تقرير شامل عن مسار Web3-AI: تحليل عميق للمنطق الفني، تطبيقات السيناريو، وأعلى المشاريع
مع استمرار ارتفاع حرارة السرد الذكي، يتركز المزيد من الاهتمام على هذا المجال. يقوم هذا المقال بتحليل عميق للمنطق التكنولوجي، ومشاهد التطبيق، والمشاريع التمثيلية في مجال Web3-AI، ليقدم لك عرضًا شاملاً لمشهد هذا المجال واتجاهات تطوره.
1. Web3-AI: تحليل المنطق التكنولوجي وفرص السوق الناشئة
1.1 منطق دمج Web3 و AI: كيف نحدد مسار Web-AI
على مدار العام الماضي، كانت السرديات المدعومة بالذكاء الاصطناعي مزدهرة بشكل غير عادي في صناعة Web3، وظهرت مشاريع الذكاء الاصطناعي كالفطر بعد المطر. على الرغم من وجود العديد من المشاريع التي تتضمن تقنية الذكاء الاصطناعي، إلا أن بعض المشاريع تستخدم الذكاء الاصطناعي فقط في بعض أجزاء منتجاتها، والاقتصاد الرمزي الأساسي ليس له علاقة جوهرية بمنتجات الذكاء الاصطناعي، لذا فإن هذه المشاريع لا تندرج 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 نفسها منتجات AI، وفي الوقت نفسه تعتمد على نموذج الاقتصاد Web3 كأداة لعلاقات الإنتاج، حيث يكمل كل منهما الآخر. نقوم بتصنيف هذه المشاريع ضمن مسار Web3-AI. لكي نفهم القراء بشكل أفضل مسار Web3-AI، سنقوم بتقديم عملية وتحديات تطوير AI، وكيف يمكن أن يتكامل 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 يحاكي ويعزز الذكاء البشري. إنها تمكن الكمبيوتر من تنفيذ مجموعة متنوعة من المهام المعقدة، بدءًا من ترجمة اللغات، وتصنيف الصور، وصولاً إلى تطبيقات مثل التعرف على الوجه، والقيادة الذاتية، فإن الذكاء الاصطناعي يغير طريقة حياتنا وعملنا.
عادةً ما تتضمن عملية تطوير نماذج الذكاء الاصطناعي الخطوات الرئيسية التالية: جمع البيانات ومعالجة البيانات، اختيار النموذج وضبطه، تدريب النموذج واستنتاج النتائج. على سبيل المثال، لتطوير نموذج يقوم بتصنيف صور القطط والكلاب، تحتاج إلى:
جمع البيانات ومعالجة البيانات المسبقة: جمع مجموعة بيانات تحتوي على صور للقطط والكلاب، يمكن استخدام مجموعات البيانات العامة أو جمع بيانات حقيقية بنفسك. ثم قم بتسمية كل صورة بفئة (قط أو كلب)، تأكد من أن التسمية دقيقة. تحويل الصور إلى تنسيق يمكن للنموذج التعرف عليه، وتقسيم مجموعة البيانات إلى مجموعة تدريب ومجموعة تحقق ومجموعة اختبار.
اختيار النموذج وضبطه: اختر النموذج المناسب، مثل الشبكات العصبية التلافيفية (CNN)، التي تناسب مهام تصنيف الصور. قم بضبط معلمات النموذج أو الهيكل وفقًا للاحتياجات المختلفة، وعادةً ما يمكن ضبط مستويات الشبكة في النموذج وفقًا لتعقيد مهمة الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون المستويات الشبكية الضحلة كافية.
تدريب النموذج: يمكن استخدام GPU أو TPU أو تجمعات الحوسبة عالية الأداء لتدريب النموذج، ويتأثر وقت التدريب بتعقيد النموذج وقدرات الحوسبة.
استنتاج النموذج: تُعرف الملفات التي تم تدريب النموذج عليها عادةً بأوزان النموذج، وعملية الاستدلال تشير إلى استخدام النموذج المدرب مسبقًا للتنبؤ أو التصنيف للبيانات الجديدة. في هذه العملية، يمكن استخدام مجموعة الاختبار أو البيانات الجديدة لاختبار فعالية تصنيف النموذج، وعادةً ما يتم تقييم فعالية النموذج باستخدام مؤشرات مثل الدقة، واسترجاع البيانات، ودرجة F1 وغيرها.
