مشاريع Web3 التي تعتمد على مفهوم الذكاء الاصطناعي أصبحت هدفًا لجذب الأموال في السوقين الأول والثاني.
الفرص التي يقدمها Web3 في صناعة الذكاء الاصطناعي تتجلى بشكل رئيسي في: استخدام الحوافز الموزعة لتنسيق الإمدادات المحتملة الطويلة الذيل عبر البيانات والتخزين والحوسبة (; وفي الوقت نفسه إنشاء سوق لامركزي للنماذج مفتوحة المصدر وعملاء الذكاء الاصطناعي.
الذكاء الاصطناعي يُستخدم بشكل رئيسي في صناعة Web3 في التمويل على السلسلة ) المدفوعات المشفرة، التداول، تحليل البيانات ( والمساعدة في التطوير.
قيمة AI + Web3 تكمن في تكامل الاثنين: من المتوقع أن يتعامل Web3 مع مركزية AI، ومن المتوقع أن يساعد AI Web3 في تجاوز قيود الطبقات.
) المقدمة
في العامين الماضيين، شهد تطور الذكاء الاصطناعي تسارعاً ملحوظاً، حيث أثار ChatGPT موجة الذكاء الاصطناعي التوليدي التي لم تفتح عالماً جديداً فحسب، بل أثارت أيضاً موجة في مجال Web3.
بدعم من مفهوم الذكاء الاصطناعي، شهدت سوق التشفير انتعاشًا ملحوظًا في التمويل. ووفقًا للإحصاءات، أكمل 64 مشروعًا من مشاريع Web3 + AI التمويل في النصف الأول من عام 2024، حيث حصل مشروع Zyber365 على أعلى تمويل بقيمة 100 مليون دولار في الجولة الأولى.
السوق الثانوية أكثر نشاطًا، تظهر بيانات Coingecko أن القيمة السوقية الإجمالية لقطاع الذكاء الاصطناعي قد بلغت 48.5 مليار دولار، وحجم التداول خلال 24 ساعة يقارب 8.6 مليار دولار؛ التقدم في تقنيات الذكاء الاصطناعي الرئيسية جاء بفوائد، مثلما أصدرت OpenAI Sora، حيث بلغت نسبة ارتفاع متوسط قطاع الذكاء الاصطناعي 151٪؛ كما أثر تأثير الذكاء الاصطناعي على قطاع العملات المشفرة الشهير Meme، حيث أصبح MemeCoin الأول الذي يحمل فكرة AI Agent - GOAT - شائعًا بسرعة، بقيمة تقديرية بلغت 1.4 مليار دولار، مما أثار موجة من Memes الذكاء الاصطناعي.
تستمر الأبحاث والمواضيع المتعلقة بـ AI+Web3 في الازدياد، من AI+Depin إلى AI Memecoin وصولاً إلى AI Agent و AI DAO الحالية، تتوالى السرديات الجديدة.
هذا المزيج المليء بالمال الساخن، والفرص، والتصورات المستقبلية، لا مفر من اعتباره زواجًا مبرمًا مدفوعًا بالاستثمار، ومن الصعب علينا الحكم على ما إذا كانت هذه احتفالات المضاربين، أم انفجار قبل الفجر.
المفتاح هو ما إذا كان بإمكان الطرفين الاستفادة من نموذج الآخر؟ ستتناول هذه المقالة كيف يمكن لـ Web3 أن تلعب دورًا في مختلف مراحل تكنولوجيا الذكاء الاصطناعي، وما الفرص الجديدة التي يمكن أن يجلبها الذكاء الاصطناعي لـ Web3.
قبل مناقشة هذا الموضوع، نحتاج إلى فهم تكنولوجيا نموذج الذكاء الاصطناعي الكبير:
بعبارة بسيطة، "النموذج الكبير" يشبه دماغ الإنسان، في البداية يحتاج إلى مراقبة وامتصاص كميات هائلة من المعلومات لفهم العالم، وهذه هي مرحلة "جمع" البيانات؛ نظرًا لأن الكمبيوتر يفتقر إلى الحواس المتعددة البشرية، يجب تحويل المعلومات غير المعلّمة إلى تنسيق يمكن للكمبيوتر فهمه من خلال "المعالجة المسبقة" قبل التدريب.
بعد إدخال البيانات، يقوم الذكاء الاصطناعي ببناء نموذج قادر على الفهم والتنبؤ من خلال "التدريب"، على غرار كيفية فهم وتعلم الطفل للعالم من حوله بشكل تدريجي، حيث يتم تعديل معلمات النموذج مثل قدرة الطفل المتزايدة على اللغة. وعندما يتم تصنيف محتوى التعلم أو التواصل مع الأشخاص للحصول على الملاحظات والتصحيحات، يدخل ذلك في مرحلة "التعديل الدقيق".
عندما يكبر الأطفال ويتعلمون الكلام، يمكنهم فهم والتعبير عن الأفكار في محادثات جديدة، مشابهًا لـ"الاستدلال" في نماذج الذكاء الاصطناعي الكبيرة، حيث يمكنهم إجراء تحليل وتوقعات على مدخلات نصوص جديدة. يستخدم الأطفال اللغة للتعبير عن المشاعر، ووصف الأشياء، وحل المشكلات، مشابهًا لتطبيق نماذج الذكاء الاصطناعي الكبيرة في مرحلة الاستدلال على مجموعة من المهام المحددة بعد التدريب، مثل تصنيف الصور، والتعرف على الصوت، وما إلى ذلك.
