الذكاء الاصطناعي هو واحد من أساوأ الفئات وأكثرها واعدة في أسواق العملات الرقمية في الوقت الحالي.

💡تدريب الذكاء الاصطناعي المفcentralized

💡gpu depins

💡نماذج ذكاء اصطناعي غير مراقبة

هل هذه اختراقات أم مجرد كلمات مضطربة؟ 🤔

في هاك في سي، نحن نقوم بتمييز الوعود من الحقيقة ونفصل بينهما.

هذا المنشور يحلل أفضل فكرات العملات الرقمية x الذكاء الاصطناعي. دعونا نناقش التحديات الحقيقية والفرص.

أفكار بوتيرة بداية، ولكنها واجهت تحديات في الواقع.

أولاً، دعونا نبدأ بـ "وعد الذكاء الاصطناعي للويب3" - أفكار لديها الكثير من الضجة، ولكن قد لا تكون الواقع براقًا كما يبدو.

فكرة رقم 1: تدريب الذكاء الاصطناعي المتموّج

المشكلة في تدريب الذكاء الاصطناعي على السلسلة هي أن التدريب يتطلب اتصالًا سريعًا وتنسيقًا بين وحدات معالجة الرسومات، بسبب تتطلب الشبكات العصبية العودية عند التدريب. لديها نفيديا ابتكاران لهذا (NVLinkوInfiniBand). تحقق هذه التقنيات تواصل سريع للغاية بين وحدات المعالجة الرسومية، ولكنها تعتبر تقنيات محلية فقط وتطبق فقط داخل مجموعات وحدات المعالجة الرسومية الموجودة في مركز بيانات واحد (بسرعات تصل إلى 50 غيغابت).

إذا قمت بإدخال شبكة لامركزية في الصورة، فإنك فجأة ما تصبح بطيئًا بأضعاف نظرًا لتأخر شبكة الاتصال وعرض النطاق الترددي الإضافي. هذا أمر مستبعد لحالات استخدام تدريب الذكاء الاصطناعي مقارنة بالإنتاجية التي تحصل عليها من خلال توصيل البيانات بسرعة عالية من nvidia داخل مركز البيانات.

لاحظ أن هناك بعض الابتكارات هنا قد توفر بعض الأمل للمستقبل:

• التدريب الموزع عبر InfiniBand يحدث على نطاق كبير، حيث تدعم nvidia نفسها التدريب الموزع غير المحلي عبر InfiniBand من خلال مكتبة الاتصالات الجماعية nvidia. لا يزال في مرحلة النمو، ومع ذلك، لذا فإن مقاييس اعتماده محددة لاحقا. انظرهنا. الحاجز الذي يمثله قوانين الفيزياء على مدى المسافة ما زال ينطبق، لذا فإن التدريب المحلي عبر الإنفينيباند لا يزال أسرع بشكل كبير.
• تم نشر بعض الأبحاث الجديدة حول التدريب المركزي الذي يعتمد على عدد أقل من المزامنات في الاتصال، والتي يمكن أن تجعل التدريب المركزي أكثر عملية في المستقبل. انظرهنا و هنا.
• يمكن أن تساعد التجزئة الذكية وجدولة تدريب النموذج في تحسين الأداء. بالمثل، قد يتم تصميم الهندسيات النموذجية الجديدة بشكل فريد للبنية التحتية الموزعة في المستقبل (يقوم جينسين بالبحث في هذه المجالات).

عنصر البيانات في التدريب يمثل تحديا أيضا. تتضمن أي عملية تدريب على الذكاء الاصطناعي العمل مع كميات هائلة من البيانات. عادة ، يتم تدريب النماذج على أنظمة تخزين بيانات مركزية وآمنة ذات قابلية تطوير وأداء عاليين. يتطلب ذلك نقل ومعالجة تيرابايت من البيانات ، وهذه ليست دورة لمرة واحدة. عادة ما تكون البيانات صاخبة وتحتوي على أخطاء ، لذلك يجب تنظيفها وتحويلها إلى تنسيق قابل للاستخدام قبل تدريب النموذج. تتضمن هذه المرحلة مهام متكررة للتطبيع والتصفية والتعامل مع القيم المفقودة. كل هذا يطرح تحديات خطيرة في بيئة لامركزية.

مكون البيانات في التدريب هو أيضا تكراري ، والذي لا يناسب نفسه جيدا ل Web3. استغرق الأمر من OpenAI الآلاف من التكرارات لتحقيق نتائجها. يتضمن سيناريو المهمة الأساسية لأخصائي علوم البيانات في فريق الذكاء الاصطناعي تحديد الأهداف وإعداد البيانات وتحليل البيانات وهيكلتها لاستخراج رؤى مهمة وجعلها مناسبة للنمذجة. بعد ذلك ، يتم تطوير نموذج التعلم الآلي لحل المشكلة المحددة ، ويتم التحقق من أدائه باستخدام مجموعة بيانات اختبار. هذه العملية تكرارية: إذا لم يعمل النموذج الحالي كما هو متوقع ، يعود المتخصص إلى مرحلة جمع البيانات أو تدريب النموذج لتحسين النتائج. الآن ، تخيل هذه العملية في بيئة لامركزية ، حيث لا تتوفر أفضل الأطر والأدوات الحالية بسهولة في Web3.

