في السنوات الأخيرة، أثار التطور السريع لتقنيات الذكاء الاصطناعي (AI) وWeb3 اهتمامًا واسعًا على مستوى العالم. حقق الذكاء الاصطناعي اختراقات كبيرة في مجالات التعرف على الوجوه ومعالجة اللغة الطبيعية وتعلم الآلة، مما أحدث تغييرات كبيرة وابتكارات في مختلف الصناعات. في عام 2023، وصلت السوق في صناعة الذكاء الاصطناعي إلى 200 مليار دولار، وظهرت عمالقة الصناعة مثل OpenAI وCharacter.AI وMidjourney، مما قاد موجة الذكاء الاصطناعي.
في الوقت نفسه، تُعتبر Web3 نموذجًا جديدًا للشبكة، وهي تحوّل فهم الناس واستخدامهم للإنترنت. تستند Web3 إلى تقنية blockchain اللامركزية، ومن خلال الميزات مثل العقود الذكية، والتخزين الموزع، والتحقق من الهوية اللامركزية، تحقق مشاركة البيانات والتحكم فيها، وحوكمة المستخدم، وتأسيس آلية الثقة. الفكرة الأساسية لـ Web3 هي تحرير البيانات من أيدي الهيئات المركزية، ومنح المستخدمين السيطرة على بياناتهم وحقوق مشاركة القيمة. حاليًا، تصل القيمة السوقية لصناعة Web3 إلى 25 تريليون، حيث تبرز مشاريع مثل Bitcoin وEthereum وSolana، بالإضافة إلى تطبيقات مثل Uniswap وStepn، مما يجذب المزيد من الناس للانضمام إلى صناعة Web3.
إن الجمع بين الذكاء الاصطناعي وWeb3 هو مجال يثير اهتمام كل من المطورين والمستثمرين في الشرق والغرب، وكيفية دمج الاثنين بشكل جيد هو سؤال يستحق الاستكشاف. ستتناول هذه المقالة حالة التطور الحالية لـ AI+Web3، وتحليل القيود والتحديات التي تواجه المشاريع الحالية، وتقديم المراجع والرؤى للمستثمرين والمحترفين.
! [تعميم علم الوافد الجديد 丨 تحليل متعمق: ما نوع الشرر الذي يمكن أن يصطدم به الذكاء الاصطناعي و Web3؟] ](https://img-cdn.gateio.im/webp-social/moments-3a464664dade44c046b5c1451f1cf968.webp)
2. طرق تفاعل الذكاء الاصطناعي مع Web3
تطور الذكاء الاصطناعي وWeb3 يشبه جانبي الميزان، حيث يجلب الذكاء الاصطناعي تحسينات في الإنتاجية، بينما يجلب Web3 تغييرات في علاقات الإنتاج. فما هي الشرارات التي يمكن أن تتولد من تفاعل الذكاء الاصطناعي وWeb3؟ سنقوم أولاً بتحليل التحديات والمساحات القابلة للتحسين التي تواجهها كل من صناعة الذكاء الاصطناعي وWeb3، ثم سنستكشف كيف يمكن لكل منهما المساعدة في حل هذه التحديات.
2.1 التحديات التي تواجه صناعة الذكاء الاصطناعي
لإستكشاف التحديات التي تواجه صناعة الذكاء الاصطناعي، دعونا أولاً نلقي نظرة على جوهر هذه الصناعة. تعتمد الصناعة على ثلاثة عناصر أساسية: القدرة الحاسوبية، الخوارزميات، والبيانات.
القدرة الحاسوبية: تشير إلى القدرة على إجراء حسابات ومعالجات واسعة النطاق. تتطلب مهام الذكاء الاصطناعي عادةً معالجة كميات ضخمة من البيانات وإجراء حسابات معقدة، مثل تدريب نماذج الشبكات العصبية العميقة. يمكن أن تسرع القدرة الحاسوبية العالية من عملية تدريب النماذج واستنتاجها، مما يعزز أداء وكفاءة أنظمة الذكاء الاصطناعي. في السنوات الأخيرة، مع تطور وحدات معالجة الرسوميات (GPU) ورقائق الذكاء الاصطناعي المتخصصة ( مثل TPU )، لعبت زيادة القدرة الحاسوبية دورًا مهمًا في دفع تطور صناعة الذكاء الاصطناعي.
الخوارزمية: هي الجزء الأساسي من نظام الذكاء الاصطناعي، وتستخدم الأساليب الرياضية والإحصائية لحل المشكلات وإنجاز المهام. يمكن تقسيم خوارزميات الذكاء الاصطناعي إلى خوارزميات التعلم الآلي التقليدية وخوارزميات التعلم العميق، حيث حققت خوارزميات التعلم العميق في السنوات الأخيرة اختراقات كبيرة. إن اختيار وتصميم الخوارزمية أمر بالغ الأهمية لأداء وتأثير نظام الذكاء الاصطناعي. يمكن أن تؤدي الخوارزميات التي يتم تحسينها وابتكارها باستمرار إلى زيادة دقة نظام الذكاء الاصطناعي ومرونته وقدرته على التعميم.