كما هو موضح في الصورة، بعد جمع البيانات ومعالجة البيانات، واختيار النموذج وضبطه، وتدريب النموذج، سيتم إجراء الاستدلال على النموذج المدرب على مجموعة الاختبار للحصول على قيم توقعات القطط والكلاب P (احتمالية)، أي أن النموذج يستنتج احتمال أن يكون قطة أو كلب.
يمكن دمج نماذج الذكاء الاصطناعي المدربة بشكل أكبر في مجموعة متنوعة من التطبيقات لأداء مهام مختلفة. في هذا المثال، يمكن دمج نموذج الذكاء الاصطناعي لتصنيف القطط والكلاب في تطبيق هاتف محمول، حيث يقوم المستخدم بتحميل صورة لقطة أو كلب، ويمكنه الحصول على نتيجة التصنيف.
ومع ذلك، هناك 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 علمهم واستخدامها في تدريب الذكاء الاصطناعي.
الحصول على مصدر البيانات: قد تواجه الفرق الصغيرة أو الأفراد قيودًا على عدم توفر البيانات في مجالات معينة (مثل البيانات الطبية).
اختيار النموذج وتحسينه: بالنسبة للفرق الصغيرة، من الصعب الحصول على موارد نموذج محددة أو إنفاق تكاليف كبيرة لتحسين النموذج.
الحصول على قوة الحوسبة: بالنسبة للمطورين الأفراد والفرق الصغيرة، قد تشكل التكلفة العالية لشراء وحدات معالجة الرسومات (GPU) وتكاليف استئجار قوة الحوسبة السحابية عبئًا اقتصاديًا كبيرًا.
إيرادات الأصول الذكية: غالبًا ما لا يحصل عمال وضع البيانات على إيرادات تتناسب مع جهودهم، كما أن نتائج أبحاث مطوري الذكاء الاصطناعي يصعب مطابقتها مع المشترين الذين لديهم طلب.
يمكن التغلب على التحديات الموجودة في سيناريوهات الذكاء الاصطناعي المركزي من خلال دمجها مع Web3، حيث أن Web3 كعلاقة إنتاج جديدة تتناسب بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل قوة إنتاجية جديدة، مما يعزز التقدم التكنولوجي والقدرات الإنتاجية في نفس الوقت.
1.3 تأثير التعاون بين Web3 وAI: تحول الأدوار والتطبيقات الابتكارية
يمكن أن يعزز دمج Web3 مع الذكاء الاصطناعي سيادة المستخدمين، ويوفر 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، يمكن أن يؤدي دمج عالم Web3 مع تقنيات الذكاء الاصطناعي إلى ظهور المزيد من سيناريوهات التطبيقات المبتكرة وطرق اللعب.
استنادًا إلى تقنية Web3 ، سيشهد تطوير واستخدام الذكاء الاصطناعي نظامًا جديدًا للاقتصاد التعاوني. يمكن ضمان خصوصية بيانات الأفراد ، وتعزز نماذج البيانات الجماعية تقدم نماذج الذكاء الاصطناعي ، والعديد من موارد الذكاء الاصطناعي مفتوحة المصدر متاحة للاستخدام من قبل المستخدمين ، ويمكن الحصول على قوة الحوسبة المشتركة بتكلفة منخفضة. من خلال آلية التعاون الجماعي اللامركزية وسوق الذكاء الاصطناعي المفتوح ، يمكن تحقيق نظام عادل لتوزيع الدخل ، مما يحفز المزيد من الناس لدفع تقدم تكنولوجيا 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 من كفاءة العمل في سيناريوهات تطبيقية مختلفة، مثل تحليل السوق، والكشف عن الأمان، وتجمعات التواصل الاجتماعي، وغيرها من الوظائف المتعددة. لا يتيح الذكاء الاصطناعي التوليدي للمستخدمين تجربة دور "الفنان" فقط، مثل استخدام تقنيات الذكاء الاصطناعي لإنشاء NFT خاص بهم، بل يمكنه أيضًا خلق مشاهد ألعاب متنوعة وتجارب تفاعلية ممتعة في GameFi. توفر البنية التحتية الغنية تجربة تطوير سلسة، سواء كان المستخدم خبيرًا في الذكاء الاصطناعي أو مبتدئًا يرغب في دخول هذا المجال، يمكنهم جميعًا العثور على مدخل مناسب في هذا العالم.
