تقرير شامل عن مسار Web3-AI: تحليل عميق للمنطق التكنولوجي، تطبيقات السيناريو، وأفضل المشاريع

مع استمرار ارتفاع درجة حرارة السرد AI، تركز المزيد والمزيد من الاهتمام على هذا المجال. لقد قمنا بتحليل عميق للمنطق التكنولوجي، وسيناريوهات التطبيق، والمشاريع الممثلة في مجال Web3-AI، لتقديم عرض شامل لكافة مشهد وتوجهات التنمية في هذا المجال.

١. Web3-AI: تحليل المنطق الفني وفرص السوق الناشئة

1.1 منطق دمج Web3 و AI: كيف يتم تعريف مسار Web-AI

على مدار العام الماضي، كانت السرد الآلي في صناعة Web3 تحظى بشعبية استثنائية، حيث ظهرت 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، ولا توجد علاقة جوهرية بين الاقتصاد الرمزي الأساسي ومنتجات الذكاء الاصطناعي، لذلك لا تتضمن هذه المشاريع في مناقشة مشاريع Web3-AI في هذه المقالة.

تركز هذه المقالة على استخدام blockchain لحل مشكلات العلاقات الإنتاجية، ومشاريع AI لحل مشكلات القوى الإنتاجية. تقدم هذه المشاريع منتجات AI، وتستند إلى نموذج الاقتصاد Web3 كأداة للعلاقات الإنتاجية، حيث يكمل كل منهما الآخر. نصنف هذه المشاريع ضمن مسار Web3-AI. لمساعدة القراء على فهم مسار Web3-AI بشكل أفضل، سنقوم بتقديم عملية تطوير AI والتحديات، وكذلك كيف يمكن أن يجتمع Web3 و AI 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، من ترجمة اللغات وتصنيف الصور إلى التعرف على الوجه، والقيادة الذاتية، وغيرها من سيناريوهات التطبيقات. الذكاء الاصطناعي يغير الطريقة التي نعيش ونعمل بها.

عادةً ما تتضمن عملية تطوير نماذج الذكاء الاصطناعي الخطوات الرئيسية التالية: جمع البيانات ومعالجة البيانات، اختيار النموذج وضبطه، تدريب النموذج واستدلاله. على سبيل المثال، لتطوير نموذج لتصنيف صور القطط والكلاب، تحتاج إلى:

1. جمع البيانات ومعالجة البيانات المسبقة: جمع مجموعة بيانات تحتوي على صور للقطط والكلاب، يمكن استخدام مجموعات البيانات العامة أو جمع البيانات الحقيقية بنفسك. ثم قم بوسم كل صورة بفئة (قط أو كلب)، تأكد من أن العلامات دقيقة. تحويل الصور إلى تنسيق يمكن للنموذج التعرف عليه، تقسيم مجموعة البيانات إلى مجموعة تدريب ومجموعة تحقق ومجموعة اختبار.

2. اختيار النموذج وضبطه: اختيار النموذج المناسب، مثل الشبكات العصبية التلافيفية (CNN)، والتي تناسب مهام تصنيف الصور. ضبط معلمات النموذج أو هيكله وفقًا للاحتياجات المختلفة، بشكل عام، يمكن تعديل مستويات الشبكة للنموذج وفقًا لتعقيد مهمة الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون المستويات الشبكية الأقل عمقًا كافية.

3. تدريب النموذج: يمكن استخدام وحدة معالجة الرسوميات (GPU) أو وحدة معالجة tensor (TPU) أو تجمعات الحوسبة عالية الأداء لتدريب النموذج، ومدة التدريب تتأثر بتعقيد النموذج وقدرة الحوسبة.

4. استنتاج النموذج: تُعرف الملفات التي تم تدريب النموذج عليها عادةً بأوزان النموذج، وعملية الاستنتاج تشير إلى استخدام النموذج المدرب مسبقًا للتنبؤ أو تصنيف بيانات جديدة. يمكن استخدام مجموعة الاختبار أو البيانات الجديدة لاختبار فعالية تصنيف النموذج، وعادة ما يتم تقييم فعالية النموذج باستخدام مؤشرات مثل الدقة، واستدعاء، وF1-score.

