تقرير شامل عن مسار Web3-AI: تحليل عميق للمنطق التكنولوجي، تطبيقات المشهد، والمشاريع الرائدة
مع استمرار ارتفاع درجة حرارة السرد الذكي، يتركز المزيد من الاهتمام على هذا المسار. يقوم هذا المقال بتحليل متعمق للمنطق التكنولوجي، وسيناريوهات التطبيق، والمشاريع الممثلة في مسار Web3-AI، ويقدم عرضًا شاملاً للمشهد والاتجاهات التنموية في هذا المجال.
1. Web3-AI: تحليل المنطق التكنولوجي وفرص السوق الناشئة
1.1 منطق دمج Web3 و AI: كيف يتم تحديد مسار Web-AI
على مدار العام الماضي، كانت السرديات المدعومة بالذكاء الاصطناعي شديدة الرواج في صناعة Web3، وظهرت مشاريع الذكاء الاصطناعي كالفطر بعد المطر. على الرغم من وجود العديد من المشاريع التي تتعلق بتقنية الذكاء الاصطناعي، إلا أن بعض المشاريع تستخدم الذكاء الاصطناعي فقط في بعض أجزاء منتجاتها، بينما لا ترتبط الاقتصاديات الرمزية الأساسية ارتباطًا جوهريًا بمنتجات الذكاء الاصطناعي، وبالتالي لا تندرج هذه المشاريع ضمن مناقشة مشاريع Web3-AI في هذه المقالة.
تركز هذه المقالة على استخدام blockchain لحل مشكلات علاقات الإنتاج، ومشاريع AI التي تحل مشكلات الإنتاجية، حيث تقدم هذه المشاريع منتجات AI بنفسها، وتستند إلى نموذج الاقتصاد Web3 كأداة لعلاقات الإنتاج، حيث يكمل كل منهما الآخر. نصنف هذه المشاريع ضمن مسار Web3-AI. من أجل مساعدة القراء على فهم أفضل لمسار Web3-AI، سيتم تقديم عملية تطوير AI والتحديات التي تواجهها، وكذلك كيفية دمج Web3 وAI بشكل مثالي لحل المشكلات وخلق سيناريوهات تطبيقية جديدة.
1.2 عملية تطوير الذكاء الاصطناعي والتحديات: من جمع البيانات إلى استنتاج النموذج
تكنولوجيا الذكاء الاصطناعي هي تقنية تسمح للكمبيوتر بمحاكاة وتوسيع وتعزيز الذكاء البشري. إنها تمكن الكمبيوتر من تنفيذ مجموعة متنوعة من المهام المعقدة، من ترجمة اللغة، وتصنيف الصور، إلى التعرف على الوجوه، والقيادة الذاتية، وغيرها من السيناريوهات التطبيقية، الذكاء الاصطناعي يغير الطريقة التي نعيش بها ونعمل.
عملية تطوير نموذج الذكاء الاصطناعي عادةً ما تتضمن الخطوات الأساسية التالية: جمع البيانات ومعالجة البيانات، اختيار النموذج وضبطه، تدريب النموذج واستنتاجه. لأخذ مثال بسيط، لتطوير نموذج لتصنيف صور القطط والكلاب، تحتاج إلى:
جمع البيانات ومعالجة البيانات: جمع مجموعة بيانات تتضمن صورًا للقطط والكلاب، يمكن استخدام مجموعات البيانات العامة أو جمع البيانات الحقيقية بنفسك. ثم قم بتوسيم كل صورة بفئة (قطة أو كلب)، تأكد من دقة التسميات. تحويل الصور إلى تنسيق يمكن للنموذج التعرف عليه، تقسيم مجموعة البيانات إلى مجموعة تدريب ومجموعة تحقق ومجموعة اختبار.
اختيار النموذج وتحسينه: اختيار النموذج المناسب، مثل الشبكات العصبية التلافيفية (CNN)، التي تناسب بشكل أفضل مهام تصنيف الصور. ضبط معلمات النموذج أو الهيكل وفقًا للاحتياجات المختلفة، بشكل عام، يمكن ضبط مستويات الشبكة للنموذج بناءً على تعقيد مهمة الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون المستويات الشبكية الأكثر سطحية كافية.
تدريب النموذج: يمكن استخدام GPU أو TPU أو تجمعات الحوسبة عالية الأداء لتدريب النموذج، ومدة التدريب تتأثر بتعقيد النموذج وقدرة الحوسبة.
