دمج Web3 و AI: بناء بنية تحتية للجيل التالي من الإنترنت

تعتبر Web3 نموذجًا جديدًا للإنترنت يتميز باللامركزية والانفتاح والشفافية، وتتناسب بشكل طبيعي مع الذكاء الاصطناعي. في إطار البنية التقليدية المركزية، تكون حسابات الذكاء الاصطناعي وموارد البيانات تحت رقابة صارمة، مما يواجه تحديات مثل اختناق القوة الحسابية، تسرب الخصوصية، وصناديق السوداء للخوارزميات. بينما تعتمد Web3 على تقنية التوزيع، يمكنها من خلال شبكة مشاركة القوة الحسابية، سوق البيانات المفتوحة، والحسابات الخصوصية، أن تضخ طاقة جديدة في تطوير الذكاء الاصطناعي. في الوقت نفسه، يمكن للذكاء الاصطناعي أيضًا أن يوفر الكثير من الإمكانات لـ Web3، مثل تحسين العقود الذكية، والخوارزميات المضادة للغش، لدعم بناء النظام البيئي. إن استكشاف دمج الاثنين يعد أمرًا بالغ الأهمية لبناء بنية تحتية للإنترنت من الجيل التالي، وإطلاق قيمة البيانات والقوة الحسابية.

مدفوعة بالبيانات: الأساس المتين للذكاء الاصطناعي وWeb3

البيانات هي القوة الدافعة الأساسية وراء تطوير الذكاء الاصطناعي. تحتاج نماذج الذكاء الاصطناعي إلى استيعاب كميات هائلة من البيانات عالية الجودة للحصول على فهم عميق وقدرة استدلال قوية. لا توفر البيانات فقط الأساس للتدريب على نماذج التعلم الآلي، بل تحدد أيضًا دقة النموذج وموثوقيته.

توجد المشكلات التالية في نماذج الحصول على البيانات واستخدامها التي تركز على الذكاء الاصطناعي المركزي التقليدي:

• تكلفة الحصول على البيانات مرتفعة، مما يجعل من الصعب على الشركات الصغيرة والمتوسطة تحملها
• تم احتكار موارد البيانات من قبل عمالقة التكنولوجيا، مما أدى إلى تشكيل جزر بيانات
• تواجه خصوصية البيانات الشخصية مخاطر التسرب والإساءة

يوفر Web3 نموذج بيانات مركزي جديد لحل هذه المشكلات:

• يمكن للمستخدمين بيع الشبكات غير المستخدمة لشركات الذكاء الاصطناعي، لجمع بيانات الشبكة بشكل لامركزي، وتوفير بيانات حقيقية وعالية الجودة لتدريب نماذج الذكاء الاصطناعي.
• اعتماد نموذج "label to earn"، من خلال تحفيز الرموز المميزة للعمال العالميين للمشاركة في وضع علامات على البيانات، وجمع المعرفة المهنية العالمية، وتعزيز قدرات تحليل البيانات.
• منصة تداول بيانات البلوكشين توفر بيئة تداول شفافة ومفتوحة للطرفين المعنيين بالبيانات، مما يحفز الابتكار ومشاركة البيانات.

على الرغم من ذلك، لا يزال هناك مشاكل في الحصول على بيانات العالم الحقيقي تتعلق بجودة غير متساوية، وصعوبة المعالجة، ونقص التنوع والتمثيل. قد تكون البيانات المُركبة نجم المستقبل في مجال بيانات Web3. بناءً على تقنيات الذكاء الاصطناعي التوليدي والمحاكاة، يمكن للبيانات المُركبة محاكاة خصائص البيانات الحقيقية، كإضافة فعالة، لزيادة كفاءة استخدام البيانات. في مجالات مثل القيادة الذاتية، وتداول الأسواق المالية، وتطوير الألعاب، أظهرت البيانات المُركبة إمكانيات تطبيق ناضجة.

حماية الخصوصية: دور FHE في Web3

في عصر البيانات المدفوعة، أصبحت حماية الخصوصية محور اهتمام عالمي. إن إصدار لوائح مثل GDPR في الاتحاد الأوروبي يعكس الحماية الصارمة للخصوصية الشخصية. ومع ذلك، فقد أدى ذلك أيضًا إلى تحديات: بعض البيانات الحساسة لا يمكن الاستفادة منها بشكل كامل بسبب مخاطر الخصوصية، مما يحد من إمكانيات وقدرات استنتاج نماذج الذكاء الاصطناعي.

تسمح FHE (التشفير المتجانس بالكامل) بإجراء عمليات حسابية مباشرة على البيانات المشفرة دون الحاجة إلى فك التشفير، وتكون نتائج الحساب متوافقة مع نتائج البيانات الواضحة. توفر FHE حماية قوية لحسابات الخصوصية في الذكاء الاصطناعي، مما يسمح لقوة GPU بتنفيذ مهام تدريب النموذج والاستدلال في بيئة لا تلمس البيانات الأصلية. وهذا يوفر مزايا كبيرة لشركات الذكاء الاصطناعي، حيث يمكنها حماية الأسرار التجارية وفي نفس الوقت فتح خدمات API بأمان.

