تقرير كامل عن مسار Web3-AI: تحليل عميق للمنطق التكنولوجي وتطبيقات المشهد والمشاريع الرائدة
مع استمرار ارتفاع حرارة سرد الذكاء الاصطناعي، تتزايد الأضواء المسلطة على هذا المجال. تم إجراء تحليل متعمق للمنطق التقني، وسيناريوهات التطبيق، والمشاريع الممثلة في مجال Web3-AI، لتقديم عرض شامل لكامل هذا المجال وتوجهاته التنموية.
1. Web3-AI: تحليل المنطق التقني وفرص السوق الناشئة
1.1 منطق دمج Web3 و AI: كيفية تحديد مسار Web-AI
في العام الماضي، كانت السرديات المعتمدة على الذكاء الاصطناعي شديدة الانتشار في صناعة Web3، حيث ظهرت مشاريع الذكاء الاصطناعي كالفطر بعد المطر. على الرغم من أن هناك العديد من المشاريع التي تتضمن تقنيات الذكاء الاصطناعي، إلا أن بعض المشاريع تستخدم الذكاء الاصطناعي فقط في بعض أجزاء منتجاتها، ولا توجد علاقة جوهرية بين الاقتصاد الرمزي الأساسي ومنتجات الذكاء الاصطناعي، وبالتالي لا تعتبر هذه المشاريع ضمن مناقشة مشاريع Web3-AI في هذه المقالة.
تتمثل النقطة الرئيسية في هذه المقالة في استخدام blockchain لحل مشاكل علاقات الإنتاج، بينما تحل AI مشاكل قوى الإنتاج. تقدم هذه المشاريع منتجات AI نفسها، بينما تستند إلى نموذج الاقتصاد Web3 كأداة لعلاقات الإنتاج، حيث يكمل كل منهما الآخر. نحن نصنف هذه الأنواع من المشاريع في مسار Web3-AI. من أجل مساعدة القراء على فهم أفضل لمسار Web3-AI، سيتم تقديم عملية تطوير AI والتحديات المرتبطة بها، بالإضافة إلى كيفية دمج Web3 و AI بشكل مثالي لحل المشكلات وخلق سيناريوهات تطبيق جديدة.
1.2 عملية تطوير الذكاء الاصطناعي والتحديات: من جمع البيانات إلى استدلال النموذج
تقنية الذكاء الاصطناعي هي تقنية تجعل الكمبيوتر قادرًا على محاكاة وتوسيع وتعزيز الذكاء البشري. إنها تمكن الكمبيوتر من تنفيذ مجموعة متنوعة من المهام المعقدة، بدءًا من ترجمة اللغات، وتصنيف الصور، وصولاً إلى التعرف على الوجوه، والقيادة الذاتية، وغيرها من تطبيقات، الذكاء الاصطناعي يغير الطريقة التي نعيش بها ونعمل.
تتضمن عملية تطوير نماذج الذكاء الاصطناعي عادةً الخطوات الرئيسية التالية: جمع البيانات ومعالجة البيانات، اختيار النموذج وضبطه، تدريب النموذج والاستدلال. على سبيل المثال البسيط، لتطوير نموذج لتصنيف صور القطط والكلاب، تحتاج إلى:
جمع البيانات ومعالجة البيانات: جمع مجموعة بيانات تحتوي على صور للقطط والكلاب، يمكن استخدام مجموعات البيانات العامة أو جمع البيانات الحقيقية بنفسك. ثم قم بتسمية الفئة لكل صورة (قط أو كلب)، تأكد من أن التسميات دقيقة. تحويل الصور إلى تنسيق يمكن للنموذج التعرف عليه، وتقسيم مجموعة البيانات إلى مجموعة تدريب، مجموعة تحقق، ومجموعة اختبار.
اختيار النموذج وضبطه: اختر نموذجًا مناسبًا، مثل الشبكات العصبية التلافيفية (CNN)، والتي تعد مناسبة لمهام تصنيف الصور. قم بضبط معلمات النموذج أو هيكله وفقًا للاحتياجات المختلفة، وعادةً ما يمكن ضبط مستويات الشبكة للنموذج استنادًا إلى تعقيد مهام الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون مستويات الشبكة الأقل عمقًا كافية.
