AI/Inference
توجه: این سند ترجمه خودکار نسخه اصلی انگلیسی است.
AI/Inference
AI/Inference پروژه‌هایی را گرد هم می‌آورد که بر اجرای مدل‌های آموزش‌دیدهٔ AI در محیط تولید تمرکز دارند — مرحله‌ای که مدل دادهٔ ورودی دریافت می‌کند و نتیجه‌ای تولید می‌کند (یک پیش‌بینی، یک طبقه‌بندی، یک تصویر تولیدشده یا یک پاسخ متنی). این «مایل آخر» AI است: لحظه‌ای که مدل واقعاً کاری مفید انجام می‌دهد.
در رجیستری DecAIHub، پروژه‌های متمرکز بر استنتاج اغلب با تأمین‌کنندگان توان محاسباتی و لایه‌های زیرساختی هم‌پوشانی دارند. عامل تمایز، تأکید است: پروژهٔ AI/Inference به‌طور مشخص به این می‌پردازد که مدل‌ها چگونه سرو، راستی‌آزمایی و به کاربران تحویل می‌شوند، نه صرفاً تأمین توان خام GPU.
تأخیر، batching، نسخه‌بندی و مشاهده‌پذیری (ثبت ورودی‌ها و خروجی‌ها برای ممیزی) موضوعات تکرارشونده در این دسته هستند. پروژه‌ها ممکن است توسعه‌دهندگانی را هدف بگیرند که API ادغام می‌کنند، یا کاربران نهایی‌ای که محتوای تولیدشده مصرف می‌کنند — نخ مشترک، استفادهٔ تولیدی از یک مدل آموزش‌دیده است، نه خود مرحلهٔ آموزش.
به‌طور خلاصه: AI/Inference پروژه‌هایی را پوشش می‌دهد که خروجی‌های مدل AI را در محیط تولید سرو، اجرا یا راستی‌آزمایی می‌کنند.
به چه معناست
استنتاج فرایند دادن داده به یک مدل آموزش‌دیده و گرفتن نتیجه است. وقتی پرامپتی در یک چت‌بات تایپ می‌کنید و پاسخی دریافت می‌کنید، آن پاسخ محصول استنتاج است. وقتی یک پروتکل DeFi مدلی برای پیش‌بینی قیمت فراخوانی می‌کند، پیش‌بینی برگشتی خروجی استنتاج است.
این با آموزش (ساخت و بهبود مدل از راه یادگیری از داده) و با توان محاسباتی (تأمین سخت‌افزار خام) متفاوت است. آموزش پیش از استقرار اتفاق می‌افتد؛ توان محاسباتی منبع است؛ استنتاج عمل استفاده از مدل تمام‌شده است.
یک چالش کلیدی در کریپتو، استنتاج قابل راستی‌آزمایی است: چگونه بدون اعتماد به یک سرور واحد اثبات کنیم که مدل مشخصی، ورودی مشخصی را پردازش کرده و خروجی مشخصی تولید کرده است؟ چند رویکرد وجود دارد:
- اجماع چندتأمین‌کننده‌ای — همان ورودی به چند تأمین‌کنندهٔ مستقل فرستاده می‌شود و خروجی‌ها مقایسه می‌شوند؛ توافق، اطمینان را افزایش می‌دهد.
- zkML — اثبات‌های دانش صفر در کنار نتیجهٔ استنتاج تولید می‌شوند و به هر کسی اجازه می‌دهند بدون اجرای دوبارهٔ مدل، درستی را راستی‌آزمایی کند.
- TEE (محیط اجرای مطمئن) — مدل درون یک انکلیو سخت‌افزاری اجرا می‌شود که به کد و داده‌ای که پردازش کرده گواهی می‌دهد.
AI componentهای معمول در پروژه‌های AI/Inference شامل نقاط دسترسی استنتاج، دروازه‌های سرو مدل، لایه‌های راستی‌آزمایی نتیجه، مسیریاب‌های تأخیر و رجیستری‌های مدل هستند که نسخه‌ها و منشأ را پیگیری می‌کنند.
زیرترکیب‌های رایج
DecAIHub از دسته‌های ترکیبی استفاده می‌کند. در ادامه پرتکرارترین ترکیب‌ها درون AI/Inference آمده است.
| زیرترکیب | به چه معناست |
|---|---|
| AI/Inference | Infra | شبکه‌های استنتاج غیرمتمرکز و پلتفرم‌های سرو — زیرساختی برای مسیریابی درخواست‌ها به تأمین‌کنندگان مدل. |
| AI/Inference | AI/Compute | Infra | زیرساخت استنتاجی که لایهٔ محاسباتی خودش را هم دارد — پروژه‌هایی که هم GPU تأمین می‌کنند و هم در سرو مدل تخصص دارند. |
| AI/Inference | AI/Agents | پروژه‌هایی که در آن‌ها استنتاج به‌صورت سرویسی بسته‌بندی می‌شود که ایجنت‌های خودگردان مصرف می‌کنند. |
در کارت پروژه به دنبال چه باشیم
هنگام خواندن کارت AI/Inference در DecAIHub، به این موارد توجه کنید:
- AI component — آیا کارت یک AI component مشخص را فهرست می‌کند (نقاط دسترسی استنتاج، سرو مدل، راستی‌آزمایی نتیجه، جزء استنتاج)، یا فقط زبان مبهم «زیرساخت AI»؟
- سازوکار راستی‌آزمایی — آیا پروژه توضیح می‌دهد نتایج استنتاج چگونه راستی‌آزمایی می‌شوند؟ به دنبال اشاره به اجماع، zkML، TEE یا تضمین‌های بازتولیدپذیری باشید.
