تقرير شامل عن مجال Web3-AI: تحليل عميق للمنطق التكنولوجي، تطبيقات السيناريو، وأفضل المشاريع
مع استمرار ارتفاع أهمية السرد بالذكاء الاصطناعي، تركز المزيد من الاهتمام على هذا المجال. تم إجراء تحليل عميق للمنطق التكنولوجي، وسيناريوهات الاستخدام، والمشاريع الممثلة في مجال Web3-AI، لتقديم عرض شامل لكامل هذا المجال واتجاهات التطور.
1. Web3-AI: تحليل المنطق التكنولوجي وفرص السوق الناشئة
1.1 منطق دمج Web3 و AI: كيف نحدد مسار Web-AI
على مدار العام الماضي، كانت السرديات المدعومة بالذكاء الاصطناعي مشتعلة بشكل استثنائي في صناعة Web3، حيث ظهرت مشاريع الذكاء الاصطناعي كالفطر بعد المطر. على الرغم من وجود العديد من المشاريع التي تتضمن تقنية الذكاء الاصطناعي، إلا أن بعض المشاريع تستخدم الذكاء الاصطناعي فقط في بعض أجزاء منتجاتها، ولا ترتبط الاقتصاديات الرمزية الأساسية بشكل جوهري بمنتجات الذكاء الاصطناعي، وبالتالي فإن هذه المشاريع لا تندرج ضمن مناقشة مشاريع Web3-AI في هذه المقالة.
تتمثل النقطة الرئيسية في هذه المقالة في استخدام تقنية البلوكشين لحل مشاكل علاقات الإنتاج، بينما تعمل الذكاء الاصطناعي على حل مشاكل القوى الإنتاجية، وهذه المشاريع تقدم في حد ذاتها منتجات الذكاء الاصطناعي، وفي نفس الوقت تعتمد على نموذج الاقتصاد Web3 كأداة لعلاقات الإنتاج، حيث يكمل كل منهما الآخر. نحن نصنف هذه المشاريع ضمن مسار Web3-AI. من أجل تمكين القراء من فهم أفضل لمسار Web3-AI، سيتم تقديم شرح لعملية تطوير الذكاء الاصطناعي والتحديات، بالإضافة إلى كيفية دمج Web3 و الذكاء الاصطناعي بشكل مثالي لحل المشاكل وخلق سيناريوهات تطبيق جديدة.
1.2 عملية تطوير الذكاء الاصطناعي والتحديات: من جمع البيانات إلى استدلال النموذج
تقنية الذكاء الاصطناعي هي تقنية تتيح للحواسيب محاكاة وتوسيع وتعزيز الذكاء البشري. يمكنها أن تجعل الحواسيب قادرة على تنفيذ مجموعة متنوعة من المهام المعقدة، من الترجمة اللغوية، وتصنيف الصور، إلى التعرف على الوجوه، والقيادة الذاتية، وما إلى ذلك من سيناريوهات التطبيقات، حيث يقوم الذكاء الاصطناعي بتغيير طرق حياتنا وعملنا.
تتضمن عملية تطوير نماذج الذكاء الاصطناعي عادةً الخطوات الرئيسية التالية: جمع البيانات ومعالجة البيانات، اختيار النموذج وضبطه، تدريب النموذج واستنتاجه. على سبيل المثال، لتطوير نموذج لتصنيف صور القطط والكلاب، تحتاج إلى:
جمع البيانات ومعالجة البيانات: جمع مجموعة بيانات تحتوي على صور للقطط والكلاب، يمكن استخدام مجموعات البيانات العامة أو جمع البيانات الحقيقية بنفسك. ثم قم بتوسيم كل صورة بفئة (قطة أو كلب)، تأكد من دقة الوسوم. تحويل الصور إلى تنسيق يمكن للنموذج التعرف عليه، وتقسيم مجموعة البيانات إلى مجموعة تدريب ومجموعة تحقق ومجموعة اختبار.
اختيار النموذج وضبطه: اختر النموذج المناسب، مثل الشبكات العصبية الالتفافية (CNN)، والتي تناسب مهام تصنيف الصور. وفقًا للاحتياجات المختلفة، يتم ضبط معلمات النموذج أو هيكله، وعادةً ما يمكن تعديل طبقات الشبكة وفقًا لتعقيد مهمة الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون طبقات الشبكة الأقل عمقًا كافية.
تدريب النموذج: يمكن استخدام GPU أو TPU أو مجموعات الحوسبة عالية الأداء لتدريب النموذج، ومدة التدريب تتأثر بتعقيد النموذج وقدرة الحوسبة.
