Introduction: تطوير الذكاء الاصطناعي+Web3

في السنوات الأخيرة ، حظي التطور السريع لتقنيات الذكاء الاصطناعي (الذكاء الاصطناعي) و Web3 باهتمام عالمي واسع النطاق. حققت الذكاء الاصطناعي ، وهي تقنية تحاكي وتحاكي الذكاء البشري ، اختراقات كبيرة في مجالات مثل التعرف على الوجه ومعالجة اللغة الطبيعية والتعلم الآلي. أدى التقدم السريع لتكنولوجيا الذكاء الاصطناعي إلى تحول هائل وابتكار في مختلف الصناعات.

وصلت صناعة الذكاء الاصطناعي إلى حجم سوق قدره 200 مليار دولار في عام 2023 ، مع ظهور عمالقة الصناعة واللاعبين البارزين مثل OpenAI و Character.AI و Midjourney بسرعة متصدر الطفرة الذكاء الاصطناعي.

في الوقت نفسه ، يعمل Web3 ، وهو نموذج إنترنت ناشئ ، على تغيير تصورنا واستخدامنا للإنترنت تدريجيا. استنادا إلى تقنية blockchain اللامركزية ، يدرك Web3 مشاركة البيانات والتحكم فيها ، واستقلالية المستخدم ، وإنشاء آليات الثقة من خلال ميزات مثل العقود الذكية والتخزين الموزع والتحقق اللامركزي من الهوية. الفكرة الأساسية ل Web3 هي تحرير البيانات من السلطات المركزية ، ومنح المستخدمين التحكم والقدرة على مشاركة قيمة بياناتهم.

حاليا ، وصلت القيمة السوقية لصناعة Web3 إلى 25 تريليون دولار. من بيتكوين و إثيريوم و Solana إلى اللاعبين على مستوى التطبيقات مثل Uniswap و Stepn ، تظهر روايات وسيناريوهات جديدة باستمرار ، مما يجذب المزيد والمزيد من الأشخاص للانضمام إلى صناعة Web3.

من الواضح أن تكامل الذكاء الاصطناعي و Web3 هو نقطة محورية للبناة وأصحاب رؤوس الأموال من الشرق والغرب. يعد استكشاف كيفية الجمع بين هاتين التقنيتين بشكل فعال مسعى جديرا بالاهتمام.

ستركز هذه المقالة على الوضع الحالي لتطوير الذكاء الاصطناعي + Web3 ، واستكشاف القيمة والتأثير المحتملين لتكاملها. سنقدم أولا المفاهيم والخصائص الأساسية ل الذكاء الاصطناعي و Web3 ، ثم نناقش العلاقة المتبادلة بينهما. بعد ذلك ، سنقوم بتحليل الوضع الحالي لمشاريع الذكاء الاصطناعي + Web3 والخوض في القيود والتحديات التي يواجهونها. من خلال هذا البحث ، نهدف إلى توفير مراجع ورؤى قيمة للمستثمرين والمتخصصين في هذا المجال.

كيف يتفاعل الذكاء الاصطناعي مع Web3

يمكن النظر إلى تطوير الذكاء الاصطناعي وWeb3 على أنهما وجهان للمقياس: الذكاء الاصطناعي يجلب تحسينات في الإنتاجية ، بينما يحدث Web3 ثورة في علاقات الإنتاج. إذن ، ما نوع الشرر الذي يمكن أن يخلقه الذكاء الاصطناعي و Web3 عندما يصطدمان؟ سنقوم أولا بتحليل التحديات والتحسينات المحتملة في صناعات الذكاء الاصطناعي و Web3 ، ثم نستكشف كيف يمكنهم المساعدة في حل مشاكل بعضهم البعض.

1. التحديات والتحسينات المحتملة في صناعة الذكاء الاصطناعي
2. التحديات والتحسينات المحتملة في صناعة Web3

2.1 التحديات في صناعة الذكاء الاصطناعي

لاستكشاف التحديات التي تواجهها صناعة الذكاء الاصطناعي ، يجب علينا أولا فهم جوهرها. يدور جوهر صناعة الذكاء الاصطناعي حول ثلاثة عناصر رئيسية: القوة الحسابية والخوارزميات والبيانات.

1. أولا ، القوة الحسابية: تشير القوة الحسابية إلى القدرة على إجراء عمليات حسابية ومعالجة واسعة النطاق. تتطلب الذكاء الاصطناعي المهام عادة معالجة كميات كبيرة من البيانات وإجراء حسابات معقدة ، مثل تدريب نماذج الشبكة العصبية العميقة. يمكن للقوة الحسابية العالية تسريع عمليات التدريب والاستدلال النموذجية ، مما يعزز أداء وكفاءة أنظمة الذكاء الاصطناعي. في السنوات الأخيرة ، عززت التطورات في تكنولوجيا الأجهزة ، مثل وحدات معالجة الرسومات (GPUs) ورقائق الذكاء الاصطناعي المخصصة (مثل TPUs) ، القوة الحسابية بشكل كبير ، مما دفع تطوير صناعة الذكاء الاصطناعي. شهدت Nvidia ، وهي مزود رئيسي لوحدات معالجة الرسومات ، ارتفاع سعر سهمها في السنوات الأخيرة ، حيث استحوذت على حصة سوقية كبيرة وحققت أرباحا كبيرة.
2. ما هي الخوارزمية: الخوارزميات هي المكونات الأساسية للأنظمة الذكاء الاصطناعي. إنها طرق رياضية وإحصائية تستخدم لحل المشكلات وأداء المهام. يمكن تصنيف خوارزميات الذكاء الاصطناعي إلى خوارزميات التعلم الآلي التقليدية وخوارزميات التعلم العميق ، حيث حققت خوارزميات التعلم العميق اختراقات كبيرة في السنوات الأخيرة. يعد اختيار وتصميم الخوارزميات أمرا بالغ الأهمية لأداء وفعالية أنظمة الذكاء الاصطناعي. يمكن أن يؤدي التحسين المستمر والابتكار في الخوارزميات إلى تعزيز الدقة والمتانة وقدرات التعميم لأنظمة الذكاء الاصطناعي. تسفر الخوارزميات المختلفة عن نتائج مختلفة ، لذا فإن التقدم في الخوارزميات ضروري لأداء المهام.
3. لماذا البيانات مهمة: تتمثل المهمة الأساسية للأنظمة الذكاء الاصطناعي في استخراج الأنماط والقواعد من البيانات من خلال التعلم والتدريب. تشكل البيانات الأساس لتدريب النماذج وتحسينها. باستخدام عينات البيانات واسعة النطاق ، يمكن للأنظمة الذكاء الاصطناعي تعلم نماذج أكثر دقة وذكاء. توفر مجموعات البيانات الغنية معلومات شاملة ومتنوعة ، مما يمكن النماذج من التعميم بشكل أفضل على البيانات غير المرئية ومساعدة الأنظمة الذكاء الاصطناعي على فهم مشاكل العالم الحقيقي وحلها بشكل أفضل.

بعد فهم العناصر الأساسية الثلاثة الذكاء الاصطناعي الحالية ، دعونا نفحص الصعوبات والتحديات التي يواجهها الذكاء الاصطناعي في هذه المجالات.

أولا ، من حيث القوة الحسابية ، تتطلب الذكاء الاصطناعي المهام عادة قدرا كبيرا من الموارد الحسابية لتدريب النموذج والاستدلال ، خاصة لنماذج التعلم العميق. ومع ذلك ، فإن الحصول على الطاقة الحسابية واسعة النطاق وإدارتها يمثل تحديا مكلفا ومعقدا. تعد التكلفة واستهلاك الطاقة وصيانة معدات الحوسبة عالية الأداء من المشكلات المهمة. هذا يمثل تحديا خاصا للشركات الناشئة والمطورين الأفراد ، الذين قد يكون من الصعب عليهم اكتساب قوة حسابية كافية.

فيما يتعلق بالخوارزميات ، على الرغم من النجاحات الكبيرة لخوارزميات التعلم العميق في العديد من المجالات ، لا تزال هناك تحديات وصعوبات. على سبيل المثال ، يتطلب تدريب الشبكات العصبية العميقة كمية كبيرة من البيانات والموارد الحسابية. بالإضافة إلى ذلك ، بالنسبة لبعض المهام ، قد تكون قابلية تفسير النماذج وتفسيرها غير كافية. تعد قدرات الخوارزميات على المتانة والتعميم من القضايا الحاسمة أيضا ، حيث يمكن أن يكون أداء النموذج على البيانات غير المرئية غير مستقر. يعد العثور على أفضل خوارزمية لتوفير الأداء الأمثل بين العديد من الخوارزميات استكشافا مستمرا.

فيما يتعلق بالبيانات ، فإن البيانات هي القوة الدافعة وراء الذكاء الاصطناعي ، ولكن الحصول على بيانات عالية الجودة ومتنوعة لا يزال يمثل تحديا. قد يكون من الصعب الحصول على البيانات في بعض المجالات ، مثل البيانات الصحية الحساسة في القطاع الطبي. علاوة على ذلك ، تعد جودة البيانات ودقتها ووسمها من المشكلات الحرجة ، حيث يمكن أن تؤدي البيانات غير المكتملة أو المتحيزة إلى سلوك أو تحيزات خاطئة للنموذج. حماية خصوصية البيانات وأمنها هي أيضا اعتبار مهم.

علاوة على ذلك ، هناك قضايا تتعلق بالتفسير والشفافية. طبيعة "الصندوق الأسود" لنماذج الذكاء الاصطناعي هي مصدر قلق عام. في بعض التطبيقات ، مثل التمويل والرعاية الصحية والعدالة ، يجب أن تكون عملية صنع القرار في النماذج قابلة للتفسير والتتبع. ومع ذلك ، غالبا ما تفتقر نماذج التعلم العميق الحالية إلى الشفافية. لا يزال شرح عملية صنع القرار للنماذج وتقديم تفسيرات موثوقة أمرا صعبا.

بالإضافة إلى ذلك ، فإن نماذج الأعمال للعديد من المشاريع الناشئة الذكاء الاصطناعي ليست واضحة للغاية ، مما يسبب أيضا ارتباكا للعديد من رواد الأعمال الذكاء الاصطناعي.

2.2 التحديات في صناعة Web3

في صناعة Web3 ، هناك العديد من التحديات التي يجب معالجتها ، والتي تمتد من تحليل البيانات وتجربة المستخدم إلى نقاط الضعف في العقود الذكية وهجمات القراصنة. الذكاء الاصطناعي، كأداة لتعزيز الإنتاجية، ينطوي على إمكانات كبيرة في هذه المجالات.

أولا ، هناك مجال للتحسين في تحليل البيانات والقدرات التنبؤية. كان للتطبيقات الذكاء الاصطناعي في تحليل البيانات والتنبؤ بها تأثير كبير على صناعة Web3. من خلال التحليل الذكي والتعدين بواسطة خوارزميات الذكاء الاصطناعي ، يمكن لمنصات Web3 استخراج معلومات قيمة من كميات هائلة من البيانات وإجراء تنبؤات وقرارات أكثر دقة. هذا مهم بشكل خاص لتقييم المخاطر والتنبؤ بالسوق وإدارة الأصول في التمويل اللامركزي (DeFi).

بالإضافة إلى ذلك ، هناك إمكانية لتحسين تجربة المستخدم وخدمات التخصيص. تمكن تطبيقات الذكاء الاصطناعي منصات Web3 من تقديم تجارب مستخدم أفضل وخدمات مخصصة. من خلال تحليل ونمذجة بيانات المستخدم ، يمكن لمنصات Web3 تقديم توصيات مخصصة وخدمات مخصصة وتجارب تفاعل ذكية. يساعد هذا في زيادة مشاركة المستخدم ورضاه ، مما يعزز تطوير نظام Web3 البيئي. على سبيل المثال ، تدمج العديد من بروتوكولات Web3 أدوات الذكاء الاصطناعي مثل ChatGPT لخدمة المستخدمين بشكل أفضل.

فيما يتعلق بالأمان وحماية الخصوصية ، الذكاء الاصطناعي التطبيقات لها أيضا تأثير عميق على صناعة Web3. يمكن استخدام تقنية الذكاء الاصطناعي للكشف عن هجمات الشبكة والدفاع ضدها ، وتحديد السلوك غير الطبيعي ، وتوفير تدابير أمنية أقوى. بالإضافة إلى ذلك ، يمكن تطبيق الذكاء الاصطناعي على حماية خصوصية البيانات ، وحماية المعلومات الشخصية للمستخدمين على منصات Web3 من خلال تقنيات مثل التشفير البيانات وحوسبة الخصوصية. فيما يتعلق بتدقيق العقود الذكية ، نظرا لوجود نقاط ضعف ومخاطر أمنية في عمليات الكتابة والتدقيق الخاصة العقود الذكية ، يمكن استخدام تقنية الذكاء الاصطناعي للتدقيق الآلي للعقود واكتشاف نقاط الضعف ، مما يعزز أمن وموثوقية العقود.

من الواضح أن الذكاء الاصطناعي يمكن أن تساهم بشكل كبير في مواجهة التحديات والتحسينات المحتملة في صناعة Web3 عبر مختلف الجوانب.

تحليل الوضع الحالي لمشروع الذكاء الاصطناعي+Web3

يركز الجمع بين مشاريع الذكاء الاصطناعي وWeb3 بشكل أساسي على جانبين رئيسيين: الاستفادة من تقنية blockchain لتعزيز المشاريع الذكاء الاصطناعي واستخدام التكنولوجيا الذكاء الاصطناعي لخدمة تحسين مشاريع Web3. ظهرت العديد من المشاريع على طول هذا المسار ، بما في ذلك Io.net و Gensyn و Ritual وغيرها. سيتعمق التحليل التالي في نطاقات فرعية مختلفة حيث يساعد الذكاء الاصطناعي Web3 وحيث يعزز Web3 الذكاء الاصطناعي.

3.1 Web3 يساعد الذكاء الاصطناعي

3.1.1 قوة الحوسبة اللامركزية

منذ إطلاق ChatGPT بواسطة OpenAI في نهاية عام 2022 ، أشعل جنونا في مجال الذكاء الاصطناعي. في غضون خمسة أيام من إصداره ، وصلت قاعدة المستخدمين إلى مليون مستخدم ، متجاوزة معدل تنزيل Instagram ، والذي استغرق ما يقرب من شهرين ونصف للوصول إلى نفس المعلم. بعد ذلك ، شهدت ChatGPT نموا سريعا ، حيث وصل عدد المستخدمين النشطين شهريا إلى 100 مليون في غضون شهرين ووصل المستخدمون النشطون أسبوعيا إلى 100 مليون بحلول نوفمبر 2023. مع ظهور ChatGPT ، انتقل قطاع الذكاء الاصطناعي بسرعة من مجال متخصص إلى صناعة تحظى بتقدير كبير.

وفقا لتقرير Trendforce ، يتطلب ChatGPT 30,000 وحدة معالجة رسومات NVIDIA A100 للعمل ، وستتطلب النماذج المستقبلية مثل GPT-5 المزيد من القوة الحسابية. وقد أثار هذا سباق تسلح بين مختلف شركات الذكاء الاصطناعي ، حيث أن امتلاك قوة حسابية كافية أمر بالغ الأهمية للحفاظ على ميزة تنافسية في الساحة الذكاء الاصطناعي ، متصدر إلى نقص وحدات معالجة الرسومات.

قبل ارتفع الذكاء الاصطناعي ، كان مزود GPU الرئيسي ، NVIDIA ، يخدم العملاء بشكل أساسي من الخدمات السحابية الرئيسية الثلاث: AWS و Azure و GCP. مع ارتفع الذكاء الاصطناعي ، ظهر العديد من المشترين الجدد ، بما في ذلك شركات التكنولوجيا الكبرى مثل Meta و Oracle ، بالإضافة إلى منصات البيانات الأخرى والشركات الناشئة الذكاء الاصطناعي ، وجميعهم انضموا إلى السباق لتخزين وحدات معالجة الرسومات لتدريب نماذج الذكاء الاصطناعي. زادت شركات التكنولوجيا الكبيرة مثل Meta و Tesla بشكل كبير من مشترياتها من نماذج الذكاء الاصطناعي المخصصة والأبحاث الداخلية. كما اشترت شركات النماذج الأساسية مثل Anthropic ومنصات البيانات مثل Snowflake و Databricks المزيد من وحدات معالجة الرسومات لمساعدة عملائها في تقديم خدمات الذكاء الاصطناعي.

كما ذكرت Semi Analysis العام الماضي ، هناك فجوة بين الشركات "الغنية بوحدة معالجة الرسومات" و "GPU الفقيرة" ، حيث يمتلك عدد قليل فقط أكثر من 20,000 وحدة معالجة رسومات A100 / H100 ، مما يسمح لأعضاء الفريق باستخدام ما بين 100 إلى 1000 وحدة معالجة رسومات للمشاريع. هذه الشركات إما موفري خدمات سحابية أو قامت ببناء نماذج لغوية كبيرة خاصة بها (LLMs) ، بما في ذلك OpenAI و Google و Meta و Anthropic و Inflection و Tesla و Oracle و Mistral وغيرها.

ومع ذلك ، فإن غالبية الشركات هبوط في فئة "GPU الفقيرة" ، وتكافح مع عدد أقل بكثير من وحدات معالجة الرسومات وتنفق قدرا كبيرا من الوقت والجهد على المهام التي يصعب تطويرها في النظام البيئي. علاوة على ذلك ، لا يقتصر هذا الوضع على الشركات الناشئة. بعض شركات الذكاء الاصطناعي الأكثر شهرة ، مثل Hugging Face و Databricks (MosaicML) و Together وحتى Snowflake ، لديها كميات A100 / H100 أقل من 20,000. على الرغم من امتلاكها موهبة تقنية عالمية المستوى ، إلا أن هذه الشركات مقيدة بإمدادات GPU المحدودة ، مما يضعها في وضع غير مؤات مقارنة بالشركات الأكبر في المنافسة الذكاء الاصطناعي.

لا يقتصر هذا النقص على فئة "GPU الفقراء" ؛ حتى بحلول نهاية عام 2023 ، اضطر اللاعب متصدر الذكاء الاصطناعي ، OpenAI ، إلى إغلاق التسجيلات المدفوعة مؤقتا بسبب عدم القدرة على الحصول على وحدات معالجة رسومات كافية واضطر إلى شراء المزيد من مستلزمات GPU.

من الواضح أن التطور السريع ل الذكاء الاصطناعي أدى إلى عدم تطابق خطير بين العرض والطلب على وحدات معالجة الرسومات ، مما أدى إلى نقص وشيك في العرض.

لمعالجة هذه المشكلة ، بدأت بعض مشاريع Web3 في استكشاف حلول طاقة الحوسبة اللامركزية ، والاستفادة من الخصائص الفريدة لتقنية Web3. وتشمل هذه المشاريع عكاش ورندر وجينسين وغيرها. الميزة المشتركة بين هذه المشاريع هي استخدام الرموز المميزة لتحفيز المستخدمين على توفير قوة حوسبة GPU الخاملة ، وبالتالي تصبح جانب العرض لقوة الحوسبة للعملاء الدعم الذكاء الاصطناعي.

يتكون ملف تعريف جانب العرض بشكل أساسي من ثلاثة جوانب: مقدمو الخدمات السحابية ، وعمال مناجم العملات المشفرة ، والمؤسسات. يشمل مقدمو الخدمات السحابية مزودي الخدمات السحابية الرئيسيين (مثل AWS وAzure وGCP) وموفري الخدمات السحابية GPU (مثل Coreweave و Lambda و Crusoe) ، حيث يمكن للمستخدمين إعادة بيع قوة الحوسبة الخاملة من هؤلاء المزودين لتوليد الدخل. مع انتقال إثيريوم من PoW إلى PoS ، أصبحت قوة حوسبة GPU الخاملة جانب إمداد محتمل مهم لعمال مناجم العملات المشفرة. بالإضافة إلى ذلك ، يمكن للمؤسسات الكبيرة مثل Tesla و Meta ، التي اشترت كميات كبيرة من وحدات معالجة الرسومات لأغراض استراتيجية ، أن تساهم أيضا في قوة حوسبة GPU الخاملة كجزء من جانب العرض.

حاليا ، يمكن تقسيم اللاعبين في هذا المجال بشكل عام إلى فئتين: أولئك الذين يستخدمون قوة الحوسبة اللامركزية للاستدلال الذكاء الاصطناعي وأولئك الذين يستخدمونها للتدريب الذكاء الاصطناعي. تتضمن الفئة الأولى مشاريع مثل Render (على الرغم من تركيزها على العرض ، إلا أنه يمكن استخدامها أيضا للحوسبة الذكاء الاصطناعي) و Akash و Aethir ، بينما تتضمن الفئة الأخيرة مشاريع مثل io.net (دعم كل من الاستدلال والتدريب) و Gensyn. يكمن الاختلاف الرئيسي بين الاثنين في المتطلبات المختلفة لقوة الحوسبة.

دعونا أولا نناقش المشاريع التي تركز على الاستدلال الذكاء الاصطناعي. تجذب هذه المشاريع المستخدمين لتوفير قوة الحوسبة من خلال حوافز رمزية ثم توفير خدمات شبكة طاقة الحوسبة إلى جانب الطلب ، مما يسهل مطابق العرض والطلب على طاقة الحوسبة الخاملة. تمت تغطية التفاصيل حول هذه المشاريع في تقرير بحثي صادر عن DePIN من Ryze Labs ، لا تتردد في قراءتها.

تكمن النقطة الأساسية في آلية الحوافز الرمزية ، حيث يجذب المشروع أولا الموردين ثم المستخدمين ، وبالتالي تحقيق البداية الباردة وآلية التشغيل الأساسية للمشروع ، مما يتيح المزيد من التوسع والتطوير. في هذه الدورة ، يتلقى جانب العرض مكافآت رمزية أكثر قيمة ، بينما يتمتع جانب الطلب بخدمات أكثر فعالية من حيث التكلفة. تظل قيمة الرموز المميزة للمشروع ونمو كل من المشاركين في العرض والطلب ثابتة. مع ارتفاع سعر الرمز المميز ، يتم جذب المزيد من المشاركين والمضاربين ، مما يخلق حلقة التقاط القيمة.

تتضمن فئة أخرى استخدام قوة الحوسبة اللامركزية للتدريب الذكاء الاصطناعي ، مثل Gensyn و io.net (والتي الدعم التدريب الذكاء الاصطناعي والاستدلال). في الواقع ، لا يختلف المنطق التشغيلي لهذه المشاريع اختلافا جوهريا عن مشاريع الاستدلال الذكاء الاصطناعي. لا يزالون يعتمدون على حوافز رمزية لجذب المشاركة من جانب العرض لتوفير قوة الحوسبة ، والتي يتم استخدامها بعد ذلك من قبل جانب الطلب.

تفتخر io.net ، كشبكة طاقة حوسبة لامركزية ، حاليا بأكثر من 500000 وحدة معالجة رسومات ، مما يجعلها أداء متميزا في مشاريع طاقة الحوسبة اللامركزية. بالإضافة إلى ذلك ، فقد دمجت قوة الحوسبة من Render و Filecoin ، مما يدل على التطوير المستمر لنظامها البيئي.

علاوة على ذلك ، تسهل Gensyn تخصيص مهام التعلم الآلي والمكافآت من خلال العقود الذكية لتمكين التدريب الذكاء الاصطناعي. كما هو موضح في الرسم البياني أدناه، تبلغ التكلفة بالساعة لأعمال التدريب على التعلم الآلي في Gensyn حوالي 0.4 USD، وهي أقل بكثير من التكلفة التي تزيد عن 2 USD على AWS وGCP.

يتضمن نظام Gensyn البيئي أربعة كيانات مشاركة:

• المرسلون: هؤلاء هم مستخدمو جانب الطلب الذين يستهلكون المهام ويدفعون مقابل مهام التدريب الذكاء الاصطناعي.
• المنفذون: يقوم المنفذون بتنفيذ مهام التدريب النموذجي وتقديم أدلة على إكمال المهمة للتحقق منها.
• المدققون: يربط المدققون عملية التدريب غير الحتمية بالحساب الخطي الحتمي. يقارنون البراهين المقدمة من المنفذين مع العتبات المتوقعة.
• الصحفيون: يتفقد الصحفيون عمل المدققين ويثيرون التحديات لكسب المكافآت عند تحديد المشكلات.

