تقرير بانورامي عن حلبة Web3-AI: تحليل عميق للمنطق التكنولوجي، تطبيقات السيناريو والمشاريع الرائدة
مع استمرار ارتفاع درجة حرارة السرد بالذكاء الاصطناعي، يزداد التركيز على هذا المجال. تم إجراء تحليل متعمق للمنطق التكنولوجي، وسيناريوهات التطبيق، والمشاريع الممثلة في مجال Web3-AI، لتقديم عرض شامل لكم حول المشهد والاتجاهات التنموية في هذا المجال.
1. Web3-AI: تحليل المنطق التكنولوجي وفرص السوق الناشئة
1.1 منطق دمج Web3 و AI: كيف يتم تحديد مسار Web-AI
في العام الماضي، كانت السرديات المدعومة بالذكاء الاصطناعي شديدة الشيوع في صناعة Web3، حيث ظهرت مشاريع الذكاء الاصطناعي كالفطر بعد المطر. على الرغم من أن العديد من المشاريع تتضمن تقنيات الذكاء الاصطناعي، إلا أن بعض المشاريع تستخدم الذكاء الاصطناعي فقط في أجزاء معينة من منتجاتها، بينما لا ترتبط الاقتصاديات الرمزية الأساسية ارتباطًا جوهريًا بمنتجات الذكاء الاصطناعي، وبالتالي فإن هذه المشاريع لا تُعتبر ضمن مناقشة مشاريع Web3-AI في هذه المقالة.
تركز هذه المقالة على استخدام تقنية البلوك تشين لحل مشاكل العلاقات الإنتاجية، ومشاريع الذكاء الاصطناعي التي تعالج مشاكل القوى الإنتاجية. توفر هذه المشاريع نفسها منتجات ذكاء اصطناعي، وفي الوقت نفسه تستند إلى نماذج اقتصادية من Web3 كأدوات للعلاقات الإنتاجية، حيث يكمل كل منهما الآخر. نصنف هذه المشاريع ضمن مسار Web3-AI. لتسهيل فهم القراء لمسار Web3-AI، سيتم تقديم شرح لعملية تطوير الذكاء الاصطناعي والتحديات المرتبطة به، بالإضافة إلى كيفية دمج Web3 وAI لحل المشكلات بشكل مثالي وخلق سيناريوهات تطبيق جديدة.
1.2 عملية تطوير الذكاء الاصطناعي والتحديات: من جمع البيانات إلى استنتاج النموذج
تكنولوجيا الذكاء الاصطناعي هي تقنية تجعل الكمبيوتر قادرًا على محاكاة وتوسيع وتعزيز الذكاء البشري. يمكنها تمكين الكمبيوتر من تنفيذ مجموعة متنوعة من المهام المعقدة، بدءًا من ترجمة اللغات وتصنيف الصور وصولًا إلى التعرف على الوجوه والتطبيقات الأخرى مثل القيادة الذاتية، حيث يغير الذكاء الاصطناعي الطريقة التي نعيش ونعمل بها.
تتضمن عملية تطوير نماذج الذكاء الاصطناعي عادةً الخطوات الأساسية التالية: جمع البيانات ومعالجة البيانات، اختيار النموذج وضبطه، تدريب النموذج واستنتاجه. على سبيل المثال البسيط، لتطوير نموذج لتصنيف صور القطط والكلاب، تحتاج إلى:
جمع البيانات ومعالجة البيانات: جمع مجموعة بيانات تحتوي على صور للقطط والكلاب، يمكن استخدام مجموعة بيانات عامة أو جمع بيانات حقيقية بنفسك. ثم قم بتسمية كل صورة بفئة (قط أو كلب)، تأكد من دقة العلامات. تحويل الصور إلى تنسيق يمكن للنموذج التعرف عليه، وتقسيم مجموعة البيانات إلى مجموعة تدريب ومجموعة تحقق ومجموعة اختبار.
اختيار النموذج وتحسينه: اختيار النموذج المناسب، مثل الشبكات العصبية التلافيفية (CNN)، والتي تناسب مهام تصنيف الصور. تحسين معلمات النموذج أو هيكله وفقًا للاحتياجات المختلفة، عمومًا، يمكن تعديل طبقات الشبكة للنموذج بناءً على تعقيد مهمة الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون الطبقات الشبكية الأقل عمقًا كافية.
تدريب النموذج: يمكن استخدام GPU أو TPU أو تجمعات الحوسبة عالية الأداء لتدريب النموذج، ومدة التدريب تتأثر بتعقيد النموذج وقدرة الحوسبة.
