ری نتورک (REI Network)
ری نتورک یک پلتفرم غیرمتمرکز برای پژوهش و توسعه هوش مصنوعی است که تمرکز آن بر پیشبرد هوش عمومی مصنوعی (AGI) از طریق معماری نوآورانه و یک اکوسیستم مشارکتی است. هدف این پلتفرم ایجاد محیطی پایدار برای تحقیقات هوش مصنوعی است که با ارزش‌ها و ملاحظات اخلاقی انسانی هم‌راستا باشد.
مرور کلی
ری نتورک یک سازمان پژوهشی است که به بررسی هوش مصنوعی با تکیه بر اصول علمی و شناختی می‌پردازد، نه صرفاً روش‌های سنتی علوم کامپیوتر. این گروه معماری‌های جدیدی از شبکه‌های عصبی را بر اساس مدل‌های زیستی و شناختی بررسی می‌کند تا از رویکردهای آماری رایج فراتر رود.
یکی از نوآوری‌های اصلی آن‌ها طراحی یک لایه اتصال جهانی است که به عوامل هوش مصنوعی امکان می‌دهد در سامانه‌های مختلف با یکدیگر تعامل داشته باشند، بدون اینکه محدود به چارچوب‌های عملیاتی ثابت باشند. این طراحی تطبیق‌پذیر به عوامل اجازه می‌دهد عملکرد اصلی خود را حفظ کرده و همزمان با معماری‌های خارجی گوناگون یکپارچه شوند.
این معماری همچنین دارای مکانیزمی برای ترجمه داده‌ها و یافته‌ها به قالب‌های استاندارد است، تا قابلیت استفاده گسترده‌تر و انطباق‌پذیری بیشتر را فراهم کند. این سیستم به عنوان چارچوبی بنیادی برای توسعه‌دهندگانی طراحی شده که روی سیستم‌های تعاملی، ابزارهای تحلیلی یا شکل‌های کاملاً جدیدی از کاربردها کار می‌کنند.
هسته (Core)
هسته یک معماری هوش مصنوعی است که بر پایه سه بخش اصلی طراحی شده: معماری پاپیونی (Bowtie Architecture)، خوشه استدلال (Reasoning Cluster)، و هماهنگی مدل‌ها (Model Orchestration). این چارچوب روشی نو برای پردازش، تفسیر و تکامل اطلاعات در سیستم‌های هوش مصنوعی ارائه می‌دهد.
هسته به عنوان بستری بنیادی طراحی شده تا توسعه انواع کاربردها، از سیستم‌های تعاملی تا ابزارهای تحلیلی را پشتیبانی کند. معماری باز آن برای پذیرش، انطباق و نوآوری مداوم در میان جامعه توسعه‌دهندگان طراحی شده است.
معماری پاپیونی (Bowtie Architecture)
معماری پاپیونی سیستمی برای حافظه و شکل‌گیری مفاهیم است که به لطف ساختار منحصر به فردش، درک عمیق‌تری نسبت به شناسایی الگوهای ساده ارائه می‌دهد. در این ساختار، ارتباطات جدید به‌صورت طبیعی شکل می‌گیرند و سیستم می‌تواند درک خود را در طول زمان توسعه دهد. این طراحی به یادگیری و سازگاری مداوم کمک می‌کند و روندی مشابه فرآیندهای شناختی انسانی را دنبال می‌کند، که در نهایت به شکل‌گیری دانش و بینش نو منجر می‌شود.
خوشه استدلال (Reasoning Cluster)
خوشه استدلال به‌عنوان واحد پردازش مرکزی در معماری هسته عمل می‌کند، عملیات شناختی را مدیریت کرده و انتخاب مدل‌ها را هدایت می‌کند. این سیستم از درخت‌های تصمیم برای انتخاب مناسب‌ترین مدل برای هر پرسش استفاده می‌کند.
