مشاريع Web3 التي تعتمد على مفهوم الذكاء الاصطناعي أصبحت هدفًا لجذب الأموال في السوقين الأول والثاني.
تظهر فرص Web3 في صناعة الذكاء الاصطناعي في: استخدام الحوافز الموزعة لتنسيق الإمدادات المحتملة في الذيل الطويل ------ عبر البيانات والتخزين والحوسبة؛ وفي الوقت نفسه، إنشاء نموذج مفتوح المصدر بالإضافة إلى سوق لامركزي لوكلاء الذكاء الاصطناعي.
الاستخدام الرئيسي للذكاء الاصطناعي في صناعة Web3 هو التمويل على السلسلة (الدفع بالعملات المشفرة، التداول، تحليل البيانات) بالإضافة إلى المساعدة في التطوير.
تتجلى فائدة AI+Web3 في تكامل كلاهما: من المتوقع أن تواجه Web3 مركزة AI، ومن المتوقع أن تساعد AI Web3 في كسر الحواجز.
على مدى العامين الماضيين، يبدو أن تطور الذكاء الاصطناعي قد تم الضغط على زر التسريع، حيث أن جناح الفراشة الذي أثاره Chatgpt لم يفتح فقط عالماً جديداً للذكاء الاصطناعي التوليدي، بل أثار أيضاً تياراً في عالم Web3 على الضفة الأخرى.
بفضل مفهوم الذكاء الاصطناعي، يبدو أن هناك انتعاشًا ملحوظًا في تمويل سوق العملات الرقمية البطيء. وفقًا لإحصائيات الإعلام، فقط في النصف الأول من عام 2024، تم تمويل 64 مشروعًا في مجال Web3+AI، حيث حقق نظام التشغيل القائم على الذكاء الاصطناعي Zyber365 أعلى مبلغ تمويل في الجولة A والذي بلغ 100 مليون دولار.
سوق الثانوية أكثر ازدهارًا، حيث تظهر بيانات موقع بيانات معين أن القيمة السوقية الإجمالية لمجال الذكاء الاصطناعي قد وصلت إلى 48.5 مليار دولار في غضون أكثر من عام بقليل، وحجم التداول خلال 24 ساعة اقترب من 8.6 مليار دولار؛ الفوائد الناتجة عن تقدم تقنيات الذكاء الاصطناعي الرئيسية واضحة، حيث بعد إطلاق نموذج Sora لتحويل النص إلى فيديو من قبل إحدى الشركات، ارتفع متوسط سعر قطاع الذكاء الاصطناعي بنسبة 151٪؛ تأثير الذكاء الاصطناعي أيضًا امتد إلى أحد القطاعات الجذابة في العملات المشفرة، وهي Meme: حيث أصبح أول مفهوم لميمكوين وهو GOAT مشهورًا بسرعة وحقق تقييمًا قدره 1.4 مليار دولار، مما أدى إلى إحداث ضجة كبيرة في ميم الذكاء الاصطناعي.
البحث والمواضيع المتعلقة بـ AI+Web3 أيضًا تحظى بشعبية كبيرة، من AI+Depin إلى AI Memecoin وصولاً إلى AI Agent و AI DAO الحالية، فإن مشاعر FOMO أصبحت تعجز عن مواكبة سرعة تبديل السرد الجديد.
AI+Web3، هذه المجموعة من المصطلحات التي تملؤها الأموال الساخنة، والفرص، وخيالات المستقبل، لا بد أن يُنظر إليها على أنها زواج مرتب من قبل رأس المال، ويبدو أننا نجد صعوبة في التمييز تحت هذه الثوب الفخم، هل هي ساحة المضاربين، أم أنها ليلة الانفجار في الفجر؟
للإجابة على هذا السؤال، فإن تفكيرًا محوريًا لكلا الطرفين هو: هل سيكون الوضع أفضل مع الآخر؟ هل يمكن الاستفادة من نمط الآخر؟ في هذه المقالة، نحاول أيضًا أن نقف على أكتاف السابقين لفحص هذه الصورة: كيف يمكن أن تلعب Web3 دورًا في مختلف مراحل مجموعة تقنيات الذكاء الاصطناعي، وما الجديد الذي يمكن أن تقدمه الذكاء الاصطناعي لـ Web3؟
الجزء 1 ما هي الفرص المتاحة في Web3 تحت كومة الذكاء الاصطناعي؟
قبل مناقشة هذا الموضوع، نحتاج إلى فهم التقنية الأساسية لنموذج الذكاء الاصطناعي الكبير:
استخدم لغة أكثر بساطة لوصف العملية بالكامل: "النموذج الكبير" يشبه دماغ الإنسان، في المراحل المبكرة، ينتمي هذا الدماغ إلى طفل حديث الولادة، يحتاج إلى مراقبة واستيعاب كميات هائلة من المعلومات الخارجية لفهم هذا العالم، وهذه هي مرحلة "جمع البيانات"؛ نظرًا لعدم امتلاك الكمبيوتر لحواس متعددة مثل الرؤية والسمع عند البشر، تحتاج المعلومات الضخمة غير المصنفة من العالم الخارجي قبل التدريب إلى "معالجة مسبقة" لتحويلها إلى تنسيق معلومات يمكن أن يفهمه الكمبيوتر ويستخدمه.
