تاريخ تطوير صناعة الذكاء الاصطناعي واستكشاف دمجها مع العملات المشفرة
يعتبر تطور صناعة الذكاء الاصطناعي في الآونة الأخيرة بمثابة الثورة الصناعية الرابعة، وقد أدت ظهور النماذج الكبيرة إلى تحسين كبير في كفاءة مختلف القطاعات. لقد جلبت تقنية التعلم العميق جولة جديدة من الازدهار لصناعة الذكاء الاصطناعي، وقد أثرت هذه الموجة أيضًا على صناعة العملات المشفرة.
ستتناول هذه المقالة بالتفصيل تاريخ تطور صناعة الذكاء الاصطناعي، وتصنيفات التكنولوجيا، بالإضافة إلى تأثير تقنيات التعلم العميق على الصناعة. سيتم تحليل الوضع الحالي والاتجاهات في سلسلة القيمة للصناعة المرتبطة بالتعلم العميق، بما في ذلك وحدات معالجة الرسوميات (GPU)، والحوسبة السحابية، ومصادر البيانات، والأجهزة الطرفية. كما سيتم مناقشة العلاقة الجوهرية بين صناعة التشفير (Crypto) وصناعة الذكاء الاصطناعي، مع توضيح هيكل سلسلة القيمة المتعلقة بالذكاء الاصطناعي المرتبطة بالتشفير.
بدأت صناعة الذكاء الاصطناعي منذ الخمسينيات من القرن الماضي، ومن أجل تحقيق رؤية الذكاء الاصطناعي، طورت الأوساط الأكاديمية والصناعية على مر العصور ومن خلفيات علمية مختلفة العديد من المدارس لتحقيق الذكاء الاصطناعي.
تستخدم تقنيات الذكاء الاصطناعي الحديثة بشكل أساسي مصطلح "تعلم الآلة"، حيث تتمثل فكرة هذه التقنية في السماح للآلات بتحسين أداء النظام من خلال التكرار المستمر في المهام اعتمادًا على البيانات. الخطوات الرئيسية هي إرسال البيانات إلى الخوارزمية، واستخدام هذه البيانات لتدريب النموذج، واختبار نشر النموذج، واستخدام النموذج لإكمال مهام التنبؤ الآلي.
توجد ثلاثة تيارات رئيسية في تعلم الآلة، وهي الارتباطية والرمزية والسلوكية، والتي تحاكي على التوالي النظام العصبي البشري والتفكير والسلوك. في الوقت الحالي، تهيمن الارتباطية التي يمثلها الشبكات العصبية، والمعروفة أيضًا باسم التعلم العميق. تحتوي بنية الشبكة العصبية على طبقة إدخال وطبقة إخراج، ولكن هناك العديد من الطبقات المخفية. حالما تصبح عدد الطبقات وعدد الخلايا العصبية كبيرة بما يكفي، سيكون هناك فرص كافية لتناسب المهام العامة المعقدة.
! [الوافد الجديد Science Popular 丨الذكاء الاصطناعي x Crypto: من الصفر إلى الذروة](https://img-cdn.gateio.im/webp-social/moments-c50ee5a87373c6cd6c4dc63adc2cf47c.webp019283746574839201
تكنولوجيا التعلم العميق المعتمدة على الشبكات العصبية شهدت أيضًا عدة تكرارات وتطورات، بدءًا من الشبكات العصبية المبكرة، إلى الشبكات العصبية الأمامية، والشبكات العصبية المتكررة، والشبكات العصبية التلافيفية، والشبكات التوليدية التنافسية، وأخيرًا تطورت إلى النماذج الكبيرة الحديثة مثل تقنيات Transformer المستخدمة في GPT وغيرها. تقنية Transformer هي مجرد اتجاه تطوري واحد من الشبكات العصبية، حيث أضيف محول لتحويل جميع بيانات الأنماط إلى قيم رقمية مقابلة لتمثيلها. ثم يتم إدخالها مرة أخرى في الشبكة العصبية، مما يمكّن الشبكة العصبية من ملاءمة أي نوع من البيانات، وتحقيق تعدد الأنماط.
