تقرير شامل عن قطاع Web3-AI: تحليل عميق للمنطق التكنولوجي، تطبيقات السيناريو، والمشاريع الرائدة
مع استمرار ارتفاع درجة حرارة السرد الخاص بالذكاء الاصطناعي، تتزايد الانتباهات نحو هذا المجال. تقدم هذه المقالة تحليلًا عميقًا للمنطق التكنولوجي والتطبيقات والمشاريع الممثلة في مجال Web3-AI، لتقدم لك صورة شاملة عن هذا المجال واتجاهات تطويره.
أ. Web3-AI: تحليل المنطق الفني وفرص السوق الناشئة
1.1 منطق دمج Web3 و AI: كيف نحدد مسار Web-AI
على مدار العام الماضي، كانت السرديات المدعومة بالذكاء الاصطناعي تتألق بشكل استثنائي في صناعة Web3، حيث ظهرت مشاريع الذكاء الاصطناعي كالفطر بعد المطر. على الرغم من وجود العديد من المشاريع التي تتضمن تقنيات الذكاء الاصطناعي، إلا أن بعض المشاريع تستخدم الذكاء الاصطناعي فقط في أجزاء معينة من منتجاتها، بينما لا توجد علاقة جوهرية بين الاقتصاد الرمزي الأساسي ومنتجات الذكاء الاصطناعي، لذا فإن هذه الأنواع من المشاريع لا تندرج ضمن مناقشة مشاريع Web3-AI في هذه المقالة.
تركز هذه المقالة على المشاريع التي تستخدم البلوك تشين لحل مشاكل علاقات الإنتاج، بينما تعمل الذكاء الاصطناعي على حل مشاكل قوى الإنتاج، حيث تقدم هذه المشاريع نفسها منتجات الذكاء الاصطناعي، وفي نفس الوقت تعتمد على نموذج الاقتصاد Web3 كأداة لعلاقات الإنتاج، مما يجعل الاثنين متكاملين. نحن نصنف هذه المشاريع ضمن مسار Web3-AI. لمساعدة القراء على فهم مسار Web3-AI بشكل أفضل، ستقوم هذه المقالة بتقديم عملية تطوير الذكاء الاصطناعي والتحديات التي تواجهها، بالإضافة إلى كيفية دمج Web3 والذكاء الاصطناعي لحل المشاكل بشكل مثالي وخلق سيناريوهات تطبيقية جديدة.
1.2 عملية تطوير الذكاء الاصطناعي والتحديات: من جمع البيانات إلى استنتاج النموذج
تعتبر تقنية الذكاء الاصطناعي تقنية تسمح لأجهزة الكمبيوتر بمحاكاة وتوسيع وتعزيز الذكاء البشري. إنها تمكن الكمبيوتر من تنفيذ مجموعة متنوعة من المهام المعقدة، بدءًا من ترجمة اللغات وتصنيف الصور وصولًا إلى التعرف على الوجه وقيادة السيارات الذاتية، فإن الذكاء الاصطناعي يغير طريقة حياتنا وعملنا.
عادة ما تتضمن عملية تطوير نماذج الذكاء الاصطناعي الخطوات الرئيسية التالية: جمع البيانات والمعالجة المسبقة للبيانات، اختيار النموذج وضبطه، تدريب النموذج والاستدلال. على سبيل المثال البسيط، لتطوير نموذج لتمييز صور القطط والكلاب، تحتاج إلى:
جمع البيانات ومعالجة البيانات: جمع مجموعة بيانات الصور التي تحتوي على القطط والكلاب، يمكن استخدام مجموعات البيانات العامة أو جمع بيانات حقيقية بنفسك. ثم قم بتسمية كل صورة بفئة ( قطة أو كلب )، تأكد من أن التسمية دقيقة. تحويل الصور إلى تنسيق يمكن للنموذج التعرف عليه، وتقسيم مجموعة البيانات إلى مجموعة تدريب، مجموعة تحقق، ومجموعة اختبار.
اختيار النموذج وضبطه: اختيار النموذج المناسب، مثل الشبكات العصبية التلافيفية (CNN)، التي تناسب مهام تصنيف الصور. ضبط معلمات النموذج أو هيكله بناءً على الاحتياجات المختلفة، وعادةً ما يمكن تعديل مستويات الشبكة للنموذج بناءً على تعقيد مهمة الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون المستويات الشبكية الأعمق كافية.
تدريب النموذج: يمكن استخدام GPU أو TPU أو مجموعات الحوسبة عالية الأداء لتدريب النموذج، ووقت التدريب يتأثر بتعقيد النموذج وقدرة الحوسبة.
