في عام 2022، قامت OpenAI بإطلاق نموذج GPT-3.5 الذي يقوده ChatGPT، مباشرة موجة من السرد الذكاء الاصطناعي. بينما يؤدي ChatGPT بشكل عام بشكل جيد في التعامل مع الاستفسارات، يمكن أن يكون محدودًا عند التعامل مع المعرفة المحددة لنطاق معين أو البيانات في الوقت الحقيقي. على سبيل المثال، يواجه صعوبة في توفير معلومات مفصلة وموثوقة حول معاملات رموز فيتاليك بوتيرين على مدى الـ 18 شهرًا الماضية. للتعامل مع هذا، قام فريق تطوير The Graph الأساسي، Semiotic Labs، بدمج برمجيات تجميع بيانات The Graph مع OpenAI لإطلاقوكيل cمشروع، يقدم تحليلات اتجاه سوق العملات المشفرة وخدمات استعلامات بيانات المعاملات.

عند الاستعلام عن Agentc حول معاملات رموز Vitalik Buterin خلال الـ 18 شهرًا الماضية، يقدم إجابة أكثر شمولا. ومع ذلك، تتجاوز طموحات الذكاء الاصطناعي لـ The Graph هذا. يتجاوز كتابه الأبيض بعنوان‌الرسم البياني كبنية الذكاء الاصطناعيتوضح هدفها عدم إطلاق تطبيق محدد ولكن استغلال بروتوكول فهرسة البيانات اللامركزي الخاص بها لتوفير أدوات للمطورين لبناء تطبيقات الذكاء الاصطناعي الأصلية للويب3. لدعم هذا الهدف، ستفتح Semiotic Labs أيضًا الشيفرة المصدرية لـ Agentc، مما يتيح للمطورين إنشاء تطبيقات ذكاء اصطناعي مشابهة لـ Agentc، مثل وكلاء تحليل اتجاهات سوق NFT ومساعدي التداول DeFi.

خريطة الذكاء الاصطناعي اللامركزي لـ Gate.io

تم إطلاق The Graph في يوليو 2018، وهو بروتوكول لامركزي لفهرسة واستعلام البيانات على سلسلة الكتل. يمكن للمطورين استخدام واجهات برمجة التطبيقات المفتوحة لإنشاء ونشر فهارس البيانات المسماة بالمخططات الفرعية، مما يتيح للتطبيقات استرداد البيانات على السلسلة. حتى الآن، يدعم The Graph أكثر من 50 سلسلة، ويستضيف أكثر من 75،000 مشروع، وقد معالج أكثر من 1.26 تريليون استعلام.

قدرة The Graph على التعامل مع مثل هذه البيانات الضخمة مدعومة من قبل فرقها الأساسية، بما في ذلك Edge & Node، Streamingfast، Semiotic، The Guild، GraphOps، Messari، و Pinax. توفر Streamingfast تكنولوجيا البنية العابرة للسلاسل البيانية لتيارات البيانات الخاصة بالبلوكتشين، بينما تركز Semiotic AI على دمج الذكاء الاصطناعي والتشفير في The Graph. تختص The Guild، GraphOps، Messari، و Pinax في مجالات مثل تطوير GraphQL، خدمات الفهرسة، تطوير الفهرس الفرعي، وحلول تدفق البيانات.

استراتيجية الذكاء الاصطناعي لـ The Graph ليست جديدة. في مارس الماضي ، كتب The Graph Blogنشر مقال يوضح إمكانات التطبيقات الذكاء الاصطناعي باستخدام قدرات فهرسة البيانات الخاصة به. في ديسمبر ، كشف الرسم البياني النقاب عن "عصر جديد"خارطة الطريق"، التي تتضمن خططًا لإضافة استعلامات مساعدة من نموذج اللغة الكبير (LLM). وتوضح الورقة البيضاء الأخيرة المزيد من خطط الذكاء الاصطناعي، مقدمة خدمتين للذكاء الاصطناعي: خدمات الاستنتاج والعميل، والتي تتيح للمطورين دمج وظائف الذكاء الاصطناعي مباشرة في واجهة التطبيق، بدعم من The Graph."

خدمة الاستدلال: دعم مجموعة من نماذج الذكاء الاصطناعي مفتوحة المصدر

في خدمات الاستنتاج التقليدية، تقوم النماذج بتوقعات حول البيانات المدخلة باستخدام موارد سحابية مركزية. على سبيل المثال، يقوم ChatGPT بالاستنتاج ويعيد الإجابات. ومع ذلك، يزيد هذا النهج المركزي من التكاليف ويشكل مخاطر الرقابة. يهدف The Graph إلى معالجة هذا الأمر من خلال إنشاء سوق لاستضافة النماذج غير المركزية، مما يمنح مطوري التطبيقات المتفاعلة المزيد من المرونة في نشر واستضافة نماذج الذكاء الاصطناعي.

يقدم الكتيب الأبيض مثالاً على كيفية استخدام The Graph لإنشاء تطبيق يساعد مستخدمي Farcaster في فهم ما إذا كانت مشاركاتهم ستتلقى الكثير من الإعجابات. أولاً، تقوم خدمات بيانات الفرعية من The Graph بفهرسة التعليقات والإعجابات على مشاركات Farcaster. بعد ذلك، يتم تدريب الشبكة العصبية للتنبؤ بما إذا كانت ستحظى التعليقات الجديدة على Farcaster بالإعجاب، ويتم نشر الشبكة العصبية في خدمة الاستدلال الخاصة بـ The Graph. يمكن لتطبيق الويب الناتج مساعدة المستخدمين في صياغة مشاركات يُحتمل أن تحصل على إعجابات أكثر.

هذا النهج يسمح للمطورين باستخدام بنية The Graph بسهولة، واستضافة النماذج المدربة مسبقًا على الشبكة، ودمجها في التطبيقات عبر واجهات برمجة التطبيقات، مما يتيح للمستخدمين تجربة هذه الوظائف مباشرة عند استخدام تطبيقات اللامركزية.

لتزويد المطورين بالمزيد من الخيارات والمرونة، يدعم خدمة استنتاج The Graph النماذج الأكثر شيوعًا حاليًا. وفقًا للكتاب الأبيض، "في مرحلة MVP، ستدعم خدمة استنتاج The Graph مجموعة من النماذج الشهيرة مفتوحة المصدر للذكاء الاصطناعي، بما في ذلك Stable Diffusion وStable Video Diffusion وLLaMA وMixtral وGrok وWhisper". في المستقبل، يمكن نشر أي نماذج مفتوحة مجربة ومفهرسة في خدمة استنتاج The Graph. بالإضافة إلى ذلك، يقدم The Graph واجهات مستخدم سهلة الاستخدام لتبسيط العملية والسماح للمطورين بتحميل وإدارة نماذجهم للذكاء الاصطناعي دون القلق بشأن صيانة البنية التحتية.

لتعزيز أداء النموذج بشكل أعمق في تطبيقات محددة، يدعم The Graph أيضًا ضبط النماذج على مجموعات بيانات محددة. ومع ذلك، يتم عمومًا عدم إجراء ضبط دقيق على The Graph نفسه. يحتاج المطورون إلى ضبط النماذج خارجيًا ثم نشر هذه النماذج باستخدام خدمة الاستدلال الخاصة بـ The Graph. ولتشجيع المطورين على جعل النماذج المضبطة بشكل جيد عامة، يقوم The Graph بتطوير آليات التحفيز، مثل التوزيع العادل لرسوم الاستعلام بين مبتكري النماذج وفهرسة البيانات.

