الذكاء الاصطناعي والأصول الرقمية: من الصفر إلى القمة

شهدت تكنولوجيا الذكاء الاصطناعي تقدمًا كبيرًا في السنوات الأخيرة، ويعتبرها البعض الثورة الصناعية الرابعة. أدت ظهور نماذج اللغة الكبيرة إلى تحسين الكفاءة في مختلف الصناعات، حيث تقدر شركة بوسطن الاستشارية أن GPT زادت من كفاءة العمل في الولايات المتحدة بحوالي 20%. في الوقت نفسه، يُعتبر قدرة النماذج الكبيرة على التعميم نموذجًا جديدًا لتصميم البرمجيات، يختلف عن كتابة التعليمات البرمجية التقليدية بدقة، حيث أصبح تصميم البرمجيات الآن يعتمد أكثر على دمج إطار النماذج الكبيرة المتعممة في البرمجيات، مما يمنحها أداءً أفضل ودعمًا أكثر تنوعًا للإدخال والإخراج. لقد جلبت تقنية التعلم العميق بالفعل جولة جديدة من الازدهار لصناعة الذكاء الاصطناعي، وقد امتدت هذه الحماسة أيضًا إلى صناعة العملات الرقمية.

! علم الوافد الجديد 丨 الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة

تاريخ تطور صناعة الذكاء الاصطناعي

بدأت صناعة الذكاء الاصطناعي في الخمسينيات من القرن العشرين، ومن أجل تحقيق رؤية الذكاء الاصطناعي، طورت الأوساط الأكاديمية والصناعية في فترات زمنية مختلفة، استنادًا إلى خلفيات علمية متنوعة، العديد من المدارس لتحقيق الذكاء الاصطناعي.

تستخدم تقنيات الذكاء الاصطناعي الحديثة بشكل رئيسي "تعلم الآلة"، حيث تتمثل الفكرة في السماح للآلات بالاعتماد على البيانات للتكرار المتكرر في المهام لتحسين أداء النظام. تشمل الخطوات الرئيسية: إدخال البيانات إلى الخوارزمية، تدريب النموذج باستخدام البيانات، اختبار نشر النموذج، واستخدام النموذج لإكمال مهام التنبؤ الآلي.

تتكون الاتجاهات الرئيسية في التعلم الآلي حاليًا من ثلاثة مدارس: الارتباطية، الرمزية والسلوكية، والتي تحاكي على التوالي النظام العصبي البشري، والتفكير والسلوك. تتفوق الارتباطية، التي يمثلها الشبكات العصبية، ( والمعروفة أيضًا باسم التعلم العميق ). تشمل بنية الشبكة العصبية طبقة إدخال، وطبقة إخراج، والعديد من الطبقات المخفية، وعندما يكون عدد الطبقات وعدد وحدات العصبية ( كافيًا، يمكنها ملاءمة المهام العامة المعقدة. من خلال إدخال البيانات، يتم تعديل معلمات وحدات العصبية باستمرار، وفي النهاية ستصل وحدات العصبية إلى الحالة المثلى ) المعلمات (.

تكنولوجيا التعلم العميق مرت بعدة دورات وتطورات، من الشبكات العصبية في بداياتها، إلى الشبكات العصبية التقدمية، وRNN، وCNN، وGAN، وأخيرًا تطورت إلى النماذج الكبيرة الحديثة مثل تقنيات Transformer المستخدمة في GPT وغيرها. تقنية Transformer هي مجرد اتجاه تطوري واحد من الشبكات العصبية، حيث أضافت محولًا، يُستخدم لتحويل البيانات من أنماط مختلفة ) مثل الصوت، الفيديو، الصور، إلخ ( إلى تمثيل عددي مناسب، ثم يتم إدخالها إلى الشبكة العصبية، مما يمكّن الشبكة العصبية من ملاءمة أي نوع من البيانات، وتحقيق تعدد الأنماط.

! [الوافد الجديد Science Popular 丨الذكاء الاصطناعي x Crypto: من الصفر إلى الذروة])https://img-cdn.gateio.im/webp-social/moments-c50ee5a87373c6cd6c4dc63adc2cf47c.webp019283746574839201

شهد تطور الذكاء الاصطناعي ثلاث موجات تكنولوجية:

1. في الستينيات من القرن العشرين، أثار التطور التكنولوجي للرمزية أول موجة، حيث تم حل مشكلات معالجة اللغة الطبيعية والتفاعل بين الإنسان والآلة. في نفس الفترة، وُلدت أنظمة الخبراء.

2. في عام 1997، هزم IBM Deep Blue بطل الشطرنج كاسباروف، مما يمثل ذروة ثانية لتقنية الذكاء الاصطناعي.

3. في عام 2006، تم طرح مفهوم التعلم العميق، مما أدى إلى اندلاع الموجة التكنولوجية الثالثة. تطورت خوارزميات التعلم العميق تدريجياً، من RNN و GAN إلى Transformer و Stable Diffusion، مما شكل العصر الذهبي للارتباطية.

! علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة

سلسلة صناعة التعلم العميق

تستخدم نماذج اللغة الكبيرة حاليًا بشكل شائع طرق التعلم العميق القائمة على الشبكات العصبية. وقد أثارت نماذج GPT، التي تمثل نموذجًا كبيرًا، جولة جديدة من الحماس في مجال الذكاء الاصطناعي، مما أدى إلى تدفق عدد كبير من اللاعبين إلى هذا المجال، وازداد الطلب في السوق على البيانات والحوسبة بشكل كبير. لذلك، نركز على استكشاف سلسلة التوريد لخوارزميات التعلم العميق، وتحليل كيفية تشكيل سلسلة التوريد في صناعة الذكاء الاصطناعي التي يهيمن عليها التعلم العميق، بالإضافة إلى الحالة الحالية للعلاقات بين العرض والطلب وتطورها المستقبلي.

تدريب نماذج اللغة الكبيرة مثل GPT المعتمدة على تقنية Transformer ( LLMs ) ينقسم أساسًا إلى ثلاث خطوات:

1. التدريب المسبق: إدخال مجموعات بيانات كبيرة، والبحث عن أفضل المعلمات لكل خلية عصبية في النموذج. هذه هي العملية الأكثر استهلاكًا للقدرة الحوسبية، وتتطلب تكرار المحاولات مع مجموعة متنوعة من المعلمات.

2. ضبط دقيق: استخدام كمية صغيرة ولكن عالية الجودة من البيانات للتدريب، لتحسين جودة مخرجات النموذج.

3. التعلم المعزز: بناء "نموذج مكافأة"، لترتيب نتائج مخرجات النموذج الكبير، لاستخدامه في التكرار التلقائي لبارامترات النموذج الكبير. أحيانًا يتطلب الأمر أيضًا المشاركة اليدوية في تقييم جودة مخرجات النموذج.

العوامل الثلاثة الرئيسية التي تؤثر على أداء النماذج الكبيرة هي عدد المعلمات، كمية وجودة البيانات، وقدرة الحوسبة. هذه العناصر الثلاثة تخلق سلسلة صناعية كاملة.

! علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة

( مزود GPU للأجهزة

تتمتع Nvidia حاليًا بميزة مطلقة في مجال تصميم شرائح GPU للذكاء الاصطناعي. تستخدم الأوساط الأكاديمية بشكل أساسي وحدات معالجة الرسوميات من الفئة الاستهلاكية ) مثل سلسلة RTX ###، بينما يستخدم القطاع الصناعي بشكل رئيسي شرائح H100 و A100 لتطبيقات النماذج الكبيرة التجارية.

في عام 2023، حصلت شريحة H100 الأحدث من Nvidia على طلبات كبيرة من عدة شركات بمجرد إصدارها. يتجاوز الطلب العالمي على شريحة H100 العرض بكثير، وقد وصل زمن التسليم إلى 52 أسبوعًا. للتخلص من الاعتماد على Nvidia، قادت Google تأسيس تحالف CUDA مع Intel و Qualcomm و Microsoft و Amazon وغيرها من الشركات لتطوير وحدات معالجة الرسوميات.

! علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة

( مزود خدمات السحاب

بعد أن قامت مزودات خدمات السحاب بشراء ما يكفي من وحدات معالجة الرسوميات لبناء مجموعات حوسبة عالية الأداء، تقدم حلول حساب مرنة وتدريب مستضاف للشركات الذكاء الاصطناعي ذات الميزانية المحدودة. ينقسم السوق حاليًا إلى ثلاث فئات رئيسية من مزودي خدمات الحوسبة السحابية:

1. تمثل منصات الحوسبة السحابية الضخمة التقليدية مثل AWS و Google Cloud و Azure )

2. منصة الحوسبة السحابية في المسارات العمودية ، مصممة بشكل أساسي للذكاء الاصطناعي أو الحوسبة عالية الأداء

3. مقدمو خدمات الاستدلال الناشئة، الذين يقومون بشكل رئيسي بنشر نماذج مدربة مسبقًا للعملاء وإجراء التعديل الدقيق أو الاستدلال

! [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 لمهام تدريب واستدلال بيانات الذكاء الاصطناعي والتعلم العميق، يستخدم القطاع الرئيسي "قاعدة بيانات المتجهات". يمكن لقاعدة بيانات المتجهات تخزين وإدارة وفهرسة كميات هائلة من بيانات المتجهات عالية الأبعاد بكفاءة، مما يجعل البيانات غير المنظمة مخزنة بشكل موحد على شكل "متجهات".

تشمل اللاعبين الرئيسيين Chroma و Zilliz و Pinecone و Weaviate وغيرها. مع زيادة الطلب على البيانات وظهور نماذج كبيرة وتطبيقات في مختلف المجالات الفرعية، ستزداد بشكل كبير الحاجة إلى قواعد بيانات المتجهات.

! [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 بناء تجمعات الحوسبة عالية الأداء باستخدام وحدات معالجة الرسومات، يتم استهلاك كميات كبيرة من الطاقة وتوليد الحرارة. لضمان تشغيل التجمع باستمرار، هناك حاجة إلى أنظمة التبريد وغيرها من الأجهزة الطرفية.

فيما يتعلق بتوفير الطاقة، يتم استخدام الطاقة الكهربائية بشكل رئيسي. تشغل مراكز البيانات والشبكات الداعمة حاليًا 2%-3% من استهلاك الكهرباء العالمي. تتوقع BCG أن يزداد استهلاك الكهرباء لتدريب النماذج الكبيرة ثلاث مرات بحلول عام 2030.

في مجال التبريد، يعتمد حاليا على التبريد بالهواء بشكل رئيسي، لكن أنظمة التبريد السائل تتلقى استثمارات كبيرة. ينقسم التبريد السائل بشكل رئيسي إلى ثلاثة أنواع: لوحة التبريد، الغمر، ورش.

! [علم الوافد الجديد 丨 الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة] ###https://img-cdn.gateio.im/webp-social/moments-250a286e79261e91a0e7ac4941ff5c76.webp019283746574839201

( تطبيقات الذكاء الاصطناعي

تطور تطبيقات الذكاء الاصطناعي الحالية مشابه لصناعة البلوك تشين، حيث أن البنية التحتية مزدحمة للغاية، لكن تطوير التطبيقات متأخر نسبيًا. معظم تطبيقات الذكاء الاصطناعي النشطة حاليًا هي تطبيقات بحث، ونوعها أحادي.

معدل الاحتفاظ بالمستخدمين لتطبيقات الذكاء الاصطناعي عمومًا أقل من تطبيقات الإنترنت التقليدية. في ما يتعلق بنسبة المستخدمين النشطين، فإن الوسيط لDAU/MAU للبرمجيات التقليدية هو 51%، بينما أعلى معدل لتطبيقات الذكاء الاصطناعي هو 41% فقط. وفيما يتعلق بمعدل الاحتفاظ بالمستخدمين، فإن الوسيط لأفضل عشرة برمجيات تقليدية هو 63%، بينما معدل الاحتفاظ بـChatGPT هو 56% فقط.