تدريب النموذج: يمكن استخدام GPU أو TPU أو تجمعات الحوسبة عالية الأداء لتدريب النموذج، ويؤثر وقت التدريب على تعقيد النموذج وقدرة الحوسبة.
استنتاج النموذج: عادة ما تُسمى الملفات المدربة للنموذج بأوزان النموذج، وعملية الاستنتاج تشير إلى استخدام النموذج المدرب مسبقًا للتنبؤ أو تصنيف البيانات الجديدة. يمكن استخدام مجموعة الاختبار أو البيانات الجديدة لاختبار فعالية تصنيف النموذج، وغالبًا ما يتم تقييم فعالية النموذج باستخدام مؤشرات مثل الدقة، ومعدل الاستدعاء، ودرجة F1.
كما هو موضح في الشكل، بعد جمع البيانات ومعالجة البيانات المسبقة، واختيار النموذج وضبطه، وتدريبه، سيتم استنتاج القيم المتوقعة للقطط والكلاب P (الاحتمالية) على مجموعة الاختبار باستخدام النموذج المدرب، أي أن النموذج يستنتج احتمال أن يكون كلبًا أو قطة.
يمكن أن يتم دمج نماذج الذكاء الاصطناعي المدربة بشكل أكبر في مجموعة متنوعة من التطبيقات لأداء مهام مختلفة. في هذا المثال، يمكن دمج نموذج الذكاء الاصطناعي لتصنيف القطط والكلاب في تطبيق على الهواتف المحمولة، حيث يمكن للمستخدمين تحميل صور للقطط أو الكلاب للحصول على نتائج التصنيف.
ومع ذلك، توجد بعض المشكلات في عملية تطوير الذكاء الاصطناعي المركزية في السيناريوهات التالية:
خصوصية المستخدم: في السيناريوهات المركزية، تكون عملية تطوير الذكاء الاصطناعي عادة غير شفافة. قد يتم سرقة بيانات المستخدم دون علمه واستخدامها في تدريب الذكاء الاصطناعي.
مصادر البيانات: قد يواجه فريق صغير أو فرد قيودًا على الوصول إلى البيانات في مجالات معينة (مثل البيانات الطبية) بسبب عدم توفر البيانات كمصدر مفتوح.
اختيار النموذج وضبطه: من الصعب على الفرق الصغيرة الحصول على موارد نماذج محددة أو إنفاق تكاليف كبيرة لضبط النموذج.
الحصول على قوة الحوسبة: بالنسبة للمطورين الأفراد والفرق الصغيرة، قد تمثل تكاليف شراء وحدات المعالجة الرسومية العالية وتكاليف استئجار قوة الحوسبة السحابية عبئًا اقتصاديًا كبيرًا.
إيرادات أصول الذكاء الاصطناعي: غالبًا ما لا يستطيع العاملون في مجال وضع العلامات على البيانات الحصول على إيرادات تتناسب مع جهودهم، كما أن نتائج أبحاث مطوري الذكاء الاصطناعي يصعب مطابقتها مع المشترين الذين لديهم حاجة.
يمكن مواجهة التحديات الموجودة في مشاهد الذكاء الاصطناعي المركزي من خلال دمجها مع Web3، حيث أن Web3 كنموذج جديد للعلاقات الإنتاجية يتناسب بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل قوة إنتاجية جديدة، مما يدفع التقدم التكنولوجي والقدرات الإنتاجية في نفس الوقت.
1.3 تأثير التعاون بين Web3 و AI: تحول الأدوار والتطبيقات الابتكارية
يمكن أن يعزز دمج Web3 و AI سيادة المستخدمين، ويوفر منصة تعاون مفتوحة للذكاء الاصطناعي، مما يسمح للمستخدمين بالتحول من مستخدمي الذكاء الاصطناعي في عصر Web2 إلى مشاركين، وإنشاء ذكاء اصطناعي يمكن للجميع امتلاكه. في الوقت نفسه، يمكن أن يؤدي دمج عالم Web3 مع تقنيات الذكاء الاصطناعي إلى ظهور المزيد من تطبيقات وطرق مبتكرة.
