دمج Web3 و AI: بناء بنية تحتية جديدة للإنترنت من الجيل التالي
تعتبر Web3 كإطار إنترنت جديد لا مركزي ومفتوح وشفاف، لديها فرص الدمج الطبيعية مع الذكاء الاصطناعي. في الهيكل التقليدي المركزي، تتعرض موارد حساب الذكاء الاصطناعي والبيانات لمحدودية صارمة، وتواجه العديد من التحديات مثل عنق الزجاجة في القدرة الحاسوبية، تسرب الخصوصية، وصندوق الأسود للخوارزميات. بينما تستند Web3 إلى تقنية موزعة، يمكنها من خلال مشاركة شبكة القدرة الحاسوبية، سوق البيانات المفتوحة، والحوسبة الخصوصية، تقديم دفعة جديدة لتطور الذكاء الاصطناعي. في الوقت نفسه، يمكن للذكاء الاصطناعي أيضًا تمكين Web3 بطرق متعددة، مثل تحسين العقود الذكية وخوارزميات مكافحة الغش، مما يعزز بناء نظامه البيئي. لذلك، فإن استكشاف دمج Web3 والذكاء الاصطناعي له أهمية كبيرة في بناء بنية الإنترنت التحتية من الجيل التالي، وإطلاق قيمة البيانات والقدرة الحاسوبية.
البيانات المدفوعة بالبيانات: حجر الزاوية للذكاء الاصطناعي وWeb3
البيانات هي القوة الدافعة الأساسية لتطوير الذكاء الاصطناعي. تحتاج نماذج الذكاء الاصطناعي إلى استيعاب كميات كبيرة من البيانات عالية الجودة للحصول على فهم عميق وقدرات استدلال قوية، فالبيانات لا توفر فقط الأساس للتدريب لنماذج التعلم الآلي، بل تحدد أيضًا دقة وموثوقية النموذج.
توجد المشكلات الرئيسية التالية في نماذج الحصول على البيانات واستخدامها في الذكاء الاصطناعي المركزية التقليدية:
تكلفة الحصول على البيانات مرتفعة، والشركات الصغيرة والمتوسطة تجد صعوبة في تحملها
يتم احتكار موارد البيانات من قبل شركات التكنولوجيا الكبرى، مما يؤدي إلى إنشاء جزر بيانات.
تواجه خصوصية البيانات الشخصية مخاطر التسرب والإساءة
يوفر Web3 نموذج بيانات لامركزي جديد لمعالجة هذه النقاط المؤلمة:
يمكن للمستخدمين بيع الموارد الشبكية غير المستخدمة لشركات الذكاء الاصطناعي، لجمع بيانات الشبكة بطريقة لامركزية، وبعد التنظيف والتحويل، لتوفير بيانات حقيقية وعالية الجودة لتدريب نماذج الذكاء الاصطناعي.
اعتماد نموذج "الكسب من خلال التوصيف"، من خلال تحفيز التوكنات للعاملين في جميع أنحاء العالم للمشاركة في توصيف البيانات، وجمع المعرفة المهنية العالمية، وتعزيز قدرات تحليل البيانات.
منصة تداول بيانات blockchain توفر بيئة تداول شفافة وعلنية للطرفين المعنيين بالبيانات، مما يحفز الابتكار ومشاركة البيانات
على الرغم من ذلك، لا تزال هناك بعض المشكلات في الحصول على بيانات العالم الحقيقي، مثل تباين جودة البيانات، وصعوبة المعالجة، ونقص التنوع والتمثيل. قد تكون البيانات التركيبية هي السمة البارزة في مجال بيانات Web3 في المستقبل. استنادًا إلى تقنيات الذكاء الاصطناعي التوليدي والمحاكاة، يمكن للبيانات التركيبية محاكاة خصائص البيانات الحقيقية، كإضافة فعالة، مما يزيد من كفاءة استخدام البيانات. في مجالات مثل القيادة الذاتية، وتداول الأسواق المالية، وتطوير الألعاب، أظهرت البيانات التركيبية إمكانيات تطبيق ناضجة.