بعد إدخال البيانات، يقوم الذكاء الاصطناعي من خلال "التدريب" ببناء نموذج يمتلك قدرات الفهم والتنبؤ، ويمكن اعتباره كعملية فهم وتعلم تدريجية للطفل عن العالم الخارجي، حيث تعتبر معلمات النموذج مثل القدرات اللغوية التي يتم تعديلها باستمرار خلال عملية تعلم الطفل. عندما تبدأ المحتويات التعليمية بالتخصص، أو عندما يتلقى ردود فعل من التواصل مع الآخرين ويتم تصحيحها، يدخل في مرحلة "التعديل الدقيق" للنموذج الكبير.
عندما يكبر الأطفال تدريجياً ويتعلمون التحدث، يمكنهم فهم المعاني والتعبير عن مشاعرهم وأفكارهم في محادثات جديدة. هذه المرحلة مشابهة لـ "الاستدلال" في نماذج الذكاء الاصطناعي الكبيرة، حيث يمكن للنماذج التنبؤ وتحليل المدخلات اللغوية والنصية الجديدة. يعبر الأطفال من خلال قدرتهم على اللغة عن مشاعرهم، ويصفون الأشياء، ويحلون مجموعة متنوعة من المشكلات، وهذا مشابه أيضًا لكيفية تطبيق نماذج الذكاء الاصطناعي الكبيرة في مرحلة الاستدلال بعد الانتهاء من التدريب واستخدامها في مهام محددة مثل تصنيف الصور والتعرف على الصوت.
وعوامل الذكاء الاصطناعي تقترب أكثر من الشكل التالي للنموذج الكبير - القدرة على تنفيذ المهام بشكل مستقل والسعي لتحقيق أهداف معقدة، حيث لا تمتلك فقط القدرة على التفكير، بل أيضًا ذاكرة، وتخطيط، وقادرة على استخدام الأدوات للتفاعل مع العالم.
في الوقت الحالي، وبالنظر إلى نقاط الألم المتعلقة بالذكاء الاصطناعي في مختلف التكدسات، فإن Web3 قد بدأت في تشكيل نظام بيئي متعدد المستويات ومترابط، يشمل جميع مراحل عملية نماذج الذكاء الاصطناعي.
واحد، الطبقة الأساسية: قوة الحوسبة والبيانات من Airbnb
قوة الحوسبة
حالياً، أحد أعلى التكاليف في الذكاء الاصطناعي هو القوة الحاسوبية والطاقة اللازمة لتدريب النماذج ونماذج الاستدلال.
مثال على ذلك هو أن نموذجًا معينًا لشركة ما يحتاج إلى 16000 وحدة من نوع GPU التي تنتجها نفس الشركة (وهي وحدة معالجة رسومات رائدة مصممة خصيصًا لتحميلات الذكاء الاصطناعي والحوسبة عالية الأداء). يستغرق تدريب النموذج 30 يومًا. تتراوح تكلفة النسخة التي بحجم 80 جيجابايت بين 30000 و40000 دولار، مما يتطلب استثمارًا في معدات الحوسبة يتراوح بين 400 إلى 700 مليون دولار (GPU + شرائح الشبكة)، بينما يتطلب التدريب الشهري استهلاك 1.6 مليار كيلوواط ساعة، مما يعني أن نفقات الطاقة تصل إلى حوالي 20 مليون دولار شهريًا.
بالنسبة لفك ضغط قوة الذكاء الاصطناعي، فإنها بالفعل واحدة من أولى المجالات التي تتقاطع فيها Web3 مع الذكاء الاصطناعي------DePin (شبكة البنية التحتية المادية اللامركزية) حاليا، قامت إحدى مواقع البيانات بإدراج أكثر من 1400 مشروع، ومن بين المشاريع الرائدة في مشاركة قوة GPU تشمل io.net و Aethir و Akash و Render Network وغيرها.