كما هو موضح في الصورة، بعد جمع البيانات ومعالجة البيانات، واختيار النموذج وتحسينه، وتدريب النموذج، سيتم إجراء الاستدلال على مجموعة الاختبار باستخدام النموذج المدرب، مما سيوصل إلى قيم توقعات القطط والكلاب P (الاحتمالية)، أي الاحتمال الذي يستنتج به النموذج أنه قطة أو كلب.

يمكن دمج نموذج الذكاء الاصطناعي المدرب بشكل أكبر في تطبيقات مختلفة لتنفيذ مهام مختلفة. في هذا المثال، يمكن دمج نموذج الذكاء الاصطناعي لتصنيف القطط والكلاب في تطبيق هاتف محمول، حيث يمكن للمستخدمين تحميل صور للقطط أو الكلاب للحصول على نتائج التصنيف.

ومع ذلك، توجد بعض المشكلات في عملية تطوير الذكاء الاصطناعي المركزية في السيناريوهات التالية:

خصوصية المستخدم: في السيناريوهات المركزية، فإن عملية تطوير الذكاء الاصطناعي عادة ما تكون غير شفافة. قد يتم سرقة بيانات المستخدم دون علمه واستخدامها في تدريب الذكاء الاصطناعي.

مصادر البيانات: قد يواجه الفرق الصغيرة أو الأفراد قيودًا على عدم توفر البيانات عند الحصول على بيانات في مجالات محددة (مثل البيانات الطبية).

اختيار النموذج وضبطه: بالنسبة للفرق الصغيرة، من الصعب الحصول على موارد نماذج في مجالات محددة أو إنفاق تكاليف كبيرة لضبط النموذج.

الحصول على قوة الحوسبة: بالنسبة للمطورين الأفراد والفرق الصغيرة، قد تشكل تكاليف شراء وحدات معالجة الرسوميات العالية وتكاليف استئجار قوة الحوسبة السحابية عبئًا اقتصاديًا كبيرًا.

دخل الأصول الذكية: غالباً ما لا يتمكن العاملون في مجال التعليق على البيانات من الحصول على دخل يتناسب مع جهودهم، كما أن نتائج أبحاث مطوري الذكاء الاصطناعي يصعب مطابقتها مع المشترين الذين لديهم طلب.

يمكن التغلب على التحديات الموجودة في مشهد الذكاء الاصطناعي المركزي من خلال دمجه مع الويب 3. يعتبر الويب 3 شكلًا جديدًا من علاقات الإنتاج، ويتكيف بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل قوة إنتاجية جديدة، مما يدفع بالتقدم التكنولوجي وقدرات الإنتاج في نفس الوقت.

1.3 تأثيرات التعاون بين Web3 و AI: تغييرات الدور وتطبيقات الابتكار

يمكن أن يعزز دمج Web3 و AI سيادة المستخدم، ويقدم للمستخدمين منصة مفتوحة للتعاون في الذكاء الاصطناعي، مما يسمح لهم بالتحول من مستخدمي الذكاء الاصطناعي في عصر Web2 إلى مشاركين، وخلق ذكاء اصطناعي يمكن أن يمتلكه الجميع. في الوقت نفسه، يمكن أن يؤدي دمج عالم Web3 مع تقنيات الذكاء الاصطناعي إلى ظهور المزيد من التطبيقات المبتكرة والسيناريوهات والأساليب.

استنادًا إلى تقنية Web3، ستشهد تطوير وتطبيق الذكاء الاصطناعي نظامًا جديدًا من الاقتصاد التعاوني. يمكن ضمان خصوصية بيانات الأفراد، حيث يعزز نموذج جمع البيانات الجماعي تقدم نماذج الذكاء الاصطناعي، وتتوفر العديد من موارد الذكاء الاصطناعي مفتوحة المصدر للاستخدام من قبل المستخدمين، ويمكن الحصول على قوة الحوسبة المشتركة بتكلفة منخفضة. بفضل آلية التعاون اللامركزية ونظام السوق المفتوح للذكاء الاصطناعي، يمكن تحقيق نظام عادل لتوزيع الدخل، مما يشجع المزيد من الناس على دفع تقدم تقنية الذكاء الاصطناعي.