استنادًا إلى تقنيات Web3 ، ستشهد تطوير وتطبيق الذكاء الاصطناعي ظهور نظام اقتصادي تعاوني جديد. يمكن ضمان خصوصية بيانات الأشخاص ، وتعمل نماذج جمع البيانات على تعزيز تقدم نماذج الذكاء الاصطناعي ، وتتوفر العديد من موارد الذكاء الاصطناعي المفتوحة للاستخدام من قبل المستخدمين ، ويمكن الحصول على قوة الحوسبة المشتركة بتكلفة منخفضة. من خلال آلية التعاون اللامركزية ونظام السوق المفتوح للذكاء الاصطناعي ، يمكن تحقيق نظام عادل لتوزيع الدخل ، مما يحفز المزيد من الناس على دفع تقدم تكنولوجيا الذكاء الاصطناعي.
في مشهد Web3، يمكن أن يكون للذكاء الاصطناعي تأثير إيجابي على عدة مجالات. على سبيل المثال، يمكن دمج نماذج الذكاء الاصطناعي في العقود الذكية، مما يعزز من كفاءة العمل في سيناريوهات تطبيقية مختلفة، مثل تحليل السوق، والكشف عن الأمان، وتجميع الشبكات الاجتماعية، وغيرها من الوظائف المتنوعة. لا يتيح الذكاء الاصطناعي التوليدي للمستخدمين فقط تجربة دور "الفنان"، مثل استخدام تقنيات الذكاء الاصطناعي لإنشاء NFT الخاصة بهم، بل يمكنه أيضًا خلق مشاهد ألعاب متنوعة وتفاعلات ممتعة في GameFi. توفر البنية التحتية الغنية تجربة تطوير سلسة، سواء كان خبيرًا في الذكاء الاصطناعي أو مبتدئًا يرغب في دخول مجال الذكاء الاصطناعي، يمكنهم جميعًا العثور على المدخل المناسب في هذا العالم.
٢- خريطة مشروع Web3-AI والهيكلية التفصيلية
قمنا بدراسة 41 مشروعًا في مجال Web3-AI وقمنا بتقسيم هذه المشاريع إلى مستويات مختلفة. منطق تقسيم كل مستوى موضح في الشكل أدناه، بما في ذلك مستوى البنية التحتية، المستوى المتوسط، ومستوى التطبيقات، وكل مستوى مقسم إلى أقسام مختلفة. في الفصل التالي، سنقوم بتحليل بعض المشاريع الممثلة بعمق.
تغطي طبقة البنية التحتية الموارد الحاسوبية والهندسة المعمارية التقنية التي تدعم تشغيل دورة حياة الذكاء الاصطناعي بالكامل، بينما تشمل الطبقة الوسطى إدارة البيانات وخدمات تطوير النماذج والتحقق من الاستدلال التي تربط البنية التحتية بالتطبيقات، وتركز الطبقة التطبيقية على مجموعة متنوعة من التطبيقات والحلول الموجهة مباشرة إلى المستخدم.
طبقة البنية التحتية:
طبقة البنية التحتية هي أساس دورة حياة الذكاء الاصطناعي، حيث يتم تصنيف قوة الحوسبة، وAI Chain، ومنصة التطوير كطبقة البنية التحتية. بفضل دعم هذه البنية التحتية، يمكن تدريب نماذج الذكاء الاصطناعي واستنتاجها، وتقديم تطبيقات ذكاء اصطناعي قوية وعملية للمستخدمين.
شبكة الحوسبة اللامركزية: يمكن أن توفر قوة حوسبة موزعة لتدريب نماذج الذكاء الاصطناعي، مما يضمن استخدام موارد حسابية فعالة واقتصادية. تقدم بعض المشاريع سوقاً لامركزياً للقوة الحاسوبية، حيث يمكن للمستخدمين استئجار القوة الحاسوبية بتكلفة منخفضة أو مشاركة القوة الحاسوبية للحصول على عائدات، ومن المشاريع الممثلة IO.NET و Hyperbolic. بالإضافة إلى ذلك، نشأت بعض المشاريع التي قدمت طرق جديدة مثل Compute Labs، التي اقترحت بروتوكولاً موحداً، حيث يمكن للمستخدمين من خلال شراء NFT يمثل وحدة معالجة الرسوميات، المشاركة بطرق مختلفة في تأجير القوة الحاسوبية لتحقيق العائدات.