شهد تطوير الذكاء الاصطناعي ثلاث موجات تكنولوجية:
في الستينيات من القرن العشرين، أدت أول موجة ناتجة عن تطور تكنولوجيا الرمزية إلى حل مشاكل معالجة اللغة الطبيعية العامة ومشاكل الحوار بين الإنسان والآلة.
في عام 1997، هزم ديب بلو من شركة آي بي إم بطل الشطرنج كاسباروف، مما يمثل ذروة التطور الثانية.
منذ عام 2006، أدى تطور تقنيات التعلم العميق إلى بروز الموجة التكنولوجية الثالثة، وهي أيضًا الفترة الذهبية للنماذج الترابطية.
في السنوات الأخيرة، حققت تقنيات التعلم العميق اختراقات مستمرة، وظهرت عدد من الأحداث البارزة:
تم إنشاء OpenAI في عام 2015.
في عام 2016، هزم AlphaGo بطل العالم في لعبة Go لي شيه تشي.
في عام 2017، قدمت جوجل خوارزمية Transformer.
في عام 2018، أصدرت OpenAI نموذج GPT.
في عام 2020، أصدرت OpenAI GPT-3.
في يناير 2023، تم إطلاق ChatGPT المستند إلى GPT-4.
! [علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة])https://img-cdn.gateio.im/webp-social/moments-0c9bdea33a39a2c07d1f06760ed7e804.webp(
سلسلة صناعة التعلم العميق
تستخدم نماذج اللغة الكبيرة الحالية جميعها أساليب التعلم العميق القائمة على الشبكات العصبية. لقد أطلقت نماذج اللغة الكبيرة، بقيادة GPT، موجة من الحماس في مجال الذكاء الاصطناعي، مع تدفق عدد كبير من اللاعبين إلى هذا المجال. وقد انفجرت السوق في الطلب على البيانات وقوة الحوسبة.
عند إجراء تدريب نماذج كبيرة مثل GPT المعتمدة على تقنية Transformer، يتم تقسيم العملية إلى ثلاث خطوات:
التدريب المسبق: من خلال استخدام كميات كبيرة من البيانات للبحث عن أفضل معلمات لكل خلية عصبية في النموذج، مما يتطلب أكبر قدر من قوة الحساب.
التعديل الطفيف: استخدم كمية صغيرة من البيانات عالية الجودة للتدريب، لتحسين جودة مخرجات النموذج.
التعلم المعزز: إنشاء نموذج مكافأة، تقييم مخرجات النموذج الكبير، وتكرار المعلمات.
تؤثر عدد المعلمات، وكمية وجودة البيانات، وقدرة الحوسبة على أداء النماذج الكبيرة. هذه العناصر الثلاثة تخلق سلسلة صناعية كاملة.
! [علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة])https://img-cdn.gateio.im/webp-social/moments-609c5dd6ee0abcec6bf9c118d7741867.webp(
) مزود GPU硬件
GPU هو الشريحة الرئيسية المستخدمة حاليًا في التدريب والاستدلال. تعد Nvidia في الصدارة المطلقة، حيث يتم استخدام شرائحها مثل H100 و A100 على نطاق واسع في تطبيق النماذج الكبيرة.
في عام 2023، الطلب على شريحة H100 الجديدة من Nvidia يفوق العرض، حيث وصلت فترة التسليم إلى 52 أسبوعًا. العديد من شركات التكنولوجيا الكبرى قامت بشراء كميات كبيرة من شرائح H100 لإنشاء مراكز حوسبة عالية الأداء.
تستطيع مزودات خدمات السحابة، بعد شراء عدد كافٍ من وحدات معالجة الرسوميات لبناء HPC، تقديم قوة حسابية مرنة وحلول تدريب مستضافة للشركات الذكية ذات التمويل المحدود. ينقسم السوق حاليًا إلى ثلاث فئات رئيسية من مزودي قوة الحوسبة السحابية:
منصات الحوسبة السحابية الضخمة التقليدية التي تمثلها AWS، Google، Azure ).
منصة الحوسبة السحابية المتخصصة في مجال الذكاء الاصطناعي العمودي، مثل CoreWeave و Lambda وغيرها.
مزودو خدمة الاستدلال، مثل Together.ai و Fireworks.ai.
