عندما تحدث جين-هسون هوانغ في WGS في دبي، اقترح مصطلح 'الذكاء الاصطناعي السيادي'. لذلك، أي ذكاء اصطناعي سيادي يمكن أن يلبي مصالح ومطالب مجتمع العملات المشفرة؟ ربما يحتاج إلى أن يتم بناؤه في شكل Web3 + AI. وصف فيتاليك التآزر بين الذكاء الاصطناعي والعملات المشفرة في المقال 'وعود وتحديات التطبيقات الاصطناعية للعملات المشفرة': يمكن لفكاك العملات المشفرة تحقيق توازن مع التمركز للذكاء الاصطناعي؛ يكون الذكاء الاصطناعي غامضًا، وتجلب العملات المشفرة الشفافية؛ يحتاج الذكاء الاصطناعي إلى البيانات، وتسهل التقنية اللامركزية تخزين البيانات وتتبعها. هذا النوع من التآزر يمتد عبر المشهد الصناعي بأكمله لـ Web3 + AI.

معظم مشاريع Web3 + AI تستخدم تكنولوجيا البلوكشين لحل مشاكل بناء مشاريع البنية التحتية في صناعة الذكاء الاصطناعي، وبعض المشاريع تستخدم الذكاء الاصطناعي لحل بعض المشاكل في تطبيقات Web3. يمكن وصف منظر صناعة Web3 + AI بشكل تقريبي على النحو التالي:

إن إنتاج وسير عمل الذكاء الاصطناعي يكون تقريبا كما يلي:

في هذه الروابط، يتم تجسيد مزيج Web3 والذكاء الاصطناعي بشكل رئيسي في أربعة جوانب:

1. طبقة الطاقة الحسابية: تجزئة الطاقة الحسابية

في السنتين الماضيتين، زادت قوة الحساب المستخدمة لتدريب نماذج الذكاء الاصطناعي الكبيرة بشكل هائل، مضاعفة تقريبًا كل ربع، وتنمو بمعدل يفوق بكثير قانون مور. أدى هذا الوضع إلى انحراف طويل الأمد في توازن العرض والطلب على قوة الحساب للذكاء الاصطناعي، وارتفعت أسعار الأجهزة مثل وحدات المعالجة الرسومية بسرعة، مما أدى إلى زيادة تكلفة قوة الحساب. ولكن في الوقت نفسه، هناك أيضًا كمية كبيرة من الأجهزة الحوسبة منتهية الصلاحية في السوق. قد يكون السبب في ذلك أن القوة الحسابية الفردية لهذا الجزء من الأجهزة المحوسبة منتهية الصلاحية لا يمكن أن تلبي احتياجات الأداء العالي.

ومع ذلك، إذا تم بناء شبكة لقوة الحوسبة الموزعة من خلال Web3 وتم إنشاء شبكة للموارد الحوسبية المركزية من خلال تأجير ومشاركة قوة الحوسبة، فإنه يمكن أن يلبي لا يزال احتياجات العديد من تطبيقات الذكاء الاصطناعي. لأنه يستخدم قوة الحوسبة الفائضة الموزعة، يمكن تقليل تكلفة قوة الحوسبة للذكاء الاصطناعي بشكل كبير. تشمل تقسيم طبقة قوة الحوسبة:

• القوة الحسابية اللامركزية العامة (مثل Arkash، Io.net، إلخ)؛
• قوة الحوسبة اللامركزية لتدريب الذكاء الاصطناعي (مثل Gensyn، Flock.io، إلخ)؛
• القوة الحسابية اللامركزية لتفسير الذكاء الاصطناعي (مثل Fetch.ai، Hyperbolic، إلخ)؛
• الطاقة الحاسوبية اللامركزية لعملية الرسوم المتحركة ثلاثية الأبعاد (مثل شبكة الرسوم المتحركة، إلخ).

الميزة الأساسية لتحويل أصول قوة الحوسبة لـ Web3+AI تكمن في مشاريع الحوسبة الموزعة. مع مزايا الرموز التشويقية، فمن السهل توسيع مقياس الشبكة، وتكاليف موارد الحوسبة منخفضة وفعالة من حيث التكلفة، مما يمكن أن يرضي احتياجات بعض قوى الحوسبة منخفضة ومتوسطة.