يدعم FHEML معالجة البيانات والنماذج بشكل مشفر على مدار دورة تعلم الآلة بأكملها، لضمان أمان المعلومات الحساسة ومنع مخاطر تسرب البيانات. يعتبر FHEML مكملًا لـ ZKML، حيث يثبت ZKML التنفيذ الصحيح لتعلم الآلة، بينما يركز FHEML على تنفيذ الحسابات على البيانات المشفرة للحفاظ على خصوصية البيانات.

ثورة قوة الحوسبة: الحوسبة الذكية في الشبكات اللامركزية

تتضاعف تعقيدات حساب نظام الذكاء الاصطناعي الحالي كل ثلاثة أشهر، مما يؤدي إلى زيادة هائلة في الطلب على قوة الحوسبة، والتي تفوق بكثير العرض الحالي للموارد الحاسوبية. على سبيل المثال، يتطلب تدريب نموذج لغوي كبير قوة حوسبة هائلة، تعادل 355 عامًا من وقت التدريب على جهاز واحد. إن نقص قوة الحوسبة لا يقتصر فقط على تقييد تقدم تكنولوجيا الذكاء الاصطناعي، بل يجعل أيضًا النماذج المتقدمة للذكاء الاصطناعي بعيدة المنال بالنسبة لمعظم الباحثين والمطورين.

في الوقت نفسه، فإن معدل استخدام وحدات معالجة الرسوميات (GPU) في جميع أنحاء العالم أقل من 40%، بالإضافة إلى تباطؤ تحسين أداء المعالجات الدقيقة، ونقص الشرائح الناجم عن عوامل سلسلة التوريد والجغرافيا السياسية، مما يجعل مشكلة إمدادات قوة الحوسبة أكثر حدة. يجد العاملون في مجال الذكاء الاصطناعي أنفسهم في مأزق: إما شراء الأجهزة بأنفسهم أو استئجار موارد سحابية، مما يجعل هناك حاجة ملحة إلى طريقة خدمة حوسبة فعالة من حيث التكلفة وعند الطلب.

تقوم شبكة حوسبة الذكاء الاصطناعي اللامركزية من خلال تجميع موارد وحدات معالجة الرسوميات غير المستخدمة على مستوى عالمي، بتوفير سوق حوسبة اقتصادي وسهل الاستخدام لشركات الذكاء الاصطناعي. يمكن لمستخدمي حوسبة الذكاء الاصطناعي نشر مهام حسابية على الشبكة، حيث تقوم العقود الذكية بتوزيع المهام على عقد المعدنين الذين يقدمون الطاقة الحاسوبية، وينفذ المعدنون المهام ويقدمون النتائج، وبعد التحقق يحصلون على مكافآت. تعزز هذه الخطة كفاءة استخدام الموارد وتساعد في حل مشكلة عنق الزجاجة في الحوسبة في مجالات مثل الذكاء الاصطناعي.

بالإضافة إلى شبكة الحوسبة اللامركزية العامة، هناك شبكات حوسبة مخصصة تركز على تدريب الذكاء الاصطناعي واستدلاله. توفر شبكة الحوسبة اللامركزية سوق حوسبة عادل وشفاف، يكسر الاحتكار، ويقلل من عوائق الدخول للتطبيقات، ويزيد من كفاءة استخدام قوة الحوسبة. في نظام Web3 البيئي، ستلعب شبكة الحوسبة اللامركزية دورًا رئيسيًا، مما يجذب المزيد من التطبيقات المبتكرة للانضمام، ويدفع معًا تطوير واستخدام تقنيات الذكاء الاصطناعي.

DePIN: تمكين Web3 للذكاء الاصطناعي الطرفي

تسمح Edge AI بحدوث الحوسبة في مصدر إنتاج البيانات، مما يحقق تأخير منخفض ومعالجة في الوقت الحقيقي، مع حماية خصوصية المستخدمين. تم تطبيق تقنية Edge AI في مجالات رئيسية مثل القيادة الذاتية. في مجال Web3، نسميها DePIN. يركز Web3 على اللامركزية وحقوق سيادة بيانات المستخدمين، حيث يعزز DePIN حماية خصوصية المستخدم من خلال معالجة البيانات محليًا، مما يقلل من مخاطر تسرب البيانات؛ يمكن أن يحفز آلية الاقتصاد الرمزي الأصلية لـ Web3 عقد DePIN على تقديم موارد الحوسبة، مما يبني نظامًا بيئيًا مستدامًا.