ثانياً، خريطة مشروع Web3-AI البيئي وتفسير الهيكل
لقد درسنا بشكل أساسي 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 الوسيط، ومستوى التطبيقات، وكل مستوى مقسم إلى أقسام مختلفة. في الفصل التالي، سنقوم بإجراء تحليل عميق لبعض المشاريع الممثلة.
تغطي طبقة البنية التحتية الموارد الحاسوبية والهندسة التقنية التي تدعم تشغيل دورة حياة الذكاء الاصطناعي بالكامل، بينما تشمل الطبقة الوسطى إدارة البيانات وخدمات تطوير النموذج والتحقق من الاستدلال التي تربط بين البنية التحتية والتطبيقات، وتركز الطبقة التطبيقية على مجموعة متنوعة من التطبيقات والحلول الموجهة مباشرة للمستخدم.
طبقة البنية التحتية:
طبقة البنية التحتية هي أساس دورة حياة الذكاء الاصطناعي، حيث تصنف هذه المقالة القدرة الحاسوبية وAI Chain ومنصة التطوير كطبقة البنية التحتية. بدعم من هذه البنية التحتية، يمكن تدريب نماذج الذكاء الاصطناعي واستنتاجها، وتقديم تطبيقات الذكاء الاصطناعي القوية والعملية للمستخدمين.
شبكة الحوسبة اللامركزية: يمكن أن توفر طاقة حوسبة موزعة لتدريب نماذج الذكاء الاصطناعي، مما يضمن استخدام موارد الحوسبة بشكل فعال واقتصادي. تقدم بعض المشاريع سوق طاقة حوسبة لامركزية، حيث يمكن للمستخدمين استئجار طاقة الحوسبة بتكلفة منخفضة أو مشاركة طاقة الحوسبة للحصول على عائدات، ومن المشاريع الممثلة مثل IO.NET وHyperbolic. بالإضافة إلى ذلك، اشتقت بعض المشاريع أساليب جديدة، مثل Compute Labs، التي اقترحت بروتوكول رمزي، حيث يمكن للمستخدمين من خلال شراء NFT يمثل وحدة معالجة الرسومات المشاركة بطرق مختلفة في استئجار طاقة الحوسبة للحصول على عائدات.
AI Chain: استخدام blockchain كأساس لدورة حياة AI، لتحقيق التفاعل السلس بين موارد AI على链上 و链下، وتعزيز تطوير النظام البيئي للصناعات. يمكن لسوق AI اللامركزي على链上 تداول أصول AI مثل البيانات، والنماذج، والوكلاء، وغيرها، وتوفير إطار تطوير AI وأدوات تطوير ملائمة، ومن المشاريع الممثلة مثل Sahara AI. يمكن لـ AI Chain أيضًا تعزيز تقدم تقنيات AI في مجالات مختلفة، مثل Bittensor من خلال آلية تحفيز الشبكات الفرعية المبتكرة لتعزيز تنافس الشبكات الفرعية من أنواع AI المختلفة.
منصة التطوير: تقدم بعض المشاريع منصة تطوير الوكلاء الذكيين، ويمكنها أيضًا تنفيذ تداول الوكلاء الذكيين، مثل Fetch.ai وChainML وغيرها. تساعد الأدوات الشاملة المطورين في إنشاء وتدريب ونشر نماذج الذكاء الاصطناعي بشكل أكثر سهولة، وتمثل المشاريع مثل Nimble. تعزز هذه البنية التحتية الاستخدام الواسع لتقنية الذكاء الاصطناعي في نظام Web3 البيئي.
الطبقة الوسطى:
تتعلق هذه الطبقة ببيانات الذكاء الاصطناعي، والنماذج، بالإضافة إلى الاستدلال والتحقق، ويمكن تحقيق كفاءة عمل أعلى باستخدام تقنية Web3.
البيانات: جودة وكمية البيانات هي عوامل رئيسية تؤثر على فعالية تدريب النموذج. في عالم Web3، يمكن تحسين استخدام الموارد وتقليل تكاليف البيانات من خلال بيانات الحشود ومعالجة البيانات التعاونية. يمكن للمستخدمين امتلاك حقوق البيانات الخاصة بهم، وبيع بياناتهم في ظل حماية الخصوصية، لتجنب سرقة البيانات من قبل تجار سيئين وتحقيق أرباح ضخمة. بالنسبة لطرف الطلب على البيانات، تقدم هذه المنصات مجموعة واسعة من الخيارات وتكاليف منخفضة للغاية. من المشاريع الممثلة مثل Grass التي تستخدم عرض النطاق الترددي للمستخدمين لجمع بيانات الويب، وxData التي تجمع معلومات الوسائط 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، والتي قد تتطلب معرفة متخصصة في معالجة بيانات المهام المالية والقانونية، حيث يمكن للمستخدمين توكين مهاراتهم لتحقيق التعاون الجماعي في معالجة البيانات. تمثل أسواق الذكاء الاصطناعي مثل Sahara AI مهام البيانات من مجالات مختلفة، مما يمكن أن يغطي 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 ذكرها سابقًا، تتطلب أنواع مختلفة من الاحتياجات مطابقة النماذج المناسبة. تستخدم نماذج مثل CNN و GAN في مهام الصور، ويمكن اختيار سلسلة Yolo لمهام الكشف عن الأجسام، بينما تشمل المهام النصية نماذج شائعة مثل RNN و Transformer، بالطبع هناك أيضًا بعض النماذج الكبيرة المحددة أو العامة. تتطلب المهام ذات التعقيد المختلف عمقًا مختلفًا للنموذج، وأحيانًا تحتاج إلى ضبط النموذج.
تدعم بعض المشاريع 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 نماذج موثوقة في طبقة التخزين وطبقة التوزيع لتحسين النماذج، وتوفر أدوات التطوير من Sahara AI خوارزميات ذكاء اصطناعي متقدمة وإطار حسابي، ولديها قدرة على التدريب التعاوني.
الاستدلال والتحقق: بعد تدريب النموذج، سيتم إنشاء ملفات أوزان النموذج، والتي يمكن استخدامها مباشرة للتصنيف أو التنبؤ أو المهام المحددة الأخرى، وتسمى هذه العملية الاستدلال. عادة ما يصاحب عملية الاستدلال آلية تحقق للتحقق مما إذا كان مصدر نموذج الاستدلال صحيحًا، وما إذا كانت هناك أي سلوكيات ضارة. يمكن دمج الاستدلال في Web3 ضمن العقود الذكية، من خلال استدعاء النموذج لإجراء الاستدلال، وتشمل طرق التحقق الشائعة تقنيات مثل ZKML و OPML و TEE. من المشاريع الرائدة مثل Oracle AI على سلسلة ORA (OAO)، التي قدمت OPML كطبقة قابلة للتحقق لOracle AI، كما تم الإشارة في الموقع الرسمي لـ ORA إلى أبحاثهم حول ZKML و opp/ai (دمج ZKML مع OPML).
طبقة التطبيق:
هذه الطبقة موجهة مباشرة للمستخدمين، حيث يجمع بين الذكاء الاصطناعي وWeb3، مما يخلق المزيد من طرق اللعب المثيرة والمبتكرة. تتناول هذه المقالة بشكل رئيسي مشاريع في عدة مجالات، بما في ذلك AIGC (المحتوى الذي يتم إنشاؤه بواسطة الذكاء الاصطناعي)، الوكلاء الذكيون، وتحليل البيانات.