استنتاج النموذج: تُعرف الملفات التي تم تدريبها للنموذج عادةً بوزن النموذج، وتشير عملية الاستنتاج إلى استخدام النموذج المدرب مسبقًا لتوقع أو تصنيف بيانات جديدة. يمكن استخدام مجموعة الاختبار أو بيانات جديدة لاختبار فعالية تصنيف النموذج، وغالبًا ما يتم استخدام دقة، واستدعاء، وF1-score لتقييم فعالية النموذج.
كما هو موضح في الصورة، بعد جمع البيانات ومعالجتها مسبقًا، واختيار النموذج وضبطه، وتدريبه، سيتم استخدام النموذج المدرب لإجراء الاستدلال على مجموعة الاختبار للحصول على قيم توقعات القطط والكلاب P (الاحتمالية)، أي أن النموذج يستنتج احتمال أن يكون قطًا أو كلبًا.
يمكن دمج نماذج الذكاء الاصطناعي المدربة بشكل أكبر في مختلف التطبيقات لأداء مهام مختلفة. في هذا المثال، يمكن دمج نموذج الذكاء الاصطناعي الخاص بتصنيف القطط والكلاب في تطبيق هاتف محمول، حيث يقوم المستخدم بتحميل صورة لقطة أو كلب، وسيحصل على نتائج التصنيف.
ومع ذلك، هناك بعض المشكلات في عملية تطوير الذكاء الاصطناعي المركزية في السيناريوهات التالية:
خصوصية المستخدم: في السيناريوهات المركزية، عادةً ما تكون عملية تطوير الذكاء الاصطناعي غير شفافة. قد يتم سرقة بيانات المستخدم دون علمهم واستخدامها لتدريب الذكاء الاصطناعي.
مصدر البيانات: قد تواجه الفرق الصغيرة أو الأفراد قيود عدم انفتاح البيانات عند الحصول على بيانات في مجالات معينة (مثل البيانات الطبية).
اختيار النموذج وضبطه: بالنسبة للفرق الصغيرة، من الصعب الحصول على موارد نموذج معينة في مجال معين أو إنفاق تكاليف كبيرة لضبط النموذج.
الحصول على قوة الحوسبة: بالنسبة للمطورين الأفراد والفرق الصغيرة، يمكن أن تشكل تكاليف شراء وحدات معالجة الرسوميات العالية وتأجير قوة الحوسبة السحابية عبئًا اقتصاديًا كبيرًا.
إيرادات أصول الذكاء الاصطناعي: غالبًا ما لا يتمكن العاملون في مجال وضع البيانات من الحصول على دخل يتناسب مع ما يقدمونه، كما يصعب على مطوري الذكاء الاصطناعي مطابقة نتائج أبحاثهم مع المشترين الذين لديهم احتياجات.
تحديات وجود الذكاء الاصطناعي في السيناريو المركزي يمكن التغلب عليها من خلال الدمج مع Web3، حيث إن Web3 كشكل جديد من علاقات الإنتاج يتناسب بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل قوى الإنتاج الجديدة، مما يعزز التقدم التكنولوجي وقدرات الإنتاج في الوقت نفسه.
1.3 تأثير التآزر بين Web3 و AI: تحول الأدوار وتطبيقات الابتكار
يمكن أن يعزز دمج Web3 و AI سيادة المستخدم ، ويوفر منصة تعاون مفتوحة للذكاء الاصطناعي ، مما يسمح للمستخدمين بالتحول من مستخدمي الذكاء الاصطناعي في عصر Web2 إلى مشاركين ، وخلق ذكاء اصطناعي يمكن للجميع امتلاكه. في الوقت نفسه ، يمكن أن يؤدي تزاوج عالم Web3 مع تقنيات الذكاء الاصطناعي إلى ظهور المزيد من مشاهد التطبيقات والطرق المبتكرة.
استنادًا إلى تقنية Web3، ستشهد تطوير وتطبيق الذكاء الاصطناعي نظامًا اقتصاديًا تعاونيًا جديدًا. يمكن حماية خصوصية بيانات الأشخاص، ويعزز نموذج جمع البيانات من تقدم نماذج الذكاء الاصطناعي، كما تتوفر موارد الذكاء الاصطناعي مفتوحة المصدر للاستخدام من قبل المستخدمين، ويمكن الحصول على القدرة الحاسوبية المشتركة بتكلفة منخفضة. من خلال آلية تعاون جمع البيانات اللامركزية وسوق الذكاء الاصطناعي المفتوح، يمكن تحقيق نظام عادل لتوزيع الدخل، مما يحفز المزيد من الناس على دفع تقدم تقنية الذكاء الاصطناعي.