! [علم الوافد الجديد 丨 الذكاء الاصطناعي × التشفير: من الصفر إلى الذروة] )https://img-cdn.gateio.im/webp-social/moments-8358c377eb2c07467848b3b46dbf1056.webp###

العلاقة بين الأصول الرقمية وAI

تستفيد تقنية البلوك تشين من تطور تقنيات مثل الإثباتات الصفرية، مما أدى إلى تطور الفكر اللامركزي وغياب الثقة. من الناحية الجوهرية، تعتبر شبكة البلوك تشين بأكملها شبكة قيمة، حيث يتم تحويل القيمة في كل معاملة بناءً على الرموز الأساسية. وتحدد اقتصاديات الرموز القيمة النسبية للرموز الأصلية للشبكة ( التي يتم تسويتها في النظام البيئي.

يمكن أن تمنح اقتصاديات التوكنات قيمة لأي ابتكار أو وجود، سواء كان فكرة أو إنشاء مادي. هذه الوسيلة لإعادة تعريف واكتشاف القيمة مهمة أيضًا لصناعة الذكاء الاصطناعي. من خلال إصدار توكنات في سلسلة قيمة الذكاء الاصطناعي، يمكن إعادة تشكيل القيمة في جميع مراحلها، وتحفيز المزيد من الأشخاص على التعمق في مجالات الذكاء الاصطناعي المتخصصة. يمكن أن تعود التوكنات أيضًا بالفائدة على النظام البيئي، مما يعزز ظهور بعض الفلسفات.

تتمتع خصائص عدم القابلية للتعديل وعدم الحاجة إلى الثقة في تقنية البلوك تشين بأهمية عملية أيضًا في صناعة الذكاء الاصطناعي، حيث يمكن أن تحقق بعض التطبيقات التي تحتاج إلى الثقة. على سبيل المثال، ضمان أن النموذج لا يعرف محتوى البيانات المحددة عند استخدام بيانات المستخدم، وعدم تسريب البيانات، وإرجاع نتائج استنتاج حقيقية. عندما يكون هناك نقص في إمدادات وحدة معالجة الرسوميات، يمكن توزيعها عبر شبكة البلوك تشين؛ وعندما يتم تحديث وحدة معالجة الرسوميات، يمكن لوحدات معالجة الرسوميات المتاحة أن تسهم في قوة الحوسبة في الشبكة، مما يعيد لها قيمتها.

! [علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة])https://img-cdn.gateio.im/webp-social/moments-c8845a5920048e7c821c939e2d8304e7.webp###

نظرة عامة على المشاريع المتعلقة بالذكاء الاصطناعي في صناعة الأصول الرقمية

( جانب العرض لوحدة معالجة الرسومات

في سلسلة صناعة الذكاء الاصطناعي في صناعة الأصول الرقمية، تُعتبر إمدادات قوة الحوسبة هي الحلقة الأهم. حاليًا، يُعتبر مشروع Render الذي يتمتع بأساسيات جيدة، مُستخدمًا بشكل رئيسي في مهام رندر الفيديو غير المتعلقة بالنماذج الكبيرة.

توقعات الصناعة أن需求 قوة الحوسبة GPU في عام 2024 سيصل إلى حوالي 75 مليار دولار، ومن المتوقع أن تصل إلى 773 مليار دولار بحلول عام 2032، بمعدل نمو سنوي مركب يبلغ حوالي 33.86%. مع انفجار سوق GPU وتأثير قانون مور، سيتشكل في المستقبل عدد كبير من GPU غير الأحدث، ويمكن لهذه الـ GPU غير المستخدمة أن تواصل تحقيق القيمة في الشبكات المشتركة.

! [علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة])https://img-cdn.gateio.im/webp-social/moments-2ed56db6cae1b0206e8e0daa9b1892fd.webp019283746574839201

( عرض النطاق الترددي للأجهزة

عادةً ما تكون النطاق الترددي هو العامل الرئيسي الذي يؤثر على وقت تدريب النماذج الكبيرة، خاصة في مجال الحوسبة السحابية على السلسلة. ولكن قد تكون الحزمة المشتركة مفهومًا زائفًا، لأنه بالنسبة لمجموعات الحوسبة عالية الأداء، يتم تخزين البيانات بشكل رئيسي في العقد المحلية، بينما يتم تخزين البيانات في النطاق الترددي المشترك على مسافة معينة، مما يؤدي إلى تأخير ناتج عن اختلاف الموقع الجغرافي يكون أعلى بكثير من التخزين المحلي.

! [علم الوافد الجديد 丨 الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة] )https://img-cdn.gateio.im/webp-social/moments-c733612f35e5a4a21d8d39a0a77f85b8.webp019283746574839201

( بيانات

تشمل مشاريع تقديم بيانات الذكاء الاصطناعي في صناعة الأصول الرقمية المتاحة حاليًا بروتوكول EpiK، وSynesis One، وMasa، وما إلى ذلك. بالمقارنة مع الشركات التقليدية للبيانات، فإن مقدمي بيانات Web3 يتمتعون بميزة في جمع البيانات، حيث يمكن للأفراد المساهمة ببيانات غير حساسة ) وحتى المساهمة ببيانات حساسة ### من خلال تقنية إثبات المعرفة الصفرية. هذا يوسع نطاق المشاريع، حيث لا تستهدف الشركات فقط، بل يمكن أيضًا تسعير بيانات أي مستخدم.

! [علم الوافد الجديد 丨 الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة] (https://img-cdn.gateio.im/webp-social/moments-b97be5c0fd9efe0b79e2e6fcd4493212.webp019283746574839201

) ZKML### التعلم الآلي القائم على المعرفة الصفرية (

لتحقيق الخصوصية في معالجة البيانات والتدريب، تعتمد الصناعة بشكل رئيسي على حلول إثبات المعرفة الصفرية، باستخدام تقنية التشفير المتجانس لإجراء الاستدلال خارج السلسلة، ثم تحميل النتائج وإثبات المعرفة الصفرية على السلسلة. هذا يضمن خصوصية البيانات ويحقق استدلالًا فعالًا ومنخفض التكلفة.

بالإضافة إلى المشاريع التي تركز على تدريب واستدلال السلسلة خارج نطاق الذكاء الاصطناعي، هناك بعض المشاريع العامة للمعرفة الصفرية، مثل Axiom و Risc Zero و Ritual، التي يمكن أن تقدم إثباتات المعرفة الصفرية لأي حسابات وبيانات خارج السلسلة، مما يوسع نطاق التطبيقات.

! [علم الوافد الجديد 丨 الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة] )https://img-cdn.gateio.im/webp-social/moments-a732f2716e6ef577c2e5817efcec3546.webp019283746574839201

تطبيقات الذكاء الاصطناعي

تطبيقات الذكاء الاصطناعي في صناعة الأصول الرقمية مشابهة لتلك في صناعة الذكاء الاصطناعي التقليدية، حيث أن معظمها في مرحلة بناء البنية التحتية، وتطوير التطبيقات في الأسفل ضعيف نسبياً. هذه التطبيقات AI + التشفير هي في الغالب تطبيقات بلوكشين تقليدية بالإضافة إلى قدرات الأتمتة والتعميم، مثل وكيل الذكاء الاصطناعي الذي يمكنه تنفيذ أفضل مسار للتداول أو الاقتراض في مجال DeFi بناءً على احتياجات المستخدم.

Fetch.AI هو مشروع بارز لوكلاء الذكاء الاصطناعي. يُعرف وكيل الذكاء الاصطناعي بأنه "برنامج يعمل ذاتيًا على شبكة blockchain، يمكنه الاتصال والبحث