القلق الآخر المتعلق بتدريب نماذج الذكاء الاصطناعي على السلسلة هو أنه سوق أقل إثارة بكثير مقارنة بالاستدلال. في الوقت الحالي، هناك كم هائل من الحوسبة بوحدات المعالجة الرسومية يتم استخدامه لتدريب نماذج الذكاء الاصطناعي llm. ولكن في المدى الطويل، سيصبح الاستدلال (بكثير) الحالة الأكثر شيوعاً لوحدات المعالجة الرسومية. فكر في”: كم عدد نماذج الذكاء الاصطناعي llm التي يجب تدريبها حتى يكون العالم سعيدًا، مقارنة بعدد العملاء الذين سيستخدمون تلك النماذج؟

إحدى الحلول التي تحرز تقدمًا على جميع الجبهات هي 0g.ai (مدعومة من قبل Hack VC) التي توفر كلًا من تخزين البيانات على السلسلة الرئيسية وبنية تحتية لتوفير البيانات. تتيح بنيتهم الفائقة السرعة والقدرة على تخزين كميات كبيرة من البيانات على السلسلة الرئيسية التدريب السريع والتكراري لنماذج الذكاء الاصطناعي على السلسلة الرئيسية من أي نوع.

فكرة رقم 2: استخدام حساب زائد للغاية للاستدلال الذكي للتوافق

أحد التحديات في مجال العملات الرقمية x الذكاء الاصطناعي هو التحقق من دقة استنتاج الذكاء الاصطناعي، حيث لا يمكنك الثقة بشكل ضروري في جهة مركزية واحدة لأداء هذا الاستنتاج بسبب إمكانية وجود عقد معينة. هذا التحدي لا يوجد في الذكاء الاصطناعي للويب 2 لأنه لا يوجد نظام مثل الاتفاق اللامركزي.

واحدة من الأفكار المقترحة لحل هذه المشكلة هي الحساب الزائد، حيث يقوم عدة عقدة بتكرار نفس عملية استخراج الذكاء الاصطناعي، حتى يمكنك العمل بطريقة غير موثوقة وعدم وجود نقطة فشل واحدة.

المشكلة في هذا النهج هي أننا نعيش في عالم يعاني من نقص حاد في شرائح الذكاء الاصطناعي عالية المستوى. هناك فترة انتظار تستغرق سنوات متعددة للحصول على شرائح NVIDIA عالية المستوى، وهذا يؤدي إلى زيادة في الأسعار. إذا كنت تحتاج (إضافيًا) إلى إعادة تنفيذ استدلال الذكاء الاصطناعي الخاص بك مرات متعددة على عقدات متعددة، فإنك الآن تضاعف تلك التكاليف المكلفة. هذا سيكون أمرًا غير مقبول للعديد من المشاريع.

فكرة #3: حالات استخدام الذكاء الاصطناعي المحددة للويب3 في المدى القريب

هناك اقتراحات بأن يكون لـ web3 حالات استخدام خاصة بها للذكاء الاصطناعي التي تلبي احتياجات عملاء web3. يمكن أن يكون ذلك (على سبيل المثال) بروتوكول web3 يستخدم الذكاء الاصطناعي لإجراء تقييم المخاطر لحوض defi ، أو محفظة web3 تقترح بروتوكولات جديدة لك بناءً على سجل محفظتك ، أو لعبة web3 تستخدم الذكاء الاصطناعي للتحكم في شخصيات غير اللاعبين (npcs).

في الوقت الحالي، هذا (في المدى القصير) هو سوق ناشئ حيث لا يزال يتم اكتشاف حالات الاستخدام. بعض التحديات تشمل:

• يتطلب عدد أقل من المعاملات الاصطناعية المحتملة لحالات الاستخدام الأصلية لـ Web3، حيث أن الطلب السوقي لا يزال في مهده.
• أقل عدد من العملاء، حيث يوجد أوامر بأمر من العملاء القائمين على web3 مقارنة بعملاء web2، لذلك السوق أقل تشظي.
• بينما يكون العملاء أقل استقرارًا بحكم كونهم شركات ناشئة ذات تمويل أقل، فإن بعض تلك الشركات الناشئة قد تفشل مع مرور الوقت. سيحتاج مزود خدمة الذكاء الاصطناعي للويب3 الذي يخدم عملاء الويب3 على الأرجح إلى إعادة استحواذ جزء من قاعدة عملائه مع مرور الوقت لاستبدال تلك التي تفشل، مما يجعله أعمالًا أكثر تحديًا لتوسيع نطاقها.

في المدى الطويل، نحن متفائلون جدًا بشأن حالات الاستخدام الخاصة بـ الذكاء الاصطناعي الأصلي للويب 3، خاصةً مع زيادة عدد وكلاء الذكاء الاصطناعي. نتصور مستقبلًا حيث يمتلك أي مستخدم لويب 3 متعدد ووكلاء الذكاء الاصطناعي يساعدونه. والقائد المبكر في هذه الفئة هوTheoriq(مدعومة من قبل hack vc)، والتي تمكّن وكلاء الذكاء الاصطناعي المكونة والمستقلة على السلسلة الرقمية.

