تقرير شامل عن مسار Web3-AI: تحليل عميق للمنطق التكنولوجي، تطبيقات السيناريو، والمشاريع الرائدة

مع استمرار ارتفاع شعبية السرد بواسطة الذكاء الاصطناعي، تركز المزيد من الاهتمام على هذا المسار. تم إجراء تحليل عميق للمنطق التكنولوجي و سيناريوهات التطبيق والمشاريع التمثيلية في مسار Web3-AI، لتقديم عرض شامل لك panorama و اتجاهات التطور في هذا المجال.

1. Web3-AI: تحليل المنطق التكنولوجي وفرص السوق الناشئة

1.1 منطق دمج Web3 و AI: كيف نحدد مسار Web-AI

في العام الماضي، كانت السرديات المعتمدة على الذكاء الاصطناعي في صناعة Web3 مشتعلة بشكل غير عادي، حيث ظهرت مشاريع الذكاء الاصطناعي كالفطر بعد المطر. على الرغم من أن هناك العديد من المشاريع التي تتضمن تقنيات الذكاء الاصطناعي، إلا أن بعض المشاريع تستخدم الذكاء الاصطناعي فقط في بعض أجزاء منتجاتها، ولا ترتبط الاقتصاديات الرمزية الأساسية ارتباطًا جوهريًا بمنتجات الذكاء الاصطناعي، لذلك لا تندرج هذه المشاريع ضمن مناقشة مشاريع Web3-AI في هذه المقالة.

تتمثل النقطة الأساسية في هذه المقالة في استخدام تقنية البلوكشين لحل مشكلات العلاقات الإنتاجية، واستخدام الذكاء الاصطناعي لحل مشكلات القوى الإنتاجية، حيث تقدم هذه المشاريع نفسها منتجات ذكاء اصطناعي، وفي الوقت نفسه تعتمد على نموذج الاقتصاد Web3 كأداة للعلاقات الإنتاجية، حيث يكمل كل منهما الآخر. نحن نصنف هذه المشاريع ضمن مسار Web3-AI. من أجل مساعدة القراء على فهم مسار Web3-AI بشكل أفضل، سيتم تقديم عملية تطوير الذكاء الاصطناعي والتحديات المرتبطة بها، بالإضافة إلى كيفية دمج Web3 والذكاء الاصطناعي بشكل مثالي لحل المشكلات وخلق سيناريوهات تطبيق جديدة.

1.2 عملية تطوير الذكاء الاصطناعي والتحديات: من جمع البيانات إلى استنتاج النموذج

تكنولوجيا الذكاء الاصطناعي هي تقنية تسمح للكمبيوتر بمحاكاة وتوسيع وتعزيز الذكاء البشري. إنها تمكن الكمبيوتر من تنفيذ مجموعة متنوعة من المهام المعقدة، بدءًا من ترجمة اللغة، وتصنيف الصور، وصولاً إلى التعرف على الوجوه، وتطبيقات القيادة الذاتية، فإن الذكاء الاصطناعي يغير الطريقة التي نعيش ونعمل بها.

عادةً ما تتضمن عملية تطوير نماذج الذكاء الاصطناعي الخطوات الأساسية التالية: جمع البيانات ومعالجة البيانات، اختيار النموذج وضبطه، تدريب النموذج واستنتاجه. كمثال بسيط، لتطوير نموذج يحقق تصنيف صور القطط والكلاب، تحتاج إلى:

1. جمع البيانات ومعالجة البيانات المسبقة: جمع مجموعة بيانات تحتوي على صور للقطط والكلاب، يمكن استخدام مجموعة بيانات عامة أو جمع بيانات حقيقية بنفسك. ثم قم بتسمية الفئة لكل صورة (قط أو كلب)، تأكد من أن التسميات دقيقة. تحويل الصور إلى تنسيق يمكن للنموذج التعرف عليه، وتقسيم مجموعة البيانات إلى مجموعة تدريب ومجموعة تحقق ومجموعة اختبار.

2. اختيار النموذج وتحسينه: اختيار النموذج المناسب، مثل الشبكات العصبية التلافيفية (CNN)، والذي يناسب مهام تصنيف الصور. تحسين معلمات أو هيكل النموذج وفقًا للاحتياجات المختلفة، وعادةً ما يمكن تعديل مستويات الشبكة للنموذج بناءً على تعقيد مهمة الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون المستويات الشبكية الأكثر سطحية كافية.

3. تدريب النموذج: يمكن استخدام GPU أو TPU أو تجمعات الحوسبة عالية الأداء لتدريب النموذج، ويؤثر وقت التدريب على تعقيد النموذج وقدرة الحوسبة.

4. استنتاج النموذج: تُعرف الملفات المدربة للنموذج عادةً بوزن النموذج، وعملية الاستنتاج تشير إلى استخدام النموذج المدرب مسبقًا للتنبؤ أو تصنيف بيانات جديدة. يمكن استخدام مجموعة الاختبار أو بيانات جديدة لاختبار فعالية تصنيف النموذج، وعادة ما يتم تقييم فعالية النموذج باستخدام مؤشرات مثل الدقة، ومعدل الاسترجاع، ودرجة F1.

كما هو موضح في الصورة، بعد جمع البيانات ومعالجة البيانات المسبقة، واختيار النموذج وضبطه، والتدريب، سيتم استنتاج القيم المتوقعة للقطط والكلاب P (الاحتمالية) من النموذج المدرب على مجموعة الاختبار، أي أن النموذج يستنتج ما إذا كان هو قطة أو كلب.

يمكن دمج نماذج الذكاء الاصطناعي المدربة بشكل أكبر في تطبيقات مختلفة لأداء مهام متنوعة. في هذا المثال، يمكن دمج نموذج الذكاء الاصطناعي لتصنيف القطط والكلاب في تطبيق هاتف محمول، حيث يقوم المستخدم بتحميل صورة لقطة أو كلب، ثم يحصل على نتيجة التصنيف.

ومع ذلك، فإن عملية تطوير الذكاء الاصطناعي المركزية تواجه بعض المشكلات 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 تواجه الفرق الصغيرة أو الأفراد قيودًا في الحصول على البيانات في مجالات محددة (مثل البيانات الطبية) عندما لا تكون البيانات مفتوحة المصدر.

اختيار النموذج وضبطه: بالنسبة للفرق الصغيرة، من الصعب الحصول على موارد نموذج معينة في مجالات معينة أو إنفاق تكلفة كبيرة لضبط النموذج.

الحصول على قوة الحوسبة: بالنسبة للمطورين الأفراد والفرق الصغيرة، قد تشكل تكلفة شراء وحدات معالجة الرسومات العالية وتكاليف تأجير قوة الحوسبة السحابية عبئًا اقتصاديًا كبيرًا.

دخل الأصول الذكية: غالباً ما لا يحصل عمال وضع البيانات على دخل يتناسب مع جهودهم، كما أن نتائج أبحاث مطوري الذكاء الاصطناعي يصعب مطابقتها مع المشترين الذين لديهم طلب.

يمكن مواجهة التحديات الموجودة في مشهد الذكاء الاصطناعي المركزي من خلال دمجه مع Web3، حيث أن Web3 كنوع جديد من علاقات الإنتاج يتناسب بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل قوة إنتاجية جديدة، مما يعزز التقدم المتزامن للتكنولوجيا والقدرات الإنتاجية.

1.3 تأثير التعاون بين Web3 و AI: تحول الأدوار والتطبيقات المبتكرة

يمكن أن يعزز دمج Web3 و AI سيادة المستخدمين، ويقدم منصة تعاون مفتوحة للذكاء الاصطناعي، مما يحول المستخدمين من مستخدمي الذكاء الاصطناعي في عصر Web2 إلى مشاركين، لإنشاء ذكاء اصطناعي يمكن للجميع امتلاكه. في الوقت نفسه، يمكن أن يؤدي ت融合 عالم Web3 مع تقنيات الذكاء الاصطناعي إلى حدوث المزيد من المشاهد التطبيقية والابتكارات.

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

في مشهد Web3، يمكن أن يؤثر الذكاء الاصطناعي بشكل إيجابي في العديد من المجالات. على سبيل المثال، يمكن دمج نماذج الذكاء الاصطناعي في العقود الذكية لتحسين كفاءة العمل في تطبيقات مختلفة مثل تحليل السوق، وفحص الأمان، والتجمعات الاجتماعية، وغيرها من الوظائف المتنوعة. لا يتيح الذكاء الاصطناعي التوليدي للمستخدمين فقط تجربة دور "الفنان"، مثل استخدام تقنيات الذكاء الاصطناعي لإنشاء NFT الخاصة بهم، بل يمكنه أيضاً خلق مشاهد ألعاب متنوعة وتفاعلات ممتعة في الألعاب. 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 المدخل المناسب في هذا العالم.

الثاني، تفسير خريطة مشروع Web3-AI والهيكل

لقد بحثنا بشكل أساسي في 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 الوسيط، ومستوى التطبيقات، وكل مستوى مقسم إلى أقسام مختلفة. في الفصل التالي، سنقوم بتحليل بعض المشاريع الممثلة بعمق.

تشمل طبقة البنية التحتية الموارد الحاسوبية وهياكل التكنولوجيا التي تدعم تشغيل دورة حياة الذكاء الاصطناعي بالكامل، بينما تتضمن الطبقة الوسطى إدارة البيانات وتطوير النماذج وخدمات التحقق من الاستدلال التي تربط البنية التحتية بالتطبيقات، وتركز الطبقة التطبيقية على مجموعة متنوعة من التطبيقات والحلول الموجهة مباشرة للمستخدم.

طبقة البنية التحتية:

تشكل طبقة البنية التحتية أساس دورة حياة الذكاء الاصطناعي، حيث يتم تصنيف قوة الحوسبة وAI Chain ومنصة التطوير على أنها طبقة البنية التحتية. إن دعم هذه البنية التحتية هو ما يجعل تدريب نماذج الذكاء الاصطناعي واستنتاجها ممكنًا، ويعرض تطبيقات الذكاء الاصطناعي القوية والعملية للمستخدمين.

• شبكة حوسبة لامركزية: يمكن أن توفر طاقة حوسبة موزعة لتدريب نماذج الذكاء الاصطناعي، مما يضمن استخدام موارد حوسبة فعالة واقتصادية. تقدم بعض المشاريع سوقًا لامركزيًا للطاقة الحاسوبية، حيث يمكن للمستخدمين استئجار الطاقة الحاسوبية بتكلفة منخفضة أو مشاركة الطاقة الحاسوبية للحصول على عوائد، 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 الطاقة الحاسوبية للحصول على عوائد.

• AI Chain: استخدام البلوكشين كأساس لدورة حياة الذكاء الاصطناعي، لتحقيق التفاعل السلس بين الموارد الذكية على السلسلة وخارجها، وتعزيز تطوير النظام الإيكولوجي الصناعي. يمكن لسوق الذكاء الاصطناعي اللامركزي على السلسلة تداول أصول الذكاء الاصطناعي مثل البيانات والنماذج والوكلاء، وتقديم إطار تطوير الذكاء الاصطناعي والأدوات التطويرية المصاحبة، ومن المشاريع التي تمثل ذلك هو Sahara AI. يمكن أن يعزز AI Chain أيضًا تقدم تقنيات الذكاء الاصطناعي في مجالات مختلفة، مثل Bittensor من خلال آلية تحفيز الشبكات الفرعية المبتكرة لتعزيز المنافسة بين أنواع مختلفة من الشبكات الفرعية الذكية.

• منصة التطوير: تقدم بعض المشاريع منصة تطوير وكيل الذكاء الاصطناعي، ويمكن أيضًا تنفيذ تداول وكيل الذكاء الاصطناعي، مثل Fetch.ai و ChainML وغيرها. تساعد الأدوات الشاملة المطورين في 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 البيئي.

الطبقة الوسطى:

تتعلق هذه الطبقة ببيانات الذكاء الاصطناعي والنماذج والاستدلال والتحقق، ويمكن تحقيق كفاءة عمل أعلى من خلال استخدام تقنية Web3.

• البيانات: تعتبر جودة وكمية البيانات من العوامل الرئيسية التي تؤثر على فعالية تدريب النماذج. في عالم Web3، يمكن تحسين استخدام الموارد وتقليل تكاليف البيانات من خلال بيانات الجماهير والمعالجة التعاونية للبيانات. يمكن للمستخدمين امتلاك حقوق البيانات الخاصة بهم، وبيع بياناتهم في ظل حماية الخصوصية، لتجنب سرقة البيانات من قبل التجار السيئين وتحقيق أرباح مرتفعة. بالنسبة للجهات التي تحتاج إلى البيانات، توفر هذه المنصات مجموعة واسعة من الخيارات وتكاليف منخفضة للغاية. من المشاريع الممثلة مثل Grass الذي يستخدم عرض النطاق الترددي للمستخدمين لجمع بيانات الويب، و xData الذي يجمع معلومات الوسائط من خلال مكون إضافي سهل الاستخدام ويدعم رفع المعلومات من التغريدات.

علاوة على ذلك، تسمح بعض المنصات للخبراء في المجال أو للمستخدمين العاديين بتنفيذ مهام معالجة البيانات مثل وضع علامات على الصور وتصنيف البيانات، وهذه المهام قد تتطلب معرفة متخصصة في معالجة البيانات المتعلقة بالمهام المالية والقانونية، حيث يمكن للمستخدمين تحويل مهاراتهم إلى رموز لتحقيق التعاون الجماعي في معالجة البيانات. ومن الأمثلة على ذلك سوق الذكاء الاصطناعي مثل Sahara AI، الذي يحتوي على مهام بيانات من مجالات مختلفة، ويمكنه تغطية سيناريوهات بيانات متعددة المجالات؛ بينما يقوم بروتوكول AIT بتوسيع البيانات من خلال التعاون بين الإنسان والآلة.

• النموذج: خلال عملية تطوير الذكاء الاصطناعي المذكورة سابقًا، تحتاج أنواع مختلفة من المتطلبات إلى مطابقة نموذج مناسب. النماذج الشائعة في مهام الصور تشمل CNN و GAN، بينما يمكن اختيار سلسلة Yolo لمهام الكشف عن الأهداف، وغالبًا ما تُستخدم نماذج RNN و Transformer لمهام النصوص، بالطبع هناك أيضًا بعض النماذج الكبيرة المحددة أو العامة. تختلف عمق النماذج المطلوبة حسب تعقيد المهام، وأحيانًا تحتاج إلى تعديل النموذج.

بعض المشاريع تدعم المستخدمين في تقديم أنواع مختلفة من النماذج أو التعاون في تدريب النماذج من خلال أسلوب التمويل الجماعي، مثل Sentient التي من خلال تصميمها القابل للتجزئة، تسمح للمستخدمين بوضع بيانات النماذج الموثوقة في طبقة التخزين وطبقة التوزيع لتحسين النماذج، كما أن أدوات التطوير التي تقدمها Sahara AI تحتوي على خوارزميات ذكاء اصطناعي متقدمة وإطار 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. غالبًا ما تصاحب عملية الاستدلال آلية تحقق، للتحقق مما إذا كان مصدر نموذج الاستدلال صحيحًا، وما إذا كان هناك سلوك ضار، وما إلى ذلك. يمكن أن يتكامل الاستدلال في Web3 عادةً في العقود الذكية، من خلال استدعاء النموذج لإجراء الاستدلال، وتشمل طرق التحقق الشائعة تقنيات مثل ZKML و OPML و TEE وغيرها. المشاريع الممثلة مثل أورا (ORA) على سلسلة الذكاء الاصطناعي (OAO) أدخلت OPML كطبقة قابلة للتحقق لعرّاف الذكاء الاصطناعي، وتم الإشارة أيضًا في الموقع الرسمي لأورا إلى أبحاثهم حول ZKML و opp/ai (ZKML مع OPML).

طبقة التطبيق:

تستهدف هذه الطبقة بشكل رئيسي التطبيقات الموجهة للمستخدمين، حيث تجمع بين الذكاء الاصطناعي وWeb3، مما يخلق المزيد من التجارب المثيرة والمبتكرة.