تقرير بانورامي عن مسار Web3-AI: تحليل عميق للمنطق التكنولوجي، تطبيقات المشهد والمشاريع الرائدة

مع استمرار ارتفاع درجة حرارة السرد الخاص بالذكاء الاصطناعي، يتركز المزيد من الاهتمام على هذا المجال. تتناول هذه المقالة المنطق التكنولوجي لمجال Web3-AI، وسيناريوهات التطبيق، والمشاريع الممثلة، حيث تقدم لك عرضًا شاملاً لملامح هذا المجال واتجاهات توسعه.

١. Web3-AI: تحليل المنطق التكنولوجي وفرص السوق الناشئة

1.1 منطق دمج Web3 و AI: كيف يتم تعريف مسار Web3-AI

على مدار العام الماضي، كانت السرديات المدعومة بالذكاء الاصطناعي شديدة الانتشار في صناعة Web3، حيث ظهرت مشاريع الذكاء الاصطناعي كالفطر بعد المطر. على الرغم من وجود العديد من المشاريع التي تتضمن تقنيات الذكاء الاصطناعي، إلا أن بعض المشاريع تستخدم الذكاء الاصطناعي فقط في بعض أجزاء منتجاتها، بينما لا ترتبط الاقتصاديات الرمزية الأساسية بمنتجات الذكاء الاصطناعي، وبالتالي فإن هذه المشاريع لا تُعتبر ضمن نقاش مشاريع Web3-AI في هذه المقالة.

تركز هذه المقالة على استخدام blockchain لحل مشكلات العلاقات الإنتاجية، واستخدام AI لحل مشكلات الإنتاجية، حيث تقدم هذه المشاريع نفسها منتجات AI، وفي نفس الوقت تعتمد على نموذج الاقتصاد Web3 كأداة للعلاقات الإنتاجية، مما يعزز كل منهما الآخر. نقوم بتصنيف هذه المشاريع ضمن قطاع Web3-AI. لمساعدة القراء على فهم قطاع Web3-AI بشكل أفضل، ستستعرض هذه المقالة عملية تطوير AI والتحديات التي تواجهها، بالإضافة إلى كيفية دمج Web3 و AI 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 تسمح للكمبيوتر بمحاكاة وتوسيع وتعزيز الذكاء البشري. إنها تمكن الكمبيوتر من أداء مجموعة متنوعة من المهام المعقدة، من ترجمة اللغات، وتصنيف الصور، إلى التعرف على الوجه، والقيادة الذاتية، وغيرها من تطبيقات المشهد، فإن الذكاء الاصطناعي يغير طريقة 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:

1. جمع البيانات ومعالجة البيانات المسبقة: جمع مجموعة بيانات صور تحتوي على القطط والكلاب، يمكن استخدام مجموعة بيانات عامة أو جمع بيانات حقيقية بنفسك. ثم وضع علامة على كل صورة (قط أو كلب)، تأكد من أن العلامات دقيقة. تحويل الصور إلى تنسيق يمكن للنموذج التعرف عليه، تقسيم مجموعة البيانات إلى مجموعة تدريب، مجموعة تحقق ومجموعة اختبار.

2. اختيار النموذج وضبطه: اختيار النموذج المناسب، مثل الشبكات العصبية الالتفافية (CNN)، مناسب جدًا لمهام تصنيف الصور. ضبط معلمات النموذج أو الهيكل بناءً على الاحتياجات المختلفة، وعادةً ما يمكن تعديل طبقات الشبكة للنموذج وفقًا لتعقيد مهمة الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون الشبكات ذات الطبقات السطحية كافية.

3. تدريب النموذج: يمكن استخدام GPU أو TPU أو مجموعات الحوسبة عالية الأداء لتدريب النموذج، حيث يتأثر وقت التدريب بتعقيد النموذج وقدرة الحوسبة.

