معماری هوش مصنوعی توزیع‌شده

یک هوش مصنوعی مستقل که مالک آن شمایید، و هیچ آزمایشگاهی نمی‌تواند خاموشش کند

Hylon یک سامانه هوشمند توزیع‌شده 5 لایه است. یک هوش مصنوعی شخصی روی دستگاه خودتان اجرا می‌شود و زمینه شما را به‌صورت محلی یاد می‌گیرد، و مدل سراسری خودش را بهبود می‌دهد، خصوصی به‌صورت ذاتی و قدرتمند در جایی که آزمایشگاه‌های پیشرو نمی‌توانند حضور داشته باشند.

خودبهبودی در چارچوب بنیان‌های ایمنی تغییرناپذیری محدود شده که هرگز قابل تغییر نیستند.

رشد شبکه
فعال
0nodes
هدف
مقیاس هدف

هر نود یک هوش مصنوعی شخصی اجرا می‌کند که به هوش جمعی کمک می‌کند

معماری نوآورانه

پنج لایه تا هوشمندی

فقط یک چت‌بات نیست. یک سامانه کامل که برای خودبهبودی پیوسته و کنترل‌شده و تفکر نقادانه طراحی شده است.

L5

ناظر ایمنی

بنیان‌های تغییرناپذیر را در هر گام راستی‌آزمایی می‌کند و دروازه نهایی انتشار و کلید توقف اضطراری را در اختیار دارد

L4

موتور خودبهبودی

KEY

حلقه پژوهشی خودکاری که مدل بعدی را پیشنهاد، آزمایش و آموزش می‌دهد و تنها زمانی آن را منتشر می‌کند که به‌طور اثبات‌پذیر از مدل فعلی بهتر باشد و همه بررسی‌های ایمنی را پشت سر بگذارد

L3

سامانه یادگیری نقادانه

همه‌چیز را زیر سؤال می‌برد. همه ادعاها را می‌آزماید. پیش از پذیرش هر دانشی، آن را راستی‌آزمایی می‌کند.

L2

مدل هسته Hylon

طراحی‌شده برای یادگیری از هوش‌های مصنوعی شخصی — هرگز داده خام کاربر را نمی‌بیند (دو لایه فاصله دارد)

L1

هوش مصنوعی شخصی + شبکه OrbMesh

شبکه‌ای رو به رشد از نودها، یک هوش مصنوعی شخصی را اجرا می‌کند که از داده‌های محلی کاربر یاد می‌گیرد

داده رو به بالا جریان می‌یابد: داده کاربر ← هوش مصنوعی شخصی ← Hylon (همیشه با دو لایه فاصله)
چگونه قوی‌تر می‌شود

خودبهبودی در چارچوب حفاظ‌ها

سایر هوش‌های مصنوعی منتظر می‌مانند تا انسان‌ها ارتقایشان دهند. Hylon یک حلقه پژوهشی خودکار اجرا می‌کند که دستورالعمل پیشنهاد می‌دهد، آزمایش‌های کم‌هزینه انجام می‌دهد و مدل بعدی را آموزش می‌دهد.
یک مدل رقیب تنها زمانی منتشر می‌شود که به‌طور اثبات‌پذیر از مدل زنده بهتر باشد و همه بررسی‌های ایمنی را پشت سر بگذارد.

پژوهش خودکار

ادبیات را می‌کاود، دستور کار آموزش پیشنهاد می‌دهد و آزمایش‌های ارزان اجرا می‌کند تا بیابد چه چیزی کار می‌کند

اجراهای اعتبارسنجی‌شده

آزمایش‌های ارزان دستور کار را می‌یابند؛ تنها دستور کار اعتبارسنجی‌شده اجرای پرهزینهٔ آموزش را راه می‌اندازد

قهرمان و مدعی

نامزد تازه تنها وقتی ارتقا می‌یابد که مدل زنده را با حاشیه‌ای و بدون هیچ پس‌رفت ایمنی شکست دهد

عرضهٔ ایمن

نخست سایه، سپس بخشی از ترافیک، سپس کامل، با بازگشت خودکار و سابقه‌ای روی زنجیره

آموزش پیوسته

مدل از چرخ‌طیار داده و تقویت برخاسته از وظایف واقعی کاربران پیوسته می‌آموزد

حفاظ‌های تغییرناپذیر

بنیان‌های سطح صفر خودتغییرپذیر نیستند و شورای ایمنی دروازهٔ انتشار را در دست دارد

تنها محدودیت: ایمنی تغییرناپذیر

بنیان‌های سطح 0 به‌صورت ثابت کدنویسی شده‌اند و هرگز قابل تغییر نیستند — نه توسط خود سامانه، نه با به‌روزرسانی‌ها، نه توسط هیچ‌کس. همه بهبودها باید در خدمت این بنیان‌ها باشند.