في مشهد Web3، يمكن للذكاء الاصطناعي أن يحدث تأثيرًا إيجابيًا عبر مسارات متعددة. على سبيل المثال، يمكن دمج نماذج الذكاء الاصطناعي في العقود الذكية، مما يعزز كفاءة العمل في سيناريوهات تطبيقية مختلفة، مثل تحليل السوق، واختبار الأمان، وتجمعات التواصل الاجتماعي، وغيرها من الوظائف. لا يمكن للذكاء الاصطناعي التوليدي أن يتيح فقط للمستخدمين تجربة دور "الفنان"، مثل استخدام تقنيات الذكاء الاصطناعي لإنشاء NFT الخاصة بهم، بل يمكنه أيضًا خلق 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.

٢. تفسير خريطة مشروع Web3-AI والهيكل

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، والمستوى الأوسط، ومستوى التطبيقات، وكل مستوى مقسم إلى أقسام مختلفة. في الفصل التالي، سنقوم بإجراء تحليل عميق لبعض المشاريع الممثلة.

تغطي طبقة البنية التحتية الموارد الحاسوبية وهياكل التقنية 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، وتركز الطبقة التطبيقية على مختلف التطبيقات والحلول الموجهة مباشرة للمستخدم.

طبقة البنية التحتية:

طبقة البنية التحتية هي أساس دورة حياة الذكاء الاصطناعي، حيث تصنف هذه المقالة قوة الحوسبة و AI Chain ومنصة التطوير كجزء من طبقة البنية التحتية. فقط بدعم هذه البنية التحتية يمكن تحقيق تدريب واستنتاج نماذج الذكاء الاصطناعي، وتقديم تطبيقات ذكاء اصطناعي قوية وعملية للمستخدمين.

• شبكة الحوسبة اللامركزية: يمكن أن توفر قوة حسابية موزعة لتدريب نماذج الذكاء الاصطناعي، مما يضمن استخدام موارد حسابية بكفاءة وبشكل اقتصادي. تقدم بعض المشاريع سوقًا لامركزيًا للقوة الحسابية، حيث يمكن للمستخدمين استئجار القوة الحسابية بتكلفة منخفضة أو مشاركة القوة الحسابية لتحقيق الأرباح، ومن المشاريع الممثلة IO.NET و Hyperbolic. بالإضافة إلى ذلك، ظهرت بعض المشاريع بألعاب جديدة، مثل Compute Labs، التي اقترحت بروتوكولًا موحدًا، حيث يمكن للمستخدمين من خلال شراء NFT تمثل كيان GPU، المشاركة بطرق مختلفة في استئجار القوة الحسابية لتحقيق الأرباح.

• AI Chain: استخدام blockchain كأساس لدورة حياة AI، لتحقيق التفاعل السلس بين موارد AI على السلسلة وخارجها، وتعزيز تطوير النظام البيئي الصناعي. يمكن للسوق اللامركزي على السلسلة تداول أصول AI مثل البيانات والنماذج والوكلاء، وتوفير إطار تطوير AI وأدوات تطوير مصاحبة، ومشاريع تمثل مثل Sahara AI. يمكن لـ AI Chain أيضًا تعزيز التقدم التكنولوجي في مجالات AI المختلفة، مثل Bittensor الذي يعزز المنافسة بين أنواع AI الفرعية من خلال آلية التحفيز المبتكرة للشبكات الفرعية.

• منصة التطوير: تقدم بعض المشاريع منصة تطوير وكلاء الذكاء الاصطناعي، ويمكنها أيضاً تنفيذ تداول وكلاء الذكاء الاصطناعي، مثل Fetch.ai و ChainML وغيرها. توفر الأدوات المتكاملة مساعدة أكبر للمطورين لإنشاء وتدريب ونشر نماذج الذكاء الاصطناعي، ومن المشاريع الممثلة Nimble. تعزز هذه البنية التحتية الاستخدام الواسع لتقنية الذكاء الاصطناعي في نظام Web3 البيئي.

الطبقة الوسطى:

تتناول هذه الطبقة بيانات الذكاء الاصطناعي والنماذج والاستدلال والتحقق، مع استخدام تقنية Web3 يمكن تحقيق كفاءة عمل أعلى.