AI Chain: استخدام البلوكشين كأساس لدورة حياة الذكاء الاصطناعي، لتحقيق التفاعل السلس بين موارد الذكاء الاصطناعي على السلسلة وخارجها، وتعزيز تطوير البيئة الصناعية. يمكن للسوق اللامركزي على السلسلة تداول أصول الذكاء الاصطناعي مثل البيانات والنماذج والوكلاء وغيرها، ويوفر إطار تطوير الذكاء الاصطناعي وأدوات التطوير المساعدة، مثل مشروع Sahara AI. يمكن أن يعزز AI Chain أيضًا التقدم في تقنيات الذكاء الاصطناعي في مجالات مختلفة، مثل Bittensor من خلال آلية التحفيز المبتكرة للشبكات الفرعية لتعزيز تنافس الشبكات الفرعية المختلفة للذكاء الاصطناعي.
منصة التطوير: تقدم بعض المشاريع منصة تطوير وكيل AI، ويمكن أيضًا تنفيذ تداول وكيل AI، مثل Fetch.ai و ChainML وغيرها. تساعد الأدوات الشاملة المطورين على إنشاء وتدريب ونشر نماذج AI بشكل أكثر سهولة، وتمثل المشاريع مثل Nimble. تعزز هذه البنية التحتية الاستخدام الواسع لتقنية AI في نظام Web3 البيئي.
الطبقة الوسطى:
تتعلق هذه الطبقة ببيانات الذكاء الاصطناعي والنماذج بالإضافة إلى الاستدلال والتحقق، ويمكن تحقيق كفاءة عمل أعلى من خلال استخدام تقنية Web3.
البيانات: جودة وكمية البيانات هي عوامل رئيسية تؤثر على فعالية تدريب النموذج. في عالم Web3، يمكن تحسين استخدام الموارد وتقليل تكلفة البيانات من خلال جمع البيانات بشكل جماعي ومعالجة البيانات التعاونية. يمكن للمستخدمين امتلاك حقوق البيانات الخاصة بهم، وبيع بياناتهم في ظل حماية الخصوصية، لتجنب سرقة البيانات من قبل تجار سيئين وتحقيق أرباح كبيرة. بالنسبة لمتطلبات البيانات، توفر هذه المنصات مجموعة واسعة من الخيارات وتكاليف منخفضة للغاية. من المشاريع الممثلة مثل Grass التي تستخدم عرض النطاق الترددي للمستخدمين لجمع بيانات الويب، وxData التي تجمع المعلومات الإعلامية من خلال إضافات سهلة الاستخدام، وتدعم المستخدمين في رفع معلومات التغريد.
بالإضافة إلى ذلك، تسمح بعض المنصات للخبراء في المجال أو المستخدمين العاديين بأداء مهام معالجة البيانات المسبقة، مثل وسم الصور وتصنيف البيانات، وقد تتطلب هذه المهام معالجة بيانات تتعلق بالمعرفة المهنية في المالية والقانون. يمكن للمستخدمين تحويل مهاراتهم إلى رموز، مما يتيح التعاون 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 تقوم بروتوكولات AIT بوسم البيانات من خلال التعاون بين الإنسان والآلة.
النموذج: في عملية تطوير الذكاء الاصطناعي التي تم ذكرها سابقًا، تحتاج الأنواع المختلفة من المتطلبات إلى مطابقة النموذج المناسب. النماذج الشائعة المستخدمة في مهام الصور مثل CNN و GAN، ويمكن اختيار سلسلة Yolo لمهام اكتشاف الأهداف، والنماذج الشائعة لمهام النصوص هي RNN و Transformer وغيرها من النماذج الكبيرة المحددة أو العامة. تحتاج النماذج إلى عمق مختلف حسب تعقيد المهام، وأحيانًا تحتاج إلى ضبط النماذج.
بعض المشاريع تدعم المستخدمين لتقديم أنواع مختلفة من النماذج أو التعاون في تدريب النماذج من خلال نموذج التمويل الجماعي، مثل Sentient التي من خلال التصميم المعياري، تسمح للمستخدمين بوضع بيانات النموذج الموثوقة في طبقة التخزين وطبقة التوزيع لإجراء تحسين النموذج، توفر Sahara AI أدوات تطوير مزودة بخوارزميات ذكاء اصطناعي متقدمة وإطار حسابي، ولديها القدرة على التدريب التعاوني.