فكرة رقم 4: قواعد معالج الرسوميات للمستهلكين

هناك عدد من شبكات الحوسبة الذكية اللامركزية التي تعتمد على وحدات معالجة الرسوميات ذات الأداء الاستهلاكي بدلاً من مراكز البيانات. وحدات معالجة الرسوميات الاستهلاكية مفيدة لمهام الاستدلال الذكي منخفضة المستوى أو لحالات استخدام المستهلك حيث يكون التأخير ومعدل التدفق والموثوقية مرنة. ولكن بالنسبة لحالات استخدام الشركات الجادة (وهي الغالبية في السوق التي تهم)، يرغب العملاء في شبكة ذات موثوقية أعلى بالمقارنة مع أجهزة الناس في المنزل، وغالبًا ما يحتاجون إلى وحدات معالجة رسومية عالية الأداء إذا كانت لديهم مهام استدلال أكثر تعقيدًا. تعتبر مراكز البيانات أكثر مناسبة لهذه الحالات الاستخدام الأكثر قيمة للعملاء.

يرجى ملاحظة أننا نعتبر وحدات المعالجة الرسومية من الفئة الاستهلاكية مفيدة لأغراض العرض التوضيحي أو للأفراد والشركات الناشئة الذين يمكنهم تحمل مستوى أدنى من الموثوقية. ولكن هؤلاء العملاء قيمتهم أقل بشكل جوهري، لذلك نعتقد أن الشركات التي تخدم الشركات الويب2 ستكون أكثر قيمة على المدى الطويل. وعلى هذا النحو، تطورت مشاريع وحدات المعالجة الرسومية المعروفة عمومًا من الأيام الأولى التي كانت تستخدم بشكل أساسي أجهزة من الفئة الاستهلاكية إلى أن أصبحت متاحة على مستوى A100/H100 والعناصر الفرعية.

واقع - حالات الاستخدام العملية والواقعية للعملات الرقمية x الذكاء الاصطناعي

الآن، دعنا نناقش حالات الاستخدام التي توفر "فوائد حقيقية". هذه "الانتصارات" الفعلية حيث يمكن للعملات الرقمية x الذكاء الاصطناعي إضافة قيمة كبيرة.

الفائدة الحقيقية #1: خدمة عملاء الويب2

مكنزيتقديراتأن الذكاء الاصطناعي الناتج يمكن أن يضيف ما يعادل 2.6 تريليون دولار إلى 4.4 تريليون دولار سنويًا عبر 63 حالة استخدام تم تحليلها - بالمقارنة ، بلغ الناتج المحلي الإجمالي للمملكة المتحدة في عام 2021 3.1 تريليون دولار. سيزيد هذا من تأثير الذكاء الاصطناعي بنسبة 15% إلى 40%. ستزداد هذه التقديرات تقريبًا إذا قمنا بتضمين تأثير الذكاء الاصطناعي الناتج في البرامج التي يتم استخدامها حاليًا لمهام أخرى بعيدًا عن تلك الحالات الاستخدام.

إذا قمت بعمل الرياضيات على التقدير أعلاه، فإن ذلك يعني أن السوق الإجمالي للذكاء الاصطناعي (بما يتجاوز الذكاء الاصطناعي الإنشائي) قد يكون يستحق عشرات التريليونات من الدولارات عالميًا. على سبيل المقارنة، جميع العملات المشفرة مجتمعة، بما في ذلك بيتكوين وكل عملة بديلة، لا تستحق سوى حوالي 2.7 تريليون دولار اليوم. لذا دعونا نكون واقعيين هنا: سيكون معظم العملاء الذين يحتاجون إلى الذكاء الاصطناعي في الأجل القصير عملاء ويب2، حيث سيكون عملاء ويب3 الذين فعليًا يحتاجون إلى الذكاء الاصطناعي شريحة صغيرة من هذه ال 2.7 تريليون دولار (نظرًا لأن بيتكوين يشكل نصف هذا السوق، وبيتكوين نفسه لا يحتاج/يستخدم الذكاء الاصطناعي).

حالياً، تبدأ حالات استخدام الذكاء الاصطناعي في web3 وليس واضحاً على الإطلاق حجم هذا السوق. ولكن هناك شيء واحد مؤكد بشكل بديهي - سيكون نسبة صغيرة جدًا من سوق web2 في المستقبل القريب. نحن نعتقد أن لـ web3 الذكاء الاصطناعي مستقبلًا واعدًا، ولكن هذا يعني ببساطة أن أقوى تطبيق لـ web3 الذكاء الاصطناعي هو خدمة عملاء web2 حاليًا.