استنتاج النموذج: تُعرف الملفات المدربة للنموذج عادةً بأوزان النموذج، وعملية الاستنتاج تشير إلى استخدام النموذج المدرب مسبقًا للتنبؤ أو تصنيف بيانات جديدة. يمكن استخدام مجموعة الاختبار أو البيانات الجديدة لاختبار فعالية تصنيف النموذج، وعادةً ما تُستخدم مؤشرات مثل الدقة، ومعدل الاسترجاع، وF1-score لتقييم فعالية النموذج.
بعد جمع البيانات ومعالجتها المسبقة، واختيار النموذج وتحسينه، وتدريبه، سيتم إجراء استنتاج على مجموعة الاختبار باستخدام النموذج المدرب، مما سيؤدي إلى الحصول على قيم التوقع للقطط والكلاب P (احتمالية)، أي أن النموذج يستنتج ما إذا كان هو قط أو كلب.
يمكن دمج نماذج الذكاء الاصطناعي المدربة بشكل أكبر في تطبيقات مختلفة لأداء مهام متنوعة. في هذا المثال، يمكن دمج نموذج الذكاء الاصطناعي لتصنيف القطط والكلاب في تطبيق موبايل، حيث يقوم المستخدم بتحميل صور للقطط أو الكلاب، ويحصل على نتائج التصنيف.
ومع ذلك، فإن عملية تطوير الذكاء الاصطناعي المركزية تواجه بعض المشكلات في السيناريوهات التالية:
خصوصية المستخدم: في السيناريوهات المركزية، عادة ما تكون عملية تطوير الذكاء الاصطناعي غير شفافة. قد يتم سرقة بيانات المستخدم دون علمه واستخدامها في تدريب الذكاء الاصطناعي.
مصدر البيانات: يمكن أن يواجه فريق صغير أو فرد قيودًا على عدم فتح البيانات عند الحصول على بيانات في مجالات معينة (مثل البيانات الطبية).
اختيار النموذج وتحسينه: من الصعب على الفرق الصغيرة الحصول على موارد نموذجية في مجالات محددة أو إنفاق تكاليف كبيرة لتحسين النموذج.
الحصول على قوة الحوسبة: بالنسبة للمطورين الأفراد والفرق الصغيرة، قد تمثل تكاليف شراء وحدات معالجة الرسوميات العالية وتكاليف استئجار قوة الحوسبة السحابية عبئًا اقتصاديًا كبيرًا.
إيرادات أصول الذكاء الاصطناعي: غالبًا ما لا يتمكن العاملون في مجال وضع العلامات على البيانات من الحصول على الإيرادات التي تتناسب مع جهودهم، كما أن نتائج أبحاث مطوري الذكاء الاصطناعي يصعب مطابقتها مع المشترين ذوي الطلب.
التحديات الموجودة في مشهد الذكاء الاصطناعي المركزي يمكن تجاوزها من خلال الدمج مع Web3، حيث أن Web3 كعلاقة إنتاج جديدة، تتناسب بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل قوة إنتاجية جديدة، مما يدفع التقدم التكنولوجي وقدرات الإنتاج في آن واحد.
1.3 تأثير التعاون بين Web3 و AI: تحول الأدوار والتطبيقات الابتكارية
يمكن أن يعزز دمج Web3 مع الذكاء الاصطناعي سيادة المستخدم، ويوفر للمستخدمين منصة مفتوحة للتعاون في الذكاء الاصطناعي، مما يسمح لهم بالتحول من مستخدمين للذكاء الاصطناعي في عصر Web2 إلى مشاركين، لإنشاء ذكاء اصطناعي يمكن للجميع امتلاكه. في الوقت نفسه، يمكن أن يؤدي دمج عالم Web3 مع تقنية الذكاء الاصطناعي إلى ظهور المزيد من تطبيقات مبتكرة وسيناريوهات اللعب.
استنادًا إلى تقنية Web3 ، ستشهد تطوير وتطبيق الذكاء الاصطناعي نظام اقتصاد تعاوني جديد تمامًا. يمكن ضمان خصوصية بيانات الأشخاص ، ويعزز نموذج بيانات الحشد تقدم نماذج الذكاء الاصطناعي ، وتتوفر العديد من موارد الذكاء الاصطناعي مفتوحة المصدر للاستخدام من قبل المستخدمين ، ويمكن الحصول على قوة الحوسبة المشتركة بتكلفة منخفضة. من خلال آلية الحشد التعاونية اللامركزية وسوق الذكاء الاصطناعي المفتوح ، يمكن تحقيق نظام توزيع دخل عادل ، مما يحفز المزيد من الأشخاص على دفع تقدم تقنية الذكاء الاصطناعي.