استنتاج النموذج: تُعرف الملفات المدربة للنموذج عادةً بأوزان النموذج، وعملية الاستنتاج تشير إلى استخدام النموذج المدرب مسبقًا للتنبؤ أو تصنيف بيانات جديدة. في هذه العملية، يمكن استخدام مجموعة الاختبار أو بيانات جديدة لاختبار فعالية تصنيف النموذج، وعادةً ما يتم تقييم فعالية النموذج باستخدام مؤشرات مثل الدقة، ومعدل الاسترجاع، وF1-score.
كما هو موضح في الصورة، بعد جمع البيانات ومعالجة البيانات الأولية، واختيار النموذج وضبطه، وتدريبه، سيتم إجراء استدلال على النموذج المدرب على مجموعة الاختبار للحصول على قيم التنبؤ للقطط والكلاب P (احتمالية)، أي احتمال استنتاج النموذج أنه قطة أو كلب.
يمكن دمج نموذج الذكاء الاصطناعي المدرب بشكل أكبر في تطبيقات مختلفة لأداء مهام مختلفة. في هذا المثال، يمكن دمج نموذج الذكاء الاصطناعي لتصنيف القطط والكلاب في تطبيق الهاتف المحمول، حيث يقوم المستخدم بتحميل صورة لقط أو كلب، وسيحصل على نتيجة التصنيف.
ومع ذلك، توجد بعض المشكلات في عملية تطوير الذكاء الاصطناعي المركزية في السيناريوهات التالية:
خصوصية المستخدم: في السيناريوهات المركزية، عادة ما تكون عملية تطوير الذكاء الاصطناعي غير شفافة. قد يتم سرقة بيانات المستخدم واستخدامها لتدريب الذكاء الاصطناعي دون علمه.
مصدر البيانات: قد يواجه الفرق الصغيرة أو الأفراد قيودًا على عدم توفر البيانات المصدرية عند الحصول على بيانات في مجالات محددة (مثل بيانات الطب).
اختيار النموذج وتحسينه: بالنسبة للفرق الصغيرة، من الصعب الحصول على موارد نموذج محددة في مجال معين أو إنفاق تكاليف كبيرة لتحسين النموذج.
الحصول على قوة الحوسبة: قد تشكل تكاليف شراء وحدات معالجة الرسومات العالية وتكاليف استئجار القوة السحابية عبئًا ماليًا كبيرًا على المطورين الأفراد والفرق الصغيرة.
دخل الأصول الذكية: غالبًا ما لا يحصل عمال تحديد البيانات على دخل يتناسب مع ما يبذلونه من جهد، كما أن نتائج أبحاث مطوري الذكاء الاصطناعي من الصعب أن تتطابق مع المشترين ذوي الطلب.
يمكن التغلب على التحديات الموجودة في مشهد الذكاء الاصطناعي المركزي من خلال دمجه مع Web3، حيث أن Web3 كعلاقة إنتاج جديدة يتكيف بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل قوة الإنتاج الجديدة، مما يعزز التقدم التكنولوجي وقدرات الإنتاج في نفس الوقت.
1.3 تأثيرات التعاون بين Web3 و AI: تحول الأدوار والتطبيقات الابتكارية
يمكن أن يعزز الجمع بين Web3 و AI سيادة المستخدم، ويوفر للمستخدمين منصة تعاون مفتوحة للذكاء الاصطناعي، مما يسمح لهم بالتحول من مستخدمين للذكاء الاصطناعي في عصر Web2 إلى مشاركين، وإنشاء ذكاء اصطناعي يمكن للجميع امتلاكه. في الوقت نفسه، يمكن أن يؤدي اندماج عالم Web3 مع تقنيات الذكاء الاصطناعي إلى ظهور المزيد من التطبيقات المبتكرة والمشاهد التفاعلية.
