تقرير شامل عن مسار Web3-AI: تحليل عميق للمنطق التكنولوجي، تطبيقات السيناريو، وأعلى المشاريع
مع استمرار ارتفاع حرارة السرد المعتمد على الذكاء الاصطناعي، تتزايد الانتباهات على هذا المجال. يقوم هذا المقال بتحليل عميق للمنطق التقني، مشاهد التطبيق والمشاريع الممثلة في مجال Web3-AI، ليقدم لك عرضًا شاملاً للقطاع واتجاهات التطور.
واحد، Web3-AI: تحليل المنطق التكنولوجي وفرص السوق الناشئة
1.1 منطق دمج Web3 و AI: كيف نحدد مسار Web-AI
في العام الماضي، كانت السرديات القائمة على الذكاء الاصطناعي شديدة الرواج في صناعة Web3، حيث ظهرت مشاريع الذكاء الاصطناعي كالفطر بعد المطر. على الرغم من وجود 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، لذلك لا تُعتبر هذه المشاريع ضمن مناقشة مشاريع Web3-AI في هذه المقالة.
تركز هذه المقالة على استخدام blockchain لحل مشكلات علاقات الإنتاج، واستخدام AI لحل مشكلات الإنتاجية. هذه المشاريع تقدم منتجات AI بنفسها، بينما تعتمد على نموذج الاقتصاد Web3 كأداة لعلاقات الإنتاج، وهما يكملان بعضهما البعض. نحن نصنف هذه المشاريع ضمن مسار Web3-AI. من أجل مساعدة القراء على فهم مسار Web3-AI بشكل أفضل، ستقوم هذه المقالة بشرح عملية تطوير AI والتحديات المرتبطة بها، بالإضافة إلى كيفية دمج Web3 وAI لحل المشكلات بشكل مثالي وخلق سيناريوهات تطبيق جديدة.
1.2 عملية تطوير الذكاء الاصطناعي والتحديات: من جمع البيانات إلى استنتاج النموذج
تقنية الذكاء الاصطناعي هي تقنية تمكن الكمبيوتر من محاكاة وتوسيع وتعزيز الذكاء البشري. إنها تمكن الكمبيوتر من تنفيذ مجموعة متنوعة من المهام المعقدة، من ترجمة اللغة وتصنيف الصور إلى التعرف على الوجه والقيادة الذاتية، فإن الذكاء الاصطناعي يغير طريقة حياتنا وعملنا.
تتضمن عملية تطوير نماذج الذكاء الاصطناعي عادةً الخطوات الرئيسية التالية: جمع البيانات ومعالجة البيانات، اختيار النموذج وضبطه، تدريب النموذج واستنتاجه. على سبيل المثال، 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 كل صورة بفئة (قط أو كلب)، تأكد من أن التسمية دقيقة. تحويل الصور إلى تنسيق يمكن للنموذج التعرف عليه، تقسيم مجموعة البيانات إلى مجموعة تدريب، مجموعة تحقق ومجموعة اختبار.
اختيار النموذج وتحسينه: اختيار النموذج المناسب، مثل الشبكات العصبية التلافيفية (CNN)، يعتبر ملائماً جداً لمهام تصنيف الصور. يتم تحسين معلمات النموذج أو هيكله وفقاً للاحتياجات المختلفة، وعادةً يمكن تعديل طبقات الشبكة حسب تعقيد مهام الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون الطبقات الشبكية السطحية كافية.
تدريب النموذج: يمكن استخدام GPU أو TPU أو تجمعات الحوسبة عالية الأداء لتدريب النموذج، حيث تتأثر مدة التدريب بتعقيد النموذج وقدرة الحساب.
استدلال النموذج: تُعرف الملفات المدربة للنموذج عادةً بأوزان النموذج، وعملية الاستدلال تشير إلى استخدام النموذج المدرب مسبقًا للتنبؤ أو تصنيف البيانات الجديدة. يمكن استخدام مجموعة الاختبار أو البيانات الجديدة لاختبار فعالية تصنيف النموذج، وعادةً ما يتم تقييم فعالية النموذج باستخدام مؤشرات مثل الدقة، ومعدل الاسترجاع، وF1-score.
كما هو موضح في الصورة، بعد جمع البيانات ومعالجة البيانات، واختيار النموذج وضبطه، وتدريبه، سيتم استخدام النموذج المدرب لإجراء الاستدلال على مجموعة الاختبار للحصول على قيم التنبؤ للقطط والكلاب P (احتمالية)، أي احتمال استنتاج النموذج أنه قطة أو كلب.
يمكن دمج نماذج الذكاء الاصطناعي المدربة بشكل أكبر في تطبيقات مختلفة، لأداء مهام مختلفة. في هذا المثال، يمكن دمج نموذج الذكاء الاصطناعي لتصنيف القطط والكلاب في تطبيق للهاتف المحمول، حيث يمكن للمستخدمين رفع صور للقطط أو الكلاب للحصول على نتائج التصنيف.
ومع ذلك، فإن عملية تطوير الذكاء الاصطناعي المركزية تواجه بعض المشاكل 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: قد يواجه فريق صغير أو فرد قيودًا على عدم توفير البيانات عند الحصول على بيانات في مجال معين (مثل بيانات الطب).
اختيار النموذج وضبطه: من الصعب على الفرق الصغيرة الحصول على موارد نماذج محددة في مجالات معينة أو إنفاق تكاليف كبيرة لضبط النموذج.
الحصول على القوة الحاسوبية: بالنسبة للمطورين الأفراد والفرق الصغيرة، قد تشكل تكلفة شراء وحدات معالجة الرسوميات العالية وتكاليف استئجار القوة الحاسوبية في السحابة عبئًا اقتصاديًا كبيرًا.
دخل الأصول الذكية: غالبًا ما لا يتمكن عمال وضع البيانات من الحصول على دخل يتناسب مع جهدهم، كما أن نتائج أبحاث مطوري الذكاء الاصطناعي يصعب مطابقتها مع المشترين المحتاجين.
يمكن التغلب على التحديات الموجودة في مشهد الذكاء الاصطناعي المركزي من خلال دمجه مع Web3، حيث أن Web3 كنموذج جديد للعلاقات الإنتاجية يتكيف بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل قوى الإنتاج الجديدة، مما يعزز التقدم التكنولوجي والقدرات الإنتاجية في الوقت نفسه.
1.3 التآزر بين Web3 و AI: تحول الأدوار وتطبيقات الابتكار
يمكن أن يعزز دمج Web3 مع الذكاء الاصطناعي سيادة المستخدم، ويوفر منصة تعاون مفتوحة للذكاء الاصطناعي، مما يسمح للمستخدمين بالتحول من مستخدمي الذكاء الاصطناعي في عصر Web2 إلى مشاركين، وخلق ذكاء اصطناعي يمتلكه الجميع. في الوقت نفسه، يمكن أن يؤدي دمج عالم Web3 مع تقنيات الذكاء الاصطناعي إلى ظهور المزيد من سيناريوهات التطبيقات والألعاب المبتكرة.
استنادًا إلى تقنية Web3، سيشهد تطوير واستخدام الذكاء الاصطناعي نظام اقتصاد تعاوني جديد تمامًا. يمكن ضمان خصوصية بيانات الأفراد، كما أن نموذج البيانات المفتوحة يعزز تقدم نماذج الذكاء الاصطناعي، وتتوافر العديد من موارد الذكاء الاصطناعي مفتوحة المصدر للاستخدام من قبل المستخدمين، ويمكن الحصول على قوة الحوسبة المشتركة بتكاليف منخفضة. من خلال الاستفادة من آلية التعاون المفتوح ونموذج البيانات المفتوحة، يمكن تحقيق نظام توزيع عادل للدخل، مما يحفز المزيد من الناس على دفع تقدم تكنولوجيا 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 لتحسين كفاءة العمل في سيناريوهات تطبيق مختلفة، مثل تحليل السوق، واختبار الأمان، وتجمعات التواصل الاجتماعي، وغيرها من الوظائف المتنوعة. يمكن للذكاء الاصطناعي التوليدي أن يمنح المستخدمين تجربة "فنان"، مثل استخدام تقنيات الذكاء الاصطناعي لإنشاء NFT الخاصة بهم، وأيضًا يمكنه خلق مشاهد ألعاب متنوعة وتجارب تفاعلية ممتعة في GameFi. توفر البنية التحتية الغنية تجربة تطوير سلسة، سواء كان الخبراء في الذكاء الاصطناعي أو المبتدئين الذين يرغبون في دخول مجال الذكاء الاصطناعي يمكنهم العثور على المدخل المناسب في هذا العالم.
٢. تفسير خريطة وهيكل مشروع Web3-AI البيئي
لقد درسنا بشكل رئيسي 41 مشروعًا في مسار Web3-AI، وقمنا بتقسيم هذه المشاريع إلى مستويات مختلفة. منطق تقسيم كل مستوى موضح في الصورة أدناه، بما في ذلك مستوى البنية التحتية، والمستوى الأوسط، ومستوى التطبيقات، حيث ينقسم كل مستوى إلى أقسام مختلفة. في الفصل التالي، سنقوم بإجراء تحليل عميق لبعض المشاريع التمثيلية.
تغطي طبقة البنية التحتية الموارد الحاسوبية والهياكل التقنية التي تدعم تشغيل دورة حياة الذكاء الاصطناعي بالكامل، بينما تشمل الطبقة الوسطى إدارة البيانات وتطوير النماذج وخدمات التحقق والاستدلال التي تربط البنية التحتية بالتطبيقات، وتركز الطبقة التطبيقية على التطبيقات والحلول المتنوعة الموجهة مباشرة للمستخدمين.
إن طبقة البنية التحتية هي أساس دورة حياة الذكاء الاصطناعي، حيث يتم تصنيف قوة الحوسبة، AI Chain ومنصة التطوير كطبقة بنية تحتية. بفضل دعم هذه البنية التحتية، يمكن تحقيق تدريب واستنتاج نماذج الذكاء الاصطناعي، وعرض 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 أسواق قوة حسابية لامركزية، حيث يمكن للمستخدمين استئجار القوة الحسابية بتكلفة منخفضة أو مشاركة القوة للحصول على عوائد، ومن بين المشاريع الممثلة IO.NET و Hyperbolic. بالإضافة إلى ذلك، نشأت بعض المشاريع من ألعاب جديدة مثل Compute Labs، التي اقترحت بروتوكول توكين، حيث يمكن للمستخدمين من خلال شراء NFTs تمثل وحدات GPU المشاركة بطرق مختلفة في استئجار القوة الحسابية للحصول على العوائد.
AI Chain: استخدام blockchain كأساس لدورة حياة الذكاء الاصطناعي، لتحقيق التفاعل السلس بين موارد الذكاء الاصطناعي على السلسلة وخارجها، وتعزيز تطوير النظام البيئي الصناعي. يمكن لسوق الذكاء الاصطناعي اللامركزي على السلسلة تداول الأصول الذكائية مثل البيانات، والنماذج، والوكلاء، وغيرها، وتوفير إطار عمل لتطوير الذكاء الاصطناعي وأدوات تطوير مصاحبة، ومن المشاريع الممثلة Sahara AI. يمكن أن تعزز AI Chain أيضًا تقدم تقنيات الذكاء الاصطناعي في مجالات مختلفة، مثل Bittensor من خلال آلية الحوافز المبتكرة لشبكات فرعية مختلفة لتعزيز المنافسة بين أنواع مختلفة من الذكاء الاصطناعي.
منصة التطوير: تقدم بعض المشاريع منصة تطوير وكلاء الذكاء الاصطناعي، ويمكنها أيضًا تنفيذ تداول وكلاء الذكاء الاصطناعي، مثل Fetch.ai و ChainML وغيرها. تساعد الأدوات الشاملة المطورين على إنشاء وتدريب ونشر نماذج الذكاء الاصطناعي بسهولة أكبر، ومشاريع تمثل ذلك مثل Nimble. تعزز هذه البنية التحتية الاستخدام الواسع لتقنية الذكاء الاصطناعي في نظام Web3 البيئي.
الطبقة الوسطى:
هذه الطبقة تتعلق ببيانات الذكاء الاصطناعي، والنماذج، وكذلك الاستنتاج والتحقق، ويمكن استخدام تقنية Web3 لتحقيق كفاءة عمل أعلى.
البيانات: جودة وكمية البيانات هي العوامل الرئيسية التي تؤثر على فعالية تدريب النموذج. في عالم Web3، يمكن تحسين استخدام الموارد وتقليل تكلفة البيانات من خلال البيانات الجماعية ومعالجة البيانات التعاونية. يمكن للمستخدمين امتلاك حقوق البيانات الخاصة بهم، وبيع بياناتهم في ظل حماية الخصوصية، لتجنب سرقة البيانات من قبل التجار السيئين وجني أرباح عالية. بالنسبة لمتطلبات البيانات، توفر هذه المنصات مجموعة واسعة من الخيارات وتكلفة منخفضة للغاية. من المشاريع الممثلة، تستخدم Grass عرض النطاق الترددي للمستخدمين لجمع بيانات الويب، وxData تجمع المعلومات الإعلامية من خلال المكونات الإضافية 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 وضع علامات على الصور وتصنيف البيانات، والتي قد تتطلب معرفة متخصصة في معالجة بيانات المهام المالية والقانونية، يمكن للمستخدمين تحويل المهارات إلى رموز، مما يحقق التعاون في معالجة البيانات المسبقة. يمثل سوق الذكاء الاصطناعي مثل Sahara AI، الذي يحتوي على مهام بيانات من مجالات مختلفة، ويمكنه تغطية سيناريوهات بيانات متعددة المجالات؛ بينما يقوم بروتوكول AIT بوضع علامات على 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 نماذج مناسبة. النماذج المستخدمة بشكل شائع في مهام الصور مثل CNN و GAN، بينما يمكن اختيار سلسلة Yolo في مهام الكشف عن الأهداف. أما بالنسبة لمهام النصوص، فالنماذج الشائعة تشمل RNN و Transformer، بالطبع هناك أيضًا بعض النماذج الكبيرة المحددة أو العامة. تتطلب المهام ذات التعقيد المختلف عمق نماذج مختلف، وأحيانًا يتطلب الأمر ضبط النموذج.
بعض المشاريع تدعم المستخدمين في تقديم 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، وتوفر أدوات التطوير من Sahara AI خوارزميات ذكاء اصطناعي متقدمة وإطار حسابي، ولديها القدرة على التدريب التعاوني.
الاستدلال والتحقق: بعد تدريب النموذج، سيتم إنشاء ملف أوزان النموذج، والذي يمكن استخدامه مباشرة في التصنيف أو التنبؤ أو المهام المحددة الأخرى، وتسمى هذه العملية الاستدلال. عادةً ما يرتبط عملية الاستدلال بآلية تحقق، للتحقق مما إذا كان مصدر نموذج الاستدلال صحيحًا، وما إذا كانت هناك سلوكيات خبيثة، وما إلى ذلك. يمكن دمج الاستدلال في Web3 داخل العقود الذكية، من خلال استدعاء النموذج لإجراء الاستدلال، وتشمل طرق التحقق الشائعة تقنيات مثل ZKML وOPML وTEE. وتعتبر المشاريع الممثلة مثل أورا سلسلة الذكاء الاصطناعي Oracle (OAO)، حيث أدخلت OPML كطبقة قابلة للتحقق لمنصة Oracle للذكاء الاصطناعي، كما تمت الإشارة في الموقع الرسمي لأورا إلى أبحاثهم حول ZKML وopp/ai (دمج ZKML مع OPML).
طبقة التطبيق:
تستهدف هذه الطبقة بشكل رئيسي التطبيقات الموجهة مباشرة للمستخدم، حيث تجمع بين الذكاء الاصطناعي وWeb3، مما يخلق المزيد من الطرق الممتعة والمبتكرة. يتناول هذا المقال بشكل رئيسي مشاريع AIGC (المحتوى الذي يتم إنشاؤه بواسطة الذكاء الاصطناعي) والوكلاء الذكاء الاصطناعي وتحليل البيانات.
AIGC: من خلال AIGC يمكن التوسع إلى NFT والألعاب وغيرها من المجالات في Web3، حيث يمكن للمستخدمين إنشاء نصوص وصور وصوتيات مباشرة من خلال Prompt (الكلمات الدلالية التي يقدمها المستخدم)، ويمكنهم حتى إنشاء طرق لعب مخصصة في الألعاب وفقًا لتفضيلاتهم. مشاريع NFT مثل NFPrompt، حيث يمكن للمستخدمين استخدام الذكاء الاصطناعي لتوليد NFT للتداول في السوق؛ الألعاب مثل Sleepless، حيث يقوم المستخدمون بتشكيل شخصية رفيقهم الافتراضي من خلال الحوار لتناسب تفضيلاتهم؛
وكيل الذكاء الاصطناعي: يشير إلى أنظمة الذكاء الاصطناعي التي تستطيع تنفيذ المهام واتخاذ القرارات بشكل مستقل. عادةً ما يتمتع وكيل الذكاء الاصطناعي بقدرات على الإدراك والاستدلال والتعلم والتحرك، ويمكنه تنفيذ مهام معقدة في بيئات متنوعة. من الأمثلة الشائعة لوكلاء الذكاء الاصطناعي مثل
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.
تقرير Web3-AI الشامل: تحليل عميق لتقنيات الربط، سيناريوهات التطبيق والمشاريع الرائدة
تقرير شامل عن مسار Web3-AI: تحليل عميق للمنطق التكنولوجي، تطبيقات السيناريو، وأعلى المشاريع
مع استمرار ارتفاع حرارة السرد المعتمد على الذكاء الاصطناعي، تتزايد الانتباهات على هذا المجال. يقوم هذا المقال بتحليل عميق للمنطق التقني، مشاهد التطبيق والمشاريع الممثلة في مجال Web3-AI، ليقدم لك عرضًا شاملاً للقطاع واتجاهات التطور.
واحد، Web3-AI: تحليل المنطق التكنولوجي وفرص السوق الناشئة
1.1 منطق دمج Web3 و AI: كيف نحدد مسار Web-AI
في العام الماضي، كانت السرديات القائمة على الذكاء الاصطناعي شديدة الرواج في صناعة Web3، حيث ظهرت مشاريع الذكاء الاصطناعي كالفطر بعد المطر. على الرغم من وجود 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، لذلك لا تُعتبر هذه المشاريع ضمن مناقشة مشاريع Web3-AI في هذه المقالة.
تركز هذه المقالة على استخدام blockchain لحل مشكلات علاقات الإنتاج، واستخدام AI لحل مشكلات الإنتاجية. هذه المشاريع تقدم منتجات AI بنفسها، بينما تعتمد على نموذج الاقتصاد Web3 كأداة لعلاقات الإنتاج، وهما يكملان بعضهما البعض. نحن نصنف هذه المشاريع ضمن مسار Web3-AI. من أجل مساعدة القراء على فهم مسار Web3-AI بشكل أفضل، ستقوم هذه المقالة بشرح عملية تطوير AI والتحديات المرتبطة بها، بالإضافة إلى كيفية دمج Web3 وAI لحل المشكلات بشكل مثالي وخلق سيناريوهات تطبيق جديدة.
1.2 عملية تطوير الذكاء الاصطناعي والتحديات: من جمع البيانات إلى استنتاج النموذج
تقنية الذكاء الاصطناعي هي تقنية تمكن الكمبيوتر من محاكاة وتوسيع وتعزيز الذكاء البشري. إنها تمكن الكمبيوتر من تنفيذ مجموعة متنوعة من المهام المعقدة، من ترجمة اللغة وتصنيف الصور إلى التعرف على الوجه والقيادة الذاتية، فإن الذكاء الاصطناعي يغير طريقة حياتنا وعملنا.
تتضمن عملية تطوير نماذج الذكاء الاصطناعي عادةً الخطوات الرئيسية التالية: جمع البيانات ومعالجة البيانات، اختيار النموذج وضبطه، تدريب النموذج واستنتاجه. على سبيل المثال، 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 كل صورة بفئة (قط أو كلب)، تأكد من أن التسمية دقيقة. تحويل الصور إلى تنسيق يمكن للنموذج التعرف عليه، تقسيم مجموعة البيانات إلى مجموعة تدريب، مجموعة تحقق ومجموعة اختبار.
اختيار النموذج وتحسينه: اختيار النموذج المناسب، مثل الشبكات العصبية التلافيفية (CNN)، يعتبر ملائماً جداً لمهام تصنيف الصور. يتم تحسين معلمات النموذج أو هيكله وفقاً للاحتياجات المختلفة، وعادةً يمكن تعديل طبقات الشبكة حسب تعقيد مهام الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون الطبقات الشبكية السطحية كافية.
تدريب النموذج: يمكن استخدام GPU أو TPU أو تجمعات الحوسبة عالية الأداء لتدريب النموذج، حيث تتأثر مدة التدريب بتعقيد النموذج وقدرة الحساب.
استدلال النموذج: تُعرف الملفات المدربة للنموذج عادةً بأوزان النموذج، وعملية الاستدلال تشير إلى استخدام النموذج المدرب مسبقًا للتنبؤ أو تصنيف البيانات الجديدة. يمكن استخدام مجموعة الاختبار أو البيانات الجديدة لاختبار فعالية تصنيف النموذج، وعادةً ما يتم تقييم فعالية النموذج باستخدام مؤشرات مثل الدقة، ومعدل الاسترجاع، وF1-score.
كما هو موضح في الصورة، بعد جمع البيانات ومعالجة البيانات، واختيار النموذج وضبطه، وتدريبه، سيتم استخدام النموذج المدرب لإجراء الاستدلال على مجموعة الاختبار للحصول على قيم التنبؤ للقطط والكلاب P (احتمالية)، أي احتمال استنتاج النموذج أنه قطة أو كلب.
يمكن دمج نماذج الذكاء الاصطناعي المدربة بشكل أكبر في تطبيقات مختلفة، لأداء مهام مختلفة. في هذا المثال، يمكن دمج نموذج الذكاء الاصطناعي لتصنيف القطط والكلاب في تطبيق للهاتف المحمول، حيث يمكن للمستخدمين رفع صور للقطط أو الكلاب للحصول على نتائج التصنيف.
ومع ذلك، فإن عملية تطوير الذكاء الاصطناعي المركزية تواجه بعض المشاكل 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: قد يواجه فريق صغير أو فرد قيودًا على عدم توفير البيانات عند الحصول على بيانات في مجال معين (مثل بيانات الطب).
اختيار النموذج وضبطه: من الصعب على الفرق الصغيرة الحصول على موارد نماذج محددة في مجالات معينة أو إنفاق تكاليف كبيرة لضبط النموذج.
الحصول على القوة الحاسوبية: بالنسبة للمطورين الأفراد والفرق الصغيرة، قد تشكل تكلفة شراء وحدات معالجة الرسوميات العالية وتكاليف استئجار القوة الحاسوبية في السحابة عبئًا اقتصاديًا كبيرًا.
دخل الأصول الذكية: غالبًا ما لا يتمكن عمال وضع البيانات من الحصول على دخل يتناسب مع جهدهم، كما أن نتائج أبحاث مطوري الذكاء الاصطناعي يصعب مطابقتها مع المشترين المحتاجين.
يمكن التغلب على التحديات الموجودة في مشهد الذكاء الاصطناعي المركزي من خلال دمجه مع Web3، حيث أن Web3 كنموذج جديد للعلاقات الإنتاجية يتكيف بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل قوى الإنتاج الجديدة، مما يعزز التقدم التكنولوجي والقدرات الإنتاجية في الوقت نفسه.
1.3 التآزر بين Web3 و AI: تحول الأدوار وتطبيقات الابتكار
يمكن أن يعزز دمج Web3 مع الذكاء الاصطناعي سيادة المستخدم، ويوفر منصة تعاون مفتوحة للذكاء الاصطناعي، مما يسمح للمستخدمين بالتحول من مستخدمي الذكاء الاصطناعي في عصر Web2 إلى مشاركين، وخلق ذكاء اصطناعي يمتلكه الجميع. في الوقت نفسه، يمكن أن يؤدي دمج عالم Web3 مع تقنيات الذكاء الاصطناعي إلى ظهور المزيد من سيناريوهات التطبيقات والألعاب المبتكرة.
استنادًا إلى تقنية Web3، سيشهد تطوير واستخدام الذكاء الاصطناعي نظام اقتصاد تعاوني جديد تمامًا. يمكن ضمان خصوصية بيانات الأفراد، كما أن نموذج البيانات المفتوحة يعزز تقدم نماذج الذكاء الاصطناعي، وتتوافر العديد من موارد الذكاء الاصطناعي مفتوحة المصدر للاستخدام من قبل المستخدمين، ويمكن الحصول على قوة الحوسبة المشتركة بتكاليف منخفضة. من خلال الاستفادة من آلية التعاون المفتوح ونموذج البيانات المفتوحة، يمكن تحقيق نظام توزيع عادل للدخل، مما يحفز المزيد من الناس على دفع تقدم تكنولوجيا 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 لتحسين كفاءة العمل في سيناريوهات تطبيق مختلفة، مثل تحليل السوق، واختبار الأمان، وتجمعات التواصل الاجتماعي، وغيرها من الوظائف المتنوعة. يمكن للذكاء الاصطناعي التوليدي أن يمنح المستخدمين تجربة "فنان"، مثل استخدام تقنيات الذكاء الاصطناعي لإنشاء NFT الخاصة بهم، وأيضًا يمكنه خلق مشاهد ألعاب متنوعة وتجارب تفاعلية ممتعة في GameFi. توفر البنية التحتية الغنية تجربة تطوير سلسة، سواء كان الخبراء في الذكاء الاصطناعي أو المبتدئين الذين يرغبون في دخول مجال الذكاء الاصطناعي يمكنهم العثور على المدخل المناسب في هذا العالم.
٢. تفسير خريطة وهيكل مشروع Web3-AI البيئي
لقد درسنا بشكل رئيسي 41 مشروعًا في مسار Web3-AI، وقمنا بتقسيم هذه المشاريع إلى مستويات مختلفة. منطق تقسيم كل مستوى موضح في الصورة أدناه، بما في ذلك مستوى البنية التحتية، والمستوى الأوسط، ومستوى التطبيقات، حيث ينقسم كل مستوى إلى أقسام مختلفة. في الفصل التالي، سنقوم بإجراء تحليل عميق لبعض المشاريع التمثيلية.
تغطي طبقة البنية التحتية الموارد الحاسوبية والهياكل التقنية التي تدعم تشغيل دورة حياة الذكاء الاصطناعي بالكامل، بينما تشمل الطبقة الوسطى إدارة البيانات وتطوير النماذج وخدمات التحقق والاستدلال التي تربط البنية التحتية بالتطبيقات، وتركز الطبقة التطبيقية على التطبيقات والحلول المتنوعة الموجهة مباشرة للمستخدمين.
! تقرير بانوراما مسار Web3-الذكاء الاصطناعي: تحليل متعمق للمنطق الفني وتطبيقات السيناريو وأهم المشاريع
طبقة البنية التحتية:
إن طبقة البنية التحتية هي أساس دورة حياة الذكاء الاصطناعي، حيث يتم تصنيف قوة الحوسبة، AI Chain ومنصة التطوير كطبقة بنية تحتية. بفضل دعم هذه البنية التحتية، يمكن تحقيق تدريب واستنتاج نماذج الذكاء الاصطناعي، وعرض 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 أسواق قوة حسابية لامركزية، حيث يمكن للمستخدمين استئجار القوة الحسابية بتكلفة منخفضة أو مشاركة القوة للحصول على عوائد، ومن بين المشاريع الممثلة IO.NET و Hyperbolic. بالإضافة إلى ذلك، نشأت بعض المشاريع من ألعاب جديدة مثل Compute Labs، التي اقترحت بروتوكول توكين، حيث يمكن للمستخدمين من خلال شراء NFTs تمثل وحدات GPU المشاركة بطرق مختلفة في استئجار القوة الحسابية للحصول على العوائد.
AI Chain: استخدام blockchain كأساس لدورة حياة الذكاء الاصطناعي، لتحقيق التفاعل السلس بين موارد الذكاء الاصطناعي على السلسلة وخارجها، وتعزيز تطوير النظام البيئي الصناعي. يمكن لسوق الذكاء الاصطناعي اللامركزي على السلسلة تداول الأصول الذكائية مثل البيانات، والنماذج، والوكلاء، وغيرها، وتوفير إطار عمل لتطوير الذكاء الاصطناعي وأدوات تطوير مصاحبة، ومن المشاريع الممثلة Sahara AI. يمكن أن تعزز AI Chain أيضًا تقدم تقنيات الذكاء الاصطناعي في مجالات مختلفة، مثل Bittensor من خلال آلية الحوافز المبتكرة لشبكات فرعية مختلفة لتعزيز المنافسة بين أنواع مختلفة من الذكاء الاصطناعي.
منصة التطوير: تقدم بعض المشاريع منصة تطوير وكلاء الذكاء الاصطناعي، ويمكنها أيضًا تنفيذ تداول وكلاء الذكاء الاصطناعي، مثل Fetch.ai و ChainML وغيرها. تساعد الأدوات الشاملة المطورين على إنشاء وتدريب ونشر نماذج الذكاء الاصطناعي بسهولة أكبر، ومشاريع تمثل ذلك مثل Nimble. تعزز هذه البنية التحتية الاستخدام الواسع لتقنية الذكاء الاصطناعي في نظام Web3 البيئي.
الطبقة الوسطى:
هذه الطبقة تتعلق ببيانات الذكاء الاصطناعي، والنماذج، وكذلك الاستنتاج والتحقق، ويمكن استخدام تقنية Web3 لتحقيق كفاءة عمل أعلى.
بالإضافة إلى ذلك، تسمح بعض المنصات للخبراء في المجال أو المستخدمين العاديين بأداء مهام معالجة البيانات المسبقة، مثل وضع علامات على الصور وتصنيف البيانات، والتي قد تتطلب معرفة متخصصة في معالجة بيانات المهام المالية والقانونية، يمكن للمستخدمين تحويل المهارات إلى رموز، مما يحقق التعاون في معالجة البيانات المسبقة. يمثل سوق الذكاء الاصطناعي مثل Sahara AI، الذي يحتوي على مهام بيانات من مجالات مختلفة، ويمكنه تغطية سيناريوهات بيانات متعددة المجالات؛ بينما يقوم بروتوكول AIT بوضع علامات على البيانات من خلال التعاون بين الإنسان والآلة.
بعض المشاريع تدعم المستخدمين في تقديم 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، وتوفر أدوات التطوير من Sahara AI خوارزميات ذكاء اصطناعي متقدمة وإطار حسابي، ولديها القدرة على التدريب التعاوني.
طبقة التطبيق:
تستهدف هذه الطبقة بشكل رئيسي التطبيقات الموجهة مباشرة للمستخدم، حيث تجمع بين الذكاء الاصطناعي وWeb3، مما يخلق المزيد من الطرق الممتعة والمبتكرة. يتناول هذا المقال بشكل رئيسي مشاريع AIGC (المحتوى الذي يتم إنشاؤه بواسطة الذكاء الاصطناعي) والوكلاء الذكاء الاصطناعي وتحليل البيانات.
AIGC: من خلال AIGC يمكن التوسع إلى NFT والألعاب وغيرها من المجالات في Web3، حيث يمكن للمستخدمين إنشاء نصوص وصور وصوتيات مباشرة من خلال Prompt (الكلمات الدلالية التي يقدمها المستخدم)، ويمكنهم حتى إنشاء طرق لعب مخصصة في الألعاب وفقًا لتفضيلاتهم. مشاريع NFT مثل NFPrompt، حيث يمكن للمستخدمين استخدام الذكاء الاصطناعي لتوليد NFT للتداول في السوق؛ الألعاب مثل Sleepless، حيث يقوم المستخدمون بتشكيل شخصية رفيقهم الافتراضي من خلال الحوار لتناسب تفضيلاتهم؛
وكيل الذكاء الاصطناعي: يشير إلى أنظمة الذكاء الاصطناعي التي تستطيع تنفيذ المهام واتخاذ القرارات بشكل مستقل. عادةً ما يتمتع وكيل الذكاء الاصطناعي بقدرات على الإدراك والاستدلال والتعلم والتحرك، ويمكنه تنفيذ مهام معقدة في بيئات متنوعة. من الأمثلة الشائعة لوكلاء الذكاء الاصطناعي مثل