! [علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة]###https://img-cdn.gateio.im/webp-social/moments-8848582a34ba293d15afae15d90e3c95.webp(
) مزود قاعدة البيانات
بالنسبة لبيانات الذكاء الاصطناعي ومهام تدريب واستنتاج التعلم العميق، فإن ما يُستخدم حاليًا في الصناعة هو "قاعدة بيانات المتجهات". تهدف قاعدة بيانات المتجهات إلى تخزين وإدارة وفهرسة كميات ضخمة من بيانات المتجهات عالية الأبعاد بكفاءة.
حاليًا، اللاعبون الرئيسيون هم Chroma و Zilliz و Pinecone و Weaviate وغيرها. مع زيادة الطلب على حجم البيانات، بالإضافة إلى الانفجار في نماذج التطبيقات الكبيرة في مختلف المجالات المتخصصة، ستزداد الحاجة إلى قواعد بيانات المتجهات بشكل كبير.
! [علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة]###https://img-cdn.gateio.im/webp-social/moments-53c48daf49a3dbb35c1a2b47e234f180.webp019283746574839201
( أجهزة الحافة
عند إنشاء مجموعة حوسبة عالية الأداء باستخدام وحدة معالجة الرسوميات، عادة ما يتم استهلاك كميات كبيرة من الطاقة، مما ينتج عنه كميات كبيرة من الحرارة. وهذا يتطلب وجود بعض الأجهزة الطرفية للتبريد لضمان تشغيل الحوسبة عالية الأداء بشكل مستمر. يتعلق الأمر باتجاهين: توفير الطاقة وأنظمة التبريد.
حاليًا، يتم استخدام الطاقة الكهربائية بشكل رئيسي في جانب إمداد الطاقة. في مجال تبريد مجموعات HPC، يعتمد النظام حاليًا على التبريد بالهواء، لكن العديد من شركات رأس المال المغامر تستثمر بشكل كبير في أنظمة التبريد السائل. ينقسم التبريد السائل بشكل رئيسي إلى ثلاثة اتجاهات استكشافية: التبريد السائل بنظام الألواح الباردة، والتبريد السائل الغمر، والتبريد السائل بالرش.
! [علم الوافد الجديد 丨 الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة] )https://img-cdn.gateio.im/webp-social/moments-250a286e79261e91a0e7ac4941ff5c76.webp019283746574839201
( تطبيق
تطور تطبيقات الذكاء الاصطناعي الحالي يشبه صناعة blockchain، حيث أن البنية التحتية مزدحمة للغاية، لكن تطوير التطبيقات لم يتماشى. معظم تطبيقات الذكاء الاصطناعي النشطة في الأشهر العشرة الأولى هي من نوع البحث، وأنواع التطبيقات محدودة نسبياً. في الوقت نفسه، فإن معدل احتفاظ المستخدمين بتطبيقات الذكاء الاصطناعي أقل بكثير من تطبيقات الإنترنت التقليدية.
وفقًا لتقرير سيكويا الأمريكية، يتم تصنيف تطبيقات الذكاء الاصطناعي من حيث الأدوار إلى ثلاث فئات: موجهة نحو المستهلكين المحترفين، الشركات، والمستهلكين العاديين. يتم استخدام التطبيقات الموجهة للمستهلكين بشكل أساسي لتعزيز الإنتاجية، بينما تُستخدم التطبيقات الموجهة للشركات في مجالات التسويق، القانون، وتصميم الرعاية الصحية.
! [علم الوافد الجديد 丨 الذكاء الاصطناعي × التشفير: من الصفر إلى الذروة] )https://img-cdn.gateio.im/webp-social/moments-8358c377eb2c07467848b3b46dbf1056.webp###
علاقة الكريبتو بالذكاء الاصطناعي
لقد استفاد البلوكشين من تطور تقنية ZK، وتحول إلى فكرة لامركزية + غير موثوقة. شبكة البلوكشين هي في جوهرها شبكة قيمة، حيث كل معاملة هي تحويل قيمة يعتمد على الرموز الأساسية. تعتبر Tokenomics القواعد المحددة لتجسيد قيمة الرموز.