ستشهد تطوير وتطبيق الذكاء الاصطناعي ، القائم على تقنية Web3 ، نظامًا جديدًا تمامًا للاقتصاد التعاوني. يمكن ضمان خصوصية بيانات الأشخاص ، ويعزز نموذج جمع البيانات تقدم نماذج الذكاء الاصطناعي ، وتتوفر العديد من موارد الذكاء الاصطناعي مفتوحة المصدر للاستخدام من قبل المستخدمين ، ويمكن الحصول على قوة الحساب المشتركة بتكلفة منخفضة. من خلال آلية التعاونية اللامركزية وجزء من سوق الذكاء الاصطناعي المفتوحة ، يمكن تحقيق نظام عادل لتوزيع الدخل ، مما يحفز المزيد من الأشخاص لدفع 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، مما يعزز كفاءة العمل في سيناريوهات تطبيق متنوعة، مثل تحليل السوق، واكتشاف الأمان، والتجمعات الاجتماعية، وغيرها من الوظائف. لا يتيح الذكاء الاصطناعي التوليدي للمستخدمين فقط تجربة دور "الفنان"، مثل استخدام تقنيات الذكاء الاصطناعي لإنشاء NFT الخاصة بهم، ولكنه أيضًا قادر على خلق مشاهد ألعاب متنوعة وتجارب تفاعلية مثيرة في GameFi. توفر البنية التحتية الغنية تجربة تطوير سلسة، سواء كان خبراء الذكاء الاصطناعي أو المبتدئين الذين يرغبون في دخول مجال الذكاء الاصطناعي يمكنهم العثور على مدخل مناسب في هذا العالم.
٢- تحليل خريطة وهيكل مشروع Web3-AI
لقد قمنا بدراسة 41 مشروعًا في مجال Web3-AI، وقمنا بتقسيم هذه المشاريع إلى مستويات مختلفة. يتمثل منطق تقسيم كل مستوى في الشكل أدناه، والذي يتضمن مستوى البنية التحتية، المستوى الوسيط، ومستوى التطبيقات، حيث يتم تقسيم كل مستوى إلى أقسام مختلفة. في الفصل التالي، سنقوم بإجراء تحليل عميق لبعض المشاريع التي تمثل هذا المجال.
تشمل طبقة البنية التحتية الموارد الحاسوبية والهندسة التقنية التي تدعم تشغيل دورة حياة الذكاء الاصطناعي بالكامل، بينما تتضمن الطبقة الوسطى إدارة البيانات وتطوير النماذج وخدمات استدلال التحقق التي تربط البنية التحتية بالتطبيقات، وتركز الطبقة التطبيقية على التطبيقات والحلول المختلفة الموجهة مباشرة للمستخدم.
طبقة البنية التحتية:
طبقة البنية التحتية هي أساس دورة حياة الذكاء الاصطناعي، حيث يتم تصنيف قوة الحوسبة و AI Chain ومنصة التطوير كطبقة البنية التحتية. إن الدعم من هذه البنية التحتية هو الذي يمكن من تدريب نماذج الذكاء الاصطناعي واستنتاجها، وتقديم تطبيقات ذكاء اصطناعي قوية وعملية للمستخدمين.
شبكة الحوسبة اللامركزية: يمكن أن توفر القوة الحاسوبية الموزعة لتدريب نماذج الذكاء الاصطناعي، مما يضمن استخدام فعال واقتصادي لموارد الحوسبة. بعض المشاريع تقدم سوق قوة حوسبة لامركزية، حيث يمكن للمستخدمين استئجار القوة الحاسوبية بتكلفة منخفضة أو مشاركة القوة الحاسوبية للحصول على عوائد، ومن المشاريع الممثلة مثل IO.NET و Hyperbolic. بالإضافة إلى ذلك، بعض المشاريع اشتقت طرقًا جديدة للعب، مثل Compute Labs، التي اقترحت بروتوكولًا موحدًا، حيث يمكن للمستخدمين المشاركة بطرق مختلفة في استئجار القوة الحاسوبية للحصول على عوائد من خلال شراء NFT تمثل كيان GPU.
AI Chain: استخدام blockchain كأساس لدورة حياة AI، لتحقيق التفاعل السلس بين موارد AI على السلسلة وخارجها، وتعزيز تطوير نظام الصناعة البيئي. يمكن أن يتاجر السوق اللامركزي AI على السلسلة بأصول AI مثل البيانات، والنماذج، والوكلاء، وما إلى ذلك، ويوفر إطار تطوير AI والأدوات اللازمة، ومن المشاريع الممثلة مثل Sahara AI. يمكن أن تعزز AI Chain أيضًا التقدم التكنولوجي في مجالات مختلفة من AI، مثل Bittensor من خلال آلية التحفيز الجديدة للشبكة الفرعية لتعزيز المنافسة بين أنواع الشبكات الفرعية المختلفة من AI.
منصة التطوير: تقدم بعض المشاريع منصة تطوير وكيل الذكاء الاصطناعي، يمكن أن تحقق أيضًا تداول وكيل الذكاء الاصطناعي، مثل Fetch.ai و ChainML وغيرها. تساعد الأدوات الشاملة المطورين على إنشاء وتدريب ونشر نماذج الذكاء الاصطناعي بطريقة أكثر سهولة، ومن المشاريع الممثلة مثل Nimble. تعزز هذه البنية التحتية الاستخدام الواسع لتكنولوجيا الذكاء الاصطناعي في نظام Web3 البيئي.
الطبقة الوسطى:
تتناول هذه الطبقة بيانات الذكاء الاصطناعي والنماذج وكذلك الاستدلال والتحقق، ويمكن استخدام تقنية Web3 لتحقيق كفاءة عمل أعلى.
البيانات: جودة البيانات وكميتها هي عوامل رئيسية تؤثر على فعالية تدريب النموذج. في عالم Web3، يمكن تحسين استخدام الموارد وتقليل تكاليف البيانات من خلال جمع البيانات بشكل جماعي ومعالجة البيانات بشكل تعاوني. يمكن للمستخدمين امتلاك حقوق البيانات الخاصة بهم، وبيع بياناتهم في ظل حماية الخصوصية، لتجنب سرقة البيانات من قبل تجار غير نزيهين وتحقيق أرباح عالية. بالنسبة لطرف الطلب على البيانات، توفر هذه المنصات مجموعة واسعة من الخيارات وتكاليف منخفضة للغاية. من المشاريع الممثلة مثل Grass التي تستخدم عرض النطاق الترددي للمستخدمين لجمع بيانات الويب، و xData التي تجمع معلومات الوسائط من خلال ملحقات سهلة الاستخدام، وتدعم المستخدمين في رفع معلومات التغريد.
بالإضافة إلى ذلك، تسمح بعض المنصات للخبراء في المجالات أو المستخدمين العاديين بأداء مهام معالجة البيانات المسبقة، مثل وضع علامات على الصور، وتصنيف البيانات، والتي قد تتطلب معرفة متخصصة في معالجة بيانات المهام المالية والقانونية، حيث يمكن للمستخدمين توكين مهاراتهم، وتحقيق التعاون الجماعي في معالجة البيانات المسبقة. تمثل مثل سوق الذكاء الاصطناعي Sahara AI، الذي يحتوي على مهام بيانات في مجالات مختلفة، مما يمكن أن يغطي سيناريوهات بيانات متعددة المجالات؛ بينما يقوم بروتوكول AIT بتوسيم البيانات من خلال التعاون بين الإنسان والآلة.
النموذج: خلال عملية تطوير الذكاء الاصطناعي التي تم الإشارة إليها سابقاً، تحتاج أنواع مختلفة من الطلبات إلى مطابقة النموذج المناسب. النماذج الشائعة المستخدمة في مهام الصور تشمل CNN و GAN، بينما يمكن اختيار سلسلة Yolo لمهام الكشف عن الأهداف. في مهام النصوص، النماذج الشائعة تشمل RNN و Transformer، بالطبع هناك أيضاً بعض النماذج الكبيرة المحددة أو العامة. تحتاج المهام ذات التعقيد المختلف إلى عمق نماذج مختلف، وأحياناً يتطلب الأمر ضبط النموذج.
بعض المشاريع تدعم المستخدمين لتقديم أنواع مختلفة من النماذج أو التعاون في تدريب النماذج من خلال أسلوب الحشد، مثل Sentient التي من خلال تصميمها المعياري، تتيح للمستخدمين وضع بيانات النموذج الموثوقة في طبقة التخزين وطبقة التوزيع من أجل تحسين النموذج، كما أن الأدوات التي تقدمها Sahara AI تحتوي على خوارزميات AI متقدمة وإطار عمل حسابي، وتتمتع بقدرة التدريب التعاوني.
الاستدلال والتحقق: بعد تدريب النموذج، يتم إنشاء ملف أوزان النموذج، والذي يمكن استخدامه مباشرةً للتصنيف أو التنبؤ أو أي مهام محددة أخرى، وتسمى هذه العملية الاستدلال. وعادة ما تكون عملية الاستدلال مصحوبة بآلية تحقق للتحقق مما إذا كان مصدر نموذج الاستدلال صحيحًا، وما إذا كانت هناك سلوكيات خبيثة، وما إلى ذلك. يمكن أن يتم دمج استدلال Web3 عادةً في العقود الذكية، من خلال استدعاء النموذج لإجراء الاستدلال، تشمل طرق التحقق الشائعة تقنيات مثل ZKML و OPML و TEE وغيرها. من المشاريع الممثلة مثل أورا Oracle AI على السلسلة (OAO)، والتي قدمت OPML كطبقة قابلة للتحقق لأوراكل AI، وقد ذكرت على الموقع الرسمي لأورا أيضًا أبحاثهم حول ZKML و opp/ai (دمج ZKML مع OPML).
طبقة التطبيق:
تستهدف هذه الطبقة بشكل رئيسي التطبيقات الموجهة للمستخدم، حيث تجمع بين الذكاء الاصطناعي و Web3، مما يخلق المزيد من الأساليب المثيرة والمبتكرة. يركز هذا المقال بشكل أساسي على مشاريع AIGC (المحتوى الذي يتم إنشاؤه بواسطة الذكاء الاصطناعي)، ووكيل الذكاء الاصطناعي، 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 24
أعجبني
24
9
إعادة النشر
مشاركة
تعليق
0/400
FlatTax
· 07-10 21:48
مرة أخرى يتحدثون عن ai web3، متى سيصبح ذلك واقعاً؟
شاهد النسخة الأصليةرد0
FancyResearchLab
· 07-10 13:01
بدأت عملية خداع الناس لتحقيق الربح في موقع آخر.
شاهد النسخة الأصليةرد0
PumpAnalyst
· 07-08 02:44
الارتفاع خداع الناس لتحقيق الربح واحدة تنتظركم هبوط سريع
شاهد النسخة الأصليةرد0
LiquidationSurvivor
· 07-08 02:40
مر عام ولا يزال نفس المجموعة تتداول في ai؟
شاهد النسخة الأصليةرد0
SignatureDenied
· 07-08 02:27
الكثير من الضجة تجعل من الصعب رؤية القيمة الحقيقية، حسنًا.
شاهد النسخة الأصليةرد0
GigaBrainAnon
· 07-08 02:24
مرة أخرى يتم تداول مفهوم الذكاء الاصطناعي، لا أعرف مدى استمراره.
شاهد النسخة الأصليةرد0
CryptoWageSlave
· 07-08 02:23
هذا السرد الذكي قد أصبح مملًا، إنها خدعة جديدة لاستغلال الحمقى.
مشهد Web3-AI: دمج التكنولوجيا، سيناريوهات التطبيق ومشاريع رائدة تحليل عميق
تقرير شامل عن مجال Web3-AI: تحليل عميق للمنطق التكنولوجي، تطبيقات السيناريو، وأفضل المشاريع
مع استمرار ارتفاع أهمية السرد بالذكاء الاصطناعي، تركز المزيد من الاهتمام على هذا المجال. تم إجراء تحليل عميق للمنطق التكنولوجي، وسيناريوهات الاستخدام، والمشاريع الممثلة في مجال Web3-AI، لتقديم عرض شامل لكامل هذا المجال واتجاهات التطور.
1. Web3-AI: تحليل المنطق التكنولوجي وفرص السوق الناشئة
1.1 منطق دمج Web3 و AI: كيف نحدد مسار Web-AI
على مدار العام الماضي، كانت السرديات المدعومة بالذكاء الاصطناعي مشتعلة بشكل استثنائي في صناعة Web3، حيث ظهرت مشاريع الذكاء الاصطناعي كالفطر بعد المطر. على الرغم من وجود العديد من المشاريع التي تتضمن تقنية الذكاء الاصطناعي، إلا أن بعض المشاريع تستخدم الذكاء الاصطناعي فقط في بعض أجزاء منتجاتها، ولا ترتبط الاقتصاديات الرمزية الأساسية بشكل جوهري بمنتجات الذكاء الاصطناعي، وبالتالي فإن هذه المشاريع لا تندرج ضمن مناقشة مشاريع Web3-AI في هذه المقالة.
تتمثل النقطة الرئيسية في هذه المقالة في استخدام تقنية البلوكشين لحل مشاكل علاقات الإنتاج، بينما تعمل الذكاء الاصطناعي على حل مشاكل القوى الإنتاجية، وهذه المشاريع تقدم في حد ذاتها منتجات الذكاء الاصطناعي، وفي نفس الوقت تعتمد على نموذج الاقتصاد Web3 كأداة لعلاقات الإنتاج، حيث يكمل كل منهما الآخر. نحن نصنف هذه المشاريع ضمن مسار Web3-AI. من أجل تمكين القراء من فهم أفضل لمسار Web3-AI، سيتم تقديم شرح لعملية تطوير الذكاء الاصطناعي والتحديات، بالإضافة إلى كيفية دمج Web3 و الذكاء الاصطناعي بشكل مثالي لحل المشاكل وخلق سيناريوهات تطبيق جديدة.
1.2 عملية تطوير الذكاء الاصطناعي والتحديات: من جمع البيانات إلى استدلال النموذج
تقنية الذكاء الاصطناعي هي تقنية تتيح للحواسيب محاكاة وتوسيع وتعزيز الذكاء البشري. يمكنها أن تجعل الحواسيب قادرة على تنفيذ مجموعة متنوعة من المهام المعقدة، من الترجمة اللغوية، وتصنيف الصور، إلى التعرف على الوجوه، والقيادة الذاتية، وما إلى ذلك من سيناريوهات التطبيقات، حيث يقوم الذكاء الاصطناعي بتغيير طرق حياتنا وعملنا.
تتضمن عملية تطوير نماذج الذكاء الاصطناعي عادةً الخطوات الرئيسية التالية: جمع البيانات ومعالجة البيانات، اختيار النموذج وضبطه، تدريب النموذج واستنتاجه. على سبيل المثال، لتطوير نموذج لتصنيف صور القطط والكلاب، تحتاج إلى:
جمع البيانات ومعالجة البيانات: جمع مجموعة بيانات تحتوي على صور للقطط والكلاب، يمكن استخدام مجموعات البيانات العامة أو جمع البيانات الحقيقية بنفسك. ثم قم بتوسيم كل صورة بفئة (قطة أو كلب)، تأكد من دقة الوسوم. تحويل الصور إلى تنسيق يمكن للنموذج التعرف عليه، وتقسيم مجموعة البيانات إلى مجموعة تدريب ومجموعة تحقق ومجموعة اختبار.
اختيار النموذج وضبطه: اختر النموذج المناسب، مثل الشبكات العصبية الالتفافية (CNN)، والتي تناسب مهام تصنيف الصور. وفقًا للاحتياجات المختلفة، يتم ضبط معلمات النموذج أو هيكله، وعادةً ما يمكن تعديل طبقات الشبكة وفقًا لتعقيد مهمة الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون طبقات الشبكة الأقل عمقًا كافية.
تدريب النموذج: يمكن استخدام GPU أو TPU أو مجموعات الحوسبة عالية الأداء لتدريب النموذج، ومدة التدريب تتأثر بتعقيد النموذج وقدرة الحوسبة.
استنتاج النموذج: تُعرف الملفات المدربة للنموذج عادةً بأوزان النموذج، وعملية الاستنتاج تشير إلى استخدام النموذج المدرب مسبقًا للتنبؤ أو تصنيف بيانات جديدة. في هذه العملية، يمكن استخدام مجموعة الاختبار أو بيانات جديدة لاختبار فعالية تصنيف النموذج، وعادةً ما يتم تقييم فعالية النموذج باستخدام مؤشرات مثل الدقة، ومعدل الاسترجاع، وF1-score.
كما هو موضح في الصورة، بعد جمع البيانات ومعالجة البيانات الأولية، واختيار النموذج وضبطه، وتدريبه، سيتم إجراء استدلال على النموذج المدرب على مجموعة الاختبار للحصول على قيم التنبؤ للقطط والكلاب P (احتمالية)، أي احتمال استنتاج النموذج أنه قطة أو كلب.
يمكن دمج نموذج الذكاء الاصطناعي المدرب بشكل أكبر في تطبيقات مختلفة لأداء مهام مختلفة. في هذا المثال، يمكن دمج نموذج الذكاء الاصطناعي لتصنيف القطط والكلاب في تطبيق الهاتف المحمول، حيث يقوم المستخدم بتحميل صورة لقط أو كلب، وسيحصل على نتيجة التصنيف.
ومع ذلك، توجد بعض المشكلات في عملية تطوير الذكاء الاصطناعي المركزية في السيناريوهات التالية:
خصوصية المستخدم: في السيناريوهات المركزية، عادة ما تكون عملية تطوير الذكاء الاصطناعي غير شفافة. قد يتم سرقة بيانات المستخدم واستخدامها لتدريب الذكاء الاصطناعي دون علمه.
مصدر البيانات: قد يواجه الفرق الصغيرة أو الأفراد قيودًا على عدم توفر البيانات المصدرية عند الحصول على بيانات في مجالات محددة (مثل بيانات الطب).
اختيار النموذج وتحسينه: بالنسبة للفرق الصغيرة، من الصعب الحصول على موارد نموذج محددة في مجال معين أو إنفاق تكاليف كبيرة لتحسين النموذج.
الحصول على قوة الحوسبة: قد تشكل تكاليف شراء وحدات معالجة الرسومات العالية وتكاليف استئجار القوة السحابية عبئًا ماليًا كبيرًا على المطورين الأفراد والفرق الصغيرة.
دخل الأصول الذكية: غالبًا ما لا يحصل عمال تحديد البيانات على دخل يتناسب مع ما يبذلونه من جهد، كما أن نتائج أبحاث مطوري الذكاء الاصطناعي من الصعب أن تتطابق مع المشترين ذوي الطلب.
يمكن التغلب على التحديات الموجودة في مشهد الذكاء الاصطناعي المركزي من خلال دمجه مع Web3، حيث أن Web3 كعلاقة إنتاج جديدة يتكيف بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل قوة الإنتاج الجديدة، مما يعزز التقدم التكنولوجي وقدرات الإنتاج في نفس الوقت.
1.3 تأثيرات التعاون بين Web3 و AI: تحول الأدوار والتطبيقات الابتكارية
يمكن أن يعزز الجمع بين Web3 و AI سيادة المستخدم، ويوفر للمستخدمين منصة تعاون مفتوحة للذكاء الاصطناعي، مما يسمح لهم بالتحول من مستخدمين للذكاء الاصطناعي في عصر Web2 إلى مشاركين، وإنشاء ذكاء اصطناعي يمكن للجميع امتلاكه. في الوقت نفسه، يمكن أن يؤدي اندماج عالم Web3 مع تقنيات الذكاء الاصطناعي إلى ظهور المزيد من التطبيقات المبتكرة والمشاهد التفاعلية.
ستشهد تطوير وتطبيق الذكاء الاصطناعي ، القائم على تقنية Web3 ، نظامًا جديدًا تمامًا للاقتصاد التعاوني. يمكن ضمان خصوصية بيانات الأشخاص ، ويعزز نموذج جمع البيانات تقدم نماذج الذكاء الاصطناعي ، وتتوفر العديد من موارد الذكاء الاصطناعي مفتوحة المصدر للاستخدام من قبل المستخدمين ، ويمكن الحصول على قوة الحساب المشتركة بتكلفة منخفضة. من خلال آلية التعاونية اللامركزية وجزء من سوق الذكاء الاصطناعي المفتوحة ، يمكن تحقيق نظام عادل لتوزيع الدخل ، مما يحفز المزيد من الأشخاص لدفع 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، مما يعزز كفاءة العمل في سيناريوهات تطبيق متنوعة، مثل تحليل السوق، واكتشاف الأمان، والتجمعات الاجتماعية، وغيرها من الوظائف. لا يتيح الذكاء الاصطناعي التوليدي للمستخدمين فقط تجربة دور "الفنان"، مثل استخدام تقنيات الذكاء الاصطناعي لإنشاء NFT الخاصة بهم، ولكنه أيضًا قادر على خلق مشاهد ألعاب متنوعة وتجارب تفاعلية مثيرة في GameFi. توفر البنية التحتية الغنية تجربة تطوير سلسة، سواء كان خبراء الذكاء الاصطناعي أو المبتدئين الذين يرغبون في دخول مجال الذكاء الاصطناعي يمكنهم العثور على مدخل مناسب في هذا العالم.
٢- تحليل خريطة وهيكل مشروع Web3-AI
لقد قمنا بدراسة 41 مشروعًا في مجال Web3-AI، وقمنا بتقسيم هذه المشاريع إلى مستويات مختلفة. يتمثل منطق تقسيم كل مستوى في الشكل أدناه، والذي يتضمن مستوى البنية التحتية، المستوى الوسيط، ومستوى التطبيقات، حيث يتم تقسيم كل مستوى إلى أقسام مختلفة. في الفصل التالي، سنقوم بإجراء تحليل عميق لبعض المشاريع التي تمثل هذا المجال.
تشمل طبقة البنية التحتية الموارد الحاسوبية والهندسة التقنية التي تدعم تشغيل دورة حياة الذكاء الاصطناعي بالكامل، بينما تتضمن الطبقة الوسطى إدارة البيانات وتطوير النماذج وخدمات استدلال التحقق التي تربط البنية التحتية بالتطبيقات، وتركز الطبقة التطبيقية على التطبيقات والحلول المختلفة الموجهة مباشرة للمستخدم.
طبقة البنية التحتية:
طبقة البنية التحتية هي أساس دورة حياة الذكاء الاصطناعي، حيث يتم تصنيف قوة الحوسبة و AI Chain ومنصة التطوير كطبقة البنية التحتية. إن الدعم من هذه البنية التحتية هو الذي يمكن من تدريب نماذج الذكاء الاصطناعي واستنتاجها، وتقديم تطبيقات ذكاء اصطناعي قوية وعملية للمستخدمين.
شبكة الحوسبة اللامركزية: يمكن أن توفر القوة الحاسوبية الموزعة لتدريب نماذج الذكاء الاصطناعي، مما يضمن استخدام فعال واقتصادي لموارد الحوسبة. بعض المشاريع تقدم سوق قوة حوسبة لامركزية، حيث يمكن للمستخدمين استئجار القوة الحاسوبية بتكلفة منخفضة أو مشاركة القوة الحاسوبية للحصول على عوائد، ومن المشاريع الممثلة مثل IO.NET و Hyperbolic. بالإضافة إلى ذلك، بعض المشاريع اشتقت طرقًا جديدة للعب، مثل Compute Labs، التي اقترحت بروتوكولًا موحدًا، حيث يمكن للمستخدمين المشاركة بطرق مختلفة في استئجار القوة الحاسوبية للحصول على عوائد من خلال شراء NFT تمثل كيان GPU.
AI Chain: استخدام blockchain كأساس لدورة حياة AI، لتحقيق التفاعل السلس بين موارد AI على السلسلة وخارجها، وتعزيز تطوير نظام الصناعة البيئي. يمكن أن يتاجر السوق اللامركزي AI على السلسلة بأصول AI مثل البيانات، والنماذج، والوكلاء، وما إلى ذلك، ويوفر إطار تطوير AI والأدوات اللازمة، ومن المشاريع الممثلة مثل Sahara AI. يمكن أن تعزز AI Chain أيضًا التقدم التكنولوجي في مجالات مختلفة من AI، مثل Bittensor من خلال آلية التحفيز الجديدة للشبكة الفرعية لتعزيز المنافسة بين أنواع الشبكات الفرعية المختلفة من AI.
منصة التطوير: تقدم بعض المشاريع منصة تطوير وكيل الذكاء الاصطناعي، يمكن أن تحقق أيضًا تداول وكيل الذكاء الاصطناعي، مثل Fetch.ai و ChainML وغيرها. تساعد الأدوات الشاملة المطورين على إنشاء وتدريب ونشر نماذج الذكاء الاصطناعي بطريقة أكثر سهولة، ومن المشاريع الممثلة مثل Nimble. تعزز هذه البنية التحتية الاستخدام الواسع لتكنولوجيا الذكاء الاصطناعي في نظام Web3 البيئي.
الطبقة الوسطى:
تتناول هذه الطبقة بيانات الذكاء الاصطناعي والنماذج وكذلك الاستدلال والتحقق، ويمكن استخدام تقنية Web3 لتحقيق كفاءة عمل أعلى.
بالإضافة إلى ذلك، تسمح بعض المنصات للخبراء في المجالات أو المستخدمين العاديين بأداء مهام معالجة البيانات المسبقة، مثل وضع علامات على الصور، وتصنيف البيانات، والتي قد تتطلب معرفة متخصصة في معالجة بيانات المهام المالية والقانونية، حيث يمكن للمستخدمين توكين مهاراتهم، وتحقيق التعاون الجماعي في معالجة البيانات المسبقة. تمثل مثل سوق الذكاء الاصطناعي Sahara AI، الذي يحتوي على مهام بيانات في مجالات مختلفة، مما يمكن أن يغطي سيناريوهات بيانات متعددة المجالات؛ بينما يقوم بروتوكول AIT بتوسيم البيانات من خلال التعاون بين الإنسان والآلة.
بعض المشاريع تدعم المستخدمين لتقديم أنواع مختلفة من النماذج أو التعاون في تدريب النماذج من خلال أسلوب الحشد، مثل Sentient التي من خلال تصميمها المعياري، تتيح للمستخدمين وضع بيانات النموذج الموثوقة في طبقة التخزين وطبقة التوزيع من أجل تحسين النموذج، كما أن الأدوات التي تقدمها Sahara AI تحتوي على خوارزميات AI متقدمة وإطار عمل حسابي، وتتمتع بقدرة التدريب التعاوني.
طبقة التطبيق:
تستهدف هذه الطبقة بشكل رئيسي التطبيقات الموجهة للمستخدم، حيث تجمع بين الذكاء الاصطناعي و Web3، مما يخلق المزيد من الأساليب المثيرة والمبتكرة. يركز هذا المقال بشكل أساسي على مشاريع AIGC (المحتوى الذي يتم إنشاؤه بواسطة الذكاء الاصطناعي)، ووكيل الذكاء الاصطناعي، وتحليل البيانات.