في مشهد Web3، يمكن أن تؤثر الذكاء الاصطناعي بشكل إيجابي في عدة مجالات. على سبيل المثال، يمكن دمج نماذج الذكاء الاصطناعي في العقود الذكية، لتعزيز كفاءة العمل في سيناريوهات تطبيقية مختلفة، مثل تحليل السوق، والكشف عن الأمان، والتجمعات الاجتماعية، وغيرها من الوظائف المتنوعة. لا يتيح الذكاء الاصطناعي التوليدي للمستخدمين فقط تجربة دور "الفنان"، مثل استخدام تقنية الذكاء الاصطناعي لإنشاء NFT الخاصة بهم، بل يمكنه أيضًا خلق مشاهد ألعاب متنوعة وتجارب تفاعلية ممتعة في GameFi. توفر البنية التحتية الغنية تجربة تطوير سلسة، سواء كان خبيرًا في الذكاء الاصطناعي أو مبتدئًا يرغب في دخول مجال الذكاء الاصطناعي، يمكنهم جميعًا العثور على المدخل المناسب في هذا العالم.
ثانياً، خريطة مشروع Web3-AI والهيكل المعماري
لقد درسنا بشكل أساسي 41 مشروعًا في مجال Web3-AI وقمنا بتصنيف هذه المشاريع إلى مستويات مختلفة. يتضح من الصورة أدناه منطق تقسيم كل مستوى، بما في ذلك مستوى البنية التحتية، المستوى الوسيط، ومستوى التطبيق، وكل مستوى مقسم إلى أقسام مختلفة. في الفصل التالي، سنقوم بتحليل بعض المشاريع الممثلة بعمق.
تشمل طبقة البنية التحتية الموارد الحاسوبية والهندسة المعمارية التكنولوجية التي تدعم تشغيل دورة حياة الذكاء الاصطناعي بالكامل، بينما تتضمن الطبقة الوسطى إدارة البيانات وخدمات تطوير النموذج والتحقق من الاستدلال التي تربط بين البنية التحتية والتطبيقات، وتركز الطبقة التطبيقية على مجموعة متنوعة من التطبيقات والحلول الموجهة مباشرة للمستخدم.
طبقة البنية التحتية:
طبقة البنية التحتية هي أساس دورة حياة الذكاء الاصطناعي، حيث تصنف هذه المقالة قوة الحوسبة و AI Chain ومنصة التطوير على أنها طبقة البنية التحتية. بفضل دعم هذه البنية التحتية، يمكن تدريب نماذج الذكاء الاصطناعي واستنتاجها، وتقديم تطبيقات ذكاء اصطناعي قوية وعملية للمستخدمين.
شبكة الحوسبة اللامركزية: يمكن أن توفر قوة حسابية موزعة لتدريب نماذج الذكاء الاصطناعي، مما يضمن استخدام موارد حسابية فعالة واقتصادية. تقدم بعض المشاريع سوقًا للقدرة الحاسوبية اللامركزية، حيث يمكن للمستخدمين استئجار القوة الحاسوبية بتكلفة منخفضة أو مشاركة القوة الحاسوبية للحصول على أرباح، ومن المشاريع الممثلة IO.NET و Hyperbolic. بالإضافة إلى ذلك، نشأت بعض المشاريع بأفكار جديدة، مثل Compute Labs، التي اقترحت بروتوكولًا موحدًا، حيث يمكن للمستخدمين من خلال شراء NFT تمثل كيان GPU المشاركة بطرق مختلفة في استئجار القوة الحاسوبية للحصول على أرباح.
AI Chain: استخدام blockchain كأساس لدورة حياة الذكاء الاصطناعي، لتحقيق التفاعل السلس بين موارد الذكاء الاصطناعي على السلسلة وخارجها، وتعزيز تطوير النظام البيئي الصناعي. يمكن للسوق اللامركزي للذكاء الاصطناعي على السلسلة تداول أصول الذكاء الاصطناعي مثل البيانات والنماذج والوكلاء وغيرها، ويوفر إطار عمل لتطوير الذكاء الاصطناعي وأدوات تطوير ملائمة، ومن المشاريع الممثلة مثل Sahara AI. يمكن أن يعزز AI Chain أيضًا التقدم التكنولوجي للذكاء الاصطناعي في مجالات مختلفة، مثل Bittensor الذي يعزز المنافسة بين أنواع الذكاء الاصطناعي المختلفة من خلال آلية تحفيز الشبكة الفرعية المبتكرة.