تتطور DePIN حاليًا بسرعة في نظام بيئي على إحدى سلاسل الكتل العامة، لتصبح واحدة من المنصات المفضلة لطرح المشاريع. توفر TPS العالية، والرسوم المنخفضة، والابتكار التكنولوجي لهذه السلسلة العامة دعمًا قويًا لمشاريع DePIN. حاليًا، تجاوزت القيمة السوقية لمشاريع DePIN على هذه السلسلة العامة 10 مليار دولار، وقد حققت العديد من المشاريع المعروفة تقدمًا ملحوظًا.

IMO: إطلاق نموذج جديد لنماذج الذكاء الاصطناعي

مفهوم IMO (عرض النموذج الأولي) يقوم بتوكنيذ نماذج الذكاء الاصطناعي. في النموذج التقليدي، يجد مطورو نماذج الذكاء الاصطناعي صعوبة في الحصول على إيرادات مستمرة من الاستخدامات اللاحقة للنماذج، خاصة عندما يتم دمج النماذج في منتجات وخدمات أخرى. بالإضافة إلى ذلك، غالبًا ما يفتقر أداء النماذج وفعاليتها إلى الشفافية، مما يجعل من الصعب على المستثمرين المحتملين والمستخدمين تقييم قيمتها الحقيقية، مما يحد من اعتراف السوق بالنماذج وإمكاناتها التجارية.

يوفر IMO طريقة جديدة لدعم التمويل ومشاركة القيمة لنماذج الذكاء الاصطناعي المفتوحة المصدر، حيث يمكن للمستثمرين شراء رموز IMO ومشاركة الأرباح الناتجة عن النموذج لاحقًا. تستخدم بروتوكول معين معيار ERC محدد، بالاشتراك مع تقنية Oracle AI وتقنية OPML لضمان صحة نموذج الذكاء الاصطناعي وتمكين حاملي الرموز من مشاركة الأرباح.

تعزز نموذج IMO الشفافية والثقة، وتشجع التعاون مفتوح المصدر، وتتوافق مع اتجاهات سوق العملات المشفرة، وتضخ الزخم في التنمية المستدامة لتقنية الذكاء الاصطناعي. يتواجد نموذج IMO حالياً في مرحلة التجريب الأولية، ولكن مع زيادة قبول السوق وتوسع نطاق المشاركة، فإن ابتكاريته وقيمته المحتملة تستحق التوقع.

وكيل الذكاء الاصطناعي: عصر جديد من تجربة التفاعل

يمكن لوكيل الذكاء الاصطناعي إدراك البيئة والتفكير المستقل واتخاذ الإجراءات المناسبة لتحقيق الأهداف المحددة. بدعم من نماذج اللغة الكبيرة، يمكن لوكيل الذكاء الاصطناعي ليس فقط فهم اللغة الطبيعية، ولكن أيضًا تخطيط القرارات وتنفيذ المهام المعقدة. يمكن أن تعمل كوكيل افتراضي، من خلال التفاعل مع المستخدمين، لتعلم التفضيلات وتقديم حلول مخصصة. حتى في غياب التعليمات الواضحة، يمكن لوكيل الذكاء الاصطناعي أيضًا حل المشكلات بشكل مستقل، مما يزيد من الكفاءة ويخلق قيمة جديدة.

توفر منصة تطبيقات الذكاء الاصطناعي الأصلية المفتوحة مجموعة شاملة وسهلة الاستخدام من أدوات الإبداع، تدعم المستخدمين في تكوين وظائف الروبوت، المظهر، الصوت، وكذلك ربط قواعد المعرفة الخارجية، وتهدف إلى بناء نظام بيئي لمحتوى الذكاء الاصطناعي المفتوح والعادل، من خلال الاستفادة من تقنيات الذكاء الاصطناعي التوليدي، وتمكين الأفراد ليصبحوا مبدعين خارقين. قامت هذه المنصة بتدريب نماذج لغوية كبيرة متخصصة، مما يجعل تمثيل الشخصيات أكثر إنسانية؛ يمكن لتقنية استنساخ الصوت أن تسرع من التفاعل الشخصي لمنتجات الذكاء الاصطناعي، مما يقلل من تكلفة تركيب الصوت بنسبة 99%، ويمكن تحقيق استنساخ الصوت في غضون دقيقة واحدة فقط. باستخدام الوكيل الذكي المخصص من هذه المنصة، يمكن تطبيقه حاليًا في مجالات متعددة مثل الدردشة الفيديو، تعلم اللغات، وتوليد الصور.

إن دمج Web3 و AI الحالي يتركز بشكل أكبر على استكشاف طبقة البنية التحتية، مثل الحصول على بيانات عالية الجودة، وحماية خصوصية البيانات، واستضافة النماذج على السلسلة، وزيادة الاستخدام الفعال للقوة الحاسوبية اللامركزية، والتحقق من نماذج اللغة الكبيرة وغيرها من القضايا الرئيسية. مع تحسين هذه البنية التحتية تدريجياً، سيفسح دمج Web3 و AI المجال أمام مجموعة من نماذج الأعمال والخدمات المبتكرة.