الذكاء الاصطناعي x العملات المشفرة: من الصفر إلى القمة

المقدمة

شهد قطاع الذكاء الصناعي تطوراً سريعاً مؤخراً، ويُعتبر الثورة الصناعية الرابعة. أدت ظهور نماذج اللغة الكبيرة إلى تحسين كفاءة مختلف القطاعات بشكل كبير، حيث يقدر أنها زادت كفاءة العمل في الولايات المتحدة بحوالي 20%. تعتبر قدرة النماذج الكبيرة على التعميم نموذج تصميم برمجي جديد، مما يمنح البرمجيات أداءً أفضل ويدعم مدخلات ومخرجات أكثر تنوعاً. لقد جلبت تقنيات التعلم العميق بالفعل جولة جديدة من الازدهار لصناعة الذكاء الاصطناعي، وقد أثرت هذه الموجة أيضاً على صناعة العملات المشفرة.

سيتناول هذا التقرير بالتفصيل تاريخ تطور صناعة الذكاء الاصطناعي، وتصنيفات التكنولوجيا، وكذلك تأثير تقنية التعلم العميق على الصناعة. سيتم تحليل حالة وتوجهات تطوير سلسلة القيمة في صناعة التعلم العميق، بما في ذلك GPU، والحوسبة السحابية، ومصادر البيانات، وأجهزة الحافة. سنستكشف جوهريًا العلاقة بين العملات المشفرة وصناعة الذكاء الاصطناعي، ونستعرض هيكل سلسلة القيمة المتعلقة بالذكاء الاصطناعي للعملات المشفرة.

! علم الوافد الجديد 丨 الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة

تاريخ تطور صناعة الذكاء الاصطناعي

بدأت صناعة الذكاء الاصطناعي منذ الخمسينيات من القرن العشرين، حيث طورت الأوساط الأكاديمية والصناعية في عصور وخلفيات علمية مختلفة أنواعًا متعددة من المدارس لتحقيق الذكاء الاصطناعي.

تستخدم تقنيات الذكاء الاصطناعي الحديثة مصطلح "تعلم الآلة"، حيث تقوم على فكرة تمكين الآلات من تحسين أداء النظام من خلال التكرار المستمر استنادًا إلى البيانات في المهام. الخطوات الرئيسية هي إرسال البيانات إلى الخوارزمية، واستخدام هذه البيانات لتدريب النموذج، واختبار نشر النموذج، واستخدام النموذج لإكمال مهام التنبؤ الآلي.

توجد حاليًا ثلاثة تيارات رئيسية في التعلم الآلي، وهي العصبية، الرمزية والسلوكية، والتي تحاكي على التوالي الجهاز العصبي البشري، التفكير والسلوك.

! [الوافد الجديد Science Popular 丨الذكاء الاصطناعي x Crypto: من الصفر إلى الذروة](https://img-cdn.gateio.im/webp-social/moments-c50ee5a87373c6cd6c4dc63adc2cf47c.webp019283746574839201

تحتل الشبكات العصبية، التي تمثلها نظرية الترابط، الصدارة حالياً ) والمعروفة أيضاً بالتعلم العميق (، والسبب الرئيسي هو أن هذا الهيكل يحتوي على طبقة إدخال وطبقة إخراج، ولكن لديه عدة طبقات مخفية. بمجرد أن يكون عدد الطبقات وموصلات الأعصاب ) وبارامترات ( كافياً، سيكون هناك فرص كافية لتناسب المهام العامة المعقدة. من خلال إدخال البيانات، يمكن تعديل بارامترات موصلات الأعصاب باستمرار، وفي النهاية بعد معالجة البيانات عدة مرات، ستصل هذه الموصلات العصبية إلى حالة مثلى ) بارامترات (، وهذا هو أيضاً مصدر "العمق" - عدد كافٍ من الطبقات والموصلات العصبية.