منصة التطوير: بعض المشاريع تقدم منصات تطوير وكلاء الذكاء الاصطناعي، ويمكن أيضاً تنفيذ تداول وكلاء الذكاء الاصطناعي، مثل Fetch.ai و ChainML وغيرها. أدوات شاملة تساعد المطورين على إنشاء وتدريب ونشر نماذج الذكاء الاصطناعي بشكل أكثر سهولة، تمثلها مشاريع مثل Nimble. هذه البنية التحتية تعزز من الاستخدام الواسع لتقنية الذكاء الاصطناعي في نظام Web3 البيئي.
الطبقة الوسطى:
تتعلق هذه الطبقة ببيانات الذكاء الاصطناعي والنماذج والاستدلال والتحقق، ويمكن أن تحقق تقنيات Web3 كفاءة عمل أعلى.
البيانات: جودة وكمية البيانات هي عوامل رئيسية تؤثر على فعالية تدريب النماذج. في عالم Web3، يمكن تحسين استغلال الموارد وتقليل تكلفة البيانات من خلال جمع البيانات بالاستعانة بمصادر خارجية ومعالجة البيانات بشكل تعاوني. يمكن للمستخدمين امتلاك حقوق البيانات، وبيع بياناتهم في ظل حماية الخصوصية، لتجنب سرقة بياناتهم من قبل تجار سيئين وتحقيق أرباح كبيرة. بالنسبة للجهات التي تحتاج إلى البيانات، توفر هذه المنصات خيارات واسعة وتكاليف منخفضة للغاية. من المشاريع الممثلة مثل Grass التي تستفيد من عرض النطاق الترددي للمستخدمين لجمع بيانات الويب، وxData التي تجمع المعلومات الإعلامية من خلال إضافات سهلة الاستخدام، وتدعم رفع معلومات التغريدات.
بالإضافة إلى ذلك، تسمح بعض المنصات للخبراء في المجالات أو المستخدمين العاديين بتنفيذ مهام معالجة البيانات المسبقة، مثل وضع علامات على الصور وتصنيف البيانات، والتي قد تتطلب مهارات احترافية في معالجة بيانات المهام المالية والقانونية، حيث يمكن للمستخدمين تحويل المهارات إلى رموز، مما يحقق تعاوناً جماعياً في معالجة البيانات المسبقة. تمثل أسواق الذكاء الاصطناعي مثل Sahara AI مهام البيانات من مجالات مختلفة، والتي يمكن أن تغطي سيناريوهات بيانات متعددة المجالات؛ بينما يقوم بروتوكول AIT بتعليم البيانات من خلال التعاون بين الإنسان والآلة.
النموذج: في عملية تطوير الذكاء الاصطناعي التي تم الإشارة إليها سابقًا، تحتاج أنواع مختلفة من المتطلبات إلى مطابقة النموذج المناسب. النماذج الشائعة للاستخدام في مهام الصور مثل CNN و GAN، بينما يمكن اختيار سلسلة Yolo لمهام الكشف عن الأهداف، ومن النماذج الشائعة لمهام النصوص RNN و Transformer، بالطبع هناك أيضًا بعض النماذج الكبيرة المحددة أو العامة. تختلف عمق النماذج المطلوبة لمهام مختلفة حسب تعقيدها، وفي بعض الأحيان يحتاج الأمر إلى ضبط النموذج.
بعض المشاريع تدعم المستخدمين في تقديم أنواع مختلفة من النماذج أو التعاون في تدريب النماذج بطريقة جماعية، مثل Sentient التي تسمح من خلال تصميمها المعياري للمستخدمين بوضع بيانات النموذج الموثوقة في طبقة التخزين وطبقة التوزيع من أجل تحسين النموذج، وSahara AI التي توفر أدوات تطوير مدمجة مع خوارزميات AI المتقدمة وإطار العمل الحسابي، وتتميز بقدرتها على التدريب التعاوني.
الاستدلال والتحقق: بعد تدريب النموذج، سيتم إنشاء ملفات أوزان النموذج، والتي يمكن استخدامها للتصنيف المباشر أو التنبؤ أو المهام المحددة الأخرى، وتسمى هذه العملية الاستدلال. عادة ما تصاحب عملية الاستدلال آلية تحقق للتحقق من صحة مصدر نموذج الاستدلال وما إذا كان هناك سلوك خبيث. عادة ما يمكن دمج الاستدلال في Web3 في العقود الذكية، من خلال استدعاء النموذج لإجراء الاستدلال، وتشمل طرق التحقق الشائعة تقنيات مثل ZKML و OPML و TEE. من المشاريع الممثلة مثل أورا على سلسلة الذكاء الاصطناعي (OAO)، حيث تم تقديم OPML كطبقة قابلة للتحقق لآلة التنبؤ بالذكاء الاصطناعي، كما تم الإشارة في الموقع الرسمي لأورا إلى أبحاثهم حول ZKML و opp/ai (دمج ZKML مع OPML).
طبقة التطبيق:
هذا المستوى مخصص بشكل رئيسي لتطبيقات المستخدمين، حيث يجمع بين الذكاء الاصطناعي و Web3، ويخلق المزيد من الألعاب المثيرة والمبتكرة. تتناول هذه المقالة بشكل رئيسي مشاريع AIGC (المحتوى الذي يتم إنشاؤه بواسطة الذكاء الاصطناعي)، الوكلاء الذكائيون وتحليل البيانات.
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
تسجيلات الإعجاب 16
أعجبني
16
6
مشاركة
تعليق
0/400
RektButStillHere
· 07-26 05:45
تداول ai بدون تفكير أشعر أنني سأفوت ملياراً
شاهد النسخة الأصليةرد0
SchrodingerPrivateKey
· 07-26 00:25
يُستغل بغباء.套路又换AI了?
شاهد النسخة الأصليةرد0
RektRecovery
· 07-23 13:12
مخطط بونزي قابل للتنبؤ مُعاد تغليفه في صلصة الذكاء الاصطناعي... لقد توقعت هذا منذ أشهر بصراحة
شاهد النسخة الأصليةرد0
PerpetualLonger
· 07-23 13:10
مركز مكتملAI لا أهتم، على أي حال، أنا فقط كلمة واحدة أفعلها
شاهد النسخة الأصليةرد0
GasFeeVictim
· 07-23 13:10
又一堆炒概念的项目准备خداع الناس لتحقيق الربح了呗
شاهد النسخة الأصليةرد0
DAOplomacy
· 07-23 13:04
أه، قطار ضجيج آخر حول الويب 3-الذكاء الاصطناعي... الاعتماد على المسار يلتقي بهياكل الحوافز دون المستوى بصراحة
عرض شامل لمجال Web3-AI: تحليل عميق للمنطق التكنولوجي، تطبيقات السيناريو والمشاريع التمثيلية
تقرير بانورامي عن حلبة Web3-AI: تحليل عميق للمنطق التكنولوجي، تطبيقات السيناريو والمشاريع الرائدة
مع استمرار ارتفاع درجة حرارة السرد بالذكاء الاصطناعي، يزداد التركيز على هذا المجال. تم إجراء تحليل متعمق للمنطق التكنولوجي، وسيناريوهات التطبيق، والمشاريع الممثلة في مجال Web3-AI، لتقديم عرض شامل لكم حول المشهد والاتجاهات التنموية في هذا المجال.
1. Web3-AI: تحليل المنطق التكنولوجي وفرص السوق الناشئة
1.1 منطق دمج Web3 و AI: كيف يتم تحديد مسار Web-AI
في العام الماضي، كانت السرديات المدعومة بالذكاء الاصطناعي شديدة الشيوع في صناعة Web3، حيث ظهرت مشاريع الذكاء الاصطناعي كالفطر بعد المطر. على الرغم من أن العديد من المشاريع تتضمن تقنيات الذكاء الاصطناعي، إلا أن بعض المشاريع تستخدم الذكاء الاصطناعي فقط في أجزاء معينة من منتجاتها، بينما لا ترتبط الاقتصاديات الرمزية الأساسية ارتباطًا جوهريًا بمنتجات الذكاء الاصطناعي، وبالتالي فإن هذه المشاريع لا تُعتبر ضمن مناقشة مشاريع Web3-AI في هذه المقالة.
تركز هذه المقالة على استخدام تقنية البلوك تشين لحل مشاكل العلاقات الإنتاجية، ومشاريع الذكاء الاصطناعي التي تعالج مشاكل القوى الإنتاجية. توفر هذه المشاريع نفسها منتجات ذكاء اصطناعي، وفي الوقت نفسه تستند إلى نماذج اقتصادية من Web3 كأدوات للعلاقات الإنتاجية، حيث يكمل كل منهما الآخر. نصنف هذه المشاريع ضمن مسار Web3-AI. لتسهيل فهم القراء لمسار Web3-AI، سيتم تقديم شرح لعملية تطوير الذكاء الاصطناعي والتحديات المرتبطة به، بالإضافة إلى كيفية دمج Web3 وAI لحل المشكلات بشكل مثالي وخلق سيناريوهات تطبيق جديدة.