لضمان مصداقية نتائج استدلال الذكاء الاصطناعي ، يقدم The Graph عدة طرق للتحقق ، بما في ذلك السلطات الموثوقة ، والاتفاقية M-of-N ، وإثباتات الاحتيال التفاعلية ، و zk-SNARKs. لكل طريقة مزاياها وعيوبها. تعتمد السلطات الموثوق بها على الكيانات الموثوقة ؛ يتطلب الاتفاقية M-of-N متعدد الفهرسين للتحقق ، مما يزيد من صعوبة الغش ويزيد كلفة المعالجة والتنسيق ؛ إثباتات الاحتيال التفاعلية توفر أمانًا قويًا ولكنها غير مناسبة للتطبيقات التي تتطلب استجابة سريعة ؛ zk-SNARKs تقنيا معقدة وأقل ملاءمة للنماذج الكبيرة.

يعتقد The Graph أن يجب أن يكون للمطورين والمستخدمين القدرة على اختيار مستوى الأمان المناسب بناءً على احتياجاتهم. لذلك، يخطط The Graph لدعم أساليب التحقق المختلفة في خدمته لتكهنات لاستيعاب متطلبات الأمان المختلفة وسيناريوهات التطبيق. على سبيل المثال، قد تتطلب المعاملات المالية أو البرمجيات الحيوية الحرجة أساليب التحقق من الأمان الأعلى، مثل zk-SNARKs أو M-of-N consensus، بينما يمكن لتطبيقات أقل مخاطرة أو ترفيهية اختيار أساليب أكثر كفاءة من حيث التكلفة وأسهل، مثل السلطات الموثوقة أو البراهين التفاعلية للغش. بالإضافة إلى ذلك، يخطط The Graph لاستكشاف تقنيات تعزيز الخصوصية لمعالجة قضايا الخصوصية للنموذج والمستخدم.

خدمة الوكيل: مساعدة المطورين في بناء تطبيقات الذكاء الاصطناعي المستقلة المدفوعة بالذكاء الاصطناعي

بينما يركز خدمة الاستدلال بشكل أساسي على تشغيل نماذج الذكاء الاصطناعي المدربة مسبقًا للاستدلال، تعتبر خدمة الوكيل أكثر تعقيدًا، حيث تتطلب مكونات متعددة للعمل معًا لتمكين الوكلاء من أداء مجموعة من المهام المعقدة والمؤتمتة. تهدف خدمة الوكيل في الرسم إلى دمج بناء واستضافة وتنفيذ الوكلاء داخل الرسم، مع الدعم الذي يقدمه شبكة المسجل.

تحديداً، سيوفر The Graph شبكة لامركزية لدعم بناء واستضافة الوكلاء. بمجرد نشر وكيل على شبكة The Graph، سيقدم المفهرسون الدعم التنفيذي اللازم، بما في ذلك تفهيم البيانات والاستجابة لأحداث السلسلة وطلبات التفاعل الأخرى.

كما ذكرنا سابقًا، فقد قام فريق تطوير The Graph الأساسي Semiotic Labs بإطلاق تجربة Agent المبكرة.وكيل سي، والذي يجمع بين حزمة برامج إعداد الفهرسة الخاصة بـ The Graph مع OpenAI. وظيفته الرئيسية هي تحويل المدخلات باللغة الطبيعية إلى استعلامات SQL، مما يسمح للمستخدمين بالاستعلام عن البيانات في الوقت الحقيقي على سلسلة الكتل وعرض النتائج في تنسيق سهل الفهم. ببساطة، يركز Agentc على توفير تحليلات اتجاهات سوق العملات المشفرة واستعلامات البيانات التجارية المريحة للمستخدمين، حيث يتم الحصول على جميع البيانات من Uniswap V2 و Uniswap V3 و Uniswap X وشوكاتهم على منصة Ethereum، وتتم تحديث الأسعار بشكل دوري.

وعلاوة على ذلك، لاحظت The Graph أن نماذج LLM المستخدمة لديها معدل دقة يبلغ 63.41٪ فقط، مما يشير إلى احتمالية الحصول على إجابات غير صحيحة. لمعالجة هذه المشكلة، تقوم The Graph بتطوير نوع جديد من نماذج اللغة الكبيرة المسمى KGLLM (Knowledge Graph-enabled Large Language Models). يستخدم KGLLM بيانات الرسم البياني للمعرفة المنظمة المقدمة من Geo، مما يقلل بشكل كبير من احتمالية توليد معلومات خاطئة. يتم دعم كل عبارة في نظام Geo بتوقيتات سلسلة الكتل الموجودة على السلسلة والتصديق على التصويت. بعد دمج الرسم البياني للمعرفة الخاص بـ Geo، يمكن تطبيق الوكلاء على سيناريوهات مختلفة، بما في ذلك اللوائح الطبية والتطورات السياسية وتحليل السوق، وما إلى ذلك، مما يعزز تنوع ودقة خدمات الوكلاء. على سبيل المثال، يمكن لـ KGLLM استخدام بيانات سياسية لتقديم اقتراحات تغيير السياسة إلى المنظمات اللامركزية الذاتية (DAOs) وضمان أنها تستند إلى معلومات حالية ودقيقة.

مزايا KGLLM تشمل:

• استخدام البيانات المهيكلة:يستخدم KGLLM قواعد معرفية خارجية منظمة، مع المعلومات المصممة بشكل رسومي في الرسم البياني المعرفي، مما يجعل العلاقات بين البيانات مرئية بسهولة وسهلة الاستعلام والفهم.
• معالجة البيانات العلاقية:يعتبر KGLLM مثاليًا بشكل خاص للتعامل مع البيانات العلاقاتية ، مثل فهم العلاقات بين الأشخاص والأحداث. يستخدم خوارزميات عبور الرسم البياني للعثور على المعلومات ذات الصلة عن طريق القفز عبر عدة عقد في الرسم المعرفي (بشكل مماثل للتنقل على الخريطة). تساعد هذه الطريقة KGLLM على تحديد المعلومات الأكثر صلة للإجابة على الأسئلة.
• استرجاع وتوليد المعلومات الفعالة:باستخدام خوارزميات المرور الرسم البياني، يقوم KGLLM بإستخلاص العلاقات وتحويلها إلى إرشادات لغة طبيعية يمكن للنموذج فهمها. تمكّن هذه التعليمات الواضحة KGLLM من توليد ردود أكثر دقة وصلة.

توقعات

بصفتها "جوجل للويب 3"، يعالج The Graph نقص البيانات الحالي في خدمات الذكاء الاصطناعي ويبسط عملية التطوير للمطورين من خلال خدماته الذكية. مع تطوير المزيد من التطبيقات الذكية، من المتوقع أن تتحسن تجارب المستخدم. في المستقبل، ستواصل فرق تطوير The Graph استكشاف إمكانيات دمج الذكاء الاصطناعي مع الويب 3. بالإضافة إلى ذلك، فإن الفرق الأخرى ضمن بيئتها البيئة، مثل Playgrounds Analytics و DappLooker، تصمم أيضًا حلولًا متعلقة بخدمات الوكيل.

تنصل:

1. يتم إعادة طبع هذه المقالة من[ChainFeeds Research], جميع حقوق الطبع والنشر تنتمي إلى الكاتب الأصلي [LindaBell]. إذا كانت هناك اعتراضات على هذا النشر، يرجى الاتصال بالبوابة التعلمفريق، وسوف يتعاملون معها على الفور.
2. تنويه المسؤولية: الآراء والآراء المعبر عنها في هذه المقالة هي فقط تلك للكاتب ولا تشكل أي نصيحة استثمارية.
3. يتم إجراء ترجمة المقالات إلى لغات أخرى من قبل فريق Gate Learn. ما لم يذكر ذلك، يُحظر نسخ أو توزيع أو سرقة المقالات المترجمة.