كما نرى ، تهدف Gensyn إلى أن تصبح بروتوكول حوسبة قابلة للتطوير وفعالة من حيث التكلفة لنماذج التعلم العميق العالمية. ومع ذلك ، بالنظر إلى هذا المجال ، لماذا تختار معظم المشاريع قوة الحوسبة اللامركزية للاستدلال الذكاء الاصطناعي بدلا من التدريب؟

دعونا أيضا نساعد الأصدقاء الذين ليسوا على دراية بالتدريب الذكاء الاصطناعي والاستدلال على فهم الفرق بين الاثنين:

• الذكاء الاصطناعي التدريب: إذا شبهنا الذكاء الاصطناعي بالطالب ، فإن التدريب يشبه تزويد الذكاء الاصطناعي بقدر كبير من المعرفة والأمثلة ، والتي يمكن فهمها على أنها بيانات. يتعلم الذكاء الاصطناعي من هذه الأمثلة. نظرا لأن التعلم ينطوي على فهم وحفظ كمية كبيرة من المعلومات ، فإن هذه العملية تتطلب قدرا كبيرا من القوة الحسابية والوقت.
• الذكاء الاصطناعي الاستدلال: إذن ما هو الاستدلال؟ يمكن فهمه على أنه استخدام المعرفة المكتسبة لحل المشكلات أو إجراء الامتحانات. أثناء الاستدلال ، يستخدم الذكاء الاصطناعي المعرفة المكتسبة لتقديم إجابات ، بدلا من اكتساب معرفة جديدة. لذلك ، فإن المتطلبات الحسابية لعملية الاستدلال صغيرة نسبيا.

يمكن ملاحظة أن متطلبات الطاقة الحسابية لكل من الاستدلال الذكاء الاصطناعي والتدريب الذكاء الاصطناعي تختلف اختلافا كبيرا. سيتم تحليل مدى توفر قوة الحوسبة اللامركزية للاستدلال الذكاء الاصطناعي والتدريب الذكاء الاصطناعي بشكل أكبر في قسم التحدي القادم.

علاوة على ذلك ، تهدف Ritual إلى الجمع بين الشبكات الموزعة ومنشئي النماذج للحفاظ على اللامركزية والأمن. يمكن منتجها الأول ، Infernet ، العقود الذكية على blockchain من الوصول إلى نماذج الذكاء الاصطناعي خارج السلسلة ، مما يسمح لمثل هذه العقود بالوصول إلى الذكاء الاصطناعي بطريقة تحافظ على التحقق واللامركزية وحماية الخصوصية.

منسق Infernet مسؤول عن إدارة سلوك العقد في الشبكة والاستجابة للطلبات الحسابية من المستهلكين. عندما يستخدم المستخدمون Infernet ، يتم تنفيذ مهام مثل الاستدلال والإثبات خارج السلسلة ، مع إرجاع المخرجات إلى المنسق ونقلها في النهاية إلى المستهلكين داخل السلسلة عبر العقود الذكية.

بالإضافة إلى شبكات طاقة الحوسبة اللامركزية ، هناك أيضا شبكات عرض النطاق الترددي اللامركزية مثل Grass ، والتي تهدف إلى تحسين سرعة وكفاءة نقل البيانات. بشكل عام ، يوفر ظهور شبكات طاقة الحوسبة اللامركزية إمكانية جديدة لجانب العرض من قوة الحوسبة الذكاء الاصطناعي ، مما يدفع الذكاء الاصطناعي إلى الأمام في اتجاهات جديدة.

3.1.2 نموذج الخوارزمية اللامركزية

تماما كما هو مذكور في الفصل الثاني ، فإن العناصر الأساسية الثلاثة ل الذكاء الاصطناعي هي القوة الحسابية والخوارزميات والبيانات. نظرا لأن الطاقة الحسابية يمكن أن تشكل شبكة إمداد من خلال اللامركزية ، فهل يمكن للخوارزميات أيضا اتباع نهج مماثل وتشكيل شبكة إمداد لنماذج الخوارزميات؟

قبل تحليل المشاريع في هذا المجال ، دعنا أولا نفهم أهمية نماذج الخوارزمية اللامركزية. قد يتساءل الكثير من الناس ، نظرا لأن لدينا بالفعل OpenAI ، فلماذا نحتاج إلى شبكة خوارزمية لامركزية؟

بشكل أساسي ، شبكة الخوارزمية اللامركزية هي سوق خدمة خوارزمية الذكاء الاصطناعي لامركزية تربط العديد من نماذج الذكاء الاصطناعي المختلفة. كل نموذج الذكاء الاصطناعي له خبراته ومهاراته الخاصة. عندما يطرح المستخدمون أسئلة ، يختار السوق نموذج الذكاء الاصطناعي الأنسب للإجابة على السؤال. Chat-GPT ، الذي طورته OpenAI ، هو أحد هذه النماذج الذكاء الاصطناعي التي يمكنها فهم وإنشاء نص مشابه للبشر.

بعبارات بسيطة ، يشبه ChatGPT طالبا ذا قدرة عالية يساعد في حل أنواع مختلفة من المشكلات ، في حين أن شبكة الخوارزمية اللامركزية تشبه المدرسة التي بها العديد من الطلاب الذين يساعدون في حل المشكلات. على الرغم من أن الطالب الحالي (ChatGPT) يتمتع بقدرات عالية ، إلا أنه على المدى طويل ، هناك إمكانات كبيرة لمدرسة يمكنها تجنيد طلاب من جميع أنحاء العالم.

حاليا ، في مجال نماذج الخوارزمية اللامركزية ، هناك أيضا بعض المشاريع التي تقوم بالتجربة والاستكشاف. بعد ذلك ، سنستخدم المشروع التمثيلي Bittensor كدراسة حالة للمساعدة في فهم تطور هذا المجال المتخصص.

في Bittensor ، يساهم جانب العرض لنماذج الخوارزمية (أو عمال المناجم) بنماذج التعلم الآلي الخاصة بهم في الشبكة. يمكن لهذه النماذج تحليل البيانات وتقديم رؤى. يتلقى مقدمو النماذج الرموز المميزة للعملات المشفرة ، والمعروفة باسم TAO ، كمكافآت لمساهماتهم.

لضمان جودة الإجابات ، يستخدم Bittensor آلية إجماع فريدة للتوصل إلى توافق في الآراء حول أفضل إجابة. عند طرح سؤال ، يقدم العديد من عمال المناجم إجابات. بعد ذلك ، يبدأ المدققون في الشبكة في العمل لتحديد أفضل إجابة ، والتي يتم إرسالها بعد ذلك إلى المستخدم.

يلعب TAO الرمز المميز في النظام البيئي Bittensor دورين رئيسيين طوال العملية. من ناحية ، يعمل كحافز لعمال المناجم للمساهمة بنماذج خوارزمية في الشبكة. من ناحية أخرى ، يحتاج المستخدمون إلى إنفاق الرموز المميزة لطرح الأسئلة وإكمال مهام الشبكة.

نظرا لأن Bittensor لا مركزية ، يمكن لأي شخص لديه إمكانية الوصول إلى الإنترنت الانضمام إلى الشبكة ، إما كمستخدم يطرح أسئلة أو كعامل منجم يقدم إجابات. هذا يسمح لمزيد من الناس بتسخير قوة الذكاء الاصطناعي.

باختصار ، تتمتع شبكات نموذج الخوارزمية اللامركزية مثل Bittensor بالقدرة على إنشاء مشهد أكثر انفتاحا وشفافية. في هذا النظام البيئي ، يمكن تدريب نماذج الذكاء الاصطناعي ومشاركتها واستخدامها بطريقة آمنة ولامركزية. بالإضافة إلى ذلك ، تحاول شبكات أخرى مثل BasedAI مساعي مماثلة ، مع الجانب المثير للاهتمام المتمثل في استخدام Zero-Knowledge Proofs (ZK) لحماية خصوصية البيانات التفاعلية لنموذج المستخدم ، والتي ستتم مناقشتها بمزيد من التفصيل في القسم الفرعي الرابع.

مع تطور منصات نماذج الخوارزميات اللامركزية ، فإنها ستمكن الشركات الصغيرة من التنافس مع المؤسسات الكبيرة في استخدام أدوات الذكاء الاصطناعي المتطورة ، مما قد يكون لها تأثيرات كبيرة في مختلف الصناعات.

3.1.3 جمع البيانات اللامركزية

لتدريب نماذج الذكاء الاصطناعي ، لا غنى عن كمية كبيرة من البيانات. ومع ذلك ، لا تزال معظم شركات Web2 تحتكر بيانات المستخدم حاليا. تحظر منصات مثل X و Reddit و TikTok و Snapchat و Instagram و YouTube جمع البيانات للتدريب الذكاء الاصطناعي ، مما يشكل عقبة كبيرة أمام تطوير صناعة الذكاء الاصطناعي.

من ناحية أخرى ، تبيع بعض منصات Web2 بيانات المستخدم لشركات الذكاء الاصطناعي دون مشاركة أي أرباح مع المستخدمين. على سبيل المثال ، توصلت Reddit إلى اتفاقية بقيمة 60 مليون دولار مع Google ، مما يسمح ل Google بتدريب نماذج الذكاء الاصطناعي باستخدام منشوراتها. وهذا يؤدي إلى احتكار حقوق جمع البيانات من قبل شركات رأس المال والبيانات الضخمة الكبرى ، مما يدفع الصناعة نحو اتجاه كثيف رأس المال.

استجابة لهذا الموقف ، تستفيد بعض المشاريع من Web3 وحوافز الرمز المميز لتحقيق جمع البيانات اللامركزي. خذ PublicAI كمثال: يمكن للمستخدمين المشاركة في دورين:

• فئة واحدة هي مزودي البيانات الذكاء الاصطناعي. يمكن للمستخدمين العثور على محتوى قيم على X ، ووضع علامة @PublicAI الحساب الرسمية برؤاهم ، واستخدام علامات التصنيف #الذكاء الاصطناعي أو #Web3 لتصنيف المحتوى ، وبالتالي إرساله إلى مركز بيانات PublicAI لجمعه.
• الفئة الأخرى هي البيانات المدققون. يمكن للمستخدمين تسجيل الدخول إلى مركز بيانات PublicAI والتصويت على البيانات الأكثر قيمة للتدريب الذكاء الاصطناعي.

كمكافأة ، يمكن للمستخدمين كسب الرموز المميزة من خلال هذه المساهمات ، مما يعزز علاقة مربحة للجانبين بين المساهمين في البيانات وصناعة الذكاء الاصطناعي.

بالإضافة إلى مشاريع مثل PublicAI ، التي تجمع البيانات على وجه التحديد للتدريب الذكاء الاصطناعي ، هناك العديد من المشاريع الأخرى التي تستخدم حوافز رمزية لجمع البيانات اللامركزية. على سبيل المثال ، يجمع Ocean بيانات المستخدم من خلال البيانات ترميز الأصول لخدمة الذكاء الاصطناعي ، ويستخدم Hivemapper كاميرات سيارات المستخدمين لجمع بيانات الخرائط ، ويجمع Dimo بيانات السيارة ، ويجمع WiHi بيانات الطقس. وهذه المشاريع، من خلال جمع البيانات اللامركزية، تستخدم أيضا كمصادر بيانات محتملة للتدريب الذكاء الاصطناعي. وبالتالي ، بالمعنى الواسع ، يمكن تضمينها في نموذج Web3 الذي يساعد الذكاء الاصطناعي.

3.1.4 ZK يحمي خصوصية المستخدم في الذكاء الاصطناعي

تقدم البلوكتشين التكنولوجيا فوائد اللامركزية وتقدم أيضا ميزة حاسمة: براهين المعرفة الصفرية. تسمح تقنية صفر المعرفة بالتحقق من المعلومات مع الحفاظ على الخصوصية.

في التعلم الآلي التقليدي ، تحتاج البيانات عادة إلى تخزينها ومعالجتها مركزيا ، مما قد يؤدي إلى مخاطر الخصوصية. قد تحد طرق حماية خصوصية البيانات، مثل إخفاء هوية التشفير أو البيانات، من دقة وأداء نماذج التعلم الآلي.

تساعد تقنية إثبات المعرفة الصفرية في حل هذه المعضلة من خلال معالجة التعارض بين حماية الخصوصية ومشاركة البيانات. يستخدم التعلم الآلي صفر المعرفة (ZKML) تقنية إثبات المعرفة الصفرية لتمكين التدريب على نموذج التعلم الآلي والاستدلال دون الكشف عن البيانات الأصلية. تضمن إثباتات المعرفة الصفرية إمكانية التحقق من صحة ميزات البيانات ونتائج النموذج دون الكشف عن محتوى البيانات الفعلي.

الهدف الأساسي من ZKML هو تحقيق التوازن بين حماية الخصوصية ومشاركة البيانات. يمكن تطبيقه في سيناريوهات مختلفة مثل تحليل بيانات الرعاية الصحية وتحليل البيانات المالية والتعاون بين المنظمات. باستخدام ZKML ، يمكن للأفراد حماية خصوصية بياناتهم الحساسة أثناء مشاركة البيانات مع الآخرين للحصول على رؤى أوسع وفرص تعاونية دون التعرض لخطر انتهاكات خصوصية البيانات. لا يزال هذا الحقل في مراحله المبكرة ، حيث لا تزال معظم المشاريع قيد الاستكشاف. على سبيل المثال ، يقترح BasedAI نهجا لامركزيا من خلال دمج Fully التشفير المتماثل (FHE) بسلاسة مع نماذج اللغة الكبيرة (LLMs) للحفاظ على سرية البيانات. تقوم نماذج اللغات الكبيرة صفر المعرفة (ZK-LLMs) بتضمين الخصوصية في البنية التحتية للشبكة الموزعة ، مما يضمن بقاء بيانات المستخدم سرية طوال فترة تشغيل الشبكة.

فيما يلي شرح موجز ل Fully التشفير المتماثل (FHE). FHE هي تقنية التشفير تسمح بإجراء الحسابات على البيانات المشفرة دون الحاجة إلى فك تشفيرها. هذا يعني أن العمليات الحسابية المختلفة (مثل الجمع والضرب وما إلى ذلك) التي يتم إجراؤها على البيانات المشفرة FHE تسفر عن نفس النتائج كما لو تم إجراؤها على البيانات الأصلية غير المشفرة ، وبالتالي حماية خصوصية بيانات المستخدم.

بالإضافة إلى الأساليب المذكورة أعلاه ، يدعم Web3 أيضا الذكاء الاصطناعي من خلال مشاريع مثل Cortex ، والتي تتيح التنفيذ داخل السلسلة لبرامج الذكاء الاصطناعي. يواجه تشغيل برامج التعلم الآلي على سلاسل الكتل التقليدية تحديا لأن الأجهزة الافتراضية غير فعالة للغاية في تشغيل أي نماذج تعلم آلي غير تافهة. يعتقد معظمهم أن تشغيل الذكاء الاصطناعي على blockchain أمر مستحيل. ومع ذلك ، يستخدم Cortex الآلة الافتراضية (CVM) وحدات معالجة الرسومات لتنفيذ برامج الذكاء الاصطناعي داخل السلسلة ومتوافق مع آلة الإيثريوم الافتراضية (EVM). بمعنى آخر ، يمكن لسلسلة Cortex تنفيذ جميع التطبيقات اللامركزية إثيريوم ودمج التعلم الآلي الذكاء الاصطناعي في هذه التطبيقات اللامركزية (DApps). يسمح ذلك لنماذج التعلم الآلي بالعمل بطريقة لامركزية وغير قابلة للتغيير وشفافة ، مع إجماع الشبكة للتحقق من كل خطوة من خطوات الاستدلال الذكاء الاصطناعي.

3.2 الذكاء الاصطناعي يساعد Web3

في التصادم بين الذكاء الاصطناعي و Web3 ، بالإضافة إلى مساعدة Web3 الذكاء الاصطناعي ، فإن مساعدة الذكاء الاصطناعي لصناعة Web3 تستحق الاهتمام أيضا. تتمثل المساهمة الأساسية للذكاء الاصطناعي في تحسين الإنتاجية ، لذلك هناك العديد من المحاولات في الذكاء الاصطناعي العقود الذكية التدقيق وتحليل البيانات والتنبؤ بها والخدمات الشخصية والأمان وحماية الخصوصية وما إلى ذلك.

3.2.1 تحليل البيانات والتنبؤ بها

تقوم العديد من مشاريع Web3 بدمج خدمات الذكاء الاصطناعي الحالية (مثل ChatGPT) أو تطوير خدماتها الخاصة لتوفير خدمات تحليل البيانات والتنبؤ لمستخدمي Web3. تغطي هذه الخدمات مجموعة واسعة ، بما في ذلك خوارزميات الذكاء الاصطناعي لاستراتيجيات الاستثمار وأدوات تحليل داخل السلسلة وتوقعات الأسعار والسوق.