• البيانات: تعتبر جودة وكمية البيانات من العوامل الرئيسية التي تؤثر على فعالية تدريب النماذج. في عالم Web3، يمكن من خلال بيانات الحشد ومعالجة البيانات التعاونية تحسين استخدام الموارد وتقليل تكلفة البيانات. يمكن للمستخدمين امتلاك حقوق البيانات الخاصة بهم، وبيع بياناتهم في ظل حماية الخصوصية، لتجنب سرقة البيانات من قبل تجار سيئين والربح الكبير منها. بالنسبة لجهات الطلب على البيانات، توفر هذه المنصات مجموعة واسعة من الخيارات وتكاليف منخفضة للغاية. تمثل المشاريع مثل Grass استخدام عرض النطاق الترددي للمستخدمين لجمع بيانات الويب، وxData من خلال ملحقات سهلة الاستخدام لجمع معلومات الوسائط، وتدعم المستخدمين في تحميل معلومات التغريدات.

علاوة على ذلك، تسمح بعض المنصات للخبراء في المجال أو المستخدمين العاديين بتنفيذ مهام معالجة البيانات، مثل وسم الصور وتصنيف البيانات، وهذه المهام قد تتطلب معرفة احترافية في معالجة بيانات المهام المالية والقانونية، يمكن للمستخدمين توكين مهاراتهم لتحقيق التعاون الجماعي في معالجة البيانات. يمثل سوق الذكاء الاصطناعي مثل Sahara AI، الذي يحتوي على مهام بيانات من مجالات مختلفة، يمكنه تغطية سيناريوهات بيانات متعددة المجالات؛ بينما يقوم بروتوكول AIT بوسم البيانات من خلال طريقة التعاون بين الإنسان والآلة.

• النموذج: كما تم ذكره سابقًا في عملية تطوير الذكاء الاصطناعي، تتطلب الأنواع المختلفة من المتطلبات مطابقة نموذج مناسب. من النماذج الشائعة المستخدمة في مهام الصور مثل CNN و GAN، يمكن اختيار سلسلة Yolo لمهام الكشف عن الأهداف، ومن النماذج الشائعة في مهام النصوص RNN و Transformer، بالطبع هناك أيضًا بعض النماذج الكبيرة المحددة أو العامة. تختلف العمق المطلوبة للنموذج حسب تعقيد المهام المختلفة، وأحيانًا يتطلب الأمر ضبط النموذج.

بعض المشاريع تدعم المستخدمين في تقديم أنواع مختلفة من النماذج أو التعاون في تدريب النماذج من خلال نموذج الحشد، مثل Sentient التي من خلال تصميمها المعياري، تسمح للمستخدمين بوضع بيانات النماذج الموثوقة في طبقة التخزين وطبقة التوزيع من أجل تحسين النماذج، كما أن أدوات التطوير المقدمة من Sahara AI تحتوي على خوارزميات ذكاء اصطناعي متقدمة وإطار حسابي، وتتمتع بقدرة على التدريب التعاوني.

• الاستدلال والتحقق: بعد تدريب النموذج، سيتم إنشاء ملفات وزن النموذج، والتي يمكن استخدامها مباشرة للتصنيف أو التنبؤ أو المهام المحددة الأخرى، وتسمى هذه العملية الاستدلال. عادة ما يرافق عملية الاستدلال آلية تحقق للتحقق مما إذا كان مصدر النموذج الاستدلالي صحيحًا، وما إذا كانت هناك أي سلوكيات ضارة، وما إلى ذلك. يمكن دمج الاستدلال في Web3 داخل العقود الذكية، من خلال استدعاء النموذج لإجراء الاستدلال، تشمل طرق التحقق الشائعة تقنيات مثل ZKML و OPML و TEE. من المشاريع الممثلة مثل ORA، التي تضم Oracle AI على السلسلة (OAO)، حيث تم إدخال OPML كطبقة قابلة للتحقق لـ Oracle AI، كما ذكرت الموقع الرسمي لـ ORA أبحاثهم حول ZKML و opp/ai (ZKML مع OPML).

طبقة التطبيق:

هذه الطبقة موجهة مباشرة للمستخدمين، حيث تجمع بين الذكاء الاصطناعي و Web3، مما يخلق المزيد من