تقرير شامل عن مسار Web3-AI: تحليل عميق للمنطق التكنولوجي، تطبيقات السيناريو، والمشاريع الكبرى

مع استمرار ارتفاع شعبية السرد المعتمد على الذكاء الاصطناعي، يتركز المزيد من الاهتمام على هذا المجال. تقدم هذه المقالة تحليلًا عميقًا للمنطق التكنولوجي، ومشاهد التطبيق، والمشاريع الرائدة في مجال Web3-AI، لتقديم عرض شامل لكامل هذا المجال واتجاهاته التطويرية.

واحد، Web3-AI: تحليل المنطق التكنولوجي وفرص السوق الناشئة

1.1 منطق دمج Web3 و AI: كيف نحدد مسار Web-AI

على مدار العام الماضي، كانت السردية الخاصة بالذكاء الاصطناعي مزدهرة بشكل استثنائي في صناعة الويب 3، حيث ظهرت مشاريع الذكاء الاصطناعي مثل الفطر بعد المطر. على الرغم من وجود العديد من المشاريع التي تتعلق بتقنية الذكاء الاصطناعي، إلا أن بعض المشاريع تستخدم الذكاء الاصطناعي فقط في بعض أجزاء منتجاتها، ولا توجد ارتباطات جوهرية بين الاقتصاد الرمزي الأساسي ومنتجات الذكاء الاصطناعي، وبالتالي فإن هذه المشاريع لا تندرج ضمن مناقشة مشاريع ويب 3 - الذكاء الاصطناعي في هذه المقالة.

تتركز هذه المقالة على استخدام blockchain لحل مشاكل علاقات الإنتاج، ومشاريع AI التي تحل مشاكل قوى الإنتاج، حيث تقدم هذه المشاريع نفسها منتجات AI، وفي نفس الوقت تعتمد على نموذج اقتصاد Web3 كأداة لعلاقات الإنتاج، حيث يكمل كل منهما الآخر. نصنف هذه المشاريع على أنها في مجال Web3-AI. لجعل القراء يفهمون بشكل أفضل مجال Web3-AI، ستقوم هذه المقالة بتقديم عملية تطوير AI والتحديات، وكيفية دمج Web3 وAI لحل المشاكل بشكل مثالي وخلق سيناريوهات تطبيقية جديدة.

1.2 عملية تطوير الذكاء الاصطناعي والتحديات: من جمع البيانات إلى استنتاج النموذج

تكنولوجيا الذكاء الاصطناعي هي تقنية تمكن الحواسيب من محاكاة وتوسيع وتعزيز الذكاء البشري. إنها قادرة على تمكين الحواسيب من تنفيذ مجموعة متنوعة من المهام المعقدة، بدءًا من ترجمة اللغات وتصنيف الصور وصولاً إلى التعرف على الوجوه وقيادة السيارات ذاتياً، حيث يغير الذكاء الاصطناعي الطريقة التي نعيش بها ونعمل بها.

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، ستحتاج إلى:

1. جمع البيانات ومعالجة البيانات المسبقة: جمع مجموعة بيانات صور تحتوي على القطط والكلاب، يمكن استخدام مجموعات البيانات العامة أو جمع بيانات حقيقية بنفسك. ثم قم بتصنيف كل صورة (قطة أو كلب)، تأكد من دقة التسميات. تحويل الصور إلى تنسيق يمكن للنموذج التعرف عليه، تقسيم مجموعة البيانات إلى مجموعة تدريب ومجموعة تحقق ومجموعة اختبار.

2. اختيار النموذج وضبطه: اختيار النموذج المناسب، مثل الشبكات العصبية التلافيفية (CNN)، مناسب للغاية لمهام تصنيف الصور. ضبط معلمات النموذج أو هيكله وفقًا للاحتياجات المختلفة، وعادةً ما يمكن ضبط مستويات الشبكة للنموذج بناءً على تعقيد مهمة الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون المستويات الشبكية الأقل عمقًا كافية.

3. تدريب النموذج: يمكن استخدام GPU أو TPU أو تجمعات الحوسبة عالية الأداء لتدريب النموذج، ويؤثر تعقيد النموذج وقدرة الحوسبة على وقت التدريب.

4. استنتاج النموذج: تُعرف الملفات التي تم تدريب النموذج بها عادةً بأوزان النموذج، وعملية الاستنتاج تشير إلى استخدام النموذج المدرب مسبقًا للتنبؤ أو تصنيف بيانات جديدة. يمكن استخدام مجموعة الاختبار أو بيانات جديدة لاختبار فعالية تصنيف النموذج، وغالبًا ما يتم تقييم فعالية النموذج من خلال مؤشرات مثل الدقة، ومعدل الاسترجاع، و F1-score.

