تقرير شامل عن مسار Web3-AI: تحليل عميق للمنطق التقني، تطبيقات المشهد والمشاريع الرائدة
مع استمرار ارتفاع حرارة السرد المدعوم بالذكاء الاصطناعي، تتركز المزيد من الاهتمام على هذا المجال. تم إجراء تحليل عميق للمنطق التكنولوجي، وسيناريوهات التطبيق، والمشاريع الممثلة في مجال Web3-AI، لتقديم عرض شامل لكامل هذا المجال وتوجهاته التطويرية.
1. Web3-AI: تحليل المنطق الفني وفرص السوق الناشئة
1.1 منطق دمج Web3 و AI: كيف نحدد مسار Web-AI
في العام الماضي، كانت السرديات المعتمدة على الذكاء الاصطناعي شائعة بشكل استثنائي في صناعة Web3، وظهرت مشاريع الذكاء الاصطناعي كالفطر بعد المطر. على الرغم من أن العديد من المشاريع تتضمن تقنية الذكاء الاصطناعي، إلا أن بعض المشاريع تستخدم الذكاء الاصطناعي فقط في أجزاء معينة من منتجاتها، ولا ترتبط اقتصاديات الرموز الأساسية ارتباطًا جوهريًا بمنتجات الذكاء الاصطناعي، لذلك لا تُعتبر هذه المشاريع ضمن مناقشة مشاريع Web3-AI في هذه المقالة.
تركز هذه المقالة على المشاريع التي تستخدم blockchain لحل مشاكل العلاقات الإنتاجية، و AI لحل مشاكل الإنتاجية. تقدم هذه المشاريع منتجات AI بنفسها، بينما تعتمد على نموذج الاقتصاد Web3 كأداة لعلاقات الإنتاج، حيث يكمل كلاهما بعضهما البعض. نصنف هذه النوعية من المشاريع في مسار Web3-AI. لتسهيل فهم القراء لمسار Web3-AI، سيتم تقديم عرض عن عملية تطوير AI والتحديات التي تواجهها، بالإضافة إلى كيفية دمج Web3 و AI لحل المشاكل بشكل مثالي وخلق سيناريوهات تطبيق جديدة.
1.2 عملية تطوير الذكاء الاصطناعي والتحديات: من جمع البيانات إلى استنتاج النموذج
تقنية الذكاء الاصطناعي هي تقنية تجعل الكمبيوتر يقوم بمحاكاة وتوسيع وتعزيز الذكاء البشري. إنها تمكن الكمبيوتر من أداء مجموعة متنوعة من المهام المعقدة، من ترجمة اللغات، وتصنيف الصور إلى التعرف على الوجوه، والقيادة الذاتية، وغيرها من سيناريوهات التطبيق، 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 واستنتاج النتائج. 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 بيانات مفتوحة أو جمع بيانات حقيقية بنفسك. ثم قم بتسمية كل صورة بفئة (قط أو كلب)، تأكد من أن العلامات دقيقة. تحويل الصور إلى تنسيق يمكن للنموذج التعرف عليه، وتقسيم مجموعة البيانات إلى مجموعة تدريب، مجموعة تحقق، ومجموعة اختبار.
اختيار النموذج وضبطه: اختر النموذج المناسب، مثل الشبكات العصبية التلافيفية (CNN)، والتي تناسب مهام تصنيف الصور. قم بضبط معلمات النموذج أو هيكله بناءً على الاحتياجات المختلفة، وعادةً ما يمكن ضبط مستويات الشبكة للنموذج وفقًا لتعقيد مهمة الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون المستويات الشبكية الأقل عمقًا كافية.
تدريب النموذج: يمكن استخدام GPU أو TPU أو مجموعات الحوسبة عالية الأداء لتدريب النموذج، يتأثر وقت التدريب بتعقيد النموذج وقدرة الحوسبة.
استنتاج النموذج: عادةً ما تُسمى الملفات المدربة للنموذج بأوزان النموذج، وعملية الاستنتاج تشير إلى استخدام النموذج المدرب مسبقًا للتنبؤ أو تصنيف بيانات جديدة. يمكن استخدام مجموعة الاختبار أو بيانات جديدة لاختبار فعالية تصنيف النموذج، وعادةً ما يتم تقييم فعالية النموذج باستخدام مؤشرات مثل الدقة، معدل الاسترجاع، ودرجة F1.
كما هو موضح في الشكل، بعد جمع البيانات ومعالجة البيانات الأولية، واختيار النموذج وضبطه، ثم التدريب، سيتم إجراء الاستدلال على النموذج المدرب على مجموعة الاختبار للحصول على قيم توقعات القطط والكلاب P (الاحتمالية)، أي أن النموذج يستنتج احتمال أن يكون كلبًا أو قطًا.
يمكن دمج نموذج الذكاء الاصطناعي المدرب بشكل إضافي في مجموعة متنوعة من التطبيقات لأداء مهام مختلفة. في هذا المثال، يمكن دمج نموذج الذكاء الاصطناعي لتصنيف القطط والكلاب في تطبيق للهاتف المحمول، حيث يمكن للمستخدمين تحميل صور للقطط أو الكلاب والحصول على نتائج التصنيف.
ومع ذلك، توجد بعض المشكلات في عملية تطوير الذكاء الاصطناعي المركزي في السيناريوهات التالية:
خصوصية المستخدم: في السيناريوهات المركزية، تكون عملية تطوير الذكاء الاصطناعي عادة غير شفافة. قد يتم سرقة بيانات المستخدم دون علمه واستخدامها في تدريب الذكاء الاصطناعي.
مصادر البيانات: قد تواجه الفرق الصغيرة أو الأفراد قيودًا على البيانات غير المفتوحة عند الحصول على بيانات في مجالات معينة (مثل البيانات الطبية).
اختيار النموذج وضبطه: بالنسبة للفرق الصغيرة، من الصعب الحصول على موارد نماذج محددة أو إنفاق تكاليف كبيرة لتعديل النموذج.
الحصول على قوة الحوسبة: بالنسبة للمطورين الأفراد والفرق الصغيرة، قد تشكل التكاليف العالية لشراء وحدات معالجة الرسومات ورسوم استئجار قوة الحوسبة السحابية عبئًا اقتصاديًا كبيرًا.
دخل الأصول الذكية: غالبًا ما لا يتمكن العاملون في تصنيف البيانات من الحصول على دخل يتناسب مع ما يبذلونه، كما أن نتائج أبحاث مطوري الذكاء الاصطناعي يصعب مطابقتها مع المشترين الذين لديهم طلب.
يمكن تجاوز التحديات الموجودة في مشهد الذكاء الاصطناعي المركزي من خلال دمجه مع Web3، حيث أن Web3 كعلاقة إنتاج جديدة تتكيف بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل قوة إنتاجية جديدة، مما يعزز التقدم التكنولوجي وقدرات الإنتاج في نفس الوقت.
1.3 التآزر بين Web3 والذكاء الاصطناعي: تحول الأدوار وتطبيقات الابتكار
يمكن أن يؤدي دمج Web3 و AI إلى تعزيز سيادة المستخدم، وتوفير منصة مفتوحة للتعاون في AI، مما يسمح للمستخدمين بالتحول من مستخدمي AI في عصر Web2 إلى مشاركين، لإنشاء AI يمكن للجميع امتلاكه. في الوقت نفسه، يمكن أن تؤدي融合 عالم Web3 مع تقنيات AI إلى ظهور المزيد من سيناريوهات التطبيقات المبتكرة والأساليب.
بفضل تقنية Web3، سيشهد تطوير واستخدام الذكاء الاصطناعي نظامًا اقتصاديًا تعاونيًا جديدًا. يمكن ضمان خصوصية بيانات الأفراد، ويعزز نموذج جمع البيانات تقدم نماذج الذكاء الاصطناعي، وتتوافر العديد من موارد الذكاء الاصطناعي مفتوحة المصدر للاستخدام، ويمكن الحصول على قوة الحوسبة المشتركة بتكلفة منخفضة. من خلال آلية التعاون والتجمع اللامركزية وسوق الذكاء الاصطناعي المفتوح، يمكن تحقيق نظام عادل لتوزيع الدخل، مما يحفز المزيد من الناس على دفع تقدم تقنية الذكاء الاصطناعي.
في مشهد Web3، يمكن أن يكون للذكاء الاصطناعي تأثير إيجابي في عدة مجالات. على سبيل المثال، يمكن دمج نماذج الذكاء الاصطناعي في العقود الذكية، مما يعزز كفاءة العمل في سيناريوهات تطبيقية مختلفة، مثل تحليل السوق، واختبار الأمان، والتجميع الاجتماعي، والعديد من الوظائف الأخرى. لا يتيح الذكاء الاصطناعي التوليدي للمستخدمين تجربة دور "الفنان" فحسب، مثل استخدام تقنيات الذكاء الاصطناعي لإنشاء NFTs الخاصة بهم، بل يمكنه أيضًا خلق مشاهد ألعاب متنوعة وتجارب تفاعلية ممتعة 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 مشروع Web3-AI والهيكل التنظيمي
لقد درسنا بشكل أساسي 41 مشروعًا في مجال Web3-AI ، وقمنا بتصنيف هذه المشاريع إلى مستويات مختلفة. منطق تقسيم كل مستوى موضح في الشكل أدناه ، بما في ذلك مستوى البنية التحتية ، والمستوى الوسيط ، ومستوى التطبيق ، حيث يتم تقسيم كل مستوى إلى عدة أقسام. في الفصل التالي ، سنقوم بإجراء تحليل عميق لبعض المشاريع التمثيلية.
تغطي طبقة البنية التحتية الموارد الحاسوبية والهندسة التقنية التي تدعم تشغيل دورة حياة الذكاء الاصطناعي بأكملها، وتشمل الطبقة الوسطى إدارة البيانات وخدمات تطوير النماذج والتحقق من الاستدلال التي تربط البنية التحتية بالتطبيقات، بينما تركز الطبقة التطبيقية على التطبيقات والحلول المختلفة الموجهة مباشرة للمستخدم.
طبقة البنية التحتية:
层 البنية التحتية هي أساس دورة حياة الذكاء الاصطناعي، حيث تصنف هذه المقالة القدرة الحاسوبية، سلسلة الذكاء الاصطناعي ومنصة التطوير كطبقة البنية التحتية. فقط بدعم هذه البنية التحتية يمكن تحقيق تدريب واستدلال نماذج الذكاء الاصطناعي، وتقديم تطبيقات ذكاء اصطناعي قوية وعملية للمستخدمين.
شبكة الحوسبة اللامركزية: يمكن أن توفر قوة حوسبة موزعة لتدريب نماذج الذكاء الاصطناعي، مما يضمن استخدامًا فعالًا واقتصاديًا لموارد الحوسبة. بعض المشاريع تقدم سوقًا لامركزيًا للقوة الحاسوبية، حيث يمكن للمستخدمين استئجار القوة الحاسوبية بتكلفة منخفضة أو مشاركة القوة الحاسوبية لتحقيق الأرباح، ومن المشاريع الممثلة مثل IO.NET وHyperbolic. بالإضافة إلى ذلك، ظهرت بعض المشاريع بأساليب جديدة، مثل Compute Labs، التي اقترحت بروتوكولًا للقوة الحاسوبية المرمزة، حيث يمكن للمستخدمين من خلال شراء NFT يمثل وحدة GPU المشاركة بطرق مختلفة في استئجار القوة الحاسوبية لتحقيق الأرباح.
AI Chain: استخدام البلوك تشين كأساس لدورة حياة الذكاء الاصطناعي، لتحقيق التفاعل السلس بين موارد الذكاء الاصطناعي على السلسلة وخارجها، وتعزيز تطور النظام البيئي الصناعي. يمكن لسوق الذكاء الاصطناعي اللامركزي على السلسلة تداول أصول الذكاء الاصطناعي مثل البيانات والنماذج والوكلاء، ويوفر إطار تطوير الذكاء الاصطناعي وأدوات التطوير المصاحبة، من المشاريع الممثلة مثل Sahara AI. يمكن أن يعزز AI Chain أيضًا تقدم تقنيات الذكاء الاصطناعي في مجالات مختلفة، مثل Bittensor من خلال آلية تحفيز الشبكة الفرعية المبتكرة لتعزيز المنافسة بين أنواع الشبكات الفرعية المختلفة.
منصة التطوير: تقدم بعض المشاريع منصة تطوير وكيل الذكاء الاصطناعي، ويمكنها أيضًا تنفيذ تداول وكيل الذكاء الاصطناعي، مثل Fetch.ai و ChainML. توفر الأدوات الشاملة مساعدة للمطورين في إنشاء وتدريب ونشر نماذج الذكاء الاصطناعي بسهولة، ومن المشاريع الممثلة Nimble. تعزز هذه البنية التحتية الاستخدام الواسع لتقنية الذكاء الاصطناعي في نظام Web3 البيئي.
الطبقة الوسطى:
تتعلق هذه الطبقة ببيانات الذكاء الاصطناعي والنماذج وكذلك الاستدلال والتحقق، حيث يمكن تحقيق كفاءة عمل أعلى باستخدام تقنية Web3.
البيانات: جودة وكمية البيانات هي عوامل رئيسية تؤثر على فعالية تدريب النموذج. في عالم Web3، من خلال البيانات الجماعية ومعالجة البيانات التعاونية، يمكن تحسين استخدام الموارد وتقليل تكاليف البيانات. يمكن للمستخدمين امتلاك حقوق البيانات بشكل مستقل، وبيع بياناتهم في إطار حماية الخصوصية، لتجنب سرقة البيانات من قبل التجار الضارين وتحقيق أرباح ضخمة. بالنسبة لطرف الطلب على البيانات، توفر هذه المنصات مجموعة واسعة من الخيارات وتكاليف منخفضة للغاية. من المشاريع التمثيلية مثل Grass التي تستخدم عرض النطاق الترددي للمستخدمين لجمع بيانات الويب، وxData التي تجمع معلومات الوسائط عبر ملحق سهل الاستخدام وتدعم رفع معلومات التغريدات من قبل المستخدمين.
بالإضافة إلى ذلك، تسمح بعض المنصات للخبراء في المجالات أو المستخدمين العاديين بتنفيذ مهام معالجة البيانات، مثل وضع علامات على الصور وتصنيف البيانات، وهي مهام قد تتطلب معالجة بيانات تتعلق بالمعرفة المتخصصة في المجالات المالية والقانونية، حيث يمكن للمستخدمين تحويل مهاراتهم إلى رموز، مما يتيح التعاون الجماعي في معالجة البيانات. تمثل أسواق الذكاء الاصطناعي مثل Sahara AI مهام بيانات من مجالات مختلفة، ويمكن أن تغطي سيناريوهات بيانات متعددة المجالات؛ بينما يقوم بروتوكول AIT بوضع علامات على البيانات من خلال التعاون بين الإنسان والآلة.
النموذج: كما تم الإشارة إليه سابقًا في عملية تطوير الذكاء الصناعي، تحتاج أنواع مختلفة من المتطلبات إلى نماذج مناسبة. النماذج الشائعة المستخدمة في مهام الصور مثل CNN و GAN، وفي مهام الكشف عن الأهداف يمكن اختيار سلسلة Yolo، أما بالنسبة لمهام النصوص فالنماذج الشائعة تشمل RNN و Transformer وغيرها من النماذج العامة أو الخاصة. تحتاج المهام ذات التعقيد المختلف إلى عمق نماذج مختلف، وأحيانًا يتطلب الأمر ضبط النموذج.
بعض المشاريع تدعم المستخدمين لتقديم أنواع مختلفة من النماذج أو التعاون في تدريب النماذج من خلال الحشد، مثل Sentient التي تسمح بتصميم معياري، حيث يمكن للمستخدمين وضع بيانات نموذج موثوقة في طبقة التخزين وطبقة التوزيع لتحسين النموذج، كما أن أدوات التطوير المقدمة من Sahara AI تحتوي على خوارزميات AI متقدمة وإطار عمل حسابي، ولديها القدرة على التدريب التعاوني.
الاستدلال والتحقق: بعد تدريب النموذج، سيتم إنشاء ملف أوزان النموذج، والذي يمكن استخدامه مباشرة للتصنيف أو التنبؤ أو المهام المحددة الأخرى، وتعرف هذه العملية بالاستدلال. عادةً ما يصاحب عملية الاستدلال آلية تحقق للتحقق من صحة مصدر نموذج الاستدلال وما إذا كان هناك سلوك خبيث أم لا. يمكن عادةً دمج استدلال Web3 في العقود الذكية، من خلال استدعاء النموذج لإجراء الاستدلال، وتشمل طرق التحقق الشائعة تقنيات مثل ZKML و OPML و TEE. مشاريع ممثلة مثل أورا (ORA) سلسلة الذكاء الاصطناعي (OAO)، قدمت OPML كطبقة قابلة للتحقق للذكاء الاصطناعي، وذكرت موقع أورا الرسمي أيضًا أبحاثهم المتعلقة بـ ZKML و opp/ai (دمج ZKML مع OPML).
طبقة التطبيق:
تتوجه هذه الطبقة بشكل رئيسي نحو التطبيقات الموجهة للمستخدم، حيث تجمع بين الذكاء الاصطناعي وWeb3، مما يخلق المزيد من طرق اللعب المثيرة والمبتكرة. تركز هذه المقالة بشكل أساسي على مشاريع AIGC (المحتوى الذي يتم إنشاؤه بواسطة الذكاء الاصطناعي)، والوكلاء الذكائيين، وتحليل البيانات.
AIGC: يمكن توسيع AIGC إلى مجالات مثل NFT والألعاب في Web3، حيث يمكن للمستخدمين إنشاء نصوص وصور وصوتيات مباشرة من خلال Prompt (الكلمات الدالة التي يقدمها المستخدم)، ويمكنهم حتى إنشاء أساليب لعب مخصصة في الألعاب وفقًا لتفضيلاتهم. مشاريع NFT مثل NFPrompt، يمكن للمستخدمين من خلالها توليد NFTs بواسطة AI وتداولها في السوق؛ ألعاب مثل Sleepless، حيث يقوم المستخدمون بتشكيل شخصية رفيقهم الافتراضي من خلال الحوار لتتناسب مع تفضيلاتهم؛
وكيل الذكاء الاصطناعي: يشير إلى أنظمة الذكاء الاصطناعي التي يمكنها تنفيذ المهام بشكل مستقل واتخاذ القرارات. عادةً ما يتمتع وكيل الذكاء الاصطناعي بقدرات على الإدراك والاستدلال والتعلم والعمل، مما يمكّنه من تنفيذ مهام معقدة في بيئات متنوعة. من أمثلة وكيل الذكاء الاصطناعي الشائعة ترجمة اللغة.
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 10
أعجبني
10
6
إعادة النشر
مشاركة
تعليق
0/400
BearMarketBuilder
· منذ 3 س
بعد أن كنت متفائلاً لفترة طويلة، أصبحت متشائماً أخيراً.
شاهد النسخة الأصليةرد0
HodlNerd
· منذ 3 س
علاقة مثيرة بين دورات الذكاء الاصطناعي ومرحلة التراكم للعملات المشفرة... يجب أن أحلل هذا بشكل أعمق
ويب 3-الذكاء الاصطناعي: تحليل عميق للمنطق التكنولوجي، سيناريوهات التطبيق والمشاريع الرائدة
تقرير شامل عن مسار Web3-AI: تحليل عميق للمنطق التقني، تطبيقات المشهد والمشاريع الرائدة
مع استمرار ارتفاع حرارة السرد المدعوم بالذكاء الاصطناعي، تتركز المزيد من الاهتمام على هذا المجال. تم إجراء تحليل عميق للمنطق التكنولوجي، وسيناريوهات التطبيق، والمشاريع الممثلة في مجال Web3-AI، لتقديم عرض شامل لكامل هذا المجال وتوجهاته التطويرية.
1. Web3-AI: تحليل المنطق الفني وفرص السوق الناشئة
1.1 منطق دمج Web3 و AI: كيف نحدد مسار Web-AI
في العام الماضي، كانت السرديات المعتمدة على الذكاء الاصطناعي شائعة بشكل استثنائي في صناعة Web3، وظهرت مشاريع الذكاء الاصطناعي كالفطر بعد المطر. على الرغم من أن العديد من المشاريع تتضمن تقنية الذكاء الاصطناعي، إلا أن بعض المشاريع تستخدم الذكاء الاصطناعي فقط في أجزاء معينة من منتجاتها، ولا ترتبط اقتصاديات الرموز الأساسية ارتباطًا جوهريًا بمنتجات الذكاء الاصطناعي، لذلك لا تُعتبر هذه المشاريع ضمن مناقشة مشاريع Web3-AI في هذه المقالة.
تركز هذه المقالة على المشاريع التي تستخدم blockchain لحل مشاكل العلاقات الإنتاجية، و AI لحل مشاكل الإنتاجية. تقدم هذه المشاريع منتجات AI بنفسها، بينما تعتمد على نموذج الاقتصاد Web3 كأداة لعلاقات الإنتاج، حيث يكمل كلاهما بعضهما البعض. نصنف هذه النوعية من المشاريع في مسار Web3-AI. لتسهيل فهم القراء لمسار Web3-AI، سيتم تقديم عرض عن عملية تطوير AI والتحديات التي تواجهها، بالإضافة إلى كيفية دمج Web3 و AI لحل المشاكل بشكل مثالي وخلق سيناريوهات تطبيق جديدة.
1.2 عملية تطوير الذكاء الاصطناعي والتحديات: من جمع البيانات إلى استنتاج النموذج
تقنية الذكاء الاصطناعي هي تقنية تجعل الكمبيوتر يقوم بمحاكاة وتوسيع وتعزيز الذكاء البشري. إنها تمكن الكمبيوتر من أداء مجموعة متنوعة من المهام المعقدة، من ترجمة اللغات، وتصنيف الصور إلى التعرف على الوجوه، والقيادة الذاتية، وغيرها من سيناريوهات التطبيق، 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 واستنتاج النتائج. 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 بيانات مفتوحة أو جمع بيانات حقيقية بنفسك. ثم قم بتسمية كل صورة بفئة (قط أو كلب)، تأكد من أن العلامات دقيقة. تحويل الصور إلى تنسيق يمكن للنموذج التعرف عليه، وتقسيم مجموعة البيانات إلى مجموعة تدريب، مجموعة تحقق، ومجموعة اختبار.
اختيار النموذج وضبطه: اختر النموذج المناسب، مثل الشبكات العصبية التلافيفية (CNN)، والتي تناسب مهام تصنيف الصور. قم بضبط معلمات النموذج أو هيكله بناءً على الاحتياجات المختلفة، وعادةً ما يمكن ضبط مستويات الشبكة للنموذج وفقًا لتعقيد مهمة الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون المستويات الشبكية الأقل عمقًا كافية.
تدريب النموذج: يمكن استخدام GPU أو TPU أو مجموعات الحوسبة عالية الأداء لتدريب النموذج، يتأثر وقت التدريب بتعقيد النموذج وقدرة الحوسبة.
استنتاج النموذج: عادةً ما تُسمى الملفات المدربة للنموذج بأوزان النموذج، وعملية الاستنتاج تشير إلى استخدام النموذج المدرب مسبقًا للتنبؤ أو تصنيف بيانات جديدة. يمكن استخدام مجموعة الاختبار أو بيانات جديدة لاختبار فعالية تصنيف النموذج، وعادةً ما يتم تقييم فعالية النموذج باستخدام مؤشرات مثل الدقة، معدل الاسترجاع، ودرجة F1.
كما هو موضح في الشكل، بعد جمع البيانات ومعالجة البيانات الأولية، واختيار النموذج وضبطه، ثم التدريب، سيتم إجراء الاستدلال على النموذج المدرب على مجموعة الاختبار للحصول على قيم توقعات القطط والكلاب P (الاحتمالية)، أي أن النموذج يستنتج احتمال أن يكون كلبًا أو قطًا.
! تقرير بانوراما مسار Web3-الذكاء الاصطناعي: تحليل متعمق للمنطق الفني وتطبيقات السيناريوهات وأهم المشاريع
يمكن دمج نموذج الذكاء الاصطناعي المدرب بشكل إضافي في مجموعة متنوعة من التطبيقات لأداء مهام مختلفة. في هذا المثال، يمكن دمج نموذج الذكاء الاصطناعي لتصنيف القطط والكلاب في تطبيق للهاتف المحمول، حيث يمكن للمستخدمين تحميل صور للقطط أو الكلاب والحصول على نتائج التصنيف.
ومع ذلك، توجد بعض المشكلات في عملية تطوير الذكاء الاصطناعي المركزي في السيناريوهات التالية:
خصوصية المستخدم: في السيناريوهات المركزية، تكون عملية تطوير الذكاء الاصطناعي عادة غير شفافة. قد يتم سرقة بيانات المستخدم دون علمه واستخدامها في تدريب الذكاء الاصطناعي.
مصادر البيانات: قد تواجه الفرق الصغيرة أو الأفراد قيودًا على البيانات غير المفتوحة عند الحصول على بيانات في مجالات معينة (مثل البيانات الطبية).
اختيار النموذج وضبطه: بالنسبة للفرق الصغيرة، من الصعب الحصول على موارد نماذج محددة أو إنفاق تكاليف كبيرة لتعديل النموذج.
الحصول على قوة الحوسبة: بالنسبة للمطورين الأفراد والفرق الصغيرة، قد تشكل التكاليف العالية لشراء وحدات معالجة الرسومات ورسوم استئجار قوة الحوسبة السحابية عبئًا اقتصاديًا كبيرًا.
دخل الأصول الذكية: غالبًا ما لا يتمكن العاملون في تصنيف البيانات من الحصول على دخل يتناسب مع ما يبذلونه، كما أن نتائج أبحاث مطوري الذكاء الاصطناعي يصعب مطابقتها مع المشترين الذين لديهم طلب.
يمكن تجاوز التحديات الموجودة في مشهد الذكاء الاصطناعي المركزي من خلال دمجه مع Web3، حيث أن Web3 كعلاقة إنتاج جديدة تتكيف بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل قوة إنتاجية جديدة، مما يعزز التقدم التكنولوجي وقدرات الإنتاج في نفس الوقت.
1.3 التآزر بين Web3 والذكاء الاصطناعي: تحول الأدوار وتطبيقات الابتكار
يمكن أن يؤدي دمج Web3 و AI إلى تعزيز سيادة المستخدم، وتوفير منصة مفتوحة للتعاون في AI، مما يسمح للمستخدمين بالتحول من مستخدمي AI في عصر Web2 إلى مشاركين، لإنشاء AI يمكن للجميع امتلاكه. في الوقت نفسه، يمكن أن تؤدي融合 عالم Web3 مع تقنيات AI إلى ظهور المزيد من سيناريوهات التطبيقات المبتكرة والأساليب.
بفضل تقنية Web3، سيشهد تطوير واستخدام الذكاء الاصطناعي نظامًا اقتصاديًا تعاونيًا جديدًا. يمكن ضمان خصوصية بيانات الأفراد، ويعزز نموذج جمع البيانات تقدم نماذج الذكاء الاصطناعي، وتتوافر العديد من موارد الذكاء الاصطناعي مفتوحة المصدر للاستخدام، ويمكن الحصول على قوة الحوسبة المشتركة بتكلفة منخفضة. من خلال آلية التعاون والتجمع اللامركزية وسوق الذكاء الاصطناعي المفتوح، يمكن تحقيق نظام عادل لتوزيع الدخل، مما يحفز المزيد من الناس على دفع تقدم تقنية الذكاء الاصطناعي.
في مشهد Web3، يمكن أن يكون للذكاء الاصطناعي تأثير إيجابي في عدة مجالات. على سبيل المثال، يمكن دمج نماذج الذكاء الاصطناعي في العقود الذكية، مما يعزز كفاءة العمل في سيناريوهات تطبيقية مختلفة، مثل تحليل السوق، واختبار الأمان، والتجميع الاجتماعي، والعديد من الوظائف الأخرى. لا يتيح الذكاء الاصطناعي التوليدي للمستخدمين تجربة دور "الفنان" فحسب، مثل استخدام تقنيات الذكاء الاصطناعي لإنشاء NFTs الخاصة بهم، بل يمكنه أيضًا خلق مشاهد ألعاب متنوعة وتجارب تفاعلية ممتعة 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 مشروع Web3-AI والهيكل التنظيمي
لقد درسنا بشكل أساسي 41 مشروعًا في مجال Web3-AI ، وقمنا بتصنيف هذه المشاريع إلى مستويات مختلفة. منطق تقسيم كل مستوى موضح في الشكل أدناه ، بما في ذلك مستوى البنية التحتية ، والمستوى الوسيط ، ومستوى التطبيق ، حيث يتم تقسيم كل مستوى إلى عدة أقسام. في الفصل التالي ، سنقوم بإجراء تحليل عميق لبعض المشاريع التمثيلية.
تغطي طبقة البنية التحتية الموارد الحاسوبية والهندسة التقنية التي تدعم تشغيل دورة حياة الذكاء الاصطناعي بأكملها، وتشمل الطبقة الوسطى إدارة البيانات وخدمات تطوير النماذج والتحقق من الاستدلال التي تربط البنية التحتية بالتطبيقات، بينما تركز الطبقة التطبيقية على التطبيقات والحلول المختلفة الموجهة مباشرة للمستخدم.
طبقة البنية التحتية:
层 البنية التحتية هي أساس دورة حياة الذكاء الاصطناعي، حيث تصنف هذه المقالة القدرة الحاسوبية، سلسلة الذكاء الاصطناعي ومنصة التطوير كطبقة البنية التحتية. فقط بدعم هذه البنية التحتية يمكن تحقيق تدريب واستدلال نماذج الذكاء الاصطناعي، وتقديم تطبيقات ذكاء اصطناعي قوية وعملية للمستخدمين.
شبكة الحوسبة اللامركزية: يمكن أن توفر قوة حوسبة موزعة لتدريب نماذج الذكاء الاصطناعي، مما يضمن استخدامًا فعالًا واقتصاديًا لموارد الحوسبة. بعض المشاريع تقدم سوقًا لامركزيًا للقوة الحاسوبية، حيث يمكن للمستخدمين استئجار القوة الحاسوبية بتكلفة منخفضة أو مشاركة القوة الحاسوبية لتحقيق الأرباح، ومن المشاريع الممثلة مثل IO.NET وHyperbolic. بالإضافة إلى ذلك، ظهرت بعض المشاريع بأساليب جديدة، مثل Compute Labs، التي اقترحت بروتوكولًا للقوة الحاسوبية المرمزة، حيث يمكن للمستخدمين من خلال شراء NFT يمثل وحدة GPU المشاركة بطرق مختلفة في استئجار القوة الحاسوبية لتحقيق الأرباح.