الاستدلال والتحقق: بعد تدريب النموذج، يتم إنشاء ملف أوزان النموذج، الذي يمكن استخدامه لإجراء التصنيف أو التنبؤ أو المهام المحددة الأخرى، وتسمى هذه العملية بالاستدلال. عادة ما يرتبط عملية الاستدلال بآلية تحقق للتحقق من صحة مصدر نموذج الاستدلال وما إذا كان هناك سلوك ضار. يمكن دمج استدلال Web3 عادةً في العقود الذكية، من خلال استدعاء النموذج لإجراء الاستدلال، تشمل طرق التحقق الشائعة تقنيات مثل ZKML و OPML و TEE. من المشاريع الممثلة مثل أورا (ORA) التي تقدم نموذج الذكاء الاصطناعي على السلسلة (OAO)، والتي أدخلت OPML كطبقة قابلة للتحقق لنموذج الذكاء الاصطناعي. وقد ذكرت الموقع الرسمي لأورا أيضًا أبحاثهم حول ZKML و opp/ai (دمج ZKML مع OPML).
طبقة التطبيق:
هذه الطبقة موجهة بشكل مباشر للمستخدمين، حيث تجمع بين الذكاء الاصطناعي و Web3، مما يخلق المزيد من الطرق المثيرة والمبتكرة، وتركز هذه المقالة بشكل أساسي على مشاريع AIGC (المحتوى الذي ينشئه الذكاء الاصطناعي)، والوكالات الذكية، وتحليل البيانات.
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.
نظرة شاملة على حلبة Web3-AI: تحليل عميق لتكامل التكنولوجيا، سيناريوهات الاستخدام والمشاريع الرائدة
تقرير كامل عن مسار Web3-AI: تحليل عميق للمنطق التكنولوجي وتطبيقات المشهد والمشاريع الرائدة
مع استمرار ارتفاع حرارة سرد الذكاء الاصطناعي، تتزايد الأضواء المسلطة على هذا المجال. تم إجراء تحليل متعمق للمنطق التقني، وسيناريوهات التطبيق، والمشاريع الممثلة في مجال Web3-AI، لتقديم عرض شامل لكامل هذا المجال وتوجهاته التنموية.
1. Web3-AI: تحليل المنطق التقني وفرص السوق الناشئة
1.1 منطق دمج Web3 و AI: كيفية تحديد مسار Web-AI
في العام الماضي، كانت السرديات المعتمدة على الذكاء الاصطناعي شديدة الانتشار في صناعة Web3، حيث ظهرت مشاريع الذكاء الاصطناعي كالفطر بعد المطر. على الرغم من أن هناك العديد من المشاريع التي تتضمن تقنيات الذكاء الاصطناعي، إلا أن بعض المشاريع تستخدم الذكاء الاصطناعي فقط في بعض أجزاء منتجاتها، ولا توجد علاقة جوهرية بين الاقتصاد الرمزي الأساسي ومنتجات الذكاء الاصطناعي، وبالتالي لا تعتبر هذه المشاريع ضمن مناقشة مشاريع Web3-AI في هذه المقالة.
تتمثل النقطة الرئيسية في هذه المقالة في استخدام blockchain لحل مشاكل علاقات الإنتاج، بينما تحل AI مشاكل قوى الإنتاج. تقدم هذه المشاريع منتجات AI نفسها، بينما تستند إلى نموذج الاقتصاد Web3 كأداة لعلاقات الإنتاج، حيث يكمل كل منهما الآخر. نحن نصنف هذه الأنواع من المشاريع في مسار Web3-AI. من أجل مساعدة القراء على فهم أفضل لمسار Web3-AI، سيتم تقديم عملية تطوير AI والتحديات المرتبطة بها، بالإضافة إلى كيفية دمج Web3 و AI بشكل مثالي لحل المشكلات وخلق سيناريوهات تطبيق جديدة.
1.2 عملية تطوير الذكاء الاصطناعي والتحديات: من جمع البيانات إلى استدلال النموذج
تقنية الذكاء الاصطناعي هي تقنية تجعل الكمبيوتر قادرًا على محاكاة وتوسيع وتعزيز الذكاء البشري. إنها تمكن الكمبيوتر من تنفيذ مجموعة متنوعة من المهام المعقدة، بدءًا من ترجمة اللغات، وتصنيف الصور، وصولاً إلى التعرف على الوجوه، والقيادة الذاتية، وغيرها من تطبيقات، الذكاء الاصطناعي يغير الطريقة التي نعيش بها ونعمل.