وكيل الذكاء الاصطناعي هو أقرب إلى الشكل التالي للنموذج الكبير - قادر على تنفيذ المهام بشكل مستقل والسعي لتحقيق أهداف معقدة، ويمتلك القدرة على التفكير والذاكرة والتخطيط، ويمكنه استخدام الأدوات للتفاعل مع العالم.
بالنسبة لنقاط الألم في جميع مجالات الذكاء الاصطناعي، فقد شكلت Web3 حاليًا نظامًا بيئيًا متعدد الطبقات يربط جميع مراحل عملية نموذج الذكاء الاصطناعي.
)# 1. الطبقة الأساسية: Airbnb للقوة الحاسوبية والبيانات
قوة الحساب
من التكاليف الرئيسية للذكاء الاصطناعي هي القدرة الحاسوبية والطاقة المطلوبة لتدريب ونمذجة الاستدلال.
على سبيل المثال، يحتاج LLAMA3 من Meta إلى 16000 وحدة NVIDIA H100GPU لمدة 30 يومًا لإكمال التدريب. سعر النسخة 80GB يتراوح بين 3-4 آلاف دولار، مما يتطلب استثمارًا في الأجهزة يتراوح بين 4-7 مليارات دولار ###GPU+شرائح الشبكة (، واستهلاك الطاقة للتدريب شهريًا هو 1.6 مليار كيلووات ساعة، مما يكلف حوالي 20 مليون دولار.
استجابةً لضغوط قوة الحوسبة للذكاء الاصطناعي، يعد DePin) شبكة بنية تحتية مادية لامركزية تتقاطع مع الذكاء الاصطناعي في Web3. قامت DePin Ninja بإدراج أكثر من 1400 مشروع، وتمثل مشاركة قوة GPU مثل io.net و Aethir و Akash و Render Network.
المنطق الرئيسي هو: يسمح النظام لملاك موارد GPU غير المستغلة بالمساهمة في القدرة الحاسوبية بطريقة غير مركزية ودون ترخيص، من خلال سوق عبر الإنترنت بين البائعين والمشترين على غرار أوبر/إيربنب، مما يزيد من استخدام GPU، ويحصل المستخدمون على موارد حوسبة فعالة ومنخفضة التكلفة؛ في نفس الوقت، تضمن آلية الرهن أن أي انتهاك لمراقبة الجودة أو انقطاع الشبكة سيعاقب.
الميزات:
تجميع وحدات معالجة الرسوميات غير المستخدمة: يأتي الإمداد بشكل رئيسي من مراكز البيانات الصغيرة والمتوسطة، ومزارع التعدين، وما إلى ذلك من القدرة الزائدة، والأجهزة المستخدمة في تعدين PoS مثل أجهزة تعدين FileCoin/ETH. تسعى مشاريع مثل exolab إلى إنشاء شبكة حسابية لتشغيل استدلال النماذج الكبيرة باستخدام أجهزة محلية مثل MacBook وiPhone وiPad.
تستهدف سوق الذكاء الاصطناعي ذات القوة الحاسوبية الطويلة:
端技术 أكثر ملاءمة لخطوات الاستدلال. التدريب يعتمد على مجموعات GPU ضخمة جدًا، بينما متطلبات GPU للاستدلال أقل، مثل Aethir التي تركز على العرض منخفض التأخير واستدلال الذكاء الاصطناعي.
لن يقوم الطرف ذو القدرة الحاسوبية المتوسطة في جانب الطلب بتدريب نموذج كبير بمفرده، بل سيركز بشكل أساسي على تحسين وتعديل النماذج الرائدة، مما يناسب القدرة الحاسوبية الموزعة غير المستغلة.
الملكية اللامركزية: تضمن تقنية blockchain أن يحتفظ مالكو الموارد بالسيطرة، مما يمكنهم من التعديل المرن والحصول على العوائد.
البيانات
البيانات هي أساس الذكاء الاصطناعي. بدون بيانات، تصبح الحسابات بلا فائدة، وجودة البيانات تحدد جودة مخرجات النموذج. في تدريب نماذج الذكاء الاصطناعي، تحدد البيانات القدرة اللغوية، وفهمها، والقيم، والأداء الإنساني. حاليًا، هناك صعوبات رئيسية في احتياجات بيانات الذكاء الاصطناعي:
جوع البيانات: يتطلب تدريب نماذج الذكاء الاصطناعي كميات هائلة من البيانات. يبلغ عدد معلمات GPT-4 تريليونات.
جودة البيانات: تضع الذكاء الاصطناعي مع دمجه في مختلف الصناعات متطلبات جديدة بشأن توقيت البيانات وتنوعها واحترافيتها، بالإضافة إلى مصادر البيانات الناشئة مثل مشاعر وسائل التواصل الاجتماعي.
الامتثال للخصوصية: بدأت الشركات في مختلف البلدان بفرض قيود على استخراج مجموعات البيانات.
تكاليف المعالجة مرتفعة: حجم البيانات كبير، والمعالجة معقدة. أكثر من 30% من تكاليف البحث والتطوير في شركات الذكاء الاصطناعي تُستخدم لجمع ومعالجة البيانات.
حلول Web3:
1.جمع البيانات: إن جمع البيانات الحقيقية مجانًا أصبح نادرًا، حيث تزداد نفقات شركات الذكاء الاصطناعي عامًا بعد عام، ولكنها لم تعوض المساهمين الحقيقيين. رؤية Web3 هي تمكين المستخدمين المساهمين من المشاركة في خلق القيمة، من خلال شبكة موزعة تحفز الحصول على بيانات أكثر خصوصية وقيمة بتكلفة منخفضة.