في سيناريوهات Web3، يمكن للذكاء الاصطناعي أن يحدث تأثيرًا إيجابيًا في مجالات متعددة. على سبيل المثال، يمكن دمج نماذج الذكاء الاصطناعي في العقود الذكية، مما يعزز كفاءة العمل في سيناريوهات تطبيقية مختلفة، مثل تحليل السوق، الكشف عن الأمان، تجميع اجتماعي، وغيرها من الوظائف المتعددة. لا يمكن للذكاء الاصطناعي التوليدي أن يتيح للمستخدمين تجربة دور "الفنان" فحسب، مثل استخدام تقنيات الذكاء الاصطناعي لإنشاء NFT الخاصة بهم، بل يمكنه أيضًا خلق مشاهد ألعاب متنوعة وتجارب تفاعلية مثيرة في GameFi. توفر البنية التحتية الغنية تجربة تطوير سلسة، حيث يمكن لكل من خبراء الذكاء الاصطناعي والمبتدئين الذين يرغبون في دخول مجال الذكاء الاصطناعي العثور على مدخل مناسب في هذا العالم.
٢. تحليل خريطة وبنية مشروع Web3-AI الإيكولوجي
قمنا بدراسة 41 مشروعًا في مجال Web3-AI وقمنا بتصنيف هذه المشاريع إلى مستويات مختلفة. يتم توضيح منطق تقسيم كل مستوى في الشكل أدناه، بما في ذلك مستوى البنية التحتية، والمستوى الوسيط، ومستوى التطبيقات، حيث ينقسم كل مستوى إلى أجزاء مختلفة. في الفصل التالي، سنقوم بإجراء تحليل عميق لبعض المشاريع التمثيلية.
تشمل طبقة البنية التحتية موارد الحوسبة والهيكل التكنولوجي التي تدعم تشغيل دورة حياة الذكاء الاصطناعي بالكامل، بينما تتضمن الطبقة المتوسطة إدارة البيانات وتطوير النماذج وخدمات الاستدلال والتحقق التي تربط بين البنية التحتية والتطبيقات، تركز الطبقة التطبيقية على مجموعة متنوعة من التطبيقات والحلول الموجهة مباشرة للمستخدمين.
طبقة البنية التحتية:
طبقة البنية التحتية هي أساس دورة حياة الذكاء الاصطناعي، حيث يتم تصنيف القدرة الحاسوبية و AI Chain ومنصة التطوير على أنها طبقة البنية التحتية. فقط بدعم هذه البنية التحتية يمكن تحقيق تدريب واستدلال نماذج الذكاء الاصطناعي، وتقديم تطبيقات الذكاء الاصطناعي القوية والعملية للمستخدمين.
شبكة الحوسبة اللامركزية: يمكن أن توفر قوة حسابية موزعة لتدريب نماذج الذكاء الاصطناعي، مما يضمن استخدام موارد حسابية فعالة واقتصادية. تقدم بعض المشاريع سوقًا للقوة الحاسوبية اللامركزية، حيث يمكن للمستخدمين استئجار القوة الحاسوبية بتكلفة منخفضة أو مشاركة القوة الحاسوبية لتحقيق الأرباح، ومشاريع تمثل مثل IO.NET و Hyperbolic. بالإضافة إلى ذلك، استحدثت بعض المشاريع طرق لعب جديدة، مثل Compute Labs، التي اقترحت بروتوكولًا موحدًا، حيث يمكن للمستخدمين من خلال شراء NFT يمثل وحدة معالجة الرسوميات المشاركة بطرق مختلفة في استئجار القوة الحاسوبية لتحقيق الأرباح.
AI Chain: استخدام blockchain كأساس لدورة حياة AI، لتحقيق التفاعل السلس للموارد AI على السلسلة وخارجها، وتعزيز تنمية النظام البيئي الصناعي. يمكن للسوق اللامركزي على السلسلة تداول أصول AI مثل البيانات، النماذج، الوكلاء، وغيرها، وتوفير إطار تطوير AI والأدوات المساعدة للتطوير، والمشروعات الممثلة مثل Sahara AI. يمكن أن يعزز AI Chain أيضًا التقدم التكنولوجي في مجالات مختلفة من AI، مثل Bittensor الذي يعزز المنافسة بين شبكات AI المختلفة من خلال آلية تحفيز مبتكرة.
