هوش مصنوعی غیرمتمرکز) و dAppهای با کارایی بالا رونمایی کرد، با این استدلال که زیرساخت هوش مصنوعی غیرمتمرکز مورد نیاز است زیرا ارائهدهندگان متمرکز "تحت فشار تقاضا فرو میپاشند."
علیبابا نیز به نوبه خود، خانواده کیانون را با مدلهای باز و بسته، از جمله سری Qwen2.5 و گونههای چندوجهی مانند Qwen‑VL و Qwen‑Audio، به طور پیوسته در حال گسترش بوده و دسترسی سازمانی از طریق APIهای Model Studio را راهی برای "ایجاد موج جدیدی از شتاب رشد" برای مشتریان خود معرفی کرده است. آوردن این پشته به یک بستر توکنمحور و روی زنجیره، به توسعهدهندگان وب3 راهی میدهد تا همان اصول اولیه LLM را در داخل عاملهایی جاسازی کنند که میتوانند مانند هر دارایی رمزنگاری-بومی یا منطق برنامه دیگری ضرب، معامله و ترکیب شوند.
اگر این آزمایش موفق شود، ممکن است یک الگوی ملموس برای چگونگی پیوند هوش مصنوعی بومی ابری با هماهنگی غیرمتمرکز توسط دیگر ارائهدهندگان هایپراسکالر و مدلهای پایه ارائه دهد، و فراخوانیهای LLM را به منابع قابل برنامهریزی تبدیل کند که در کنار توکنها، دیفای، و حاکمیت روی زنجیره زندگی میکنند، به جای بالاتر از آنها.