البيانات: المهمة الأساسية لنظام الذكاء الاصطناعي هي استخراج الأنماط والقواعد من البيانات من خلال التعلم والتدريب. البيانات هي الأساس لتدريب وتحسين النماذج، ومن خلال عينات بيانات كبيرة، يمكن لنظام الذكاء الاصطناعي أن يتعلم نماذج أكثر دقة وذكاء. يمكن أن توفر مجموعات البيانات الغنية معلومات أكثر شمولاً وتنوعًا، مما يمكّن النماذج من التعميم بشكل أفضل على البيانات غير المرئية، ويساعد نظام الذكاء الاصطناعي على فهم وحل مشاكل العالم الحقيقي بشكل أفضل.
بعد فهم العناصر الثلاثة الأساسية للذكاء الاصطناعي، دعونا نلقي نظرة على المصاعب والتحديات التي يواجهها الذكاء الاصطناعي في هذه الجوانب الثلاثة:
فيما يتعلق بالقوة الحسابية، تتطلب مهام الذكاء الاصطناعي عادةً موارد حسابية كبيرة لتدريب النماذج واستنتاجها، خاصةً بالنسبة لنماذج التعلم العميق. الحصول على وإدارة قوة حسابية كبيرة هو تحدٍ مكلف ومعقد. تكاليف الأجهزة الحاسوبية عالية الأداء واستهلاك الطاقة والصيانة جميعها مشكلات. وخاصة بالنسبة للشركات الناشئة والمطورين الأفراد، قد يكون من الصعب الحصول على قوة حسابية كافية.
فيما يتعلق بالخوارزميات، على الرغم من أن خوارزميات التعلم العميق حققت نجاحًا كبيرًا في العديد من المجالات، إلا أن هناك بعض المآزق والتحديات. على سبيل المثال، يتطلب تدريب الشبكات العصبية العميقة كميات كبيرة من البيانات وموارد الحوسبة، كما أن قابلية تفسير النموذج وشفافيته قد تكون غير كافية لبعض المهام. بالإضافة إلى ذلك، تعتبر متانة الخوارزميات وقدرتها على التعميم من القضايا المهمة، حيث قد تكون أداء النماذج على البيانات غير المرئية غير مستقر. من بين العديد من الخوارزميات، فإن كيفية إيجاد أفضل خوارزمية لتقديم أفضل خدمة هو عملية تحتاج إلى استكشاف مستمر.
فيما يتعلق بالبيانات، تعد البيانات هي القوة الدافعة للذكاء الاصطناعي، ولكن الحصول على بيانات عالية الجودة ومتنوعة لا يزال يمثل تحديًا. قد يكون من الصعب الحصول على بيانات في بعض المجالات، مثل البيانات الصحية الحساسة في المجال الطبي. بالإضافة إلى ذلك، تعتبر جودة البيانات ودقتها وعلاماتها أيضًا قضايا، حيث يمكن أن تؤدي البيانات غير المكتملة أو المتحيزة إلى سلوكيات أو انحرافات خاطئة للنماذج. في الوقت نفسه، فإن حماية خصوصية البيانات وأمانها هي أيضًا عوامل هامة يجب أخذها في الاعتبار.
بالإضافة إلى ذلك، هناك مشاكل مثل القابلية للتفسير والشفافية، فخاصية الصندوق الأسود لنماذج الذكاء الاصطناعي هي مسألة تثير قلق الجمهور. بالنسبة لبعض التطبيقات، مثل المالية والرعاية الصحية والعدالة، يحتاج عملية اتخاذ القرار في النماذج إلى أن تكون قابلة للتفسير وقابلة للتتبع، بينما غالبًا ما تفتقر نماذج التعلم العميق الحالية إلى الشفافية. لا يزال تفسير عملية اتخاذ القرار للنموذج وتقديم تفسيرات موثوقة يمثل تحديًا.
بصرف النظر عن ذلك، فإن العديد من نماذج الأعمال لمشاريع الذكاء الاصطناعي غير واضحة، مما يجعل العديد من رواد الأعمال في مجال الذكاء الاصطناعي يشعرون بالحيرة.
! [تعميم علم الوافد الجديد 丨 تحليل متعمق: ما نوع الشرر الذي يمكن أن يصطدم به الذكاء الاصطناعي و Web3؟] ](https://img-cdn.gateio.im/webp-social/moments-166b11addde400b95cef849db8a9f96d.webp)
2.2 التحديات التي تواجه صناعة Web3
في صناعة Web3، هناك حاليًا العديد من التحديات المختلفة التي تحتاج إلى حل، سواء كان ذلك في تحليل بيانات Web3، أو تجربة المستخدم الضعيفة للمنتجات في Web3، أو حتى مشاكل ثغرات كود العقود الذكية والهجمات الإلكترونية، هناك الكثير من مجال للتحسين. وكون الذكاء الاصطناعي أداة لزيادة الإنتاجية، فإنه يوجد أيضًا الكثير من الإمكانيات المحتملة في هذه المجالات.
أولاً، تحسين القدرة على تحليل البيانات والتنبؤ: لقد أحدثت تطبيقات تقنية الذكاء الاصطناعي في تحليل البيانات والتنبؤ تأثيرًا كبيرًا على صناعة Web3. من خلال التحليل الذكي واستخراج البيانات باستخدام خوارزميات الذكاء الاصطناعي، يمكن لمنصات Web3 استخراج معلومات قيمة من كميات هائلة من البيانات، وإجراء تنبؤات وقرارات أكثر دقة. هذا له أهمية كبيرة في مجالات تقييم المخاطر، وتوقعات السوق، وإدارة الأصول في التمويل اللامركزي ( DeFi ).