استدلال النموذج: تُعرف الملفات المدربة للنموذج عادةً بوزن النموذج، وعملية الاستدلال تشير إلى استخدام النموذج المدرب مسبقًا للتنبؤ أو تصنيف بيانات جديدة. يمكن استخدام مجموعة الاختبار أو بيانات جديدة لاختبار فعالية تصنيف النموذج خلال هذه العملية، وعادةً ما يتم تقييم فعالية النموذج باستخدام مؤشرات مثل الدقة، واستدعاء، وF1-score.
ومع ذلك، توجد بعض المشكلات في عملية تطوير الذكاء الاصطناعي المركزية في السيناريوهات التالية:
خصوصية المستخدم: في السيناريوهات المركزية، تكون عملية تطوير الذكاء الاصطناعي عادة غير شفافة. قد يتم سرقة بيانات المستخدم دون علمهم واستخدامها في تدريب الذكاء الاصطناعي.
مصدر البيانات: قد يواجه فريق صغير أو فرد عند الحصول على بيانات في مجال معين ( مثل البيانات الطبية ) قيودًا على عدم فتح البيانات.
اختيار النموذج وضبطه: بالنسبة للفرق الصغيرة، من الصعب الحصول على موارد نموذجية في مجالات محددة أو إنفاق تكاليف كبيرة لضبط النموذج.
الحصول على القدرة الحاسوبية: بالنسبة للمطورين الأفراد والفرق الصغيرة، فإن التكلفة الباهظة لشراء وحدات معالجة الرسوميات (GPU) وإيجار القدرة الحاسوبية السحابية قد تشكل عبئًا اقتصاديًا كبيرًا.
إيرادات الأصول الذكية: غالبًا ما لا يتمكن عمال وضع العلامات على البيانات من الحصول على إيرادات تتناسب مع جهودهم، كما أن نتائج أبحاث مطوري الذكاء الاصطناعي يصعب أن تتطابق مع المشترين الذين يحتاجون إليها.
التحديات الموجودة في سيناريوهات الذكاء الاصطناعي المركزي يمكن التغلب عليها من خلال دمجها مع الويب 3. يعتبر الويب 3 نوعًا جديدًا من علاقات الإنتاج، ويتناسب بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل قوة إنتاجية جديدة، مما يعزز التقدم التكنولوجي والقدرات الإنتاجية في الوقت ذاته.
1.3 تأثيرات التعاون بين Web3 و AI: تحول الأدوار والتطبيقات الابتكارية
يمكن أن يعزز دمج Web3 و AI سيادة المستخدمين، ويوفر منصة مفتوحة للتعاون في AI، مما يسمح للمستخدمين بالتحول من مستخدمي AI في عصر Web2 إلى مشاركين، وإنشاء AI يمكن للجميع امتلاكه. في الوقت نفسه، يمكن أن يؤدي دمج عالم Web3 مع تقنيات AI إلى ظهور المزيد من التطبيقات المبتكرة وسيناريوهات اللعب.
بناءً على تقنية Web3، سيشهد تطوير وتطبيق الذكاء الاصطناعي نظامًا جديدًا للاقتصاد التعاوني. يمكن ضمان خصوصية بيانات الناس، كما أن نموذج جمع البيانات الجماعي يعزز تقدم نماذج الذكاء الاصطناعي، وتتوفر العديد من موارد الذكاء الاصطناعي مفتوحة المصدر للاستخدام من قبل المستخدمين، ويمكن الحصول على قوة الحوسبة المشتركة بتكلفة 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 سياق Web3، يمكن أن تؤثر الذكاء الاصطناعي بشكل إيجابي عبر عدة مجالات. على سبيل المثال، يمكن دمج نماذج الذكاء الاصطناعي في العقود الذكية، مما يعزز من كفاءة العمل في سيناريوهات تطبيقية مختلفة، مثل تحليل السوق، والكشف عن الأمان، والتجمعات الاجتماعية، وغيرها من الوظائف. لا تتيح الذكاء الاصطناعي التوليدي للمستخدمين تجربة دور "الفنان"، مثل استخدام تقنية الذكاء الاصطناعي لإنشاء NFT خاص بهم فحسب، بل يمكنها أيضًا خلق مشاهد ألعاب متنوعة وتجارب تفاعلية ممتعة في GameFi. توفر البنية التحتية الغنية تجربة تطوير سلسة، حيث يمكن لكل من خبراء الذكاء الاصطناعي والمبتدئين الذين يرغبون في دخول مجال الذكاء الاصطناعي العثور على المدخل المناسب في هذا العالم.
الثاني، تفسير خريطة وهيكل مشاريع Web3-AI生态
لقد درسنا بشكل أساسي 41 مشروعًا في مجال Web3-AI، وقمنا بتقسيم هذه المشاريع إلى مستويات مختلفة. منطق تقسيم كل مستوى موضح في الشكل أدناه، بما في ذلك مستوى البنية التحتية، المستوى المتوسط، ومستوى التطبيق، وكل مستوى ينقسم إلى أقسام مختلفة. في الفصل التالي، سنقوم بإجراء تحليل عميق لبعض المشاريع الممثلة.