منصة التطوير: تقدم بعض المشاريع منصة تطوير وكيل الذكاء الاصطناعي، ويمكن أيضًا تنفيذ تداول وكيل الذكاء الاصطناعي، مثل Fetch.ai و ChainML وغيرها. تساعد الأدوات الشاملة المطورين على إنشاء وتدريب ونشر نماذج الذكاء الاصطناعي بشكل أكثر سهولة، ومن المشاريع الممثلة Nimble. تعزز هذه البنية التحتية الاستخدام الواسع لتكنولوجيا الذكاء الاصطناعي في نظام Web3 البيئي.
الطبقة الوسيطة:
تتناول هذه الطبقة بيانات الذكاء الاصطناعي، والنماذج، والاستدلال والتحقق، ويمكن تحقيق كفاءة عمل أعلى باستخدام تقنيات Web3.
البيانات: جودة البيانات وكمية البيانات هما العاملان الرئيسيان اللذان يؤثران على فعالية تدريب النموذج. في عالم Web3، يمكن تحسين استخدام الموارد وتقليل تكاليف البيانات من خلال البيانات الجماعية والمعالجة التعاونية للبيانات. يمكن للمستخدمين امتلاك حقوق البيانات الخاصة بهم وبيع بياناتهم في ظل حماية الخصوصية، لتجنب سرقة البيانات من قبل التجار غير المنصفين وتحقيق أرباح كبيرة. بالنسبة لمتطلبات البيانات، توفر هذه المنصات اختيارات واسعة وتكاليف منخفضة للغاية. مشاريع تمثيلية مثل Grass تستخدم عرض النطاق الترددي للمستخدمين لجمع بيانات الويب، وxData تجمع معلومات الوسائط من خلال ملحقات سهلة الاستخدام، وتدعم المستخدمين في تحميل معلومات التغريدات.
علاوة على ذلك، تسمح بعض المنصات للخبراء في المجالات أو المستخدمين العاديين بتنفيذ مهام معالجة البيانات المسبقة، مثل تسمية الصور، وتصنيف البيانات، والتي قد تتطلب معرفة متخصصة في معالجة بيانات المهام المالية والقانونية، حيث يمكن للمستخدمين تحويل مهاراتهم إلى رموز، مما يحقق تعاونًا في معالجة البيانات بشكل جماعي. تمثل سوق الذكاء الاصطناعي مثل Sahara AI، والتي تحتوي على مهام بيانات من مجالات مختلفة، ويمكن أن تغطي سيناريوهات بيانات متعددة المجالات؛ بينما يقوم بروتوكول AIT بتسمية البيانات من خلال التعاون بين الإنسان والآلة.
النموذج: في عملية تطوير الذكاء الاصطناعي التي تم الإشارة إليها سابقًا، تحتاج أنواع مختلفة من المتطلبات إلى مطابقة النماذج المناسبة. من النماذج الشائعة المستخدمة في مهام الصور مثل CNN و GAN، ويمكن اختيار سلسلة Yolo لمهام الكشف عن الأهداف، بينما النماذج الشائعة في مهام النصوص تشمل RNN و Transformer، وبالطبع هناك بعض النماذج الكبيرة المعينة أو العامة. تتطلب المهام ذات التعقيد المختلف عمق نموذج مختلف، وفي بعض الأحيان تحتاج إلى ضبط النموذج.
بعض المشاريع تدعم المستخدمين لتقديم أنواع مختلفة من النماذج أو التعاون في تدريب النماذج من خلال أسلوب التمويل الجماعي، مثل Sentient التي من خلال تصميمها المعياري، تسمح للمستخدمين بوضع بيانات النموذج الموثوقة في طبقة التخزين وطبقة التوزيع لتحسين النموذج، كما أن أدوات التطوير التي تقدمها Sahara AI تحتوي على خوارزميات ذكاء اصطناعي متقدمة وإطار حسابي، ولديها القدرة على التدريب التعاوني.