بالإضافة إلى ذلك، يمكن تحقيق تحسين تجربة المستخدم والخدمات الشخصية: إن تطبيق تقنيات الذكاء الاصطناعي يمكّن منصات Web3 من تقديم تجربة مستخدم أفضل وخدمات مخصصة. من خلال تحليل بيانات المستخدم ونمذجتها، يمكن لمنصات Web3 تقديم توصيات مخصصة، خدمات مخصصة وتجارب تفاعلية ذكية للمستخدمين. يساعد ذلك في زيادة مشاركة المستخدمين ورضاهم، وتعزيز تطوير نظام Web3 البيئي، على سبيل المثال، العديد من بروتوكولات Web3 تتصل بأدوات الذكاء الاصطناعي مثل ChatGPT لخدمة المستخدمين بشكل أفضل.
فيما يتعلق بالأمان وحماية الخصوصية، فإن تطبيق الذكاء الاصطناعي له تأثير عميق على صناعة Web3. يمكن استخدام تقنيات الذكاء الاصطناعي لاكتشاف الدفاع ضد الهجمات الإلكترونية، وكشف السلوكيات الشاذة، وتوفير حماية أمان أقوى. في الوقت نفسه، يمكن أيضًا تطبيق الذكاء الاصطناعي في حماية خصوصية البيانات، من خلال تقنيات مثل تشفير البيانات والحوسبة الخصوصية، لحماية المعلومات الشخصية للمستخدمين على منصات Web3. في مجال تدقيق العقود الذكية، نظرًا لأن كتابة العقود الذكية وعملية التدقيق قد تحتوي على ثغرات ومخاطر أمنية، يمكن استخدام تقنيات الذكاء الاصطناعي لأتمتة تدقيق العقود واكتشاف الثغرات، مما يزيد من أمان وموثوقية العقود.
يمكن أن نرى أن الذكاء الاصطناعي يمكنه المشاركة وتقديم الدعم في العديد من الجوانب فيما يتعلق بالتحديات التي تواجه صناعة Web3 والمساحة المحتملة للتحسين.
3. تحليل حالة مشاريع AI+Web3
تتعلق المشاريع التي تجمع بين الذكاء الاصطناعي وWeb3 بنقطتين رئيسيتين، وهما استخدام تقنية blockchain لتحسين أداء مشاريع الذكاء الاصطناعي، واستخدام تقنية الذكاء الاصطناعي لخدمة تحسين مشاريع Web3.
تزايدت العديد من المشاريع التي تستكشف هذا الطريق حول جانبين، بما في ذلك مشاريع متنوعة مثل Io.net و Gensyn و Ritual، وسوف تحلل هذه المقالة الوضع الحالي وتطورات المسارات الفرعية المختلفة من حيث دعم الذكاء الاصطناعي لـ web3 ودعم web3 للذكاء الاصطناعي.
3.1 ويب 3 يدعم الذكاء الاصطناعي
3.1.1 قوة الحوسبة اللامركزية
بعد إطلاق ChatGPT من قبل منصة معينة في نهاية عام 2022، انفجرت موجة الذكاء الاصطناعي، حيث وصلت أعداد المستخدمين إلى مليون خلال خمسة أيام فقط من الإطلاق، بينما استغرقت منصة أخرى حوالي شهرين ونصف للوصول إلى مليون تحميل. بعد ذلك، شهد ChatGPT أيضًا نموًا سريعًا، حيث بلغ عدد المستخدمين النشطين شهريًا 100 مليون خلال شهرين، وبحلول نوفمبر 2023، بلغ عدد المستخدمين النشطين أسبوعيًا 100 مليون. مع ظهور ChatGPT، انفجر مجال الذكاء الاصطناعي بسرعة من مسار نادر إلى صناعة تحظى باهتمام كبير.
وفقًا لتقرير معين، يحتاج ChatGPT إلى 30000 وحدة GPU من علامة تجارية معينة ليعمل، بينما سيحتاج GPT-5 في المستقبل إلى أعداد أكبر بكثير من القوة الحاسوبية. وقد أدى ذلك إلى بدء سباق تسلح بين شركات الذكاء الاصطناعي، حيث أنه لا يمكن تحديد القوة والدافع الكافيين في حرب الذكاء الاصطناعي إلا من خلال امتلاك كمية كافية من القدرة الحاسوبية، وبالتالي ظهرت ظاهرة نقص وحدات GPU.
قبل ظهور الذكاء الاصطناعي، كان عملاء أكبر مزودي وحدات معالجة الرسومات (GPU) يتركزون في ثلاث خدمات سحابية رئيسية. مع ظهور الذكاء الاصطناعي، برز عدد كبير من المشترين الجدد، بما في ذلك شركات التكنولوجيا الكبرى ومنصات البيانات وشركات الذكاء الاصطناعي الناشئة، جميعها انضمت إلى حرب تخزين وحدات معالجة الرسومات لتدريب نماذج الذكاء الاصطناعي. زادت بعض شركات التكنولوجيا الكبرى بشكل كبير من كمية شراء النماذج المخصصة للذكاء الاصطناعي والأبحاث الداخلية. كما أن بعض شركات النماذج الأساسية ومنصات البيانات قامت بشراء المزيد من وحدات معالجة الرسومات لمساعدة العملاء في تقديم خدمات الذكاء الاصطناعي.