تتضمن عملية تطوير نماذج الذكاء الاصطناعي عادةً الخطوات الرئيسية التالية: جمع البيانات ومعالجة البيانات، اختيار النموذج وضبطه، تدريب النموذج والاستدلال. على سبيل المثال البسيط، لتطوير نموذج لتصنيف صور القطط والكلاب، تحتاج إلى:
جمع البيانات ومعالجة البيانات: جمع مجموعة بيانات تحتوي على صور للقطط والكلاب، يمكن استخدام مجموعات البيانات العامة أو جمع البيانات الحقيقية بنفسك. ثم قم بتسمية الفئة لكل صورة (قط أو كلب)، تأكد من أن التسميات دقيقة. تحويل الصور إلى تنسيق يمكن للنموذج التعرف عليه، وتقسيم مجموعة البيانات إلى مجموعة تدريب، مجموعة تحقق، ومجموعة اختبار.
اختيار النموذج وضبطه: اختر نموذجًا مناسبًا، مثل الشبكات العصبية التلافيفية (CNN)، والتي تعد مناسبة لمهام تصنيف الصور. قم بضبط معلمات النموذج أو هيكله وفقًا للاحتياجات المختلفة، وعادةً ما يمكن ضبط مستويات الشبكة للنموذج استنادًا إلى تعقيد مهام الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون مستويات الشبكة الأقل عمقًا كافية.
تدريب النموذج: يمكن استخدام GPU أو TPU أو تجمعات الحوسبة عالية الأداء لتدريب النموذج، ويؤثر وقت التدريب على تعقيد النموذج وقدرة الحوسبة.
استنتاج النموذج: عادة ما تُسمى الملفات المدربة للنموذج بأوزان النموذج، وعملية الاستنتاج تشير إلى استخدام النموذج المدرب مسبقًا للتنبؤ أو تصنيف البيانات الجديدة. يمكن استخدام مجموعة الاختبار أو البيانات الجديدة لاختبار فعالية تصنيف النموذج، وغالبًا ما يتم تقييم فعالية النموذج باستخدام مؤشرات مثل الدقة، ومعدل الاستدعاء، ودرجة F1.
كما هو موضح في الشكل، بعد جمع البيانات ومعالجة البيانات المسبقة، واختيار النموذج وضبطه، وتدريبه، سيتم استنتاج القيم المتوقعة للقطط والكلاب P (الاحتمالية) على مجموعة الاختبار باستخدام النموذج المدرب، أي أن النموذج يستنتج احتمال أن يكون كلبًا أو قطة.
يمكن أن يتم دمج نماذج الذكاء الاصطناعي المدربة بشكل أكبر في مجموعة متنوعة من التطبيقات لأداء مهام مختلفة. في هذا المثال، يمكن دمج نموذج الذكاء الاصطناعي لتصنيف القطط والكلاب في تطبيق على الهواتف المحمولة، حيث يمكن للمستخدمين تحميل صور للقطط أو الكلاب للحصول على نتائج التصنيف.
ومع ذلك، توجد بعض المشكلات في عملية تطوير الذكاء الاصطناعي المركزية في السيناريوهات التالية:
خصوصية المستخدم: في السيناريوهات المركزية، تكون عملية تطوير الذكاء الاصطناعي عادة غير شفافة. قد يتم سرقة بيانات المستخدم دون علمه واستخدامها في تدريب الذكاء الاصطناعي.
مصادر البيانات: قد يواجه فريق صغير أو فرد قيودًا على الوصول إلى البيانات في مجالات معينة (مثل البيانات الطبية) بسبب عدم توفر البيانات كمصدر مفتوح.
اختيار النموذج وضبطه: من الصعب على الفرق الصغيرة الحصول على موارد نماذج محددة أو إنفاق تكاليف كبيرة لضبط النموذج.
الحصول على قوة الحوسبة: بالنسبة للمطورين الأفراد والفرق الصغيرة، قد تمثل تكاليف شراء وحدات المعالجة الرسومية العالية وتكاليف استئجار قوة الحوسبة السحابية عبئًا اقتصاديًا كبيرًا.
إيرادات أصول الذكاء الاصطناعي: غالبًا ما لا يستطيع العاملون في مجال وضع العلامات على البيانات الحصول على إيرادات تتناسب مع جهودهم، كما أن نتائج أبحاث مطوري الذكاء الاصطناعي يصعب مطابقتها مع المشترين الذين لديهم حاجة.