كما هو موضح في الصورة، بعد جمع البيانات ومعالجة البيانات، واختيار النموذج وضبطه، وكذلك التدريب، سيتم إجراء الاستدلال على مجموعة الاختبار باستخدام النموذج المدرب للحصول على قيم التنبؤ للقطط والكلاب P (احتمالية)، أي احتمالية استنتاج النموذج أنها قطة أو كلب.

يمكن دمج نموذج AI المدرب بشكل أكبر في تطبيقات مختلفة لأداء مهام مختلفة. في هذه الحالة، يمكن دمج نموذج AI لتصنيف القطط والكلاب في تطبيق هاتف محمول حيث يقوم المستخدم بتحميل صورة لقط أو كلب للحصول على نتيجة التصنيف.

ومع ذلك، فإن عملية تطوير الذكاء الاصطناعي المركزية تعاني من بعض المشكلات في السيناريوهات التالية:

خصوصية المستخدم: في السيناريوهات المركزية، عادةً ما تكون عملية تطوير الذكاء الاصطناعي غير شفافة. قد يتم سرقة بيانات المستخدمين دون علمهم واستخدامها في تدريب الذكاء الاصطناعي.

مصدر البيانات: قد يواجه فريق صغير أو فرد قيودًا على عدم فتح البيانات عند الحصول على بيانات في مجالات معينة (مثل بيانات الطب).

اختيار النموذج وضبطه: من الصعب على الفرق الصغيرة الحصول على موارد نماذج في مجالات معينة أو إنفاق مبالغ كبيرة على ضبط النموذج.

الحصول على قوة الحوسبة: بالنسبة للمطورين الأفراد والفرق الصغيرة، قد تشكل تكلفة شراء وحدات معالجة الرسوميات العالية وتأجير قوة الحوسبة السحابية عبئًا ماليًا كبيرًا.

دخل الأصول الذكية: غالبًا ما لا يتمكن العاملون في مجال وضع العلامات على البيانات من الحصول على دخل يتناسب مع جهودهم، كما أن نتائج أبحاث مطوري الذكاء الاصطناعي يصعب مطابقتها مع المشترين الذين لديهم طلب.

يمكن تجاوز التحديات الموجودة في مشهد الذكاء الاصطناعي المركزي من خلال دمجه مع Web3، حيث أن Web3 كعلاقة إنتاج جديدة يتكيف بطبيعته مع الذكاء الاصطناعي الذي يمثل قوى الإنتاج الجديدة، مما يعزز التقدم التكنولوجي وقدرات الإنتاج في الوقت ذاته.

1.3 التآزر بين Web3 و AI: تحول الأدوار والتطبيقات الابتكارية

يمكن أن يعزز دمج Web3 مع الذكاء الاصطناعي سيادة المستخدمين، ويوفر للمستخدمين منصة مفتوحة للتعاون في الذكاء الاصطناعي، مما يسمح لهم بالتحول من مستخدمي الذكاء الاصطناعي في عصر Web2 إلى مشاركين، لخلق ذكاء اصطناعي يمكن للجميع امتلاكه. في الوقت نفسه، يمكن أن يؤدي اندماج عالم Web3 مع تقنيات الذكاء الاصطناعي إلى ظهور المزيد من مشاهد تطبيقات مبتكرة وألعاب جديدة.

استنادًا إلى تقنية Web3، سيشهد تطوير وتطبيق الذكاء الاصطناعي نظامًا اقتصاديًا تعاونيًا جديدًا تمامًا. يمكن ضمان خصوصية بيانات الناس، ويعزز نموذج البيانات الجماعية تقدم نماذج الذكاء الاصطناعي، كما تتوفر العديد من موارد الذكاء الاصطناعي مفتوحة المصدر للاستخدام من قبل المستخدمين، ويمكن الحصول على القدرة الحاسوبية المشتركة بتكاليف منخفضة. من خلال آلية التعاون الجماعي اللامركزية وسوق الذكاء الاصطناعي المفتوحة، يمكن تحقيق نظام عادل لتوزيع الدخل، مما يحفز المزيد من الناس على دفع تقدم تقنية الذكاء الاصطناعي.

في سيناريوهات Web3، يمكن أن يؤثر الذكاء الاصطناعي بشكل إيجابي في مجالات متعددة. على سبيل المثال، يمكن دمج نماذج الذكاء الاصطناعي في العقود الذكية لزيادة كفاءة العمل في تطبيقات مختلفة مثل تحليل السوق، والكشف عن الأمان، والتجمعات الاجتماعية، وغيرها من الوظائف المتنوعة. يمكن للذكاء الاصطناعي التوليدي أن يمنح المستخدمين تجربة "فنان"، مثل استخدام تقنيات الذكاء الاصطناعي لإنشاء NFT الخاصة بهم، كما يمكنه خلق مشاهد ألعاب متنوعة وتجارب تفاعلية ممتعة في GameFi. توفر البنية التحتية الغنية تجربة تطوير سلسة، حيث يمكن لكل من خبراء الذكاء الاصطناعي والمبتدئين الراغبين في دخول مجال الذكاء الاصطناعي العثور على مدخل مناسب في هذا العالم.

٢- تفسير خريطة وهيكل مشروع Web3-AI الإيكولوجي

لقد قمنا بدراسة 41 مشروعًا في مجال Web3-AI وقمنا بتصنيف هذه المشاريع إلى مستويات مختلفة. يتضح من الصورة أدناه منطق تقسيم كل مستوى، بما في ذلك مستوى البنية التحتية، المستوى الوسيط، ومستوى التطبيقات، حيث يتم تقسيم كل مستوى إلى مجالات مختلفة. في الفصل التالي، سنقوم بإجراء تحليل معمق لبعض المشاريع التمثيلية.

تغطي طبقة البنية التحتية الموارد الحاسوبية والهندسة التقنية التي تدعم تشغيل دورة حياة الذكاء الاصطناعي بالكامل، بينما تشمل الطبقة الوسطى إدارة البيانات وتطوير النماذج وخدمات التحقق من الاستدلال التي تربط البنية التحتية بالتطبيقات، وتركز الطبقة التطبيقية على أنواع التطبيقات والحلول الموجهة مباشرة إلى المستخدم.

طبقة البنية التحتية:

إن طبقة البنية التحتية هي أساس دورة حياة الذكاء الاصطناعي، حيث تصنف هذه المقالة القدرة الحاسوبية، سلسلة الذكاء الاصطناعي ومنصة التطوير كطبقة بنية تحتية. بفضل دعم هذه البنية التحتية، يمكن تدريب نماذج الذكاء الاصطناعي واستنتاجها، مما يقدم تطبيقات ذكاء اصطناعي قوية وعملية للمستخدمين.

• شبكة الحوسبة اللامركزية: يمكن أن توفر قوة حسابية موزعة لتدريب نماذج الذكاء الاصطناعي، مما يضمن استخدام موارد حوسبة فعالة واقتصادية. تقدم بعض المشاريع سوقًا لامركزيًا للقوة الحسابية، حيث يمكن للمستخدمين استئجار القوة الحسابية بتكلفة منخفضة أو مشاركة القوة الحسابية للحصول على أرباح، ومن المشاريع الممثلة مثل IO.NET و Hyperbolic. بالإضافة إلى ذلك، قامت بعض المشاريع بتطوير طرق جديدة، مثل Compute Labs، التي اقترحت بروتوكول توكين، حيث يمكن للمستخدمين من خلال شراء NFTs تمثل وحدات GPU المادية المشاركة بطرق مختلفة في استئجار القوة الحسابية للحصول على أرباح.

• AI Chain: استخدام blockchain كأساس لدورة حياة الذكاء الاصطناعي، مما يحقق التفاعل السلس بين موارد الذكاء الاصطناعي على السلسلة وخارجها، ويساهم في تطوير النظام البيئي للصناعة. يمكن للسوق اللامركزي للذكاء الاصطناعي على السلسلة تداول أصول الذكاء الاصطناعي مثل البيانات والنماذج والوكلاء وغيرها، وتوفير إطار تطوير الذكاء الاصطناعي والأدوات المساعدة في التطوير، مثل مشروع Sahara AI. يمكن أن تعزز AI Chain أيضًا التقدم التكنولوجي في مجالات مختلفة من الذكاء الاصطناعي، مثل Bittensor من خلال آلية الحوافز المبتكرة للشبكات الفرعية لتعزيز المنافسة بين أنواع مختلفة من الشبكات الفرعية للذكاء الاصطناعي.

• منصة التطوير: تقدم بعض المشاريع منصة تطوير وكلاء الذكاء الاصطناعي، ويمكنها أيضًا تنفيذ تداول وكلاء الذكاء الاصطناعي، مثل Fetch.ai و ChainML وغيرها. أدوات شاملة تساعد المطورين في إنشاء وتدريب ونشر نماذج الذكاء الاصطناعي بشكل أكثر سهولة، وتمثل المشاريع مثل Nimble. تعزز هذه البنية التحتية الاستخدام الواسع لتقنيات الذكاء الاصطناعي في نظام Web3 البيئي.

الطبقة المتوسطة:

تتعلق هذه الطبقة ببيانات الذكاء الاصطناعي والنماذج وكذلك الاستدلال والتحقق، حيث يمكن تحقيق كفاءة عمل أعلى باستخدام تقنيات Web3.

• البيانات: تعتبر جودة البيانات وكميتها من العوامل الرئيسية التي تؤثر على فعالية تدريب النموذج. في عالم Web3، يمكن تحسين استخدام الموارد وتقليل تكلفة البيانات من خلال البيانات الجماعية والمعالجة التعاونية للبيانات. يمكن للمستخدمين امتلاك حقوق البيانات الخاصة بهم، وبيع بياناتهم في ظل حماية الخصوصية، لتجنب سرقتها من قبل تجار غير أخلاقيين وتحقيق أرباح ضخمة. بالنسبة لمتطلبات البيانات، توفر هذه المنصات خيارات واسعة وتكاليف منخفضة جداً. من المشاريع الممثلة، تستخدم Grass عرض النطاق الترددي للمستخدمين لجمع بيانات الويب، بينما تجمع xData المعلومات الإعلامية من خلال إضافة سهلة الاستخدام، وتدعم المستخدمين في رفع معلومات التغريدات.

بالإضافة إلى ذلك، تسمح بعض المنصات للخبراء في المجالات أو للمستخدمين العاديين بتنفيذ مهام معالجة البيانات الأولية، مثل وضع علامات على الصور وتصنيف البيانات، والتي قد تتطلب معرفة متخصصة في المهام المالية والقانونية. يمكن للمستخدمين تحويل مهاراتهم إلى رموز، مما يتيح التعاون الجماعي في معالجة البيانات الأولية. يمثل سوق الذكاء الاصطناعي مثل Sahara AI مهام بيانات في مجالات مختلفة، ويمكن أن تغطي سيناريوهات بيانات متعددة المجالات؛ بينما يقوم بروتوكول AIT بوضع علامات على البيانات من خلال تعاون الإنسان والآلة.

• النموذج: في عملية تطوير الذكاء الاصطناعي التي تم الإشارة إليها سابقًا، تتطلب أنواع مختلفة من المتطلبات مطابقة نماذج مناسبة. النماذج الشائعة المستخدمة في مهام الصور مثل CNN و GAN، بينما يمكن اختيار سلسلة Yolo لمهام الكشف عن الأهداف. أما بالنسبة لمهام النصوص، فتستخدم نماذج شائعة مثل RNN و Transformer، بالطبع هناك أيضًا بعض النماذج الكبيرة المحددة أو العامة. تختلف العمق المطلوب للنماذج حسب تعقيد المهام، وأحيانًا يتطلب الأمر ضبط النموذج.

بعض المشاريع تدعم المستخدمين لتقديم أنواع مختلفة من النماذج أو التعاون في تدريب النماذج من خلال الحشد، مثل Sentient التي من خلال تصميمها القابل للتعديل، تسمح للمستخدمين بإدراج بيانات النموذج الموثوقة في طبقة التخزين وطبقة التوزيع من أجل تحسين النموذج، كما أن الأدوات التطويرية التي تقدمها Sahara AI تتضمن خوارزميات ذكاء اصطناعي متقدمة وإطار حسابي، ولديها القدرة على التدريب التعاوني.

• الاستنتاج والتحقق: بعد تدريب النموذج، سيتم生成 ملفات أوزان النموذج، والتي يمكن استخدامها مباشرة للتصنيف أو التنبؤ أو المهام المحددة الأخرى، وتسمى هذه العملية بالاستنتاج. عادة ما يصاحب عملية الاستنتاج آلية تحقق للتحقق مما إذا كان مصدر نموذج الاستنتاج صحيحًا، وما إذا كانت هناك سلوكيات ضارة وما إلى ذلك. يمكن دمج استنتاج Web3 عادةً في العقود الذكية، من خلال استدعاء النموذج لإجراء الاستنتاج، وتشمل طرق التحقق الشائعة تقنيات مثل ZKML و OPML و TEE. المشاريع التمثيلية مثل ORA AI Oracle على السلسلة، قدمت OPML كطبقة قابلة للتحقق لأوراكل الذكاء الاصطناعي، كما تم ذكر أبحاثهم حول ZKML و opp/ai (ZKML مع OPML) في الموقع الرسمي لـ ORA.

طبقة التطبيق:

هذه الطبقة موجهة بشكل مباشر إلى المستخدمين، حيث تجمع بين الذكاء الاصطناعي وWeb3، مما يخلق المزيد من الطرق الشيقة والمبتكرة للعب. يركز هذا المقال بشكل رئيسي على تنظيم المشاريع في عدة مجالات مثل AIGC (المحتوى الذي يتم إنشاؤه بواسطة الذكاء الاصطناعي)، وكلاء الذكاء الاصطناعي وتحليل البيانات.

• AIGC: من خلال AIGC يمكن توسيع