AI Chain: استخدام البلوك تشين كأساس لدورة حياة الذكاء الاصطناعي، لتحقيق التفاعل السلس بين موارد الذكاء الاصطناعي على السلسلة وخارجها، وتعزيز تطور النظام البيئي الصناعي. يمكن لسوق الذكاء الاصطناعي اللامركزي على السلسلة تداول أصول الذكاء الاصطناعي مثل البيانات والنماذج والوكلاء، ويوفر إطار تطوير الذكاء الاصطناعي وأدوات التطوير المصاحبة، من المشاريع الممثلة مثل Sahara AI. يمكن أن يعزز AI Chain أيضًا تقدم تقنيات الذكاء الاصطناعي في مجالات مختلفة، مثل Bittensor من خلال آلية تحفيز الشبكة الفرعية المبتكرة لتعزيز المنافسة بين أنواع الشبكات الفرعية المختلفة.
منصة التطوير: تقدم بعض المشاريع منصة تطوير وكيل الذكاء الاصطناعي، ويمكنها أيضًا تنفيذ تداول وكيل الذكاء الاصطناعي، مثل Fetch.ai و ChainML. توفر الأدوات الشاملة مساعدة للمطورين في إنشاء وتدريب ونشر نماذج الذكاء الاصطناعي بسهولة، ومن المشاريع الممثلة Nimble. تعزز هذه البنية التحتية الاستخدام الواسع لتقنية الذكاء الاصطناعي في نظام Web3 البيئي.
الطبقة الوسطى:
تتعلق هذه الطبقة ببيانات الذكاء الاصطناعي والنماذج وكذلك الاستدلال والتحقق، حيث يمكن تحقيق كفاءة عمل أعلى باستخدام تقنية Web3.
بالإضافة إلى ذلك، تسمح بعض المنصات للخبراء في المجالات أو المستخدمين العاديين بتنفيذ مهام معالجة البيانات، مثل وضع علامات على الصور وتصنيف البيانات، وهي مهام قد تتطلب معالجة بيانات تتعلق بالمعرفة المتخصصة في المجالات المالية والقانونية، حيث يمكن للمستخدمين تحويل مهاراتهم إلى رموز، مما يتيح التعاون الجماعي في معالجة البيانات. تمثل أسواق الذكاء الاصطناعي مثل Sahara AI مهام بيانات من مجالات مختلفة، ويمكن أن تغطي سيناريوهات بيانات متعددة المجالات؛ بينما يقوم بروتوكول AIT بوضع علامات على البيانات من خلال التعاون بين الإنسان والآلة.
بعض المشاريع تدعم المستخدمين لتقديم أنواع مختلفة من النماذج أو التعاون في تدريب النماذج من خلال الحشد، مثل Sentient التي تسمح بتصميم معياري، حيث يمكن للمستخدمين وضع بيانات نموذج موثوقة في طبقة التخزين وطبقة التوزيع لتحسين النموذج، كما أن أدوات التطوير المقدمة من Sahara AI تحتوي على خوارزميات AI متقدمة وإطار عمل حسابي، ولديها القدرة على التدريب التعاوني.
طبقة التطبيق:
تتوجه هذه الطبقة بشكل رئيسي نحو التطبيقات الموجهة للمستخدم، حيث تجمع بين الذكاء الاصطناعي وWeb3، مما يخلق المزيد من طرق اللعب المثيرة والمبتكرة. تركز هذه المقالة بشكل أساسي على مشاريع AIGC (المحتوى الذي يتم إنشاؤه بواسطة الذكاء الاصطناعي)، والوكلاء الذكائيين، وتحليل البيانات.
AIGC: يمكن توسيع AIGC إلى مجالات مثل NFT والألعاب في Web3، حيث يمكن للمستخدمين إنشاء نصوص وصور وصوتيات مباشرة من خلال Prompt (الكلمات الدالة التي يقدمها المستخدم)، ويمكنهم حتى إنشاء أساليب لعب مخصصة في الألعاب وفقًا لتفضيلاتهم. مشاريع NFT مثل NFPrompt، يمكن للمستخدمين من خلالها توليد NFTs بواسطة AI وتداولها في السوق؛ ألعاب مثل Sleepless، حيث يقوم المستخدمون بتشكيل شخصية رفيقهم الافتراضي من خلال الحوار لتتناسب مع تفضيلاتهم؛
وكيل الذكاء الاصطناعي: يشير إلى أنظمة الذكاء الاصطناعي التي يمكنها تنفيذ المهام بشكل مستقل واتخاذ القرارات. عادةً ما يتمتع وكيل الذكاء الاصطناعي بقدرات على الإدراك والاستدلال والتعلم والعمل، مما يمكّنه من تنفيذ مهام معقدة في بيئات متنوعة. من أمثلة وكيل الذكاء الاصطناعي الشائعة ترجمة اللغة.