الاستدلال والتحقق: بعد تدريب النموذج، سيتم إنشاء ملفات أوزان النموذج، والتي يمكن استخدامها مباشرة للتصنيف أو التنبؤ أو المهام المحددة الأخرى، وتسمى هذه العملية الاستدلال. عادة ما يصاحب عملية الاستدلال آلية تحقق، للتحقق من مصدر النموذج الاستدلالي وما إذا كان صحيحًا، وما إذا كانت هناك سلوكيات خبيثة، وما إلى ذلك. يمكن دمج الاستدلال في Web3 داخل العقود الذكية، من خلال استدعاء النموذج للاستدلال، تشمل طرق التحقق الشائعة تقنيات مثل ZKML و OPML و TEE. ومن المشاريع الممثلة مثل أورا AI oracle (OAO)، التي قدمت OPML كطبقة قابلة للتحقق لـ AI oracle، كما تم ذكر أبحاثهم حول ZKML و opp/ai (دمج ZKML مع OPML) في الموقع الرسمي لأورا.
طبقة التطبيق:
هذه الطبقة موجهة بشكل مباشر نحو تطبيقات المستخدمين، حيث تجمع بين الذكاء الاصطناعي و Web3، مما يخلق المزيد من الألعاب المثيرة والمبتكرة. يهدف هذا المقال إلى تسليط الضوء على المشاريع في عدة مجالات مثل AIGC (المحتوى الذي يتم إنشاؤه بواسطة الذكاء الاصطناعي)، الوكلاء الذكائيون، وتحليل البيانات.
AIGC: يمكن من خلال AIGC التوسع إلى NFT و الألعاب في Web3، حيث يمكن للمستخدمين إنشاء نصوص وصور وصوتيات مباشرة من خلال Prompt (الكلمات التي يقدمها المستخدم)، وحتى يمكنهم في الألعاب إنشاء محتوى وفقًا لتفضيلاتهم.
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.
مشهد Web3-AI: تحليل عميق للمنطق التكنولوجي والمشاريع التمثيلية
تقرير شامل عن مسار Web3-AI: تحليل عميق للمنطق التكنولوجي، تطبيقات المشهد، والمشاريع الرائدة
مع استمرار ارتفاع درجة حرارة السرد الذكي، يتركز المزيد من الاهتمام على هذا المسار. يقوم هذا المقال بتحليل متعمق للمنطق التكنولوجي، وسيناريوهات التطبيق، والمشاريع الممثلة في مسار Web3-AI، ويقدم عرضًا شاملاً للمشهد والاتجاهات التنموية في هذا المجال.
1. Web3-AI: تحليل المنطق التكنولوجي وفرص السوق الناشئة
1.1 منطق دمج Web3 و AI: كيف يتم تحديد مسار Web-AI
على مدار العام الماضي، كانت السرديات المدعومة بالذكاء الاصطناعي شديدة الرواج في صناعة Web3، وظهرت مشاريع الذكاء الاصطناعي كالفطر بعد المطر. على الرغم من وجود العديد من المشاريع التي تتعلق بتقنية الذكاء الاصطناعي، إلا أن بعض المشاريع تستخدم الذكاء الاصطناعي فقط في بعض أجزاء منتجاتها، بينما لا ترتبط الاقتصاديات الرمزية الأساسية ارتباطًا جوهريًا بمنتجات الذكاء الاصطناعي، وبالتالي لا تندرج هذه المشاريع ضمن مناقشة مشاريع Web3-AI في هذه المقالة.
تركز هذه المقالة على استخدام blockchain لحل مشكلات علاقات الإنتاج، ومشاريع AI التي تحل مشكلات الإنتاجية، حيث تقدم هذه المشاريع منتجات AI بنفسها، وتستند إلى نموذج الاقتصاد Web3 كأداة لعلاقات الإنتاج، حيث يكمل كل منهما الآخر. نصنف هذه المشاريع ضمن مسار Web3-AI. من أجل مساعدة القراء على فهم أفضل لمسار Web3-AI، سيتم تقديم عملية تطوير AI والتحديات التي تواجهها، وكذلك كيفية دمج Web3 وAI بشكل مثالي لحل المشكلات وخلق سيناريوهات تطبيقية جديدة.
1.2 عملية تطوير الذكاء الاصطناعي والتحديات: من جمع البيانات إلى استنتاج النموذج
تكنولوجيا الذكاء الاصطناعي هي تقنية تسمح للكمبيوتر بمحاكاة وتوسيع وتعزيز الذكاء البشري. إنها تمكن الكمبيوتر من تنفيذ مجموعة متنوعة من المهام المعقدة، من ترجمة اللغة، وتصنيف الصور، إلى التعرف على الوجوه، والقيادة الذاتية، وغيرها من السيناريوهات التطبيقية، الذكاء الاصطناعي يغير الطريقة التي نعيش بها ونعمل.