يمكن أن تحدد اقتصاديات الرموز القيمة النسبية لرمز الشبكة الأصلي ( في النظام البيئي، على الرغم من أنه لا يمكن تسعير كل بُعد، إلا أن سعر الرمز يعكس القيمة متعددة الأبعاد. بمجرد منح الرموز للشبكة وتداولها، يمكن إضفاء قيمة على الوظائف أو الأفكار.
تُعتبر الرموز وتقنية البلوكشين وسيلة لإعادة تعريف واكتشاف القيمة، وهي أيضًا ذات أهمية كبيرة لصناعة الذكاء الاصطناعي. يمكن أن يؤدي إصدار الرموز في صناعة الذكاء الاصطناعي إلى إعادة تشكيل القيمة من جميع الجوانب، مما يحفز المزيد من الأشخاص على الغوص في كل قطاع فرعي. كما أن الخصائص غير القابلة للتغيير وعدم الحاجة إلى الثقة لتقنية البلوكشين يمكن أن تحقق بعض التطبيقات التي تحتاج إلى الثقة في الذكاء الاصطناعي.
باختصار، يمكن أن تعزز اقتصاديات الرموز إعادة تشكيل القيمة واكتشافها، كما يمكن أن تحل دفاتر الحسابات اللامركزية مشكلة الثقة، مما يعيد تدفق القيمة على نطاق عالمي. إن الجمع بين العملات المشفرة والذكاء الاصطناعي له فائدة عملية، حيث يمكنه إعادة تشكيل وجهات نظر القيمة، وحل مشكلة الثقة، واكتشاف القيمة المتبقية.
! [علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة])https://img-cdn.gateio.im/webp-social/moments-c8845a5920048e7c821c939e2d8304e7.webp###
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
تسجيلات الإعجاب 15
أعجبني
15
5
إعادة النشر
مشاركة
تعليق
0/400
LiquidityOracle
· منذ 5 س
هذه الموجة من الذكاء الاصطناعي قد جاءت حقًا
شاهد النسخة الأصليةرد0
ChainWatcher
· منذ 20 س
هل تحولت التعدين إلى الذكاء الاصطناعي؟ هذه حقاً طريق جديدة للثروة.
شاهد النسخة الأصليةرد0
GamefiEscapeArtist
· منذ 20 س
مرة أخرى في موقع خداع الحمقى لتحقيق الربح
شاهد النسخة الأصليةرد0
GlueGuy
· منذ 20 س
كيف تعود هذه النماذج الكبيرة لتكرار النكات القديمة عن الذكاء الاصطناعي
شاهد النسخة الأصليةرد0
StablecoinArbitrageur
· منذ 20 س
*sigh* تحليل آخر غير مُقَيم بشكل جيد... أين علاقة البيانات الإحصائية بين مجمع السيولة للذكاء الاصطناعي وفرص التحكيم؟ بحث مبتدئ بصراحة
دمج الذكاء الاصطناعي مع العملات الرقمية لإعادة تشكيل سلسلة قيمة الصناعة
تاريخ تطوير صناعة الذكاء الاصطناعي واستكشاف دمجها مع العملات المشفرة
يعتبر تطور صناعة الذكاء الاصطناعي في الآونة الأخيرة بمثابة الثورة الصناعية الرابعة، وقد أدت ظهور النماذج الكبيرة إلى تحسين كبير في كفاءة مختلف القطاعات. لقد جلبت تقنية التعلم العميق جولة جديدة من الازدهار لصناعة الذكاء الاصطناعي، وقد أثرت هذه الموجة أيضًا على صناعة العملات المشفرة.
ستتناول هذه المقالة بالتفصيل تاريخ تطور صناعة الذكاء الاصطناعي، وتصنيفات التكنولوجيا، بالإضافة إلى تأثير تقنيات التعلم العميق على الصناعة. سيتم تحليل الوضع الحالي والاتجاهات في سلسلة القيمة للصناعة المرتبطة بالتعلم العميق، بما في ذلك وحدات معالجة الرسوميات (GPU)، والحوسبة السحابية، ومصادر البيانات، والأجهزة الطرفية. كما سيتم مناقشة العلاقة الجوهرية بين صناعة التشفير (Crypto) وصناعة الذكاء الاصطناعي، مع توضيح هيكل سلسلة القيمة المتعلقة بالذكاء الاصطناعي المرتبطة بالتشفير.
