دمج Web3 و AI: بناء البنية التحتية للإنترنت من الجيل التالي

تعتبر Web3 كإطار إنترنت جديد لا مركزي ومفتوح وشفاف، لديها فرصة طبيعية للاندماج مع الذكاء الاصطناعي. في إطار البنية التقليدية المركزية، تخضع حسابات الذكاء الاصطناعي وموارد البيانات لسيطرة صارمة، وتواجه العديد من التحديات مثل اختناق القدرة الحاسوبية، تسرب الخصوصية، وصناديق الخوارزميات السوداء. بينما تعتمد Web3 على التقنيات الموزعة، يمكنها من خلال مشاركة شبكة القدرة الحاسوبية، والأسواق المفتوحة للبيانات، والحسابات الخاصة، أن تضخ قوة جديدة في تطوير الذكاء الاصطناعي. في الوقت نفسه، يمكن أن يزود الذكاء الاصطناعي Web3 بالعديد من الإمكانيات، مثل تحسين العقود الذكية وخوارزميات مكافحة الغش، مما يساعد في بناء بيئتها. لذلك، فإن استكشاف دمج Web3 والذكاء الاصطناعي يعد أمراً بالغ الأهمية لبناء البنية التحتية للإنترنت من الجيل التالي، وإطلاق قيمة البيانات والقدرة الحاسوبية.

مدفوع بالبيانات: الأساس المتين للذكاء الاصطناعي وWeb3

البيانات هي القوة الدافعة الأساسية لتطوير الذكاء الاصطناعي، تمامًا كما هو الحال مع الوقود بالنسبة للمحرك. تحتاج نماذج الذكاء الاصطناعي إلى هضم كميات كبيرة من البيانات عالية الجودة للحصول على فهم عميق وقدرة استدلال قوية، فالبيانات لا توفر فقط الأساس للتدريب على نماذج التعلم الآلي، ولكنها تحدد أيضًا دقة وموثوقية النموذج.

في نمط الحصول على البيانات واستخدامها في الذكاء الاصطناعي المركزي التقليدي، توجد عدة مشكلات رئيسية كما يلي:

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

يمكن لـ Web3 حل نقاط الألم في النماذج التقليدية من خلال نموذج بيانات مركزي جديد.

• يمكن للمستخدمين بيع الشبكة غير المستخدمة لشركات الذكاء الاصطناعي، لجمع بيانات الشبكة بشكل لامركزي، وبعد تنظيفها وتحويلها، لتوفير بيانات حقيقية وعالية الجودة لتدريب نماذج الذكاء الاصطناعي.
• اعتماد نموذج "label to earn"، من خلال تحفيز الرموز للعاملين في جميع أنحاء العالم للمشاركة في وضع علامات البيانات، وتجميع المعرفة المهنية العالمية، وتعزيز قدرة تحليل البيانات.
• توفر منصة تبادل بيانات البلوك تشين بيئة تداول شفافة ومفتوحة للطرفين المعنيين بالعرض والطلب على البيانات، مما يحفز الابتكار ومشاركة البيانات.

على الرغم من ذلك، فإن الحصول على البيانات من العالم الحقيقي يواجه بعض المشاكل، مثل تفاوت جودة البيانات، وصعوبة المعالجة، وعدم الكفاية في التنوع والتمثيل، وما إلى ذلك. قد تكون البيانات الاصطناعية هي النجم المستقبلي في مجال بيانات Web3. استنادًا إلى تقنيات الذكاء الاصطناعي التوليدي والمحاكاة، يمكن للبيانات الاصطناعية محاكاة خصائص البيانات الحقيقية، كإضافة فعالة للبيانات الحقيقية، مما يزيد من كفاءة استخدام البيانات. في مجالات مثل القيادة الذاتية، وتداول الأسواق المالية، وتطوير الألعاب، أظهرت البيانات الاصطناعية بالفعل إمكاناتها التطبيقية الناضجة.