Grass: شبكة طبقة البيانات اللامركزية، يقوم المستخدمون بتشغيل عقدة تساهم في عرض النطاق الترددي لالتقاط البيانات في الوقت الحقيقي والحصول على مكافآت رمزية.
فانا: تقديم مفهوم حوض سيولة البيانات (DLP)، يمكن للمستخدمين تحميل بيانات خاصة واختيار تفويض طرف ثالث لاستخدامها.
PublicAI: المستخدمون يستخدمون ( Web3 العلامة على X و @PublicAI لجمع البيانات.
معالجة البيانات: تحتاج معالجة بيانات الذكاء الاصطناعي إلى تنظيفها وتحويلها إلى تنسيق قابل للاستخدام، مما يتضمن مهام متكررة مثل التوحيد، والتصفية، ومعالجة القيم المفقودة. وقد أدى هذا الجانب البشري إلى ظهور صناعة مخصصي البيانات، مع ارتفاع متطلبات معايير الدخول، مما يجعلها مناسبة لآلية التحفيز اللامركزية في Web3.
تعتبر Grass و OpenLayer إضافة مرحلة توثيق البيانات.
قدمت Synesis مفهوم "Train2earn"، مشددة على جودة البيانات، حيث يحصل المستخدمون على مكافآت لتقديم بيانات معلمة.
سابيان يجعل المهام المميزة كألعاب، حيث يقوم المستخدمون بتخزين النقاط لكسب المزيد من النقاط.
أمان خصوصية البيانات: تتعلق خصوصية البيانات بمعالجة البيانات الحساسة، وحماية أمان البيانات من الوصول غير المصرح به، والتدمير، والسرقة. تظهر مزايا تقنيات خصوصية Web3 في: ) تدريب البيانات الحساسة؛ #AI或# تعاون البيانات: يشارك العديد من مالكي البيانات معًا في تدريب الذكاء الاصطناعي دون الحاجة إلى مشاركة البيانات الأصلية.
التقنيات الرئيسية للخصوصية:
بيئة تنفيذ موثوقة ( TEE )، مثل بروتوكول سوبر.
التشفير المتجانس الكامل ( FHE )، مثل BasedAI و Fhenix.io و Inco Network.
تقنية المعرفة الصفرية ( zk )، مثل بروتوكول Reclaim الذي يستخدم zkTLS لإنشاء إثباتات معرفة صفرية لحركة مرور HTTPS، واستيراد بيانات المواقع الخارجية بشكل آمن.
في الوقت الحالي، نحن في مرحلة مبكرة، والتحدي الرئيسي هو ارتفاع تكلفة الحساب:
EZKL يحتاج إلى 80 دقيقة لإنشاء إثبات نموذج 1M-nanoGPT.
تكلفة zkML أعلى من الحساب النقي بأكثر من 1000 مرة.
تخزين البيانات: يجب تخزين البيانات و LLM الناتج على السلسلة. توفر البيانات (DA) هي القضية الأساسية، قبل ترقية Danksharding في الإيثيريوم كانت السعة 0.08MB، بينما تحتاج نماذج الذكاء الاصطناعي عادةً 50-100GB في الثانية للتدريب والاستدلال.
0g.AI هو حل تخزين مركزي مصمم لتلبية احتياجات الذكاء الاصطناعي، يتميز: قابلية التوسع عالية الأداء، يدعم تحميل وتنزيل مجموعات البيانات الكبيرة بسرعة من خلال تقسيم الشفرات وتصحيح الأخطاء، تصل سرعة النقل إلى ما يقرب من 5 جيجابايت في الثانية.
(# 2.الوسيط: تدريب النموذج والاستنتاج
نموذج السوق اللامركزي مفتوح المصدر
تستمر الجدل حول نماذج الذكاء الاصطناعي المفتوحة المصدر. إن الميزة في المصدر المفتوح هي أنه يجلب الابتكار الجماعي، لكن كيف يمكن زيادة حافز المطورين في غياب نموذج الربح؟ لقد زعم لي يانهونغ سابقًا أن "نماذج المصدر المفتوح ستتخلف بشكل متزايد".
تقدم Web3 إمكانية سوق نموذج مفتوح المصدر غير مركزي: لتوكنيز نموذج، يحتفظ الفريق بجزء من التوكن، ويوجه جزء من الإيرادات المستقبلية نحو حاملي التوكن.
Bittensor أنشأت سوقًا مفتوحًا للنموذج P2P، يتكون من عدة "شبكات فرعية"، حيث يتنافس مقدمو الموارد لتلبية أهداف الشبكة الفرعية، وتتعلم الشبكات الفرعية من بعضها البعض لتحقيق ذكاء أقوى. يتم توزيع المكافآت من خلال تصويت المجتمع، بناءً على الأداء في الشبكة الفرعية.
قدمت ORA مفهوم إصدار النموذج الأولي )IMO(، والذي يتيح توكنيزات نماذج الذكاء الاصطناعي، ويمكن شراء وبيع وتطوير نماذج الذكاء الاصطناعي من خلال شبكة لامركزية.
يركز Spectral Nova على إنشاء تطبيقات نماذج الذكاء الاصطناعي وتعلم الآلة.
استدلال قابل للتحقق
بالنسبة لمشكلة "الصندوق الأسود" في استدلال الذكاء الاصطناعي، فإن الحل القياسي في Web3 هو مقارنة نتائج العمليات المكررة بين عدة مصادقين، ولكن نقص وحدات معالجة الرسوميات عالية الأداء يؤدي إلى تكاليف باهظة.