كما ذكرت إحدى التحليلات في العام الماضي "أغنياء GPU وفقراء GPU"، تمتلك عدد قليل من الشركات أكثر من 20000 وحدة معالجة رسومية عالية الأداء، ويمكن لأعضاء الفريق استخدام من 100 إلى 1000 وحدة معالجة رسومية للمشاريع. هذه الشركات إما مقدمو خدمات سحابية أو تقوم ببناء نماذج لغة كبيرة بأنفسهم، بما في ذلك بعض الشركات الكبرى في مجال الذكاء الاصطناعي.
ومع ذلك، فإن معظم الشركات تعاني من نقص في وحدات معالجة الرسومات (GPU)، ولا يمكنها إلا أن تكافح على عدد أقل بكثير من وحدات معالجة الرسومات، مما يستغرق الكثير من الوقت والجهد للقيام بالأشياء التي يصعب دفعها لتطوير النظام البيئي. بالإضافة إلى ذلك، فإن هذه الحالة ليست محدودة بالشركات الناشئة. عدد وحدات معالجة الرسومات المتطورة في بعض من أشهر شركات الذكاء الاصطناعي أقل من 20K. تمتلك هذه الشركات مواهب تقنية من الطراز العالمي، لكنها مقيدة بعدد إمدادات وحدات معالجة الرسومات، مما يجعلها في وضع غير مؤات مقارنة بالشركات الكبرى في سباق الذكاء الاصطناعي.
هذا النقص لا يقتصر على "فقراء GPU" فقط، حتى في نهاية عام 2023، اضطرت الشركات الرائدة في مجال الذكاء الاصطناعي بسبب عدم قدرتها على الحصول على عدد كافٍ من وحدات معالجة الرسوميات إلى إغلاق التسجيل المدفوع لعدة أسابيع، بينما كانت تبحث عن المزيد من إمدادات GPU.
يمكن أن نرى أن الطلب والعرض على وحدات معالجة الرسومات (GPU) يشهدان تباينًا شديدًا بسبب التطور السريع للذكاء الاصطناعي، مما يجعل مشكلة عدم تلبية الطلب ملحة.
لحل هذه المشكلة، بدأت بعض المشاريع في Web3 في محاولة دمج الخصائص التقنية لـ Web3، وتقديم خدمات الحوسبة اللامركزية، بما في ذلك Akash وRender وGensyn وغيرها. القاسم المشترك بين هذه المشاريع هو تحفيز المستخدمين من خلال الرموز لتوفير قدرة الحوسبة غير المستخدمة من وحدات معالجة الرسوميات (GPU)، ليصبحوا جانب العرض من القدرة الحوسبية، لدعم العملاء في مجال الذكاء الاصطناعي.
يمكن تقسيم صورة الجانب العرض إلى ثلاثة جوانب رئيسية: مزودو خدمات السحاب، عمال مناجم العملات المشفرة، والشركات.
تشمل مزودي خدمات السحابة مزودي خدمات سحابة كبار ومزودي خدمات سحابة GPU، حيث يمكن للمستخدمين إعادة بيع قدرة معالجة مزودي خدمات السحابة غير المستخدمة لتحقيق دخل. مع تحول بعض سلاسل الكتل العامة من PoW إلى PoS، أصبحت قدرة معالجة GPU غير المستخدمة أيضًا جانبًا مهمًا محتملًا للعرض. بالإضافة إلى ذلك، يمكن لبعض الشركات الكبرى التي قامت بشراء كميات كبيرة من GPUs بسبب التخطيط الاستراتيجي أيضًا استخدام قدرة معالجة GPU غير المستخدمة كجانب للعرض.
اللاعبون في الساحة ينقسمون بشكل عام إلى فئتين، فئة تستخدم قوة الحوسبة اللامركزية لاستنتاج الذكاء الاصطناعي، والأخرى تستخدم قوة الحوسبة اللامركزية لتدريب الذكاء الاصطناعي. الفئة الأولى مثل Render( التي تركز على العرض، ولكن يمكن استخدامها أيضًا كموفر لقوة الذكاء الاصطناعي)، Akash، Aethir وغيرها؛ بينما الفئة الثانية مثل io.net( التي تدعم الاستنتاج والتدريب)، Gensyn، أكبر اختلاف بين الفئتين هو متطلبات قوة الحوسبة المختلفة.
دعونا نتحدث عن المشاريع المتعلقة بالاستدلال الذكي (AI) أولاً، حيث تجذب هذه المشاريع المستخدمين للمشاركة في توفير الطاقة الحاسوبية من خلال تحفيزات رمزية، ثم تقدم خدمات شبكة الطاقة الحاسوبية للجانب الطلب، مما يحقق توافق العرض والطلب على الطاقة الحاسوبية غير المستخدمة.
النقطة الأساسية تكمن في جذب الموردين من خلال آلية تحفيز الرموز، ثم جذب المستخدمين للاستخدام، مما يؤدي إلى بدء تشغيل المشروع وآلية التشغيل الأساسية، وبالتالي يمكن أن تتقدم.
شاهد النسخة الأصلية
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 20
أعجبني
20
6
مشاركة
تعليق
0/400
MindsetExpander
· 07-26 02:51
Web3 تلعب بشكل جيد، العديد من الأصدقاء على الإنترنت يسألونني عن فرص الاستثمار في Web3، لكنني عادةً ما أقدم تحليلاً عميقاً، وليس مجرد توصية.