المنطق الرئيسي وراء ذلك هو: يسمح النظام الأساسي للأفراد أو الكيانات التي تمتلك موارد GPU غير المستخدمة بالمساهمة بقدرتها الحاسوبية بطريقة لامركزية دون إذن، من خلال سوق عبر الإنترنت بين المشترين والبائعين مشابه لـ Uber أو Airbnb، مما يزيد من استخدام موارد GPU التي لم يتم استغلالها بشكل كامل، وبالتالي يحصل المستخدمون النهائيون على موارد حسابية فعالة بتكاليف أقل؛ في نفس الوقت، تضمن آلية الرهن أنه في حال حدوث انتهاكات لآلية التحكم في الجودة أو انقطاع الشبكة، فإن مقدمي الموارد سيتعرضون للعقوبات المناسبة.
تتميز بـ:
تجميع موارد GPU غير المستخدمة: يتمثل الموردون بشكل رئيسي في مراكز البيانات المستقلة والمتوسطة والصغيرة، ومشغلي التعدين في العملات المشفرة، الذين يمتلكون موارد قوة حسابية فائضة. آلية الإجماع هي PoS لأجهزة تعدين مثل FileCoin و ETH. حالياً، هناك أيضًا مشاريع تهدف إلى بدء التشغيل بأجهزة ذات متطلبات أقل، مثل exolab التي تستخدم أجهزة MacBook و iPhone و iPad المحلية لإنشاء شبكة قوة حسابية لتشغيل نماذج كبيرة.
مواجهة سوق الذيل الطويل لقدرة الذكاء الاصطناعي:
أ. "من الناحية التقنية" يعتبر سوق القوة الحاسوبية اللامركزي أكثر ملاءمة لخطوات الاستدلال. التدريب يعتمد بشكل أكبر على القدرة على معالجة البيانات التي توفرها عناقيد GPU العملاقة، بينما الاستدلال يتطلب أداءً أقل نسبيًا من GPU، مثل Aethir التي تركز على أعمال العرض ذات الكمون المنخفض وتطبيقات الاستدلال AI.
ب. "من حيث جانب الطلب"، فإن الأطراف ذات قوة الحوسبة المتوسطة لن تدرب نماذجها الكبيرة بشكل منفصل، بل ستختار فقط تحسين وتعديل نماذج كبيرة محدودة، وهذه السيناريوهات مناسبة بطبيعتها لموارد الحوسبة الفائضة الموزعة.
الملكية اللامركزية: المعنى التكنولوجي للبلوك تشين هو أن مالكي الموارد يحتفظون دائمًا بالسيطرة على مواردهم، ويقومون بتعديلها بمرونة وفقًا للاحتياجات، وفي نفس الوقت يحققون الأرباح.
البيانات
البيانات هي أساس الذكاء الاصطناعي. إذا لم يكن هناك بيانات، فإن الحسابات ستكون عديمة الفائدة كالأعشاب الطافية، والعلاقة بين البيانات والنموذج تشبه المثل القائل "قمامة في، قمامة خارج". إن كمية البيانات وجودة المدخلات تحدد جودة المخرجات النهائية للنموذج. بالنسبة لتدريب النماذج الحالية للذكاء الاصطناعي، فإن البيانات تحدد قدرة النموذج اللغوية، وقدرته على الفهم، وحتى القيم الإنسانية وأداءه الإنساني. حالياً، تتركز صعوبات الطلب على البيانات في الذكاء الاصطناعي على أربعة جوانب رئيسية:
شغف البيانات: يعتمد تدريب نماذج الذكاء الاصطناعي على كميات كبيرة من بيانات الإدخال. تظهر المعلومات العامة أن إحدى الشركات قد وصلت إلى مستوى تريليون في عدد معاملات نموذج معين.
جودة البيانات: مع دمج الذكاء الاصطناعي في مختلف الصناعات، تزايدت متطلبات جودة البيانات من حيث صلاحية البيانات، تنوع البيانات، تخصص البيانات القطاعية، ودمج مصادر البيانات الناشئة مثل مشاعر وسائل التواصل الاجتماعي.
مسائل الخصوصية والامتثال: بدأت الدول والشركات في جميع أنحاء العالم تدرك أهمية مجموعات البيانات عالية الجودة، وتقوم حاليًا بفرض قيود على جمع البيانات.
تكلفة معالجة البيانات باهظة: كمية البيانات كبيرة، وعملية المعالجة معقدة. تُظهر البيانات العامة أن أكثر من 30% من تكاليف البحث والتطوير لشركات الذكاء الاصطناعي تُستخدم لجمع البيانات الأساسية ومعالجتها.