هماهنگی مدل‌ها (Model Orchestration)
هماهنگی مدل‌ها در هسته، وظیفه توزیع وظایف میان مدل‌های تخصصی مختلف را بر عهده دارد. این بخش با تجزیه پویا‌ی پرسش‌ها، مسائل پیچیده را به بخش‌های کوچکتر تقسیم کرده و هر بخش را به مدل مناسب اختصاص می‌دهد تا پردازش کارآمدتر انجام شود و قابلیت یکپارچه‌سازی ماژولار حفظ گردد.
این سیستم سه دسته مدل را هماهنگ می‌کند: مدل‌های آماری برای وظایفی مانند پیش‌بینی، طبقه‌بندی و تحلیل سری‌های زمانی؛ مدل‌های ادراکی برای پردازش داده‌های دیداری، صوتی و حسگرها؛ و مدل‌های خاص‌دامنه که برای نیازهای صنایع یا کاربردهای خاص طراحی شده‌اند. هر مدل در چارچوبی انعطاف‌پذیر فعالیت می‌کند و در عملکرد کلی سیستم نقش دارد.
لایه هماهنگی با تحلیل پرسش‌ها برای شناسایی وظایف لازم، تخصیص مناسب منابع، و حفظ نمایه عملکرد هر مدل، بازدهی را بهینه می‌کند. این رویکرد هم مصرف منابع را کارآمدتر می‌سازد و هم بستری برای بهبود مستمر فراهم می‌آورد.
تکامل (Evolution)
تکامل یکی از اصول اساسی در معماری یک واحد (Unit) است که به آن امکان می‌دهد از طریق تعامل مداوم رشد کند. هر تعامل به‌صورت یک خاطره ذخیره می‌شود و در طول زمان به رفتار تطبیقی واحد شکل می‌دهد.
خاطرات به دو دسته تقسیم می‌شوند: حافظه کوتاه‌مدت که شامل تعاملات اخیر است، و حافظه بلندمدت که اطلاعات قدیمی‌تر را در بر می‌گیرد. با گذشت زمان، خاطرات بلندمدت مرتبط، الگوهایی را شکل می‌دهند که مرحله ابتدایی یادگیری تکاملی را تشکیل می‌دهد. این الگوها بر اساس شباهت خوشه‌بندی می‌شوند و خاطرات مشابه و پرتکرار یکدیگر را تقویت می‌کنند، که این موضوع احتمال ایجاد ارتباطات جدید را افزایش می‌دهد.
با افزایش تعداد خاطرات، آن‌ها به مفاهیم انتزاعی تبدیل می‌شوند—نمایش‌هایی پایدار از ویژگی‌های زیربنایی. برخلاف حافظه بلندمدت، مفاهیم با گذشت زمان محو نمی‌شوند، هرچند که امکان تغییر دارند. این مفاهیم نیز با الگوها و خوشه‌بندی‌هایی مشابه ولی پیچیده‌تر سازمان‌دهی می‌شوند.
چارچوب حافظه سیستم با هر تعامل جدید کاربر به‌روزرسانی می‌شود و رفتار و منطق درونی واحد را شکل می‌دهد. این روند تکاملی می‌تواند در نهایت رفتار اولیه سیستم را تقویت یا از آن فاصله بگیرد و نشان‌دهنده رشد شناختی مداوم آن باشد.
ویژگی‌ها
کاتالوگ (Catalog)
کاتالوگ مجموعه‌ای از مدل‌هایی است که برای انجام وظایف خاصی طراحی شده‌اند. بیشتر این مدل‌ها قرار است به‌صورت متن‌باز ارائه شوند تا توسعه‌دهندگان بتوانند آزادانه از آن‌ها استفاده کنند. یک رابط برنامه‌نویسی کاربردی (API) نیز برای ادغام آسان این مدل‌ها با سیستم‌های موجود در دسترس است. همچنین کاتالوگ می‌تواند به هسته متصل شود تا بهره‌وری و کارایی جریان‌های کاری را افزایش دهد.
هانابی-۱ (Hanabi-1)
هانابی-۱ اولین مدل از مجموعه کاتالوگ است که بر پیش‌بینی مالی تمرکز دارد. برخلاف مدل‌های بزرگ و عمومی، هانابی-۱ طراحی جمع‌وجور و خاص دامنه‌ای دارد که برای تحلیل سری‌های زمانی مالی بهینه‌سازی شده و بر سرعت، کارایی و دقت ویژه برای این نوع وظایف تمرکز دارد.
رابط برنامه‌نویسی کاربردی رِی
رِی به‌عنوان یک پلتفرم زیربنایی عمل می‌کند که زیرساخت‌های لازم برای اجرای عامل‌های هوش مصنوعی و تعامل آن‌ها را فراهم می‌آورد. برخلاف APIهای رایج هوش مصنوعی، رِی از معماری و مدل‌های اختصاصی خود بهره می‌برد و به‌عنوان یک لایه پایه در زیر سیستم‌های زیرساختی موجود قرار می‌گیرد.
در قلب رِی، APIهای معماری شناختی آن قرار دارند که مشخص می‌کنند یک سیستم چگونه اطلاعات را تفسیر و پردازش کند. این APIها منطق پایه‌ای استدلال عامل‌ها را تعریف می‌کنند و عنصری کلیدی محسوب می‌شوند که نمی‌توان صرفاً با افزودن ابزارهای خارجی آن را تقلید کرد. این لایه پایه، توانمندی تمام برنامه‌هایی را که بر بستر آن ساخته می‌شوند شکل می‌دهد.
حلقه‌های بازخورد رشد
حلقه توسعه‌دهنده: فعالیت توسعه‌دهندگان در ساخت ابزارها و برنامه‌ها باعث گسترش قابلیت‌ها و بهبود زیرساخت‌های رِی می‌شود. این پیشرفت‌ها توسعه‌دهندگان بیشتری را جذب می‌کند که خود ابزارها و بهبودهای بیشتری اضافه می‌کنند. این چرخه پیوسته به تقویت سیستم و تشویق نوآوری منجر می‌شود.
حلقه سازنده: در این چرخه، فعالیت سازندگان موجب افزایش کاربرد و ارزش توکن‌های پلتفرم می‌شود و منابعی برای توسعه بیشتر فراهم می‌آورد. این منابع صرف بهبودهایی می‌شوند که سازندگان جدیدی را جذب کرده و دامنه استفاده از پلتفرم را گسترش می‌دهند، و در نتیجه، رشد اقتصادی پایداری ایجاد می‌شود.
حلقه اثر شبکه‌ای: با راه‌اندازی برنامه‌های بیشتر روی رِی، کاربران بیشتری جذب می‌شوند. با رشد تعداد کاربران، ارزش شبکه افزایش می‌یابد و توسعه‌دهندگان بیشتری به ساخت برنامه روی این پلتفرم تشویق می‌شوند. معرفی برنامه‌های جدید، کاربران بیشتری را جذب کرده و این چرخه، شبکه را پیوسته تقویت می‌کند.
توکن رِی ($REI)
توکن $REI به‌عنوان توکن اصلی اکوسیستم رِی و واحد ۰۰ (Unit 00) عمل می‌کند. این توکن دسترسی به کیت توسعه نرم‌افزار و رابط برنامه‌نویسی کاربردی پلتفرم را فراهم کرده و در آینده قابلیت‌هایی مانند راه‌اندازی عامل‌های ساخت کاربر را نیز پشتیبانی خواهد کرد. عرضه کل این توکن ۱ میلیارد است و به‌صورت زیر توزیع شده:
-
رویداد اهدا عمومی: ۵۴٪
-
نقدینگی پایه: ۳۰٪
-
نقدینگی تکمیلی: ۶٪
-
کمک‌هزینه‌ها و آزمایش‌ها: ۵٪
-
تیم توسعه: ۵٪
نظرات کاربران