حماية الخصوصية: تطبيق FHE في Web3
في عصر البيانات المدفوعة، أصبحت حماية الخصوصية محور اهتمام عالمي، حيث تعكس لوائح مثل اللائحة العامة لحماية البيانات في الاتحاد الأوروبي الحماية الصارمة للخصوصية الشخصية. ومع ذلك، فإن هذا قد أدى أيضًا إلى تحديات: بعض البيانات الحساسة لا يمكن الاستفادة منها بشكل كامل بسبب مخاطر الخصوصية، مما يقيّد إمكانيات ونماذج الذكاء الاصطناعي.
التشفير المتجانس بالكامل ( FHE ) يسمح بإجراء عمليات حسابية مباشرة على البيانات المشفرة دون الحاجة إلى فك تشفير البيانات، ونتائج الحساب تتطابق مع نتائج الحساب على البيانات النصية. يوفر FHE حماية قوية لحسابات الخصوصية في الذكاء الاصطناعي، مما يمكّن قوة حوسبة GPU من تنفيذ مهام تدريب النماذج والاستدلال في بيئة لا تتعامل مع البيانات الأصلية. وهذا يوفر ميزة كبيرة لشركات الذكاء الاصطناعي، حيث يمكنها فتح خدمات API بشكل آمن مع حماية الأسرار التجارية.
يدعم FHEML معالجة البيانات والنماذج بشكل مشفر طوال دورة تعلم الآلة، مما يضمن أمان المعلومات الحساسة ويمنع مخاطر تسرب البيانات. من خلال هذه الطريقة، يعزز FHEML خصوصية البيانات، ويوفر إطار حساب آمن لتطبيقات الذكاء الاصطناعي.
FHEML هو تكملة لـ ZKML، حيث يثبت ZKML التنفيذ الصحيح للتعلم الآلي، بينما يركز FHEML على إجراء الحسابات على البيانات المشفرة للحفاظ على خصوصية البيانات.
ثورة قوة الحوسبة: الحوسبة بالذكاء الاصطناعي في الشبكات اللامركزية
تتضاعف تعقيدات حساب النظام الذكي كل ثلاثة أشهر، مما يؤدي إلى زيادة هائلة في الطلب على القدرة الحاسوبية، متجاوزة بكثير إمدادات الموارد الحاسوبية الحالية. على سبيل المثال، يتطلب تدريب نموذج لغوي كبير قدرة حاسوبية هائلة، تعادل 355 عامًا من وقت التدريب على جهاز واحد. هذه النقص في القدرة الحاسوبية لا يقتصر فقط على تقييد التقدم في تقنية الذكاء الاصطناعي، بل يجعل النماذج المتقدمة للذكاء الاصطناعي بعيدة المنال بالنسبة لمعظم الباحثين والمطورين.
في الوقت نفسه، فإن معدل استخدام وحدات معالجة الرسوميات (GPU) العالمي أقل من 40%، بالإضافة إلى تباطؤ تحسين أداء المعالجات الدقيقة، ونقص الرقائق الناجم عن عوامل سلسلة الإمداد والجغرافيا السياسية، كل هذا يزيد من مشكلة توفير القدرة الحسابية. يواجه محترفو الذكاء الاصطناعي معضلة: إما شراء الأجهزة بأنفسهم أو استئجار موارد سحابية، وهم في حاجة ماسة إلى طريقة خدمة حسابية فعالة من حيث التكلفة وبناءً على الطلب.
تقوم شبكة حسابات الذكاء الاصطناعي اللامركزية من خلال تجميع موارد GPU المتاحة عالمياً بتوفير سوق حسابات يسهل الوصول إليه من الناحية الاقتصادية لشركات الذكاء الاصطناعي. يمكن لمستخدمي الطلب على الحسابات نشر مهام حسابية على الشبكة، حيث تقوم العقود الذكية بتوزيع المهام على العقد التي تساهم بالحسابات، وتقوم العقد بتنفيذ المهام وتقديم النتائج، وبعد التحقق منها تحصل على مكافآت. تعزز هذه الخطة كفاءة استخدام الموارد وتساعد في حل مشكلة اختناق القدرة الحاسوبية في مجالات مثل الذكاء الاصطناعي.
