تقرير شامل عن مسار Web3-AI: تحليل عميق للمنطق التكنولوجي، تطبيقات السيناريو والمشاريع الرائدة
مع استمرار ارتفاع رواية الذكاء الاصطناعي، تركز المزيد والمزيد من الاهتمام على هذا المجال. تم إجراء تحليل متعمق للمنطق التكنولوجي وسيناريوهات التطبيق والمشاريع الممثلة في مجال Web3-AI، لتقديم صورة شاملة عن هذا المجال واتجاهات التطوير.
١. ويب ٣-الذكاء الاصطناعي: تحليل المنطق التكنولوجي وفرص السوق الناشئة
1.1 منطق دمج Web3 و AI: كيفية تحديد مسار Web-AI
على مدار العام الماضي، كانت السرديات المدعومة بالذكاء الاصطناعي شائعة بشكل غير عادي في صناعة Web3، حيث ظهرت مشاريع الذكاء الاصطناعي كالفطر بعد المطر. على الرغم من وجود العديد من المشاريع التي تنطوي على تقنيات 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، وبالتالي لا تندرج هذه المشاريع ضمن مناقشة مشاريع Web3-AI في هذه المقالة.
تركز هذه المقالة على استخدام blockchain لحل مشاكل علاقات الإنتاج، واستخدام AI لحل مشاكل قوى الإنتاج، حيث تقدم هذه المشاريع منتجات AI نفسها، بينما تستند إلى نموذج الاقتصاد Web3 كأداة لعلاقات الإنتاج، حيث يكمل كل منهما الآخر. نصنف هذه المشاريع على أنها في مسار Web3-AI. من أجل تمكين القراء من فهم أفضل لمسار Web3-AI، سيتم توضيح عملية تطوير AI والتحديات المتعلقة بها، وكيف يمكن أن يجمع Web3 وAI بشكل مثالي لحل المشكلات وخلق سيناريوهات تطبيق جديدة.
1.2 عملية تطوير الذكاء الاصطناعي والتحديات: من جمع البيانات إلى استنتاج النموذج
تقنية الذكاء الاصطناعي هي تقنية تجعل الكمبيوتر قادرًا على محاكاة 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، والقيادة الذاتية، وما إلى ذلك من تطبيقات، حيث يقوم الذكاء الاصطناعي بتغيير الطريقة التي نعيش ونعمل بها.
تتضمن عملية تطوير نماذج الذكاء الاصطناعي عادةً الخطوات الرئيسية التالية: جمع البيانات ومعالجة البيانات، اختيار النموذج وضبطه، تدريب النموذج واستنتاجه. على سبيل المثال البسيط، لتطوير نموذج لتصنيف صور القطط والكلاب، تحتاج إلى:
جمع البيانات ومعالجة البيانات: جمع مجموعة بيانات تحتوي على صور للقطط والكلاب، ويمكن استخدام مجموعات البيانات العامة أو جمع بيانات حقيقية بنفسك. ثم قم بتسمية كل صورة بفئة (قط أو كلب)، وتأكد من دقة العلامات. 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)، التي تناسب مهام تصنيف الصور. ضبط معلمات النموذج أو هيكله وفقًا للاحتياجات المختلفة، وعادةً ما يمكن ضبط طبقات الشبكة الخاصة بالنموذج بناءً على تعقيد مهمة الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون الطبقات الشبكية الأقل عمقًا كافية.
تدريب النموذج: يمكن استخدام GPU أو TPU أو تجمعات الحوسبة عالية الأداء لتدريب النموذج، حيث يؤثر وقت التدريب على تعقيد النموذج وقدرة الحساب.
استنتاج النموذج: تُعرف الملفات التي تم تدريب النموذج بها عادةً بأوزان النموذج، وعملية الاستنتاج تشير إلى استخدام النموذج المدرب مسبقًا لتوقع 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، واسترجاع المعلومات، ودرجة F1.