AIGC: من خلال AIGC يمكن التوسع إلى NFT، الألعاب وغيرها من المجالات في Web3، حيث يمكن للمستخدمين إنشاء نصوص وصور وصوتيات مباشرة من خلال Prompt (الكلمات التوجيهية التي يقدمها المستخدم)، وحتى إنشاء أساليب لعب مخصصة في الألعاب وفقاً لتفضيلاتهم. مشاريع NFT مثل NFPrompt، يمكن للمستخدمين إنشاء NFT باستخدام AI للتداول في السوق؛ ألعاب مثل Sleepless، يقوم المستخدمون بتشكيل شخصية رفيقهم الافتراضي من خلال الحوار لتناسب تفضيلاتهم؛
وكلاء الذكاء الاصطناعي: تشير إلى أنظمة الذكاء الاصطناعي التي يمكنها تنفيذ المهام واتخاذ القرارات بشكل مستقل. عادة ما يتمتع وكلاء الذكاء الاصطناعي بقدرات الإدراك والاستدلال والتعلم والعمل، مما يمكنهم من تنفيذ مهام معقدة في بيئات متنوعة. من الأمثلة الشائعة على وكلاء الذكاء الاصطناعي مثل ترجمات 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 6
أعجبني
6
4
مشاركة
تعليق
0/400
AirDropMissed
· 07-26 04:01
تريد أن تخدعني مرة أخرى للاستثمار في مشروع جديد، كلما رأيت واحدًا يظهر آخر.
شاهد النسخة الأصليةرد0
CascadingDipBuyer
· 07-26 03:56
تغيير الحساء دون تغيير الأدوية، أليس هذا يُستغل بغباء.
شاهد النسخة الأصليةرد0
ImpermanentPhilosopher
· 07-26 03:54
تنفيذ الذكاء الاصطناعي حقًا صعب للغاية، والعديد من المشاريع تستفيد فقط.
تحليل شامل لمجال Web3-AI: منطق التكنولوجيا وتحليل عميق للمشاريع الرائدة
تقرير شامل عن مسار Web3-AI: تحليل عميق للمنطق الفني، تطبيقات السيناريو، وأعلى المشاريع
مع استمرار ارتفاع حرارة السرد الذكي، يتركز المزيد من الاهتمام على هذا المجال. يقوم هذا المقال بتحليل عميق للمنطق التكنولوجي، ومشاهد التطبيق، والمشاريع التمثيلية في مجال Web3-AI، ليقدم لك عرضًا شاملاً لمشهد هذا المجال واتجاهات تطوره.
1. Web3-AI: تحليل المنطق التكنولوجي وفرص السوق الناشئة
1.1 منطق دمج Web3 و AI: كيف نحدد مسار Web-AI
على مدار العام الماضي، كانت السرديات المدعومة بالذكاء الاصطناعي مزدهرة بشكل غير عادي في صناعة Web3، وظهرت مشاريع الذكاء الاصطناعي كالفطر بعد المطر. على الرغم من وجود العديد من المشاريع التي تتضمن تقنية الذكاء الاصطناعي، إلا أن بعض المشاريع تستخدم الذكاء الاصطناعي فقط في بعض أجزاء منتجاتها، والاقتصاد الرمزي الأساسي ليس له علاقة جوهرية بمنتجات الذكاء الاصطناعي، لذا فإن هذه المشاريع لا تندرج 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 نفسها منتجات AI، وفي الوقت نفسه تعتمد على نموذج الاقتصاد Web3 كأداة لعلاقات الإنتاج، حيث يكمل كل منهما الآخر. نقوم بتصنيف هذه المشاريع ضمن مسار Web3-AI. لكي نفهم القراء بشكل أفضل مسار Web3-AI، سنقوم بتقديم عملية وتحديات تطوير AI، وكيف يمكن أن يتكامل 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 يحاكي ويعزز الذكاء البشري. إنها تمكن الكمبيوتر من تنفيذ مجموعة متنوعة من المهام المعقدة، بدءًا من ترجمة اللغات، وتصنيف الصور، وصولاً إلى تطبيقات مثل التعرف على الوجه، والقيادة الذاتية، فإن الذكاء الاصطناعي يغير طريقة حياتنا وعملنا.