أمثلة على عملاء ويب2 الذين يمكن أن يستفيدوا فرضياً من الذكاء الاصطناعي ويب3 تشمل:

• شركات البرمجيات الخاصة بالقطاعات الرأسية التي تم بناؤها من الأساس لتكون متمحورة حول الذكاء الاصطناعي، (مثل cedar.ai أو observe.ai)
• الشركات الكبيرة التي تقوم بضبط النماذج لأغراضها الخاصة (على سبيل المثال، نتفليكس)
• مزودي الذكاء الاصطناعي النامية بسرعة (على سبيل المثال، anthropic)
• شركات البرمجيات التي تقوم بتغميس الذكاء الاصطناعي في منتجاتها الحالية (على سبيل المثال ، كانفا)

هذه الشخصية العميل نسبياً مستقرة، حيث أن العملاء عموماً كبار وقيمون. من غير المحتمل أن يخرجوا عن الأعمال التجارية في أي وقت قريب ويمثلون عملاً كبيراً جداً لخدمات الذكاء الاصطناعي. ستستفيد خدمات الذكاء الاصطناعي في الويب3 التي تخدم عملاء الويب2 من هذه القاعدة العملاء المستقرة.

لكن لماذا يرغب عميل ويب2 في استخدام كومة ويب3؟ يجعل بقية هذه المشاركة هذه الحالة.

الفائدة الحقيقية #2: تقليل تكاليف استخدام وحدة المعالجة الرسومية من خلال فك تثبيت وحدة المعالجة الرسومية

تقوم وحدات معالجة الرسومات بتحويل قوة حسابية غير مستخدمة تحت AggreGate.io (الأكثر موثوقية من مراكز البيانات) وتجعلها متاحة للاستنتاج الذكائي (مثال على ذلك هو io.net، وهي شركة محفظة للأموال تديرها شركة hack vc). وسيلة بسيطة للتفكير في ذلك هي "airbnb for gpus" (بشكل فعال، الاستهلاك التعاوني للأصول غير المستخدمة بشكل كامل).

السبب في اننا متحمسون لـ gpu depins هو انه، كما هو مذكور أعلاه، هناك نقص في شرائح nvidia، وهناك دورات gpu غير مستخدمة حاليا يمكن استخدامها للاستنتاج الذكي. هؤلاء أصحاب الأجهزة لديهم تكلفة مغمورة ولا يستخدمون معداتهم بشكل كامل اليوم، وبالتالي يمكنهم تقديم تلك الدورات الجزئية للـ gpu بتكلفة أقل بكثير مقارنة بالوضع الراهن، لأنها بمثابة "العثور على المال" بالنسبة لأصحاب الأجهزة.

أمثلة تشمل:

• آلات AWS. إذا كنت ستستأجر H100 من AWS اليوم ، فسيتعين عليك الالتزام بعقد إيجار لمدة عام واحد ، لأن السوق مقيد العرض. ينتج عن هذا نفايات ، حيث من المحتمل أنك لن تستخدم وحدة معالجة الرسومات الخاصة بك 365 يوما في السنة ، 7 أيام في الأسبوع.
• أجهزة تعدين فايل كوين. فايل كوين هو شبكة تمتلك كمية كبيرة من التوريد المدعوم ولكن ليس كمية كبيرة من الطلب الحقيقي. للأسف، لم تجد فايل كوين توافقًا حقيقيًا بين المنتج والسوق، ولذلك فإن منقبي فايل كوين في خطر الإفلاس. تلك الآلات تحتوي على وحدات معالجة الرسومات ويمكن إعادة استخدامها لمهام الذكاء الاصطناعي ذات الأداء المنخفض.
• أجهزة تعدين إيث. عندما انتقل إيث من POW إلى POS ، أصبحت متاحة فوراً كمية كبيرة من الأجهزة التي يمكن إعادة استخدامها للاستنتاج الذكي.

لاحظ أن ليس كل الأجهزة المعتمدة على وحدة المعالجة الرسومية مناسبة للاستدلال الذكي. إحدى الأسباب البارزة لذلك هو عدم توفر الوحدات القديمة للمعالجة الرسومية على كمية الذاكرة اللازمة لـ LLMS، على الرغم من وجود بعض الابتكارات الشيقة للمساعدة في هذا الأمر.إكسابايتعلى سبيل المثال ، يحتوي على تقنية تحميل الخلايا العصبية النشطة في ذاكرة وحدة معالجة الرسومات والخلايا العصبية الغير نشطة في ذاكرة وحدة المعالجة المركزية. يتنبأون بالخلايا العصبية التي تحتاج إلى أن تكون نشطة / غير نشطة. هذا يسمح لوحدات المعالجة المركزية ذات الأداء المنخفض بمعالجة أعباء العمل الذكاء الاصطناعي ، حتى مع ذاكرة وحدة معالجة الرسومات المحدودة. هذا يجعل وحدات المعالجة المركزية ذات الأداء المنخفض أكثر فائدة للاستدلال الذكاء الاصطناعي.

لاحظ أيضًا أن تقديم خدمات الذكاء الاصطناعي للويب 3 سيحتاج إلى تعزيز عروضهم مع مرور الوقت وتقديم خدمات عالية المستوى للشركات مثل تسجيل الدخول الموحد وامتثال SOC 2 واتفاقات مستوى الخدمة (SLAs) وغيرها. سيتماثل ذلك للخدمات المتاحة حاليًا تحت عروض السحابة الحالية التي يستمتع بها عملاء الويب 2.