! [علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة])https://img-cdn.gateio.im/webp-social/moments-0c9bdea33a39a2c07d1f06760ed7e804.webp(

تكنولوجيا التعلم العميق المستندة إلى الشبكات العصبية تشهد أيضًا العديد من التكرارات والتطورات التكنولوجية، من الشبكات العصبية في بداياتها، إلى الشبكات العصبية التغذوية، والشبكات العصبية المتكررة، والشبكات العصبية التلافيفية، والشبكات التوليدية التنافسية، وأخيرًا التطور إلى النماذج الكبيرة الحديثة مثل تقنية Transformer المستخدمة في GPT وغيرها. تقنية Transformer هي مجرد اتجاه تطوري واحد من الشبكات العصبية، حيث أضافت محولًا، يستخدم لترميز جميع أنماط البيانات مثل الصوت والفيديو والصور إلى تمثيلات عددية مقابلة. ثم يتم إدخالها بعد ذلك إلى الشبكة العصبية، مما يسمح للشبكة العصبية بتناسب أي نوع من البيانات، مما يحقق التعددية النمطية.

! [علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة])https://img-cdn.gateio.im/webp-social/moments-609c5dd6ee0abcec6bf9c118d7741867.webp(

شهد تطور الذكاء الاصطناعي ثلاث موجات تقنية. كانت الموجة الأولى في الستينيات من القرن العشرين، وكانت هذه الموجة ناتجة عن تطور تقنيات الرمزية، حيث تم حل مشكلات معالجة اللغة الطبيعية العامة والتفاعل بين الإنسان والآلة. كانت الموجة الثانية في عام 1997، حيث تم اعتبار فوز IBM Deep Blue على بطل الشطرنج بمثابة علامة بارزة في الذكاء الاصطناعي. كانت الموجة الثالثة في عام 2006 مع طرح مفهوم التعلم العميق، وهو العصر الذهبي للارتباطية.

! [علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة])https://img-cdn.gateio.im/webp-social/moments-f37fb0100218188368f4d31940aab2a3.webp(

سلسلة صناعة التعلم العميق

تستخدم النماذج اللغوية الكبيرة الحالية أساليب التعلم العميق المستندة إلى الشبكات العصبية. وقد أدت النماذج الكبيرة بقيادة GPT إلى موجة من الحماس حول الذكاء الاصطناعي، حيث تدفق عدد كبير من اللاعبين إلى هذا المجال، مما أدى إلى انفجار كبير في الطلب على البيانات والقدرة الحاسوبية. سنستكشف سلسلة صناعة خوارزميات التعلم العميق، ونحلل مكونات سلسلة التوريد وعلاقتها، والحالة الحالية، وعلاقة العرض والطلب، والتطورات المستقبلية.

تتكون عملية تدريب نماذج LLMs الكبيرة القائمة على تقنية Transformer والتي يقودها GPT) من ثلاث خطوات رئيسية:

1. التدريب المسبق: من خلال البيانات الكبيرة للبحث عن أفضل معلمات لنيوترونات النموذج، هذه العملية تتطلب أكبر قدر من القدرة الحاسوبية.

2. التخصيص: استخدام كمية صغيرة من البيانات عالية الجودة للتدريب، لتحسين جودة مخرجات النموذج.

3. التعلم المعزز: بناء نموذج مكافأة لفرز نتائج الإخراج، وتكرار معلمات النموذج الكبير تلقائيًا.

يعتمد أداء النموذج الكبير بشكل أساسي على ثلاثة جوانب: عدد المعلمات، وكمية وجودة البيانات، والقوة الحاسوبية. لنفترض أن عدد المعلمات هو p، وكمية البيانات هي n( محسوبة بعدد التوكنات)، يمكن حساب كمية الحوسبة المطلوبة من خلال قاعدة التجربة، وتقدير حالة القوة الحاسوبية المطلوبة ووقت التدريب.

