دمج الذكاء الاصطناعي مع Web3: بناء البنية التحتية للإنترنت من الجيل الجديد

كفلسفة إنترنت جديدة لامركزية ومفتوحة وشفافة، فإن Web3 يحمل فرص تكامل طبيعية مع الذكاء الاصطناعي. في ظل الهياكل التقليدية المركزية، تواجه موارد حسابات الذكاء الاصطناعي والبيانات قيودًا صارمة، بالإضافة إلى تحديات مثل اختناقات القدرة الحاسوبية، وتسريبات الخصوصية، وصناديق الخوارزميات السوداء. بينما يعتمد Web3 على التقنيات الموزعة، فإنه يقدم حافزًا جديدًا لتطور الذكاء الاصطناعي من خلال شبكات القدرة المشتركة، وأسواق البيانات المفتوحة، والحوسبة الخاصة. في الوقت نفسه، يمكن أن يوفر الذكاء الاصطناعي العديد من الدعم لـ Web3، مثل تحسين العقود الذكية وخوارزميات مكافحة الغش، مما يعزز بناء نظامه البيئي. لذلك، فإن استكشاف الجمع بين Web3 والذكاء الاصطناعي يعد ذا أهمية كبيرة لبناء بنية تحتية للإنترنت من الجيل التالي، وإطلاق قيمة البيانات والقدرة الحاسوبية.

! استكشاف عمليات التكامل الرئيسية الستة ل الذكاء الاصطناعي و Web3

البيانات المدفوعة: الأساس المتين للذكاء الاصطناعي وWeb3

البيانات هي القوة الدافعة الأساسية لتطوير الذكاء الاصطناعي. تحتاج نماذج الذكاء الاصطناعي إلى معالجة كميات كبيرة من البيانات عالية الجودة للحصول على فهم عميق وقدرات استدلال قوية، حيث توفر البيانات الأساس للتدريب لنماذج التعلم الآلي، كما تحدد دقة النموذج وموثوقيته.

توجد المشاكل الرئيسية التالية في نماذج الحصول على البيانات واستخدامها في الذكاء الاصطناعي المركزية التقليدية:

• تكلفة الحصول على البيانات مرتفعة، مما يجعل من الصعب على الشركات الصغيرة والمتوسطة تحملها
• يتم احتكار موارد البيانات من قبل الشركات التكنولوجية الكبرى، مما يشكل جزر بيانات.
• تواجه خصوصية البيانات الشخصية مخاطر التسريب وسوء الاستخدام

تقوم Web3 بحل نقاط الألم في النماذج التقليدية من خلال نموذج بيانات لامركزي جديد:

• يمكن للمستخدمين بيع الموارد الشبكية غير المستخدمة لشركات الذكاء الاصطناعي، لجمع بيانات الشبكة بطريقة لامركزية، بعد تنظيفها وتحويلها لتوفير بيانات حقيقية وعالية الجودة لتدريب نماذج الذكاء الاصطناعي.
• اعتماد نموذج "label to earn"، من خلال تحفيز المشتقات العالمية للمشاركة في تعليم البيانات، تجمع المعرفة المهنية العالمية، وتعزز قدرات تحليل البيانات.
• يوفر منصة تداول البيانات القائمة على blockchain بيئة تداول شفافة وعلنية لطرفي العرض والطلب على البيانات، مما يعزز الابتكار ومشاركة البيانات.

ومع ذلك، لا تزال هناك بعض المشكلات في الحصول على بيانات العالم الحقيقي، مثل اختلاف جودة البيانات، وصعوبة المعالجة، ونقص التنوع والتمثيل. قد تصبح البيانات الاصطناعية نجم المستقبل في مجال بيانات Web3. استنادًا إلى تقنية الذكاء الاصطناعي التوليدي والمحاكاة، يمكن للبيانات الاصطناعية محاكاة خصائص البيانات الحقيقية، وتكون بمثابة مكمل فعال لزيادة كفاءة استخدام البيانات. في مجالات مثل القيادة الذاتية، وتداول الأسواق المالية، وتطوير الألعاب، أظهرت البيانات الاصطناعية إمكانيات تطبيق ناضجة.

حماية الخصوصية: تطبيق FHE في Web3

في عصر البيانات المدفوعة، أصبحت حماية الخصوصية محور اهتمام عالمي. إن صدور القوانين ذات الصلة يعكس الحماية الصارمة للخصوصية الشخصية. ومع ذلك، فإن هذا يخلق تحديات: بعض البيانات الحساسة لا يمكن استخدامها بشكل كامل بسبب مخاطر الخصوصية، مما يحد من إمكانيات نموذج الذكاء الاصطناعي وقدرته على الاستدلال.

التشفير المتجانس بالكامل (FHE) يسمح بإجراء عمليات حسابية مباشرة على البيانات المشفرة دون الحاجة إلى فك تشفير البيانات، وتكون نتائج الحساب متوافقة مع نتائج الحساب على البيانات النصية. يوفر FHE حماية قوية لحسابات الخصوصية في الذكاء الاصطناعي، مما يتيح لقوة معالجة GPU تنفيذ مهام تدريب النماذج والاستدلال في بيئات لا تتعامل مع البيانات الأصلية. وهذا يوفر ميزة كبيرة لشركات الذكاء الاصطناعي، حيث يمكنها فتح خدمات API بأمان مع حماية الأسرار التجارية.

يدعم FHEML معالجة البيانات والنماذج بشكل مشفر طوال دورة التعلم الآلي، مما يضمن أمان المعلومات الحساسة ويمنع مخاطر تسرب البيانات. يعزز FHEML خصوصية البيانات، ويوفر إطار حساب آمن لتطبيقات الذكاء الاصطناعي. يعد FHEML مكملًا لـ ZKML، حيث يثبت ZKML التنفيذ الصحيح للتعلم الآلي، بينما يؤكد FHEML على حساب البيانات المشفرة للحفاظ على خصوصية البيانات.

ثورة الحوسبة: حسابات الذكاء الاصطناعي في الشبكات اللامركزية

تتضاعف تعقيدات حساب أنظمة الذكاء الاصطناعي الحالية كل 3 أشهر، مما يؤدي إلى زيادة هائلة في الطلب على حساب القوة، متجاوزة بكثير إمدادات الموارد الحاسوبية الحالية. على سبيل المثال، يتطلب تدريب نموذج ذكاء اصطناعي معروف قدرة حسابية ضخمة، تعادل 355 عامًا من وقت التدريب لجهاز واحد. إن نقص القدرة الحاسوبية لا يقتصر فقط على تقييد تقدم تقنيات الذكاء الاصطناعي، بل يجعل أيضًا النماذج المتقدمة للذكاء الاصطناعي بعيدة المنال بالنسبة لمعظم الباحثين والمطورين.

في الوقت نفسه، لا تتجاوز نسبة استخدام وحدات معالجة الرسوميات في جميع أنحاء العالم 40%، بالإضافة إلى تباطؤ تحسين أداء المعالجات الدقيقة، والعوامل المتعلقة بسلاسل التوريد والجغرافيا السياسية التي أدت إلى نقص في الرقائق، مما جعل مشكلة توفير القدرة الحاسوبية أكثر حدة. يواجه العاملون في مجال الذكاء الاصطناعي معضلة: إما شراء الأجهزة الخاصة بهم أو استئجار موارد سحابية، وهم بحاجة ماسة إلى طريقة خدمات حاسوبية تلبي احتياجاتهم بشكل فعال من حيث التكلفة.

تقوم بعض شبكات قوة الحوسبة اللامركزية للذكاء الاصطناعي من خلال تجميع موارد GPU غير المستخدمة عالمياً بتوفير سوق قوة حوسبة سهل الوصول اقتصادياً لشركات الذكاء الاصطناعي. يمكن لمستخدمي الطلب على قوة الحوسبة نشر مهام حسابية على الشبكة، حيث تقوم العقود الذكية بتوزيع المهام على العقد التي تساهم بقوة الحوسبة، وتقوم العقد بتنفيذ المهام وتقديم النتائج، وبعد التحقق منها تحصل على مكافآت. تعزز هذه الخطة كفاءة استخدام الموارد وتساعد في حل مشكلة اختناق قوة الحوسبة في مجالات مثل الذكاء الاصطناعي.

بجانب الشبكات العامة اللامركزية للقدرة الحاسوبية، هناك أيضًا شبكات قدرة حاسوبية مخصصة تركز على تدريب الذكاء الاصطناعي واستنتاجاته. توفر الشبكات اللامركزية للقدرة الحاسوبية سوقًا شفافًا وعادلًا للقدرة الحاسوبية، مما يكسر الاحتكار، ويقلل من عتبات التطبيقات، ويزيد من كفاءة استخدام القدرة الحاسوبية. في نظام Web3 البيئي، ستلعب الشبكات اللامركزية للقدرة الحاسوبية دورًا رئيسيًا، مما يجذب المزيد من التطبيقات الابتكارية للانضمام، ودفع تطوير وتطبيق تقنيات الذكاء الاصطناعي.

DePIN: تمكين Edge AI عبر Web3

تتيح تقنية Edge AI حدوث الحسابات في مصدر بيانات الإنتاج، مما يحقق معالجة فورية ومنخفضة الكمون، مع حماية خصوصية المستخدمين. تم تطبيق تقنية Edge AI في مجالات حيوية مثل القيادة الذاتية.

في مجال Web3، يشبه DePIN (شبكة البنية التحتية المادية اللامركزية) الذكاء الاصطناعي على الحافة. يركز Web3 على اللامركزية وحقوق سيادة بيانات المستخدم، حيث يعزز DePIN حماية خصوصية المستخدم من خلال معالجة البيانات محليًا، مما يقلل من مخاطر تسرب البيانات. يمكن لآلية الاقتصاد الرمزي الأصلية في Web3 أن تحفز عقد DePIN على توفير موارد الحوسبة، مما يبني نظامًا بيئيًا مستدامًا.

تتطور DePIN بسرعة في بعض بيئات السلاسل العامة، حيث أصبحت واحدة من المنصات المفضلة لنشر المشاريع. توفر TPS عالية، ورسوم معاملات منخفضة، وابتكار تقني دعمًا قويًا لمشاريع DePIN. وقد حققت بعض مشاريع DePIN المعروفة تقدمًا ملحوظًا.

IMO: إطلاق نموذج جديد لنماذج الذكاء الاصطناعي

مفهوم IMO (إصدار النموذج الأولي) يقوم بتوكن نماذج الذكاء الاصطناعي. في النموذج التقليدي، يجد مطورو نماذج الذكاء الاصطناعي صعوبة في الحصول على إيرادات مستمرة من الاستخدام اللاحق للنموذج، خاصة عندما يتم دمج النموذج في منتجات وخدمات أخرى. بالإضافة إلى ذلك، غالبًا ما تفتقر أداءات النماذج وأثرها إلى الشفافية، مما يجعل من الصعب على المستثمرين والمستخدمين المحتملين تقييم قيمتها الحقيقية، مما يحد من اعتراف السوق بالنموذج وإمكاناته التجارية.

يوفر IMO وسيلة جديدة لدعم التمويل ومشاركة القيمة لنماذج الذكاء الاصطناعي المفتوحة المصدر. يمكن للمستثمرين شراء رموز IMO ومشاركة العائدات الناتجة عن النموذج في المستقبل. تستخدم بعض البروتوكولات معايير تقنية محددة، جنبًا إلى جنب مع تقنيات الذكاء الاصطناعي Oracle و OPML لضمان صحة نموذج الذكاء الاصطناعي وتمكين حاملي الرموز من مشاركة العائدات.

تعزز نمط IMO الشفافية والثقة، وتشجع التعاون مفتوح المصدر، وتتوافق مع اتجاهات سوق التشفير، وتضخ القوة في التنمية المستدامة لتكنولوجيا الذكاء الاصطناعي. حاليًا، يعاني IMO من مرحلة التجريب الأولي، لكن مع زيادة قبول السوق وتوسيع نطاق المشاركة، فإن ابتكاريته وقيمته المحتملة تستحق الانتظار.

وكيل الذكاء الاصطناعي: عصر جديد من تجربة التفاعل

يمكن لوكيل الذكاء الاصطناعي أن يشعر بالبيئة، ويفكر بشكل مستقل، ويتخذ إجراءات مناسبة لتحقيق الأهداف المحددة. بدعم من نماذج اللغة الكبيرة، لا يمكن لوكيل الذكاء الاصطناعي فهم اللغة الطبيعية فحسب، بل يمكنه أيضًا التخطيط واتخاذ القرارات وتنفيذ المهام المعقدة. يمكن أن يعملوا كمساعدين افتراضيين، من خلال التفاعل مع المستخدمين، يتعلمون تفضيلاتهم، ويقدمون حلولاً مخصصة. حتى في غياب التعليمات الواضحة، يمكن لوكيل الذكاء الاصطناعي حل المشكلات بشكل مستقل، وزيادة الكفاءة، وخلق قيمة جديدة.

تقدم بعض منصات التطبيقات الأصلية للذكاء الاصطناعي مجموعة شاملة وسهلة الاستخدام من أدوات الإبداع، تدعم المستخدمين في تكوين ميزات الروبوتات، والمظهر، والصوت، والاتصال بمكتبات المعرفة الخارجية، وتكرس جهودها لبناء نظام بيئي مفتوح وعادل لمحتوى الذكاء الاصطناعي، من خلال الاستفادة من تقنيات الذكاء الاصطناعي التوليدية، لتمكين الأفراد من أن يصبحوا مبدعين فائقين. قد تقوم هذه المنصات بتدريب نماذج لغوية كبيرة متخصصة، مما يجعل تجارب الأدوار أكثر إنسانية؛ ويمكن لتقنية استنساخ الصوت تسريع التفاعل الشخصي مع منتجات الذكاء الاصطناعي، وتقليل تكلفة التوليد الصوتي بشكل كبير. يمكن استخدام وكلاء الذكاء الاصطناعي المخصصين من خلال هذه المنصات حاليًا في مجالات متعددة، مثل محادثات الفيديو، وتعلم اللغات، وتوليد الصور.

فيما يتعلق بدمج Web3 و AI ، يتم الآن التركيز بشكل أكبر على استكشاف طبقة البنية التحتية ، مثل الحصول على بيانات عالية الجودة ، وحماية خصوصية البيانات ، واستضافة النماذج على السلسلة ، وزيادة الاستخدام الفعال للقوة الحاسوبية اللامركزية ، والتحقق من النماذج اللغوية الكبيرة وغيرها من القضايا الرئيسية. مع تحسين هذه البنية التحتية تدريجياً ، من المتوقع أن يؤدي دمج Web3 و AI إلى ظهور مجموعة من نماذج الأعمال والخدمات المبتكرة.