1.2 عملية تطوير الذكاء الاصطناعي والتحديات: من جمع البيانات إلى استنتاج النموذج
تكنولوجيا الذكاء الاصطناعي هي تقنية تجعل الكمبيوتر قادرًا على محاكاة وتوسيع وتعزيز الذكاء البشري. يمكنها تمكين الكمبيوتر من تنفيذ مجموعة متنوعة من المهام المعقدة، بدءًا من ترجمة اللغات وتصنيف الصور وصولًا إلى التعرف على الوجوه والتطبيقات الأخرى مثل القيادة الذاتية، حيث يغير الذكاء الاصطناعي الطريقة التي نعيش ونعمل بها.
تتضمن عملية تطوير نماذج الذكاء الاصطناعي عادةً الخطوات الأساسية التالية: جمع البيانات ومعالجة البيانات، اختيار النموذج وضبطه، تدريب النموذج واستنتاجه. على سبيل المثال البسيط، لتطوير نموذج لتصنيف صور القطط والكلاب، تحتاج إلى:
جمع البيانات ومعالجة البيانات: جمع مجموعة بيانات تحتوي على صور للقطط والكلاب، يمكن استخدام مجموعة بيانات عامة أو جمع بيانات حقيقية بنفسك. ثم قم بتسمية كل صورة بفئة (قط أو كلب)، تأكد من دقة العلامات. تحويل الصور إلى تنسيق يمكن للنموذج التعرف عليه، وتقسيم مجموعة البيانات إلى مجموعة تدريب ومجموعة تحقق ومجموعة اختبار.
اختيار النموذج وتحسينه: اختيار النموذج المناسب، مثل الشبكات العصبية التلافيفية (CNN)، والتي تناسب مهام تصنيف الصور. تحسين معلمات النموذج أو هيكله وفقًا للاحتياجات المختلفة، عمومًا، يمكن تعديل طبقات الشبكة للنموذج بناءً على تعقيد مهمة الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون الطبقات الشبكية الأقل عمقًا كافية.
تدريب النموذج: يمكن استخدام GPU أو TPU أو تجمعات الحوسبة عالية الأداء لتدريب النموذج، ومدة التدريب تتأثر بتعقيد النموذج وقدرة الحوسبة.
استنتاج النموذج: تُعرف الملفات التي تم تدريبها للنموذج عادةً بوزن النموذج، وتشير عملية الاستنتاج إلى استخدام النموذج المدرب مسبقًا لتوقع أو تصنيف بيانات جديدة. يمكن استخدام مجموعة الاختبار أو بيانات جديدة لاختبار فعالية تصنيف النموذج، وغالبًا ما يتم استخدام دقة، واستدعاء، وF1-score لتقييم فعالية النموذج.
كما هو موضح في الصورة، بعد جمع البيانات ومعالجتها مسبقًا، واختيار النموذج وضبطه، وتدريبه، سيتم استخدام النموذج المدرب لإجراء الاستدلال على مجموعة الاختبار للحصول على قيم توقعات القطط والكلاب P (الاحتمالية)، أي أن النموذج يستنتج احتمال أن يكون قطًا أو كلبًا.
يمكن دمج نماذج الذكاء الاصطناعي المدربة بشكل أكبر في مختلف التطبيقات لأداء مهام مختلفة. في هذا المثال، يمكن دمج نموذج الذكاء الاصطناعي الخاص بتصنيف القطط والكلاب في تطبيق هاتف محمول، حيث يقوم المستخدم بتحميل صورة لقطة أو كلب، وسيحصل على نتائج التصنيف.
ومع ذلك، هناك بعض المشكلات في عملية تطوير الذكاء الاصطناعي المركزية في السيناريوهات التالية:
خصوصية المستخدم: في السيناريوهات المركزية، عادةً ما تكون عملية تطوير الذكاء الاصطناعي غير شفافة. قد يتم سرقة بيانات المستخدم دون علمهم واستخدامها لتدريب الذكاء الاصطناعي.
مصدر البيانات: قد تواجه الفرق الصغيرة أو الأفراد قيود عدم انفتاح البيانات عند الحصول على بيانات في مجالات معينة (مثل البيانات الطبية).
اختيار النموذج وضبطه: بالنسبة للفرق الصغيرة، من الصعب الحصول على موارد نموذج معينة في مجال معين أو إنفاق تكاليف كبيرة لضبط النموذج.
الحصول على قوة الحوسبة: بالنسبة للمطورين الأفراد والفرق الصغيرة، يمكن أن تشكل تكاليف شراء وحدات معالجة الرسوميات العالية وتأجير قوة الحوسبة السحابية عبئًا اقتصاديًا كبيرًا.