شاهد النسخة الأصليةرد0
MEVictim
· 07-25 22:40
أليس مجرد ترويج لمفهوم جديد؟ ما الفائدة من ذلك؟
شاهد النسخة الأصليةرد0
TokenBeginner'sGuide
· 07-23 03:51
تذكير لطيف: من خلال بيانات السوق، يبدو أن مجال الذكاء الاصطناعي قد وصل إلى حجم 200 مليار دولار، يُنصح المبتدئين بتقييم المخاطر بحذر، وعدم مطاردة السعر بشكل أعمى.
الفصل الجديد لدمج الذكاء الاصطناعي وWeb3: الوضع الحالي، التحديات والفرص
تصادم الذكاء الاصطناعي وWeb3: التطورات والتحديات المستقبلية
المقدمة: الحالة الحالية لتطور AI+Web3
في السنوات الأخيرة، أثار التطور السريع لتقنيات الذكاء الاصطناعي (AI) وWeb3 اهتمامًا واسعًا على مستوى العالم. حقق الذكاء الاصطناعي اختراقات كبيرة في مجالات التعرف على الوجوه ومعالجة اللغة الطبيعية وتعلم الآلة، مما أحدث تغييرات كبيرة وابتكارات في مختلف الصناعات. في عام 2023، وصلت السوق في صناعة الذكاء الاصطناعي إلى 200 مليار دولار، وظهرت عمالقة الصناعة مثل OpenAI وCharacter.AI وMidjourney، مما قاد موجة الذكاء الاصطناعي.
في الوقت نفسه، تُعتبر Web3 نموذجًا جديدًا للشبكة، وهي تحوّل فهم الناس واستخدامهم للإنترنت. تستند Web3 إلى تقنية blockchain اللامركزية، ومن خلال الميزات مثل العقود الذكية، والتخزين الموزع، والتحقق من الهوية اللامركزية، تحقق مشاركة البيانات والتحكم فيها، وحوكمة المستخدم، وتأسيس آلية الثقة. الفكرة الأساسية لـ Web3 هي تحرير البيانات من أيدي الهيئات المركزية، ومنح المستخدمين السيطرة على بياناتهم وحقوق مشاركة القيمة. حاليًا، تصل القيمة السوقية لصناعة Web3 إلى 25 تريليون، حيث تبرز مشاريع مثل Bitcoin وEthereum وSolana، بالإضافة إلى تطبيقات مثل Uniswap وStepn، مما يجذب المزيد من الناس للانضمام إلى صناعة Web3.
إن الجمع بين الذكاء الاصطناعي وWeb3 هو مجال يثير اهتمام كل من المطورين والمستثمرين في الشرق والغرب، وكيفية دمج الاثنين بشكل جيد هو سؤال يستحق الاستكشاف. ستتناول هذه المقالة حالة التطور الحالية لـ AI+Web3، وتحليل القيود والتحديات التي تواجه المشاريع الحالية، وتقديم المراجع والرؤى للمستثمرين والمحترفين.
! [تعميم علم الوافد الجديد 丨 تحليل متعمق: ما نوع الشرر الذي يمكن أن يصطدم به الذكاء الاصطناعي و Web3؟] ](https://img-cdn.gateio.im/webp-social/moments-3a464664dade44c046b5c1451f1cf968.webp)
2. طرق تفاعل الذكاء الاصطناعي مع Web3
تطور الذكاء الاصطناعي وWeb3 يشبه جانبي الميزان، حيث يجلب الذكاء الاصطناعي تحسينات في الإنتاجية، بينما يجلب Web3 تغييرات في علاقات الإنتاج. فما هي الشرارات التي يمكن أن تتولد من تفاعل الذكاء الاصطناعي وWeb3؟ سنقوم أولاً بتحليل التحديات والمساحات القابلة للتحسين التي تواجهها كل من صناعة الذكاء الاصطناعي وWeb3، ثم سنستكشف كيف يمكن لكل منهما المساعدة في حل هذه التحديات.
2.1 التحديات التي تواجه صناعة الذكاء الاصطناعي
لإستكشاف التحديات التي تواجه صناعة الذكاء الاصطناعي، دعونا أولاً نلقي نظرة على جوهر هذه الصناعة. تعتمد الصناعة على ثلاثة عناصر أساسية: القدرة الحاسوبية، الخوارزميات، والبيانات.
القدرة الحاسوبية: تشير إلى القدرة على إجراء حسابات ومعالجات واسعة النطاق. تتطلب مهام الذكاء الاصطناعي عادةً معالجة كميات ضخمة من البيانات وإجراء حسابات معقدة، مثل تدريب نماذج الشبكات العصبية العميقة. يمكن أن تسرع القدرة الحاسوبية العالية من عملية تدريب النماذج واستنتاجها، مما يعزز أداء وكفاءة أنظمة الذكاء الاصطناعي. في السنوات الأخيرة، مع تطور وحدات معالجة الرسوميات (GPU) ورقائق الذكاء الاصطناعي المتخصصة ( مثل TPU )، لعبت زيادة القدرة الحاسوبية دورًا مهمًا في دفع تطور صناعة الذكاء الاصطناعي.
الخوارزمية: هي الجزء الأساسي من نظام الذكاء الاصطناعي، وتستخدم الأساليب الرياضية والإحصائية لحل المشكلات وإنجاز المهام. يمكن تقسيم خوارزميات الذكاء الاصطناعي إلى خوارزميات التعلم الآلي التقليدية وخوارزميات التعلم العميق، حيث حققت خوارزميات التعلم العميق في السنوات الأخيرة اختراقات كبيرة. إن اختيار وتصميم الخوارزمية أمر بالغ الأهمية لأداء وتأثير نظام الذكاء الاصطناعي. يمكن أن تؤدي الخوارزميات التي يتم تحسينها وابتكارها باستمرار إلى زيادة دقة نظام الذكاء الاصطناعي ومرونته وقدرته على التعميم.
البيانات: المهمة الأساسية لنظام الذكاء الاصطناعي هي استخراج الأنماط والقواعد من البيانات من خلال التعلم والتدريب. البيانات هي الأساس لتدريب وتحسين النماذج، ومن خلال عينات بيانات كبيرة، يمكن لنظام الذكاء الاصطناعي أن يتعلم نماذج أكثر دقة وذكاء. يمكن أن توفر مجموعات البيانات الغنية معلومات أكثر شمولاً وتنوعًا، مما يمكّن النماذج من التعميم بشكل أفضل على البيانات غير المرئية، ويساعد نظام الذكاء الاصطناعي على فهم وحل مشاكل العالم الحقيقي بشكل أفضل.
بعد فهم العناصر الثلاثة الأساسية للذكاء الاصطناعي، دعونا نلقي نظرة على المصاعب والتحديات التي يواجهها الذكاء الاصطناعي في هذه الجوانب الثلاثة:
فيما يتعلق بالقوة الحسابية، تتطلب مهام الذكاء الاصطناعي عادةً موارد حسابية كبيرة لتدريب النماذج واستنتاجها، خاصةً بالنسبة لنماذج التعلم العميق. الحصول على وإدارة قوة حسابية كبيرة هو تحدٍ مكلف ومعقد. تكاليف الأجهزة الحاسوبية عالية الأداء واستهلاك الطاقة والصيانة جميعها مشكلات. وخاصة بالنسبة للشركات الناشئة والمطورين الأفراد، قد يكون من الصعب الحصول على قوة حسابية كافية.
فيما يتعلق بالخوارزميات، على الرغم من أن خوارزميات التعلم العميق حققت نجاحًا كبيرًا في العديد من المجالات، إلا أن هناك بعض المآزق والتحديات. على سبيل المثال، يتطلب تدريب الشبكات العصبية العميقة كميات كبيرة من البيانات وموارد الحوسبة، كما أن قابلية تفسير النموذج وشفافيته قد تكون غير كافية لبعض المهام. بالإضافة إلى ذلك، تعتبر متانة الخوارزميات وقدرتها على التعميم من القضايا المهمة، حيث قد تكون أداء النماذج على البيانات غير المرئية غير مستقر. من بين العديد من الخوارزميات، فإن كيفية إيجاد أفضل خوارزمية لتقديم أفضل خدمة هو عملية تحتاج إلى استكشاف مستمر.
فيما يتعلق بالبيانات، تعد البيانات هي القوة الدافعة للذكاء الاصطناعي، ولكن الحصول على بيانات عالية الجودة ومتنوعة لا يزال يمثل تحديًا. قد يكون من الصعب الحصول على بيانات في بعض المجالات، مثل البيانات الصحية الحساسة في المجال الطبي. بالإضافة إلى ذلك، تعتبر جودة البيانات ودقتها وعلاماتها أيضًا قضايا، حيث يمكن أن تؤدي البيانات غير المكتملة أو المتحيزة إلى سلوكيات أو انحرافات خاطئة للنماذج. في الوقت نفسه، فإن حماية خصوصية البيانات وأمانها هي أيضًا عوامل هامة يجب أخذها في الاعتبار.
بالإضافة إلى ذلك، هناك مشاكل مثل القابلية للتفسير والشفافية، فخاصية الصندوق الأسود لنماذج الذكاء الاصطناعي هي مسألة تثير قلق الجمهور. بالنسبة لبعض التطبيقات، مثل المالية والرعاية الصحية والعدالة، يحتاج عملية اتخاذ القرار في النماذج إلى أن تكون قابلة للتفسير وقابلة للتتبع، بينما غالبًا ما تفتقر نماذج التعلم العميق الحالية إلى الشفافية. لا يزال تفسير عملية اتخاذ القرار للنموذج وتقديم تفسيرات موثوقة يمثل تحديًا.
بصرف النظر عن ذلك، فإن العديد من نماذج الأعمال لمشاريع الذكاء الاصطناعي غير واضحة، مما يجعل العديد من رواد الأعمال في مجال الذكاء الاصطناعي يشعرون بالحيرة.
! [تعميم علم الوافد الجديد 丨 تحليل متعمق: ما نوع الشرر الذي يمكن أن يصطدم به الذكاء الاصطناعي و Web3؟] ](https://img-cdn.gateio.im/webp-social/moments-166b11addde400b95cef849db8a9f96d.webp)
2.2 التحديات التي تواجه صناعة Web3
في صناعة Web3، هناك حاليًا العديد من التحديات المختلفة التي تحتاج إلى حل، سواء كان ذلك في تحليل بيانات Web3، أو تجربة المستخدم الضعيفة للمنتجات في Web3، أو حتى مشاكل ثغرات كود العقود الذكية والهجمات الإلكترونية، هناك الكثير من مجال للتحسين. وكون الذكاء الاصطناعي أداة لزيادة الإنتاجية، فإنه يوجد أيضًا الكثير من الإمكانيات المحتملة في هذه المجالات.
أولاً، تحسين القدرة على تحليل البيانات والتنبؤ: لقد أحدثت تطبيقات تقنية الذكاء الاصطناعي في تحليل البيانات والتنبؤ تأثيرًا كبيرًا على صناعة Web3. من خلال التحليل الذكي واستخراج البيانات باستخدام خوارزميات الذكاء الاصطناعي، يمكن لمنصات Web3 استخراج معلومات قيمة من كميات هائلة من البيانات، وإجراء تنبؤات وقرارات أكثر دقة. هذا له أهمية كبيرة في مجالات تقييم المخاطر، وتوقعات السوق، وإدارة الأصول في التمويل اللامركزي ( DeFi ).
بالإضافة إلى ذلك، يمكن تحقيق تحسين تجربة المستخدم والخدمات الشخصية: إن تطبيق تقنيات الذكاء الاصطناعي يمكّن منصات Web3 من تقديم تجربة مستخدم أفضل وخدمات مخصصة. من خلال تحليل بيانات المستخدم ونمذجتها، يمكن لمنصات Web3 تقديم توصيات مخصصة، خدمات مخصصة وتجارب تفاعلية ذكية للمستخدمين. يساعد ذلك في زيادة مشاركة المستخدمين ورضاهم، وتعزيز تطوير نظام Web3 البيئي، على سبيل المثال، العديد من بروتوكولات Web3 تتصل بأدوات الذكاء الاصطناعي مثل ChatGPT لخدمة المستخدمين بشكل أفضل.
فيما يتعلق بالأمان وحماية الخصوصية، فإن تطبيق الذكاء الاصطناعي له تأثير عميق على صناعة Web3. يمكن استخدام تقنيات الذكاء الاصطناعي لاكتشاف الدفاع ضد الهجمات الإلكترونية، وكشف السلوكيات الشاذة، وتوفير حماية أمان أقوى. في الوقت نفسه، يمكن أيضًا تطبيق الذكاء الاصطناعي في حماية خصوصية البيانات، من خلال تقنيات مثل تشفير البيانات والحوسبة الخصوصية، لحماية المعلومات الشخصية للمستخدمين على منصات Web3. في مجال تدقيق العقود الذكية، نظرًا لأن كتابة العقود الذكية وعملية التدقيق قد تحتوي على ثغرات ومخاطر أمنية، يمكن استخدام تقنيات الذكاء الاصطناعي لأتمتة تدقيق العقود واكتشاف الثغرات، مما يزيد من أمان وموثوقية العقود.
يمكن أن نرى أن الذكاء الاصطناعي يمكنه المشاركة وتقديم الدعم في العديد من الجوانب فيما يتعلق بالتحديات التي تواجه صناعة Web3 والمساحة المحتملة للتحسين.
3. تحليل حالة مشاريع AI+Web3
تتعلق المشاريع التي تجمع بين الذكاء الاصطناعي وWeb3 بنقطتين رئيسيتين، وهما استخدام تقنية blockchain لتحسين أداء مشاريع الذكاء الاصطناعي، واستخدام تقنية الذكاء الاصطناعي لخدمة تحسين مشاريع Web3.
تزايدت العديد من المشاريع التي تستكشف هذا الطريق حول جانبين، بما في ذلك مشاريع متنوعة مثل Io.net و Gensyn و Ritual، وسوف تحلل هذه المقالة الوضع الحالي وتطورات المسارات الفرعية المختلفة من حيث دعم الذكاء الاصطناعي لـ web3 ودعم web3 للذكاء الاصطناعي.
3.1 ويب 3 يدعم الذكاء الاصطناعي
3.1.1 قوة الحوسبة اللامركزية
بعد إطلاق ChatGPT من قبل منصة معينة في نهاية عام 2022، انفجرت موجة الذكاء الاصطناعي، حيث وصلت أعداد المستخدمين إلى مليون خلال خمسة أيام فقط من الإطلاق، بينما استغرقت منصة أخرى حوالي شهرين ونصف للوصول إلى مليون تحميل. بعد ذلك، شهد ChatGPT أيضًا نموًا سريعًا، حيث بلغ عدد المستخدمين النشطين شهريًا 100 مليون خلال شهرين، وبحلول نوفمبر 2023، بلغ عدد المستخدمين النشطين أسبوعيًا 100 مليون. مع ظهور ChatGPT، انفجر مجال الذكاء الاصطناعي بسرعة من مسار نادر إلى صناعة تحظى باهتمام كبير.
وفقًا لتقرير معين، يحتاج ChatGPT إلى 30000 وحدة GPU من علامة تجارية معينة ليعمل، بينما سيحتاج GPT-5 في المستقبل إلى أعداد أكبر بكثير من القوة الحاسوبية. وقد أدى ذلك إلى بدء سباق تسلح بين شركات الذكاء الاصطناعي، حيث أنه لا يمكن تحديد القوة والدافع الكافيين في حرب الذكاء الاصطناعي إلا من خلال امتلاك كمية كافية من القدرة الحاسوبية، وبالتالي ظهرت ظاهرة نقص وحدات GPU.
قبل ظهور الذكاء الاصطناعي، كان عملاء أكبر مزودي وحدات معالجة الرسومات (GPU) يتركزون في ثلاث خدمات سحابية رئيسية. مع ظهور الذكاء الاصطناعي، برز عدد كبير من المشترين الجدد، بما في ذلك شركات التكنولوجيا الكبرى ومنصات البيانات وشركات الذكاء الاصطناعي الناشئة، جميعها انضمت إلى حرب تخزين وحدات معالجة الرسومات لتدريب نماذج الذكاء الاصطناعي. زادت بعض شركات التكنولوجيا الكبرى بشكل كبير من كمية شراء النماذج المخصصة للذكاء الاصطناعي والأبحاث الداخلية. كما أن بعض شركات النماذج الأساسية ومنصات البيانات قامت بشراء المزيد من وحدات معالجة الرسومات لمساعدة العملاء في تقديم خدمات الذكاء الاصطناعي.
