الذكاء الاصطناعي + ويب 3: الأبراج والساحات

TL; د

1. مشاريع Web3 التي تعتمد على مفهوم الذكاء الاصطناعي أصبحت هدفًا لجذب الأموال في الأسواق الأولية والثانوية.

2. الفرص المتاحة لـ Web3 في صناعة الذكاء الاصطناعي تتمثل بشكل رئيسي في: استخدام التحفيز الموزع لتنسيق الإمدادات المحتملة الطويلة الذيل ( عبر البيانات والتخزين والحوسبة ); وفي نفس الوقت إنشاء نماذج مفتوحة المصدر وسوق لامركزي لوكلاء الذكاء الاصطناعي.

3. يتم تطبيق الذكاء الاصطناعي بشكل رئيسي في صناعة Web3 على التمويل على السلسلة ( والدفع المشفر، والتداول، وتحليل البيانات ) بالإضافة إلى المساعدة في التطوير.

4. تظهر فائدة AI+Web3 في التكامل بين الطرفين: من المتوقع أن يتصدى Web3 للتركيز المركزي للذكاء الاصطناعي، ومن المتوقع أن يساعد الذكاء الاصطناعي Web3 في كسر الحواجز.

! الذكاء الاصطناعي+Web3: الأبراج والساحات

المقدمة

في العامين الماضيين، تطور الذكاء الاصطناعي بسرعة، وظهور ChatGPT فتح عصرًا جديدًا من الذكاء الاصطناعي التوليدي، مما أثار موجة في مجال Web3.

تحت تأثير مفهوم الذكاء الاصطناعي، شهدت مشاريع Web3 زيادة ملحوظة في التمويل. فقط في النصف الأول من عام 2024، أكمل 64 مشروعاً من مشاريع Web3+AI التمويل، حيث حقق نظام التشغيل القائم على الذكاء الاصطناعي Zyber365 أعلى تمويل بقيمة 100 مليون دولار في الجولة A.

شهد السوق الثانوي ازدهارًا أكبر، حيث أظهرت بيانات Coingecko أن القيمة السوقية الإجمالية لقطاع الذكاء الاصطناعي قد وصلت إلى 48.5 مليار دولار، وحجم التداول خلال 24 ساعة بلغ نحو 8.6 مليار دولار. حققت التقدمات في تقنيات الذكاء الاصطناعي الرئيسية فوائد واضحة، مثل ارتفاع متوسط أسعار قطاع الذكاء الاصطناعي بنسبة 151% بعد إطلاق Sora من OpenAI. كما امتدت تأثيرات الذكاء الاصطناعي إلى قطاع العملات المشفرة، حيث حقق مفهوم MemeCoin الجديد GOAT، الذي يعد أول وكيل ذكاء اصطناعي، شهرة سريعة وبلغت قيمته 1.4 مليار دولار، مما أثار موجة من جنون ميمات الذكاء الاصطناعي.

تتزايد الأبحاث والمواضيع المتعلقة بـ AI+Web3 بشكل كبير، من AI+Depin إلى AI Memecoin وصولاً إلى AI Agent و AI DAO، أصبح من الصعب على مشاعر FOMO مواكبة سرعة تبديل السرد الجديدة.

إن مفهوم AI+Web3 الذي يتسم بالمال الساخن، والفرص، وأحلام المستقبل، لا مفر من اعتباره زواجاً مدبراً بين رأس المال. من الصعب علينا أن نحكم ما إذا كان هذا هو ساحة المضاربين، أم أنه ليلة الانفجار.

للإجابة على هذا السؤال، يكمن المفتاح في التفكير: هل سيكون الأمر أفضل مع الآخر؟ هل يمكن الاستفادة من نموذج الآخر؟ تحاول هذه المقالة استكشاف هذا الإطار: كيف يمكن لـ Web3 أن تلعب دورًا في مختلف مراحل تقنية AI، وماذا يمكن أن تجلب AI إلى Web3 من حيوية جديدة؟

الجزء 1 ما هي الفرص المتاحة في Web3 تحت كومة الذكاء الاصطناعي؟

قبل الخوض في هذا الموضوع، نحتاج إلى فهم تقنية نموذج الذكاء الاصطناعي الكبير:

يمكن مقارنة نماذج الذكاء الاصطناعي الكبيرة بالدماغ البشري، حيث تحتاج في المرحلة المبكرة مثل الرضع إلى مراقبة واستيعاب كميات هائلة من المعلومات الخارجية لفهم العالم، وهذه هي مرحلة "جمع البيانات". نظرًا لأن الكمبيوتر لا يمتلك حواس متعددة مثل البشر، يجب "معالجة" المعلومات غير المميزة قبل التدريب لتحويلها إلى تنسيق يمكن للكمبيوتر فهمه.

بعد إدخال البيانات، يبني الذكاء الاصطناعي نموذجًا يمتلك القدرة على الفهم والتنبؤ من خلال "التدريب"، مشابهًا لكيفية فهم الأطفال وتعلمهم عن العالم من حولهم تدريجيًا. يتم تعديل معلمات النموذج مثل القدرة اللغوية التي يتكيف بها الطفل باستمرار. يتم تقسيم محتوى التعلم أو الحصول على التغذية الراجعة من خلال التواصل مع الآخرين، والدخول في مرحلة "الضبط الدقيق".

بعد أن يتعلم الأطفال الكلام، يمكنهم فهم والتعبير عن الأفكار في محادثات جديدة، مشابهًا لمرحلة "الاستدلال" في نماذج الذكاء الاصطناعي الكبيرة، حيث يتمكنون من إجراء تحليل تنبؤي للمدخلات الجديدة. يعبر الأطفال عن مشاعرهم من خلال اللغة، ويصفون الأشياء ويحلون المشكلات، مشابهًا لكيفية استخدام نماذج الذكاء الاصطناعي الكبيرة بعد التدريب في أنواع مختلفة من المهام المحددة، مثل تصنيف الصور، والتعرف على الصوت.

يقترب وكيل الذكاء الاصطناعي من الشكل التالي للنموذج الكبير: القدرة على تنفيذ المهام بشكل مستقل والسعي نحو أهداف معقدة، ويمتلك قدرات التفكير والذاكرة والتخطيط، وقادر على استخدام الأدوات والتفاعل مع العالم.

بالنسبة لنقاط الألم في كل طبقة من AI، فإن Web3 قد شكّل حاليًا نظامًا بيئيًا متعدد المستويات متصلًا ببعضه البعض، ويغطي جميع مراحل عملية نموذج AI.

! الذكاء الاصطناعي+Web3: الأبراج والمربعات

واحد، الطبقة الأساسية: Airbnb للقوة الحاسوبية والبيانات

قوة التعدين

حاليًا، أحد أعلى التكاليف في الذكاء الاصطناعي هو القدرة الحاسوبية والطاقة المطلوبة لتدريب النماذج واستنتاجها.

يتطلب نموذج LLAMA3 من Meta 16000 وحدة معالجة رسومات NVIDIA H100 لتدريبها لمدة 30 يومًا. يبلغ سعر النسخة 80 جيجابايت من 30,000 إلى 40,000 دولار، مما يتطلب استثمارًا في الأجهزة يتراوح بين 400 إلى 700 مليون دولار، ويستهلك التدريب شهريًا 1.6 مليار كيلووات ساعة من الطاقة، مما يكلف حوالي 20 مليون دولار للطاقة.

فك ضغط قوة الذكاء الاصطناعي هو أحد أوائل المجالات المتداخلة بين Web3 و الذكاء الاصطناعي ------ شبكة البنية التحتية الفيزيائية اللامركزية DePin(. لقد قامت DePin Ninja بإدراج أكثر من 1400 مشروع، وتعتبر مشاركة قوة GPU مثل io.net و Aethir و Akash و Render Network.

المنطق الرئيسي: يسمح المنصة لمالكي موارد GPU غير المستخدمة بالمساهمة في القدرة الحاسوبية بشكل لامركزي دون الحاجة إلى إذن، مشابه لسوق الإنترنت بين المشترين والبائعين مثل Uber أو Airbnb، مما يزيد من استخدام موارد GPU غير المستغلة بشكل كافٍ، ويحصل المستخدمون النهائيون على موارد حوسبة فعالة ومنخفضة التكلفة؛ بينما تضمن آلية الرهن العقاري معاقبة مقدمي الموارد عند انتهاك مراقبة الجودة أو انقطاع الشبكة.

الميزات:

• جمع موارد GPU غير المستخدمة: بشكل رئيسي لمراكز البيانات الصغيرة والمتوسطة التابعة لجهات خارجية، ومزارع التعدين المشفرة، وما إلى ذلك من قدرة حسابية زائدة، وأجهزة تعدين PoS مثل FileCoin وآلات تعدين ETH. هناك أيضًا مشاريع تهدف إلى بدء تشغيل الأجهزة ذات العوائق المنخفضة، مثل exolab التي تستخدم أجهزة MacBook وiPhone وiPad المحلية لإنشاء شبكة قدرة استدلال النماذج الكبيرة.

• تستهدف سوق الذيل الطويل لقدرات الذكاء الاصطناعي: أ. الجانب التكنولوجي: أكثر ملاءمة لخطوات الاستنتاج. يعتمد التدريب على مجموعات ضخمة من وحدات معالجة الرسومات، بينما تتطلب الاستنتاجات أداءً أقل من وحدات معالجة الرسومات، مثل Aethir التي تركز على العرض منخفض الكمون واستنتاج الذكاء الاصطناعي. ب. جانب الطلب: لن تقوم الأطراف ذات القدرة الحاسوبية المتوسطة والصغيرة بتدريب نماذج كبيرة بمفردها، بل ستقوم فقط بتحسين النماذج الكبيرة الرائدة، مما يجعلها مناسبة بشكل طبيعي لموارد الحوسبة الموزعة غير المستخدمة.

• الملكية اللامركزية: تكمن أهمية تقنية البلوكشين في أن مالكي الموارد يحتفظون دائمًا بحق التحكم في الموارد، مما يتيح لهم التعديل بمرونة مع تحقيق الأرباح.

)# البيانات

البيانات هي أساس الذكاء الاصطناعي. بدون بيانات، تكون الحسابات بلا قيمة مثل الطفو على سطح الماء. العلاقة بين البيانات والنموذج تشبه "المدخلات السيئة، المخرجات السيئة"، حيث تحدد كمية البيانات وجودتها جودة المخرجات النهائية للنموذج. بالنسبة لتدريب نماذج الذكاء الاصطناعي، تحدد البيانات القدرة على اللغة، وفهمها، والقيم، والتعبيرات الإنسانية. في الوقت الحالي، تكمن التحديات الرئيسية في حاجة الذكاء الاصطناعي إلى البيانات في:

• جوع البيانات: تعتمد نماذج الذكاء الاصطناعي على إدخال كميات هائلة من البيانات. قامت OpenAI بتدريب GPT-4 بكمية من المعلمات تصل إلى تريليونات.

• جودة البيانات: مع دمج الذكاء الاصطناعي مع مختلف الصناعات، تثار متطلبات جديدة حول توقيت البيانات، تنوعها، احترافيتها، وكذلك مصادر البيانات الناشئة مثل استيعاب المشاعر من وسائل التواصل الاجتماعي.

• الخصوصية والامتثال: بدأت الشركات في مختلف الدول تدرك أهمية مجموعات البيانات عالية الجودة، وتقوم بتقييد جمع البيانات.

• تكلفة معالجة البيانات مرتفعة: حجم البيانات كبير، والمعالجة معقدة. تستثمر شركات الذكاء الاصطناعي أكثر من 30% من تكاليف البحث والتطوير في جمع ومعالجة البيانات الأساسية.

تتجلى حلول Web3 في أربعة جوانب:

1. جمع البيانات: نفدت بسرعة البيانات الحقيقية المجانية، وزادت نفقات الشركات العاملة في مجال الذكاء الاصطناعي على البيانات المدفوعة سنويًا، لكن لم يتم تعويض المساهمين الحقيقيين، حيث تستفيد المنصات من جميع قيمة الإبداع، مثلما حققت Reddit إيرادات بقيمة 203 مليون دولار من خلال اتفاقيات ترخيص بيانات الشركات العاملة في مجال الذكاء الاصطناعي.

تمكين المستخدمين المساهمين الحقيقيين من المشاركة في خلق قيمة البيانات، من خلال شبكة موزعة وآلية تحفيز للحصول على بيانات خاصة أكثر قيمة بتكلفة منخفضة، هو رؤية Web3.

• Grass: طبقة بيانات لامركزية وشبكة، يقوم المستخدمون بتشغيل العقدة للمساهمة بعرض النطاق الترددي غير المستغل ونقل حركة البيانات لالتقاط البيانات في الوقت الحقيقي، والحصول على مكافآت رمزية.

• Vana: إدخال مفهوم مجموعة سيولة البيانات ###DLP(، حيث يقوم المستخدمون بتحميل البيانات الخاصة إلى DLP معين، مع اختيار مرن لما إذا كانوا يرغبون في السماح لطرف ثالث باستخدامها.

• PublicAI: يمكن للمستخدمين استخدام ) من خلال علامة Web3 على X و @PublicAI لجمع البيانات.

2. معالجة البيانات: في معالجة بيانات الذكاء الاصطناعي، غالبًا ما تكون البيانات المجمعة صاخبة وتحتوي على أخطاء، ويجب تنظيفها وتحويلها إلى تنسيق قابل للاستخدام قبل التدريب، مما يشمل مهام متكررة مثل التوحيد، والترشيح، ومعالجة القيم المفقودة. هذه المرحلة هي واحدة من القليل من العمليات اليدوية في صناعة الذكاء الاصطناعي، مما أدى إلى ظهور صناعة موفري بيانات التسمية، ومع زيادة متطلبات جودة البيانات من النماذج، يرتفع العائق أيضًا، مما يجعلها مناسبة بشكل طبيعي لآلية التحفيز اللامركزية في Web3.

• Grass و OpenLayer تفكران في إضافة مرحلة تسمية البيانات.

• قدمت Synesis مفهوم "Train2earn"، مع التأكيد على جودة البيانات، حيث يحصل المستخدمون على مكافآت مقابل تقديم بيانات معلمة وتعليقات.

• مشروع التوصيف البياني Sapien يقوم بتحويل مهام التوصيف إلى ألعاب، حيث يقوم المستخدمون بترتيب النقاط لكسب المزيد من النقاط.

3. خصوصية البيانات والأمان: يجب توضيح أن خصوصية البيانات والأمان هما مفهومان مختلفان. تتعلق خصوصية البيانات بمعالجة البيانات الحساسة، بينما يتعلق أمان البيانات بحماية البيانات من الوصول غير المصرح به، والتدمير، والسرقة. مزايا تقنيات الخصوصية في Web3 و السيناريوهات المحتملة للتطبيق: #AI或# تدريب البيانات الحساسة; ( التعاون في البيانات: مشاركة عدة مالكي بيانات في تدريب الذكاء الاصطناعي دون الحاجة لمشاركة البيانات الأصلية.

التقنيات الحالية للخصوصية في Web3:

• بيئة تنفيذ موثوقة ) TEE ( ، مثل بروتوكول سوبر

• التشفير المتجانس بالكامل ) FHE (، مثل BasedAI، Fhenix.io، Inco Network

• تقنية المعرفة الصفرية ) zk (، مثل بروتوكول ريكليم الذي يستخدم تقنية zkTLS لإنشاء إثباتات المعرفة الصفرية لحركة مرور HTTPS، مما يسمح للمستخدمين باستيراد أنشطة المواقع الخارجية، والسمعة، وبيانات الهوية بشكل آمن، دون الحاجة لكشف المعلومات الحساسة.

هذا المجال لا يزال في مراحله المبكرة، حيث إن معظم المشاريع تستكشف، والمشكلة الحالية هي ارتفاع تكاليف الحساب، مثل:

• تحتاج إطار عمل zkML EZKL إلى حوالي 80 دقيقة لإنشاء إثبات نموذج 1M-nanoGPT.

• تظهر بيانات Modulus Labs أن تكاليف zkML أعلى بأكثر من 1000 مرة مقارنة بالحسابات البحتة.

4. تخزين البيانات: يحتاج إلى مكان لتخزين البيانات على السلسلة وإنشاء LLM. مع التركيز على مشكلة توفر البيانات )DA(، كانت سعة الإيثيريوم قبل ترقية Danksharding 0.08MB. عادةً ما يحتاج تدريب نماذج الذكاء الاصطناعي والتفسير الفوري إلى سعة بيانات تتراوح بين 50-100 جيجابايت في الثانية. هذه الفجوة في الحجم تجعل الحلول الحالية على السلسلة تواجه صعوبة في تلبية احتياجات تطبيقات الذكاء الاصطناعي التي تتطلب موارد كثيفة.

• 0g.AI هو مشروع تمثيلي. حل تخزين مركزي مصمم لتلبية احتياجات الأداء العالي في الذكاء الاصطناعي، الميزات الرئيسية: الأداء العالي وقابلية التوسع، يدعم تحميل وتنزيل مجموعات البيانات الكبيرة بسرعة من خلال تقنيات التجزئة المتقدمة والترميز التصحيحي، تصل سرعة نقل البيانات تقريبًا إلى 5 جيجابايت في الثانية.

) ٢. البرمجيات الوسيطة: تدريب النموذج والاستدلال

(# سوق النماذج المفتوحة اللامركزية

تستمر المناقشة حول نموذج الذكاء الاصطناعي المغلق مقابل المفتوح. توفر المصادر المفتوحة ابتكارًا جماعيًا وهو ميزة لا يمكن للمصادر المغلقة مقارنتها، ولكن كيف يمكن تعزيز حافز المطورين بدون نموذج ربح؟ صرح مؤسس بايدو لي يانهونغ في أبريل "سوف تتخلف النماذج المفتوحة بشكل متزايد".

يقدم Web3 إمكانية سوق نماذج مفتوحة المصدر لامركزية: توكني نموذج نفسه، الاحتفاظ بنسبة معينة من التوكنات للفريق، توجيه جزء من إيرادات المستقبل نحو حاملي التوكنات.

• بروتوكول Bittensor ينشئ سوق نماذج مفتوح المصدر P2P، ويتكون من عشرات "الشبكات الفرعية"، حيث يتنافس مزودو الموارد ) في الحساب، وجمع/تخزين البيانات، والمواهب في التعلم الآلي ### لتلبية أهداف مالكي الشبكات الفرعية المحددة، ويمكن لكل شبكة فرعية أن تتفاعل وتتعلم من بعضها البعض لتحقيق ذكاء أقوى. يتم توزيع المكافآت من خلال تصويت المجتمع، ويتم توزيعها بشكل أكبر بناءً على أداء المنافسة في كل شبكة فرعية.

• قدمت ORA مفهوم إصدار النموذج الأولي ###IMO(، مما يجعل نماذج الذكاء الاصطناعي قابلة للتوكن، ويمكن شراء وبيع وتطوير نماذج الذكاء الاصطناعي من خلال شبكة لامركزية.

• Sentient، منصة AGI اللامركزية، تحفز الناس على التعاون، بناء، نسخ وتوسيع نماذج الذكاء الاصطناعي، وتكافئ المساهمين.

• Spectral Nova، تركز على إنشاء وتطبيق نماذج الذكاء الاصطناعي وتعلم الآلة.

)# الاستدلال القابل للتحقق

فيما يتعلق بمشكلة "الصندوق الأسود" في استدلال الذكاء الاصطناعي، فإن الحل القياسي في Web3 هو مقارنة نتائج العمليات المتكررة من قبل عدة مدققين، لكن نقص "رقائق Nvidia" عالية الجودة يؤدي إلى ارتفاع تكلفة استدلال الذكاء الاصطناعي، مما يجعل هذه الطريقة تواجه تحديات.

الأمل الأكبر هو تنفيذ إثبات ZK للحسابات التفسيرية للذكاء الاصطناعي خارج السلسلة، دون الحاجة إلى التحقق من نموذج الذكاء الاصطناعي على السلسلة. يجب تشفير إثبات اكتمال الحسابات خارج السلسلة بشكل صحيح على السلسلة ( إذا لم يتم العبث بمجموعة البيانات )، مع ضمان سرية جميع البيانات.

المزايا الرئيسية:

• القابلية للتوسع: يمكن لإثباتات المعرفة الصفرية تأكيد عدد كبير من الحسابات خارج السلسلة بسرعة. حتى مع زيادة عدد المعاملات، يمكن لإثبات واحد التحقق من جميع المعاملات.

• حماية الخصوصية: يتم الحفاظ على سرية بيانات ونماذج الذكاء الاصطناعي، ويمكن للأطراف التحقق من أن البيانات والنماذج لم تتعرض للتلف.

• لا حاجة للثقة: لا حاجة للاعتماد على الأطراف المركزية لتأكيد الحساب.

• تكامل Web2: تعريفاً، Web2 هو تكامل خارج السلسلة، يمكن أن تساعد الاستدلالات القابلة للتحقق في نقل مجموعات البيانات وحسابات الذكاء الاصطناعي إلى السلسلة، مما يساعد على زيادة معدل اعتماد Web3.

التقنية الحالية لـ Web3 المتعلقة بالاستدلال القابل للتحقق:

• zkML: دمج إثباتات المعرفة الصفرية مع التعلم الآلي، لضمان خصوصية البيانات والنماذج، مما يسمح بالحسابات القابلة للتحقق دون الكشف عن الخصائص الأساسية، مثل مُثبت المعرفة الصفرية المبني على ZKML الذي أطلقته Modulus Labs، والذي يتحقق بفعالية مما إذا كان مزودو الذكاء الاصطناعي ينفذون الخوارزميات بشكل صحيح على السلسلة، والعميل الحالي بشكل أساسي هو DApp على السلسلة.

• opML: باستخدام مبدأ التجميع المتفائل، من خلال التحقق من وقت حدوث النزاع، تحسين ML