- شفافیت مدل — آیا می‌توانید ببینید چه مدلی اجرا می‌شود، چه نسخه‌ای است و ورودی‌ها و خروجی‌ها چه شکلی‌اند؟ پروژه‌ای که همهٔ جزئیات مدل را پنهان می‌کند، راستی‌آزمایی را دشوار می‌سازد.
- سطح شواهد — آیا artifactهای Tier-1 مانند APIهای عمومی استنتاج، نتایج بنچمارک یا لاگ‌های اثبات on-chain وجود دارند؟
- امتیاز AI reality (
ai_score) — اجرای مدل باز شخص دیگری، استنتاج معتبر است، اما کارت باید روشن کند AI اختصاصی است یا شخص ثالث. ببینید AI reality.
این دسته به‌تنهایی چه چیزی را اثبات نمی‌کند
پروژه‌ای با برچسب AI/Inference بر اساس جای‌گیری و artifactهای موجود، به‌عنوان متمرکز بر استنتاج طبقه‌بندی شده است. برچسب به‌تنهایی تأیید نمی‌کند که:
- مدلِ سروشده باکیفیت، اختصاصی یا هدف‌ساخت است؛
- نتایج استنتاج واقعاً on-chain یا از طریق اثبات‌های رمزنگارانه راستی‌آزمایی می‌شوند؛
- پروژه مدلی را که سرو می‌کند خودش ساخته یا آموزش داده است؛
- تقاضای معناداری برای سرویس استنتاج وجود دارد؛
- توکن برای کارکرد خط لولهٔ استنتاج ضروری است.
همیشه امتیاز کامل DecAI Fit و بلوک شواهد را در کارت پروژه بررسی کنید.
اشتباه نگیرید با
- AI/Compute — منابع محاسباتی خام فراهم می‌کند؛ استنتاج از توان محاسباتی استفاده می‌کند، اما این دو دسته به دغدغه‌های متفاوتی می‌پردازند (سرو مدل‌ها در برابر تأمین سخت‌افزار). ببینید AI/Compute.
- AI/Training — مدل‌ها را از راه یادگیری از داده می‌سازد و بهبود می‌دهد؛ آموزش، مدلی را تولید می‌کند که استنتاج سپس آن را اجرا می‌کند. ببینید AI/Training.
- AI/Agents — نرم‌افزار خودگردانی که درک می‌کند، تصمیم می‌گیرد و کنش انجام می‌دهد؛ یک ایجنت ممکن است در درون خود یک نقطهٔ دسترسی استنتاج را فراخوانی کند، اما دستهٔ ایجنت دربارهٔ رفتار است، نه اجرای مدل. ببینید AI/Agents.
- API wrapper — پروژه‌ای که صرفاً فراخوانی‌ها را به یک مدل شخص ثالث (مثلاً OpenAI) پراکسی می‌کند، بدون افزودن منطق استنتاج، راستی‌آزمایی یا زیرساخت سرو خودش. ببینید اتوماسیون در برابر AI واقعی.
پرسش‌های متداول
آیا میزبانی مدل open-weights شخص دیگری همچنان در DecAIHub «AI/Inference» است؟
بله، اگر محصول به‌روشنی دربارهٔ سرو، مسیریابی یا راستی‌آزمایی استنتاج در محیط تولید باشد. کارت همچنان باید منشأ را روشن کند — کدام مدل، کدام نسخه، و پروژه فراتر از یک پراکسی نازک چه چیزی اضافه می‌کند. ببینید AI reality.
چرا تگ‌های استنتاج و توان محاسباتی اغلب با هم ظاهر می‌شوند؟
استنتاج به ماشین نیاز دارد. پروژه‌هایی که هم تأمین (AI/Compute) و هم سرو (این دسته) را در اختیار دارند، اغلب تگ‌های ترکیبی دارند. از فهرست AI component استفاده کنید تا ببینید تأکید بر اجارهٔ سخت‌افزار است، اجرای مدل، یا هر دو.
برای ادعاهای «قابل راستی‌آزمایی» ابتدا چه چیزی را بررسی کنم؟
به دنبال سازوکارهای راستی‌آزمایی مستند (اجماع، zkML، TEE) و artifactهای Tier-1 مانند APIها، لاگ‌ها یا بنچمارک‌های قابل بازتولید باشید — نه فقط شعارها.
منابع خارجی
- Inference (machine learning) — خلاصه‌ای بی‌طرف از اینکه استنتاج چگونه در کنار آموزش در چرخهٔ عمر ML جای می‌گیرد.
- NIST Artificial Intelligence Risk Management Framework (AI RMF 1.0) — پیش‌زمینه‌ای دربارهٔ استقرار و پایش قابل اعتماد سیستم‌های AI در محیط‌های واقعی.
No comments to display
No comments to display