كما ذكرت إحدى التحليلات في العام الماضي "أغنياء GPU وفقراء GPU"، تمتلك عدد قليل من الشركات أكثر من 20000 وحدة معالجة رسومية عالية الأداء، ويمكن لأعضاء الفريق استخدام من 100 إلى 1000 وحدة معالجة رسومية للمشاريع. هذه الشركات إما مقدمو خدمات سحابية أو تقوم ببناء نماذج لغة كبيرة بأنفسهم، بما في ذلك بعض الشركات الكبرى في مجال الذكاء الاصطناعي.
ومع ذلك، فإن معظم الشركات تعاني من نقص في وحدات معالجة الرسومات (GPU)، ولا يمكنها إلا أن تكافح على عدد أقل بكثير من وحدات معالجة الرسومات، مما يستغرق الكثير من الوقت والجهد للقيام بالأشياء التي يصعب دفعها لتطوير النظام البيئي. بالإضافة إلى ذلك، فإن هذه الحالة ليست محدودة بالشركات الناشئة. عدد وحدات معالجة الرسومات المتطورة في بعض من أشهر شركات الذكاء الاصطناعي أقل من 20K. تمتلك هذه الشركات مواهب تقنية من الطراز العالمي، لكنها مقيدة بعدد إمدادات وحدات معالجة الرسومات، مما يجعلها في وضع غير مؤات مقارنة بالشركات الكبرى في سباق الذكاء الاصطناعي.
هذا النقص لا يقتصر على "فقراء GPU" فقط، حتى في نهاية عام 2023، اضطرت الشركات الرائدة في مجال الذكاء الاصطناعي بسبب عدم قدرتها على الحصول على عدد كافٍ من وحدات معالجة الرسوميات إلى إغلاق التسجيل المدفوع لعدة أسابيع، بينما كانت تبحث عن المزيد من إمدادات GPU.
يمكن أن نرى أن الطلب والعرض على وحدات معالجة الرسومات (GPU) يشهدان تباينًا شديدًا بسبب التطور السريع للذكاء الاصطناعي، مما يجعل مشكلة عدم تلبية الطلب ملحة.
لحل هذه المشكلة، بدأت بعض المشاريع في Web3 في محاولة دمج الخصائص التقنية لـ Web3، وتقديم خدمات الحوسبة اللامركزية، بما في ذلك Akash وRender وGensyn وغيرها. القاسم المشترك بين هذه المشاريع هو تحفيز المستخدمين من خلال الرموز لتوفير قدرة الحوسبة غير المستخدمة من وحدات معالجة الرسوميات (GPU)، ليصبحوا جانب العرض من القدرة الحوسبية، لدعم العملاء في مجال الذكاء الاصطناعي.
يمكن تقسيم صورة الجانب العرض إلى ثلاثة جوانب رئيسية: مزودو خدمات السحاب، عمال مناجم العملات المشفرة، والشركات.
تشمل مزودي خدمات السحابة مزودي خدمات سحابة كبار ومزودي خدمات سحابة GPU، حيث يمكن للمستخدمين إعادة بيع قدرة معالجة مزودي خدمات السحابة غير المستخدمة لتحقيق دخل. مع تحول بعض سلاسل الكتل العامة من PoW إلى PoS، أصبحت قدرة معالجة GPU غير المستخدمة أيضًا جانبًا مهمًا محتملًا للعرض. بالإضافة إلى ذلك، يمكن لبعض الشركات الكبرى التي قامت بشراء كميات كبيرة من GPUs بسبب التخطيط الاستراتيجي أيضًا استخدام قدرة معالجة GPU غير المستخدمة كجانب للعرض.
اللاعبون في الساحة ينقسمون بشكل عام إلى فئتين، فئة تستخدم قوة الحوسبة اللامركزية لاستنتاج الذكاء الاصطناعي، والأخرى تستخدم قوة الحوسبة اللامركزية لتدريب الذكاء الاصطناعي. الفئة الأولى مثل Render( التي تركز على العرض، ولكن يمكن استخدامها أيضًا كموفر لقوة الذكاء الاصطناعي)، Akash، Aethir وغيرها؛ بينما الفئة الثانية مثل io.net( التي تدعم الاستنتاج والتدريب)، Gensyn، أكبر اختلاف بين الفئتين هو متطلبات قوة الحوسبة المختلفة.
دعونا نتحدث عن المشاريع المتعلقة بالاستدلال الذكي (AI) أولاً، حيث تجذب هذه المشاريع المستخدمين للمشاركة في توفير الطاقة الحاسوبية من خلال تحفيزات رمزية، ثم تقدم خدمات شبكة الطاقة الحاسوبية للجانب الطلب، مما يحقق توافق العرض والطلب على الطاقة الحاسوبية غير المستخدمة.
النقطة الأساسية تكمن في جذب الموردين من خلال آلية تحفيز الرموز، ثم جذب المستخدمين للاستخدام، مما يؤدي إلى بدء تشغيل المشروع وآلية التشغيل الأساسية، وبالتالي يمكن أن تتقدم.