على سبيل المثال ، يستخدم Pond خوارزميات الرسم البياني الذكاء الاصطناعي للتنبؤ برموز ألفا المستقبلية القيمة ، ويقدم خدمات استشارية استثمارية للمستخدمين والمؤسسات. يتدرب BullBear الذكاء الاصطناعي على البيانات التاريخية للمستخدم وسجل الأسعار واتجاهات السوق لتوفير معلومات دقيقة تدعم تنبؤات اتجاه الأسعار ، مما يساعد المستخدمين على تحقيق الأرباح.

تستضيف منصات مثل Numerai مسابقات استثمارية حيث يستخدم المشاركون نماذج اللغة الذكاء الاصطناعي والكبيرة للتنبؤ بأسواق الأسهم. يقومون بتدريب النماذج على بيانات عالية الجودة توفرها المنصة ويقدمون تنبؤات يومية. يقوم Numerai بتقييم هذه التوقعات خلال الشهر التالي ، ويمكن للمشاركين التكديس NMR الرموز المميزة على نماذجهم لكسب المكافآت بناء على الأداء.

Arkham ، وهي منصة لتحليل بيانات blockchain ، تدمج أيضا الذكاء الاصطناعي في خدماتها. يربط Arkham عناوين blockchain بكيانات مثل البورصات والصناديق والحيتان ، ويعرض البيانات والتحليلات الرئيسية لمنح المستخدمين ميزة صنع القرار. تقوم Arkham Ultra بمطابقة العناوين مع كيانات العالم الحقيقي باستخدام خوارزميات تم تطويرها على مدار ثلاث سنوات مع الدعم من مؤسسي Palantir وOpenAI.

3.2.2 الخدمات الشخصية

الذكاء الاصطناعي التطبيقات في البحث والتوصية منتشرة في مشاريع Web2 ، وتخدم احتياجات المستخدمين الشخصية. وبالمثل ، تدمج مشاريع Web3 الذكاء الاصطناعي لتحسين تجربة المستخدم.

على سبيل المثال ، قدمت منصة تحليل البيانات المعروفة Dune مؤخرا أداة Wand ، والتي تستخدم نماذج لغة كبيرة لكتابة استعلامات SQL. باستخدام Wand Create ، يمكن للمستخدمين إنشاء استعلامات SQL من أسئلة اللغة الطبيعية ، مما يسهل على أولئك الذين ليسوا على دراية ب SQL البحث عن البيانات.

تدمج منصات المحتوى مثل Followin ChatGPT لتلخيص وجهات النظر والتحديثات في قطاعات محددة. تهدف موسوعة Web3 IQ.wiki إلى أن تكون المصدر الرئيسي للمعرفة الموضوعية عالية الجودة حول تقنية blockchain والعملات المشفرة. إنه يدمج GPT-4 لتلخيص مقالات الويكي ، مما يجعل معلومات blockchain أكثر سهولة في جميع أنحاء العالم. يهدف محرك البحث Kaito المستند إلى LLM إلى إحداث ثورة في استرجاع معلومات Web3.

في المجال الإبداعي ، تقلل مشاريع مثل NFPrompt من تكلفة إنشاء المحتوى. يتيح NFPrompt للمستخدمين إنشاء NFTs بسهولة أكبر باستخدام الذكاء الاصطناعي ، مما يوفر العديد من الخدمات الإبداعية المخصصة.

3.2.3 الذكاء الاصطناعي تدقيق العقود الذكية

يعد تدقيق العقود الذكية مهمة حاسمة في Web3 ، ويمكن الذكاء الاصطناعي تعزيز الكفاءة والدقة في تحديد نقاط الضعف في التعليمات البرمجية.

لاحظ Vitalik Buterin أن أحد أكبر التحديات في مساحة العملة المشفرة هو الأخطاء في الكود الخاص بنا. يحمل الذكاء الاصطناعي وعدا بتبسيط استخدام أدوات التحقق الرسمية بشكل كبير لإثبات صحة الكود. يمكن أن يؤدي تحقيق ذلك إلى EVM SEK (آلة الإيثريوم الافتراضية) خالية من الأخطاء تقريبا ، مما يعزز أمن الفضاء حيث أن عددا أقل من الأخطاء يزيد من السلامة العامة.

على سبيل المثال ، يقدم مشروع 0x0.ai مدقق عقود ذكي مدعوم الذكاء الاصطناعي. تستخدم هذه الأداة خوارزميات متقدمة لتحليل العقود الذكية وتحديد نقاط الضعف أو المشكلات المحتملة التي قد تؤدي إلى الاحتيال أو مخاطر أمنية أخرى. يستخدم المدققون التعلم الآلي لاكتشاف الأنماط والحالات الشاذة في الكود ، مع الإشارة إلى المشكلات المحتملة لمزيد من المراجعة.

هناك حالات أصلية أخرى حيث يساعد الذكاء الاصطناعي Web3. يساعد PAAL المستخدمين على إنشاء روبوتات الذكاء الاصطناعي مخصصة يمكن نشرها على Telegram و Discord لخدمة مستخدمي Web3. يستخدم مجمع DEX متعدد السلاسل الذي يحركه الذكاء الاصطناعي Hera الذكاء الاصطناعي لتوفير أفضل مسارات التداول بين أي أزواج من الرموز المميزة عبر الرموز المختلفة. بشكل عام ، تكون مساهمة الذكاء الاصطناعي في Web3 في المقام الأول على مستوى الأداة ، مما يعزز العمليات والوظائف المختلفة.

القيود والتحديات الحالية لمشروع الذكاء الاصطناعي + Web3

4.1 عقبات واقعية في قوة الحوسبة اللامركزية

حاليا ، تركز العديد من مشاريع Web3 التي تساعد الذكاء الاصطناعي على قوة الحوسبة اللامركزية. يعد استخدام الحوافز الرمزية لتعزيز المستخدمين العالميين ليصبحوا جزءا من جانب إمداد طاقة الحوسبة ابتكارا مثيرا للاهتمام. ومع ذلك ، من ناحية أخرى ، هناك بعض القضايا الواقعية التي تحتاج إلى معالجة:

بالمقارنة مع مزودي خدمات طاقة الحوسبة المركزية ، تعتمد منتجات طاقة الحوسبة اللامركزية عادة على العقد والمشاركين الموزعين عالميا لتوفير موارد الحوسبة. نظرا لاحتمال وقت الإستجابة وعدم الاستقرار في اتصالات الشبكة بين هذه العقد ، قد يكون الأداء والاستقرار أسوأ من منتجات طاقة الحوسبة المركزية.

بالإضافة إلى ذلك ، يتأثر توافر منتجات طاقة الحوسبة اللامركزية بدرجة مطابق بين العرض والطلب. إذا لم يكن هناك عدد كاف من الموردين أو إذا كان الطلب مرتفعا جدا ، فقد يؤدي ذلك إلى نقص الموارد أو عدم القدرة على تلبية احتياجات المستخدم.

أخيرا ، بالمقارنة مع منتجات طاقة الحوسبة المركزية ، عادة ما تتضمن منتجات طاقة الحوسبة اللامركزية مزيدا من التفاصيل الفنية والتعقيد. قد يحتاج المستخدمون إلى فهم جوانب الشبكات الموزعة العقود الذكية ومدفوعات العملات المشفرة والتعامل معها ، مما يزيد من تكلفة فهم المستخدم واستخدامه.

بعد مناقشات متعمقة مع العديد من فرق مشروع طاقة الحوسبة اللامركزية ، وجد أن قوة الحوسبة اللامركزية الحالية لا تزال تقتصر في الغالب على الاستدلال الذكاء الاصطناعي بدلا من التدريب الذكاء الاصطناعي.

بعد ذلك ، سأستخدم أربعة أسئلة لمساعدة الجميع على فهم الأسباب الكامنة وراء ذلك:

1. لماذا تختار معظم مشاريع طاقة الحوسبة اللامركزية القيام بالاستدلال الذكاء الاصطناعي بدلا من التدريب الذكاء الاصطناعي؟

2. ما الذي يجعل NVIDIA قوية جدا؟ ما هي أسباب صعوبة التدريب على قوة الحوسبة اللامركزية؟

3. ماذا ستكون نهاية اللعبة لقوة الحوسبة اللامركزية (Render ، Akash ، io.net ، إلخ)؟

4. ماذا ستكون نهاية اللعبة للخوارزميات اللامركزية (Bittensor)؟

دعنا نتعمق في التفاصيل خطوة بخطوة:

1) عند مراقبة هذا المجال ، تختار معظم مشاريع طاقة الحوسبة اللامركزية التركيز على الاستدلال الذكاء الاصطناعي بدلا من التدريب ، ويرجع ذلك أساسا إلى المتطلبات المختلفة لقوة الحوسبة وعرض النطاق الترددي.

لمساعدة الجميع على الفهم بشكل أفضل ، دعنا نقارن الذكاء الاصطناعي بالطالب:

• الذكاء الاصطناعي التدريب: إذا قارنا الذكاء الاصطناعي بالطالب ، فإن التدريب يشبه تزويد الذكاء الاصطناعي بقدر كبير من المعرفة والأمثلة ، على غرار ما نشير إليه غالبا بالبيانات. يتعلم الذكاء الاصطناعي من هذه الأمثلة. نظرا لأن التعلم ينطوي على فهم وحفظ كميات هائلة من المعلومات ، فإن هذه العملية تتطلب قوة حوسبة كبيرة ووقتا.

• الذكاء الاصطناعي الاستدلال: يمكن فهم الاستدلال على أنه استخدام المعرفة المكتسبة لحل المشكلات أو إجراء الامتحانات. أثناء الاستدلال ، يستخدم الذكاء الاصطناعي المعرفة المكتسبة للإجابة على الأسئلة بدلا من الحصول على معلومات جديدة ، وبالتالي فإن المتطلبات الحسابية أقل نسبيا.

من السهل أن نرى أن الاختلاف الأساسي في الصعوبة يكمن في حقيقة أن التدريب على الذكاء الاصطناعي النموذج الكبير يتطلب كميات هائلة من البيانات وعرض نطاق ترددي عال للغاية لنقل البيانات ، مما يجعل من الصعب للغاية تحقيقه باستخدام قوة الحوسبة اللامركزية. في المقابل ، يتطلب الاستدلال بيانات وعرض نطاق ترددي أقل بكثير ، مما يجعله أكثر جدوى.

بالنسبة للطرز الكبيرة ، يعد الاستقرار أمرا بالغ الأهمية. إذا توقف التدريب ، فيجب إعادة تشغيله ، مما يؤدي إلى ارتفاع تكاليف الغارقة. من ناحية أخرى ، يمكن تحقيق الطلبات ذات متطلبات طاقة الحوسبة المنخفضة نسبيا ، مثل الاستدلال الذكاء الاصطناعي أو بعض السيناريوهات المحددة التي تنطوي على تدريب نموذج متوسط إلى صغير. في شبكات طاقة الحوسبة اللامركزية ، يمكن لبعض مزودي خدمة العقد الكبيرة نسبيا تلبية متطلبات طاقة الحوسبة الأعلى نسبيا.

2) إذن ، أين هي الاختناقات في البيانات وعرض النطاق الترددي؟ لماذا يصعب تحقيق التدريب اللامركزي؟

يتضمن ذلك عنصرين رئيسيين لتدريب النموذج الكبير: قوة الحوسبة أحادية البطاقة والتوازي متعدد البطاقات.

قوة الحوسبة أحادية البطاقة: في الوقت الحالي ، يمكن مقارنة جميع المراكز التي تتطلب تدريبا نموذجيا كبيرا ، يشار إليها باسم مراكز الحوسبة الفائقة ، بجسم الإنسان ، حيث تكون الوحدة الأساسية ، وحدة معالجة الرسومات ، مثل الخلية. إذا كانت قوة الحوسبة لخلية واحدة (GPU) قوية ، فإن قوة الحوسبة الإجمالية (خلية واحدة × الكمية) يمكن أن تكون قوية جدا أيضا.

التوازي متعدد البطاقات: غالبا ما يتضمن تدريب نموذج كبير مئات المليارات من الجيجابايت. بالنسبة لمراكز الحوسبة الفائقة التي تدرب الطرز الكبيرة ، يلزم وجود عشرات الآلاف على الأقل من وحدات معالجة الرسومات A100. وهذا يستلزم تعبئة آلاف البطاقات للتدريب. ومع ذلك ، فإن تدريب نموذج كبير ليس عملية تسلسلية بسيطة. إنه لا يتدرب فقط على بطاقة A100 الأولى ثم ينتقل إلى الثانية. بدلا من ذلك ، يتم تدريب أجزاء مختلفة من النموذج على وحدات معالجة رسومات مختلفة في وقت واحد ، وقد يتطلب جزء التدريب A نتائج من الجزء B ، بما في ذلك المعالجة المتوازية.

إن هيمنة NVIDIA وارتفاع قيمتها السوقية ، بينما تجد AMD والشركات المحلية مثل Huawei و Horizon صعوبة في اللحاق بالركب ، تنبع من جانبين: بيئة برامج CUDA واتصالات NVLink متعددة البطاقات.

بيئة برامج CUDA: ما إذا كان هناك نظام بيئي برمجي يتناسب مع الأجهزة أمر بالغ الأهمية ، مثل نظام CUDA من NVIDIA. إن بناء نظام جديد يمثل تحديا ، أقرب إلى إنشاء لغة جديدة بتكاليف استبدال عالية.

اتصال NVLink متعدد البطاقات: بشكل أساسي ، يتضمن الاتصال متعدد البطاقات إدخال وإخراج المعلومات. كيفية التوازي والإرسال أمر بالغ الأهمية. يعني وجود NVLink أن بطاقات NVIDIA و AMD لا يمكنها التواصل ؛ بالإضافة إلى ذلك ، يحد NVLink من المسافة المادية بين وحدات معالجة الرسومات ، مما يتطلب أن تكون في نفس مركز الحوسبة الفائقة. وهذا يجعل من الصعب على قوة الحوسبة اللامركزية المنتشرة في جميع أنحاء العالم تشكيل مجموعة حوسبة متماسكة لتدريب النماذج الكبيرة.

تشرح النقطة الأولى لماذا تكافح AMD والشركات المحلية مثل Huawei و Horizon للحاق بالركب ؛ النقطة الثانية تشرح سبب صعوبة تحقيق التدريب اللامركزي.

3) ماذا ستكون نهاية اللعبة لقوة الحوسبة اللامركزية؟ تكافح قوة الحوسبة اللامركزية حاليا مع تدريب النماذج الكبيرة لأن الاستقرار أمر بالغ الأهمية. تتطلب الانقطاعات إعادة التدريب ، مما يؤدي إلى ارتفاع تكاليف الغارقة. المتطلبات العالية للتوازي متعدد البطاقات محدودة بقيود عرض النطاق الترددي المادي. يحقق NVLink من NVIDIA اتصالا متعدد البطاقات ، ولكن داخل مركز الحوسبة الفائقة ، يحد NVLink من المسافة المادية بين وحدات معالجة الرسومات. وبالتالي ، لا يمكن أن تشكل قوة الحوسبة المشتتة مجموعة حوسبة لتدريب النماذج الكبيرة.

ومع ذلك ، بالنسبة للطلبات ذات متطلبات طاقة الحوسبة المنخفضة نسبيا ، مثل الاستدلال الذكاء الاصطناعي أو بعض السيناريوهات المحددة التي تنطوي على تدريب نموذج متوسط إلى صغير ، فإن شبكات طاقة الحوسبة اللامركزية مع بعض مزودي خدمة العقد الكبيرة نسبيا لديها إمكانات. بالإضافة إلى ذلك ، فإن سيناريوهات مثل حوسبة الحافة للعرض أسهل نسبيا في التنفيذ.

4) ماذا ستكون نهاية اللعبة لنماذج الخوارزمية اللامركزية؟ يعتمد مستقبل نماذج الخوارزمية اللامركزية على الاتجاه النهائي الذكاء الاصطناعي. أعتقد أن مستقبل الذكاء الاصطناعي قد يضم 1-2 عمالقة نماذج مغلقة المصدر (مثل ChatGPT) جنبا إلى جنب مع عدد كبير من النماذج. في هذا السياق ، لا تحتاج منتجات طبقة التطبيق إلى الارتباط بنموذج واحد كبير بل تتعاون مع نماذج كبيرة متعددة. في هذا السيناريو ، يظهر نموذج Bittensor إمكانات كبيرة.

في المشاريع الحالية التي تجمع بين Web3 و الذكاء الاصطناعي ، لا سيما تلك التي تساعد فيها الذكاء الاصطناعي مبادرات Web3 ، تستخدم معظم المشاريع الذكاء الاصطناعي بشكل سطحي دون إظهار تكامل عميق بين الذكاء الاصطناعي والعملات المشفرة. ويتجلى هذا التطبيق السطحي في الجانبين التاليين:

• أولا ، سواء كان استخدام الذكاء الاصطناعي لتحليل البيانات والتنبؤ بها ، أو في سيناريوهات التوصية والبحث ، أو لتدقيق التعليمات البرمجية ، لا يوجد فرق كبير مقارنة بتكامل الذكاء الاصطناعي في مشاريع Web2. تستفيد هذه المشاريع ببساطة من الذكاء الاصطناعي لتعزيز الكفاءة والتحليل دون عرض اندماج أصلي بين الذكاء الاصطناعي والعملات المشفرة أو تقديم حلول مبتكرة.
• ثانيا ، تدمج العديد من فرق Web3 الذكاء الاصطناعي أكثر كوسيلة للتحايل على التسويق ، والاستفادة البحتة من مفهوم الذكاء الاصطناعي. إنهم يطبقون التكنولوجيا الذكاء الاصطناعي في مناطق محدودة للغاية ثم يبدأون في الترويج لاتجاه الذكاء الاصطناعي ، مما يخلق واجهة من التكامل الوثيق مع الذكاء الاصطناعي. ومع ذلك ، تفتقر هذه المشاريع إلى الابتكار الكبير.

على الرغم من أن مشاريع Web3 و الذكاء الاصطناعي الحالية لها هذه القيود ، يجب أن ندرك أن هذه ليست سوى المرحلة المبكرة من التطوير. في المستقبل ، يمكننا أن نتوقع المزيد من البحث والابتكار المتعمق لتحقيق تكامل أكثر إحكاما بين الذكاء الاصطناعي والعملات المشفرة ، مما يخلق حلولا أكثر محلية وذات مغزى في مجالات مثل التمويل والمنظمات المستقلة اللامركزية (DAOs) وأسواق التنبؤ و NFTs.

4.3 عملة الاقتصاد بمثابة مخزن مؤقت لروايات المشروع الذكاء الاصطناعي

كما ذكرنا في البداية ، تواجه الذكاء الاصطناعي المشاريع تحديات في نماذج أعمالها ، خاصة وأن المزيد والمزيد من النماذج الكبيرة أصبحت مفتوحة المصدر تدريجيا. تختار العديد من مشاريع الذكاء الاصطناعي + Web3 ، التي غالبا ما تكون مشاريع الذكاء الاصطناعي خالصة تكافح من أجل الازدهار وتأمين التمويل في مساحة Web2 ، تراكب الروايات واقتصاديات الرموز من Web3 لتشجيع مشاركة المستخدم.

ومع ذلك ، فإن السؤال الحاسم هو ما إذا كان تكامل الاقتصاد الرمزي يساعد حقا الذكاء الاصطناعي المشاريع على تلبية احتياجات العالم الحقيقي أو ما إذا كان مجرد عرض قيمة سردي أو قصير الأجل. حاليا ، معظم مشاريع الذكاء الاصطناعي + Web3 بعيدة كل البعد عن الوصول إلى مرحلة عملية. من المأمول ألا تستخدم الفرق الأكثر رسوخا ومدروسا الرموز المميزة كوسيلة للدعاية الذكاء الاصطناعي المشاريع فحسب ، بل ستفي أيضا بحالات الاستخدام العملية حقا.

ملخص

حاليا ، ظهرت العديد من الحالات والتطبيقات في مشاريع الذكاء الاصطناعي + Web3. أولا ، يمكن أن توفر تقنية الذكاء الاصطناعي حالات استخدام أكثر كفاءة وذكاء ل Web3. من خلال قدرات الذكاء الاصطناعي في تحليل البيانات والتنبؤ بها ، يمكن للمستخدمين في Web3 الحصول على أدوات أفضل لقرارات الاستثمار والسيناريوهات الأخرى. بالإضافة إلى ذلك ، يمكن الذكاء الاصطناعي تدقيق رمز العقد الذكي ، وتحسين تنفيذ العقد ، وتعزيز أداء وكفاءة blockchain. علاوة على ذلك ، يمكن أن تقدم الذكاء الاصطناعي التكنولوجيا توصيات أكثر دقة وذكاء وخدمات مخصصة للتطبيقات اللامركزية ، وبالتالي تحسين تجربة المستخدم.

في الوقت نفسه ، توفر الطبيعة اللامركزية والقابلة للبرمجة ل Web3 أيضا فرصا جديدة لتكنولوجيا الذكاء الاصطناعي. من خلال الحوافز الرمزية ، توفر مشاريع طاقة الحوسبة اللامركزية حلولا جديدة لمعضلة عدم كفاية قوة الحوسبة الذكاء الاصطناعي. توفر آليات التخزين العقود الذكية والموزعة ل Web3 أيضا مساحة وموارد أوسع لمشاركة الخوارزميات والتدريب الذكاء الاصطناعي. كما توفر آليات استقلالية المستخدم والثقة في Web3 إمكانيات جديدة لتطوير الذكاء الاصطناعي ، مما يسمح للمستخدمين بالاختيار المستقل للمشاركة في مشاركة البيانات والتدريب ، وبالتالي تعزيز تنوع البيانات وجودتها وزيادة تحسين أداء ودقة نماذج الذكاء الاصطناعي.

على الرغم من أن المشاريع المتقاطعة الحالية الذكاء الاصطناعي + Web3 لا تزال في مراحلها الأولى وتواجه العديد من التحديات ، إلا أنها تجلب أيضا العديد من المزايا. على سبيل المثال، تنطوي منتجات طاقة الحوسبة اللامركزية على بعض العيوب، ولكنها تقلل من الاعتماد على المؤسسات المركزية، وتوفر قدرا أكبر من الشفافية والقدرة على التدقيق، وتمكن من المشاركة والابتكار على نطاق أوسع. بالنسبة لحالات الاستخدام المحددة واحتياجات المستخدم ، قد تكون منتجات طاقة الحوسبة اللامركزية خيارا قيما. وينطبق الشيء نفسه على جمع البيانات؛ توفر مشاريع جمع البيانات اللامركزية مزايا مثل تقليل الاعتماد على مصادر بيانات واحدة ، وتوفير تغطية أوسع للبيانات ، وتعزيز تنوع البيانات وشموليتها. ومن الناحية العملية، من الضروري الموازنة بين هذه المزايا والعيوب واتخاذ التدابير الإدارية والتقنية المناسبة للتغلب على التحديات، وضمان أن يكون لمشاريع جمع البيانات اللامركزية تأثير إيجابي على التنمية الذكاء الاصطناعي.

بشكل عام ، يوفر تكامل الذكاء الاصطناعي + Web3 إمكانيات لا حصر لها للابتكار التكنولوجي والتنمية الاقتصادية في المستقبل. من خلال الجمع بين التحليل الذكي وقدرات صنع القرار في الذكاء الاصطناعي مع الطبيعة اللامركزية والمستقلة للمستخدم ل Web3 ، يعتقد أنه يمكننا بناء نظام اقتصادي وحتى اجتماعي أكثر ذكاء وانفتاحا وعدلا.

إخلاء المسؤولية:

1. تمت إعادة طباعة هذه المقالة من [Ryze Labs]. جميع حقوق الطبع والنشر تنتمي إلى المؤلف الأصلي [فريد]. إذا كانت هناك اعتراضات على إعادة الطبع هذه ، فيرجى الاتصال بفريق Gate Learn ، وسيقومون بالتعامل معها على الفور.
2. إخلاء المسؤولية: الآراء ووجهات النظر الواردة في هذه المقالة هي آراء المؤلف فقط ولا تشكل أي نصيحة استثمارية.
3. تتم ترجمة المقالة إلى لغات أخرى من قبل فريق Gate Learn. يحظر نسخ المقالات المترجمة أو توزيعها أو سرقتها، ما لم يذكر ذلك.