تُستخدم القوة الحاسوبية عادةً بوحدات Flops، التي تمثل عملية حسابية عائمة واحدة. وفقًا للتجارب العملية، يتطلب تدريب نموذج كبير مرة واحدة حوالي 6np Flops. يستغرق استنتاج ( من بيانات الإدخال انتظار إخراج النموذج الكبير ) حوالي 2np Flops.

في البداية، تم استخدام شرائح CPU لتوفير دعم القدرة الحاسوبية، ثم تم استبدالها تدريجياً بشرائح GPU، مثل شرائح Nvidia A100 وH100. تقوم GPU بتشغيل العمليات العائمة من خلال وحدة Tensor Core، وهي واحدة من المؤشرات الرئيسية لقياس أداء الشرائح.

تشمل سلسلة صناعة التعلم العميق بشكل رئيسي:

1. مزودات GPU للأجهزة
2. مزود خدمة السحابة
3. مزود بيانات التدريب
4. مزود قاعدة البيانات
5. الأجهزة الطرفية
6. تطبيق

! [علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة](https://img-cdn.gateio.im/webp-social/moments-53c48daf49a3dbb35c1a2b47e234f180.webp019283746574839201

العلاقة بين التشفير والذكاء الاصطناعي

تجمع تقنية blockchain مع ZK لتصبح فكرة لا مركزية + عدم الثقة. في جوهرها، تعتبر شبكة blockchain بأكملها شبكة قيمة، حيث يتم تحويل القيمة لكل معاملة بناءً على الرموز الأساسية. تحدد اقتصاديات الرموز القيمة النسبية للرموز الأصلية للشبكة، وعلى الرغم من عدم القدرة على تحديد سعر لكل بعد، إلا أن سعر الرمز يعكس قيمة متعددة الأبعاد.

يمكن لاقتصاديات الرموز أن تمنح الشبكات والوظائف والأفكار قيمة، وتحول كل شيء في العالم إلى قيمة. هذه الوسيلة لإعادة تعريف واكتشاف القيمة مهمة أيضًا لصناعة الذكاء الاصطناعي. يمكن أن يؤدي إصدار الرموز في سلسلة صناعة الذكاء الاصطناعي إلى إعادة تشكيل القيمة من جميع الجوانب، وتحفيز المزيد من الناس على التعمق في مختلف المجالات الفرعية للذكاء الاصطناعي. في الوقت نفسه، ستستفيد جميع المشاريع من عوائد زيادة رأس المال، كما يمكن أن تعزز الرموز النظام البيئي وتساعد في ولادة نوع من الفلسفة.

تتمتع تقنية البلوكشين بخصائص عدم القابلية للتلاعب وعدم الحاجة للثقة، مما لها دلالة عملية في صناعة الذكاء الاصطناعي، حيث يمكن تطبيق بعض الحلول التي تتطلب الثقة. عندما تكون وحدات معالجة الرسومات غير كافية، يمكن توزيعها عبر شبكة البلوكشين، حيث يمكن لوحدات معالجة الرسومات غير المستخدمة أيضًا أن تساهم في قوة الحوسبة للشبكة لإعادة تحقيق القيمة.

باختصار، يمكن أن تعزز اقتصاديات الرموز إعادة تشكيل القيمة واكتشافها، بينما يمكن أن تحل دفاتر الحسابات اللامركزية مشكلة الثقة، مما يعيد تدفق القيمة على مستوى عالمي.

! [علم الوافد الجديد 丨 الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة] )https://img-cdn.gateio.im/webp-social/moments-250a286e79261e91a0e7ac4941ff5c76.webp019283746574839201

نظرة عامة على المشاريع المتعلقة بالذكاء الاصطناعي في صناعة التشفير

1. جانب العرض لوحدات معالجة الرسوميات:

تشمل المشاريع الرئيسية Render وغيرها. تم إطلاق Render في عام 2020، ويستخدم بشكل أساسي لمهام عرض الفيديو غير الكبيرة. باعتباره مشروع DePIN قديم له حجم أعمال فعلي، فإن Render قد نجح بالفعل بفضل الذكاء الاصطناعي / DePIN، لكن من الناحية الصارمة لا يُعتبر جزءًا من قطاع الذكاء الاصطناعي.