تغطي طبقة البنية التحتية الموارد الحاسوبية والهياكل التقنية التي تدعم تشغيل دورة حياة الذكاء الاصطناعي بأكملها، بينما تتضمن الطبقة الوسطى إدارة البيانات وخدمات تطوير النماذج والتحقق من الاستدلال التي تربط البنية التحتية بالتطبيقات، وتركز الطبقة التطبيقية على التطبيقات والحلول المتنوعة الموجهة مباشرة للمستخدم.
طبقة البنية التحتية:
طبقة البنية التحتية هي أساس دورة حياة الذكاء الاصطناعي، حيث يتم تصنيف قوة الحوسبة، سلسلة الذكاء الاصطناعي ومنصة التطوير على أنها طبقة البنية التحتية. بدعم من هذه البنية التحتية، يمكن تحقيق تدريب ونمذجة الذكاء الاصطناعي، وتقديم تطبيقات الذكاء الاصطناعي القوية والعملية للمستخدمين.
شبكة الحوسبة اللامركزية: يمكن أن توفر قوة حوسبة موزعة لتدريب نماذج الذكاء الاصطناعي، مما يضمن استخدام موارد الحوسبة بكفاءة واقتصادية. تقدم بعض المشاريع سوقًا لامركزيًا للقوة الحاسوبية، حيث يمكن للمستخدمين استئجار القوة الحاسوبية بتكلفة منخفضة أو مشاركة القوة الحاسوبية لتحقيق الأرباح، ومن المشاريع الممثلة IO.NET وHyperbolic. بالإضافة إلى ذلك، ظهرت بعض المشاريع بألعاب جديدة، مثل Compute Labs، التي اقترحت بروتوكول توكين، حيث يمكن للمستخدمين من خلال شراء NFTs تمثل وحدات GPU المشاركة بطرق مختلفة في استئجار القوة الحاسوبية لتحقيق الأرباح.
AI Chain: استخدام blockchain كأساس لدورة حياة الذكاء الاصطناعي، لتحقيق التفاعل السلس بين موارد الذكاء الاصطناعي على السلسلة وخارجها، مما يعزز تطوير النظام البيئي الصناعي. يمكن للسوق اللامركزية على السلسلة تداول الأصول الذكاء الاصطناعي مثل البيانات، والنماذج، والوكلاء، وغيرها، وتقديم إطار تطوير الذكاء الاصطناعي وأدوات التطوير المصاحبة، مثل مشروع Sahara AI. يمكن أن يعزز AI Chain أيضًا التقدم التكنولوجي في مجالات الذكاء الاصطناعي المختلفة، مثل Bittensor من خلال آلية تحفيز الشبكات الفرعية المبتكرة لتعزيز المنافسة بين أنواع الذكاء الاصطناعي المختلفة.
منصة التطوير: تقدم بعض المشاريع منصة تطوير وكلاء الذكاء الاصطناعي، ويمكنها أيضًا تنفيذ تداول وكلاء الذكاء الاصطناعي، مثل Fetch.ai وChainML وغيرها. تساعد الأدوات الشاملة المطورين على إنشاء وتدريب ونشر نماذج الذكاء الاصطناعي بشكل أكثر سهولة، ومن بين المشاريع الممثلة Nimble. تعزز هذه البنية التحتية الاستخدام الواسع لتقنية الذكاء الاصطناعي في نظام Web3 البيئي.
الطبقة الوسطى:
تتعلق هذه الطبقة ببيانات الذكاء الاصطناعي، والنماذج، وكذلك الاستدلال والتحقق، ويمكن أن تحقق تقنيات Web3 كفاءة عمل أعلى.
البيانات: جودة البيانات وكميتها هما العاملان الرئيسيان اللذان يؤثران على فعالية تدريب النموذج. في عالم Web3، يمكن تحسين استخدام الموارد وتقليل تكاليف البيانات من خلال البيانات الجماعية والمعالجة التعاونية للبيانات. يمكن للمستخدمين امتلاك حقوق البيانات الخاصة بهم، وبيع بياناتهم في إطار حماية الخصوصية، لتجنب سرقة البيانات من قبل تجار غير نزيهين وتحقيق أرباح عالية. بالنسبة لمتطلبات البيانات، توفر هذه المنصات مجموعة واسعة من الخيارات وتكاليف منخفضة للغاية. من المشاريع الممثلة مثل Grass التي تستخدم عرض النطاق الترددي للمستخدمين لجمع بيانات الويب، وxData التي تجمع المعلومات الإعلامية من خلال ملحقات سهلة الاستخدام، وتدعم المستخدمين في تحميل معلومات التغريدات.