حالياً، يتمثل حل web3 في أربعة جوانب هي:
جمع البيانات: البيانات التي يمكن توفيرها مجانًا من العالم الحقيقي تتناقص بسرعة، وتزداد نفقات شركات الذكاء الاصطناعي في دفع مقابل البيانات عامًا بعد عام. ولكن في الوقت نفسه، لم تتلقَ المساهمات الحقيقية للبيانات أي عائد من هذه النفقات، حيث استمتع النظام الأساسي بالكامل بقيمة البيانات، مثلما حقق أحد المنصات من خلال توقيع اتفاقيات ترخيص البيانات مع شركات الذكاء الاصطناعي إجمالي إيرادات بلغ 203 مليون دولار.
إن رؤية Web3 هي السماح للمستخدمين الذين يساهمون حقًا بالمشاركة في خلق القيمة الناتجة عن البيانات، وكذلك الحصول على بيانات أكثر خصوصية وقيمة من المستخدمين بطريقة منخفضة التكلفة من خلال الشبكات الموزعة وآليات التحفيز.
مثل Grass هو طبقة بيانات وشبكة لامركزية، يمكن للمستخدمين من خلال تشغيل عقد Grass، المساهمة في النطاق الترددي غير المستخدم وتدفق البيانات لإلتقاط البيانات في الوقت الحقيقي من الإنترنت بأكمله، والحصول على مكافآت رمزية؛
Vana قدمت مفهوم فريد من نوعه لحوض سيولة البيانات (DLP)، حيث يمكن للمستخدمين رفع بياناتهم الخاصة (مثل سجلات الشراء، عادات التصفح، أنشطة وسائل التواصل الاجتماعي، وغيرها) إلى DLP معين، واختيار ما إذا كانوا يرغبون في منح إذن لاستخدام هذه البيانات لأطراف ثالثة معينة؛
في PublicAI، يمكن للمستخدمين استخدام #AI 或#Web3 كعلامة تصنيف على منصة معينة و @PublicAI لجمع البيانات.
معالجة البيانات: خلال عملية معالجة بيانات الذكاء الاصطناعي، يجب تنظيف البيانات المجمعة وتحويلها إلى تنسيق قابل للاستخدام قبل تدريب النموذج، حيث أن البيانات غالبًا ما تكون مليئة بالضوضاء وتحتوي على أخطاء. يتضمن ذلك مهام معقدة مثل التوحيد والترشيح ومعالجة القيم المفقودة. تعتبر هذه المرحلة واحدة من القلائل التي تتطلب تدخلًا بشريًا في صناعة الذكاء الاصطناعي، وقد نشأت منها مهنة معلم البيانات. مع زيادة متطلبات جودة البيانات من النماذج، ارتفعت أيضًا عتبة دخول معلمي البيانات، وتتناسب هذه المهمة بشكل طبيعي مع آلية التحفيز اللامركزية في Web3.
حالياً، تفكر Grass و OpenLayer في إضافة مرحلة التوسيم البياني هذه.
قدمت Synesis مفهوم "Train2earn"، مؤكدة على جودة البيانات، حيث يمكن للمستخدمين الحصول على مكافآت من خلال تقديم بيانات موضوعة، تعليقات أو أشكال أخرى من المدخلات.
مشروع ترميز البيانات Sapien يقوم بتحويل مهام التوسيم إلى لعبة، ويدعو المستخدمين لتجميد النقاط لكسب المزيد من النقاط.
3، خصوصية البيانات والأمان: من الضروري توضيح أن خصوصية البيانات والأمان هما مفهومين مختلفين. تتعلق خصوصية البيانات بمعالجة البيانات الحساسة، بينما تحمي أمان البيانات المعلومات من الوصول غير المصرح به، والتدمير، والسرقة. وبالتالي، تتمثل مزايا تقنيات الخصوصية في Web3 والسيناريوهات المحتملة للتطبيق في جانبين: (1) تدريب البيانات الحساسة؛ (2) التعاون في البيانات: يمكن لمالكي البيانات المتعددين المشاركة معًا في تدريب الذكاء الاصطناعي دون الحاجة إلى مشاركة بياناتهم الأصلية.