كما هو موضح في الصورة، بعد جمع البيانات ومعالجة البيانات المسبقة، واختيار النموذج وضبطه، بالإضافة إلى التدريب، سيتم استنتاج القيم المتوقعة للقطط والكلاب P (احتمالية) من النموذج المدرب على مجموعة الاختبار، أي أن النموذج يستنتج ما إذا كان هو قطة أو كلب.
يمكن دمج نموذج AI المدرب بشكل أكبر في تطبيقات مختلفة لأداء مهام مختلفة. في هذا المثال، يمكن دمج نموذج AI لتصنيف القطط والكلاب في تطبيق هاتف محمول، حيث يقوم المستخدم بتحميل صورة لقط أو كلب، ثم يحصل على نتيجة التصنيف.
ومع ذلك، توجد بعض المشكلات في عملية تطوير الذكاء الاصطناعي المركزية في السيناريوهات التالية:
خصوصية المستخدم: في السيناريوهات المركزية، عادةً ما تكون عملية تطوير الذكاء الاصطناعي غير شفافة. قد يتم سرقة بيانات المستخدم دون علمه واستخدامها في تدريب الذكاء الاصطناعي.
مصدر البيانات: قد يواجه فريق صغير أو فرد قيودًا على عدم توفر البيانات عند الحصول على بيانات في مجالات محددة (مثل البيانات الطبية).
اختيار النموذج وتحسينه: بالنسبة للفرق الصغيرة، من الصعب الحصول على موارد نموذجية لمجال معين أو إنفاق تكاليف كبيرة لتحسين النموذج.
الحصول على قوة الحوسبة: بالنسبة للمطورين الأفراد والفرق الصغيرة، قد تشكل التكاليف المرتفعة لشراء وحدات معالجة الرسوميات وتكاليف استئجار قوة الحوسبة السحابية عبئًا اقتصاديًا كبيرًا.
إيرادات الأصول الذكية: غالبًا ما لا يتمكن العاملون في مجال وضع العلامات على البيانات من الحصول على إيرادات تتناسب مع جهودهم، كما أن نتائج أبحاث مطوري الذكاء الاصطناعي يصعب مطابقتها مع المشترين الذين لديهم طلب.
تحديات وجود الذكاء الاصطناعي في السيناريو المركزي يمكن التغلب عليها من خلال دمجها مع Web3، حيث أن Web3 كعلاقة إنتاج جديدة تتكيف بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل قوة إنتاجية جديدة، مما يدفع إلى التقدم المتزامن للتكنولوجيا والقدرات الإنتاجية.
1.3 التآزر بين Web3 و AI: تحول الأدوار وتطبيقات الابتكار
يمكن أن يعزز دمج Web3 مع الذكاء الاصطناعي سيادة المستخدم، ويوفر للمستخدمين منصة تعاونية مفتوحة للذكاء الاصطناعي، مما يسمح لهم بالتحول من مستخدمي الذكاء الاصطناعي في عصر Web2 إلى مشاركين، وخلق ذكاء اصطناعي يمكن للجميع امتلاكه. في الوقت نفسه، يمكن أن يؤدي دمج عالم Web3 مع تقنيات الذكاء الاصطناعي إلى ظهور المزيد من مشاهد التطبيقات المبتكرة وطرق اللعب.
استنادًا إلى تقنية Web3 ، سيشهد تطوير وتطبيق الذكاء الاصطناعي نظام اقتصاد تعاوني جديد تمامًا. يمكن ضمان خصوصية بيانات الناس ، ويعزز نموذج البيانات الجماعية تقدم نماذج الذكاء الاصطناعي ، وتتوافر العديد من موارد الذكاء الاصطناعي مفتوحة المصدر للاستخدام من قبل المستخدمين ، ويمكن الحصول على قوة الحوسبة المشتركة بتكلفة منخفضة. من خلال آلية التعاون الجماعي اللامركزية والسوق المفتوحة للذكاء الاصطناعي ، يمكن تحقيق نظام توزيع دخل عادل ، مما يحفز المزيد من الناس على دفع تقدم تقنية الذكاء الاصطناعي.