عملية تطوير نموذج الذكاء الاصطناعي عادةً ما تتضمن الخطوات الأساسية التالية: جمع البيانات ومعالجة البيانات، اختيار النموذج وضبطه، تدريب النموذج واستنتاجه. لأخذ مثال بسيط، لتطوير نموذج لتصنيف صور القطط والكلاب، تحتاج إلى:
جمع البيانات ومعالجة البيانات: جمع مجموعة بيانات تتضمن صورًا للقطط والكلاب، يمكن استخدام مجموعات البيانات العامة أو جمع البيانات الحقيقية بنفسك. ثم قم بتوسيم كل صورة بفئة (قطة أو كلب)، تأكد من دقة التسميات. تحويل الصور إلى تنسيق يمكن للنموذج التعرف عليه، تقسيم مجموعة البيانات إلى مجموعة تدريب ومجموعة تحقق ومجموعة اختبار.
اختيار النموذج وتحسينه: اختيار النموذج المناسب، مثل الشبكات العصبية التلافيفية (CNN)، التي تناسب بشكل أفضل مهام تصنيف الصور. ضبط معلمات النموذج أو الهيكل وفقًا للاحتياجات المختلفة، بشكل عام، يمكن ضبط مستويات الشبكة للنموذج بناءً على تعقيد مهمة الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون المستويات الشبكية الأكثر سطحية كافية.
تدريب النموذج: يمكن استخدام GPU أو TPU أو تجمعات الحوسبة عالية الأداء لتدريب النموذج، ومدة التدريب تتأثر بتعقيد النموذج وقدرة الحوسبة.
استنتاج النموذج: تُعرف الملفات المدربة للنموذج عادةً بأوزان النموذج، وعملية الاستنتاج تشير إلى استخدام النموذج المدرب مسبقًا للتنبؤ أو تصنيف بيانات جديدة. يمكن استخدام مجموعة الاختبار أو البيانات الجديدة لاختبار فعالية تصنيف النموذج، وعادةً ما تُستخدم مؤشرات مثل الدقة، ومعدل الاسترجاع، وF1-score لتقييم فعالية النموذج.
بعد جمع البيانات ومعالجتها المسبقة، واختيار النموذج وتحسينه، وتدريبه، سيتم إجراء استنتاج على مجموعة الاختبار باستخدام النموذج المدرب، مما سيؤدي إلى الحصول على قيم التوقع للقطط والكلاب P (احتمالية)، أي أن النموذج يستنتج ما إذا كان هو قط أو كلب.
يمكن دمج نماذج الذكاء الاصطناعي المدربة بشكل أكبر في تطبيقات مختلفة لأداء مهام متنوعة. في هذا المثال، يمكن دمج نموذج الذكاء الاصطناعي لتصنيف القطط والكلاب في تطبيق موبايل، حيث يقوم المستخدم بتحميل صور للقطط أو الكلاب، ويحصل على نتائج التصنيف.
ومع ذلك، فإن عملية تطوير الذكاء الاصطناعي المركزية تواجه بعض المشكلات في السيناريوهات التالية:
خصوصية المستخدم: في السيناريوهات المركزية، عادة ما تكون عملية تطوير الذكاء الاصطناعي غير شفافة. قد يتم سرقة بيانات المستخدم دون علمه واستخدامها في تدريب الذكاء الاصطناعي.
مصدر البيانات: يمكن أن يواجه فريق صغير أو فرد قيودًا على عدم فتح البيانات عند الحصول على بيانات في مجالات معينة (مثل البيانات الطبية).
اختيار النموذج وتحسينه: من الصعب على الفرق الصغيرة الحصول على موارد نموذجية في مجالات محددة أو إنفاق تكاليف كبيرة لتحسين النموذج.
الحصول على قوة الحوسبة: بالنسبة للمطورين الأفراد والفرق الصغيرة، قد تمثل تكاليف شراء وحدات معالجة الرسوميات العالية وتكاليف استئجار قوة الحوسبة السحابية عبئًا اقتصاديًا كبيرًا.
إيرادات أصول الذكاء الاصطناعي: غالبًا ما لا يتمكن العاملون في مجال وضع العلامات على البيانات من الحصول على الإيرادات التي تتناسب مع جهودهم، كما أن نتائج أبحاث مطوري الذكاء الاصطناعي يصعب مطابقتها مع المشترين ذوي الطلب.
التحديات الموجودة في مشهد الذكاء الاصطناعي المركزي يمكن تجاوزها من خلال الدمج مع Web3، حيث أن Web3 كعلاقة إنتاج جديدة، تتناسب بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل قوة إنتاجية جديدة، مما يدفع التقدم التكنولوجي وقدرات الإنتاج في آن واحد.
1.3 تأثير التعاون بين Web3 و AI: تحول الأدوار والتطبيقات الابتكارية
يمكن أن يعزز دمج Web3 مع الذكاء الاصطناعي سيادة المستخدم، ويوفر للمستخدمين منصة مفتوحة للتعاون في الذكاء الاصطناعي، مما يسمح لهم بالتحول من مستخدمين للذكاء الاصطناعي في عصر Web2 إلى مشاركين، لإنشاء ذكاء اصطناعي يمكن للجميع امتلاكه. في الوقت نفسه، يمكن أن يؤدي دمج عالم Web3 مع تقنية الذكاء الاصطناعي إلى ظهور المزيد من تطبيقات مبتكرة وسيناريوهات اللعب.
استنادًا إلى تقنية Web3 ، ستشهد تطوير وتطبيق الذكاء الاصطناعي نظام اقتصاد تعاوني جديد تمامًا. يمكن ضمان خصوصية بيانات الأشخاص ، ويعزز نموذج بيانات الحشد تقدم نماذج الذكاء الاصطناعي ، وتتوفر العديد من موارد الذكاء الاصطناعي مفتوحة المصدر للاستخدام من قبل المستخدمين ، ويمكن الحصول على قوة الحوسبة المشتركة بتكلفة منخفضة. من خلال آلية الحشد التعاونية اللامركزية وسوق الذكاء الاصطناعي المفتوح ، يمكن تحقيق نظام توزيع دخل عادل ، مما يحفز المزيد من الأشخاص على دفع تقدم تقنية الذكاء الاصطناعي.
في سيناريوهات Web3، يمكن للذكاء الاصطناعي أن يحدث تأثيرًا إيجابيًا في مجالات متعددة. على سبيل المثال، يمكن دمج نماذج الذكاء الاصطناعي في العقود الذكية، مما يعزز كفاءة العمل في سيناريوهات تطبيقية مختلفة، مثل تحليل السوق، الكشف عن الأمان، تجميع اجتماعي، وغيرها من الوظائف المتعددة. لا يمكن للذكاء الاصطناعي التوليدي أن يتيح للمستخدمين تجربة دور "الفنان" فحسب، مثل استخدام تقنيات الذكاء الاصطناعي لإنشاء NFT الخاصة بهم، بل يمكنه أيضًا خلق مشاهد ألعاب متنوعة وتجارب تفاعلية مثيرة في GameFi. توفر البنية التحتية الغنية تجربة تطوير سلسة، حيث يمكن لكل من خبراء الذكاء الاصطناعي والمبتدئين الذين يرغبون في دخول مجال الذكاء الاصطناعي العثور على مدخل مناسب في هذا العالم.
٢. تحليل خريطة وبنية مشروع Web3-AI الإيكولوجي
قمنا بدراسة 41 مشروعًا في مجال Web3-AI وقمنا بتصنيف هذه المشاريع إلى مستويات مختلفة. يتم توضيح منطق تقسيم كل مستوى في الشكل أدناه، بما في ذلك مستوى البنية التحتية، والمستوى الوسيط، ومستوى التطبيقات، حيث ينقسم كل مستوى إلى أجزاء مختلفة. في الفصل التالي، سنقوم بإجراء تحليل عميق لبعض المشاريع التمثيلية.
تشمل طبقة البنية التحتية موارد الحوسبة والهيكل التكنولوجي التي تدعم تشغيل دورة حياة الذكاء الاصطناعي بالكامل، بينما تتضمن الطبقة المتوسطة إدارة البيانات وتطوير النماذج وخدمات الاستدلال والتحقق التي تربط بين البنية التحتية والتطبيقات، تركز الطبقة التطبيقية على مجموعة متنوعة من التطبيقات والحلول الموجهة مباشرة للمستخدمين.
طبقة البنية التحتية:
طبقة البنية التحتية هي أساس دورة حياة الذكاء الاصطناعي، حيث يتم تصنيف القدرة الحاسوبية و AI Chain ومنصة التطوير على أنها طبقة البنية التحتية. فقط بدعم هذه البنية التحتية يمكن تحقيق تدريب واستدلال نماذج الذكاء الاصطناعي، وتقديم تطبيقات الذكاء الاصطناعي القوية والعملية للمستخدمين.