حقیقت
سازگاری
صداقت
ایمنی
درستکاری

سامانه یادگیری نقادانه

تنها هوش مصنوعی‌ای که همه‌چیز را زیر سؤال می‌برد

مدل‌های سنتی هوش مصنوعی معمولاً داده آموزشی را همان‌طور که هست می‌پذیرند. Hylon هر ورودی را زیر سؤال می‌برد، هر ادعا را می‌آزماید و پیش از پذیرش راستی‌آزمایی می‌کند. هیچ چیز بدون بررسی پذیرفته نمی‌شود.

hylon://critical-learning-engine
پردازش
مرحله 1

دریافت

تجزیه و استخراج ادعاها از داده ورودی

مرحله 2

پرسشگری

به چالش کشیدن مفروضات، بررسی سوگیری و خلأها

مرحله 3

آزمون

مقایسه متقابل با چندین منبع تأییدشده

مرحله 4

طبقه‌بندی

اختصاص امتیاز اطمینان و دسته‌بندی دانش

نمونه تحلیل زنده
INPUT

«رایانه‌های کوانتومی می‌توانند ظرف 5 سال همه رمزنگاری‌های فعلی را بشکنند»

دریافت: 2 ادعا استخراج شد — (1) کوانتوم همه رمزنگاری‌ها را می‌شکند، (2) ظرف 5 سال

پرسشگری: «همه رمزنگاری‌ها» بیش از حد کلی است. ادعای بازه زمانی نیازمند شواهد است. تکلیف رمزنگاری پساکوانتومی چه می‌شود؟

آزمون: مقایسه متقابل با 12 منبع — NIST، IBM Research، مقالات Nature. الگوریتم RSA آسیب‌پذیر است؛ AES-256 و الگوریتم‌های مشبکه‌ای امن باقی می‌مانند. بازه زمانی مورد مناقشه 8 منبع از 12 منبع است.

طبقه‌بندی: ادعای 1 — DISPUTED (تا حدی درست، برای RSA). ادعای 2 — REJECTED (اجماع: 10 تا 20 سال).

تأییدشده

همه آزمون‌ها را پشت سر می‌گذارد. به‌همراه امتیاز اطمینان در دانش هسته ادغام می‌شود.

73%از ورودی‌ها
مورد مناقشه

تا حدی درست یا دارای شواهد متناقض. برای بررسی عمیق‌تر نگه داشته می‌شود.

19%از ورودی‌ها
ردشده

راستی‌آزمایی ناموفق. برای جلوگیری از آلودگی دانش کنار گذاشته می‌شود.

8%از ورودی‌ها
42.7 میلیون ادعا پردازش شد|3.4 میلیون مورد مناقشه|680 هزار ردشده|صفر توهم ناشی از داده راستی‌آزمایی‌نشده

مقایسه صادقانه

Hylon در برابر هوش مصنوعی سنتی

فقط یک محصول متفاوت نیست — معماری‌ای بنیادین متفاوت است.

قابلیتHylonسایرین
کجا اجرا می‌شودروی دستگاه شما و خوشه‌ای متعلق به جامعهابری متمرکز که کنترلش با شما نیست
بافت شماروی دستگاه آموخته می‌شود، دادهٔ خام هرگز بیرون نمی‌رودروی سرورهای مرکزی پردازش می‌شود
دسترس‌پذیریدر بازارهایی کار می‌کند که دیگران مسدودنددر بسیاری از مناطق مسدود جغرافیایی یا کُندشده
خودبهبودیحلقهٔ پژوهش خودکار درون حفاظ‌هاتنها به‌روزرسانی دستی
سیگنال آموزشوظایف واقعی کاربران، خصوصی و چندزبانهبرداشت‌های ایستا از اینترنت
مالکیتدر تملک و حکمرانی شبکهٔ خودشدر تملک یک آزمایشگاه و سهامدارانش
ساختار هزینهزیرساخت متعلق به کاربرانخوشه‌های GPU متمرکز و پرهزینه

معماری حریم خصوصی

Hylon هرگز داده‌های شما را نمی‌بیند

دو لایه بین شما و فضای ابری. داده‌های شما هوش مصنوعی شخصی خودتان را به‌صورت محلی آموزش می‌دهند. Hylon از هوش‌هایی یاد می‌گیرد که خودشان قبلاً یاد گرفته‌اند — مانند آموختن از استادی که کتاب‌ها را خوانده، به‌جای آنکه خودتان کتاب‌ها را بخوانید.