تشمل تقنيات الخصوصية الشائعة حالياً في Web3 ما يلي:
بيئة التنفيذ الموثوقة ( TEE )، مثل بروتوكول سوبر؛
التشفير المتجانس بالكامل (FHE)، مثل BasedAI أو Fhenix.io أو Inco Network؛
تقنية الإثبات بدون معرفة (zk)، مثل بروتوكول Reclaim الذي يستخدم تقنية zkTLS، تولد إثباتات بدون معرفة لحركة مرور HTTPS، مما يسمح للمستخدمين باستيراد النشاط والتقييم وبيانات الهوية من مواقع خارجية بأمان دون الكشف عن معلومات حساسة.
ومع ذلك، لا يزال هذا المجال في مراحله المبكرة، حيث لا تزال معظم المشاريع قيد الاستكشاف، وأحد التحديات الحالية هو ارتفاع تكاليف الحساب، ومن الأمثلة على ذلك:
تحتاج إطار zkML EZKL إلى حوالي 80 دقيقة
شاهد النسخة الأصلية
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.
تطور تكنولوجيا Web3 بالتعاون مع الذكاء الاصطناعي: فتح فرص جديدة لقوة الحوسبة و قيمة البيانات
الذكاء الاصطناعي + الويب 3: الأبراج والساحات
TL; د
مشاريع Web3 التي تعتمد على مفهوم الذكاء الاصطناعي أصبحت هدفًا لجذب الأموال في السوقين الأول والثاني.
تظهر فرص Web3 في صناعة الذكاء الاصطناعي في: استخدام الحوافز الموزعة لتنسيق الإمدادات المحتملة في الذيل الطويل ------ عبر البيانات والتخزين والحوسبة؛ وفي الوقت نفسه، إنشاء نموذج مفتوح المصدر بالإضافة إلى سوق لامركزي لوكلاء الذكاء الاصطناعي.
الاستخدام الرئيسي للذكاء الاصطناعي في صناعة Web3 هو التمويل على السلسلة (الدفع بالعملات المشفرة، التداول، تحليل البيانات) بالإضافة إلى المساعدة في التطوير.
تتجلى فائدة AI+Web3 في تكامل كلاهما: من المتوقع أن تواجه Web3 مركزة AI، ومن المتوقع أن تساعد AI Web3 في كسر الحواجز.
! الذكاء الاصطناعي+Web3: الأبراج والساحات
المقدمة
على مدى العامين الماضيين، يبدو أن تطور الذكاء الاصطناعي قد تم الضغط على زر التسريع، حيث أن جناح الفراشة الذي أثاره Chatgpt لم يفتح فقط عالماً جديداً للذكاء الاصطناعي التوليدي، بل أثار أيضاً تياراً في عالم Web3 على الضفة الأخرى.
بفضل مفهوم الذكاء الاصطناعي، يبدو أن هناك انتعاشًا ملحوظًا في تمويل سوق العملات الرقمية البطيء. وفقًا لإحصائيات الإعلام، فقط في النصف الأول من عام 2024، تم تمويل 64 مشروعًا في مجال Web3+AI، حيث حقق نظام التشغيل القائم على الذكاء الاصطناعي Zyber365 أعلى مبلغ تمويل في الجولة A والذي بلغ 100 مليون دولار.
سوق الثانوية أكثر ازدهارًا، حيث تظهر بيانات موقع بيانات معين أن القيمة السوقية الإجمالية لمجال الذكاء الاصطناعي قد وصلت إلى 48.5 مليار دولار في غضون أكثر من عام بقليل، وحجم التداول خلال 24 ساعة اقترب من 8.6 مليار دولار؛ الفوائد الناتجة عن تقدم تقنيات الذكاء الاصطناعي الرئيسية واضحة، حيث بعد إطلاق نموذج Sora لتحويل النص إلى فيديو من قبل إحدى الشركات، ارتفع متوسط سعر قطاع الذكاء الاصطناعي بنسبة 151٪؛ تأثير الذكاء الاصطناعي أيضًا امتد إلى أحد القطاعات الجذابة في العملات المشفرة، وهي Meme: حيث أصبح أول مفهوم لميمكوين وهو GOAT مشهورًا بسرعة وحقق تقييمًا قدره 1.4 مليار دولار، مما أدى إلى إحداث ضجة كبيرة في ميم الذكاء الاصطناعي.
البحث والمواضيع المتعلقة بـ AI+Web3 أيضًا تحظى بشعبية كبيرة، من AI+Depin إلى AI Memecoin وصولاً إلى AI Agent و AI DAO الحالية، فإن مشاعر FOMO أصبحت تعجز عن مواكبة سرعة تبديل السرد الجديد.
