În ultimii ani, AI și crypto au început să convergă într-una dintre cele mai puternice narațiuni din tehnologie.
Proiectele promit:
infrastructură AI descentralizată
agenți autonomi
învățare automată distribuită
economii de date tokenizate
Nume precum SingularityNET, Fetch.ai și Bittensor sunt frecvent menționate ca pionieri ai AI-ului descentralizat.
Dar dacă privim mai profund, majoritatea acestor proiecte nu reinventează fundamental inteligența artificială.
Ei construiesc straturi economice sau de infrastructură în jurul modelelor existente de AI.
Un proiect, totuși, încearcă ceva mult mai radical.
Qubic încearcă să regândească modul în care inteligența însăși ar trebui construită.
În centrul acelei viziuni se află o nouă arhitectură numită Neuraxon.
Dacă ideile lor se dovedesc viabile, implicațiile ar putea extinde mult dincolo de criptomonede — atingând potențial direcția viitoare către Inteligența Generală Artificială (AGI).
Cele două căi concurente către AGI
Chiar acum, industria globală AI pare să se convergă pe două filozofii foarte diferite ale inteligenței.
Calea 1: Scalarea Inteligenței
Aceasta este abordarea urmată de laboratoarele majore AI:
OpenAI
Google DeepMind
Anthropic
Meta
Strategia este simplă:
Scalare totul.
mai multe date
mai mult calcul
mai mulți parametrii
Această abordare a produs rezultate uimitoare:
modelele GPT
Gemini
Claude
Aceste sisteme pot scrie, codifica, raționa, rezuma și conversa cu o fluență remarcabilă.
Dar, în ciuda puterii lor, ele împărtășesc o limitare fundamentală.
Sunt inteligență înghețată.
Problema cu AI înghețată
Sistemele AI moderne urmează un ciclu de viață familiar:
Antrenează → Îngheață → Implementare
În timpul antrenamentului:
seturi masive de date sunt absorbite
miliarde de parametrii sunt optimizați
După ce antrenamentul se încheie:
modelul este implementat
greutățile sunt fixe
De la acel punct încolo, sistemul efectuează doar inferență.
Nu mai învață din experiențele sale.
Cu alte cuvinte:
AI-ul cu care interacționezi astăzi este o instantaneu a inteligenței înghețate în timp.
Indiferent de câte conversații are, nu acumulează experiență în modul în care o face inteligența biologică.
Dacă un creier uman ar înceta să învețe în momentul în care a început să interacționeze cu lumea, nu l-am numi inteligent.
L-am numi disfuncțional.
De ce contează învățarea continuă
Inteligența biologică este fundamental diferită.
Oamenii și animalele învață continuu prin:
experiență
explorare
interacțiune cu mediul
Fiecare moment reshapează conexiunile neuronale prin plasticitate sinaptică.
Învățarea și viața nu sunt procese separate.
Sunt același proces.
Mulți cercetători cred că adevărata AGI va necesita proprietăți similare, inclusiv:
învățare pe tot parcursul vieții
memorie adaptivă
interacțiune cu mediul
explorare auto-dirijată
Aici este locul unde începe să apară un alt paradigm.
A doua cale: Inteligența Evolutivă
În loc să construiască modele mai mari, unii cercetători explorează dacă inteligența ar putea apărea din sisteme adaptive care evoluează în timp.
În acest paradigm:
AI nu este un produs finit.
Este un sistem în continuă evoluție.
Mai mulți agenți interacționează, se adaptează și concurează, îmbunătățindu-se treptat prin experiență.
Mai degrabă decât un model static, inteligența devine ceva mai aproape de un ecosistem.
Această idee este mult mai apropiată de modul în care inteligența biologică a apărut pe Pământ.
Și este fundamentul filozofic din spatele direcției de cercetare AGI a Qubic.
Ce face Qubic diferit
Cele mai multe proiecte AI-crypto se concentrează pe crearea de piețe sau infrastructură pentru servicii AI.
Qubic adoptă o abordare diferită.
În loc să întrebe:
Cum putem monetiza AI?
Qubic pune o întrebare mai profundă:
Cum ar trebui inteligența însăși să fie construită?
Ecosistemul Qubic explorează trei componente majore:
1. Calcul Distribuit
O rețea descentralizată de noduri oferă resurse computaționale care pot rula sistemele AI continuu.
În loc să se bazeze pe centre de date GPU centralizate, calculul poate fi distribuit pe o rețea.
2. Cadre AI Evolutive
În ecosistem, cadre precum Aigarth explorează conceptele de AI evolutivă.
Mai mulți agenți AI pot:
interacționa
concura
evolua
În multe privințe, acest lucru seamănă cu selecția naturală în formă digitală.
3. Neuraxon
Cel mai intrigant component al ecosistemului este Neuraxon, o arhitectură neurală inspirată biologic, proiectată pentru a susține învățarea continuă și inteligența adaptivă.
În loc să imite rețele neuronale convenționale, Neuraxon încearcă să modeleze aspecte ale sistemelor neuronale biologice.
Neuraxon: Un tip diferit de arhitectură neurală
Rețele neuronale tradiționale sunt în esență grafuri computaționale statice.
Greutățile sunt ajustate în timpul antrenamentului, dar rămân fixe ulterior.
Neuraxon propune o abordare mai dinamică inspirată de neuroștiință.
Neuroni Tri-Stati
Cele mai multe neuroni artificiali operează într-un model de activare asemănător binar.
Neuraxon introduce trei stări posibile:
+1 — Excitator
0 — Neutru
−1 — Inhibitor
Această structură reflectă activitatea neurală biologică, unde neuronii pot stimula sau suprima activitatea într-o rețea.
Starea neutră permite de asemenea sistemului să reprezinte ezitarea, incertitudinea sau activitatea potențial dormantă.
Dinamicile Neurale Continue
AI tradițional funcționează prin calcule discrete:
Input → Compute → Output
Neuraxon, în schimb, menține o stare neurală internă continuă.
Chiar și atunci când nu sosesc inputuri externe, starea internă a sistemului continuă să evolueze în timp.
Acest lucru reflectă comportamentul creierelor biologice, unde activitatea neurală nu se oprește niciodată cu adevărat.
În loc să efectueze calcule izolate, sistemul se comportă mai mult ca un proces cognitiv continuu.
Plasticitatea Sinaptică
Una dintre caracteristicile definitorii ale inteligenței biologice este plasticitatea.
Conexiunile dintre neuroni se întăresc sau slăbesc în funcție de experiență.
Neuraxon introduce mecanisme prin care sinapsele pot:
întărit prin activare repetată
slăbiți când nu sunt folosiți
reorganizați structurile rețelei
Acest lucru permite sistemului să se adapteze dinamic în timpul funcționării, mai degrabă decât doar în timpul antrenamentului.
Învățare Multi-Scală
Neuraxon explorează de asemenea învățarea pe mai multe intervale de timp.
Ajustările pe termen scurt pot coexista cu schimbări structurale mai lente.
Acest lucru este similar cu sistemele biologice unde:
hipocampul susține învățarea pe termen scurt
cortexul stabilizează cunoștințele pe termen lung
Astfel de mecanisme pot ajuta la echilibrarea problemei clasice a învățării AI:
plasticitate vs stabilitate.
Neuromodularea
O altă caracteristică inspirată din biologie este neuromodularea.
În creierul uman, substanțe chimice precum dopamina și serotonina reglează când circuitele neuronale devin mai plastice sau mai stabile.
Neuraxon explorează mecanisme similare care determină când ar trebui să aibă loc învățarea.
Acest lucru poate ajuta la abordarea uneia dintre cele mai mari provocări în sistemele de învățare continuă:
uitare catastrofică.
Compararea Proiectelor Majore AI-Crypto
Pentru a înțelege mai bine poziția Qubic, ajută să o comparăm cu alte proiecte majore.
Ceea ce iese în evidență este că Qubic este unul dintre puținele proiecte care încearcă să proiecteze o nouă arhitectură pentru inteligență însăși.
AI moartă vs AI vie
O modalitate de a gândi la această schimbare este diferența dintre AI moartă și AI vie.
AI moartă
Cele mai moderne sisteme se încadrează în această categorie.
Sunt:
antrenat o dată
implementat
corectat ulterior
Sunt incredibil de puternice, dar fundamental statice.
AI vie
AI vie se referă la sisteme care:
funcționa continuu
învață din experiență
se adaptează structura internă în timp
În loc de modele statice, ele se comportă mai mult ca organisme.
Dacă arhitecturile precum Neuraxon au succes, AI ar putea trece treptat de la instrumente software la sisteme cognitive adaptive.
Curse ascunse AGI
Cursele AI despre care auzim de obicei implică companii precum OpenAI și Google.
Dar sub acea competiție vizibilă se află o întrebare mai profundă:
De unde provine cu adevărat inteligența?
Este rezultatul:
modele mai mari
mai multe date
mai mult calcul?
Sau apare din:
adaptare
interacțiune
dinamica evolutivă?
Dacă a doua viziune se dovedește a fi corectă, drumul către AGI ar putea să nu vină din modele de limbaj tot mai mari.
Ar putea veni din sisteme capabile de învățare continuă și evoluție.
O posibilă „Explozie Cambriană” a AI
În istoria biologică, Explozia Cambriană a marcat o perioadă în care viața s-a diversificat rapid în nenumărate forme noi.
Unii cercetători cred că dacă sistemele AI câștigă abilitatea de:
evolua
învață continuu
interacționa cu medii complexe
am putea fi martorii unui lucru similar în inteligența artificială.
În loc de câteva modele dominante, am putea asista la o explozie de diverse sisteme AI evoluând în rețele descentralizate.
Întrebarea mare a următorului deceniu
Viitorul AI ar putea depinde în cele din urmă de o întrebare:
Inteligența apare din modele mai mari… sau din sisteme adaptive care evoluează în timp?
Dacă răspunsul se află în evoluție și învățare continuă, proiecte precum Qubic și Neuraxon ar putea reprezenta experimente timpurii într-o direcție complet nouă pentru inteligența artificială.
Este mult prea devreme pentru a ști dacă această abordare va avea succes.
Dar ideile care sunt explorate ridică una dintre cele mai fascinante posibilități în tehnologia modernă:
AI care nu doar rulează algoritmi, ci evoluează prin experiență.
Lecturi suplimentare
Cititorii interesați de explorarea acestor concepte mai departe pot consulta următoarele resurse:
#Qubic Ecosistem
https://github.com/qubic
#Neuraxon Lucrare de cercetare
https://www.researchgate.net/publication/397331336_Neuraxon
Qubic #AGI Călătorie
https://www.researchgate.net/publication/387364505_Qubic_AGI_Journey_Human_and_Artificial_Intelligence_Toward_an_AGI_with_Aigarth
Repository GitHub Neuraxon
https://github.com/DavidVivancos/Neuraxon
Demonstrație Interactivă Neuraxon
https://huggingface.co/spaces/DavidVivancos/Neuraxon
Website de cercetare
https://vivancos.com