فائدة حقيقية # 3: نماذج غير خاضعة للرقابة لتجنب الرقابة الذاتية OpenAI

تمت مناقشة الرقابة الصناعية الذكاء الاصطناعي كثيرًا. على سبيل المثال، قامت تركيا بحظر مؤقت لـ openai (ثم عادت عن هذا القرار بمجرد تحسن الامتثال من openai). نعتقد أن هذا النوع من الرقابة على مستوى البلدان غير مثير للاهتمام بشكل جوهري، حيث ستحتاج البلدان إلى اعتماد الذكاء الاصطناعي للبقاء تنافسية.

ما هو أكثر إثارة للاهتمام هو أن openai يعتمد الرقابة على نفسه. على سبيل المثال، لن تتعامل openai مع المحتوى غير الآمن للعمل. ولن تتنبأ openai بالانتخابات الرئاسية القادمة. نحن نعتقد أن هناك سوقًا كبيرًا ومثيرًا للاهتمام لحالات استخدام الذكاء الاصطناعي التي لن تلمسها openai لأسباب سياسية.

فتح المصدر هو حلاً رائعًا لهذا، حيث أن مستودع GitHub ليس مرتبطًا بالمساهمين أو مجلس الإدارة. مثال على ذلك فينيس.اي، الذي يعد بالحفاظ على خصوصيتك والعمل بطريقة غير مراقبة. المفتاح، بالطبع، هو أن يكون مفتوح المصدر، والذي يدعم ذلك. ما يمكن أن تجلبه ويب3 الذكاء الاصطناعي بفعالية لرفع مستوى هذا هو تشغيل هذه النماذج البرمجية مفتوحة المصدر (oss) على مجموعة gpu بتكلفة أقل لأداء تلك الاستدلالات. من أجل هذه الأسباب نعتقد أن oss + ويب3 هما التوصيلة المثالية لتمهيد الطريق للذكاء الاصطناعي غير المراقب.

الفائدة الحقيقية رقم 4: تجنب إرسال معلومات تحدد هويتك الشخصية إلى OpenAI

لدي العديد من الشركات الكبيرة مخاوف بشأن خصوصيتها بشأن بياناتها الداخلية للشركة. بالنسبة لهؤلاء العملاء، يمكن أن يكون من الصعب بشكل متزايد الثقة بطرف ثالث مركزي، مثل openai، مع تلك البيانات.

مع ويب3، قد يبدو أنه (على السطح) أكثر رعبًا حتى بالنسبة لهذه المؤسسات، حيث يتم إدخال بياناتهم الداخلية فجأة على شبكة لامركزية. ومع ذلك، هناك بعض الابتكارات في تقنيات تعزيز الخصوصية للذكاء الاصطناعي:

• البيئات الموثوق بها للتنفيذ (TEE) مثل بروتوكول سوبر
• التشفير الكامل للتشفير المنزلي (FHE) مثل Fhenix.io(شركة محفظة تابعة لصندوق يديره hack vc) أوشبكة إنكو (كل منهم مدعوم بواسطة Zama.ai), وppml باجل

هذه التقنيات لا تزال قيد التطور ، والأداء لا يزال يتحسن من خلال وحدات التحقق العشوائي للمعرفة الصفرية (zk) ووحدات التشفير الكمي الكاملة (fhe). ولكن الهدف على المدى البعيد هو حماية بيانات الشركات عند ضبط نموذج. مع ظهور هذه البروتوكولات ، قد يصبح Web3 مكانًا أكثر جاذبية لحساب الذكاء الاصطناعي الحفاظ على الخصوصية.

الفائدة الحقيقية #5: الاستفادة من أحدث الابتكارات في نماذج مفتوحة المصدر

نحن ننظر إلى أم إم إل كشكل بسيط من البرامج الخاصة التي هي جاهزة للاضطراب في مجال العملات الرقمية. بعض الأمثلة الملحوظة للمتحدين تشمللاما, RWKV، وMistral.ai. ستزداد هذه القائمة بلا شك مع مرور الوقت (يتوفر قائمة أكثر شمولًا فيOpenrouter.aiباستغلال الذكاء الاصطناعي web3 (المدعوم من نماذج OSS) يمكن للمرء الاستفادة من هذه الابتكارات الجديدة.

نحن نعتقد أن مع تقدم الوقت، يمكن لقوة عمل عالمية مفتوحة المصدر، بالإضافة إلى حوافز العملات الرقمية، أن تدفع الابتكار السريع في نماذج مفتوحة المصدر، فضلاً عن الوكلاء والأطر البنية التحتية المبنية عليها. مثال على بروتوكول وكيل الذكاء الاصطناعي هوTheoriq. يستغل نظام theoriq نماذج oss لإنشاء شبكة مترابطة مركبة من وكلاء الذكاء الاصطناعي التي يمكن تجميعها لإنشاء حلول ذكاء اصطناعي على مستوى أعلى.