بالإضافة إلى ذلك، تتيح بعض المنصات للخبراء في المجال أو المستخدمين العاديين تنفيذ مهام معالجة البيانات، مثل وضع علامات على الصور وتصنيف البيانات، وقد تتطلب هذه المهام معالجة بيانات تتعلق بالمالية والقانون تتطلب خبرة متخصصة، يمكن للمستخدمين تحويل مهاراتهم إلى رموز لتحقيق تعاون جماعي في معالجة البيانات. تمثل أسواق الذكاء الاصطناعي مثل Sahara AI، مهام بيانات من مجالات مختلفة، ويمكن أن تغطي سيناريوهات بيانات متعددة المجالات؛ بينما يقوم بروتوكول AIT بوسيلة تعاون بين الإنسان والآلة لوضع علامات على البيانات.
النموذج: كما تم ذكره سابقًا في عملية تطوير الذكاء الاصطناعي، تحتاج أنواع مختلفة من المتطلبات إلى مطابقة النموذج المناسب. النماذج الشائعة المستخدمة في مهام الصور مثل CNN و GAN، ويمكن اختيار سلسلة Yolo لمهام كشف الأهداف، والنماذج الشائعة لمهام النصوص تشمل RNN و Transformer وغيرها من النماذج. بالطبع، هناك أيضًا بعض النماذج الكبيرة المحددة أو العامة. تحتاج المهام ذات التعقيد المختلف إلى عمق مختلف للنماذج، وأحيانًا تحتاج إلى ضبط النموذج.
تدعم بعض المشاريع المستخدمين في تقديم أنواع مختلفة من النماذج أو التعاون في تدريب النماذج من خلال أسلوب الحشد، مثل Sentient التي تسمح من خلال تصميمها المعياري للمستخدمين بوضع بيانات النموذج المعتمدة في طبقة التخزين وطبقة التوزيع لتحسين النموذج، وأدوات التطوير التي تقدمها Sahara AI تحتوي على خوارزميات AI متقدمة وإطار عمل حسابي، ولديها القدرة على التدريب التعاوني.
الاستدلال والتحقق: بعد تدريب النموذج، يتم إنشاء ملفات أوزان النموذج، والتي يمكن استخدامها مباشرة في التصنيف أو التنبؤ أو مهام محددة أخرى، وتسمى هذه العملية الاستدلال. عادةً ما تكون عملية الاستدلال مصحوبة بآلية تحقق للتحقق من صحة مصدر نموذج الاستدلال وما إذا كان هناك سلوك ضار أم لا. يمكن دمج استدلال Web3 عادةً في العقود الذكية، من خلال استدعاء النموذج لإجراء الاستدلال، تشمل طرق التحقق الشائعة تقنيات مثل ZKML و OPML و TEE. من المشاريع الممثلة مثل Oracle AI على سلسلة ORA ( OAO )، حيث تم إدخال OPML كطبقة قابلة للتحقق لأداة التنبؤ الذكية، وقد ذكرت موقع ORA الرسمي أيضًا أبحاثهم حول دمج ZKML و opp/ai ( ZKML مع OPML ).
طبقة التطبيق:
هذه الطبقة موجهة مباشرةً نحو تطبيقات المستخدمين، حيث تجمع بين الذكاء الاصطناعي وWeb3، مما يخلق المزيد من الطرق المثيرة والمبتكرة للعب. يركز هذا المقال بشكل أساسي على تنظيم مشاريع AIGC(، إنشاء المحتوى بواسطة الذكاء الاصطناعي)، وكل من الوكلاء الذكائيين وتحليل البيانات.
AIGC: يمكن توسيعه إلى NFT والألعاب وغيرها من المجالات في Web3، حيث يمكن للمستخدمين مباشرة من خلال Prompt( الكلمات الدليلية المقدمة من المستخدمين، إنشاء نصوص وصور وصوتيات، وحتى يمكنهم في الألعاب إنشاء أساليب لعب مخصصة وفقًا لتفضيلاتهم. مشاريع NFT مثل NFPrompt، حيث يمكن للمستخدمين إنشاء NFT بواسطة الذكاء الاصطناعي وتداولها في السوق؛ ألعاب مثل Sleepless، حيث يشكل المستخدمون شخصية رفيقهم الافتراضي من خلال الحوار لتتناسب مع تفضيلاتهم؛
وكيل الذكاء الاصطناعي: يشير إلى أنظمة الذكاء الاصطناعي التي يمكنها تنفيذ المهام واتخاذ القرارات بشكل مستقل. عادةً ما يمتلك وكيل الذكاء الاصطناعي قدرات الإدراك والاستدلال والتعلم والعمل، ويمكنه تنفيذ مهام معقدة في بيئات متنوعة. تشمل وكالات الذكاء الاصطناعي الشائعة ترجمة اللغات، تعلم اللغات، تحويل الصور إلى نصوص، وما إلى ذلك، ويمكن استخدامها في سيناريوهات Web3 لإنشاء روبوتات تداول، وإنشاء ميمات، واختبار الأمان على السلسلة. على سبيل المثال، MyShell كمنصة لوكلاء الذكاء الاصطناعي، تقدم أنواعًا متعددة من الوكلاء، بما في ذلك التعلم والتعليم، والرفقة الافتراضية، ووكلاء التداول، كما توفر أدوات تطوير وكيل سهلة الاستخدام، مما يتيح لك بناء وكيل خاص بك دون الحاجة إلى كتابة أي شيفرة.