بالإضافة إلى الشبكة العامة لقدر الحوسبة اللامركزية، هناك منصة قدرة مخصصة تركز على تدريب الذكاء الاصطناعي والاستدلال. توفر شبكة القدرة اللامركزية سوقًا عادلًا وشفافًا، مما يكسر الاحتكار، ويقلل من عوائق التطبيقات، ويزيد من كفاءة استخدام القدرة الحوسبية. في نظام Web3 البيئي، ستلعب شبكة القدرة اللامركزية دورًا حاسمًا، مما يجذب المزيد من التطبيقات المبتكرة للانضمام، ودفع تطوير وتطبيق تقنيات الذكاء الاصطناعي بشكل مشترك.
DePIN: تمكين Web3 للذكاء الاصطناعي على الحافة
تخيل أن هاتفك المحمول، وساعتك الذكية، وحتى الأجهزة الذكية في منزلك يمكنها تشغيل الذكاء الاصطناعي - هذه هي سحر الذكاء الاصطناعي على الحافة. إنه يجعل الحوسبة تحدث عند مصدر إنتاج البيانات، مما يحقق زمن انتقال منخفض ومعالجة في الوقت الحقيقي، وفي نفس الوقت يحمي خصوصية المستخدم. لقد تم تطبيق تقنية الذكاء الاصطناعي على الحافة في مجالات رئيسية مثل القيادة الذاتية.
في مجال Web3، الاسم الذي نعرفه بشكل أفضل هو DePIN. يركز Web3 على اللامركزية وحقوق سيادة بيانات المستخدم، بينما يعزز DePIN حماية خصوصية المستخدم من خلال معالجة البيانات محليًا، مما يقلل من مخاطر تسرب البيانات؛ كما أن آلية الاقتصاد الرمزي الأصلية لـ Web3 يمكن أن تحفز عقد DePIN على توفير موارد الحوسبة، وبناء نظام بيئي مستدام.
تتطور DePIN حاليًا بسرعة في نظام بيئي لسلسلة عامة معينة، لتصبح واحدة من المنصات المفضلة لنشر المشاريع. إن TPS العالي لهذه السلسلة العامة، وانخفاض تكاليف المعاملات، والابتكار التكنولوجي توفر دعمًا قويًا لمشاريع DePIN. حاليًا، تجاوزت القيمة السوقية لمشاريع DePIN على هذه السلسلة العامة 10 مليارات دولار أمريكي، وقد حققت بعض المشاريع المعروفة تقدمًا ملحوظًا.
IMO: إطلاق نموذج جديد لنموذج الذكاء الاصطناعي
تم اقتراح مفهوم IMO لأول مرة بواسطة بروتوكول معين، حيث يتم تحويل نماذج الذكاء الاصطناعي إلى رموز.
في النمط التقليدي، وبسبب نقص آلية مشاركة الأرباح، يواجه مطورو نماذج الذكاء الاصطناعي صعوبة في الحصول على عوائد مستدامة من الاستخدام اللاحق للنموذج، خاصة عندما يتم دمج النموذج في منتجات وخدمات أخرى، حيث يصعب على المنشئين الأصليين تتبع استخدامه، ويصعب عليهم الحصول على الأرباح. بالإضافة إلى ذلك، فإن أداء نموذج الذكاء الاصطناعي وفعاليته غالبًا ما تفتقر إلى الشفافية، مما يجعل المستثمرين المحتملين والمستخدمين يصعب عليهم تقييم قيمته الحقيقية، مما يحد من الاعتراف السوقي للنموذج وإمكاناته التجارية.
يوفر IMO نموذجًا جديدًا من الدعم المالي ومشاركة القيمة لنماذج الذكاء الاصطناعي المفتوحة المصدر، حيث يمكن للمستثمرين شراء رموز IMO ومشاركة الأرباح الناتجة عن النموذج في المستقبل. يستخدم بروتوكول معين معيار ERC محدد، ويجمع بين تقنية الذكاء الاصطناعي Oracle و OPML لضمان صحة نموذج الذكاء الاصطناعي وقدرة حاملي الرموز على مشاركة الأرباح.