داده‌های شما

ایمیل‌ها، پیام‌ها، فایل‌ها، مرور وب، صدا

هوش مصنوعی شخصی

فقط روی دستگاه شما یاد می‌گیرد

اشتراک‌گذاری وزن‌ها

هرگز داده خام نه، فقط آموخته‌ها

Hylon یاد می‌گیرد

از هوش‌های مصنوعی شخصی

Hylon همواره دو لایه با داده‌های شما فاصله دارد

کسب دانش

Hylon از کجا یاد می‌گیرد

پنج منبع دانشی متمایز که همگی پیش از ادغام به‌صورت نقادانه ارزیابی می‌شوند. هیچ چیز کورکورانه پذیرفته نمی‌شود.

هوش‌های مصنوعی شخصی

منبع اصلی — زندگی دیجیتال کاربران

الگوهای وی‌پی‌ان

فراداده رفتاری بی‌درنگ

متن‌باز

وزن‌های DeepSeek، Qwen و Llama

مقاله‌های پژوهشی

arXiv، مقالات، ایده‌ها

واسط‌های مدل

پرسش‌های آموزشی

مزیت داده‌های وی‌پی‌ان

هیچ شرکت هوش مصنوعی دیگری به الگوهای رفتاری بی‌درنگ کاربرانش در اینترنت دسترسی ندارد. مدل‌های سنتی هوش مصنوعی روی برداشت‌های ایستا از اینترنت آموزش می‌بینند. Hylon می‌بیند مردم واقعاً چگونه از اینترنت استفاده می‌کنند — به‌صورت بی‌درنگ.

الگوهای مرور
مردم واقعاً درباره چه چیزی جستجو می‌کنند
استفاده از اپلیکیشن‌ها
رفتار دیجیتال واقعی
مسیرهای تصمیم‌گیری
انتخاب‌ها چگونه شکل می‌گیرند

دگرگونی داده

داده خام به دانش انتزاعی تبدیل می‌شود

هوش مصنوعی شخصی از داده‌های شما یاد می‌گیرد. Hylon تنها الگوهای انتزاعی را دریافت می‌کند — نه محتوای خام، نه هیچ اطلاعات هویتی.

هوش مصنوعی شخصی می‌بیند

حساس — روی دستگاه باقی می‌ماند

Hylon دریافت می‌کند

انتزاعی — بدون داده شخصی

ایمیل و نوشتار
الگوهای ارتباطی، سبک‌های نوشتاری
پیام‌ها و گفت‌وگوها
الگوهای گفت‌وگو، پویایی روابط
سندها و فایل‌ها
دانش تخصصی، خبرگی حرفه‌ای
مرور و پژوهش
الگوهای علاقه، رفتارهای یادگیری
تقویم و زمان‌بندی
الگوهای مدیریت زمان
صدا و گفتار
الگوهای زبان طبیعی
تصمیم‌ها و انتخاب‌ها
الگوهای تصمیم‌گیری
داده خام هرگز از دستگاه شما خارج نمی‌شود — تنها الگوهای انتزاعی به اشتراک گذاشته می‌شوند

در مقیاس هدف

مقیاس عظیم = قدرت بی‌سابقه

وقتی شبکه به مقیاس کامل برسد، به قدرتمندترین زیرساخت محاسباتی توزیع‌شده‌ای تبدیل می‌شود که تا به حال ساخته شده است.

83
اگزافلاپس
مجموع توان محاسباتی
بیش از هر خوشه GPU منفرد
24
PB
حافظه GPU
24 میلیون گیگابایت
2
EB
ظرفیت ذخیره‌سازی
2 میلیارد گیگابایت
1M
هوش‌های مصنوعی
اندازه هدف شبکه
رشد همگام با پذیرش کاربران
هوش مصنوعی ابری سنتی
هزینه‌های عظیم زیرساخت
متمرکز
سایر آزمایشگاه‌های هوش مصنوعی
میلیاردها در زیرساخت
متمرکز
Hylon (OrbMesh)
در مالکیت کاربر
به‌مراتب ارزان‌تر