إيرادات أصول الذكاء الاصطناعي: غالبًا ما لا يتمكن العاملون في مجال وضع البيانات من الحصول على دخل يتناسب مع ما يقدمونه، كما يصعب على مطوري الذكاء الاصطناعي مطابقة نتائج أبحاثهم مع المشترين الذين لديهم احتياجات.
تحديات وجود الذكاء الاصطناعي في السيناريو المركزي يمكن التغلب عليها من خلال الدمج مع Web3، حيث إن Web3 كشكل جديد من علاقات الإنتاج يتناسب بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل قوى الإنتاج الجديدة، مما يعزز التقدم التكنولوجي وقدرات الإنتاج في الوقت نفسه.
1.3 تأثير التآزر بين Web3 و AI: تحول الأدوار وتطبيقات الابتكار
يمكن أن يعزز دمج Web3 و AI سيادة المستخدم ، ويوفر منصة تعاون مفتوحة للذكاء الاصطناعي ، مما يسمح للمستخدمين بالتحول من مستخدمي الذكاء الاصطناعي في عصر Web2 إلى مشاركين ، وخلق ذكاء اصطناعي يمكن للجميع امتلاكه. في الوقت نفسه ، يمكن أن يؤدي تزاوج عالم Web3 مع تقنيات الذكاء الاصطناعي إلى ظهور المزيد من مشاهد التطبيقات والطرق المبتكرة.
استنادًا إلى تقنية Web3، ستشهد تطوير وتطبيق الذكاء الاصطناعي نظامًا اقتصاديًا تعاونيًا جديدًا. يمكن حماية خصوصية بيانات الأشخاص، ويعزز نموذج جمع البيانات من تقدم نماذج الذكاء الاصطناعي، كما تتوفر موارد الذكاء الاصطناعي مفتوحة المصدر للاستخدام من قبل المستخدمين، ويمكن الحصول على القدرة الحاسوبية المشتركة بتكلفة منخفضة. من خلال آلية تعاون جمع البيانات اللامركزية وسوق الذكاء الاصطناعي المفتوح، يمكن تحقيق نظام عادل لتوزيع الدخل، مما يحفز المزيد من الناس على دفع تقدم تقنية الذكاء الاصطناعي.
في مشهد Web3، يمكن أن تؤثر الذكاء الاصطناعي بشكل إيجابي في عدة مجالات. على سبيل المثال، يمكن دمج نماذج الذكاء الاصطناعي في العقود الذكية، لتعزيز كفاءة العمل في سيناريوهات تطبيقية مختلفة، مثل تحليل السوق، والكشف عن الأمان، والتجمعات الاجتماعية، وغيرها من الوظائف المتنوعة. لا يتيح الذكاء الاصطناعي التوليدي للمستخدمين فقط تجربة دور "الفنان"، مثل استخدام تقنية الذكاء الاصطناعي لإنشاء NFT الخاصة بهم، بل يمكنه أيضًا خلق مشاهد ألعاب متنوعة وتجارب تفاعلية ممتعة في GameFi. توفر البنية التحتية الغنية تجربة تطوير سلسة، سواء كان خبيرًا في الذكاء الاصطناعي أو مبتدئًا يرغب في دخول مجال الذكاء الاصطناعي، يمكنهم جميعًا العثور على المدخل المناسب في هذا العالم.
ثانياً، خريطة مشروع Web3-AI والهيكل المعماري
لقد درسنا بشكل أساسي 41 مشروعًا في مجال Web3-AI وقمنا بتصنيف هذه المشاريع إلى مستويات مختلفة. يتضح من الصورة أدناه منطق تقسيم كل مستوى، بما في ذلك مستوى البنية التحتية، المستوى الوسيط، ومستوى التطبيق، وكل مستوى مقسم إلى أقسام مختلفة. في الفصل التالي، سنقوم بتحليل بعض المشاريع الممثلة بعمق.
تشمل طبقة البنية التحتية الموارد الحاسوبية والهندسة المعمارية التكنولوجية التي تدعم تشغيل دورة حياة الذكاء الاصطناعي بالكامل، بينما تتضمن الطبقة الوسطى إدارة البيانات وخدمات تطوير النموذج والتحقق من الاستدلال التي تربط بين البنية التحتية والتطبيقات، وتركز الطبقة التطبيقية على مجموعة متنوعة من التطبيقات والحلول الموجهة مباشرة للمستخدم.
طبقة البنية التحتية:
طبقة البنية التحتية هي أساس دورة حياة الذكاء الاصطناعي، حيث تصنف هذه المقالة قوة الحوسبة و AI Chain ومنصة التطوير على أنها طبقة البنية التحتية. بفضل دعم هذه البنية التحتية، يمكن تدريب نماذج الذكاء الاصطناعي واستنتاجها، وتقديم تطبيقات ذكاء اصطناعي قوية وعملية للمستخدمين.
شبكة الحوسبة اللامركزية: يمكن أن توفر قوة حسابية موزعة لتدريب نماذج الذكاء الاصطناعي، مما يضمن استخدام موارد حسابية فعالة واقتصادية. تقدم بعض المشاريع سوقًا للقدرة الحاسوبية اللامركزية، حيث يمكن للمستخدمين استئجار القوة الحاسوبية بتكلفة منخفضة أو مشاركة القوة الحاسوبية للحصول على أرباح، ومن المشاريع الممثلة IO.NET و Hyperbolic. بالإضافة إلى ذلك، نشأت بعض المشاريع بأفكار جديدة، مثل Compute Labs، التي اقترحت بروتوكولًا موحدًا، حيث يمكن للمستخدمين من خلال شراء NFT تمثل كيان GPU المشاركة بطرق مختلفة في استئجار القوة الحاسوبية للحصول على أرباح.
AI Chain: استخدام blockchain كأساس لدورة حياة الذكاء الاصطناعي، لتحقيق التفاعل السلس بين موارد الذكاء الاصطناعي على السلسلة وخارجها، وتعزيز تطوير النظام البيئي الصناعي. يمكن للسوق اللامركزي للذكاء الاصطناعي على السلسلة تداول أصول الذكاء الاصطناعي مثل البيانات والنماذج والوكلاء وغيرها، ويوفر إطار عمل لتطوير الذكاء الاصطناعي وأدوات تطوير ملائمة، ومن المشاريع الممثلة مثل Sahara AI. يمكن أن يعزز AI Chain أيضًا التقدم التكنولوجي للذكاء الاصطناعي في مجالات مختلفة، مثل Bittensor الذي يعزز المنافسة بين أنواع الذكاء الاصطناعي المختلفة من خلال آلية تحفيز الشبكة الفرعية المبتكرة.
منصة التطوير: بعض المشاريع تقدم منصات تطوير وكلاء الذكاء الاصطناعي، ويمكن أيضاً تنفيذ تداول وكلاء الذكاء الاصطناعي، مثل Fetch.ai و ChainML وغيرها. أدوات شاملة تساعد المطورين على إنشاء وتدريب ونشر نماذج الذكاء الاصطناعي بشكل أكثر سهولة، تمثلها مشاريع مثل Nimble. هذه البنية التحتية تعزز من الاستخدام الواسع لتقنية الذكاء الاصطناعي في نظام Web3 البيئي.
الطبقة الوسطى:
تتعلق هذه الطبقة ببيانات الذكاء الاصطناعي والنماذج والاستدلال والتحقق، ويمكن أن تحقق تقنيات Web3 كفاءة عمل أعلى.
بالإضافة إلى ذلك، تسمح بعض المنصات للخبراء في المجالات أو المستخدمين العاديين بتنفيذ مهام معالجة البيانات المسبقة، مثل وضع علامات على الصور وتصنيف البيانات، والتي قد تتطلب مهارات احترافية في معالجة بيانات المهام المالية والقانونية، حيث يمكن للمستخدمين تحويل المهارات إلى رموز، مما يحقق تعاوناً جماعياً في معالجة البيانات المسبقة. تمثل أسواق الذكاء الاصطناعي مثل Sahara AI مهام البيانات من مجالات مختلفة، والتي يمكن أن تغطي سيناريوهات بيانات متعددة المجالات؛ بينما يقوم بروتوكول AIT بتعليم البيانات من خلال التعاون بين الإنسان والآلة.
بعض المشاريع تدعم المستخدمين في تقديم أنواع مختلفة من النماذج أو التعاون في تدريب النماذج بطريقة جماعية، مثل Sentient التي تسمح من خلال تصميمها المعياري للمستخدمين بوضع بيانات النموذج الموثوقة في طبقة التخزين وطبقة التوزيع من أجل تحسين النموذج، وSahara AI التي توفر أدوات تطوير مدمجة مع خوارزميات AI المتقدمة وإطار العمل الحسابي، وتتميز بقدرتها على التدريب التعاوني.
طبقة التطبيق:
هذا المستوى مخصص بشكل رئيسي لتطبيقات المستخدمين، حيث يجمع بين الذكاء الاصطناعي و Web3، ويخلق المزيد من الألعاب المثيرة والمبتكرة. تتناول هذه المقالة بشكل رئيسي مشاريع AIGC (المحتوى الذي يتم إنشاؤه بواسطة الذكاء الاصطناعي)، الوكلاء الذكائيون وتحليل البيانات.