AI+Web3، هذه المجموعة من المصطلحات التي تملؤها الأموال الساخنة، والفرص، وخيالات المستقبل، لا بد أن يُنظر إليها على أنها زواج مرتب من قبل رأس المال، ويبدو أننا نجد صعوبة في التمييز تحت هذه الثوب الفخم، هل هي ساحة المضاربين، أم أنها ليلة الانفجار في الفجر؟
للإجابة على هذا السؤال، فإن تفكيرًا محوريًا لكلا الطرفين هو: هل سيكون الوضع أفضل مع الآخر؟ هل يمكن الاستفادة من نمط الآخر؟ في هذه المقالة، نحاول أيضًا أن نقف على أكتاف السابقين لفحص هذه الصورة: كيف يمكن أن تلعب Web3 دورًا في مختلف مراحل مجموعة تقنيات الذكاء الاصطناعي، وما الجديد الذي يمكن أن تقدمه الذكاء الاصطناعي لـ Web3؟
الجزء 1 ما هي الفرص المتاحة في Web3 تحت كومة الذكاء الاصطناعي؟
قبل مناقشة هذا الموضوع، نحتاج إلى فهم التقنية الأساسية لنموذج الذكاء الاصطناعي الكبير:
استخدم لغة أكثر بساطة لوصف العملية بالكامل: "النموذج الكبير" يشبه دماغ الإنسان، في المراحل المبكرة، ينتمي هذا الدماغ إلى طفل حديث الولادة، يحتاج إلى مراقبة واستيعاب كميات هائلة من المعلومات الخارجية لفهم هذا العالم، وهذه هي مرحلة "جمع البيانات"؛ نظرًا لعدم امتلاك الكمبيوتر لحواس متعددة مثل الرؤية والسمع عند البشر، تحتاج المعلومات الضخمة غير المصنفة من العالم الخارجي قبل التدريب إلى "معالجة مسبقة" لتحويلها إلى تنسيق معلومات يمكن أن يفهمه الكمبيوتر ويستخدمه.
بعد إدخال البيانات، يقوم الذكاء الاصطناعي من خلال "التدريب" ببناء نموذج يمتلك قدرات الفهم والتنبؤ، ويمكن اعتباره كعملية فهم وتعلم تدريجية للطفل عن العالم الخارجي، حيث تعتبر معلمات النموذج مثل القدرات اللغوية التي يتم تعديلها باستمرار خلال عملية تعلم الطفل. عندما تبدأ المحتويات التعليمية بالتخصص، أو عندما يتلقى ردود فعل من التواصل مع الآخرين ويتم تصحيحها، يدخل في مرحلة "التعديل الدقيق" للنموذج الكبير.
عندما يكبر الأطفال تدريجياً ويتعلمون التحدث، يمكنهم فهم المعاني والتعبير عن مشاعرهم وأفكارهم في محادثات جديدة. هذه المرحلة مشابهة لـ "الاستدلال" في نماذج الذكاء الاصطناعي الكبيرة، حيث يمكن للنماذج التنبؤ وتحليل المدخلات اللغوية والنصية الجديدة. يعبر الأطفال من خلال قدرتهم على اللغة عن مشاعرهم، ويصفون الأشياء، ويحلون مجموعة متنوعة من المشكلات، وهذا مشابه أيضًا لكيفية تطبيق نماذج الذكاء الاصطناعي الكبيرة في مرحلة الاستدلال بعد الانتهاء من التدريب واستخدامها في مهام محددة مثل تصنيف الصور والتعرف على الصوت.
وعوامل الذكاء الاصطناعي تقترب أكثر من الشكل التالي للنموذج الكبير - القدرة على تنفيذ المهام بشكل مستقل والسعي لتحقيق أهداف معقدة، حيث لا تمتلك فقط القدرة على التفكير، بل أيضًا ذاكرة، وتخطيط، وقادرة على استخدام الأدوات للتفاعل مع العالم.
في الوقت الحالي، وبالنظر إلى نقاط الألم المتعلقة بالذكاء الاصطناعي في مختلف التكدسات، فإن Web3 قد بدأت في تشكيل نظام بيئي متعدد المستويات ومترابط، يشمل جميع مراحل عملية نماذج الذكاء الاصطناعي.
! الذكاء الاصطناعي+Web3: الأبراج والمربعات
واحد، الطبقة الأساسية: قوة الحوسبة والبيانات من Airbnb
قوة الحوسبة
حالياً، أحد أعلى التكاليف في الذكاء الاصطناعي هو القوة الحاسوبية والطاقة اللازمة لتدريب النماذج ونماذج الاستدلال.