شبكة الحوسبة اللامركزية: يمكن أن توفر قوة حسابية موزعة لتدريب نماذج الذكاء الاصطناعي، مما يضمن استخدام موارد حسابية فعالة واقتصادية. تقدم بعض المشاريع سوقًا للقوة الحاسوبية اللامركزية، حيث يمكن للمستخدمين استئجار القوة الحاسوبية بتكلفة منخفضة أو مشاركة القوة الحاسوبية لتحقيق الأرباح، ومشاريع تمثل مثل IO.NET و Hyperbolic. بالإضافة إلى ذلك، استحدثت بعض المشاريع طرق لعب جديدة، مثل Compute Labs، التي اقترحت بروتوكولًا موحدًا، حيث يمكن للمستخدمين من خلال شراء NFT يمثل وحدة معالجة الرسوميات المشاركة بطرق مختلفة في استئجار القوة الحاسوبية لتحقيق الأرباح.
AI Chain: استخدام blockchain كأساس لدورة حياة AI، لتحقيق التفاعل السلس للموارد AI على السلسلة وخارجها، وتعزيز تنمية النظام البيئي الصناعي. يمكن للسوق اللامركزي على السلسلة تداول أصول AI مثل البيانات، النماذج، الوكلاء، وغيرها، وتوفير إطار تطوير AI والأدوات المساعدة للتطوير، والمشروعات الممثلة مثل Sahara AI. يمكن أن يعزز AI Chain أيضًا التقدم التكنولوجي في مجالات مختلفة من AI، مثل Bittensor الذي يعزز المنافسة بين شبكات AI المختلفة من خلال آلية تحفيز مبتكرة.
منصة التطوير: تقدم بعض المشاريع منصة تطوير وكيل الذكاء الاصطناعي، ويمكن أيضًا تنفيذ تداول وكيل الذكاء الاصطناعي، مثل Fetch.ai و ChainML وغيرها. تساعد الأدوات الشاملة المطورين على إنشاء وتدريب ونشر نماذج الذكاء الاصطناعي بشكل أكثر سهولة، ومن المشاريع الممثلة Nimble. تعزز هذه البنية التحتية الاستخدام الواسع لتكنولوجيا الذكاء الاصطناعي في نظام Web3 البيئي.
الطبقة الوسيطة:
تتناول هذه الطبقة بيانات الذكاء الاصطناعي، والنماذج، والاستدلال والتحقق، ويمكن تحقيق كفاءة عمل أعلى باستخدام تقنيات Web3.
علاوة على ذلك، تسمح بعض المنصات للخبراء في المجالات أو المستخدمين العاديين بتنفيذ مهام معالجة البيانات المسبقة، مثل تسمية الصور، وتصنيف البيانات، والتي قد تتطلب معرفة متخصصة في معالجة بيانات المهام المالية والقانونية، حيث يمكن للمستخدمين تحويل مهاراتهم إلى رموز، مما يحقق تعاونًا في معالجة البيانات بشكل جماعي. تمثل سوق الذكاء الاصطناعي مثل Sahara AI، والتي تحتوي على مهام بيانات من مجالات مختلفة، ويمكن أن تغطي سيناريوهات بيانات متعددة المجالات؛ بينما يقوم بروتوكول AIT بتسمية البيانات من خلال التعاون بين الإنسان والآلة.
بعض المشاريع تدعم المستخدمين لتقديم أنواع مختلفة من النماذج أو التعاون في تدريب النماذج من خلال أسلوب التمويل الجماعي، مثل Sentient التي من خلال تصميمها المعياري، تسمح للمستخدمين بوضع بيانات النموذج الموثوقة في طبقة التخزين وطبقة التوزيع لتحسين النموذج، كما أن أدوات التطوير التي تقدمها Sahara AI تحتوي على خوارزميات ذكاء اصطناعي متقدمة وإطار حسابي، ولديها القدرة على التدريب التعاوني.
طبقة التطبيق:
هذه الطبقة موجهة بشكل مباشر نحو تطبيقات المستخدمين، حيث تجمع بين الذكاء الاصطناعي و Web3، مما يخلق المزيد من الألعاب المثيرة والمبتكرة. يهدف هذا المقال إلى تسليط الضوء على المشاريع في عدة مجالات مثل AIGC (المحتوى الذي يتم إنشاؤه بواسطة الذكاء الاصطناعي)، الوكلاء الذكائيون، وتحليل البيانات.