تعزز نماذج IMO الشفافية والثقة، وتشجع التعاون مفتوح المصدر، وتتكيف مع اتجاهات سوق التشفير، وتضخ الطاقة في التنمية المستدامة لتقنيات الذكاء الاصطناعي. حاليًا، تعتبر IMO في مرحلة التجربة الأولية، ولكن مع زيادة قبول السوق وتوسيع نطاق المشاركة، فإن ابتكاراتها وقيمتها المحتملة تستحق الانتظار.
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 كوسطاء افتراضيين، من خلال التفاعل مع المستخدمين لتعلم التفضيلات وتقديم حلول مخصصة. 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 تخصيص وظائف الروبوتات والمظهر والصوت، بالإضافة إلى ربط قواعد المعرفة الخارجية، وتهدف إلى إنشاء نظام بيئي لمحتوى الذكاء الاصطناعي عادل ومفتوح. باستخدام تقنية الذكاء الاصطناعي التوليدي، يمكن تمكين الأفراد ليصبحوا مبدعين خارقين. قامت المنصة بتدريب نموذج لغوي كبير متخصص، مما يجعل التفاعل في الأدوار أكثر إنسانية؛ يمكن لتقنية استنساخ الصوت تسريع التفاعل الشخصي مع منتجات الذكاء الاصطناعي، حيث تم تخفيض تكلفة توليد الصوت بنسبة 99%، ويمكن تحقيق استنساخ الصوت في دقيقة واحدة فقط. باستخدام وكيل الذكاء الاصطناعي المخصص من هذه المنصة، يمكن تطبيقه حاليًا في مجالات متعددة مثل الدردشة المرئية، تعلم اللغات، وتوليد الصور.
في دمج Web3 مع الذكاء الاصطناعي، يتم حاليا استكشاف المزيد من البنية التحتية، مثل كيفية الحصول على بيانات عالية الجودة، وحماية خصوصية البيانات، وكيفية استضافة النماذج على السلسلة، وكيفية تحسين الاستخدام الفعال للقوة الحسابية اللامركزية، وكيفية التحقق من نماذج اللغة الكبيرة وغيرها من القضايا الرئيسية. مع تحسين هذه البنية التحتية تدريجيا، لدينا سبب للاعتقاد بأن دمج Web3 مع الذكاء الاصطناعي سيولد مجموعة من نماذج الأعمال والخدمات المبتكرة.
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.
Web3 و AI: بناء بنية تحتية جديدة للبيانات اللامركزية، قوة الحوسبة والخصوصية
دمج Web3 و AI: بناء بنية تحتية جديدة للإنترنت من الجيل التالي
تعتبر Web3 كإطار إنترنت جديد لا مركزي ومفتوح وشفاف، لديها فرص الدمج الطبيعية مع الذكاء الاصطناعي. في الهيكل التقليدي المركزي، تتعرض موارد حساب الذكاء الاصطناعي والبيانات لمحدودية صارمة، وتواجه العديد من التحديات مثل عنق الزجاجة في القدرة الحاسوبية، تسرب الخصوصية، وصندوق الأسود للخوارزميات. بينما تستند Web3 إلى تقنية موزعة، يمكنها من خلال مشاركة شبكة القدرة الحاسوبية، سوق البيانات المفتوحة، والحوسبة الخصوصية، تقديم دفعة جديدة لتطور الذكاء الاصطناعي. في الوقت نفسه، يمكن للذكاء الاصطناعي أيضًا تمكين Web3 بطرق متعددة، مثل تحسين العقود الذكية وخوارزميات مكافحة الغش، مما يعزز بناء نظامه البيئي. لذلك، فإن استكشاف دمج Web3 والذكاء الاصطناعي له أهمية كبيرة في بناء بنية الإنترنت التحتية من الجيل التالي، وإطلاق قيمة البيانات والقدرة الحاسوبية.
البيانات المدفوعة بالبيانات: حجر الزاوية للذكاء الاصطناعي وWeb3
البيانات هي القوة الدافعة الأساسية لتطوير الذكاء الاصطناعي. تحتاج نماذج الذكاء الاصطناعي إلى استيعاب كميات كبيرة من البيانات عالية الجودة للحصول على فهم عميق وقدرات استدلال قوية، فالبيانات لا توفر فقط الأساس للتدريب لنماذج التعلم الآلي، بل تحدد أيضًا دقة وموثوقية النموذج.
توجد المشكلات الرئيسية التالية في نماذج الحصول على البيانات واستخدامها في الذكاء الاصطناعي المركزية التقليدية:
يوفر Web3 نموذج بيانات لامركزي جديد لمعالجة هذه النقاط المؤلمة:
على الرغم من ذلك، لا تزال هناك بعض المشكلات في الحصول على بيانات العالم الحقيقي، مثل تباين جودة البيانات، وصعوبة المعالجة، ونقص التنوع والتمثيل. قد تكون البيانات التركيبية هي السمة البارزة في مجال بيانات Web3 في المستقبل. استنادًا إلى تقنيات الذكاء الاصطناعي التوليدي والمحاكاة، يمكن للبيانات التركيبية محاكاة خصائص البيانات الحقيقية، كإضافة فعالة، مما يزيد من كفاءة استخدام البيانات. في مجالات مثل القيادة الذاتية، وتداول الأسواق المالية، وتطوير الألعاب، أظهرت البيانات التركيبية إمكانيات تطبيق ناضجة.
حماية الخصوصية: تطبيق FHE في Web3
في عصر البيانات المدفوعة، أصبحت حماية الخصوصية محور اهتمام عالمي، حيث تعكس لوائح مثل اللائحة العامة لحماية البيانات في الاتحاد الأوروبي الحماية الصارمة للخصوصية الشخصية. ومع ذلك، فإن هذا قد أدى أيضًا إلى تحديات: بعض البيانات الحساسة لا يمكن الاستفادة منها بشكل كامل بسبب مخاطر الخصوصية، مما يقيّد إمكانيات ونماذج الذكاء الاصطناعي.
التشفير المتجانس بالكامل ( FHE ) يسمح بإجراء عمليات حسابية مباشرة على البيانات المشفرة دون الحاجة إلى فك تشفير البيانات، ونتائج الحساب تتطابق مع نتائج الحساب على البيانات النصية. يوفر FHE حماية قوية لحسابات الخصوصية في الذكاء الاصطناعي، مما يمكّن قوة حوسبة GPU من تنفيذ مهام تدريب النماذج والاستدلال في بيئة لا تتعامل مع البيانات الأصلية. وهذا يوفر ميزة كبيرة لشركات الذكاء الاصطناعي، حيث يمكنها فتح خدمات API بشكل آمن مع حماية الأسرار التجارية.
يدعم FHEML معالجة البيانات والنماذج بشكل مشفر طوال دورة تعلم الآلة، مما يضمن أمان المعلومات الحساسة ويمنع مخاطر تسرب البيانات. من خلال هذه الطريقة، يعزز FHEML خصوصية البيانات، ويوفر إطار حساب آمن لتطبيقات الذكاء الاصطناعي.
FHEML هو تكملة لـ ZKML، حيث يثبت ZKML التنفيذ الصحيح للتعلم الآلي، بينما يركز FHEML على إجراء الحسابات على البيانات المشفرة للحفاظ على خصوصية البيانات.
ثورة قوة الحوسبة: الحوسبة بالذكاء الاصطناعي في الشبكات اللامركزية
تتضاعف تعقيدات حساب النظام الذكي كل ثلاثة أشهر، مما يؤدي إلى زيادة هائلة في الطلب على القدرة الحاسوبية، متجاوزة بكثير إمدادات الموارد الحاسوبية الحالية. على سبيل المثال، يتطلب تدريب نموذج لغوي كبير قدرة حاسوبية هائلة، تعادل 355 عامًا من وقت التدريب على جهاز واحد. هذه النقص في القدرة الحاسوبية لا يقتصر فقط على تقييد التقدم في تقنية الذكاء الاصطناعي، بل يجعل النماذج المتقدمة للذكاء الاصطناعي بعيدة المنال بالنسبة لمعظم الباحثين والمطورين.
في الوقت نفسه، فإن معدل استخدام وحدات معالجة الرسوميات (GPU) العالمي أقل من 40%، بالإضافة إلى تباطؤ تحسين أداء المعالجات الدقيقة، ونقص الرقائق الناجم عن عوامل سلسلة الإمداد والجغرافيا السياسية، كل هذا يزيد من مشكلة توفير القدرة الحسابية. يواجه محترفو الذكاء الاصطناعي معضلة: إما شراء الأجهزة بأنفسهم أو استئجار موارد سحابية، وهم في حاجة ماسة إلى طريقة خدمة حسابية فعالة من حيث التكلفة وبناءً على الطلب.
تقوم شبكة حسابات الذكاء الاصطناعي اللامركزية من خلال تجميع موارد GPU المتاحة عالمياً بتوفير سوق حسابات يسهل الوصول إليه من الناحية الاقتصادية لشركات الذكاء الاصطناعي. يمكن لمستخدمي الطلب على الحسابات نشر مهام حسابية على الشبكة، حيث تقوم العقود الذكية بتوزيع المهام على العقد التي تساهم بالحسابات، وتقوم العقد بتنفيذ المهام وتقديم النتائج، وبعد التحقق منها تحصل على مكافآت. تعزز هذه الخطة كفاءة استخدام الموارد وتساعد في حل مشكلة اختناق القدرة الحاسوبية في مجالات مثل الذكاء الاصطناعي.
بالإضافة إلى الشبكة العامة لقدر الحوسبة اللامركزية، هناك منصة قدرة مخصصة تركز على تدريب الذكاء الاصطناعي والاستدلال. توفر شبكة القدرة اللامركزية سوقًا عادلًا وشفافًا، مما يكسر الاحتكار، ويقلل من عوائق التطبيقات، ويزيد من كفاءة استخدام القدرة الحوسبية. في نظام Web3 البيئي، ستلعب شبكة القدرة اللامركزية دورًا حاسمًا، مما يجذب المزيد من التطبيقات المبتكرة للانضمام، ودفع تطوير وتطبيق تقنيات الذكاء الاصطناعي بشكل مشترك.
DePIN: تمكين Web3 للذكاء الاصطناعي على الحافة
تخيل أن هاتفك المحمول، وساعتك الذكية، وحتى الأجهزة الذكية في منزلك يمكنها تشغيل الذكاء الاصطناعي - هذه هي سحر الذكاء الاصطناعي على الحافة. إنه يجعل الحوسبة تحدث عند مصدر إنتاج البيانات، مما يحقق زمن انتقال منخفض ومعالجة في الوقت الحقيقي، وفي نفس الوقت يحمي خصوصية المستخدم. لقد تم تطبيق تقنية الذكاء الاصطناعي على الحافة في مجالات رئيسية مثل القيادة الذاتية.
في مجال Web3، الاسم الذي نعرفه بشكل أفضل هو DePIN. يركز Web3 على اللامركزية وحقوق سيادة بيانات المستخدم، بينما يعزز DePIN حماية خصوصية المستخدم من خلال معالجة البيانات محليًا، مما يقلل من مخاطر تسرب البيانات؛ كما أن آلية الاقتصاد الرمزي الأصلية لـ Web3 يمكن أن تحفز عقد DePIN على توفير موارد الحوسبة، وبناء نظام بيئي مستدام.
تتطور DePIN حاليًا بسرعة في نظام بيئي لسلسلة عامة معينة، لتصبح واحدة من المنصات المفضلة لنشر المشاريع. إن TPS العالي لهذه السلسلة العامة، وانخفاض تكاليف المعاملات، والابتكار التكنولوجي توفر دعمًا قويًا لمشاريع DePIN. حاليًا، تجاوزت القيمة السوقية لمشاريع DePIN على هذه السلسلة العامة 10 مليارات دولار أمريكي، وقد حققت بعض المشاريع المعروفة تقدمًا ملحوظًا.
IMO: إطلاق نموذج جديد لنموذج الذكاء الاصطناعي
تم اقتراح مفهوم IMO لأول مرة بواسطة بروتوكول معين، حيث يتم تحويل نماذج الذكاء الاصطناعي إلى رموز.
في النمط التقليدي، وبسبب نقص آلية مشاركة الأرباح، يواجه مطورو نماذج الذكاء الاصطناعي صعوبة في الحصول على عوائد مستدامة من الاستخدام اللاحق للنموذج، خاصة عندما يتم دمج النموذج في منتجات وخدمات أخرى، حيث يصعب على المنشئين الأصليين تتبع استخدامه، ويصعب عليهم الحصول على الأرباح. بالإضافة إلى ذلك، فإن أداء نموذج الذكاء الاصطناعي وفعاليته غالبًا ما تفتقر إلى الشفافية، مما يجعل المستثمرين المحتملين والمستخدمين يصعب عليهم تقييم قيمته الحقيقية، مما يحد من الاعتراف السوقي للنموذج وإمكاناته التجارية.
يوفر IMO نموذجًا جديدًا من الدعم المالي ومشاركة القيمة لنماذج الذكاء الاصطناعي المفتوحة المصدر، حيث يمكن للمستثمرين شراء رموز IMO ومشاركة الأرباح الناتجة عن النموذج في المستقبل. يستخدم بروتوكول معين معيار ERC محدد، ويجمع بين تقنية الذكاء الاصطناعي Oracle و OPML لضمان صحة نموذج الذكاء الاصطناعي وقدرة حاملي الرموز على مشاركة الأرباح.
تعزز نماذج IMO الشفافية والثقة، وتشجع التعاون مفتوح المصدر، وتتكيف مع اتجاهات سوق التشفير، وتضخ الطاقة في التنمية المستدامة لتقنيات الذكاء الاصطناعي. حاليًا، تعتبر IMO في مرحلة التجربة الأولية، ولكن مع زيادة قبول السوق وتوسيع نطاق المشاركة، فإن ابتكاراتها وقيمتها المحتملة تستحق الانتظار.
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 كوسطاء افتراضيين، من خلال التفاعل مع المستخدمين لتعلم التفضيلات وتقديم حلول مخصصة. 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 تخصيص وظائف الروبوتات والمظهر والصوت، بالإضافة إلى ربط قواعد المعرفة الخارجية، وتهدف إلى إنشاء نظام بيئي لمحتوى الذكاء الاصطناعي عادل ومفتوح. باستخدام تقنية الذكاء الاصطناعي التوليدي، يمكن تمكين الأفراد ليصبحوا مبدعين خارقين. قامت المنصة بتدريب نموذج لغوي كبير متخصص، مما يجعل التفاعل في الأدوار أكثر إنسانية؛ يمكن لتقنية استنساخ الصوت تسريع التفاعل الشخصي مع منتجات الذكاء الاصطناعي، حيث تم تخفيض تكلفة توليد الصوت بنسبة 99%، ويمكن تحقيق استنساخ الصوت في دقيقة واحدة فقط. باستخدام وكيل الذكاء الاصطناعي المخصص من هذه المنصة، يمكن تطبيقه حاليًا في مجالات متعددة مثل الدردشة المرئية، تعلم اللغات، وتوليد الصور.
في دمج Web3 مع الذكاء الاصطناعي، يتم حاليا استكشاف المزيد من البنية التحتية، مثل كيفية الحصول على بيانات عالية الجودة، وحماية خصوصية البيانات، وكيفية استضافة النماذج على السلسلة، وكيفية تحسين الاستخدام الفعال للقوة الحسابية اللامركزية، وكيفية التحقق من نماذج اللغة الكبيرة وغيرها من القضايا الرئيسية. مع تحسين هذه البنية التحتية تدريجيا، لدينا سبب للاعتقاد بأن دمج Web3 مع الذكاء الاصطناعي سيولد مجموعة من نماذج الأعمال والخدمات المبتكرة.