دمج Web3 و AI: بناء بنية تحتية جديدة للإنترنت من الجيل التالي
تقدم Web3 كإحدى النماذج الجديدة للإنترنت اللامركزي والمفتوح والشفاف، فرصة طبيعية للاندماج مع الذكاء الاصطناعي. تواجه الذكاء الاصطناعي التقليدي القائم على الهيكل المركزي تحديات مثل قيود القدرة الحاسوبية، وتسرب الخصوصية، وعدم الشفافية في الخوارزميات، بينما يعتمد Web3 على التكنولوجيا الموزعة، ويمكن من خلال شبكة القدرة الحاسوبية المشتركة، وسوق البيانات المفتوحة، والحوسبة الخاصة، أن يوفر دفعة جديدة للذكاء الاصطناعي. في الوقت نفسه، يمكن أن يوفر الذكاء الاصطناعي العديد من القدرات لـ Web3، مثل تحسين العقود الذكية وخوارزميات مكافحة الغش. إن استكشاف التكامل بين الاثنين له أهمية كبيرة في بناء البنية التحتية للجيل التالي من الإنترنت، وإطلاق قيمة البيانات والقدرة الحاسوبية.
البيانات هي القوة الدافعة الأساسية لتطوير الذكاء الاصطناعي. تحتاج نماذج الذكاء الاصطناعي إلى كمية كبيرة من البيانات عالية الجودة للحصول على فهم عميق وقدرة استدلال قوية، حيث توفر البيانات الأساس للتدريب لنماذج التعلم الآلي، كما تحدد دقة وموثوقية النماذج.
توجد عدة مشكلات رئيسية في نماذج الحصول على البيانات واستخدامها المركزية التقليدية للذكاء الاصطناعي:
تكلفة الحصول على البيانات مرتفعة، مما يجعل من الصعب على الشركات الصغيرة والمتوسطة تحمّلها
يتم احتكار موارد البيانات من قبل شركات التكنولوجيا الكبرى، مما يشكل جزر بيانات.
تواجه خصوصية البيانات الشخصية مخاطر التسرب والإساءة
يمكن لنموذج البيانات اللامركزي في Web3 حل هذه النقاط المؤلمة:
يمكن للمستخدمين بيع الموارد الشبكية غير المستخدمة لشركات الذكاء الاصطناعي، لجمع بيانات الشبكة بشكل لامركزي، وبعد تنظيفها وتحويلها، لتوفير بيانات حقيقية وعالية الجودة لتدريب نماذج الذكاء الاصطناعي.
اعتماد نموذج "label to earn"، من خلال حوافز الرموز لتشجيع العمال العالميين على المشاركة في توضيح البيانات، وجمع المعرفة المهنية العالمية، وتعزيز القدرة على تحليل البيانات
منصة تداول بيانات البلوكشين توفر بيئة تداول شفافة وعلنية لكلا الجانبين في طلب وعرض البيانات، مما يحفز الابتكار ومشاركة البيانات.
على الرغم من ذلك، هناك بعض المشكلات في الحصول على البيانات من العالم الحقيقي، مثل تباين جودة البيانات، وصعوبة المعالجة، ونقص التنوع والتمثيل. قد تكون البيانات الاصطناعية هي نجم مجال بيانات Web3 في المستقبل. استنادًا إلى تقنية الذكاء الاصطناعي التوليدي والمحاكاة، يمكن للبيانات الاصطناعية محاكاة خصائص البيانات الحقيقية، مما يوفر تكملة فعالة لتحسين كفاءة استخدام البيانات. في مجالات مثل القيادة الذاتية، وتداول الأسواق المالية، وتطوير الألعاب، أظهرت البيانات الاصطناعية إمكانيات تطبيق ناضجة.
حماية الخصوصية: تطبيق FHE في Web3
عصر البيانات المدفوعة، أصبحت حماية الخصوصية محور اهتمام عالمي، وتعكس بعض القوانين الصادرة الحماية الصارمة للخصوصية الفردية. ومع ذلك، فإن هذا يخلق تحديات: بعض البيانات الحساسة لا يمكن الاستفادة منها بشكل كامل بسبب مخاطر الخصوصية، مما يحد من إمكانيات ونماذج الذكاء الاصطناعي.
FHE هو التشفير المتجانس بالكامل، ويسمح بإجراء عمليات حسابية مباشرة على البيانات المشفرة دون الحاجة إلى فك تشفير البيانات، ونتيجة الحساب تتطابق مع نتيجة الحساب التي تمت على البيانات النصية.
توفر FHE حماية قوية لحسابات الخصوصية للذكاء الاصطناعي، مما يسمح لقوة معالجة GPU بتنفيذ مهام تدريب النماذج واستنتاجها في بيئة لا تتعامل مع البيانات الأصلية. وهذا يوفر ميزة كبيرة لشركات الذكاء الاصطناعي، حيث يمكنها فتح خدمات API بشكل آمن مع حماية الأسرار التجارية.
يدعم FHEML معالجة بيانات ونماذج التشفير طوال دورة التعلم الآلي، مما يضمن أمان المعلومات الحساسة ويمنع مخاطر تسرب البيانات. من خلال هذه الطريقة، يعزز FHEML خصوصية البيانات ويوفر إطار عمل آمن للحوسبة لتطبيقات الذكاء الاصطناعي.
FHEML هو مكمل لـ ZKML، حيث يثبت ZKML التنفيذ الصحيح للتعلم الآلي، بينما يؤكد FHEML على حساب البيانات المشفرة للحفاظ على خصوصية البيانات.
ثورة قوة الحوسبة: الحوسبة الذكاء الاصطناعي في الشبكات اللامركزية
تتضاعف تعقيدات حساب أنظمة الذكاء الاصطناعي الحالية كل 3 أشهر، مما يؤدي إلى زيادة الطلب على القدرة الحاسوبية بشكل كبير، متجاوزةً بكثير إمدادات الموارد الحاسوبية الحالية. على سبيل المثال، يتطلب تدريب نموذج ذكاء اصطناعي معروف قدرًا هائلًا من القدرة الحاسوبية، بما يعادل 355 عامًا من وقت التدريب على جهاز واحد. مثل هذا النقص في القدرة الحاسوبية لا يقتصر فقط على تقييد تقدم تقنيات الذكاء الاصطناعي، بل يجعل أيضًا النماذج المتقدمة من الذكاء الاصطناعي بعيدة المنال بالنسبة لمعظم الباحثين والمطورين.
في الوقت نفسه، لا تتجاوز نسبة استخدام وحدات معالجة الرسوميات العالمية 40%، بالإضافة إلى تباطؤ تحسين أداء المعالجات الدقيقة، ونقص الرقائق الناتج عن عوامل سلسلة التوريد والجغرافيا السياسية، مما يجعل مشكلة توفير القوة الحاسوبية أكثر حدة. يقع العاملون في مجال الذكاء الاصطناعي في مأزق: إما شراء الأجهزة بأنفسهم، أو استئجار موارد السحابة، وهم في حاجة ماسة إلى طريقة حسابية حسب الطلب وفعالة من حيث التكلفة.
تقوم بعض شبكات قوة الحوسبة اللامركزية للذكاء الاصطناعي من خلال تجميع موارد GPU غير المستخدمة على مستوى العالم بتوفير سوق قوة حوسبة اقتصادي وسهل الاستخدام لشركات الذكاء الاصطناعي. يمكن لطرف طلب قوة الحوسبة نشر مهام حسابية على الشبكة، حيث يتم توزيع المهام على عُقد التعدين التي تساهم بقوة الحوسبة عبر العقود الذكية، ويقوم المعدنون بتنفيذ المهام وتقديم النتائج، وبعد التحقق يتم منحهم مكافآت. تساعد هذه الفكرة في تحسين كفاءة استخدام الموارد، وتساهم في حل مشكلة اختناق قوة الحوسبة في مجالات مثل الذكاء الاصطناعي.
بالإضافة إلى شبكة قوة الحوسبة اللامركزية العامة، هناك منصات مخصصة لتدريب الذكاء الاصطناعي، وكذلك شبكات قوة الحوسبة المخصصة لاستنتاج الذكاء الاصطناعي.
توفر شبكة الحوسبة اللامركزية سوقًا عادلًا وشفافًا للحوسبة ، مما يكسر الاحتكار ، ويقلل من عوائق الاستخدام ، ويزيد من كفاءة استخدام الحوسبة. في نظام الويب 3 البيئي ، ستلعب شبكة الحوسبة اللامركزية دورًا حاسمًا في جذب المزيد من تطبيقات dapp المبتكرة للانضمام ، ودفع تطوير وتطبيق تقنيات الذكاء الاصطناعي معًا.
DePIN: تمكين Web3 للذكاء الاصطناعي على الحافة
تخيل أن هاتفك الذكي، وساعة الذكية، وحتى الأجهزة الذكية في منزلك تمتلك القدرة على تشغيل الذكاء الاصطناعي - هذه هي جاذبية Edge AI. إنها تجعل الحوسبة تحدث في مصدر إنتاج البيانات، مما يحقق تأخيراً منخفضاً ومعالجة في الوقت الحقيقي، وفي نفس الوقت يحمي خصوصية المستخدم. تم تطبيق تقنية Edge AI في مجالات حيوية مثل القيادة الذاتية.
في مجال Web3، لدينا اسم أكثر ألفة - DePIN. يركز Web3 على اللامركزية وحقوق سيادة بيانات المستخدم، ويمكن أن يعزز DePIN من حماية خصوصية المستخدم من خلال معالجة البيانات محليًا، مما يقلل من مخاطر تسرب البيانات؛ يمكن لآلية الاقتصاد القائم على الرموز الأصلية لـ Web3 أن تحفز عقد DePIN على تقديم موارد الحوسبة، مما يبني نظامًا بيئيًا مستدامًا.
تشهد DePIN حاليًا تطورًا سريعًا في نظام بيئي لسلسلة عامة معينة، حيث أصبحت واحدة من المنصات المفضلة لتطبيق المشاريع. توفر TPS العالية، وانخفاض رسوم المعاملات، والابتكارات التكنولوجية في هذه السلسلة العامة دعمًا قويًا لمشاريع DePIN. حاليًا، تتجاوز قيمة مشاريع DePIN على هذه السلسلة العامة 10 مليارات دولار، وقد حققت بعض المشاريع الشهيرة تقدمًا ملحوظًا.
IMO: إطلاق نموذج جديد لنماذج الذكاء الاصطناعي
تم اقتراح مفهوم IMO لأول مرة من قبل بروتوكول معين، حيث يتم توكن نموذج الذكاء الاصطناعي.
في النمط التقليدي، بسبب عدم وجود آلية مشاركة العائدات، غالبًا ما يواجه مطورو نماذج الذكاء الاصطناعي صعوبة في الحصول على عائد مستمر من استخدام النموذج في وقت لاحق، خاصة عندما يتم دمج النموذج في منتجات وخدمات أخرى، يصبح من الصعب على المبدعين الأصليين تتبع استخداماته، ناهيك عن الحصول على عائدات منه. بالإضافة إلى ذلك، غالبًا ما تفتقر أداءات ونتائج نماذج الذكاء الاصطناعي إلى الشفافية، مما يجعل المستثمرين المحتملين والمستخدمين يجدون صعوبة في تقييم قيمتها الحقيقية، مما يعيق الاعتراف السوقي والنمو التجاري للنموذج.
توفر IMO طريقة جديدة لدعم التمويل ومشاركة القيمة لنماذج الذكاء الاصطناعي مفتوحة المصدر، حيث يمكن للمستثمرين شراء رموز IMO ومشاركة العائدات الناتجة عن النموذج في المستقبل. تستخدم بروتوكول معين معيارين من ERC، وتجمع بين تقنية الذكاء الاصطناعي والتنبؤ وOPML لضمان صحة نموذج الذكاء الاصطناعي وقدرة حاملي الرموز على مشاركة العائدات.
تعزز نماذج IMO الشفافية والثقة، وتشجع التعاون مفتوح المصدر، وتتكيف مع اتجاهات سوق العملات الرقمية، وتضخ الطاقة في التنمية المستدامة لتقنيات الذكاء الاصطناعي. لا تزال IMO في مرحلة التجريب الأولية، ولكن مع ارتفاع مستوى قبول السوق وتوسع نطاق المشاركة، فإن ابتكاراتها وقيمتها المحتملة تستحق التوقع.
وكيل الذكاء الاصطناعي: عصر جديد من تجربة التفاعل
يمكن لوكيل الذكاء الاصطناعي إدراك البيئة، والتفكير بشكل مستقل، واتخاذ الإجراءات المناسبة لتحقيق الأهداف المحددة. بدعم من نماذج اللغة الكبيرة، يمكن لوكيل الذكاء الاصطناعي أن يفهم اللغة الطبيعية، ويخطط للقرارات، وينفذ المهام المعقدة. يمكن أن تعمل كأجهزة افتراضية، من خلال التفاعل مع المستخدمين، لتتعلم تفضيلاتهم وتقديم حلول مخصصة. حتى في غياب التعليمات الواضحة، يمكن لوكيل الذكاء الاصطناعي حل المشكلات بشكل مستقل، مما يزيد من الكفاءة ويخلق قيمة جديدة.
تقدم منصة تطبيقات AI الأصلية مجموعة شاملة وسهلة الاستخدام من أدوات الإبداع، تدعم المستخدمين في تكوين وظائف الروبوت والمظهر والصوت بالإضافة إلى الاتصال بمكتبات المعرفة الخارجية، وتهدف إلى إنشاء نظام بيئي مفتوح وعادل لمحتوى AI، مستفيدة من تقنية AI التوليدية، لتمكين الأفراد من أن يصبحوا مبدعين عظام. قامت المنصة بتدريب نموذج لغوي كبير متخصص، مما يجعل تمثيل الشخصيات أكثر إنسانية؛ يمكن لتقنية استنساخ الصوت تسريع التفاعل الشخصي للمنتجات AI وتخفيض تكلفة تركيب الصوت بنسبة 99%، حيث يمكن تحقيق استنساخ الصوت في دقيقة واحدة فقط. باستخدام وكيل AI المخصص من هذه المنصة، يمكن الآن تطبيقه في مجالات متعددة مثل الدردشة الفيديو، تعلم اللغات، وتوليد الصور.
في دمج Web3 مع الذكاء الاصطناعي، يتم حاليا استكشاف المزيد من طبقة البنية التحتية، مثل كيفية الحصول على بيانات عالية الجودة، وحماية خصوصية البيانات، وكيفية استضافة النماذج على السلسلة، وكيفية تحسين الاستخدام الفعال للقوة الحاسوبية اللامركزية، وكيفية التحقق من نماذج اللغة الكبيرة وغيرها من القضايا الأساسية. مع تحسين هذه البنية التحتية تدريجيا، لدينا ما يدعو للاعتقاد بأن دمج Web3 مع الذكاء الاصطناعي سيفرز مجموعة من نماذج الأعمال والخدمات الابتكارية.
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 15
أعجبني
15
6
إعادة النشر
مشاركة
تعليق
0/400
quietly_staking
· منذ 8 س
قول المزيد لا يعادل تطبيق الذكاء الاصطناعي.
شاهد النسخة الأصليةرد0
JustHereForAirdrops
· منذ 8 س
هذا المفهوم عميق جدًا ، سأغادر الآن.
شاهد النسخة الأصليةرد0
TxFailed
· منذ 8 س
خطأ كلاسيكي... التفكير بأن الويب 3 + الذكاء الاصطناعي = سحر. تعلمت بالطريقة الصعبة أن البروتوكولات لا تزال بحاجة إلى بنية تحتية مناسبة.
Web3 و AI融合: بناء نظام بيئي للبيانات و قوة الحوسبة اللامركزية
دمج Web3 و AI: بناء بنية تحتية جديدة للإنترنت من الجيل التالي
تقدم Web3 كإحدى النماذج الجديدة للإنترنت اللامركزي والمفتوح والشفاف، فرصة طبيعية للاندماج مع الذكاء الاصطناعي. تواجه الذكاء الاصطناعي التقليدي القائم على الهيكل المركزي تحديات مثل قيود القدرة الحاسوبية، وتسرب الخصوصية، وعدم الشفافية في الخوارزميات، بينما يعتمد Web3 على التكنولوجيا الموزعة، ويمكن من خلال شبكة القدرة الحاسوبية المشتركة، وسوق البيانات المفتوحة، والحوسبة الخاصة، أن يوفر دفعة جديدة للذكاء الاصطناعي. في الوقت نفسه، يمكن أن يوفر الذكاء الاصطناعي العديد من القدرات لـ Web3، مثل تحسين العقود الذكية وخوارزميات مكافحة الغش. إن استكشاف التكامل بين الاثنين له أهمية كبيرة في بناء البنية التحتية للجيل التالي من الإنترنت، وإطلاق قيمة البيانات والقدرة الحاسوبية.
! استكشاف عمليات التكامل الرئيسية الستة ل الذكاء الاصطناعي و Web3
مدفوعة بالبيانات: أساسيات الذكاء الاصطناعي والويب 3
البيانات هي القوة الدافعة الأساسية لتطوير الذكاء الاصطناعي. تحتاج نماذج الذكاء الاصطناعي إلى كمية كبيرة من البيانات عالية الجودة للحصول على فهم عميق وقدرة استدلال قوية، حيث توفر البيانات الأساس للتدريب لنماذج التعلم الآلي، كما تحدد دقة وموثوقية النماذج.
توجد عدة مشكلات رئيسية في نماذج الحصول على البيانات واستخدامها المركزية التقليدية للذكاء الاصطناعي:
يمكن لنموذج البيانات اللامركزي في Web3 حل هذه النقاط المؤلمة:
على الرغم من ذلك، هناك بعض المشكلات في الحصول على البيانات من العالم الحقيقي، مثل تباين جودة البيانات، وصعوبة المعالجة، ونقص التنوع والتمثيل. قد تكون البيانات الاصطناعية هي نجم مجال بيانات Web3 في المستقبل. استنادًا إلى تقنية الذكاء الاصطناعي التوليدي والمحاكاة، يمكن للبيانات الاصطناعية محاكاة خصائص البيانات الحقيقية، مما يوفر تكملة فعالة لتحسين كفاءة استخدام البيانات. في مجالات مثل القيادة الذاتية، وتداول الأسواق المالية، وتطوير الألعاب، أظهرت البيانات الاصطناعية إمكانيات تطبيق ناضجة.
حماية الخصوصية: تطبيق FHE في Web3
عصر البيانات المدفوعة، أصبحت حماية الخصوصية محور اهتمام عالمي، وتعكس بعض القوانين الصادرة الحماية الصارمة للخصوصية الفردية. ومع ذلك، فإن هذا يخلق تحديات: بعض البيانات الحساسة لا يمكن الاستفادة منها بشكل كامل بسبب مخاطر الخصوصية، مما يحد من إمكانيات ونماذج الذكاء الاصطناعي.
FHE هو التشفير المتجانس بالكامل، ويسمح بإجراء عمليات حسابية مباشرة على البيانات المشفرة دون الحاجة إلى فك تشفير البيانات، ونتيجة الحساب تتطابق مع نتيجة الحساب التي تمت على البيانات النصية.
توفر FHE حماية قوية لحسابات الخصوصية للذكاء الاصطناعي، مما يسمح لقوة معالجة GPU بتنفيذ مهام تدريب النماذج واستنتاجها في بيئة لا تتعامل مع البيانات الأصلية. وهذا يوفر ميزة كبيرة لشركات الذكاء الاصطناعي، حيث يمكنها فتح خدمات API بشكل آمن مع حماية الأسرار التجارية.
يدعم FHEML معالجة بيانات ونماذج التشفير طوال دورة التعلم الآلي، مما يضمن أمان المعلومات الحساسة ويمنع مخاطر تسرب البيانات. من خلال هذه الطريقة، يعزز FHEML خصوصية البيانات ويوفر إطار عمل آمن للحوسبة لتطبيقات الذكاء الاصطناعي.
FHEML هو مكمل لـ ZKML، حيث يثبت ZKML التنفيذ الصحيح للتعلم الآلي، بينما يؤكد FHEML على حساب البيانات المشفرة للحفاظ على خصوصية البيانات.
ثورة قوة الحوسبة: الحوسبة الذكاء الاصطناعي في الشبكات اللامركزية
تتضاعف تعقيدات حساب أنظمة الذكاء الاصطناعي الحالية كل 3 أشهر، مما يؤدي إلى زيادة الطلب على القدرة الحاسوبية بشكل كبير، متجاوزةً بكثير إمدادات الموارد الحاسوبية الحالية. على سبيل المثال، يتطلب تدريب نموذج ذكاء اصطناعي معروف قدرًا هائلًا من القدرة الحاسوبية، بما يعادل 355 عامًا من وقت التدريب على جهاز واحد. مثل هذا النقص في القدرة الحاسوبية لا يقتصر فقط على تقييد تقدم تقنيات الذكاء الاصطناعي، بل يجعل أيضًا النماذج المتقدمة من الذكاء الاصطناعي بعيدة المنال بالنسبة لمعظم الباحثين والمطورين.
في الوقت نفسه، لا تتجاوز نسبة استخدام وحدات معالجة الرسوميات العالمية 40%، بالإضافة إلى تباطؤ تحسين أداء المعالجات الدقيقة، ونقص الرقائق الناتج عن عوامل سلسلة التوريد والجغرافيا السياسية، مما يجعل مشكلة توفير القوة الحاسوبية أكثر حدة. يقع العاملون في مجال الذكاء الاصطناعي في مأزق: إما شراء الأجهزة بأنفسهم، أو استئجار موارد السحابة، وهم في حاجة ماسة إلى طريقة حسابية حسب الطلب وفعالة من حيث التكلفة.
تقوم بعض شبكات قوة الحوسبة اللامركزية للذكاء الاصطناعي من خلال تجميع موارد GPU غير المستخدمة على مستوى العالم بتوفير سوق قوة حوسبة اقتصادي وسهل الاستخدام لشركات الذكاء الاصطناعي. يمكن لطرف طلب قوة الحوسبة نشر مهام حسابية على الشبكة، حيث يتم توزيع المهام على عُقد التعدين التي تساهم بقوة الحوسبة عبر العقود الذكية، ويقوم المعدنون بتنفيذ المهام وتقديم النتائج، وبعد التحقق يتم منحهم مكافآت. تساعد هذه الفكرة في تحسين كفاءة استخدام الموارد، وتساهم في حل مشكلة اختناق قوة الحوسبة في مجالات مثل الذكاء الاصطناعي.
بالإضافة إلى شبكة قوة الحوسبة اللامركزية العامة، هناك منصات مخصصة لتدريب الذكاء الاصطناعي، وكذلك شبكات قوة الحوسبة المخصصة لاستنتاج الذكاء الاصطناعي.
توفر شبكة الحوسبة اللامركزية سوقًا عادلًا وشفافًا للحوسبة ، مما يكسر الاحتكار ، ويقلل من عوائق الاستخدام ، ويزيد من كفاءة استخدام الحوسبة. في نظام الويب 3 البيئي ، ستلعب شبكة الحوسبة اللامركزية دورًا حاسمًا في جذب المزيد من تطبيقات dapp المبتكرة للانضمام ، ودفع تطوير وتطبيق تقنيات الذكاء الاصطناعي معًا.
DePIN: تمكين Web3 للذكاء الاصطناعي على الحافة
تخيل أن هاتفك الذكي، وساعة الذكية، وحتى الأجهزة الذكية في منزلك تمتلك القدرة على تشغيل الذكاء الاصطناعي - هذه هي جاذبية Edge AI. إنها تجعل الحوسبة تحدث في مصدر إنتاج البيانات، مما يحقق تأخيراً منخفضاً ومعالجة في الوقت الحقيقي، وفي نفس الوقت يحمي خصوصية المستخدم. تم تطبيق تقنية Edge AI في مجالات حيوية مثل القيادة الذاتية.
في مجال Web3، لدينا اسم أكثر ألفة - DePIN. يركز Web3 على اللامركزية وحقوق سيادة بيانات المستخدم، ويمكن أن يعزز DePIN من حماية خصوصية المستخدم من خلال معالجة البيانات محليًا، مما يقلل من مخاطر تسرب البيانات؛ يمكن لآلية الاقتصاد القائم على الرموز الأصلية لـ Web3 أن تحفز عقد DePIN على تقديم موارد الحوسبة، مما يبني نظامًا بيئيًا مستدامًا.
تشهد DePIN حاليًا تطورًا سريعًا في نظام بيئي لسلسلة عامة معينة، حيث أصبحت واحدة من المنصات المفضلة لتطبيق المشاريع. توفر TPS العالية، وانخفاض رسوم المعاملات، والابتكارات التكنولوجية في هذه السلسلة العامة دعمًا قويًا لمشاريع DePIN. حاليًا، تتجاوز قيمة مشاريع DePIN على هذه السلسلة العامة 10 مليارات دولار، وقد حققت بعض المشاريع الشهيرة تقدمًا ملحوظًا.
IMO: إطلاق نموذج جديد لنماذج الذكاء الاصطناعي
تم اقتراح مفهوم IMO لأول مرة من قبل بروتوكول معين، حيث يتم توكن نموذج الذكاء الاصطناعي.
في النمط التقليدي، بسبب عدم وجود آلية مشاركة العائدات، غالبًا ما يواجه مطورو نماذج الذكاء الاصطناعي صعوبة في الحصول على عائد مستمر من استخدام النموذج في وقت لاحق، خاصة عندما يتم دمج النموذج في منتجات وخدمات أخرى، يصبح من الصعب على المبدعين الأصليين تتبع استخداماته، ناهيك عن الحصول على عائدات منه. بالإضافة إلى ذلك، غالبًا ما تفتقر أداءات ونتائج نماذج الذكاء الاصطناعي إلى الشفافية، مما يجعل المستثمرين المحتملين والمستخدمين يجدون صعوبة في تقييم قيمتها الحقيقية، مما يعيق الاعتراف السوقي والنمو التجاري للنموذج.
توفر IMO طريقة جديدة لدعم التمويل ومشاركة القيمة لنماذج الذكاء الاصطناعي مفتوحة المصدر، حيث يمكن للمستثمرين شراء رموز IMO ومشاركة العائدات الناتجة عن النموذج في المستقبل. تستخدم بروتوكول معين معيارين من ERC، وتجمع بين تقنية الذكاء الاصطناعي والتنبؤ وOPML لضمان صحة نموذج الذكاء الاصطناعي وقدرة حاملي الرموز على مشاركة العائدات.
تعزز نماذج IMO الشفافية والثقة، وتشجع التعاون مفتوح المصدر، وتتكيف مع اتجاهات سوق العملات الرقمية، وتضخ الطاقة في التنمية المستدامة لتقنيات الذكاء الاصطناعي. لا تزال IMO في مرحلة التجريب الأولية، ولكن مع ارتفاع مستوى قبول السوق وتوسع نطاق المشاركة، فإن ابتكاراتها وقيمتها المحتملة تستحق التوقع.
وكيل الذكاء الاصطناعي: عصر جديد من تجربة التفاعل
يمكن لوكيل الذكاء الاصطناعي إدراك البيئة، والتفكير بشكل مستقل، واتخاذ الإجراءات المناسبة لتحقيق الأهداف المحددة. بدعم من نماذج اللغة الكبيرة، يمكن لوكيل الذكاء الاصطناعي أن يفهم اللغة الطبيعية، ويخطط للقرارات، وينفذ المهام المعقدة. يمكن أن تعمل كأجهزة افتراضية، من خلال التفاعل مع المستخدمين، لتتعلم تفضيلاتهم وتقديم حلول مخصصة. حتى في غياب التعليمات الواضحة، يمكن لوكيل الذكاء الاصطناعي حل المشكلات بشكل مستقل، مما يزيد من الكفاءة ويخلق قيمة جديدة.
تقدم منصة تطبيقات AI الأصلية مجموعة شاملة وسهلة الاستخدام من أدوات الإبداع، تدعم المستخدمين في تكوين وظائف الروبوت والمظهر والصوت بالإضافة إلى الاتصال بمكتبات المعرفة الخارجية، وتهدف إلى إنشاء نظام بيئي مفتوح وعادل لمحتوى AI، مستفيدة من تقنية AI التوليدية، لتمكين الأفراد من أن يصبحوا مبدعين عظام. قامت المنصة بتدريب نموذج لغوي كبير متخصص، مما يجعل تمثيل الشخصيات أكثر إنسانية؛ يمكن لتقنية استنساخ الصوت تسريع التفاعل الشخصي للمنتجات AI وتخفيض تكلفة تركيب الصوت بنسبة 99%، حيث يمكن تحقيق استنساخ الصوت في دقيقة واحدة فقط. باستخدام وكيل AI المخصص من هذه المنصة، يمكن الآن تطبيقه في مجالات متعددة مثل الدردشة الفيديو، تعلم اللغات، وتوليد الصور.
في دمج Web3 مع الذكاء الاصطناعي، يتم حاليا استكشاف المزيد من طبقة البنية التحتية، مثل كيفية الحصول على بيانات عالية الجودة، وحماية خصوصية البيانات، وكيفية استضافة النماذج على السلسلة، وكيفية تحسين الاستخدام الفعال للقوة الحاسوبية اللامركزية، وكيفية التحقق من نماذج اللغة الكبيرة وغيرها من القضايا الأساسية. مع تحسين هذه البنية التحتية تدريجيا، لدينا ما يدعو للاعتقاد بأن دمج Web3 مع الذكاء الاصطناعي سيفرز مجموعة من نماذج الأعمال والخدمات الابتكارية.