دمج Web3 و AI: بناء بنية تحتية جديدة للإنترنت من الجيل التالي

تعتبر Web3 كنوع جديد من نماذج الإنترنت اللامركزية والمفتوحة والشفافة، لديها مزايا طبيعية في الجمع مع الذكاء الاصطناعي. في ظل الهياكل التقليدية المركزية، يتم التحكم بشكل صارم في حسابات الذكاء الاصطناعي وموارد البيانات، مما يواجه تحديات عديدة مثل قيود قدرة الحوسبة، تسرب الخصوصية، وعدم الشفافية في الخوارزميات. تستند Web3 إلى تقنيات موزعة، وتضخ طاقة جديدة في تطوير الذكاء الاصطناعي من خلال مشاركة شبكة القدرة الحاسوبية، وسوق البيانات المفتوحة، والحوسبة الخاصة. في الوقت نفسه، يمكن أن يقدم الذكاء الاصطناعي العديد من التمكين لـ Web3، مثل تحسين العقود الذكية، وخوارزميات مكافحة الغش، مما يعزز بناء بيئتها. إن استكشاف الجمع بين Web3 والذكاء الاصطناعي أمر بالغ الأهمية لبناء بنية تحتية للإنترنت من الجيل التالي، وإطلاق قيمة البيانات وقدرة الحوسبة.

مدعوم بالبيانات: الأساس المتين للذكاء الاصطناعي وWeb3

البيانات هي القوة الدافعة الأساسية لتطور الذكاء الاصطناعي. تحتاج نماذج الذكاء الاصطناعي إلى هضم كمية كبيرة من البيانات عالية الجودة للحصول على فهم عميق وقدرات استدلال قوية. لا توفر البيانات فقط الأساس للتدريب لنماذج التعلم الآلي، بل تحدد أيضًا دقة وموثوقية النموذج.

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

• تكلفة الحصول على البيانات باهظة ، مما يجعل من الصعب على الشركات الصغيرة والمتوسطة تحملها
• يتم احتكار موارد البيانات من قبل عمالقة التكنولوجيا، مما يشكل جزر بيانات.
• تواجه خصوصية البيانات الشخصية مخاطر التسريب والانتهاك

يوفر Web3 نموذج بيانات لامركزي جديد لمعالجة هذه المشكلات:

• منصة جمع البيانات اللامركزية تتيح للمستخدمين بيع الموارد الشبكية غير المستخدمة، وتوفر بيانات تدريب حقيقية وعالية الجودة لشركات الذكاء الاصطناعي.
• اعتماد نموذج "label to earn"، من خلال تحفيز الرموز للعاملين في جميع أنحاء العالم للمشاركة في وضع علامات على البيانات، وجمع المعرفة المهنية
• منصة تداول بيانات blockchain توفر بيئة تداول شفافة وعامة لطرفي العرض والطلب، مما يعزز الابتكار ومشاركة البيانات

ومع ذلك، لا تزال هناك مشكلات في الحصول على البيانات من العالم الحقيقي، مثل تفاوت الجودة، وصعوبة المعالجة، ونقص التنوع والتمثيل. قد تصبح البيانات الاصطناعية نجم المستقبل في مسار بيانات Web3. بناءً على تقنيات الذكاء الاصطناعي التوليدي والمحاكاة، يمكن للبيانات الاصطناعية محاكاة خصائص البيانات الحقيقية، كمكمل فعال، مما يزيد من كفاءة استخدام البيانات. في مجالات مثل القيادة الذاتية، وتداول الأسواق المالية، وتطوير الألعاب، أظهرت البيانات الاصطناعية إمكانيات تطبيق ناضجة.

حماية الخصوصية: دور FHE في Web3

في عصر البيانات المدفوعة، أصبحت حماية الخصوصية محور اهتمام عالمي. ومع ذلك، فإن بعض البيانات الحساسة لا يمكن الاستفادة منها بالكامل بسبب مخاطر الخصوصية، مما يحد من إمكانيات نماذج الذكاء الاصطناعي وقدرتها على الاستدلال.

التشفير المتجانس بالكامل ( FHE ) يسمح بإجراء عمليات حسابية مباشرة على البيانات المشفرة دون الحاجة إلى فك التشفير، والنتائج الحسابية تتطابق مع نتائج البيانات النصية. يوفر FHE حماية قوية لحسابات الخصوصية في الذكاء الاصطناعي، مما يسمح لقوة معالجة GPU بتنفيذ مهام تدريب النماذج والاستدلال في بيئات لا تتعامل مع البيانات الأصلية. وهذا يوفر مزايا هائلة لشركات الذكاء الاصطناعي، حيث يمكنها فتح خدمات API بأمان مع حماية الأسرار التجارية.

يدعم FHEML معالجة البيانات والنماذج بشكل مشفر على مدار دورة تعلم الآلة بأكملها، مما يضمن أمان المعلومات الحساسة ويمنع مخاطر تسرب البيانات. يعزز FHEML خصوصية البيانات، ويوفر إطار عمل آمن للحسابات لتطبيقات الذكاء الاصطناعي. يُعتبر FHEML تكملة لـ ZKML، حيث يثبت ZKML التنفيذ الصحيح لتعلم الآلة، بينما يركز FHEML على إجراء الحسابات على البيانات المشفرة للحفاظ على خصوصية البيانات.

ثورة القوة الحاسوبية: حسابات الذكاء الاصطناعي في الشبكات اللامركزية

تتضاعف تعقيدات حساب أنظمة الذكاء الاصطناعي الحالية كل 3 أشهر، مما يؤدي إلى زيادة هائلة في الطلب على القدرة الحاسوبية، والتي تتجاوز بكثير إمدادات الموارد الحاسوبية الحالية. وهذا لا يقتصر على تقييد تقدم تقنيات الذكاء الاصطناعي فحسب، بل يجعل النماذج المتقدمة للذكاء الاصطناعي بعيدة المنال لمعظم الباحثين والمطورين. إن معدل استخدام وحدات معالجة الرسوميات العالمية أقل من 40٪، بالإضافة إلى عوامل مثل نقص الرقائق، مما يجعل مشكلة إمداد القدرة الحاسوبية أكثر حدة.

تقوم شبكة الحوسبة اللامركزية بالذكاء الاصطناعي من خلال تجميع موارد GPU غير المستغلة عالميًا بتوفير سوق حوسبة فعّال من حيث التكلفة لشركات الذكاء الاصطناعي. يمكن لمستخدمي الحوسبة نشر مهام حسابية، وسيقوم العقد الذكي بتوزيع المهام على العقد التي تساهم في الحوسبة، حيث تقوم العقد بتنفيذ المهام وتقديم النتائج، وبعد التحقق منها، تحصل على مكافآت. تعمل هذه الخطة على تحسين كفاءة استخدام الموارد، مما يساعد في حل مشكلة اختناق الحوسبة في مجالات مثل الذكاء الاصطناعي.

بالإضافة إلى الشبكات العامة اللامركزية للحوسبة، هناك شبكات حوسبة مخصصة تركز على تدريب الذكاء الاصطناعي واستنتاجه. توفر الشبكات اللامركزية للحوسبة سوقًا عادلة وشفافة للحوسبة، مما يكسر الاحتكار، ويقلل من عتبات التطبيق، ويزيد من كفاءة استخدام الحوسبة. ستلعب الشبكات اللامركزية للحوسبة دورًا حاسمًا في نظام Web3 البيئي، مما يجذب المزيد من التطبيقات الابتكارية للانضمام، ويعزز تطوير وتطبيق تقنيات الذكاء الاصطناعي.

DePIN: تمكين Web3 للذكاء الاصطناعي على الحافة

تتيح Edge AI إجراء الحسابات في مصدر إنتاج البيانات، مما يحقق استجابة سريعة ومعالجة في الوقت الحقيقي، مع حماية خصوصية المستخدم. في مجال Web3، يُعرف هذا باسم DePIN. يركز Web3 على اللامركزية وحقوق سيادة بيانات المستخدم، ويعزز DePIN حماية خصوصية المستخدم من خلال معالجة البيانات محليًا، مما يقلل من مخاطر تسرب البيانات. يمكن أن تحفز آلية الاقتصاد الرمزي الأصلية لـ Web3 عقد DePIN على توفير موارد الحوسبة، مما يبني نظامًا بيئيًا مستدامًا.

تتطور DePIN حاليًا بسرعة في بعض بيئات السلاسل العامة، مما يجعلها واحدة من المنصات المفضلة لنشر المشاريع. توفر TPS عالية، وتكاليف معاملات منخفضة، وابتكارات تقنية دعمًا قويًا لمشاريع DePIN. حققت بعض مشاريع DePIN المعروفة تقدمًا ملحوظًا، حيث تجاوزت قيمتها السوقية 10 مليار دولار.

IMO: إصدار نموذج جديد لنماذج الذكاء الاصطناعي

تقوم فكرة IMO بترميز نماذج الذكاء الاصطناعي. في النموذج التقليدي، يواجه مطورو نماذج الذكاء الاصطناعي صعوبة في الحصول على عائد مستمر من استخدام النماذج لاحقًا، كما أن أداء النماذج وفعاليتها تفتقر إلى الشفافية، مما يحد من الاعتراف في السوق والإمكانات التجارية.

تقدم IMO طريقة جديدة لدعم التمويل ومشاركة القيمة لنماذج الذكاء الاصطناعي مفتوحة المصدر. يمكن للمستثمرين شراء رموز IMO ومشاركة أرباح النموذج الناتجة لاحقًا. تستخدم بعض البروتوكولات معيار ERC محدد، بالاشتراك مع تقنية AI Oracle و OPML لضمان صحة نموذج الذكاء الاصطناعي ومشاركة أرباح حاملي الرموز.

نموذج IMO يعزز الشفافية والثقة، ويشجع التعاون المفتوح، ويتكيف مع اتجاهات سوق التشفير، ويعطي دفعة للتنمية المستدامة لتكنولوجيا الذكاء الاصطناعي. IMO حاليا في مرحلة التجريب الأولي، لكن ابتكاريته وقيمته المحتملة تستحق الانتظار.

وكيل الذكاء الاصطناعي: عصر جديد من تجربة التفاعل

يمكن لوكيل الذكاء الاصطناعي إدراك البيئة، والتفكير بشكل مستقل، واتخاذ الإجراءات لتحقيق الأهداف. بدعم من نماذج اللغة الكبيرة، يمكن لوكيل الذكاء الاصطناعي أن يفهم اللغة الطبيعية، ويخطط للقرارات، وينفذ المهام المعقدة. يمكنهم العمل كمساعدين افتراضيين، من خلال التفاعل مع المستخدمين، وتعلم التفضيلات، وتقديم حلول 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 المفتوحة مجموعة أدوات إبداعية شاملة وسهلة الاستخدام، تدعم المستخدمين في تكوين وظائف الروبوتات، والمظهر، والصوت، بالإضافة إلى الاتصال بمكتبات المعرفة الخارجية، وتهدف إلى إنشاء نظام بيئي محتوى للذكاء الاصطناعي عادل ومفتوح. من خلال الاستفادة من تقنية الذكاء الاصطناعي التوليدي، تمكن هذه المنصات الأفراد من أن يصبحوا منشئين متميزين. من خلال تدريب نماذج لغوية كبيرة مصممة خصيصًا، تصبح أدوار المحاكاة أكثر إنسانية؛ يمكن لتقنية استنساخ الصوت تسريع التفاعل الشخصي للمنتجات الذكية، وتقليل تكاليف توليد الصوت بشكل كبير. يمكن استخدام هذه الوكلاء الذكيين المخصصين حاليًا في مجالات متعددة مثل الدردشة المرئية، وتعلم اللغات، وتوليد الصور.

في دمج Web3 مع الذكاء الاصطناعي، يتم حالياً استكشاف المزيد من طبقة البنية التحتية، بما في ذلك الحصول على بيانات عالية الجودة، وحماية خصوصية البيانات، واستضافة النماذج على السلسلة، وزيادة الاستخدام الفعال للطاقة الحاسوبية اللامركزية، والتحقق من النماذج اللغوية الكبيرة وغيرها من القضايا الأساسية. مع تحسين هذه البنية التحتية تدريجياً، سيولد دمج Web3 مع الذكاء الاصطناعي مجموعة من نماذج الأعمال والخدمات المبتكرة.