2. عرض النطاق الترددي للأجهزة:

تشمل المشاريع الرئيسية شبكة ميزون وغيرها. لكن قد تكون المشاركة في النطاق الترددي مفهومًا زائفًا، حيث أن تخزين البيانات عن بُعد قد يؤدي إلى تأخير، مما يجعل التخزين المحلي أفضل.

3. البيانات:

بما في ذلك بروتوكول EpiK و Synesis One و Masa وغيرها. تكمن ميزة مزودي بيانات Web3 في جانب جمع البيانات، حيث يمكن للأفراد المساهمة بالبيانات والحصول على تسعير. قد يكون لمزودي البيانات في اتجاه ZK مثل Masa آفاق تطوير جيدة.

4. ZKML:

استخدام تقنية التشفير المتجانس، لإجراء الاستنتاجات على البيانات خارج السلسلة ثم رفع النتائج مع إثبات ZK، لضمان خصوصية البيانات وكفاءة الاستنتاج. تشمل المشاريع الرئيسية Axiom و Risc Zero و Ritual وغيرها.

5. تطبيقات الذكاء الاصطناعي:

حاليًا ، التطور ضعيف نسبيًا. يتمثل ذلك بشكل أساسي في تطبيقات blockchain التقليدية + القدرة على الأتمتة والتعميم. يُعتبر AI Agent مثل Fetch.AI مثالًا نموذجيًا ، حيث يمكنه مساعدة المستخدمين في اتخاذ قرارات معقدة على السلسلة.

6. سلسلة الكتل العامة للذكاء الاصطناعي:

مثل Tensor و Allora و Hypertensor و AgentLayer وغيرها، الشبكات التكيفية المصممة خصيصًا لنماذج الذكاء الاصطناعي أو الوكلاء.

! [علم الوافد الجديد 丨 الذكاء الاصطناعي × التشفير: من الصفر إلى الذروة] (https://img-cdn.gateio.im/webp-social/moments-8358c377eb2c07467848b3b46dbf1056.webp)

ملخص

تستند التطورات المعروفة حاليًا في الذكاء الاصطناعي بشكل رئيسي إلى تقنية التعلم العميق، لكن هذا لا يعني أن جميع اتجاهات تطوير الذكاء الاصطناعي تعتمد عليها. على الرغم من أن التعلم العميق قد لا يحقق الذكاء الاصطناعي العام، إلا أن هناك بالفعل حالات تطبيقية تستحق التعمق فيها بعقلانية.

تؤثر تكنولوجيا blockchain وعلم اقتصاد الرموز بشكل إيجابي على صناعة الذكاء الاصطناعي، مما يمكن أن يعيد تشكيل قيمة سلسلة الصناعة ويحفز المزيد من المشاركين. كما يمكن لتكنولوجيا blockchain تحقيق بعض تطبيقات الذكاء الاصطناعي التي تتطلب الثقة.

تكمن عيوب شبكة حسابات GPU في مشكلة النطاق الترددي، وسرعة التدريب بطيئة، وفي الوقت الحالي، فهي أكثر ملاءمة للنماذج الصغيرة غير العاجلة. لا تزال الشركات المتوسطة والكبيرة تميل إلى منصات السحابة التقليدية.

بشكل عام، فإن دمج الذكاء الاصطناعي مع العملات المشفرة له تطبيق عملي، حيث يمكن لاقتصاديات الرموز إعادة تشكيل واكتشاف قيمة أوسع، وتستطيع دفاتر الحسابات اللامركزية حل مشكلة الثقة، وتحريك القيمة واكتشاف القيمة المتبقية.

! علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة