تقرير بانورامي عن مسار Web3-AI: تحليل عميق للمنطق الفني، تطبيقات السيناريو، والمشاريع الرائدة
مع استمرار ارتفاع حرارة السرد في الذكاء الاصطناعي، يزداد التركيز على هذا المجال. تم إجراء تحليل عميق للمنطق التقني، ومشاهد التطبيق، والمشاريع الممثلة في مجال Web3-AI، لتقديم عرض شامل لك panorama هذا المجال واتجاهاته التنموية.
أ. Web3-AI: تحليل المنطق التقني وفرص السوق الناشئة
1.1 منطق دمج Web3 و AI: كيف نحدد مجال Web-AI
في العام الماضي، كانت السرديات المتعلقة بالذكاء الاصطناعي شائعة 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 توجد علاقة جوهرية بين الاقتصاد الرمزي الأساسي ومنتجات الذكاء الاصطناعي، لذلك لا تُعتبر هذه الأنواع من المشاريع ضمن مناقشة مشاريع Web3-AI في هذه المقالة.
تركز هذه المقالة على المشاريع التي تستخدم blockchain لحل مشكلات علاقات الإنتاج، وAI لحل مشكلات القوى الإنتاجية، حيث تقدم هذه المشاريع نفسها منتجات AI، وفي نفس الوقت تستند إلى نموذج الاقتصاد Web3 كأداة لعلاقات الإنتاج، مما يجعل الاثنين يكملان بعضهما البعض. نقوم بتصنيف هذه المشاريع تحت مسار Web3-AI. من أجل فهم أفضل لمسار Web3-AI، سيتم تقديم شرح لعملية تطوير AI والتحديات، 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
تقنية الذكاء الاصطناعي هي تقنية تسمح للكمبيوتر بمحاكاة وتوسيع وتعزيز الذكاء البشري. إنها تمكن الكمبيوتر من تنفيذ مجموعة متنوعة من المهام المعقدة، بدءًا من ترجمة اللغة، وتصنيف الصور، وصولاً إلى التعرف على الوجه، وقيادة السيارات بشكل ذاتي، وغيرها من سيناريوهات التطبيقات، حيث يعمل الذكاء الاصطناعي على تغيير طريقة حياتنا وعملنا.
تتضمن عملية تطوير نماذج الذكاء الاصطناعي عادةً الخطوات الرئيسية التالية: جمع البيانات ومعالجة البيانات، اختيار النموذج وضبطه، تدريب النموذج واستنتاج النتائج. لنأخذ مثالًا بسيطًا، عند تطوير نموذج لتصنيف صور القطط والكلاب، تحتاج إلى:
جمع البيانات ومعالجة البيانات: جمع مجموعة بيانات الصور التي تحتوي على قطط وكلاب، يمكن استخدام مجموعات البيانات العامة أو جمع البيانات الحقيقية بنفسك. ثم قم بتسمية كل صورة بفئة ( قطة أو كلب )، تأكد من أن التسمية دقيقة. تحويل الصور إلى تنسيق يمكن للنموذج التعرف عليه، وتقسيم مجموعة البيانات إلى مجموعة تدريب، مجموعة تحقق، ومجموعة اختبار.
اختيار النموذج وضبطه: اختيار النموذج المناسب، مثل الشبكات العصبية التلافيفية (CNN)، والتي تناسب مهام تصنيف الصور. ضبط معلمات النموذج أو الهيكل وفقًا للاحتياجات المختلفة، بشكل عام، يمكن ضبط مستويات الشبكة للنموذج بناءً على تعقيد مهمة الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون مستويات الشبكة 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 الناتجة عن تدريب النموذج عادةً بأوزان النموذج، وعملية الاستنتاج تشير إلى استخدام النموذج المدرب مسبقًا للتنبؤ أو تصنيف البيانات الجديدة. في هذه العملية، يمكن استخدام مجموعة اختبار أو بيانات جديدة لاختبار فعالية تصنيف النموذج، وغالبًا ما تستخدم دقة و معدل الاستدعاء و F1-score كمؤشرات لتقييم فعالية النموذج.
كما هو موضح في الصورة، بعد جمع البيانات ومعالجة البيانات، واختيار النموذج وضبطه، بالإضافة إلى التدريب، سيتم استخدام النموذج المدرب لإجراء الاستدلال على مجموعة الاختبار للحصول على قيم التنبؤ للقطط والكلاب P(probability)، أي أن النموذج يستنتج احتمال كونه قطة أو كلب.
يمكن دمج نماذج الذكاء الاصطناعي المدربة بشكل أكبر في مجموعة متنوعة من التطبيقات لأداء مهام مختلفة. في هذا المثال، يمكن دمج نموذج الذكاء الاصطناعي لتصنيف القطط والكلاب في تطبيق موبايل، حيث يمكن للمستخدمين رفع صور للقطط أو الكلاب والحصول على نتائج التصنيف.
ومع ذلك، فإن عملية تطوير الذكاء الاصطناعي المركزية تواجه بعض المشكلات في السيناريوهات التالية:
خصوصية المستخدم: في السيناريوهات المركزية، غالبًا ما تكون عملية تطوير الذكاء الاصطناعي غير شفافة. قد يتم سرقة بيانات المستخدمين واستخدامها في تدريب الذكاء الاصطناعي دون علمهم.
مصدر البيانات: قد تواجه الفرق الصغيرة أو الأفراد قيودًا على عدم فتح المصدر عند الحصول على بيانات في مجالات معينة ( مثل البيانات الطبية ).
اختيار النموذج وضبطه: بالنسبة للفرق الصغيرة، من الصعب الحصول على موارد نموذجية في مجالات محددة أو إنفاق تكاليف كبيرة لضبط النموذج.
الحصول على القوة الحاسوبية: بالنسبة للمطورين الأفراد والفرق الصغيرة، قد تشكل تكاليف شراء وحدات معالجة الرسومات العالية وتكاليف استئجار القوة الحاسوبية السحابية عبئًا ماليًا كبيرًا.
دخل الأصول الذكية: غالبًا ما يجد العاملون في توضيح البيانات صعوبة في الحصول على دخل يتناسب مع ما يبذلونه من جهد، كما أن نتائج أبحاث مطوري الذكاء الاصطناعي يصعب أن تتطابق مع المشترين الذين يحتاجون إليها.
يمكن التغلب على التحديات الموجودة في مشهد الذكاء الاصطناعي المركزي من خلال الجمع بينه وبين Web3. يعتبر Web3 نوعًا جديدًا من علاقات الإنتاج، ويتناسب بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل نوعًا جديدًا من القوى الإنتاجية، وبالتالي يدفع التقدم التكنولوجي وقدرات الإنتاج في نفس الوقت.
1.3 تأثير التآزر بين Web3 و AI: تحول الأدوار والتطبيقات المبتكرة
يمكن أن يعزز الجمع بين Web3 و AI سيادة المستخدم، ويوفر منصة تعاون مفتوحة للذكاء الاصطناعي للمستخدمين، مما يسمح لهم بالتحول من مستخدمي الذكاء 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 ابتكار المزيد من سيناريوهات التطبيقات وطرق اللعب الجديدة.
استنادًا إلى تقنية Web3، ستشهد تطوير وتطبيق الذكاء الاصطناعي نظامًا جديدًا من الاقتصاد التعاوني. يمكن ضمان خصوصية بيانات الأشخاص، ويعزز نموذج جمع البيانات تقدم نماذج الذكاء الاصطناعي، وتتوفر العديد من موارد الذكاء الاصطناعي مفتوحة المصدر للاستخدام، ويمكن الحصول على القوة الحاسوبية المشتركة بتكلفة منخفضة. من خلال آلية التعاون غير المركزية ونظام السوق المفتوحة للذكاء الاصطناعي، يمكن تحقيق نظام توزيع عادل للإيرادات، مما يحفز المزيد من الأشخاص على دفع تقدم تقنية الذكاء الاصطناعي.
في مشهد Web3، يمكن أن تؤثر الذكاء الاصطناعي بشكل إيجابي على عدة مجالات. على سبيل المثال، يمكن دمج نماذج الذكاء الاصطناعي في العقود الذكية، مما يعزز الكفاءة في تطبيقات مختلفة، مثل تحليل السوق، والكشف عن الأمان، وتجمعات وسائل التواصل الاجتماعي، وغيرها من الوظائف المتنوعة. يمكن للذكاء الاصطناعي التوليدي ليس فقط أن يجعل المستخدمين يعيشون تجربة "الفنان"، مثل استخدام تقنيات 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.
ثانيا، خريطة مشروع Web3-AI والهيكل المعماري
لقد درسنا بشكل رئيسي 41 مشروعًا في مجال Web3-AI، وقمنا بتقسيم هذه المشاريع إلى مستويات مختلفة. منطق تقسيم كل مستوى موضح في الشكل أدناه، ويشمل مستوى البنية التحتية، والمستوى الأوسط، ومستوى التطبيقات، وكل مستوى مقسم إلى أقسام مختلفة. في الفصل التالي، سنقوم بإجراء تحليل عميق لبعض المشاريع الممثلة.
تغطي طبقة البنية التحتية الموارد الحاسوبية والهندسة التقنية التي تدعم تشغيل دورة حياة الذكاء الاصطناعي بالكامل، بينما تشمل الطبقة الوسطى إدارة البيانات وتطوير النماذج وخدمات التحقق والاستدلال التي تربط البنية التحتية بالتطبيقات، وتركز الطبقة التطبيقية على مجموعة متنوعة من التطبيقات والحلول الموجهة مباشرةً للمستخدمين.
طبقة البنية التحتية:
طبقة البنية التحتية هي أساس دورة حياة الذكاء الاصطناعي، ويفصل هذا المقال بين قوة الحوسبة وسلسلة الذكاء الاصطناعي ومنصة التطوير باعتبارها طبقة البنية التحتية. ومن خلال دعم هذه البنية التحتية، يمكن تحقيق تدريب النماذج الذكية واستنتاجها، وتقديم تطبيقات ذكاء اصطناعي قوية وعملية للمستخدمين.
شبكة الحوسبة اللامركزية: يمكن أن توفر قوة حوسبة موزعة لتدريب نماذج الذكاء الاصطناعي، مما يضمن استخدام موارد حوسبة فعّالة واقتصادية. تقدم بعض المشاريع سوقاً لامركزياً للقوة الحاسوبية، حيث يمكن للمستخدمين استئجار القوة الحاسوبية بتكاليف منخفضة أو مشاركة القوة الحاسوبية لتحقيق الأرباح، ومن بين هذه المشاريع IO.NET و Hyperbolic. بالإضافة إلى ذلك، نشأت بعض المشاريع بأفكار جديدة، مثل Compute Labs، التي اقترحت بروتوكولاً موحداً، حيث يمكن للمستخدمين المشاركة في استئجار القوة الحاسوبية بطرق مختلفة 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 النظام البيئي الصناعي. يمكن للسوق اللامركزي على السلسلة تداول أصول AI مثل البيانات والنماذج والوكلاء، وتوفير إطار عمل لتطوير AI والأدوات المساعدة، مثل مشروع Sahara AI. يمكن لـ AI Chain أيضًا تعزيز تقدم تكنولوجيا AI في مجالات مختلفة، مثل Bittensor من خلال آلية الحوافز المبتكرة لشبكة الفرعية لتعزيز المنافسة بين أنواع AI المختلفة.
منصة التطوير: توفر بعض المشاريع منصة تطوير وكيل الذكاء الاصطناعي، ويمكن أيضًا تنفيذ تداول وكيل الذكاء الاصطناعي، مثل Fetch.ai و ChainML وغيرها. تساعد الأدوات الشاملة المطورين على إنشاء وتدريب ونشر نماذج الذكاء الاصطناعي بشكل أكثر سهولة، وتمثل المشاريع مثل Nimble. تعزز هذه البنية التحتية من الاستخدام الواسع لتقنية الذكاء الاصطناعي في نظام Web3 البيئي.
الطبقة الوسطى:
تتعلق هذه الطبقة ببيانات الذكاء الاصطناعي والنماذج والاستدلال والتحقق، ومن خلال استخدام تقنية Web3 يمكن تحقيق كفاءة أعلى في العمل.
البيانات: جودة وكمية البيانات هي العوامل الرئيسية التي تؤثر على فعالية تدريب النموذج. في عالم Web3، يمكن تحسين استخدام الموارد وتقليل تكاليف البيانات من خلال البيانات الجماعية ومعالجة البيانات التعاونية. يمكن للمستخدمين امتلاك حقوق البيانات الخاصة بهم، وبيع بياناتهم في ظل حماية الخصوصية، لتجنب سرقة البيانات من قبل التجار السيئين وتحقيق أرباح عالية. بالنسبة لطرف الطلب على البيانات، توفر هذه المنصات خيارات واسعة وتكاليف منخفضة للغاية. من المشاريع الممثلة مثل Grass التي تستخدم عرض النطاق الترددي للمستخدمين لالتقاط بيانات الويب، وxData التي تجمع معلومات الوسائط من خلال ملحقات سهلة الاستخدام، وتدعم المستخدمين في تحميل معلومات التغريدات.
بالإضافة إلى ذلك، تسمح بعض المنصات للخبراء في المجال أو المستخدمين العاديين بتنفيذ مهام معالجة البيانات، مثل وسم الصور وتصنيف البيانات، قد تتطلب هذه المهام معالجة بيانات المهام المالية والقانونية التي تحتاج إلى معرفة متخصصة، يمكن للمستخدمين توكن المهارات، لتحقيق التعاون في معالجة البيانات عبر الحشد. تمثل أسواق الذكاء الاصطناعي مثل Sahara AI، التي تحتوي على مهام بيانات في مجالات مختلفة، مشهد بيانات متعدد المجالات؛ بينما يقوم بروتوكول AIT بوسم البيانات من خلال التعاون بين الإنسان والآلة.
النموذج: كما تم ذكره سابقًا في عملية تطوير الذكاء الاصطناعي، تحتاج أنواع مختلفة من المتطلبات إلى المطابقة مع النموذج المناسب. النماذج المستخدمة عادةً في مهام الصور مثل CNN و GAN، يمكن اختيار سلسلة Yolo لمهام الكشف عن الأهداف، والنماذج الشائعة في مهام النصوص مثل RNN و Transformer، بالإضافة إلى بعض النماذج العامة أو المحددة. تختلف العمق المطلوبة للنماذج حسب تعقيد المهام، وأحيانًا يحتاج الأمر إلى ضبط النموذج.
بعض المشاريع تدعم المستخدمين في تقديم أنواع مختلفة من النماذج أو التعاون في تدريب النماذج من خلال أسلوب التمويل الجماعي، مثل Sentient الذي من خلال تصميمه القائم على الوحدات، يسمح للمستخدمين بوضع بيانات النماذج الموثوقة في طبقة التخزين وطبقة التوزيع من أجل تحسين النماذج، كما أن أدوات التطوير التي تقدمها Sahara AI تحتوي على خوارزميات ذكاء اصطناعي متقدمة وإطار عمل حسابي، ولديها القدرة على التدريب التعاوني.
الاستدلال والتحقق: بعد تدريب النموذج، يتم生成 ملف أوزان النموذج، الذي يمكن استخدامه مباشرة للتصنيف أو التنبؤ أو مهام محددة أخرى، وتسمى هذه العملية الاستدلال. عادةً ما تكون عملية الاستدلال مصحوبة بآلية تحقق، للتحقق مما إذا كانت مصدر نموذج الاستدلال صحيحًا، وما إذا كانت هناك سلوكيات خبيثة، إلخ. يمكن دمج الاستدلال في Web3 داخل العقود الذكية، من خلال استدعاء النموذج لإجراء الاستدلال، وتشمل طرق التحقق الشائعة تقنيات مثل ZKML و OPML و TEE. المشاريع الممثلة مثل ORA على سلسلة الذكاء الاصطناعي (OAO)، قدمت OPML كطبقة قابلة للتحقق لذكاء الاصطناعي، وذكرت أيضًا في الموقع الرسمي لـ ORA أبحاثهم حول دمج ZKML و opp/ai(ZKML مع OPML).
طبقة التطبيق:
هذه الطبقة موجهة بشكل مباشر لتطبيقات المستخدمين، حيث تجمع بين الذكاء الاصطناعي و Web3، مما يخلق المزيد من الطرق المثيرة والمبتكرة. يتناول هذا المقال بشكل رئيسي مشاريع AIGC(AI لإنشاء المحتوى)، 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 20
أعجبني
20
10
مشاركة
تعليق
0/400
GasWrangler
· 07-27 23:13
من الناحية الفنية، تفتقر معظم مشاريع "الذكاء الاصطناعي" إلى تحسين السلسلة الأساسي، حقًا.
شاهد النسخة الأصليةرد0
BearMarketBard
· 07-27 18:30
لأنهم يريدون خداع الناس برموز AI في الويب 3، أين هي العقبة؟
شاهد النسخة الأصليةرد0
¯\_(ツ)_/¯
· 07-27 13:11
تس تس لا تتفاخر، هذه الدائرة عميقة جداً.
شاهد النسخة الأصليةرد0
TianyaGuyueSword
· 07-25 06:57
أمك ماتت
شاهد النسخة الأصليةرد0
NewPumpamentals
· 07-25 00:27
السوق قد جنّ مرة أخرى بـ web3ai
شاهد النسخة الأصليةرد0
CoconutWaterBoy
· 07-25 00:26
差不多得了 又来 فخ توزيع مجاني
شاهد النسخة الأصليةرد0
AirdropHunter007
· 07-25 00:23
حمقى要小心 AI都是حمقىخداع الناس لتحقيق الربح
شاهد النسخة الأصليةرد0
ImpermanentSage
· 07-25 00:20
حمقى太多了 又要忽悠خداع الناس لتحقيق الربح一波啊
شاهد النسخة الأصليةرد0
TrustMeBro
· 07-25 00:17
قبل أن نتحدث عن مدى الكارثة، الآن هبوط مدى الكارثة
شاهد النسخة الأصليةرد0
StealthMoon
· 07-25 00:15
لقد أصبحت الساحة مشتعلة، لكن يجب توخي الحذر من الفقاعات.
مشهد Web3-AI: دمج التكنولوجيا، سيناريوهات التطبيق وتحليل المشاريع الرائدة
تقرير بانورامي عن مسار Web3-AI: تحليل عميق للمنطق الفني، تطبيقات السيناريو، والمشاريع الرائدة
مع استمرار ارتفاع حرارة السرد في الذكاء الاصطناعي، يزداد التركيز على هذا المجال. تم إجراء تحليل عميق للمنطق التقني، ومشاهد التطبيق، والمشاريع الممثلة في مجال Web3-AI، لتقديم عرض شامل لك panorama هذا المجال واتجاهاته التنموية.
أ. Web3-AI: تحليل المنطق التقني وفرص السوق الناشئة
1.1 منطق دمج Web3 و AI: كيف نحدد مجال Web-AI
في العام الماضي، كانت السرديات المتعلقة بالذكاء الاصطناعي شائعة 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 توجد علاقة جوهرية بين الاقتصاد الرمزي الأساسي ومنتجات الذكاء الاصطناعي، لذلك لا تُعتبر هذه الأنواع من المشاريع ضمن مناقشة مشاريع Web3-AI في هذه المقالة.
تركز هذه المقالة على المشاريع التي تستخدم blockchain لحل مشكلات علاقات الإنتاج، وAI لحل مشكلات القوى الإنتاجية، حيث تقدم هذه المشاريع نفسها منتجات AI، وفي نفس الوقت تستند إلى نموذج الاقتصاد Web3 كأداة لعلاقات الإنتاج، مما يجعل الاثنين يكملان بعضهما البعض. نقوم بتصنيف هذه المشاريع تحت مسار Web3-AI. من أجل فهم أفضل لمسار Web3-AI، سيتم تقديم شرح لعملية تطوير AI والتحديات، 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
تقنية الذكاء الاصطناعي هي تقنية تسمح للكمبيوتر بمحاكاة وتوسيع وتعزيز الذكاء البشري. إنها تمكن الكمبيوتر من تنفيذ مجموعة متنوعة من المهام المعقدة، بدءًا من ترجمة اللغة، وتصنيف الصور، وصولاً إلى التعرف على الوجه، وقيادة السيارات بشكل ذاتي، وغيرها من سيناريوهات التطبيقات، حيث يعمل الذكاء الاصطناعي على تغيير طريقة حياتنا وعملنا.
تتضمن عملية تطوير نماذج الذكاء الاصطناعي عادةً الخطوات الرئيسية التالية: جمع البيانات ومعالجة البيانات، اختيار النموذج وضبطه، تدريب النموذج واستنتاج النتائج. لنأخذ مثالًا بسيطًا، عند تطوير نموذج لتصنيف صور القطط والكلاب، تحتاج إلى:
جمع البيانات ومعالجة البيانات: جمع مجموعة بيانات الصور التي تحتوي على قطط وكلاب، يمكن استخدام مجموعات البيانات العامة أو جمع البيانات الحقيقية بنفسك. ثم قم بتسمية كل صورة بفئة ( قطة أو كلب )، تأكد من أن التسمية دقيقة. تحويل الصور إلى تنسيق يمكن للنموذج التعرف عليه، وتقسيم مجموعة البيانات إلى مجموعة تدريب، مجموعة تحقق، ومجموعة اختبار.
اختيار النموذج وضبطه: اختيار النموذج المناسب، مثل الشبكات العصبية التلافيفية (CNN)، والتي تناسب مهام تصنيف الصور. ضبط معلمات النموذج أو الهيكل وفقًا للاحتياجات المختلفة، بشكل عام، يمكن ضبط مستويات الشبكة للنموذج بناءً على تعقيد مهمة الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون مستويات الشبكة 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 الناتجة عن تدريب النموذج عادةً بأوزان النموذج، وعملية الاستنتاج تشير إلى استخدام النموذج المدرب مسبقًا للتنبؤ أو تصنيف البيانات الجديدة. في هذه العملية، يمكن استخدام مجموعة اختبار أو بيانات جديدة لاختبار فعالية تصنيف النموذج، وغالبًا ما تستخدم دقة و معدل الاستدعاء و F1-score كمؤشرات لتقييم فعالية النموذج.
كما هو موضح في الصورة، بعد جمع البيانات ومعالجة البيانات، واختيار النموذج وضبطه، بالإضافة إلى التدريب، سيتم استخدام النموذج المدرب لإجراء الاستدلال على مجموعة الاختبار للحصول على قيم التنبؤ للقطط والكلاب P(probability)، أي أن النموذج يستنتج احتمال كونه قطة أو كلب.
يمكن دمج نماذج الذكاء الاصطناعي المدربة بشكل أكبر في مجموعة متنوعة من التطبيقات لأداء مهام مختلفة. في هذا المثال، يمكن دمج نموذج الذكاء الاصطناعي لتصنيف القطط والكلاب في تطبيق موبايل، حيث يمكن للمستخدمين رفع صور للقطط أو الكلاب والحصول على نتائج التصنيف.
ومع ذلك، فإن عملية تطوير الذكاء الاصطناعي المركزية تواجه بعض المشكلات في السيناريوهات التالية:
خصوصية المستخدم: في السيناريوهات المركزية، غالبًا ما تكون عملية تطوير الذكاء الاصطناعي غير شفافة. قد يتم سرقة بيانات المستخدمين واستخدامها في تدريب الذكاء الاصطناعي دون علمهم.
مصدر البيانات: قد تواجه الفرق الصغيرة أو الأفراد قيودًا على عدم فتح المصدر عند الحصول على بيانات في مجالات معينة ( مثل البيانات الطبية ).
اختيار النموذج وضبطه: بالنسبة للفرق الصغيرة، من الصعب الحصول على موارد نموذجية في مجالات محددة أو إنفاق تكاليف كبيرة لضبط النموذج.
الحصول على القوة الحاسوبية: بالنسبة للمطورين الأفراد والفرق الصغيرة، قد تشكل تكاليف شراء وحدات معالجة الرسومات العالية وتكاليف استئجار القوة الحاسوبية السحابية عبئًا ماليًا كبيرًا.
دخل الأصول الذكية: غالبًا ما يجد العاملون في توضيح البيانات صعوبة في الحصول على دخل يتناسب مع ما يبذلونه من جهد، كما أن نتائج أبحاث مطوري الذكاء الاصطناعي يصعب أن تتطابق مع المشترين الذين يحتاجون إليها.
يمكن التغلب على التحديات الموجودة في مشهد الذكاء الاصطناعي المركزي من خلال الجمع بينه وبين Web3. يعتبر Web3 نوعًا جديدًا من علاقات الإنتاج، ويتناسب بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل نوعًا جديدًا من القوى الإنتاجية، وبالتالي يدفع التقدم التكنولوجي وقدرات الإنتاج في نفس الوقت.
1.3 تأثير التآزر بين Web3 و AI: تحول الأدوار والتطبيقات المبتكرة
يمكن أن يعزز الجمع بين Web3 و AI سيادة المستخدم، ويوفر منصة تعاون مفتوحة للذكاء الاصطناعي للمستخدمين، مما يسمح لهم بالتحول من مستخدمي الذكاء 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 ابتكار المزيد من سيناريوهات التطبيقات وطرق اللعب الجديدة.
استنادًا إلى تقنية Web3، ستشهد تطوير وتطبيق الذكاء الاصطناعي نظامًا جديدًا من الاقتصاد التعاوني. يمكن ضمان خصوصية بيانات الأشخاص، ويعزز نموذج جمع البيانات تقدم نماذج الذكاء الاصطناعي، وتتوفر العديد من موارد الذكاء الاصطناعي مفتوحة المصدر للاستخدام، ويمكن الحصول على القوة الحاسوبية المشتركة بتكلفة منخفضة. من خلال آلية التعاون غير المركزية ونظام السوق المفتوحة للذكاء الاصطناعي، يمكن تحقيق نظام توزيع عادل للإيرادات، مما يحفز المزيد من الأشخاص على دفع تقدم تقنية الذكاء الاصطناعي.
في مشهد Web3، يمكن أن تؤثر الذكاء الاصطناعي بشكل إيجابي على عدة مجالات. على سبيل المثال، يمكن دمج نماذج الذكاء الاصطناعي في العقود الذكية، مما يعزز الكفاءة في تطبيقات مختلفة، مثل تحليل السوق، والكشف عن الأمان، وتجمعات وسائل التواصل الاجتماعي، وغيرها من الوظائف المتنوعة. يمكن للذكاء الاصطناعي التوليدي ليس فقط أن يجعل المستخدمين يعيشون تجربة "الفنان"، مثل استخدام تقنيات 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.
ثانيا، خريطة مشروع Web3-AI والهيكل المعماري
لقد درسنا بشكل رئيسي 41 مشروعًا في مجال Web3-AI، وقمنا بتقسيم هذه المشاريع إلى مستويات مختلفة. منطق تقسيم كل مستوى موضح في الشكل أدناه، ويشمل مستوى البنية التحتية، والمستوى الأوسط، ومستوى التطبيقات، وكل مستوى مقسم إلى أقسام مختلفة. في الفصل التالي، سنقوم بإجراء تحليل عميق لبعض المشاريع الممثلة.
تغطي طبقة البنية التحتية الموارد الحاسوبية والهندسة التقنية التي تدعم تشغيل دورة حياة الذكاء الاصطناعي بالكامل، بينما تشمل الطبقة الوسطى إدارة البيانات وتطوير النماذج وخدمات التحقق والاستدلال التي تربط البنية التحتية بالتطبيقات، وتركز الطبقة التطبيقية على مجموعة متنوعة من التطبيقات والحلول الموجهة مباشرةً للمستخدمين.
طبقة البنية التحتية:
طبقة البنية التحتية هي أساس دورة حياة الذكاء الاصطناعي، ويفصل هذا المقال بين قوة الحوسبة وسلسلة الذكاء الاصطناعي ومنصة التطوير باعتبارها طبقة البنية التحتية. ومن خلال دعم هذه البنية التحتية، يمكن تحقيق تدريب النماذج الذكية واستنتاجها، وتقديم تطبيقات ذكاء اصطناعي قوية وعملية للمستخدمين.
شبكة الحوسبة اللامركزية: يمكن أن توفر قوة حوسبة موزعة لتدريب نماذج الذكاء الاصطناعي، مما يضمن استخدام موارد حوسبة فعّالة واقتصادية. تقدم بعض المشاريع سوقاً لامركزياً للقوة الحاسوبية، حيث يمكن للمستخدمين استئجار القوة الحاسوبية بتكاليف منخفضة أو مشاركة القوة الحاسوبية لتحقيق الأرباح، ومن بين هذه المشاريع IO.NET و Hyperbolic. بالإضافة إلى ذلك، نشأت بعض المشاريع بأفكار جديدة، مثل Compute Labs، التي اقترحت بروتوكولاً موحداً، حيث يمكن للمستخدمين المشاركة في استئجار القوة الحاسوبية بطرق مختلفة 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 النظام البيئي الصناعي. يمكن للسوق اللامركزي على السلسلة تداول أصول AI مثل البيانات والنماذج والوكلاء، وتوفير إطار عمل لتطوير AI والأدوات المساعدة، مثل مشروع Sahara AI. يمكن لـ AI Chain أيضًا تعزيز تقدم تكنولوجيا AI في مجالات مختلفة، مثل Bittensor من خلال آلية الحوافز المبتكرة لشبكة الفرعية لتعزيز المنافسة بين أنواع AI المختلفة.
منصة التطوير: توفر بعض المشاريع منصة تطوير وكيل الذكاء الاصطناعي، ويمكن أيضًا تنفيذ تداول وكيل الذكاء الاصطناعي، مثل Fetch.ai و ChainML وغيرها. تساعد الأدوات الشاملة المطورين على إنشاء وتدريب ونشر نماذج الذكاء الاصطناعي بشكل أكثر سهولة، وتمثل المشاريع مثل Nimble. تعزز هذه البنية التحتية من الاستخدام الواسع لتقنية الذكاء الاصطناعي في نظام Web3 البيئي.
الطبقة الوسطى:
تتعلق هذه الطبقة ببيانات الذكاء الاصطناعي والنماذج والاستدلال والتحقق، ومن خلال استخدام تقنية Web3 يمكن تحقيق كفاءة أعلى في العمل.
بالإضافة إلى ذلك، تسمح بعض المنصات للخبراء في المجال أو المستخدمين العاديين بتنفيذ مهام معالجة البيانات، مثل وسم الصور وتصنيف البيانات، قد تتطلب هذه المهام معالجة بيانات المهام المالية والقانونية التي تحتاج إلى معرفة متخصصة، يمكن للمستخدمين توكن المهارات، لتحقيق التعاون في معالجة البيانات عبر الحشد. تمثل أسواق الذكاء الاصطناعي مثل Sahara AI، التي تحتوي على مهام بيانات في مجالات مختلفة، مشهد بيانات متعدد المجالات؛ بينما يقوم بروتوكول AIT بوسم البيانات من خلال التعاون بين الإنسان والآلة.
بعض المشاريع تدعم المستخدمين في تقديم أنواع مختلفة من النماذج أو التعاون في تدريب النماذج من خلال أسلوب التمويل الجماعي، مثل Sentient الذي من خلال تصميمه القائم على الوحدات، يسمح للمستخدمين بوضع بيانات النماذج الموثوقة في طبقة التخزين وطبقة التوزيع من أجل تحسين النماذج، كما أن أدوات التطوير التي تقدمها Sahara AI تحتوي على خوارزميات ذكاء اصطناعي متقدمة وإطار عمل حسابي، ولديها القدرة على التدريب التعاوني.
طبقة التطبيق:
هذه الطبقة موجهة بشكل مباشر لتطبيقات المستخدمين، حيث تجمع بين الذكاء الاصطناعي و Web3، مما يخلق المزيد من الطرق المثيرة والمبتكرة. يتناول هذا المقال بشكل رئيسي مشاريع AIGC(AI لإنشاء المحتوى)، ووكيل الذكاء الاصطناعي، وتحليل البيانات.