الخطة الأكثر وعدًا هي تنفيذ إثبات ZK لحساب استنتاجات الذكاء الاصطناعي خارج السلسلة، والتحقق من حساب نموذج الذكاء الاصطناعي على السلسلة. يجب تشفير الإثبات على السلسلة للتأكد من أن الحسابات التي تمت خارج السلسلة قد اكتملت بشكل صحيح ) إذا لم يتم العبث بمجموعة البيانات ###، مع ضمان سرية البيانات.
المزايا الرئيسية:
القابلية للتوسع: يمكن لإثباتات ZK تأكيد عدد كبير من الحسابات خارج السلسلة بسرعة. حتى مع زيادة المعاملات، يمكن لإثبات ZK واحد التحقق من جميع المعاملات.
حماية الخصوصية: تفاصيل البيانات ونماذج الذكاء الاصطناعي سرية، بينما يمكن للأطراف التحقق من عدم تعرضها للتلف.
عدم الحاجة إلى الثقة: لا حاجة للاعتماد على جهة مركزية للتحقق من الحسابات.
تكامل Web2: جوهر Web2 هو التكامل خارج السلسلة، يمكن أن تساعد الاستدلال القابل للتحقق في جلب مجموعات البيانات وحسابات الذكاء الاصطناعي إلى السلسلة، مما يزيد من معدل تبني Web3.
تقنية الاستدلال القابلة للتحقق في Web3 الحالية:
zkML: يجمع بين الإثباتات ذات المعرفة الصفرية وتعلم الآلة، لضمان خصوصية نموذج البيانات، ويسمح بالحساب القابل للتحقق دون الكشف عن الخصائص الأساسية. أصدرت Modulus Labs مُثبت ZK الذي تم بناؤه بواسطة الذكاء الاصطناعي بناءً على ZKML، للتحقق مما إذا كان مقدمو الذكاء الاصطناعي ينفذون الخوارزميات بشكل صحيح، والآن العملاء الرئيسيون هم DApps على السلسلة.
opML: استخدام مبدأ التجميع المتفائل، من خلال التحقق من وقت حدوث النزاع لزيادة كفاءة قابلية التوسع في حساب ML. فقط تحقق من جزء صغير من نتائج "المحققين"، لكن تعيين عقوبة اقتصادية عالية لزيادة تكلفة الغش لتوفير الحسابات الزائدة.
TeeML: استخدام بيئة تنفيذ موثوقة لتنفيذ حسابات ML بأمان، وحماية نماذج البيانات من التلاعب والوصول غير المصرح به.
(# 3.层 التطبيق: وكيل الذكاء الاصطناعي
تتحول النقاط الرئيسية في تطوير الذكاء الاصطناعي من قدرات النماذج إلى وكيل الذكاء الاصطناعي. تتسابق OpenAI وAnthropic ومايكروسوفت وغيرها لتطوير وكيل الذكاء الاصطناعي في محاولة لتجاوز فترة منصة تقنية LLM.
تعرف OpenAI وكيل الذكاء الاصطناعي على أنه نظام مدفوع بواسطة LLM كدماغ، يمتلك القدرة على الفهم الذاتي والإدراك والتخطيط والذاكرة واستخدام الأدوات، وقادر على تنفيذ مهام معقدة بشكل تلقائي. يتحول الذكاء الاصطناعي من كونه أداة مستخدمة إلى كائن قادر على استخدام الأدوات، ليصبح مساعدًا ذكيًا مثاليًا.
يمكن أن يوفر Web3 لوكلاء:
لامركزية
تُسهم الخصائص اللامركزية لـ Web3 في جعل أنظمة الوكيل (Agent) أكثر استقلالية وتوزيعًا، من خلال إنشاء آليات تحفيز وعقوبات للموكلين والمفوضين عبر آليات مثل PoS وDPoS، مما يعزز ديمقراطية أنظمة الوكيل. وقد حاولت كل من GaiaNet وTheoriq وHajimeAI ذلك.
بدء التشغيل البارد
تطوير وكيل الذكاء الاصطناعي يتطلب الكثير من الأموال، يمكن لـ Web3 مساعدة المشاريع الواعدة في الحصول على تمويل مبكر للإطلاق.
أطلق Virtual Protocol منصة إصدار الرموز المميزة fun.virtuals باستخدام AI Agent، حيث يمكن للمستخدمين نشر AI Agent بنقرة واحدة، مما يحقق إصدار الرموز بشكل عادل 100%.
قدمت Spectral فكرة دعم إصدار منتجات الأصول الذكية AI Agent على السلسلة: من خلال IAO) العرض الأول للوكيل الذكي( لإصدار الرموز، يحصل الوكيل الذكي على تمويل استثماري مباشرة، ويصبح عضواً في إدارة DAO، ويوفر للمستثمرين فرصة المشاركة في تطوير المشروع ومشاركة الأرباح.
) اثنان، كيف تمكّن الذكاء الاصطناعي Web3
يؤثر الذكاء الاصطناعي بشكل كبير على مشاريع Web3، من خلال تحسين العمليات على السلسلة ### مثل تنفيذ العقود الذكية، والسيولة.
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.
تسجيلات الإعجاب 19
أعجبني
19
7
إعادة النشر
مشاركة
تعليق
0/400
WhaleMinion
· منذ 15 س
آه، لقد عاد مرة أخرى. بصراحة، أليس مجرد يُستغل بغباء.