تحليل البيانات: من خلال دمج تقنيات الذكاء الاصطناعي وقواعد البيانات ذات الصلة، لتحقيق تحليل البيانات، الحكم، التنبؤ، إلخ، في Web3، يمكن من خلال تحليل بيانات السوق، ديناميات المال الذكي، إلخ، مساعدة المستخدمين في اتخاذ قرارات الاستثمار. توقعات الرموز أيضًا هي سيناريوهات تطبيق فريدة في Web3، تمثل المشاريع مثل Ocean، حيث قامت الإدارة بتحديد代
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.
تسجيلات الإعجاب 12
أعجبني
12
5
مشاركة
تعليق
0/400
MeaninglessGwei
· منذ 11 س
عادوا للهيمنة على الذكاء الاصطناعي، ممل
شاهد النسخة الأصليةرد0
BearMarketMonk
· 08-06 05:05
الحد الأدنى للإيكولوجيا يجب أن يكون 6 أرقام على الأقل؟
مشهد Web3-AI: تحليل عميق للمنطق التكنولوجي، وسيناريوهات التطبيق، والمشاريع الرائدة
تقرير شامل عن قطاع Web3-AI: تحليل عميق للمنطق التكنولوجي، تطبيقات السيناريو، والمشاريع الرائدة
مع استمرار ارتفاع درجة حرارة السرد الخاص بالذكاء الاصطناعي، تتزايد الانتباهات نحو هذا المجال. تقدم هذه المقالة تحليلًا عميقًا للمنطق التكنولوجي والتطبيقات والمشاريع الممثلة في مجال Web3-AI، لتقدم لك صورة شاملة عن هذا المجال واتجاهات تطويره.
أ. Web3-AI: تحليل المنطق الفني وفرص السوق الناشئة
1.1 منطق دمج Web3 و AI: كيف نحدد مسار Web-AI
على مدار العام الماضي، كانت السرديات المدعومة بالذكاء الاصطناعي تتألق بشكل استثنائي في صناعة Web3، حيث ظهرت مشاريع الذكاء الاصطناعي كالفطر بعد المطر. على الرغم من وجود العديد من المشاريع التي تتضمن تقنيات الذكاء الاصطناعي، إلا أن بعض المشاريع تستخدم الذكاء الاصطناعي فقط في أجزاء معينة من منتجاتها، بينما لا توجد علاقة جوهرية بين الاقتصاد الرمزي الأساسي ومنتجات الذكاء الاصطناعي، لذا فإن هذه الأنواع من المشاريع لا تندرج ضمن مناقشة مشاريع Web3-AI في هذه المقالة.
تركز هذه المقالة على المشاريع التي تستخدم البلوك تشين لحل مشاكل علاقات الإنتاج، بينما تعمل الذكاء الاصطناعي على حل مشاكل قوى الإنتاج، حيث تقدم هذه المشاريع نفسها منتجات الذكاء الاصطناعي، وفي نفس الوقت تعتمد على نموذج الاقتصاد Web3 كأداة لعلاقات الإنتاج، مما يجعل الاثنين متكاملين. نحن نصنف هذه المشاريع ضمن مسار Web3-AI. لمساعدة القراء على فهم مسار Web3-AI بشكل أفضل، ستقوم هذه المقالة بتقديم عملية تطوير الذكاء الاصطناعي والتحديات التي تواجهها، بالإضافة إلى كيفية دمج Web3 والذكاء الاصطناعي لحل المشاكل بشكل مثالي وخلق سيناريوهات تطبيقية جديدة.
1.2 عملية تطوير الذكاء الاصطناعي والتحديات: من جمع البيانات إلى استنتاج النموذج
تعتبر تقنية الذكاء الاصطناعي تقنية تسمح لأجهزة الكمبيوتر بمحاكاة وتوسيع وتعزيز الذكاء البشري. إنها تمكن الكمبيوتر من تنفيذ مجموعة متنوعة من المهام المعقدة، بدءًا من ترجمة اللغات وتصنيف الصور وصولًا إلى التعرف على الوجه وقيادة السيارات الذاتية، فإن الذكاء الاصطناعي يغير طريقة حياتنا وعملنا.