حماية الخصوصية: دور FHE في Web3

في عصر البيانات المدفوعة، أصبحت حماية الخصوصية محور اهتمام عالمي، حيث تعكس اللوائح مثل اللائحة العامة لحماية البيانات (GDPR) الصادرة عن الاتحاد الأوروبي الحماية الصارمة للخصوصية الشخصية. ومع ذلك، فإن هذا يطرح أيضًا تحديات: بعض البيانات الحساسة لا يمكن الاستفادة منها بشكل كامل بسبب مخاطر الخصوصية، وهذا بلا شك يحد من إمكانيات نماذج الذكاء الاصطناعي وقدرتها على الاستدلال.

FHE هو تشفير متماثل بالكامل، يسمح بإجراء عمليات حسابية مباشرة على البيانات المشفرة دون الحاجة إلى فك تشفير البيانات، والنتائج المحسوبة تتوافق مع النتائج الناتجة عن إجراء نفس العمليات الحسابية على البيانات النصية.

يوفر FHE حماية قوية لحسابات الخصوصية في الذكاء الاصطناعي، مما يسمح لقوة معالجة GPU بتنفيذ مهام تدريب النماذج والاستدلال في بيئة لا تتعامل مع البيانات الأصلية. وهذا يوفر ميزة كبيرة لشركات الذكاء الاصطناعي. يمكنها فتح خدمات API بأمان مع حماية الأسرار التجارية.

يدعم FHEML معالجة البيانات والنماذج بشكل مشفر طوال دورة حياة التعلم الآلي، مما يضمن أمان المعلومات الحساسة ويمنع مخاطر تسرب البيانات. من خلال هذه الطريقة، يعزز FHEML خصوصية البيانات، ويوفر إطارًا آمنًا للحوسبة لتطبيقات الذكاء الاصطناعي.

FHEML هو تكملة لـ ZKML، حيث يثبت ZKML التنفيذ الصحيح للتعلم الآلي، بينما يركز FHEML على حساب البيانات المشفرة للحفاظ على خصوصية البيانات.

ثورة القوة الحاسوبية: الحوسبة الذكية في الشبكات اللامركزية

تتضاعف تعقيد حسابات أنظمة الذكاء الاصطناعي الحالية كل 3 أشهر، مما يؤدي إلى زيادة هائلة في الطلب على قوة الحوسبة، تفوق بكثير إمدادات الموارد الحاسوبية الحالية. على سبيل المثال، يتطلب تدريب نموذج لغة كبير لشركة معروفة في مجال الذكاء الاصطناعي قوة حسابية هائلة، تعادل 355 عامًا من وقت التدريب على جهاز واحد. إن نقص قوة الحوسبة هذه لا يقتصر فقط على تقييد تقدم تكنولوجيا الذكاء الاصطناعي، بل يجعل من النماذج المتقدمة للذكاء الاصطناعي بعيدة المنال بالنسبة لمعظم الباحثين والمطورين.

في الوقت نفسه، إن معدل استخدام وحدات معالجة الرسوميات العالمية أقل من 40%، بالإضافة إلى تباطؤ تحسين أداء المعالجات الدقيقة، وعوامل نقص الرقائق الناتجة عن سلسلة التوريد والعوامل الجيوسياسية، كل ذلك جعل مشكلة إمدادات القدرة الحاسوبية أكثر حدة. يجد العاملون في مجال الذكاء الاصطناعي أنفسهم في مأزق: إما شراء الأجهزة بأنفسهم أو استئجار موارد سحابية، وهم في حاجة ماسة إلى طريقة حسابية فعالة من حيث التكلفة وفقًا للاحتياج.