عادةً ما تتضمن عملية تطوير نماذج الذكاء الاصطناعي الخطوات الرئيسية التالية: جمع البيانات ومعالجة البيانات، اختيار النموذج وضبطه، تدريب النموذج واستنتاج النتائج. على سبيل المثال، لتطوير نموذج يقوم بتصنيف صور القطط والكلاب، تحتاج إلى:
جمع البيانات ومعالجة البيانات المسبقة: جمع مجموعة بيانات تحتوي على صور للقطط والكلاب، يمكن استخدام مجموعات البيانات العامة أو جمع بيانات حقيقية بنفسك. ثم قم بتسمية كل صورة بفئة (قط أو كلب)، تأكد من أن التسمية دقيقة. تحويل الصور إلى تنسيق يمكن للنموذج التعرف عليه، وتقسيم مجموعة البيانات إلى مجموعة تدريب ومجموعة تحقق ومجموعة اختبار.
اختيار النموذج وضبطه: اختر النموذج المناسب، مثل الشبكات العصبية التلافيفية (CNN)، التي تناسب مهام تصنيف الصور. قم بضبط معلمات النموذج أو الهيكل وفقًا للاحتياجات المختلفة، وعادةً ما يمكن ضبط مستويات الشبكة في النموذج وفقًا لتعقيد مهمة الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون المستويات الشبكية الضحلة كافية.
تدريب النموذج: يمكن استخدام GPU أو TPU أو تجمعات الحوسبة عالية الأداء لتدريب النموذج، ويتأثر وقت التدريب بتعقيد النموذج وقدرات الحوسبة.
استنتاج النموذج: تُعرف الملفات التي تم تدريب النموذج عليها عادةً بأوزان النموذج، وعملية الاستدلال تشير إلى استخدام النموذج المدرب مسبقًا للتنبؤ أو التصنيف للبيانات الجديدة. في هذه العملية، يمكن استخدام مجموعة الاختبار أو البيانات الجديدة لاختبار فعالية تصنيف النموذج، وعادةً ما يتم تقييم فعالية النموذج باستخدام مؤشرات مثل الدقة، واسترجاع البيانات، ودرجة F1 وغيرها.
كما هو موضح في الصورة، بعد جمع البيانات ومعالجة البيانات، واختيار النموذج وضبطه، وتدريب النموذج، سيتم إجراء الاستدلال على النموذج المدرب على مجموعة الاختبار للحصول على قيم توقعات القطط والكلاب P (احتمالية)، أي أن النموذج يستنتج احتمال أن يكون قطة أو كلب.
يمكن دمج نماذج الذكاء الاصطناعي المدربة بشكل أكبر في مجموعة متنوعة من التطبيقات لأداء مهام مختلفة. في هذا المثال، يمكن دمج نموذج الذكاء الاصطناعي لتصنيف القطط والكلاب في تطبيق هاتف محمول، حيث يقوم المستخدم بتحميل صورة لقطة أو كلب، ويمكنه الحصول على نتيجة التصنيف.
ومع ذلك، هناك 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 علمهم واستخدامها في تدريب الذكاء الاصطناعي.
الحصول على مصدر البيانات: قد تواجه الفرق الصغيرة أو الأفراد قيودًا على عدم توفر البيانات في مجالات معينة (مثل البيانات الطبية).
اختيار النموذج وتحسينه: بالنسبة للفرق الصغيرة، من الصعب الحصول على موارد نموذج محددة أو إنفاق تكاليف كبيرة لتحسين النموذج.
الحصول على قوة الحوسبة: بالنسبة للمطورين الأفراد والفرق الصغيرة، قد تشكل التكلفة العالية لشراء وحدات معالجة الرسومات (GPU) وتكاليف استئجار قوة الحوسبة السحابية عبئًا اقتصاديًا كبيرًا.
إيرادات الأصول الذكية: غالبًا ما لا يحصل عمال وضع البيانات على إيرادات تتناسب مع جهودهم، كما أن نتائج أبحاث مطوري الذكاء الاصطناعي يصعب مطابقتها مع المشترين الذين لديهم طلب.
يمكن التغلب على التحديات الموجودة في سيناريوهات الذكاء الاصطناعي المركزي من خلال دمجها مع Web3، حيث أن Web3 كعلاقة إنتاج جديدة تتناسب بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل قوة إنتاجية جديدة، مما يعزز التقدم التكنولوجي والقدرات الإنتاجية في نفس الوقت.
1.3 تأثير التعاون بين Web3 وAI: تحول الأدوار والتطبيقات الابتكارية
يمكن أن يعزز دمج Web3 مع الذكاء الاصطناعي سيادة المستخدمين، ويوفر 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، يمكن أن يؤدي دمج عالم Web3 مع تقنيات الذكاء الاصطناعي إلى ظهور المزيد من سيناريوهات التطبيقات المبتكرة وطرق اللعب.
استنادًا إلى تقنية Web3 ، سيشهد تطوير واستخدام الذكاء الاصطناعي نظامًا جديدًا للاقتصاد التعاوني. يمكن ضمان خصوصية بيانات الأفراد ، وتعزز نماذج البيانات الجماعية تقدم نماذج الذكاء الاصطناعي ، والعديد من موارد الذكاء الاصطناعي مفتوحة المصدر متاحة للاستخدام من قبل المستخدمين ، ويمكن الحصول على قوة الحوسبة المشتركة بتكلفة منخفضة. من خلال آلية التعاون الجماعي اللامركزية وسوق الذكاء الاصطناعي المفتوح ، يمكن تحقيق نظام عادل لتوزيع الدخل ، مما يحفز المزيد من الناس لدفع تقدم تكنولوجيا 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 من كفاءة العمل في سيناريوهات تطبيقية مختلفة، مثل تحليل السوق، والكشف عن الأمان، وتجمعات التواصل الاجتماعي، وغيرها من الوظائف المتعددة. لا يتيح الذكاء الاصطناعي التوليدي للمستخدمين تجربة دور "الفنان" فقط، مثل استخدام تقنيات الذكاء الاصطناعي لإنشاء NFT خاص بهم، بل يمكنه أيضًا خلق مشاهد ألعاب متنوعة وتجارب تفاعلية ممتعة في GameFi. توفر البنية التحتية الغنية تجربة تطوير سلسة، سواء كان المستخدم خبيرًا في الذكاء الاصطناعي أو مبتدئًا يرغب في دخول هذا المجال، يمكنهم جميعًا العثور على مدخل مناسب في هذا العالم.
ثانياً، خريطة مشروع Web3-AI البيئي وتفسير الهيكل
لقد درسنا بشكل أساسي 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 الوسيط، ومستوى التطبيقات، وكل مستوى مقسم إلى أقسام مختلفة. في الفصل التالي، سنقوم بإجراء تحليل عميق لبعض المشاريع الممثلة.
تغطي طبقة البنية التحتية الموارد الحاسوبية والهندسة التقنية التي تدعم تشغيل دورة حياة الذكاء الاصطناعي بالكامل، بينما تشمل الطبقة الوسطى إدارة البيانات وخدمات تطوير النموذج والتحقق من الاستدلال التي تربط بين البنية التحتية والتطبيقات، وتركز الطبقة التطبيقية على مجموعة متنوعة من التطبيقات والحلول الموجهة مباشرة للمستخدم.
طبقة البنية التحتية:
طبقة البنية التحتية هي أساس دورة حياة الذكاء الاصطناعي، حيث تصنف هذه المقالة القدرة الحاسوبية وAI Chain ومنصة التطوير كطبقة البنية التحتية. بدعم من هذه البنية التحتية، يمكن تدريب نماذج الذكاء الاصطناعي واستنتاجها، وتقديم تطبيقات الذكاء الاصطناعي القوية والعملية للمستخدمين.
شبكة الحوسبة اللامركزية: يمكن أن توفر طاقة حوسبة موزعة لتدريب نماذج الذكاء الاصطناعي، مما يضمن استخدام موارد الحوسبة بشكل فعال واقتصادي. تقدم بعض المشاريع سوق طاقة حوسبة لامركزية، حيث يمكن للمستخدمين استئجار طاقة الحوسبة بتكلفة منخفضة أو مشاركة طاقة الحوسبة للحصول على عائدات، ومن المشاريع الممثلة مثل IO.NET وHyperbolic. بالإضافة إلى ذلك، اشتقت بعض المشاريع أساليب جديدة، مثل Compute Labs، التي اقترحت بروتوكول رمزي، حيث يمكن للمستخدمين من خلال شراء NFT يمثل وحدة معالجة الرسومات المشاركة بطرق مختلفة في استئجار طاقة الحوسبة للحصول على عائدات.
AI Chain: استخدام blockchain كأساس لدورة حياة AI، لتحقيق التفاعل السلس بين موارد AI على链上 و链下، وتعزيز تطوير النظام البيئي للصناعات. يمكن لسوق AI اللامركزي على链上 تداول أصول AI مثل البيانات، والنماذج، والوكلاء، وغيرها، وتوفير إطار تطوير AI وأدوات تطوير ملائمة، ومن المشاريع الممثلة مثل Sahara AI. يمكن لـ AI Chain أيضًا تعزيز تقدم تقنيات AI في مجالات مختلفة، مثل Bittensor من خلال آلية تحفيز الشبكات الفرعية المبتكرة لتعزيز تنافس الشبكات الفرعية من أنواع AI المختلفة.
منصة التطوير: تقدم بعض المشاريع منصة تطوير الوكلاء الذكيين، ويمكنها أيضًا تنفيذ تداول الوكلاء الذكيين، مثل Fetch.ai وChainML وغيرها. تساعد الأدوات الشاملة المطورين في إنشاء وتدريب ونشر نماذج الذكاء الاصطناعي بشكل أكثر سهولة، وتمثل المشاريع مثل Nimble. تعزز هذه البنية التحتية الاستخدام الواسع لتقنية الذكاء الاصطناعي في نظام Web3 البيئي.
الطبقة الوسطى:
تتعلق هذه الطبقة ببيانات الذكاء الاصطناعي، والنماذج، بالإضافة إلى الاستدلال والتحقق، ويمكن 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، والتي قد تتطلب معرفة متخصصة في معالجة بيانات المهام المالية والقانونية، حيث يمكن للمستخدمين توكين مهاراتهم لتحقيق التعاون الجماعي في معالجة البيانات. تمثل أسواق الذكاء الاصطناعي مثل Sahara AI مهام البيانات من مجالات مختلفة، مما يمكن أن يغطي سيناريوهات بيانات متعددة المجالات؛ بينما يقوم بروتوكول AIT بوضع علامات على البيانات من خلال التعاون بين الإنسان والآلة.
تدعم بعض المشاريع 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 نماذج موثوقة في طبقة التخزين وطبقة التوزيع لتحسين النماذج، وتوفر أدوات التطوير من Sahara AI خوارزميات ذكاء اصطناعي متقدمة وإطار حسابي، ولديها قدرة على التدريب التعاوني.
طبقة التطبيق:
هذه الطبقة موجهة مباشرة للمستخدمين، حيث يجمع بين الذكاء الاصطناعي وWeb3، مما يخلق المزيد من طرق اللعب المثيرة والمبتكرة. تتناول هذه المقالة بشكل رئيسي مشاريع في عدة مجالات، بما في ذلك AIGC (المحتوى الذي يتم إنشاؤه بواسطة الذكاء الاصطناعي)، الوكلاء الذكيون، وتحليل البيانات.
AIGC: من خلال AIGC يمكن التوسع إلى NFT، الألعاب وغيرها من المجالات في Web3، حيث يمكن للمستخدمين إنشاء نصوص وصور وصوتيات مباشرة من خلال Prompt (الكلمات التوجيهية التي يقدمها المستخدم)، وحتى إنشاء أساليب لعب مخصصة في الألعاب وفقاً لتفضيلاتهم. مشاريع NFT مثل NFPrompt، يمكن للمستخدمين إنشاء NFT باستخدام AI للتداول في السوق؛ ألعاب مثل Sleepless، يقوم المستخدمون بتشكيل شخصية رفيقهم الافتراضي من خلال الحوار لتناسب تفضيلاتهم؛
وكلاء الذكاء الاصطناعي: تشير إلى أنظمة الذكاء الاصطناعي التي يمكنها تنفيذ المهام واتخاذ القرارات بشكل مستقل. عادة ما يتمتع وكلاء الذكاء الاصطناعي بقدرات الإدراك والاستدلال والتعلم والعمل، مما يمكنهم من تنفيذ مهام معقدة في بيئات متنوعة. من الأمثلة الشائعة على وكلاء الذكاء الاصطناعي مثل ترجمات اللغة.