2. طبقة البيانات: رأس المال البيانات

البيانات هي زيت ودم الذكاء الاصطناعي. بدون الاعتماد على Web3 ، عادة ما تتمكن الشركات العملاقة فقط من الوصول إلى كميات هائلة من بيانات المستخدم ، مما يجعل من الصعب على الشركات الناشئة الصغيرة الحصول على بيانات شاملة. علاوة على ذلك ، فإن قيمة بيانات المستخدم في صناعة الذكاء الاصطناعي لا تعود في كثير من الأحيان إلى المستخدمين أنفسهم. من خلال Web3 + الذكاء الاصطناعي ، يمكن جعل عمليات جمع البيانات والتعليقات التوضيحية والتخزين الموزع أكثر فعالية من حيث التكلفة وشفافية وفائدة للمستخدمين. يعد جمع البيانات عالية الجودة شرطا أساسيا لتدريب النماذج الذكاء الاصطناعي. باستخدام Web3 ، يمكن الاستفادة من الشبكة الموزعة جنبا إلى جنب مع آليات الحوافز الرمزية المناسبة لجمع البيانات بتكلفة أقل مع الحصول على بيانات عالية الجودة وواسعة الانتشار. اعتمادا على الغرض من المشروع ، تندرج المشاريع المتعلقة بالبيانات بشكل أساسي في الفئات التالية:

• مشاريع جمع البيانات (مثل Grass، إلخ)؛
• مشاريع تداول البيانات (مثل بروتوكول المحيط، إلخ)؛
• مشاريع تعليق البيانات (مثل تايدا، آلايا، الخ).؛
• مشاريع مصادر بيانات البلوكشين (مثل Spice AI، Space and time، الخ).؛
• مشاريع التخزين اللامركزي (مثل Filecoin، Arweave، إلخ).

المشاريع المستندة إلى البيانات Web3+AI أكثر تحديًا في عملية تصميم النموذج الاقتصادي للرمز، لأن البيانات أصعب توحيدا من الطاقة الحسابية.

3. طبقة المنصة: تعميم أصول قيمة المنصة

تميل معظم مشاريع المنصات إلى القياس مقابل Hugging Face ، مع دمج موارد صناعة الذكاء الاصطناعي المختلفة كجوهر لها. إن إنشاء منصة تجمع الروابط بين البيانات وقوة الحوسبة والنماذج ومطوري الذكاء الاصطناعي و blockchain والموارد والأدوار الأخرى ، مع وجود النظام الأساسي في المركز ، يسهل حل الاحتياجات المختلفة بشكل أكثر ملاءمة. على سبيل المثال ، تركز الجيزة على بناء منصة تشغيل zkML شاملة ، بهدف جعل الاستدلال على التعلم الآلي جديرا بالثقة وشفافا. تعد عتامة البيانات والنماذج مشكلة واسعة الانتشار في الذكاء الاصطناعي حاليا ، وهي مسألة وقت فقط قبل أن تدعو الصناعة إلى التحقق من استدلال النموذج من خلال Web3 باستخدام تقنيات التشفير مثل ZK و FHE لضمان التنفيذ الصحيح. هناك أيضا طبقات مثل Focus الذكاء الاصطناعي ، مثل Nuroblocks و Janction ، والتي تربط بين مختلف قوة الحوسبة والبيانات والنماذج ومطوري الذكاء الاصطناعي وموارد العقدة. من خلال تجميع المكونات العالمية وحزم SDK ، فإنها تساعد تطبيقات Web3 + الذكاء الاصطناعي على تحقيق التطور السريع. هناك أيضا أنواع من الأنظمة الأساسية مثل Agent Network ، والتي يمكنها إنشاء وكلاء الذكاء الاصطناعي لسيناريوهات التطبيقات المختلفة ، مثل Olas و ChainML. تلتقط مشاريع Web3 + الذكاء الاصطناعي المستندة إلى النظام الأساسي قيمة النظام الأساسي بشكل أساسي من خلال الرموز المميزة ، مما يحفز جميع المشاركين في إنشاء النظام الأساسي. هذا النهج مفيد بشكل خاص للشركات الناشئة للنمو من 0 إلى 1 ، مما يقلل من صعوبة العثور على شركاء مثل قوة الحوسبة والبيانات ومجتمعات مطوري الذكاء الاصطناعي والعقد.