تقدم شبكة لامركزية لحوسبة الذكاء الاصطناعي من خلال تجميع موارد GPU غير المستخدمة على مستوى العالم سوق حوسبة اقتصادي وسهل الوصول للشركات العاملة في مجال الذكاء الاصطناعي. يمكن لمستخدمي حوسبة الذكاء الاصطناعي نشر مهام الحوسبة على الشبكة، حيث تقوم العقود الذكية بتوزيع المهام على عقد المعدنين الذين يقدمون قوة الحوسبة. ينفذ المعدنون المهام ويقدمون النتائج، وبعد التحقق يتم منحهم مكافآت نقاط. تعزز هذه الخطة كفاءة استخدام الموارد وتساعد في حل مشكلة اختناق قوة الحوسبة في مجالات مثل الذكاء الاصطناعي.

بالإضافة إلى الشبكات اللامركزية العامة للقوة الحاسوبية، هناك بعض المنصات التي تركز على تدريب الذكاء الاصطناعي، بالإضافة إلى الشبكات الحاسوبية المخصصة لاستنتاج الذكاء الاصطناعي.

تقدم شبكة الحوسبة اللامركزية سوق حوسبة عادل وشفاف، تكسر الاحتكار، وتخفض من عتبة الدخول للتطبيقات، مما يعزز من كفاءة استخدام الحوسبة. في نظام بيئي web3، ستلعب شبكة الحوسبة اللامركزية دوراً حاسماً، مما يجذب المزيد من dapps الابتكارية للانضمام، لدفع تطوير وتطبيق تقنيات الذكاء الاصطناعي معاً.

DePIN: تمكين Web3 للذكاء الاصطناعي الطرفي

تخيل أن هاتفك المحمول، وساعتك الذكية، وحتى الأجهزة الذكية في منزلك، تمتلك القدرة على تشغيل الذكاء الاصطناعي - هذه هي جاذبية Edge AI. إنها تجعل الحوسبة تحدث في مصدر البيانات، مما يحقق انخفاض في زمن الانتظار، ومعالجة في الوقت الحقيقي، بينما تحمي خصوصية المستخدم. لقد تم تطبيق تقنية Edge AI بالفعل في مجالات حيوية مثل القيادة الذاتية.

في مجال Web3، لدينا اسم أكثر شهرة - DePIN. يؤكد Web3 على اللامركزية وحقوق سيادة بيانات المستخدم، ويمكن أن يعزز DePIN حماية خصوصية المستخدم من خلال معالجة البيانات محليًا، مما يقلل من مخاطر تسرب البيانات؛ يمكن لآلية اقتصاد الرموز الأصلية في Web3 تحفيز عقد DePIN لتوفير موارد الحوسبة، وبناء نظام بيئي مستدام.

حاليًا، يتمتع DePIN بنمو سريع في نظام إيكولوجي معين من سلاسل الكتل العامة، ليصبح واحدًا من المنصات العامة المفضلة لنشر المشاريع. إن TPS العالي والرسوم المنخفضة والمعايير التقنية الجديدة لهذه السلسلة العامة توفر دعمًا قويًا لمشاريع DePIN. حاليًا، تتجاوز القيمة السوقية لمشاريع DePIN على هذه السلسلة العامة 10 مليارات دولار، وقد حققت العديد من المشاريع الشهيرة تقدمًا ملحوظًا.

IMO: إصدار نموذج جديد لنموذج AI

تم اقتراح مفهوم IMO لأول مرة بواسطة بروتوكول معين، حيث يتم رموز نموذج الذكاء الاصطناعي.

في النموذج التقليدي، بسبب عدم وجود آلية لمشاركة العائدات، بمجرد تطوير نموذج الذكاء الاصطناعي وإدخاله السوق، غالبًا ما يجد المطورون صعوبة في الحصول على عائدات مستمرة من الاستخدام اللاحق للنموذج، خاصة عندما يتم دمج النموذج في منتجات وخدمات أخرى، يصبح من الصعب على المبدع الأصلي تتبع الاستخدام، ناهيك عن تحقيق العائدات منه. بالإضافة إلى ذلك، غالبًا ما تفتقر أداء نموذج الذكاء الاصطناعي وفعاليته إلى الشفافية، مما يجعل من الصعب على المستثمرين والمستخدمين المحتملين تقييم قيمته الحقيقية، مما يحد من الاعتراف السوقي للنموذج وإمكاناته التجارية.

تقدم IMO طريقة جديدة تمامًا لدعم التمويل ومشاركة القيمة لنماذج الذكاء الاصطناعي المفتوحة المصدر، حيث يمكن للمستثمرين شراء رموز IMO ومشاركة العائدات الناتجة عن النموذج في المستقبل. تستخدم بروتوكول معين معيارين من ERC، وتدمج تكنولوجيا الذكاء الاصطناعي Oracle و OPML لضمان صحة نموذج الذكاء الاصطناعي وتمكين حاملي الرموز من مشاركة العائدات.

تعزز نمط IMO الشفافية والثقة، وتشجع التعاون مفتوح المصدر، وتتكيف مع اتجاهات سوق التشفير، وتضخ الزخم في التنمية المستدامة لتقنية الذكاء الاصطناعي. لا يزال IMO في مرحلة التجربة الأولية، ولكن مع زيادة قبول السوق وتوسع نطاق المشاركة، فإن ابتكاريته وقيمته المحتملة تستحق انتظارنا.

وكيل الذكاء الاصطناعي: عصر جديد من تجربة التفاعل

يمكن لوكيل الذكاء الاصطناعي إدراك البيئة، والتفكير بشكل مستقل، واتخاذ إجراءات مناسبة لتحقيق الأهداف المحددة. بدعم من نماذج اللغة الكبيرة، يمكن لوكيل الذكاء الاصطناعي فهم اللغة الطبيعية، والتخطيط للقرارات، وتنفيذ المهام المعقدة. يمكنهم العمل كمساعدين افتراضيين، من خلال التعلم من تفاعلاتهم مع المستخدمين حول تفضيلاتهم، وتقديم حلول مخصصة. حتى في غياب التعليمات الواضحة، يمكن لوكيل الذكاء الاصطناعي حل المشكلات بشكل مستقل، وزيادة الكفاءة، وخلق قيمة جديدة.

تقدم منصة التطبيقات الأصلية للذكاء الاصطناعي مجموعة شاملة وسهلة الاستخدام من أدوات الإبداع، تدعم المستخدمين في تكوين وظائف الروبوتات والمظاهر والأصوات، بالإضافة إلى ربطها بمكتبات المعرفة الخارجية، وتهدف إلى بناء نظام بيئي مفتوح وعادل لمحتوى الذكاء الاصطناعي، من خلال الاستفادة من تقنيات الذكاء الاصطناعي التوليدي، وتمكين الأفراد ليصبحوا مبدعين خارقين. قامت هذه المنصة بتدريب نموذج لغوي كبير مخصص، مما يجعل الأدوار التمثيلية أكثر إنسانية؛ يمكن لتقنية استنساخ الصوت تسريع التفاعل الشخصي للمنتجات الذكية، وتقليل تكلفة توليد الصوت بنسبة 99%، حيث يمكن تحقيق استنساخ الصوت في دقيقة واحدة فقط. باستخدام وكيل الذكاء الاصطناعي المخصص من هذه المنصة، يمكن تطبيقه حاليًا في مجالات متعددة مثل دردشة الفيديو، وتعلم اللغات، وتوليد الصور.

في دمج Web3 مع الذكاء الاصطناعي، يتم حاليًا استكشاف المزيد من مستوى البنية التحتية، مثل كيفية الحصول على بيانات عالية الجودة، وحماية خصوصية البيانات، وكيفية استضافة النماذج على السلسلة، وكيفية تحسين الاستخدام الفعال لقوة الحوسبة اللامركزية، وكيفية التحقق من نماذج اللغة الكبيرة وغيرها من القضايا الرئيسية. مع التحسين التدريجي لهذه البنية التحتية، لدينا أسباب للاعتقاد أن دمج Web3 مع الذكاء الاصطناعي سيفضي إلى مجموعة من نماذج الأعمال والخدمات المبتكرة.