شاهد النسخة الأصليةرد0
MEVHunterX
· 08-08 07:45
من الصعب كسر قيود الدائرة هبوط
شاهد النسخة الأصليةرد0
HodlKumamon
· 08-08 07:45
بالنظر إلى البيانات ، فإن هذه الموجة من "شقيقتان" حققت معدل عائد بنسبة 73.5 ٪ ، وقد بدأ الدب بالفعل الاستثمار التلقائي ~
شاهد النسخة الأصليةرد0
MemeCoinSavant
· 08-08 07:32
صراحةً عائلتي... قمت بإجراء تحليل إحصائي على هذا الضجيج حول الذكاء الاصطناعي + الويب 3 (n=420) ويبدو أنه إحصائيًا متطرف جدًا.
شاهد النسخة الأصليةرد0
GasFeeVictim
· 08-08 07:31
حمقى要革命啦
شاهد النسخة الأصليةرد0
staking_gramps
· 08-08 07:30
خداع الناس لتحقيق الربح لمدة عام، ماذا يمكن أن يكون غير واضح؟
شاهد النسخة الأصليةرد0
LongTermDreamer
· 08-08 07:25
لقد خسرت كل أموالي، ماذا سأشاهد من الذكاء الاصطناعي؟ دعني أعود بعد ثلاث سنوات، هذه المرة أشعر حقًا أنه مختلف.
دمج الذكاء الاصطناعي وWeb3: من الابتكارات والفرص في البنية التحتية إلى طبقة التطبيق
AI+Web3: الأبراج والساحات
النقاط الرئيسية
مشاريع Web3 التي تعتمد على مفهوم الذكاء الاصطناعي أصبحت هدفًا لجذب الأموال في السوقين الأول والثاني.
الفرص التي يقدمها Web3 في صناعة الذكاء الاصطناعي تتجلى بشكل رئيسي في: استخدام الحوافز الموزعة لتنسيق الإمدادات المحتملة الطويلة الذيل عبر البيانات والتخزين والحوسبة (; وفي الوقت نفسه إنشاء سوق لامركزي للنماذج مفتوحة المصدر وعملاء الذكاء الاصطناعي.
الذكاء الاصطناعي يُستخدم بشكل رئيسي في صناعة Web3 في التمويل على السلسلة ) المدفوعات المشفرة، التداول، تحليل البيانات ( والمساعدة في التطوير.
قيمة AI + Web3 تكمن في تكامل الاثنين: من المتوقع أن يتعامل Web3 مع مركزية AI، ومن المتوقع أن يساعد AI Web3 في تجاوز قيود الطبقات.
) المقدمة
في العامين الماضيين، شهد تطور الذكاء الاصطناعي تسارعاً ملحوظاً، حيث أثار ChatGPT موجة الذكاء الاصطناعي التوليدي التي لم تفتح عالماً جديداً فحسب، بل أثارت أيضاً موجة في مجال Web3.
بدعم من مفهوم الذكاء الاصطناعي، شهدت سوق التشفير انتعاشًا ملحوظًا في التمويل. ووفقًا للإحصاءات، أكمل 64 مشروعًا من مشاريع Web3 + AI التمويل في النصف الأول من عام 2024، حيث حصل مشروع Zyber365 على أعلى تمويل بقيمة 100 مليون دولار في الجولة الأولى.
السوق الثانوية أكثر نشاطًا، تظهر بيانات Coingecko أن القيمة السوقية الإجمالية لقطاع الذكاء الاصطناعي قد بلغت 48.5 مليار دولار، وحجم التداول خلال 24 ساعة يقارب 8.6 مليار دولار؛ التقدم في تقنيات الذكاء الاصطناعي الرئيسية جاء بفوائد، مثلما أصدرت OpenAI Sora، حيث بلغت نسبة ارتفاع متوسط قطاع الذكاء الاصطناعي 151٪؛ كما أثر تأثير الذكاء الاصطناعي على قطاع العملات المشفرة الشهير Meme، حيث أصبح MemeCoin الأول الذي يحمل فكرة AI Agent - GOAT - شائعًا بسرعة، بقيمة تقديرية بلغت 1.4 مليار دولار، مما أثار موجة من Memes الذكاء الاصطناعي.
تستمر الأبحاث والمواضيع المتعلقة بـ AI+Web3 في الازدياد، من AI+Depin إلى AI Memecoin وصولاً إلى AI Agent و AI DAO الحالية، تتوالى السرديات الجديدة.
هذا المزيج المليء بالمال الساخن، والفرص، والتصورات المستقبلية، لا مفر من اعتباره زواجًا مبرمًا مدفوعًا بالاستثمار، ومن الصعب علينا الحكم على ما إذا كانت هذه احتفالات المضاربين، أم انفجار قبل الفجر.
المفتاح هو ما إذا كان بإمكان الطرفين الاستفادة من نموذج الآخر؟ ستتناول هذه المقالة كيف يمكن لـ Web3 أن تلعب دورًا في مختلف مراحل تكنولوجيا الذكاء الاصطناعي، وما الفرص الجديدة التي يمكن أن يجلبها الذكاء الاصطناعي لـ Web3.
! [الذكاء الاصطناعي+Web3: الأبراج والساحات]###https://img-cdn.gateio.im/webp-social/moments-25bce79fdc74e866d6663cf31b15ee55.webp(
) الفرص في Web3 تحت كومة الذكاء الاصطناعي
قبل مناقشة هذا الموضوع، نحتاج إلى فهم تكنولوجيا نموذج الذكاء الاصطناعي الكبير:
بعبارة بسيطة، "النموذج الكبير" يشبه دماغ الإنسان، في البداية يحتاج إلى مراقبة وامتصاص كميات هائلة من المعلومات لفهم العالم، وهذه هي مرحلة "جمع" البيانات؛ نظرًا لأن الكمبيوتر يفتقر إلى الحواس المتعددة البشرية، يجب تحويل المعلومات غير المعلّمة إلى تنسيق يمكن للكمبيوتر فهمه من خلال "المعالجة المسبقة" قبل التدريب.
بعد إدخال البيانات، يقوم الذكاء الاصطناعي ببناء نموذج قادر على الفهم والتنبؤ من خلال "التدريب"، على غرار كيفية فهم وتعلم الطفل للعالم من حوله بشكل تدريجي، حيث يتم تعديل معلمات النموذج مثل قدرة الطفل المتزايدة على اللغة. وعندما يتم تصنيف محتوى التعلم أو التواصل مع الأشخاص للحصول على الملاحظات والتصحيحات، يدخل ذلك في مرحلة "التعديل الدقيق".
عندما يكبر الأطفال ويتعلمون الكلام، يمكنهم فهم والتعبير عن الأفكار في محادثات جديدة، مشابهًا لـ"الاستدلال" في نماذج الذكاء الاصطناعي الكبيرة، حيث يمكنهم إجراء تحليل وتوقعات على مدخلات نصوص جديدة. يستخدم الأطفال اللغة للتعبير عن المشاعر، ووصف الأشياء، وحل المشكلات، مشابهًا لتطبيق نماذج الذكاء الاصطناعي الكبيرة في مرحلة الاستدلال على مجموعة من المهام المحددة بعد التدريب، مثل تصنيف الصور، والتعرف على الصوت، وما إلى ذلك.
وكيل الذكاء الاصطناعي هو أقرب إلى الشكل التالي للنموذج الكبير - قادر على تنفيذ المهام بشكل مستقل والسعي لتحقيق أهداف معقدة، ويمتلك القدرة على التفكير والذاكرة والتخطيط، ويمكنه استخدام الأدوات للتفاعل مع العالم.
بالنسبة لنقاط الألم في جميع مجالات الذكاء الاصطناعي، فقد شكلت Web3 حاليًا نظامًا بيئيًا متعدد الطبقات يربط جميع مراحل عملية نموذج الذكاء الاصطناعي.
! [الذكاء الاصطناعي+Web3: الأبراج والمربعات]###https://img-cdn.gateio.im/webp-social/moments-cc3bf45e321f9b1d1280bf3bb827d9f4.webp(
)# 1. الطبقة الأساسية: Airbnb للقوة الحاسوبية والبيانات
قوة الحساب
من التكاليف الرئيسية للذكاء الاصطناعي هي القدرة الحاسوبية والطاقة المطلوبة لتدريب ونمذجة الاستدلال.
على سبيل المثال، يحتاج LLAMA3 من Meta إلى 16000 وحدة NVIDIA H100GPU لمدة 30 يومًا لإكمال التدريب. سعر النسخة 80GB يتراوح بين 3-4 آلاف دولار، مما يتطلب استثمارًا في الأجهزة يتراوح بين 4-7 مليارات دولار ###GPU+شرائح الشبكة (، واستهلاك الطاقة للتدريب شهريًا هو 1.6 مليار كيلووات ساعة، مما يكلف حوالي 20 مليون دولار.
استجابةً لضغوط قوة الحوسبة للذكاء الاصطناعي، يعد DePin) شبكة بنية تحتية مادية لامركزية تتقاطع مع الذكاء الاصطناعي في Web3. قامت DePin Ninja بإدراج أكثر من 1400 مشروع، وتمثل مشاركة قوة GPU مثل io.net و Aethir و Akash و Render Network.
المنطق الرئيسي هو: يسمح النظام لملاك موارد GPU غير المستغلة بالمساهمة في القدرة الحاسوبية بطريقة غير مركزية ودون ترخيص، من خلال سوق عبر الإنترنت بين البائعين والمشترين على غرار أوبر/إيربنب، مما يزيد من استخدام GPU، ويحصل المستخدمون على موارد حوسبة فعالة ومنخفضة التكلفة؛ في نفس الوقت، تضمن آلية الرهن أن أي انتهاك لمراقبة الجودة أو انقطاع الشبكة سيعاقب.
الميزات:
تجميع وحدات معالجة الرسوميات غير المستخدمة: يأتي الإمداد بشكل رئيسي من مراكز البيانات الصغيرة والمتوسطة، ومزارع التعدين، وما إلى ذلك من القدرة الزائدة، والأجهزة المستخدمة في تعدين PoS مثل أجهزة تعدين FileCoin/ETH. تسعى مشاريع مثل exolab إلى إنشاء شبكة حسابية لتشغيل استدلال النماذج الكبيرة باستخدام أجهزة محلية مثل MacBook وiPhone وiPad.
تستهدف سوق الذكاء الاصطناعي ذات القوة الحاسوبية الطويلة: 端技术 أكثر ملاءمة لخطوات الاستدلال. التدريب يعتمد على مجموعات GPU ضخمة جدًا، بينما متطلبات GPU للاستدلال أقل، مثل Aethir التي تركز على العرض منخفض التأخير واستدلال الذكاء الاصطناعي. لن يقوم الطرف ذو القدرة الحاسوبية المتوسطة في جانب الطلب بتدريب نموذج كبير بمفرده، بل سيركز بشكل أساسي على تحسين وتعديل النماذج الرائدة، مما يناسب القدرة الحاسوبية الموزعة غير المستغلة.
الملكية اللامركزية: تضمن تقنية blockchain أن يحتفظ مالكو الموارد بالسيطرة، مما يمكنهم من التعديل المرن والحصول على العوائد.
البيانات
البيانات هي أساس الذكاء الاصطناعي. بدون بيانات، تصبح الحسابات بلا فائدة، وجودة البيانات تحدد جودة مخرجات النموذج. في تدريب نماذج الذكاء الاصطناعي، تحدد البيانات القدرة اللغوية، وفهمها، والقيم، والأداء الإنساني. حاليًا، هناك صعوبات رئيسية في احتياجات بيانات الذكاء الاصطناعي:
جوع البيانات: يتطلب تدريب نماذج الذكاء الاصطناعي كميات هائلة من البيانات. يبلغ عدد معلمات GPT-4 تريليونات.
جودة البيانات: تضع الذكاء الاصطناعي مع دمجه في مختلف الصناعات متطلبات جديدة بشأن توقيت البيانات وتنوعها واحترافيتها، بالإضافة إلى مصادر البيانات الناشئة مثل مشاعر وسائل التواصل الاجتماعي.
الامتثال للخصوصية: بدأت الشركات في مختلف البلدان بفرض قيود على استخراج مجموعات البيانات.
تكاليف المعالجة مرتفعة: حجم البيانات كبير، والمعالجة معقدة. أكثر من 30% من تكاليف البحث والتطوير في شركات الذكاء الاصطناعي تُستخدم لجمع ومعالجة البيانات.
حلول Web3:
1.جمع البيانات: إن جمع البيانات الحقيقية مجانًا أصبح نادرًا، حيث تزداد نفقات شركات الذكاء الاصطناعي عامًا بعد عام، ولكنها لم تعوض المساهمين الحقيقيين. رؤية Web3 هي تمكين المستخدمين المساهمين من المشاركة في خلق القيمة، من خلال شبكة موزعة تحفز الحصول على بيانات أكثر خصوصية وقيمة بتكلفة منخفضة.
Grass: شبكة طبقة البيانات اللامركزية، يقوم المستخدمون بتشغيل عقدة تساهم في عرض النطاق الترددي لالتقاط البيانات في الوقت الحقيقي والحصول على مكافآت رمزية.
فانا: تقديم مفهوم حوض سيولة البيانات (DLP)، يمكن للمستخدمين تحميل بيانات خاصة واختيار تفويض طرف ثالث لاستخدامها.
PublicAI: المستخدمون يستخدمون ( Web3 العلامة على X و @PublicAI لجمع البيانات.
تعتبر Grass و OpenLayer إضافة مرحلة توثيق البيانات.
قدمت Synesis مفهوم "Train2earn"، مشددة على جودة البيانات، حيث يحصل المستخدمون على مكافآت لتقديم بيانات معلمة.
سابيان يجعل المهام المميزة كألعاب، حيث يقوم المستخدمون بتخزين النقاط لكسب المزيد من النقاط.
التقنيات الرئيسية للخصوصية:
بيئة تنفيذ موثوقة ( TEE )، مثل بروتوكول سوبر.
التشفير المتجانس الكامل ( FHE )، مثل BasedAI و Fhenix.io و Inco Network.
تقنية المعرفة الصفرية ( zk )، مثل بروتوكول Reclaim الذي يستخدم zkTLS لإنشاء إثباتات معرفة صفرية لحركة مرور HTTPS، واستيراد بيانات المواقع الخارجية بشكل آمن.
في الوقت الحالي، نحن في مرحلة مبكرة، والتحدي الرئيسي هو ارتفاع تكلفة الحساب:
EZKL يحتاج إلى 80 دقيقة لإنشاء إثبات نموذج 1M-nanoGPT.
تكلفة zkML أعلى من الحساب النقي بأكثر من 1000 مرة.
(# 2.الوسيط: تدريب النموذج والاستنتاج
نموذج السوق اللامركزي مفتوح المصدر
تستمر الجدل حول نماذج الذكاء الاصطناعي المفتوحة المصدر. إن الميزة في المصدر المفتوح هي أنه يجلب الابتكار الجماعي، لكن كيف يمكن زيادة حافز المطورين في غياب نموذج الربح؟ لقد زعم لي يانهونغ سابقًا أن "نماذج المصدر المفتوح ستتخلف بشكل متزايد".
تقدم Web3 إمكانية سوق نموذج مفتوح المصدر غير مركزي: لتوكنيز نموذج، يحتفظ الفريق بجزء من التوكن، ويوجه جزء من الإيرادات المستقبلية نحو حاملي التوكن.
Bittensor أنشأت سوقًا مفتوحًا للنموذج P2P، يتكون من عدة "شبكات فرعية"، حيث يتنافس مقدمو الموارد لتلبية أهداف الشبكة الفرعية، وتتعلم الشبكات الفرعية من بعضها البعض لتحقيق ذكاء أقوى. يتم توزيع المكافآت من خلال تصويت المجتمع، بناءً على الأداء في الشبكة الفرعية.
قدمت ORA مفهوم إصدار النموذج الأولي )IMO(، والذي يتيح توكنيزات نماذج الذكاء الاصطناعي، ويمكن شراء وبيع وتطوير نماذج الذكاء الاصطناعي من خلال شبكة لامركزية.
منصة Sentient للذكاء الاصطناعي اللامركزي، تحفز التعاون لبناء نماذج ذكاء اصطناعي قابلة للتكرار والتوسع ومكافأة المساهمين.
يركز Spectral Nova على إنشاء تطبيقات نماذج الذكاء الاصطناعي وتعلم الآلة.