عادة ما تتضمن عملية تطوير نماذج الذكاء الاصطناعي الخطوات الرئيسية التالية: جمع البيانات والمعالجة المسبقة للبيانات، اختيار النموذج وضبطه، تدريب النموذج والاستدلال. على سبيل المثال البسيط، لتطوير نموذج لتمييز صور القطط والكلاب، تحتاج إلى:
جمع البيانات ومعالجة البيانات: جمع مجموعة بيانات الصور التي تحتوي على القطط والكلاب، يمكن استخدام مجموعات البيانات العامة أو جمع بيانات حقيقية بنفسك. ثم قم بتسمية كل صورة بفئة ( قطة أو كلب )، تأكد من أن التسمية دقيقة. تحويل الصور إلى تنسيق يمكن للنموذج التعرف عليه، وتقسيم مجموعة البيانات إلى مجموعة تدريب، مجموعة تحقق، ومجموعة اختبار.
اختيار النموذج وضبطه: اختيار النموذج المناسب، مثل الشبكات العصبية التلافيفية (CNN)، التي تناسب مهام تصنيف الصور. ضبط معلمات النموذج أو هيكله بناءً على الاحتياجات المختلفة، وعادةً ما يمكن تعديل مستويات الشبكة للنموذج بناءً على تعقيد مهمة الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون المستويات الشبكية الأعمق كافية.
تدريب النموذج: يمكن استخدام GPU أو TPU أو مجموعات الحوسبة عالية الأداء لتدريب النموذج، ووقت التدريب يتأثر بتعقيد النموذج وقدرة الحوسبة.
استدلال النموذج: تُعرف الملفات المدربة للنموذج عادةً بوزن النموذج، وعملية الاستدلال تشير إلى استخدام النموذج المدرب مسبقًا للتنبؤ أو تصنيف بيانات جديدة. يمكن استخدام مجموعة الاختبار أو بيانات جديدة لاختبار فعالية تصنيف النموذج خلال هذه العملية، وعادةً ما يتم تقييم فعالية النموذج باستخدام مؤشرات مثل الدقة، واستدعاء، وF1-score.
ومع ذلك، توجد بعض المشكلات في عملية تطوير الذكاء الاصطناعي المركزية في السيناريوهات التالية:
خصوصية المستخدم: في السيناريوهات المركزية، تكون عملية تطوير الذكاء الاصطناعي عادة غير شفافة. قد يتم سرقة بيانات المستخدم دون علمهم واستخدامها في تدريب الذكاء الاصطناعي.
مصدر البيانات: قد يواجه فريق صغير أو فرد عند الحصول على بيانات في مجال معين ( مثل البيانات الطبية ) قيودًا على عدم فتح البيانات.
اختيار النموذج وضبطه: بالنسبة للفرق الصغيرة، من الصعب الحصول على موارد نموذجية في مجالات محددة أو إنفاق تكاليف كبيرة لضبط النموذج.
الحصول على القدرة الحاسوبية: بالنسبة للمطورين الأفراد والفرق الصغيرة، فإن التكلفة الباهظة لشراء وحدات معالجة الرسوميات (GPU) وإيجار القدرة الحاسوبية السحابية قد تشكل عبئًا اقتصاديًا كبيرًا.
إيرادات الأصول الذكية: غالبًا ما لا يتمكن عمال وضع العلامات على البيانات من الحصول على إيرادات تتناسب مع جهودهم، كما أن نتائج أبحاث مطوري الذكاء الاصطناعي يصعب أن تتطابق مع المشترين الذين يحتاجون إليها.
التحديات الموجودة في سيناريوهات الذكاء الاصطناعي المركزي يمكن التغلب عليها من خلال دمجها مع الويب 3. يعتبر الويب 3 نوعًا جديدًا من علاقات الإنتاج، ويتناسب بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل قوة إنتاجية جديدة، مما يعزز التقدم التكنولوجي والقدرات الإنتاجية في الوقت ذاته.
1.3 تأثيرات التعاون بين Web3 و AI: تحول الأدوار والتطبيقات الابتكارية
يمكن أن يعزز دمج Web3 و AI سيادة المستخدمين، ويوفر منصة مفتوحة للتعاون في AI، مما يسمح للمستخدمين بالتحول من مستخدمي AI في عصر Web2 إلى مشاركين، وإنشاء AI يمكن للجميع امتلاكه. في الوقت نفسه، يمكن أن يؤدي دمج عالم Web3 مع تقنيات AI إلى ظهور المزيد من التطبيقات المبتكرة وسيناريوهات اللعب.