4. استنتاج النموذج: تُعرف الملفات المدربة للنموذج عادةً بأوزان النموذج، وعملية الاستنتاج تشير إلى استخدام النموذج المدرب مسبقًا للتنبؤ أو تصنيف البيانات الجديدة. يمكن في هذه العملية استخدام مجموعة الاختبار أو بيانات جديدة لاختبار فعالية تصنيف النموذج، وعادةً ما يتم تقييم فعالية النموذج باستخدام مؤشرات مثل الدقة، واسترجاع المعلومات، و F1-score.

كما هو موضح في الصورة، بعد جمع البيانات ومعالجة البيانات المسبقة، واختيار النموذج وضبطه، وتدريبه، ستؤدي إجراء الاستدلال على النموذج المدرب على مجموعة الاختبار إلى الحصول على قيم توقع القطط والكلاب P (الاحتمالية)، 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 هاتف محمول، حيث يمكن للمستخدم رفع صورة لقطة أو كلب للحصول على نتائج التصنيف.

ومع ذلك، توجد بعض المشاكل 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 دون علمهم واستخدامها لتدريب الذكاء الاصطناعي.

مصدر البيانات: قد يواجه فريق صغير أو فرد قيودًا على عدم توفر البيانات عند الحصول على بيانات في مجالات معينة (مثل البيانات الطبية).

اختيار النموذج وضبطه: من الصعب على الفرق الصغيرة الحصول على موارد نموذج معينة في مجالات محددة أو إنفاق تكاليف كبيرة لضبط النموذج.

الحصول على القوة الحاسوبية: بالنسبة للمطورين الأفراد والفرق الصغيرة، قد تشكل التكاليف المرتفعة لشراء وحدات معالجة الرسوميات ورسوم استئجار القوة الحاسوبية عبئًا اقتصاديًا كبيرًا.

دخل أصول الذكاء الاصطناعي: غالبًا ما لا يتمكن عمال وضع العلامات على البيانات من الحصول على دخل يتناسب مع ما يبذلونه من جهد، كما أن نتائج أبحاث مطوري الذكاء الاصطناعي يصعب مطابقتها مع المشترين ذوي الطلب.

يمكن التغلب على التحديات الموجودة في مشاهد الذكاء الاصطناعي المركزي من خلال دمجها مع Web3، حيث أن Web3 كعلاقة إنتاج جديدة تتناسب بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل إنتاجية جديدة، 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 مع الذكاء الاصطناعي سيادة المستخدمين، ويقدم منصة تعاون مفتوحة للذكاء الاصطناعي، مما يسمح للمستخدمين بالتحول من مستخدمي الذكاء الاصطناعي في عصر Web2 إلى مشاركين، وإنشاء ذكاء اصطناعي يمكن للجميع امتلاكه. في الوقت نفسه، فإن دمج عالم Web3 مع تقنيات الذكاء الاصطناعي يمكن أن يؤدي إلى ظهور المزيد من سيناريوهات التطبيقات والألعاب الابتكارية.

استنادًا إلى تقنية Web3، ستشهد تطوير وتطبيق الذكاء الاصطناعي نظامًا اقتصاديًا تعاونيًا جديدًا. يمكن ضمان خصوصية بيانات الأشخاص، ويعزز نموذج البيانات الجماعية تقدم نماذج الذكاء الاصطناعي، وتتوفر العديد من موارد الذكاء الاصطناعي مفتوحة المصدر للاستخدام من قبل المستخدمين، ويمكن الحصول على القوة الحاسوبية المشتركة بتكلفة منخفضة. من خلال آلية التعاون الجماعي اللامركزية وسوق الذكاء الاصطناعي المفتوحة، يمكن تحقيق نظام توزيع عادل للدخل، 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 مختلفة، مثل تحليل السوق، وفحص الأمان، والتجميع الاجتماعي، وغيرها من الوظائف المتعددة. لا يتيح الذكاء الاصطناعي التوليدي للمستخدمين فقط تجربة دور "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، حيث يمكن لكل من خبراء الذكاء الاصطناعي والمبتدئين الراغبين في دخول مجال الذكاء الاصطناعي العثور على مدخل مناسب في هذا العالم.

الثاني، تحليل خريطة وبنية مشروع Web3-AI الإيكولوجي

لقد قمنا بدراسة 41 مشروعًا في مجال Web3-AI وقمنا بتقسيم هذه المشاريع إلى مستويات مختلفة. منطق تقسيم كل مستوى موضح في الشكل أدناه، بما في ذلك مستوى البنية التحتية، المستوى المتوسط، ومستوى التطبيق، وكل مستوى ينقسم أيضًا إلى أقسام مختلفة. في الفصل التالي، سنقوم بإجراء تحليل عميق لبعض المشاريع التمثيلية.

تغطي طبقة البنية التحتية الموارد الحاسوبية والهندسة التكنولوجية التي تدعم تشغيل دورة حياة الذكاء الاصطناعي بأكملها، بينما تشمل الطبقة الوسطى إدارة البيانات وخدمات تطوير النموذج والتحقق من الاستدلال التي تربط البنية التحتية بالتطبيقات، وتركز الطبقة التطبيقية على مجموعة متنوعة من التطبيقات والحلول الموجهة مباشرة للمستخدمين.

طبقة البنية التحتية:

تعتبر طبقة البنية التحتية هي الأساس لدورة حياة الذكاء الاصطناعي، حيث تصنف هذه المقالة قوة الحوسبة، وAI Chain، ومنصة التطوير كطبقة بنية تحتية. 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 حوسبة موزعة لتدريب نماذج الذكاء الاصطناعي، مما يضمن استخدام موارد الحوسبة بشكل فعال واقتصادي. تقدم بعض المشاريع سوقًا لامركزيًا للقوة الحاسوبية، حيث يمكن للمستخدمين استئجار القوة الحاسوبية بتكلفة منخفضة أو مشاركة القوة الحاسوبية للحصول على عائدات، ومن المشاريع الممثلة مثل IO.NET و Hyperbolic. بالإضافة إلى ذلك، استنبطت بعض المشاريع أساليب 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 العائدات.

• AI Chain: استخدام blockchain كأساس لدورة حياة AI، مما يتيح التفاعل السلس بين موارد AI على السلسلة وخارجها، مما يعزز تطوير النظام البيئي الصناعي. يمكن للسوق اللامركزي على السلسلة تداول أصول AI مثل البيانات والنماذج والوكلاء، ويوفر إطار تطوير AI وأدوات تطوير متكاملة، ومن المشاريع الممثلة Sahara AI. يمكن أن يعزز AI Chain أيضًا التقدم التكنولوجي في مجالات AI المختلفة، مثل Bittensor الذي يعزز المنافسة بين الشبكات الفرعية المختلفة من خلال آلية الحوافز المبتكرة للشبكات الفرعية.

• منصة التطوير: تقدم بعض المشاريع منصة تطوير وكيل الذكاء الاصطناعي، ويمكنها 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، ومن بين المشاريع الممثلة Nimble. تعزز هذه البنية التحتية من تطبيق تقنيات الذكاء الاصطناعي في نظام Web3 البيئي.

الطبقة الوسطى:

تتعلق هذه الطبقة ببيانات الذكاء الاصطناعي والنماذج والقياس والتحقق، ويمكن تحقيق كفاءة عمل أعلى باستخدام تقنية Web3.

• البيانات: جودة وكمية البيانات هي العوامل الرئيسية التي تؤثر على فعالية تدريب النموذج. في عالم Web3، يمكن تحسين استخدام الموارد وتقليل تكلفة البيانات من خلال جمع البيانات عبر الحشود ومعالجة البيانات بشكل تعاوني. 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 مجموعة واسعة من الخيارات وتكلفة منخفضة للغاية. من المشاريع الممثلة مثل Grass التي تستفيد من عرض النطاق الترددي الخاص بالمستخدمين لجمع بيانات الويب، وxData التي تجمع المعلومات الإعلامية من خلال ملحقات سهلة الاستخدام، وتدعم المستخدمين في رفع معلومات التغريد.

بالإضافة إلى ذلك، تسمح بعض المنصات للخبراء في المجالات أو المستخدمين العاديين بتنفيذ مهام معالجة البيانات، مثل وضع علامات على الصور وتصنيف البيانات، وهذه المهام قد تتطلب خبرة متخصصة في معالجة بيانات المالية والقانونية، ويمكن للمستخدمين توكين مهاراتهم لتحقيق تعاون جماعي في معالجة البيانات. تمثل مثل سوق AI مثل Sahara AI، الذي يضم مهام بيانات من مجالات مختلفة، ويمكنه تغطية سيناريوهات بيانات متعددة المجالات؛ بينما يقوم بروتوكول AIT بوضع علامات على البيانات من خلال التعاون بين الإنسان والآلة.

• النموذج: في عملية تطوير الذكاء الاصطناعي التي تم الإشارة إليها سابقًا، تحتاج أنواع مختلفة من المتطلبات إلى تطابق مع النموذج المناسب. من النماذج الشائعة المستخدمة في مهام الصور مثل CNN و GAN، بينما يمكن اختيار سلسلة Yolo لمهام كشف الأهداف، ومن النماذج الشائعة في مهام النصوص RNN و Transformer، بالطبع هناك أيضًا بعض النماذج الكبيرة المحددة أو العامة. تتطلب المهام ذات التعقيد المختلف عمقًا مختلفًا من النماذج، وأحيانًا يحتاج الأمر إلى ضبط النموذج.

بعض المشاريع تدعم المستخدمين في تقديم أنواع مختلفة من النماذج أو التعاون في تدريب النماذج من خلال أسلوب الحشد، مثل Sentient التي تسمح بتصميمها المعياري للمستخدمين بوضع بيانات النماذج الموثوقة في طبقة التخزين وطبقة التوزيع لتحسين النماذج، وأدوات التطوير التي تقدمها Sahara AI تحتوي على خوارزميات ذكاء اصطناعي متقدمة وإطار عمل حسابي، ولديها أيضًا القدرة على التدريب التعاوني.

• الاستنتاج والتحقق: بعد تدريب النموذج، سيتم إنشاء ملفات وزن النموذج التي يمكن استخدامها مباشرة للتصنيف أو التنبؤ أو مهام محددة أخرى، وتسمى هذه العملية الاستنتاج. عادةً ما يرتبط عملية الاستنتاج بآلية تحقق للتحقق من صحة مصدر النموذج الاستنتاجي وما إذا كان هناك سلوك خبيث وما إلى ذلك. يمكن دمج الاستنتاج في Web3 في العقود الذكية من خلال استدعاء النموذج لاستنتاج، وتتضمن طرق التحقق الشائعة تقنيات مثل ZKML و OPML و TEE. من المشاريع الممثلة مثل ORA، التي تقدم Oracle AI على السلسلة (OAO)، حيث قدمت OPML كطبقة قابلة للتحقق لأوراكل AI، كما تم الإشارة في الموقع الرسمي لـ ORA إلى أبحاثهم حول ZKML و opp/ai (ZKML مع OPML).

طبقة التطبيق:

هذه الطبقة موجهة مباشرة نحو تطبيقات المستخدم، وتجمع بين الذكاء الاصطناعي وWeb3، مما يخلق المزيد من الطرق الممتعة والمبتكرة، تركز هذه المقالة بشكل رئيسي على تنظيم المشاريع في عدة مجالات مثل AIGC (المحتوى الذي تم إنشاؤه بواسطة الذكاء الاصطناعي)، الوكلاء الذكائيين وتحليل البيانات.

• AIGC：من خلال AIGC يمكن