دمج Web3 و AI: بناء بنية تحتية جديدة للإنترنت من الجيل التالي

تعتبر Web3 نموذج إنترنت جديد لامركزي ومفتوح وشفاف، ولديها فرصة اندماج طبيعية مع الذكاء الاصطناعي. في ظل الهيكل التقليدي المركزي، يتم التحكم بشكل صارم في حسابات الذكاء الاصطناعي وموارد البيانات، مما يؤدي إلى وجود تحديات عديدة مثل اختناق القدرة الحاسوبية، تسرب الخصوصية، وصناديق سوداء خوارزمية. بينما تعتمد Web3 على تقنية موزعة، يمكن من خلالها ضخ طاقة جديدة في تطوير الذكاء الاصطناعي من خلال شبكة مشاركة القدرة الحاسوبية، سوق البيانات المفتوحة، وحساب الخصوصية. في الوقت نفسه، يمكن للذكاء الاصطناعي أن يوفر العديد من القدرات لـ Web3، مثل تحسين العقود الذكية وخوارزميات مكافحة الغش، مما يعزز من بناء نظامها البيئي. لذلك، فإن استكشاف دمج Web3 والذكاء الاصطناعي يعد أمرًا بالغ الأهمية لبناء بنية تحتية للإنترنت من الجيل التالي، وإطلاق قيمة البيانات والقدرة الحاسوبية.

البيانات المدفوعة: الأساس المتين للذكاء الاصطناعي وWeb3

البيانات هي القوة الدافعة الأساسية لتطور الذكاء الاصطناعي، تمامًا كما هو الحال مع الوقود بالنسبة للمحركات. تحتاج نماذج الذكاء الاصطناعي إلى استيعاب كميات كبيرة من البيانات عالية الجودة من أجل الحصول على فهم عميق وقدرات استدلال قوية، فالبيانات لا توفر فقط الأساس للتدريب على نماذج التعلم الآلي، بل تحدد أيضًا دقة وموثوقية النموذج.

توجد المشكلات الرئيسية التالية في نماذج الحصول على البيانات واستخدامها في الذكاء الاصطناعي المركزية التقليدية:

• تكلفة الحصول على البيانات مرتفعة، والشركات الصغيرة والمتوسطة تكافح لتحملها
• يتم احتكار موارد البيانات من قبل عمالقة التكنولوجيا، مما يشكل جزر بيانات.
• تواجه خصوصية البيانات الشخصية مخاطر التسرب وسوء الاستخدام

يمكن أن يحل Web3 نقاط الألم في النموذج التقليدي من خلال نموذج بيانات لامركزي جديد:

• يمكن للمستخدمين بيع الشبكة غير المستخدمة لشركات الذكاء الاصطناعي، لجمع بيانات الشبكة بشكل لامركزي، وتوفير بيانات حقيقية وعالية الجودة لتدريب نماذج الذكاء الاصطناعي.
• اعتماد نموذج "label to earn"، من خلال تحفيز الرموز للمشاركين العالميين في توضيح البيانات، لتجميع المعرفة المهنية العالمية.
• توفر منصة تداول بيانات blockchain بيئة تداول公开 وشفافة لطرفي العرض والطلب على البيانات، مما يحفز الابتكار ومشاركة البيانات.

على الرغم من ذلك، توجد بعض المشكلات في جمع البيانات من العالم الحقيقي، مثل اختلاف جودة البيانات، وصعوبة المعالجة، وعدم التنوع والتمثيل الكافي. قد تكون البيانات المركبة هي النقطة البارزة لمستقبل بيانات Web3. استنادًا إلى تقنية الذكاء الاصطناعي التوليدي والمحاكاة، يمكن للبيانات المركبة محاكاة خصائص البيانات الحقيقية، كإضافة فعالة للبيانات الحقيقية، مما يزيد من كفاءة استخدام البيانات. في مجالات مثل القيادة الذاتية، وتداول الأسواق المالية، وتطوير الألعاب، أظهرت البيانات المركبة بالفعل إمكانات تطبيق ناضجة.

حماية الخصوصية: دور FHE في Web3

في عصر البيانات المدفوعة، أصبحت حماية الخصوصية محور اهتمام عالمي، إن صدور لوائح مثل اللائحة العامة لحماية البيانات (GDPR) من الاتحاد الأوروبي يعكس الحماية الصارمة للخصوصية الشخصية. ومع ذلك، فإن هذا يسبب أيضًا تحديات: بعض البيانات الحساسة لا يمكن استخدامها بشكل كامل بسبب مخاطر الخصوصية، وهذا بلا شك يحد من إمكانيات نموذج الذكاء الاصطناعي وقدراته على الاستدلال.

FHE هو تشفير متجانس بالكامل، يسمح بإجراء عمليات حسابية مباشرة على البيانات المشفرة دون الحاجة إلى فك تشفير البيانات، والنتائج الحسابية تتطابق مع النتائج التي تم الحصول عليها من إجراء نفس العمليات على البيانات النصية.

توفر FHE حماية قوية للحوسبة الخصوصية في الذكاء الاصطناعي، مما يمكّن قوة معالجة GPU من تنفيذ مهام تدريب النموذج والاستدلال في بيئة لا تمس البيانات الأصلية. وهذا يجلب مزايا هائلة لشركات الذكاء الاصطناعي. يمكنها فتح خدمات API بأمان مع حماية الأسرار التجارية.

يدعم FHEML تشفير البيانات والنماذج خلال دورة تعلم الآلة بأكملها، 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 تكملة لـ ZKML، حيث تثبت ZKML التنفيذ الصحيح للتعلم الآلي، بينما يركز FHEML على إجراء الحسابات على البيانات المشفرة للحفاظ على خصوصية البيانات.

ثورة القدرة الحاسوبية: حسابات الذكاء الاصطناعي في الشبكات اللامركزية

تتضاعف تعقيدات حساب النظام الذكي الحالي كل ثلاثة أشهر، مما يؤدي إلى زيادة كبيرة في الطلب على قوة الكمبيوتر، والتي تتجاوز بكثير العرض الحالي من الموارد الحاسوبية. على سبيل المثال، يتطلب تدريب نموذج GPT-3 قوة حسابية هائلة، تعادل 355 عامًا من وقت التدريب على جهاز واحد. مثل هذا النقص في قوة الحساب لا يقتصر فقط على تقييد تقدم تقنيات الذكاء الاصطناعي، بل يجعل أيضًا تلك النماذج المتقدمة من الذكاء الاصطناعي بعيدة المنال بالنسبة لمعظم الباحثين والمطورين.

في الوقت نفسه، فإن معدل استخدام وحدات معالجة الرسوميات العالمية أقل من 40%، بالإضافة إلى تباطؤ تحسين أداء وحدات المعالجة المركزية، ونقص الرقائق الناجم عن عوامل سلسلة التوريد والجغرافيا السياسية، كل ذلك يجعل مشكلة إمدادات القدرة الحاسوبية أكثر خطورة. يجد المتخصصون في الذكاء الاصطناعي أنفسهم في مأزق: إما شراء الأجهزة بأنفسهم، أو استئجار موارد سحابية، وهم في حاجة ماسة إلى طريقة للخدمات الحاسوبية فعالة من حيث التكلفة حسب الطلب.

تقدم بعض الشبكات اللامركزية لحوسبة الذكاء الاصطناعي سوقا للحوسبة اقتصاديا وسهل الوصول من خلال تجميع موارد GPU غير المستخدمة على مستوى العالم لشركات الذكاء الاصطناعي. يمكن لمتطلبات الحوسبة نشر مهام حسابية على الشبكة، حيث تقوم العقود الذكية بتوزيع المهام على عُقد المعدنين التي تساهم في الحوسبة، ويقوم المعدنون بتنفيذ المهام وتقديم النتائج، وبعد التحقق يحصلون على مكافآت نقاط. تعزز هذه الخطة كفاءة استخدام الموارد، وتساعد في حل مشكلة اختناق الحوسبة في مجالات مثل الذكاء الاصطناعي.

بالإضافة إلى الشبكات العامة للقوة الحاسوبية اللامركزية، هناك بعض المنصات التي تركز على تدريب الذكاء الاصطناعي، بالإضافة إلى بعض الشبكات المخصصة للقوة الحاسوبية التي تركز على استنتاج الذكاء الاصطناعي.

تقدم شبكة الحوسبة اللامركزية سوق حوسبة عادل وشفاف، تكسر الاحتكار، وتخفض من عتبة التطبيق، وتزيد من كفاءة استخدام الحوسبة. في نظام إيكولوجي web3، ستلعب شبكة الحوسبة اللامركزية دورًا حاسمًا، مما يجذب المزيد من التطبيقات اللامركزية المبتكرة للانضمام، ويدفع معًا لتطوير وتطبيق تقنية الذكاء الاصطناعي.

DePIN: تمكين Web3 للذكاء الاصطناعي على الحافة

تخيل أن هاتفك المحمول، وساعتك الذكية، وحتى الأجهزة الذكية في منزلك، لديها القدرة على تشغيل الذكاء الاصطناعي - هذه هي جاذبية Edge AI. إنها تجعل الحساب يحدث في مصدر البيانات، مما يحقق انخفاضًا في زمن الاستجابة، ومعالجة في الوقت الحقيقي، مع حماية خصوصية المستخدم. لقد تم تطبيق تقنية Edge AI بالفعل في مجالات حيوية مثل القيادة الذاتية.

في مجال Web3، لدينا اسم أكثر ألفة - DePIN. يركز Web3 على اللامركزية وحقوق ملكية بيانات المستخدمين، يمكن أن يعزز DePIN من حماية خصوصية المستخدمين من خلال معالجة البيانات محليًا، مما يقلل من مخاطر تسرب البيانات؛ يمكن لآلية الاقتصاد الرمزي الأصلية لـ Web3 تحفيز عقد DePIN على تقديم موارد حسابية، وبناء نظام بيئي مستدام.

تتطور DePIN حاليًا بسرعة في بعض بيئات سلاسل الكتل العامة، لتصبح واحدة من المنصات المفضلة لنشر المشاريع. تقدم TPS العالية، وانخفاض تكاليف المعاملات، والابتكارات التقنية دعمًا قويًا لمشاريع DePIN. وقد حققت بعض مشاريع DePIN المعروفة تقدمًا ملحوظًا.

IMO: إصدار نموذج جديد لنموذج AI

تم اقتراح مفهوم IMO من قبل بعض البروتوكولات أولاً، حيث يتم توكين نموذج الذكاء الاصطناعي.

في النموذج التقليدي، نظرًا لعدم وجود آلية لمشاركة العائدات، بمجرد تطوير نموذج الذكاء الاصطناعي وإدخاله إلى السوق، غالبًا ما يواجه المطورون صعوبة في تحقيق عائد مستمر من الاستخدام اللاحق للنموذج، خاصة عندما يتم دمج النموذج في منتجات وخدمات أخرى، يصبح من الصعب على المبدعين الأصليين تتبع الاستخدام، ناهيك عن تحقيق أرباح من ذلك. علاوة على ذلك، فإن أداء وفاعلية نماذج الذكاء الاصطناعي غالبًا ما تعاني من نقص الشفافية، مما يجعل من الصعب على المستثمرين والمستخدمين المحتملين تقييم قيمتها الحقيقية، مما يحد من الاعتراف السوقي للنموذج وإمكاناته التجارية.

يوفر IMO وسيلة جديدة تمامًا لدعم التمويل ومشاركة القيمة لنماذج الذكاء الاصطناعي مفتوحة المصدر، حيث يمكن للمستثمرين شراء رموز IMO ومشاركة العائدات الناتجة عن النموذج في المستقبل. تستخدم بعض البروتوكولات معيار ERC الجديد، بالاشتراك مع تقنية Oracle AI و OPML لضمان مصداقية نماذج الذكاء الاصطناعي وتمكين حاملي الرموز من مشاركة العوائد.

تعزز نماذج IMO الشفافية والثقة، وتشجع التعاون مفتوح المصدر، وتتكيف مع اتجاهات سوق العملات المشفرة، وتضخ الزخم في التنمية المستدامة لتقنيات الذكاء الاصطناعي. لا تزال IMO في مرحلة التجريب المبكرة، ولكن مع زيادة قبول السوق وتوسيع نطاق المشاركة، فإن ابتكارها وقيمتها المحتملة تستحق توقعاتنا.

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 فهم اللغة الطبيعية، والتخطيط واتخاذ القرارات، وتنفيذ المهام المعقدة. يمكن أن يعملوا كمساعدين افتراضيين، يتعلمون تفضيلات المستخدم من خلال التفاعل معه، ويقدمون حلولاً شخصية. حتى في غياب التعليمات الواضحة، يمكن لوكيل الذكاء الاصطناعي حل المشكلات بشكل مستقل، وزيادة الكفاءة، وخلق قيمة جديدة.

بعض المنصات تقدم مجموعة أدوات إبداعية متكاملة وسهلة الاستخدام، تدعم المستخدمين في تخصيص وظائف الروبوت، والمظهر، والصوت، بالإضافة إلى ربطها بمكتبات المعرفة الخارجية، وتكرّس جهودها لبناء نظام بيئي لمحتوى الذكاء الاصطناعي عادل ومفتوح. تستخدم هذه المنصات تقنيات الذكاء الاصطناعي التوليدية، مما يتيح للأفراد أن يصبحوا منشئين متميزين. قامت بعض المنصات بتدريب نماذج لغوية كبيرة مخصصة، مما يجعل تجربة اللعب بالأدوار أكثر إنسانية؛ ويمكن لتقنية استنساخ الصوت تسريع التفاعل الشخصي في منتجات الذكاء الاصطناعي، وتقليل تكاليف توليد الصوت بشكل كبير، حيث يمكن تحقيق استنساخ الصوت في دقيقة واحدة فقط. باستخدام وكيل ذكاء اصطناعي مخصص، يمكن تطبيق ذلك حالياً في مجالات متعددة مثل الدردشة المرئية، وتعلم اللغات، وتوليد الصور.

في دمج Web3 و AI، يتم حالياً 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 لقوة الحوسبة اللامركزية، وكيفية التحقق من نماذج اللغة الكبيرة وما إلى ذلك من القضايا الرئيسية. مع التحسين التدريجي لهذه البنية التحتية، لدينا سبب للاعتقاد بأن دمج Web3 و AI سيفرز مجموعة من نماذج الأعمال والخدمات المبتكرة.