يمكن مواجهة التحديات الموجودة في مشاهد الذكاء الاصطناعي المركزي من خلال دمجها مع Web3، حيث أن Web3 كنموذج جديد للعلاقات الإنتاجية يتناسب بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل قوة إنتاجية جديدة، مما يدفع التقدم التكنولوجي والقدرات الإنتاجية في نفس الوقت.
1.3 تأثير التعاون بين Web3 و AI: تحول الأدوار والتطبيقات الابتكارية
يمكن أن يعزز دمج Web3 و AI سيادة المستخدمين، ويوفر منصة تعاون مفتوحة للذكاء الاصطناعي، مما يسمح للمستخدمين بالتحول من مستخدمي الذكاء الاصطناعي في عصر Web2 إلى مشاركين، وإنشاء ذكاء اصطناعي يمكن للجميع امتلاكه. في الوقت نفسه، يمكن أن يؤدي دمج عالم Web3 مع تقنيات الذكاء الاصطناعي إلى ظهور المزيد من تطبيقات وطرق مبتكرة.
استنادًا إلى تقنيات Web3 ، ستشهد تطوير وتطبيق الذكاء الاصطناعي ظهور نظام اقتصادي تعاوني جديد. يمكن ضمان خصوصية بيانات الأشخاص ، وتعمل نماذج جمع البيانات على تعزيز تقدم نماذج الذكاء الاصطناعي ، وتتوفر العديد من موارد الذكاء الاصطناعي المفتوحة للاستخدام من قبل المستخدمين ، ويمكن الحصول على قوة الحوسبة المشتركة بتكلفة منخفضة. من خلال آلية التعاون اللامركزية ونظام السوق المفتوح للذكاء الاصطناعي ، يمكن تحقيق نظام عادل لتوزيع الدخل ، مما يحفز المزيد من الناس على دفع تقدم تكنولوجيا الذكاء الاصطناعي.
في مشهد Web3، يمكن أن يكون للذكاء الاصطناعي تأثير إيجابي على عدة مجالات. على سبيل المثال، يمكن دمج نماذج الذكاء الاصطناعي في العقود الذكية، مما يعزز من كفاءة العمل في سيناريوهات تطبيقية مختلفة، مثل تحليل السوق، والكشف عن الأمان، وتجميع الشبكات الاجتماعية، وغيرها من الوظائف المتنوعة. لا يتيح الذكاء الاصطناعي التوليدي للمستخدمين فقط تجربة دور "الفنان"، مثل استخدام تقنيات الذكاء الاصطناعي لإنشاء NFT الخاصة بهم، بل يمكنه أيضًا خلق مشاهد ألعاب متنوعة وتفاعلات ممتعة في GameFi. توفر البنية التحتية الغنية تجربة تطوير سلسة، سواء كان خبيرًا في الذكاء الاصطناعي أو مبتدئًا يرغب في دخول مجال الذكاء الاصطناعي، يمكنهم جميعًا العثور على المدخل المناسب في هذا العالم.
٢- خريطة مشروع Web3-AI والهيكلية التفصيلية
قمنا بدراسة 41 مشروعًا في مجال Web3-AI وقمنا بتقسيم هذه المشاريع إلى مستويات مختلفة. منطق تقسيم كل مستوى موضح في الشكل أدناه، بما في ذلك مستوى البنية التحتية، المستوى المتوسط، ومستوى التطبيقات، وكل مستوى مقسم إلى أقسام مختلفة. في الفصل التالي، سنقوم بتحليل بعض المشاريع الممثلة بعمق.
تغطي طبقة البنية التحتية الموارد الحاسوبية والهندسة المعمارية التقنية التي تدعم تشغيل دورة حياة الذكاء الاصطناعي بالكامل، بينما تشمل الطبقة الوسطى إدارة البيانات وخدمات تطوير النماذج والتحقق من الاستدلال التي تربط البنية التحتية بالتطبيقات، وتركز الطبقة التطبيقية على مجموعة متنوعة من التطبيقات والحلول الموجهة مباشرة إلى المستخدم.
طبقة البنية التحتية:
طبقة البنية التحتية هي أساس دورة حياة الذكاء الاصطناعي، حيث يتم تصنيف قوة الحوسبة، وAI Chain، ومنصة التطوير كطبقة البنية التحتية. بفضل دعم هذه البنية التحتية، يمكن تدريب نماذج الذكاء الاصطناعي واستنتاجها، وتقديم تطبيقات ذكاء اصطناعي قوية وعملية للمستخدمين.
شبكة الحوسبة اللامركزية: يمكن أن توفر قوة حوسبة موزعة لتدريب نماذج الذكاء الاصطناعي، مما يضمن استخدام موارد حسابية فعالة واقتصادية. تقدم بعض المشاريع سوقاً لامركزياً للقوة الحاسوبية، حيث يمكن للمستخدمين استئجار القوة الحاسوبية بتكلفة منخفضة أو مشاركة القوة الحاسوبية للحصول على عائدات، ومن المشاريع الممثلة IO.NET و Hyperbolic. بالإضافة إلى ذلك، نشأت بعض المشاريع التي قدمت طرق جديدة مثل Compute Labs، التي اقترحت بروتوكولاً موحداً، حيث يمكن للمستخدمين من خلال شراء NFT يمثل وحدة معالجة الرسوميات، المشاركة بطرق مختلفة في تأجير القوة الحاسوبية لتحقيق العائدات.
AI Chain: استخدام البلوكشين كأساس لدورة حياة الذكاء الاصطناعي، لتحقيق التفاعل السلس بين موارد الذكاء الاصطناعي على السلسلة وخارجها، وتعزيز تطوير البيئة الصناعية. يمكن للسوق اللامركزي على السلسلة تداول أصول الذكاء الاصطناعي مثل البيانات والنماذج والوكلاء وغيرها، ويوفر إطار تطوير الذكاء الاصطناعي وأدوات التطوير المساعدة، مثل مشروع Sahara AI. يمكن أن يعزز AI Chain أيضًا التقدم في تقنيات الذكاء الاصطناعي في مجالات مختلفة، مثل Bittensor من خلال آلية التحفيز المبتكرة للشبكات الفرعية لتعزيز تنافس الشبكات الفرعية المختلفة للذكاء الاصطناعي.
منصة التطوير: تقدم بعض المشاريع منصة تطوير وكيل AI، ويمكن أيضًا تنفيذ تداول وكيل AI، مثل Fetch.ai و ChainML وغيرها. تساعد الأدوات الشاملة المطورين على إنشاء وتدريب ونشر نماذج AI بشكل أكثر سهولة، وتمثل المشاريع مثل Nimble. تعزز هذه البنية التحتية الاستخدام الواسع لتقنية AI في نظام Web3 البيئي.
الطبقة الوسطى:
تتعلق هذه الطبقة ببيانات الذكاء الاصطناعي والنماذج بالإضافة إلى الاستدلال والتحقق، ويمكن تحقيق كفاءة عمل أعلى من خلال استخدام تقنية Web3.
بالإضافة إلى ذلك، تسمح بعض المنصات للخبراء في المجال أو المستخدمين العاديين بأداء مهام معالجة البيانات المسبقة، مثل وسم الصور وتصنيف البيانات، وقد تتطلب هذه المهام معالجة بيانات تتعلق بالمعرفة المهنية في المالية والقانون. يمكن للمستخدمين تحويل مهاراتهم إلى رموز، مما يتيح التعاون 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 تقوم بروتوكولات AIT بوسم البيانات من خلال التعاون بين الإنسان والآلة.
بعض المشاريع تدعم المستخدمين لتقديم أنواع مختلفة من النماذج أو التعاون في تدريب النماذج من خلال نموذج التمويل الجماعي، مثل Sentient التي من خلال التصميم المعياري، تسمح للمستخدمين بوضع بيانات النموذج الموثوقة في طبقة التخزين وطبقة التوزيع لإجراء تحسين النموذج، توفر Sahara AI أدوات تطوير مزودة بخوارزميات ذكاء اصطناعي متقدمة وإطار حسابي، ولديها القدرة على التدريب التعاوني.
طبقة التطبيق:
هذه الطبقة موجهة بشكل مباشر للمستخدمين، حيث تجمع بين الذكاء الاصطناعي و Web3، مما يخلق المزيد من الطرق المثيرة والمبتكرة، وتركز هذه المقالة بشكل أساسي على مشاريع AIGC (المحتوى الذي ينشئه الذكاء الاصطناعي)، والوكالات الذكية، وتحليل البيانات.