پرسش‌های رایج

پرسش‌های متداول

آیا Hylon از مدل‌های مرزی مانند GPT یا Gemini پیشی می‌گیرد؟

پیشی گرفتن از هر آزمایشگاه متمرکز مقصد است، و راه رسیدن به آن مرحله‌ای و دروازه‌بنیاد است. نخست آنجا که آزمایشگاه‌ها نمی‌توانند برسند به‌طور اثبات‌پذیر نخست باشیم — روی بافت شخصی خودتان و در بازارهای کم‌خدمت — و سپس به‌سوی مرز عمومی انباشته شویم. ما توانمندی را تنها وقتی ادعا می‌کنیم که دروازه‌اش گذشته باشد، بی‌هیچ وعدهٔ تاریخ‌داری دربارهٔ هوش عمومی.

این با هوش مصنوعی سنتی چه تفاوتی دارد؟

تفاوت‌های بنیادین: (۱) به‌جای ابر متمرکز، روی دستگاه‌های متعلق به کاربران و خوشه‌ای متعلق به جامعه توزیع شده است، (۲) هوش مصنوعی شخصی بافت شما را روی دستگاه می‌آموزد و دادهٔ خام هرگز بیرون نمی‌رود، (۳) مدل خودش را از راه حلقهٔ پژوهش خودکار و درون حفاظ‌های تغییرناپذیر بهتر می‌کند، (۴) سامانهٔ یادگیری انتقادی به‌جای پذیرفتن دادهٔ آموزشی همان‌گونه که هست، آن را می‌پرسد و راستی‌آزمایی می‌کند، و (۵) در بازارهایی کار می‌کند که دستیارهای بزرگ در آن‌ها مسدودند.

خودبهبودی در عمل چگونه کار می‌کند؟

حلقهٔ پژوهش خودکاری ادبیات را می‌کاود، دستور کار آموزش پیشنهاد می‌دهد و آزمایش‌های ارزان اجرا می‌کند تا بیابد چه چیزی کار می‌کند. تنها دستور کار اعتبارسنجی‌شده اجرای پرهزینهٔ آموزش را راه می‌اندازد. مدل تازه — مدعی — تنها وقتی به نسخهٔ تازه ارتقا می‌یابد که به‌طور اثبات‌پذیر مدل زنده را در مجموعهٔ ثابت ارزیابی و بدون هیچ پس‌رفت ایمنی شکست دهد، و سپس به‌تدریج با بازگشت خودکار منتشر می‌شود. بنیان‌های سطح صفر خودتغییرپذیر نیستند و شورای ایمنی دروازهٔ انتشار را در دست دارد.

بدون دسترسی به دادهٔ کاربران چگونه درآمد کسب می‌کنید؟

ما دستگاه‌های سخت‌افزاری OrbMesh می‌فروشیم، نه دادهٔ کاربران. گردانندگان گره بابت اجرای هوش مصنوعی شخصی و سرویس وی‌پی‌ان OrbToken می‌گیرند. کاربران برای قابلیت‌های ویژه با OrbToken می‌پردازند. این سامانه از نظر اقتصادی خودپاست و به پول کردن داده نیازی ندارد.

چه چیزی جلوی خطرناک شدن این هوش مصنوعی را می‌گیرد؟

بنیان‌های سطح صفر (حقیقت، سازگاری، صداقت، ایمنی، درستی) سخت‌کدشده و تغییرناپذیرند — نه موتور خودبهبودی و نه هیچ به‌روزرسانی‌ای نمی‌تواند تغییرشان دهد. برای تغییرات بزرگ ایست‌های بازرسی با نظارت انسانی وجود دارد. این سامانه با ایمنی همچون قیدی تغییرناپذیر طراحی شده است.

آیا برای استفاده از Hylon به دستگاه OrbMesh نیاز دارم؟

نه. می‌توانید Hylon را از راه اپ‌های ما و بدون داشتن سخت‌افزار به کار ببرید. با این حال دارندگان OrbMesh دسترسی ویژه می‌گیرند، پاداش OrbToken می‌برند و مستقیماً به توانمندی‌های شبکه می‌افزایند. داشتن یک گره یعنی داشتن سهمی از زیرساخت این هوش مصنوعی.

یک هوش مصنوعی مستقل که مالک آن شمایید

Hylon را در وب‌سایت اختصاصی‌اش کاوش کنید، یا از دستگاه‌هایتان توان محاسباتی مشارکت دهید و درآمد کسب کنید. سهمی از این هوشمندی داشته باشید.