السبب في أن لدينا إقناع هنا يعود إلى الماضي: معظم "برامج المطورين" تم التفوق عليها ببطء من قبل oss مع مرور الوقت. كانت مايكروسوفت في السابق شركة برمجيات مملوكة، والآن هم الشركة رقم 1 المساهمة في جيتهاب، وهناك سبب لذلك. إذا نظرت إلى كيف قامت داتابريكس وبوستغريسكوال ومونغو دي بي وغيرها بتعطيل قواعد البيانات المملوكة، فهذا مثال على صناعة بأكملها تم تقليبها بواسطة oss، لذلك السابقة هنا قوية تماما.

ومع ذلك، يأتي هذا مع شرط. إحدى الأمور الصعبة في نظم إدارة التعلم عبر الإنترنت مفتوحة المصدر هي أن شركة OpenAI بدأت في إنشاء اتفاقيات ترخيص البيانات المدفوعة مع المؤسسات، مثل ريديت ونيويورك تايمز. إذا استمر هذا الاتجاه، فقد يصبح من الصعب على نظم إدارة التعلم عبر الإنترنت مفتوحة المصدر منافسة بسبب العائق المالي المتضمن في الحصول على البيانات. قد يكون من الممكن أن تتضاعف NVIDIA على الحوسبة السرية كميزة لتبادل البيانات بشكل آمن. الوقت سيكشف كيف ستتطور الأمور.

الفائدة الحقيقية #6: تحقيق الإجماع عبر عينة عشوائية بتكاليف قطع عالية، أو عبر دلائل zk

واحدة من التحديات في استخلاص الذكاء الاصطناعي عبر الويب 3 هي التحقق. هناك فرصة افتراضية للمحققين للغش في نتائجهم لكسب الرسوم ، لذا فإن التحقق من الاستنتاجات هو إجراء مهم. يجب ملاحظة أن هذا الغش لم يحدث بالفعل حتى الآن ، لأن استنتاج الذكاء الاصطناعي في مرحلته الأولى ، ولكنه لا مفر منه ما لم يتم اتخاذ إجراءات لتعطيل هذا السلوك.

النهج القياسي في web3 هو أن يقوم العديد من المحققين بتكرار نفس العملية ومقارنة النتائج. التحدي البارز في هذا الأمر هو، كما هو مذكور، أن تصبح استنتاجات الذكاء الاصطناعي مكلفة بسبب نقص شرائح nvidia المتطورة حاليًا. وبالنظر إلى أن web3 يمكنها تقديم استنتاجات بتكلفة أقل عبر تعليقات gpu غير مستخدمة بشكل كبير، فإن الحسابات المكررة ستقوض بشدة اقتراح القيمة في web3.

حلاً أكثر وعداً هو إجراء دليل zk لحساب الذكاء الاصطناعي خارج السلسلة. في هذه الحالة، يمكن التحقق من صحة دليل zk الموجز لتحديد ما إذا كان تم تدريب النموذج بشكل صحيح، أو تم تشغيل الاستنتاج بشكل صحيح (المعروف باسم zkml). أمثلة تشمل مجال العملات الرقميةوZKonduitأداء هذه الحلول لا يزال في مراحله الأولية حيث أن عمليات zk مكلفة للغاية من الناحية الحسابية. ومع ذلك، نتوقع أن يتحسن هذا على الأرجح مع إصدار أجهزة zk asics في المستقبل القريب.

أكثر واعدة هي فكرة نموذج توقعات الذكاء الاصطناعي المبني على عينات متفائلة نوعًا ما. في هذا النموذج ، ستتحقق فقط من نسبة صغيرة جدًا من النتائج التي تم إنشاؤها بواسطة المحققين ، ولكن قم بتعيين تكلفة القطع الاقتصادية بما يكفي لخلق حافز اقتصادي قوي لمنع المحققين من الغش. بهذه الطريقة ، ستوفر على الحوسبة المكررة (على سبيل المثال ، انظرهايبربوليك’s إثبات عينة ورقية).

فكرة واعدة أخرى هي حل وضع العلامات المائية والبصمات، مثل تلك المقترحة من قبل شبكة بيغل. هذا مماثل لآلية أمازون أليكسا لضمان جودة نماذج الذكاء الاصطناعي على الجهاز لملايين الأجهزة الخاصة بها.

الفائدة الحقيقية رقم 7: توفير الرسوم (هامش أوبناي) عبر OSS

الفرصة التالية التي يقدمها web3 للذكاء الاصطناعي هي تجعل التكاليف ديمقراطية. حتى الآن، تحدثنا عن توفير تكاليف وحدة معالجة الرسومات عبر depins. ولكن web3 يوفر أيضًا فرصًا لتوفير هوامش الربح من خدمات الذكاء الاصطناعي المركزية في web2 (مثل openai، والتي تحقق أكثر من 1 مليار دولار في السنة كما هو مذكور في هذا الكتاب). تأتي هذه التوفيرات من حقيقة أن نماذج oss تستخدم بدلاً من النماذج الخاصة للحصول على طبقة إضافية من التوفير نظرًا لأن مبتكر النموذج لا يحاول تحقيق ربح.

ستبقى العديد من نماذج OSS مجانية تماما ، مما يتيح أفضل اقتصاديات ممكنة للعملاء. ولكن قد تكون هناك بعض نماذج OSS التي تحاول طرق تحقيق الدخل هذه أيضا. ضع في اعتبارك أن 4٪ فقط من إجمالي النماذج على Hugging Face يتم تدريبها من قبل الشركات ذات الميزانيات للمساعدة في دعم النماذج (انظر هناالنماذج الباقية 96% تم تدريبها من قبل المجتمع. هذه الفوج - 96% من واجهة التعانق - لها تكاليف حقيقية أساسية (بما في ذلك تكاليف الحساب وتكاليف البيانات). لذا، فإن تلك النماذج ستحتاج بطريقة ما إلى تحقيق الربح.

هناك عدد من الاقتراحات لإنجاز تحقيق هذه التحقيقات في الربح من النماذج المفتوحة المصدر. واحدة من أكثرها إثارة للاهتمام هي مفهوم "العرض الأولي للنموذج" (IMO) حيث تقوم بتجسيد النموذج نفسه، وتحتجز نسبة من الرموز للفريق، وتنساب بعض الإيرادات المستقبلية من ذلك النموذج لحملة الرموز، على الرغم من وجود بعض العقبات القانونية والتنظيمية بوضوح في هذا الأمر.

نماذج مشاريع البرمجيات مفتوحة المصدر الأخرى ستحاول تحقيق الربح من الاستخدام. يرجى ملاحظة أنه إذا تم تحقيق هذا الهدف، فإن نماذج مشاريع البرمجيات المفتوحة المصدر قد تبدأ في الشبه بشكل متزايد مع نظرائها في الويب 2 الرائجة لتحقيق الأرباح. ولكن بشكل واقعي، سيتم تقسيم السوق على نحو مزدوج، مع بعض النماذج البقاء مجانية تمامًا.

الفائدة الحقيقية #8: جمع البيانات اللامركزية

واحدة من أكبر التحديات في الذكاء الاصطناعي هي الحصول على البيانات الصحيحة لتدريب النماذج الخاصة بك. ذكرنا سابقًا أن تدريب الذكاء الاصطناعي المتمركز لديه تحدياته. ولكن ماذا عن استخدام شبكة متمركزة للحصول على البيانات (التي يمكن استخدامها للتدريب في أماكن الويب 2 التقليدية حتى)؟

هذا هو بالضبط ما تبدأ به الشركات الناشئة مثل العشب يفعلون. GRASS هي شبكة لامركزية من "كاشطات البيانات" ، الأفراد الذين يساهمون بقوة المعالجة الخاملة لأجهزتهم في الحصول على البيانات لإبلاغ التدريب على نماذج الذكاء الاصطناعي. من الناحية الافتراضية ، على نطاق واسع ، يمكن أن يكون مصدر البيانات هذا متفوقا على الجهود الداخلية لأي شركة واحدة للحصول على البيانات بسبب القوة الهائلة لشبكة كبيرة من العقد المحفزة. وهذا لا يشمل فقط الحصول على المزيد من البيانات ، ولكن الحصول على تلك البيانات بشكل متكرر بحيث تكون البيانات أكثر صلة وحداثة. كما أنه من المستحيل عمليا إيقاف جيش لامركزي من كاشطات البيانات ، نظرا لأنها مجزأة بطبيعتها ولا توجد داخل عنوان IP واحد. لديهم أيضا شبكة من البشر الذين يمكنهم تنظيف البيانات وتطبيعها ، بحيث تكون مفيدة بعد كشطها.

بمجرد الحصول على البيانات، ستحتاج أيضًا إلى مكان لتخزينها على السلسلة، بالإضافة إلى الـ llms التي تم إنشاؤها باستخدام تلك البيانات.0g.AIهو الزعيم المبكر في هذا المجال. إنها حلاً لتخزين الويب3 عالي الأداء مُحسّن بالذكاء الاصطناعي وبتكلفة أقل بشكل كبير من خدمات أمازون وهو أيضاً بنية تحتية لتوافر البيانات للطبقة الثانية والذكاء الاصطناعي وغيرها.

لاحظ أن دور البيانات قد يتغير في ويب3 الذكاء الاصطناعي في المستقبل. اليوم، الوضع الراهن لنماذج اللغة الطويلة الأجل هو تدريب النموذج مسبقاً باستخدام البيانات، وتحسينه مع مرور الوقت باستخدام المزيد من البيانات. ومع ذلك، هذه النماذج دائماً ما تكون غير محدثة بشكل طفيف نظراً لتغير البيانات على الإنترنت في الوقت الحقيقي. وبالتالي، فإن الاستنتاجات من نموذج اللغة الطويلة الأجل تكون غير دقيقة بشكل طفيف.