بناءً على تقنية Web3، سيشهد تطوير وتطبيق الذكاء الاصطناعي نظامًا جديدًا للاقتصاد التعاوني. يمكن ضمان خصوصية بيانات الناس، كما أن نموذج جمع البيانات الجماعي يعزز تقدم نماذج الذكاء الاصطناعي، وتتوفر العديد من موارد الذكاء الاصطناعي مفتوحة المصدر للاستخدام من قبل المستخدمين، ويمكن الحصول على قوة الحوسبة المشتركة بتكلفة 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 سياق Web3، يمكن أن تؤثر الذكاء الاصطناعي بشكل إيجابي عبر عدة مجالات. على سبيل المثال، يمكن دمج نماذج الذكاء الاصطناعي في العقود الذكية، مما يعزز من كفاءة العمل في سيناريوهات تطبيقية مختلفة، مثل تحليل السوق، والكشف عن الأمان، والتجمعات الاجتماعية، وغيرها من الوظائف. لا تتيح الذكاء الاصطناعي التوليدي للمستخدمين تجربة دور "الفنان"، مثل استخدام تقنية الذكاء الاصطناعي لإنشاء NFT خاص بهم فحسب، بل يمكنها أيضًا خلق مشاهد ألعاب متنوعة وتجارب تفاعلية ممتعة في GameFi. توفر البنية التحتية الغنية تجربة تطوير سلسة، حيث يمكن لكل من خبراء الذكاء الاصطناعي والمبتدئين الذين يرغبون في دخول مجال الذكاء الاصطناعي العثور على المدخل المناسب في هذا العالم.
الثاني، تفسير خريطة وهيكل مشاريع Web3-AI生态
لقد درسنا بشكل أساسي 41 مشروعًا في مجال Web3-AI، وقمنا بتقسيم هذه المشاريع إلى مستويات مختلفة. منطق تقسيم كل مستوى موضح في الشكل أدناه، بما في ذلك مستوى البنية التحتية، المستوى المتوسط، ومستوى التطبيق، وكل مستوى ينقسم إلى أقسام مختلفة. في الفصل التالي، سنقوم بإجراء تحليل عميق لبعض المشاريع الممثلة.
تغطي طبقة البنية التحتية الموارد الحاسوبية والهياكل التقنية التي تدعم تشغيل دورة حياة الذكاء الاصطناعي بأكملها، بينما تتضمن الطبقة الوسطى إدارة البيانات وخدمات تطوير النماذج والتحقق من الاستدلال التي تربط البنية التحتية بالتطبيقات، وتركز الطبقة التطبيقية على التطبيقات والحلول المتنوعة الموجهة مباشرة للمستخدم.
طبقة البنية التحتية:
طبقة البنية التحتية هي أساس دورة حياة الذكاء الاصطناعي، حيث يتم تصنيف قوة الحوسبة، سلسلة الذكاء الاصطناعي ومنصة التطوير على أنها طبقة البنية التحتية. بدعم من هذه البنية التحتية، يمكن تحقيق تدريب ونمذجة الذكاء الاصطناعي، وتقديم تطبيقات الذكاء الاصطناعي القوية والعملية للمستخدمين.
شبكة الحوسبة اللامركزية: يمكن أن توفر قوة حوسبة موزعة لتدريب نماذج الذكاء الاصطناعي، مما يضمن استخدام موارد الحوسبة بكفاءة واقتصادية. تقدم بعض المشاريع سوقًا لامركزيًا للقوة الحاسوبية، حيث يمكن للمستخدمين استئجار القوة الحاسوبية بتكلفة منخفضة أو مشاركة القوة الحاسوبية لتحقيق الأرباح، ومن المشاريع الممثلة IO.NET وHyperbolic. بالإضافة إلى ذلك، ظهرت بعض المشاريع بألعاب جديدة، مثل Compute Labs، التي اقترحت بروتوكول توكين، حيث يمكن للمستخدمين من خلال شراء NFTs تمثل وحدات GPU المشاركة بطرق مختلفة في استئجار القوة الحاسوبية لتحقيق الأرباح.
AI Chain: استخدام blockchain كأساس لدورة حياة الذكاء الاصطناعي، لتحقيق التفاعل السلس بين موارد الذكاء الاصطناعي على السلسلة وخارجها، مما يعزز تطوير النظام البيئي الصناعي. يمكن للسوق اللامركزية على السلسلة تداول الأصول الذكاء الاصطناعي مثل البيانات، والنماذج، والوكلاء، وغيرها، وتقديم إطار تطوير الذكاء الاصطناعي وأدوات التطوير المصاحبة، مثل مشروع Sahara AI. يمكن أن يعزز AI Chain أيضًا التقدم التكنولوجي في مجالات الذكاء الاصطناعي المختلفة، مثل Bittensor من خلال آلية تحفيز الشبكات الفرعية المبتكرة لتعزيز المنافسة بين أنواع الذكاء الاصطناعي المختلفة.
منصة التطوير: تقدم بعض المشاريع منصة تطوير وكلاء الذكاء الاصطناعي، ويمكنها أيضًا تنفيذ تداول وكلاء الذكاء الاصطناعي، مثل Fetch.ai وChainML وغيرها. تساعد الأدوات الشاملة المطورين على إنشاء وتدريب ونشر نماذج الذكاء الاصطناعي بشكل أكثر سهولة، ومن بين المشاريع الممثلة Nimble. تعزز هذه البنية التحتية الاستخدام الواسع لتقنية الذكاء الاصطناعي في نظام Web3 البيئي.
الطبقة الوسطى:
تتعلق هذه الطبقة ببيانات الذكاء الاصطناعي، والنماذج، وكذلك الاستدلال والتحقق، ويمكن أن تحقق تقنيات Web3 كفاءة عمل أعلى.
بالإضافة إلى ذلك، تتيح بعض المنصات للخبراء في المجال أو المستخدمين العاديين تنفيذ مهام معالجة البيانات، مثل وضع علامات على الصور وتصنيف البيانات، وقد تتطلب هذه المهام معالجة بيانات تتعلق بالمالية والقانون تتطلب خبرة متخصصة، يمكن للمستخدمين تحويل مهاراتهم إلى رموز لتحقيق تعاون جماعي في معالجة البيانات. تمثل أسواق الذكاء الاصطناعي مثل Sahara AI، مهام بيانات من مجالات مختلفة، ويمكن أن تغطي سيناريوهات بيانات متعددة المجالات؛ بينما يقوم بروتوكول AIT بوسيلة تعاون بين الإنسان والآلة لوضع علامات على البيانات.
تدعم بعض المشاريع المستخدمين في تقديم أنواع مختلفة من النماذج أو التعاون في تدريب النماذج من خلال أسلوب الحشد، مثل Sentient التي تسمح من خلال تصميمها المعياري للمستخدمين بوضع بيانات النموذج المعتمدة في طبقة التخزين وطبقة التوزيع لتحسين النموذج، وأدوات التطوير التي تقدمها Sahara AI تحتوي على خوارزميات AI متقدمة وإطار عمل حسابي، ولديها القدرة على التدريب التعاوني.
طبقة التطبيق:
هذه الطبقة موجهة مباشرةً نحو تطبيقات المستخدمين، حيث تجمع بين الذكاء الاصطناعي وWeb3، مما يخلق المزيد من الطرق المثيرة والمبتكرة للعب. يركز هذا المقال بشكل أساسي على تنظيم مشاريع AIGC(، إنشاء المحتوى بواسطة الذكاء الاصطناعي)، وكل من الوكلاء الذكائيين وتحليل البيانات.
AIGC: يمكن توسيعه إلى NFT والألعاب وغيرها من المجالات في Web3، حيث يمكن للمستخدمين مباشرة من خلال Prompt( الكلمات الدليلية المقدمة من المستخدمين، إنشاء نصوص وصور وصوتيات، وحتى يمكنهم في الألعاب إنشاء أساليب لعب مخصصة وفقًا لتفضيلاتهم. مشاريع NFT مثل NFPrompt، حيث يمكن للمستخدمين إنشاء NFT بواسطة الذكاء الاصطناعي وتداولها في السوق؛ ألعاب مثل Sleepless، حيث يشكل المستخدمون شخصية رفيقهم الافتراضي من خلال الحوار لتتناسب مع تفضيلاتهم؛
وكيل الذكاء الاصطناعي: يشير إلى أنظمة الذكاء الاصطناعي التي يمكنها تنفيذ المهام واتخاذ القرارات بشكل مستقل. عادةً ما يمتلك وكيل الذكاء الاصطناعي قدرات الإدراك والاستدلال والتعلم والعمل، ويمكنه تنفيذ مهام معقدة في بيئات متنوعة. تشمل وكالات الذكاء الاصطناعي الشائعة ترجمة اللغات، تعلم اللغات، تحويل الصور إلى نصوص، وما إلى ذلك، ويمكن استخدامها في سيناريوهات Web3 لإنشاء روبوتات تداول، وإنشاء ميمات، واختبار الأمان على السلسلة. على سبيل المثال، MyShell كمنصة لوكلاء الذكاء الاصطناعي، تقدم أنواعًا متعددة من الوكلاء، بما في ذلك التعلم والتعليم، والرفقة الافتراضية، ووكلاء التداول، كما توفر أدوات تطوير وكيل سهلة الاستخدام، مما يتيح لك بناء وكيل خاص بك دون الحاجة إلى كتابة أي شيفرة.
تحليل البيانات: من خلال دمج تقنيات الذكاء الاصطناعي وقواعد البيانات ذات الصلة، لتحقيق تحليل البيانات، الحكم، التنبؤ، إلخ، في Web3، يمكن من خلال تحليل بيانات السوق، ديناميات المال الذكي، إلخ، مساعدة المستخدمين في اتخاذ قرارات الاستثمار. توقعات الرموز أيضًا هي سيناريوهات تطبيق فريدة في Web3، تمثل المشاريع مثل Ocean، حيث قامت الإدارة بتحديد代