! علم الوافد الجديد 丨 الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة
تاريخ تطور صناعة الذكاء الاصطناعي
بدأت صناعة الذكاء الاصطناعي منذ الخمسينيات من القرن الماضي، ومن أجل تحقيق رؤية الذكاء الاصطناعي، طورت الأوساط الأكاديمية والصناعية على مر العصور ومن خلفيات علمية مختلفة العديد من المدارس لتحقيق الذكاء الاصطناعي.
تستخدم تقنيات الذكاء الاصطناعي الحديثة بشكل أساسي مصطلح "تعلم الآلة"، حيث تتمثل فكرة هذه التقنية في السماح للآلات بتحسين أداء النظام من خلال التكرار المستمر في المهام اعتمادًا على البيانات. الخطوات الرئيسية هي إرسال البيانات إلى الخوارزمية، واستخدام هذه البيانات لتدريب النموذج، واختبار نشر النموذج، واستخدام النموذج لإكمال مهام التنبؤ الآلي.
توجد ثلاثة تيارات رئيسية في تعلم الآلة، وهي الارتباطية والرمزية والسلوكية، والتي تحاكي على التوالي النظام العصبي البشري والتفكير والسلوك. في الوقت الحالي، تهيمن الارتباطية التي يمثلها الشبكات العصبية، والمعروفة أيضًا باسم التعلم العميق. تحتوي بنية الشبكة العصبية على طبقة إدخال وطبقة إخراج، ولكن هناك العديد من الطبقات المخفية. حالما تصبح عدد الطبقات وعدد الخلايا العصبية كبيرة بما يكفي، سيكون هناك فرص كافية لتناسب المهام العامة المعقدة.
! [الوافد الجديد Science Popular 丨الذكاء الاصطناعي x Crypto: من الصفر إلى الذروة](https://img-cdn.gateio.im/webp-social/moments-c50ee5a87373c6cd6c4dc63adc2cf47c.webp019283746574839201
تكنولوجيا التعلم العميق المعتمدة على الشبكات العصبية شهدت أيضًا عدة تكرارات وتطورات، بدءًا من الشبكات العصبية المبكرة، إلى الشبكات العصبية الأمامية، والشبكات العصبية المتكررة، والشبكات العصبية التلافيفية، والشبكات التوليدية التنافسية، وأخيرًا تطورت إلى النماذج الكبيرة الحديثة مثل تقنيات Transformer المستخدمة في GPT وغيرها. تقنية Transformer هي مجرد اتجاه تطوري واحد من الشبكات العصبية، حيث أضيف محول لتحويل جميع بيانات الأنماط إلى قيم رقمية مقابلة لتمثيلها. ثم يتم إدخالها مرة أخرى في الشبكة العصبية، مما يمكّن الشبكة العصبية من ملاءمة أي نوع من البيانات، وتحقيق تعدد الأنماط.
شهد تطوير الذكاء الاصطناعي ثلاث موجات تكنولوجية:
في الستينيات من القرن العشرين، أدت أول موجة ناتجة عن تطور تكنولوجيا الرمزية إلى حل مشاكل معالجة اللغة الطبيعية العامة ومشاكل الحوار بين الإنسان والآلة.
في عام 1997، هزم ديب بلو من شركة آي بي إم بطل الشطرنج كاسباروف، مما يمثل ذروة التطور الثانية.
منذ عام 2006، أدى تطور تقنيات التعلم العميق إلى بروز الموجة التكنولوجية الثالثة، وهي أيضًا الفترة الذهبية للنماذج الترابطية.
في السنوات الأخيرة، حققت تقنيات التعلم العميق اختراقات مستمرة، وظهرت عدد من الأحداث البارزة:
! [علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة])https://img-cdn.gateio.im/webp-social/moments-0c9bdea33a39a2c07d1f06760ed7e804.webp(
سلسلة صناعة التعلم العميق
تستخدم نماذج اللغة الكبيرة الحالية جميعها أساليب التعلم العميق القائمة على الشبكات العصبية. لقد أطلقت نماذج اللغة الكبيرة، بقيادة GPT، موجة من الحماس في مجال الذكاء الاصطناعي، مع تدفق عدد كبير من اللاعبين إلى هذا المجال. وقد انفجرت السوق في الطلب على البيانات وقوة الحوسبة.