مستقبل العالم قد يتجه نحو نمط جديد - بيانات 'في الوقت الحقيقي'. الفكرة هي أنه عندما يُطلب من نموذج لغة الآلة سؤال استنتاجي، يمكن لهذا النموذج استخدام حقن محفزة للبيانات في النموذج، حيث يتم جمع هذه البيانات في الوقت الحقيقي من الإنترنت. وبهذه الطريقة، يستخدم النموذج أحدث البيانات المتاحة. تقوم Grass بالبحث في هذا الأمر أيضًا.

استنتاج

نأمل أن يكون هذا التحليل مفيدًا بالنسبة لك عند التفكير في الوعود مقابل واقع الذكاء الاصطناعي على الويب3. هذه مجرد نقطة انطلاق للمحادثة، والمشهد يتغير بسرعة، لذا يرجى الاشتراك والتعبير عن آرائك أيضًا، حيث نحب أن نستمر في التعلم والبناء معًا.

الاعترافات

شكر خاص جدا لألبرت كاستيلانا، جاسبر زانغ، فاسيليس تزيوكاس، بيدان روي، ريزو، فينسنت وايسر، شاشانك ياداف، علي حسين، نوكري باشارولي، عماد مستاق، ديفيد مينارش، تومي شونيسي، مايكل هاينريتش، كيكا وونج، مارك وينستين، فيليب بونيللو، جيف أميكو، إيجاز أحمدين، إيفان فنج وجي دبليو وانغ على ملاحظاتهم ومساهماتهم في هذا المنشور.

المعلومات هنا هي لأغراض عامة فقط ولا تقتصر، ولا يُقصد أن تشكل، نصيحة استثمارية ولا ينبغي استخدامها في تقييم أي قرار استثماري. لا ينبغي الاعتماد على مثل هذه المعلومات للحصول على مشورة محاسبية أو قانونية أو ضريبية أو تجارية أو استثمارية أو غيرها ذات الصلة. يجب عليك استشارة مستشاريك الخاصين، بما في ذلك مستشارك الخاص، للحصول على مشورة محاسبية أو قانونية أو ضريبية أو تجارية أو استثمارية أو غيرها ذات الصلة، بما في ذلك بالنسبة لأي شيء يتم مناقشته هنا.

يعكس هذا المنشور الآراء الحالية للمؤلف (المؤلفين) ولا يتم إجراؤه نيابة عن Hack VC أو الشركات التابعة لها ، بما في ذلك أي أموال تديرها Hack VC ، ولا يعكس بالضرورة آراء Hack VC أو الشركات التابعة لها ، بما في ذلك الشركات التابعة لشركائها العامين ، أو أي أفراد آخرين مرتبطين ب Hack VC. تم الحصول على بعض المعلومات الواردة هنا من مصادر منشورة و / أو تم إعدادها من قبل أطراف ثالثة وفي بعض الحالات لم يتم تحديثها حتى تاريخ هذا التقرير. في حين يعتقد أن هذه المصادر موثوقة، لا Hack VC أو الشركات التابعة لها، بما في ذلك الشركات التابعة لها الشريكة العامة، أو أي أفراد آخرين مرتبطين ب Hack VC يقدمون إقرارات فيما يتعلق بدقتها أو اكتمالها، ولا ينبغي الاعتماد عليها على هذا النحو أو أن تكون أساسا لقرار محاسبي أو قانوني أو ضريبي أو تجاري أو استثماري أو أي قرار آخر. لا تدعي المعلومات الواردة هنا أنها كاملة وتخضع للتغيير ولا تتحمل Hack VC أي التزام بتحديث هذه المعلومات أو تقديم أي إشعار إذا أصبحت هذه المعلومات غير دقيقة.

الأداء السابق ليس بالضرورة مؤشراً على النتائج المستقبلية. أي تصريحات تتعلق بالتوقعات المستقبلية المدرجة هنا تعتمد على افتراضات معينة وتحاليل أجراها الكاتب استناداً إلى تجربته وإدراكه للاتجاهات التاريخية والظروف الراهنة والتطورات المستقبلية المتوقعة، بالإضافة إلى عوامل أخرى يعتقد أنها مناسبة في ظل الظروف. هذه التصريحات ليست ضمانات للأداء المستقبلي وتخضع لمخاطر وعوامل عدم تيقن معينة يصعب التنبؤ بها.

بيان:

1. هذا المقال مستنسخ من [Hack vc], العنوان الأصلي “ai x crypto - promises and realities”, حقوق الطبع والنشر تعود إلى الكاتب الأصلي [إد رومان، الشريك الإداري في هاك في سي]، إذا كان لديك أي اعتراض على إعادة النشر، يرجى التواصل فريق تعلم جيت، سيتولى الفريق بالأمر في أقرب وقت ممكن وفقا لإجراءات ذات الصلة.

2. تنويه: الآراء والآراء المعبر عنها في هذا المقال تمثل آراء الكاتب فقط ولا تشكل أي نصيحة استثمارية.

3. تترجم النسخ الأخرى للمقالة بواسطة فريق تعلم Gate.io، ولم يتم ذكرها فيبوابة.أيوقد لا يتم استنساخ المقال المترجم أو توزيعه أو سرقته.