استدلال قابل للتحقق
بالنسبة لمشكلة "الصندوق الأسود" في استدلال الذكاء الاصطناعي، فإن الحل القياسي في Web3 هو مقارنة نتائج العمليات المكررة بين عدة مصادقين، ولكن نقص وحدات معالجة الرسوميات عالية الأداء يؤدي إلى تكاليف باهظة.
الخطة الأكثر وعدًا هي تنفيذ إثبات ZK لحساب استنتاجات الذكاء الاصطناعي خارج السلسلة، والتحقق من حساب نموذج الذكاء الاصطناعي على السلسلة. يجب تشفير الإثبات على السلسلة للتأكد من أن الحسابات التي تمت خارج السلسلة قد اكتملت بشكل صحيح ) إذا لم يتم العبث بمجموعة البيانات ###، مع ضمان سرية البيانات.
المزايا الرئيسية:
القابلية للتوسع: يمكن لإثباتات ZK تأكيد عدد كبير من الحسابات خارج السلسلة بسرعة. حتى مع زيادة المعاملات، يمكن لإثبات ZK واحد التحقق من جميع المعاملات.
حماية الخصوصية: تفاصيل البيانات ونماذج الذكاء الاصطناعي سرية، بينما يمكن للأطراف التحقق من عدم تعرضها للتلف.
عدم الحاجة إلى الثقة: لا حاجة للاعتماد على جهة مركزية للتحقق من الحسابات.
تكامل Web2: جوهر Web2 هو التكامل خارج السلسلة، يمكن أن تساعد الاستدلال القابل للتحقق في جلب مجموعات البيانات وحسابات الذكاء الاصطناعي إلى السلسلة، مما يزيد من معدل تبني Web3.
تقنية الاستدلال القابلة للتحقق في Web3 الحالية:
zkML: يجمع بين الإثباتات ذات المعرفة الصفرية وتعلم الآلة، لضمان خصوصية نموذج البيانات، ويسمح بالحساب القابل للتحقق دون الكشف عن الخصائص الأساسية. أصدرت Modulus Labs مُثبت ZK الذي تم بناؤه بواسطة الذكاء الاصطناعي بناءً على ZKML، للتحقق مما إذا كان مقدمو الذكاء الاصطناعي ينفذون الخوارزميات بشكل صحيح، والآن العملاء الرئيسيون هم DApps على السلسلة.
opML: استخدام مبدأ التجميع المتفائل، من خلال التحقق من وقت حدوث النزاع لزيادة كفاءة قابلية التوسع في حساب ML. فقط تحقق من جزء صغير من نتائج "المحققين"، لكن تعيين عقوبة اقتصادية عالية لزيادة تكلفة الغش لتوفير الحسابات الزائدة.
TeeML: استخدام بيئة تنفيذ موثوقة لتنفيذ حسابات ML بأمان، وحماية نماذج البيانات من التلاعب والوصول غير المصرح به.
(# 3.层 التطبيق: وكيل الذكاء الاصطناعي
تتحول النقاط الرئيسية في تطوير الذكاء الاصطناعي من قدرات النماذج إلى وكيل الذكاء الاصطناعي. تتسابق OpenAI وAnthropic ومايكروسوفت وغيرها لتطوير وكيل الذكاء الاصطناعي في محاولة لتجاوز فترة منصة تقنية LLM.
تعرف OpenAI وكيل الذكاء الاصطناعي على أنه نظام مدفوع بواسطة LLM كدماغ، يمتلك القدرة على الفهم الذاتي والإدراك والتخطيط والذاكرة واستخدام الأدوات، وقادر على تنفيذ مهام معقدة بشكل تلقائي. يتحول الذكاء الاصطناعي من كونه أداة مستخدمة إلى كائن قادر على استخدام الأدوات، ليصبح مساعدًا ذكيًا مثاليًا.
يمكن أن يوفر Web3 لوكلاء:
لامركزية
تُسهم الخصائص اللامركزية لـ Web3 في جعل أنظمة الوكيل (Agent) أكثر استقلالية وتوزيعًا، من خلال إنشاء آليات تحفيز وعقوبات للموكلين والمفوضين عبر آليات مثل PoS وDPoS، مما يعزز ديمقراطية أنظمة الوكيل. وقد حاولت كل من GaiaNet وTheoriq وHajimeAI ذلك.
بدء التشغيل البارد
تطوير وكيل الذكاء الاصطناعي يتطلب الكثير من الأموال، يمكن لـ Web3 مساعدة المشاريع الواعدة في الحصول على تمويل مبكر للإطلاق.
أطلق Virtual Protocol منصة إصدار الرموز المميزة fun.virtuals باستخدام AI Agent، حيث يمكن للمستخدمين نشر AI Agent بنقرة واحدة، مما يحقق إصدار الرموز بشكل عادل 100%.
قدمت Spectral فكرة دعم إصدار منتجات الأصول الذكية AI Agent على السلسلة: من خلال IAO) العرض الأول للوكيل الذكي( لإصدار الرموز، يحصل الوكيل الذكي على تمويل استثماري مباشرة، ويصبح عضواً في إدارة DAO، ويوفر للمستثمرين فرصة المشاركة في تطوير المشروع ومشاركة الأرباح.
) اثنان، كيف تمكّن الذكاء الاصطناعي Web3
يؤثر الذكاء الاصطناعي بشكل كبير على مشاريع Web3، من خلال تحسين العمليات على السلسلة ### مثل تنفيذ العقود الذكية، والسيولة.