عند إجراء تدريب نماذج كبيرة مثل GPT المعتمدة على تقنية Transformer، يتم تقسيم العملية إلى ثلاث خطوات:
التدريب المسبق: من خلال استخدام كميات كبيرة من البيانات للبحث عن أفضل معلمات لكل خلية عصبية في النموذج، مما يتطلب أكبر قدر من قوة الحساب.
التعديل الطفيف: استخدم كمية صغيرة من البيانات عالية الجودة للتدريب، لتحسين جودة مخرجات النموذج.
التعلم المعزز: إنشاء نموذج مكافأة، تقييم مخرجات النموذج الكبير، وتكرار المعلمات.
تؤثر عدد المعلمات، وكمية وجودة البيانات، وقدرة الحوسبة على أداء النماذج الكبيرة. هذه العناصر الثلاثة تخلق سلسلة صناعية كاملة.
! [علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة])https://img-cdn.gateio.im/webp-social/moments-609c5dd6ee0abcec6bf9c118d7741867.webp(
) مزود GPU硬件
GPU هو الشريحة الرئيسية المستخدمة حاليًا في التدريب والاستدلال. تعد Nvidia في الصدارة المطلقة، حيث يتم استخدام شرائحها مثل H100 و A100 على نطاق واسع في تطبيق النماذج الكبيرة.
في عام 2023، الطلب على شريحة H100 الجديدة من Nvidia يفوق العرض، حيث وصلت فترة التسليم إلى 52 أسبوعًا. العديد من شركات التكنولوجيا الكبرى قامت بشراء كميات كبيرة من شرائح H100 لإنشاء مراكز حوسبة عالية الأداء.
! علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة
( مزود خدمة السحابة
تستطيع مزودات خدمات السحابة، بعد شراء عدد كافٍ من وحدات معالجة الرسوميات لبناء HPC، تقديم قوة حسابية مرنة وحلول تدريب مستضافة للشركات الذكية ذات التمويل المحدود. ينقسم السوق حاليًا إلى ثلاث فئات رئيسية من مزودي قوة الحوسبة السحابية:
منصات الحوسبة السحابية الضخمة التقليدية التي تمثلها AWS، Google، Azure ).
منصة الحوسبة السحابية المتخصصة في مجال الذكاء الاصطناعي العمودي، مثل CoreWeave و Lambda وغيرها.
مزودو خدمة الاستدلال، مثل Together.ai و Fireworks.ai.
! [علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة]###https://img-cdn.gateio.im/webp-social/moments-8848582a34ba293d15afae15d90e3c95.webp(
) مزود قاعدة البيانات
بالنسبة لبيانات الذكاء الاصطناعي ومهام تدريب واستنتاج التعلم العميق، فإن ما يُستخدم حاليًا في الصناعة هو "قاعدة بيانات المتجهات". تهدف قاعدة بيانات المتجهات إلى تخزين وإدارة وفهرسة كميات ضخمة من بيانات المتجهات عالية الأبعاد بكفاءة.
حاليًا، اللاعبون الرئيسيون هم Chroma و Zilliz و Pinecone و Weaviate وغيرها. مع زيادة الطلب على حجم البيانات، بالإضافة إلى الانفجار في نماذج التطبيقات الكبيرة في مختلف المجالات المتخصصة، ستزداد الحاجة إلى قواعد بيانات المتجهات بشكل كبير.
! [علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة]###https://img-cdn.gateio.im/webp-social/moments-53c48daf49a3dbb35c1a2b47e234f180.webp019283746574839201
( أجهزة الحافة
عند إنشاء مجموعة حوسبة عالية الأداء باستخدام وحدة معالجة الرسوميات، عادة ما يتم استهلاك كميات كبيرة من الطاقة، مما ينتج عنه كميات كبيرة من الحرارة. وهذا يتطلب وجود بعض الأجهزة الطرفية للتبريد لضمان تشغيل الحوسبة عالية الأداء بشكل مستمر. يتعلق الأمر باتجاهين: توفير الطاقة وأنظمة التبريد.
حاليًا، يتم استخدام الطاقة الكهربائية بشكل رئيسي في جانب إمداد الطاقة. في مجال تبريد مجموعات HPC، يعتمد النظام حاليًا على التبريد بالهواء، لكن العديد من شركات رأس المال المغامر تستثمر بشكل كبير في أنظمة التبريد السائل. ينقسم التبريد السائل بشكل رئيسي إلى ثلاثة اتجاهات استكشافية: التبريد السائل بنظام الألواح الباردة، والتبريد السائل الغمر، والتبريد السائل بالرش.
! [علم الوافد الجديد 丨 الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة] )https://img-cdn.gateio.im/webp-social/moments-250a286e79261e91a0e7ac4941ff5c76.webp019283746574839201
( تطبيق
تطور تطبيقات الذكاء الاصطناعي الحالي يشبه صناعة blockchain، حيث أن البنية التحتية مزدحمة للغاية، لكن تطوير التطبيقات لم يتماشى. معظم تطبيقات الذكاء الاصطناعي النشطة في الأشهر العشرة الأولى هي من نوع البحث، وأنواع التطبيقات محدودة نسبياً. في الوقت نفسه، فإن معدل احتفاظ المستخدمين بتطبيقات الذكاء الاصطناعي أقل بكثير من تطبيقات الإنترنت التقليدية.
وفقًا لتقرير سيكويا الأمريكية، يتم تصنيف تطبيقات الذكاء الاصطناعي من حيث الأدوار إلى ثلاث فئات: موجهة نحو المستهلكين المحترفين، الشركات، والمستهلكين العاديين. يتم استخدام التطبيقات الموجهة للمستهلكين بشكل أساسي لتعزيز الإنتاجية، بينما تُستخدم التطبيقات الموجهة للشركات في مجالات التسويق، القانون، وتصميم الرعاية الصحية.
! [علم الوافد الجديد 丨 الذكاء الاصطناعي × التشفير: من الصفر إلى الذروة] )https://img-cdn.gateio.im/webp-social/moments-8358c377eb2c07467848b3b46dbf1056.webp###
علاقة الكريبتو بالذكاء الاصطناعي
لقد استفاد البلوكشين من تطور تقنية ZK، وتحول إلى فكرة لامركزية + غير موثوقة. شبكة البلوكشين هي في جوهرها شبكة قيمة، حيث كل معاملة هي تحويل قيمة يعتمد على الرموز الأساسية. تعتبر Tokenomics القواعد المحددة لتجسيد قيمة الرموز.
يمكن أن تحدد اقتصاديات الرموز القيمة النسبية لرمز الشبكة الأصلي ( في النظام البيئي، على الرغم من أنه لا يمكن تسعير كل بُعد، إلا أن سعر الرمز يعكس القيمة متعددة الأبعاد. بمجرد منح الرموز للشبكة وتداولها، يمكن إضفاء قيمة على الوظائف أو الأفكار.
تُعتبر الرموز وتقنية البلوكشين وسيلة لإعادة تعريف واكتشاف القيمة، وهي أيضًا ذات أهمية كبيرة لصناعة الذكاء الاصطناعي. يمكن أن يؤدي إصدار الرموز في صناعة الذكاء الاصطناعي إلى إعادة تشكيل القيمة من جميع الجوانب، مما يحفز المزيد من الأشخاص على الغوص في كل قطاع فرعي. كما أن الخصائص غير القابلة للتغيير وعدم الحاجة إلى الثقة لتقنية البلوكشين يمكن أن تحقق بعض التطبيقات التي تحتاج إلى الثقة في الذكاء الاصطناعي.
باختصار، يمكن أن تعزز اقتصاديات الرموز إعادة تشكيل القيمة واكتشافها، كما يمكن أن تحل دفاتر الحسابات اللامركزية مشكلة الثقة، مما يعيد تدفق القيمة على نطاق عالمي. إن الجمع بين العملات المشفرة والذكاء الاصطناعي له فائدة عملية، حيث يمكنه إعادة تشكيل وجهات نظر القيمة، وحل مشكلة الثقة، واكتشاف القيمة المتبقية.
! [علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة])https://img-cdn.gateio.im/webp-social/moments-c8845a5920048e7c821c939e2d8304e7.webp###