في مشهد Web3، يمكن أن تؤثر الذكاء الاصطناعي بشكل إيجابي في العديد من المجالات. على سبيل المثال، يمكن دمج نماذج الذكاء الاصطناعي في العقود الذكية، مما يعزز كفاءة العمل في سيناريوهات تطبيقية مختلفة، مثل تحليل الأسواق، وفحص الأمان، وتجمعات التواصل الاجتماعي، وغيرها من الوظائف المتنوعة. لا يتيح الذكاء الاصطناعي التوليدي للمستخدمين فقط تجربة دور "الفنان"، مثل استخدام تقنيات الذكاء الاصطناعي لإنشاء NFT الخاصة بهم، ولكنه أيضًا يمكن أن يخلق 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 مدخل مناسب في هذا العالم.
الثاني، تفسير خريطة وهيكل مشروع Web3-AI
لقد درسنا بشكل أساسي 41 مشروعًا في مجال Web3-AI وقمنا بتقسيم هذه المشاريع إلى مستويات مختلفة. يتم توضيح منطق تقسيم كل مستوى في الشكل أدناه، بما في ذلك مستوى البنية التحتية، والمستوى المتوسط، ومستوى التطبيقات، حيث يتم تقسيم كل مستوى إلى أقسام مختلفة. في الفصل التالي، سنقوم بإجراء تحليل عميق لبعض المشاريع التمثيلية.
تغطي طبقة البنية التحتية الموارد الحاسوبية وهندسة التكنولوجيا التي تدعم تشغيل دورة حياة الذكاء الاصطناعي بأكملها، بينما تشمل الطبقة الوسطى إدارة البيانات وخدمات تطوير النماذج والتحقق من الاستدلال التي تربط بين البنية التحتية والتطبيقات، بينما تركز الطبقة التطبيقية على مجموعة متنوعة من التطبيقات والحلول الموجهة مباشرة للمستخدمين.
طبقة البنية التحتية:
طبقة البنية التحتية هي أساس دورة حياة الذكاء الاصطناعي، حيث يتم تصنيف قوة الحوسبة و AI Chain ومنصة التطوير كطبقة بنية تحتية. فقط بدعم هذه البنية التحتية يمكن تحقيق تدريب واستدلال نماذج الذكاء الاصطناعي، وتقديم تطبيقات الذكاء الاصطناعي القوية والعملية للمستخدمين.
شبكة الحوسبة اللامركزية: يمكن أن توفر قوة حسابية موزعة لتدريب نماذج الذكاء الاصطناعي، مما يضمن استخدام موارد حسابية فعالة واقتصادية. تقدم بعض المشاريع سوقًا لامركزيًا للحوسبة، حيث يمكن للمستخدمين استئجار القوة الحاسوبية بتكلفة منخفضة أو مشاركة القوة الحاسوبية لتحقيق الربح، ومن المشاريع الممثلة IO.NET و Hyperbolic. بالإضافة إلى ذلك، ظهرت بعض المشاريع بأفكار جديدة، مثل Compute Labs، التي اقترحت بروتوكولًا موحدًا، حيث يمكن للمستخدمين من خلال شراء NFT يمثل وحدة معالجة الرسومات (GPU) المشاركة بطرق مختلفة في استئجار القوة الحاسوبية لتحقيق الربح.
AI Chain: استخدام البلوكشين كأساس لدورة حياة الذكاء الاصطناعي، لتحقيق التفاعل السلس بين موارد الذكاء الاصطناعي على السلسلة وخارجها، وتعزيز تطوير النظام البيئي الصناعي. يمكن للسوق اللامركزي على السلسلة تداول أصول الذكاء الاصطناعي مثل البيانات، والنماذج، والوكلاء، وغيرها، ويقدم إطار تطوير الذكاء الاصطناعي وأدوات التطوير المصاحبة، ومن المشاريع الممثلة Sahara AI. يمكن أن يعزز AI Chain أيضًا التقدم التكنولوجي في مجالات مختلفة من الذكاء الاصطناعي، مثل Bittensor من خلال آلية التحفيز المبتكرة لشبكات فرعية مختلفة لتعزيز المنافسة بين أنواع الذكاء الاصطناعي المختلفة.
منصة التطوير: تقدم بعض المشاريع منصة تطوير وكيل الذكاء الاصطناعي، ويمكنها أيضًا تنفيذ تداول وكيل الذكاء الاصطناعي، مثل Fetch.ai وChainML وغيرها. أدوات شاملة تساعد المطورين على إنشاء وتدريب ونشر نماذج الذكاء الاصطناعي بشكل أكثر سهولة، مثل مشروع Nimble. تعزز هذه البنية التحتية من الاستخدام الواسع لتقنية الذكاء الاصطناعي في نظام Web3 الإيكولوجي.
الطبقة الوسطى:
تتناول هذه الطبقة بيانات الذكاء الاصطناعي، والنماذج، والاستنتاج 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، من خلال البيانات الجماعية ومعالجة البيانات التعاونية، يمكن تحسين استخدام الموارد وتقليل تكاليف البيانات. يمكن للمستخدمين امتلاك حقوق البيانات الخاصة بهم، وبيع بياناتهم في ظل حماية الخصوصية، لتجنب سرقة البيانات من قبل تجار سيئين وتحقيق أرباح عالية. بالنسبة لطرف الطلب على البيانات، توفر هذه المنصات مجموعة واسعة من الخيارات وتكاليف منخفضة للغاية. المشاريع الممثلة مثل Grass تستخدم عرض النطاق الترددي للمستخدمين لجمع بيانات الويب، وتجمع xData المعلومات الإعلامية من خلال ملحق سهل الاستخدام، وتدعم المستخدمين في رفع معلومات التغريد.
بالإضافة إلى ذلك، تسمح بعض المنصات للخبراء في المجال أو المستخدمين العاديين بتنفيذ مهام معالجة البيانات، مثل وضع علامات على الصور وتصنيف البيانات، وهذه المهام قد تتطلب معرفة متخصصة في معالجة بيانات المهام المالية والقانونية، يمكن للمستخدمين توكين مهاراتهم لتحقيق التعاون في معالجة البيانات كحشد. تمثل سوق AI مثل Sahara AI، التي تحتوي على مهام بيانات من مجالات مختلفة، ويمكن أن تغطي سيناريوهات بيانات متعددة المجالات؛ بينما يقوم بروتوكول AIT بتسمية البيانات من خلال التعاون بين الإنسان والآلة.
النموذج: في عملية تطوير الذكاء الاصطناعي التي تم ذكرها سابقًا، تتطلب أنواع مختلفة من المتطلبات مطابقة النموذج المناسب. النماذج الشائعة في مهام الصور مثل CNN و GAN، لمهام الكشف عن الأهداف يمكن اختيار سلسلة Yolo، في مهام النصوص النماذج الشائعة هي RNN و Transformer، بالطبع هناك أيضًا بعض النماذج الكبيرة المحددة أو العامة. تحتاج المهام ذات التعقيد المختلف إلى عمق نماذج مختلف، وأحيانًا يتطلب الأمر 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 بتصميم معياري، مما يتيح للمستخدمين وضع بيانات النموذج الموثوقة في طبقة التخزين، وطبقة التوزيع لتحسين النموذج، بينما توفر أدوات التطوير المقدمة من Sahara AI خوارزميات ذكاء اصطناعي متقدمة وإطار عمل حسابي، ولديها القدرة على التدريب التعاوني.
الاستدلال والتحقق: بعد تدريب النموذج، سيتم إنشاء ملفات أوزان النموذج، والتي يمكن استخدامها مباشرة للتصنيف أو التنبؤ أو مهام محددة أخرى، وتسمى هذه العملية الاستدلال. عادةً ما تصاحب عملية الاستدلال آلية للتحقق، للتحقق مما إذا كان مصدر نموذج الاستدلال صحيحًا، وما إذا كانت هناك سلوكيات خبيثة، وما إلى ذلك. يمكن تكامل الاستدلال في Web3 في العقود الذكية، من خلال استدعاء النموذج لإجراء الاستدلال، وتشمل طرق التحقق الشائعة تقنيات مثل ZKML و OPML و TEE. من المشاريع الممثلة مثل Oracle AI على سلسلة ORA (OAO)، والتي أدخلت OPML كطبقة قابلة للتحقق لـ AI Oracle، كما ذُكر في الموقع الرسمي لـ ORA أبحاثهم حول ZKML و opp/ai (ZKML بالاشتراك مع OPML).
层 التطبيق:
هذه الطبقة موجهة مباشرة للمستخدمين، حيث تجمع بين الذكاء الاصطناعي وWeb3، مما يخلق المزيد من الأشياء المثيرة.
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 12
أعجبني
12
6
إعادة النشر
مشاركة
تعليق
0/400
PerpetualLonger
· 08-14 01:56
السوق الصاعدة已来 ai必定带领 شراء الانخفاض吸货ing
شاهد النسخة الأصليةرد0
BTCRetirementFund
· 08-13 22:16
هناك الكثير من المشاريع التي تروج للمفاهيم، ومن النظرة الأولى يمكنك معرفة ما إذا كانت حقيقية أم لا.
شاهد النسخة الأصليةرد0
LiquidityWitch
· 08-13 22:13
مرة أخرى، هذه قصة لجمع الأموال
شاهد النسخة الأصليةرد0
screenshot_gains
· 08-13 22:01
ما فائدة الذكاء الاصطناعي لكل فرد إذا كان لا يزال يتعين عليهم خداع الناس لتحقيق الربح
تقرير شامل عن Web3-AI: تحليل عميق للتكامل التكنولوجي، سيناريوهات التطبيق والمشاريع الرائدة
تقرير شامل عن مسار Web3-AI: تحليل عميق للمنطق التكنولوجي، تطبيقات السيناريو والمشاريع الرائدة
مع استمرار ارتفاع رواية الذكاء الاصطناعي، تركز المزيد والمزيد من الاهتمام على هذا المجال. تم إجراء تحليل متعمق للمنطق التكنولوجي وسيناريوهات التطبيق والمشاريع الممثلة في مجال Web3-AI، لتقديم صورة شاملة عن هذا المجال واتجاهات التطوير.
١. ويب ٣-الذكاء الاصطناعي: تحليل المنطق التكنولوجي وفرص السوق الناشئة
1.1 منطق دمج Web3 و AI: كيفية تحديد مسار Web-AI
على مدار العام الماضي، كانت السرديات المدعومة بالذكاء الاصطناعي شائعة بشكل غير عادي في صناعة Web3، حيث ظهرت مشاريع الذكاء الاصطناعي كالفطر بعد المطر. على الرغم من وجود العديد من المشاريع التي تنطوي على تقنيات 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، وبالتالي لا تندرج هذه المشاريع ضمن مناقشة مشاريع Web3-AI في هذه المقالة.
تركز هذه المقالة على استخدام blockchain لحل مشاكل علاقات الإنتاج، واستخدام AI لحل مشاكل قوى الإنتاج، حيث تقدم هذه المشاريع منتجات AI نفسها، بينما تستند إلى نموذج الاقتصاد Web3 كأداة لعلاقات الإنتاج، حيث يكمل كل منهما الآخر. نصنف هذه المشاريع على أنها في مسار Web3-AI. من أجل تمكين القراء من فهم أفضل لمسار Web3-AI، سيتم توضيح عملية تطوير AI والتحديات المتعلقة بها، وكيف يمكن أن يجمع Web3 وAI بشكل مثالي لحل المشكلات وخلق سيناريوهات تطبيق جديدة.
1.2 عملية تطوير الذكاء الاصطناعي والتحديات: من جمع البيانات إلى استنتاج النموذج
تقنية الذكاء الاصطناعي هي تقنية تجعل الكمبيوتر قادرًا على محاكاة 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، والقيادة الذاتية، وما إلى ذلك من تطبيقات، حيث يقوم الذكاء الاصطناعي بتغيير الطريقة التي نعيش ونعمل بها.
تتضمن عملية تطوير نماذج الذكاء الاصطناعي عادةً الخطوات الرئيسية التالية: جمع البيانات ومعالجة البيانات، اختيار النموذج وضبطه، تدريب النموذج واستنتاجه. على سبيل المثال البسيط، لتطوير نموذج لتصنيف صور القطط والكلاب، تحتاج إلى:
جمع البيانات ومعالجة البيانات: جمع مجموعة بيانات تحتوي على صور للقطط والكلاب، ويمكن استخدام مجموعات البيانات العامة أو جمع بيانات حقيقية بنفسك. ثم قم بتسمية كل صورة بفئة (قط أو كلب)، وتأكد من دقة العلامات. 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)، التي تناسب مهام تصنيف الصور. ضبط معلمات النموذج أو هيكله وفقًا للاحتياجات المختلفة، وعادةً ما يمكن ضبط طبقات الشبكة الخاصة بالنموذج بناءً على تعقيد مهمة الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون الطبقات الشبكية الأقل عمقًا كافية.
تدريب النموذج: يمكن استخدام GPU أو TPU أو تجمعات الحوسبة عالية الأداء لتدريب النموذج، حيث يؤثر وقت التدريب على تعقيد النموذج وقدرة الحساب.
استنتاج النموذج: تُعرف الملفات التي تم تدريب النموذج بها عادةً بأوزان النموذج، وعملية الاستنتاج تشير إلى استخدام النموذج المدرب مسبقًا لتوقع 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، واسترجاع المعلومات، ودرجة F1.
كما هو موضح في الصورة، بعد جمع البيانات ومعالجة البيانات المسبقة، واختيار النموذج وضبطه، بالإضافة إلى التدريب، سيتم استنتاج القيم المتوقعة للقطط والكلاب P (احتمالية) من النموذج المدرب على مجموعة الاختبار، أي أن النموذج يستنتج ما إذا كان هو قطة أو كلب.
يمكن دمج نموذج AI المدرب بشكل أكبر في تطبيقات مختلفة لأداء مهام مختلفة. في هذا المثال، يمكن دمج نموذج AI لتصنيف القطط والكلاب في تطبيق هاتف محمول، حيث يقوم المستخدم بتحميل صورة لقط أو كلب، ثم يحصل على نتيجة التصنيف.
ومع ذلك، توجد بعض المشكلات في عملية تطوير الذكاء الاصطناعي المركزية في السيناريوهات التالية:
خصوصية المستخدم: في السيناريوهات المركزية، عادةً ما تكون عملية تطوير الذكاء الاصطناعي غير شفافة. قد يتم سرقة بيانات المستخدم دون علمه واستخدامها في تدريب الذكاء الاصطناعي.
مصدر البيانات: قد يواجه فريق صغير أو فرد قيودًا على عدم توفر البيانات عند الحصول على بيانات في مجالات محددة (مثل البيانات الطبية).
اختيار النموذج وتحسينه: بالنسبة للفرق الصغيرة، من الصعب الحصول على موارد نموذجية لمجال معين أو إنفاق تكاليف كبيرة لتحسين النموذج.
الحصول على قوة الحوسبة: بالنسبة للمطورين الأفراد والفرق الصغيرة، قد تشكل التكاليف المرتفعة لشراء وحدات معالجة الرسوميات وتكاليف استئجار قوة الحوسبة السحابية عبئًا اقتصاديًا كبيرًا.
إيرادات الأصول الذكية: غالبًا ما لا يتمكن العاملون في مجال وضع العلامات على البيانات من الحصول على إيرادات تتناسب مع جهودهم، كما أن نتائج أبحاث مطوري الذكاء الاصطناعي يصعب مطابقتها مع المشترين الذين لديهم طلب.
تحديات وجود الذكاء الاصطناعي في السيناريو المركزي يمكن التغلب عليها من خلال دمجها مع Web3، حيث أن Web3 كعلاقة إنتاج جديدة تتكيف بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل قوة إنتاجية جديدة، مما يدفع إلى التقدم المتزامن للتكنولوجيا والقدرات الإنتاجية.
1.3 التآزر بين Web3 و AI: تحول الأدوار وتطبيقات الابتكار
يمكن أن يعزز دمج Web3 مع الذكاء الاصطناعي سيادة المستخدم، ويوفر للمستخدمين منصة تعاونية مفتوحة للذكاء الاصطناعي، مما يسمح لهم بالتحول من مستخدمي الذكاء الاصطناعي في عصر Web2 إلى مشاركين، وخلق ذكاء اصطناعي يمكن للجميع امتلاكه. في الوقت نفسه، يمكن أن يؤدي دمج عالم Web3 مع تقنيات الذكاء الاصطناعي إلى ظهور المزيد من مشاهد التطبيقات المبتكرة وطرق اللعب.
استنادًا إلى تقنية Web3 ، سيشهد تطوير وتطبيق الذكاء الاصطناعي نظام اقتصاد تعاوني جديد تمامًا. يمكن ضمان خصوصية بيانات الناس ، ويعزز نموذج البيانات الجماعية تقدم نماذج الذكاء الاصطناعي ، وتتوافر العديد من موارد الذكاء الاصطناعي مفتوحة المصدر للاستخدام من قبل المستخدمين ، ويمكن الحصول على قوة الحوسبة المشتركة بتكلفة منخفضة. من خلال آلية التعاون الجماعي اللامركزية والسوق المفتوحة للذكاء الاصطناعي ، يمكن تحقيق نظام توزيع دخل عادل ، مما يحفز المزيد من الناس على دفع تقدم تقنية الذكاء الاصطناعي.
في مشهد Web3، يمكن أن تؤثر الذكاء الاصطناعي بشكل إيجابي في العديد من المجالات. على سبيل المثال، يمكن دمج نماذج الذكاء الاصطناعي في العقود الذكية، مما يعزز كفاءة العمل في سيناريوهات تطبيقية مختلفة، مثل تحليل الأسواق، وفحص الأمان، وتجمعات التواصل الاجتماعي، وغيرها من الوظائف المتنوعة. لا يتيح الذكاء الاصطناعي التوليدي للمستخدمين فقط تجربة دور "الفنان"، مثل استخدام تقنيات الذكاء الاصطناعي لإنشاء NFT الخاصة بهم، ولكنه أيضًا يمكن أن يخلق 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 مدخل مناسب في هذا العالم.
الثاني، تفسير خريطة وهيكل مشروع Web3-AI
لقد درسنا بشكل أساسي 41 مشروعًا في مجال Web3-AI وقمنا بتقسيم هذه المشاريع إلى مستويات مختلفة. يتم توضيح منطق تقسيم كل مستوى في الشكل أدناه، بما في ذلك مستوى البنية التحتية، والمستوى المتوسط، ومستوى التطبيقات، حيث يتم تقسيم كل مستوى إلى أقسام مختلفة. في الفصل التالي، سنقوم بإجراء تحليل عميق لبعض المشاريع التمثيلية.
تغطي طبقة البنية التحتية الموارد الحاسوبية وهندسة التكنولوجيا التي تدعم تشغيل دورة حياة الذكاء الاصطناعي بأكملها، بينما تشمل الطبقة الوسطى إدارة البيانات وخدمات تطوير النماذج والتحقق من الاستدلال التي تربط بين البنية التحتية والتطبيقات، بينما تركز الطبقة التطبيقية على مجموعة متنوعة من التطبيقات والحلول الموجهة مباشرة للمستخدمين.
طبقة البنية التحتية:
طبقة البنية التحتية هي أساس دورة حياة الذكاء الاصطناعي، حيث يتم تصنيف قوة الحوسبة و AI Chain ومنصة التطوير كطبقة بنية تحتية. فقط بدعم هذه البنية التحتية يمكن تحقيق تدريب واستدلال نماذج الذكاء الاصطناعي، وتقديم تطبيقات الذكاء الاصطناعي القوية والعملية للمستخدمين.
شبكة الحوسبة اللامركزية: يمكن أن توفر قوة حسابية موزعة لتدريب نماذج الذكاء الاصطناعي، مما يضمن استخدام موارد حسابية فعالة واقتصادية. تقدم بعض المشاريع سوقًا لامركزيًا للحوسبة، حيث يمكن للمستخدمين استئجار القوة الحاسوبية بتكلفة منخفضة أو مشاركة القوة الحاسوبية لتحقيق الربح، ومن المشاريع الممثلة IO.NET و Hyperbolic. بالإضافة إلى ذلك، ظهرت بعض المشاريع بأفكار جديدة، مثل Compute Labs، التي اقترحت بروتوكولًا موحدًا، حيث يمكن للمستخدمين من خلال شراء NFT يمثل وحدة معالجة الرسومات (GPU) المشاركة بطرق مختلفة في استئجار القوة الحاسوبية لتحقيق الربح.
AI Chain: استخدام البلوكشين كأساس لدورة حياة الذكاء الاصطناعي، لتحقيق التفاعل السلس بين موارد الذكاء الاصطناعي على السلسلة وخارجها، وتعزيز تطوير النظام البيئي الصناعي. يمكن للسوق اللامركزي على السلسلة تداول أصول الذكاء الاصطناعي مثل البيانات، والنماذج، والوكلاء، وغيرها، ويقدم إطار تطوير الذكاء الاصطناعي وأدوات التطوير المصاحبة، ومن المشاريع الممثلة Sahara AI. يمكن أن يعزز AI Chain أيضًا التقدم التكنولوجي في مجالات مختلفة من الذكاء الاصطناعي، مثل Bittensor من خلال آلية التحفيز المبتكرة لشبكات فرعية مختلفة لتعزيز المنافسة بين أنواع الذكاء الاصطناعي المختلفة.
منصة التطوير: تقدم بعض المشاريع منصة تطوير وكيل الذكاء الاصطناعي، ويمكنها أيضًا تنفيذ تداول وكيل الذكاء الاصطناعي، مثل Fetch.ai وChainML وغيرها. أدوات شاملة تساعد المطورين على إنشاء وتدريب ونشر نماذج الذكاء الاصطناعي بشكل أكثر سهولة، مثل مشروع Nimble. تعزز هذه البنية التحتية من الاستخدام الواسع لتقنية الذكاء الاصطناعي في نظام Web3 الإيكولوجي.
الطبقة الوسطى:
تتناول هذه الطبقة بيانات الذكاء الاصطناعي، والنماذج، والاستنتاج والتحقق، ويمكن تحقيق كفاءة عمل أعلى باستخدام تقنية Web3.
بالإضافة إلى ذلك، تسمح بعض المنصات للخبراء في المجال أو المستخدمين العاديين بتنفيذ مهام معالجة البيانات، مثل وضع علامات على الصور وتصنيف البيانات، وهذه المهام قد تتطلب معرفة متخصصة في معالجة بيانات المهام المالية والقانونية، يمكن للمستخدمين توكين مهاراتهم لتحقيق التعاون في معالجة البيانات كحشد. تمثل سوق AI مثل Sahara AI، التي تحتوي على مهام بيانات من مجالات مختلفة، ويمكن أن تغطي سيناريوهات بيانات متعددة المجالات؛ بينما يقوم بروتوكول AIT بتسمية 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 الحشد، مثل Sentient التي تسمح بتصميم معياري، مما يتيح للمستخدمين وضع بيانات النموذج الموثوقة في طبقة التخزين، وطبقة التوزيع لتحسين النموذج، بينما توفر أدوات التطوير المقدمة من Sahara AI خوارزميات ذكاء اصطناعي متقدمة وإطار عمل حسابي، ولديها القدرة على التدريب التعاوني.
层 التطبيق:
هذه الطبقة موجهة مباشرة للمستخدمين، حيث تجمع بين الذكاء الاصطناعي وWeb3، مما يخلق المزيد من الأشياء المثيرة.