4. طبقة التطبيق: تتبع قيمة الذكاء الاصطناعي

تركز مشاريع البنية التحتية السابقة في الغالب على استخدام تقنية blockchain لمعالجة بناء مشاريع البنية التحتية في صناعة الذكاء الاصطناعي. من ناحية أخرى ، تستخدم مشاريع طبقة التطبيق الذكاء الاصطناعي بشكل أساسي لحل المشكلات الموجودة في تطبيقات Web3. على سبيل المثال ، يذكر فيتاليك اتجاهين في المقالة أجدها ذات مغزى. أولا ، الذكاء الاصطناعي كمشارك في Web3. على سبيل المثال ، في ألعاب Web3 ، يمكن الذكاء الاصطناعي العمل كلاعب ، وفهم قواعد اللعبة بسرعة وإكمال مهام اللعبة بكفاءة. في DEX ، شاركت الذكاء الاصطناعي في تداول المراجحة لسنوات عديدة. في أسواق التنبؤ ، يمكن لوكلاء الذكاء الاصطناعي تحليل القدرات التنبؤية من خلال قبول كميات هائلة من البيانات وقواعد المعرفة والمعلومات على نطاق واسع. بعد ذلك ، يتم إنتاجها وتقديمها للمستخدمين. يساعد هذا المستخدمين على إجراء تنبؤات حول أحداث معينة ، مثل المباريات الرياضية أو الانتخابات الرئاسية ، من خلال الاستدلال النموذجي. ثانيا ، إنشاء الذكاء الاصطناعي خاصة لامركزية قابلة للتطوير. يشعر العديد من المستخدمين بالقلق إزاء مشكلة الصندوق الأسود والتحيزات المحتملة في أنظمة الذكاء الاصطناعي ، أو يخشون من أن بعض dApps قد تستغل تقنية الذكاء الاصطناعي لخداع المستخدمين من أجل الربح. ينبع هذا بشكل أساسي من افتقار المستخدمين إلى سلطة الإشراف والحوكمة على الذكاء الاصطناعي عمليات التدريب والاستدلال النموذجية. ومع ذلك ، فإن إنشاء الذكاء الاصطناعي Web3 حيث قام المجتمع بتوزيع حقوق الحوكمة على الذكاء الاصطناعي ، على غرار مشاريع Web3 ، قد يكون مقبولا بسهولة أكبر. حتى الآن ، لم تكن هناك أي مشاريع بارزة في طبقة تطبيق Web3 + الذكاء الاصطناعي يصعب تجاوزها.

ملخص

الويب3 + الذكاء الاصطناعي لا يزال في مراحله الأولية، والصناعة مقسمة بشأن الآفاق التنموية لهذا المجال. سنواصل متابعة هذا المجال. نأمل أن يتمكن الجمع بين الويب3 والذكاء الاصطناعي من خلق منتجات أكثر قيمة من الذكاء الاصطناعي المركزي، مما يسمح للذكاء الاصطناعي بالتخلص من العلامات التجارية لـ "التحكم العملاق" و "الاحتكار" و "الحكم المشترك للذكاء الاصطناعي" بطريقة تعتمد أكثر على المجتمع. ربما في عملية المشاركة والحوكمة الأقرب، سيكون البشر أكثر "إعجابًا" وأقل "خوفًا" من الذكاء الاصطناعي.

بيان:

1. هذه المقالة التي تحمل في الأصل عنوان "Web3 + الذكاء الاصطناعي:社区主权的人工智能" مستنسخة من [رأس المال IOBC]. جميع حقوق الطبع والنشر تنتمي إلى الكاتب الأصلي [0xCousin]. إذا كان لديك أي اعتراض على إعادة النشر، يرجى الاتصال بالبوابة تعلمالفريق، سيتولى الفريق الأمر في أقرب وقت ممكن.

2. تنويه: تعبر وجهات النظر والآراء المعبر عنها في هذه المقالة فقط عن وجهات نظر الكاتب الشخصية ولا تشكل أي نصيحة استثمارية.

3. تتم الترجمات للمقال إلى لغات أخرى بواسطة فريق Gate Learn. ما لم يرد غير ذلك، يُمنع نسخ أو توزيع أو نسخ المقالات المترجمة.