مثال على ذلك هو أن نموذجًا معينًا لشركة ما يحتاج إلى 16000 وحدة من نوع GPU التي تنتجها نفس الشركة (وهي وحدة معالجة رسومات رائدة مصممة خصيصًا لتحميلات الذكاء الاصطناعي والحوسبة عالية الأداء). يستغرق تدريب النموذج 30 يومًا. تتراوح تكلفة النسخة التي بحجم 80 جيجابايت بين 30000 و40000 دولار، مما يتطلب استثمارًا في معدات الحوسبة يتراوح بين 400 إلى 700 مليون دولار (GPU + شرائح الشبكة)، بينما يتطلب التدريب الشهري استهلاك 1.6 مليار كيلوواط ساعة، مما يعني أن نفقات الطاقة تصل إلى حوالي 20 مليون دولار شهريًا.
بالنسبة لفك ضغط قوة الذكاء الاصطناعي، فإنها بالفعل واحدة من أولى المجالات التي تتقاطع فيها Web3 مع الذكاء الاصطناعي------DePin (شبكة البنية التحتية المادية اللامركزية) حاليا، قامت إحدى مواقع البيانات بإدراج أكثر من 1400 مشروع، ومن بين المشاريع الرائدة في مشاركة قوة GPU تشمل io.net و Aethir و Akash و Render Network وغيرها.
المنطق الرئيسي وراء ذلك هو: يسمح النظام الأساسي للأفراد أو الكيانات التي تمتلك موارد GPU غير المستخدمة بالمساهمة بقدرتها الحاسوبية بطريقة لامركزية دون إذن، من خلال سوق عبر الإنترنت بين المشترين والبائعين مشابه لـ Uber أو Airbnb، مما يزيد من استخدام موارد GPU التي لم يتم استغلالها بشكل كامل، وبالتالي يحصل المستخدمون النهائيون على موارد حسابية فعالة بتكاليف أقل؛ في نفس الوقت، تضمن آلية الرهن أنه في حال حدوث انتهاكات لآلية التحكم في الجودة أو انقطاع الشبكة، فإن مقدمي الموارد سيتعرضون للعقوبات المناسبة.
تتميز بـ:
تجميع موارد GPU غير المستخدمة: يتمثل الموردون بشكل رئيسي في مراكز البيانات المستقلة والمتوسطة والصغيرة، ومشغلي التعدين في العملات المشفرة، الذين يمتلكون موارد قوة حسابية فائضة. آلية الإجماع هي PoS لأجهزة تعدين مثل FileCoin و ETH. حالياً، هناك أيضًا مشاريع تهدف إلى بدء التشغيل بأجهزة ذات متطلبات أقل، مثل exolab التي تستخدم أجهزة MacBook و iPhone و iPad المحلية لإنشاء شبكة قوة حسابية لتشغيل نماذج كبيرة.
مواجهة سوق الذيل الطويل لقدرة الذكاء الاصطناعي:
أ. "من الناحية التقنية" يعتبر سوق القوة الحاسوبية اللامركزي أكثر ملاءمة لخطوات الاستدلال. التدريب يعتمد بشكل أكبر على القدرة على معالجة البيانات التي توفرها عناقيد GPU العملاقة، بينما الاستدلال يتطلب أداءً أقل نسبيًا من GPU، مثل Aethir التي تركز على أعمال العرض ذات الكمون المنخفض وتطبيقات الاستدلال AI.
ب. "من حيث جانب الطلب"، فإن الأطراف ذات قوة الحوسبة المتوسطة لن تدرب نماذجها الكبيرة بشكل منفصل، بل ستختار فقط تحسين وتعديل نماذج كبيرة محدودة، وهذه السيناريوهات مناسبة بطبيعتها لموارد الحوسبة الفائضة الموزعة.
البيانات
البيانات هي أساس الذكاء الاصطناعي. إذا لم يكن هناك بيانات، فإن الحسابات ستكون عديمة الفائدة كالأعشاب الطافية، والعلاقة بين البيانات والنموذج تشبه المثل القائل "قمامة في، قمامة خارج". إن كمية البيانات وجودة المدخلات تحدد جودة المخرجات النهائية للنموذج. بالنسبة لتدريب النماذج الحالية للذكاء الاصطناعي، فإن البيانات تحدد قدرة النموذج اللغوية، وقدرته على الفهم، وحتى القيم الإنسانية وأداءه الإنساني. حالياً، تتركز صعوبات الطلب على البيانات في الذكاء الاصطناعي على أربعة جوانب رئيسية:
شغف البيانات: يعتمد تدريب نماذج الذكاء الاصطناعي على كميات كبيرة من بيانات الإدخال. تظهر المعلومات العامة أن إحدى الشركات قد وصلت إلى مستوى تريليون في عدد معاملات نموذج معين.
جودة البيانات: مع دمج الذكاء الاصطناعي في مختلف الصناعات، تزايدت متطلبات جودة البيانات من حيث صلاحية البيانات، تنوع البيانات، تخصص البيانات القطاعية، ودمج مصادر البيانات الناشئة مثل مشاعر وسائل التواصل الاجتماعي.
مسائل الخصوصية والامتثال: بدأت الدول والشركات في جميع أنحاء العالم تدرك أهمية مجموعات البيانات عالية الجودة، وتقوم حاليًا بفرض قيود على جمع البيانات.
تكلفة معالجة البيانات باهظة: كمية البيانات كبيرة، وعملية المعالجة معقدة. تُظهر البيانات العامة أن أكثر من 30% من تكاليف البحث والتطوير لشركات الذكاء الاصطناعي تُستخدم لجمع البيانات الأساسية ومعالجتها.
حالياً، يتمثل حل web3 في أربعة جوانب هي:
إن رؤية Web3 هي السماح للمستخدمين الذين يساهمون حقًا بالمشاركة في خلق القيمة الناتجة عن البيانات، وكذلك الحصول على بيانات أكثر خصوصية وقيمة من المستخدمين بطريقة منخفضة التكلفة من خلال الشبكات الموزعة وآليات التحفيز.
مثل Grass هو طبقة بيانات وشبكة لامركزية، يمكن للمستخدمين من خلال تشغيل عقد Grass، المساهمة في النطاق الترددي غير المستخدم وتدفق البيانات لإلتقاط البيانات في الوقت الحقيقي من الإنترنت بأكمله، والحصول على مكافآت رمزية؛
Vana قدمت مفهوم فريد من نوعه لحوض سيولة البيانات (DLP)، حيث يمكن للمستخدمين رفع بياناتهم الخاصة (مثل سجلات الشراء، عادات التصفح، أنشطة وسائل التواصل الاجتماعي، وغيرها) إلى DLP معين، واختيار ما إذا كانوا يرغبون في منح إذن لاستخدام هذه البيانات لأطراف ثالثة معينة؛
في PublicAI، يمكن للمستخدمين استخدام #AI 或#Web3 كعلامة تصنيف على منصة معينة و @PublicAI لجمع البيانات.
حالياً، تفكر Grass و OpenLayer في إضافة مرحلة التوسيم البياني هذه.
قدمت Synesis مفهوم "Train2earn"، مؤكدة على جودة البيانات، حيث يمكن للمستخدمين الحصول على مكافآت من خلال تقديم بيانات موضوعة، تعليقات أو أشكال أخرى من المدخلات.
مشروع ترميز البيانات Sapien يقوم بتحويل مهام التوسيم إلى لعبة، ويدعو المستخدمين لتجميد النقاط لكسب المزيد من النقاط.
3، خصوصية البيانات والأمان: من الضروري توضيح أن خصوصية البيانات والأمان هما مفهومين مختلفين. تتعلق خصوصية البيانات بمعالجة البيانات الحساسة، بينما تحمي أمان البيانات المعلومات من الوصول غير المصرح به، والتدمير، والسرقة. وبالتالي، تتمثل مزايا تقنيات الخصوصية في Web3 والسيناريوهات المحتملة للتطبيق في جانبين: (1) تدريب البيانات الحساسة؛ (2) التعاون في البيانات: يمكن لمالكي البيانات المتعددين المشاركة معًا في تدريب الذكاء الاصطناعي دون الحاجة إلى مشاركة بياناتهم الأصلية.
تشمل تقنيات الخصوصية الشائعة حالياً في Web3 ما يلي:
بيئة التنفيذ الموثوقة ( TEE )، مثل بروتوكول سوبر؛
التشفير المتجانس بالكامل (FHE)، مثل BasedAI أو Fhenix.io أو Inco Network؛
تقنية الإثبات بدون معرفة (zk)، مثل بروتوكول Reclaim الذي يستخدم تقنية zkTLS، تولد إثباتات بدون معرفة لحركة مرور HTTPS، مما يسمح للمستخدمين باستيراد النشاط والتقييم وبيانات الهوية من مواقع خارجية بأمان دون الكشف عن معلومات حساسة.
ومع ذلك، لا يزال هذا المجال في مراحله المبكرة، حيث لا تزال معظم المشاريع قيد الاستكشاف، وأحد التحديات الحالية هو ارتفاع تكاليف الحساب، ومن الأمثلة على ذلك: