دمج Web3 و AI: بناء بنية الإنترنت التحتية للجيل القادم

تتمتع Web3 كإطار إنترنت جديد لامركزي ومفتوح وشفاف بإمكانات اندماج طبيعية مع الذكاء الاصطناعي. في ظل الهياكل التقليدية المركزية، يتم التحكم بدقة في موارد حساب الذكاء الاصطناعي والبيانات، مما يواجه تحديات مثل اختناق القدرة الحاسوبية، تسرب الخصوصية، وعدم الشفافية في الخوارزميات. بينما تعتمد Web3 على التقنيات الموزعة، يمكنها من خلال شبكة قوة حساب مشتركة، وسوق بيانات مفتوح، وحساب الخصوصية، أن تضخ طاقة جديدة في تطوير الذكاء الاصطناعي. في الوقت نفسه، يمكن للذكاء الاصطناعي أيضًا أن يمنح Web3 العديد من القدرات، مثل تحسين العقود الذكية وخوارزميات مكافحة الغش، مما يساعد في بناء بيئتها. يعد استكشاف الجمع بين Web3 والذكاء الاصطناعي 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 وراء تطوير الذكاء الاصطناعي. تحتاج نماذج الذكاء الاصطناعي إلى استيعاب كميات كبيرة من البيانات عالية الجودة للحصول على فهم عميق وقدرة استدلال قوية. لا توفر البيانات فقط الأساس للتدريب على نماذج التعلم الآلي، بل تحدد أيضًا دقة النموذج وموثوقيته.

توجد عدة مشكلات رئيسية في نماذج الحصول على البيانات واستخدامها في الذكاء الاصطناعي المركزي التقليدي:

• تكاليف الحصول على البيانات مرتفعة، والشركات الصغيرة والمتوسطة تجد صعوبة في التحمل
• تهيمن عمالقة التكنولوجيا على موارد البيانات، مما يشكل جزر بيانات
• تواجه خصوصية البيانات الشخصية مخاطر التسريب والانتهاك

يمكن لـ Web3 حل هذه المشكلات من خلال نموذج بيانات لامركزي جديد:

• يمكن للمستخدمين بيع الموارد الشبكية غير المستخدمة لشركات الذكاء الاصطناعي، لجمع بيانات الشبكة بشكل لامركزي، وتوفير بيانات حقيقية وعالية الجودة لتدريب نماذج الذكاء الاصطناعي.
• اعتماد نموذج "الكسب من خلال التوسيم"، من خلال تحفيز العاملين في جميع أنحاء العالم بالمكافآت القائمة على الرموز، لتجميع المعرفة الاحترافية العالمية وتعزيز قدرات تحليل البيانات.
• منصة تجارة بيانات البلوكشين توفر بيئة تداول شفافة وعلنية لكلا الطرفين المعنيين بالبيانات، مما يحفز الابتكار ومشاركة البيانات.

ومع ذلك، هناك بعض المشكلات المتعلقة بالحصول على البيانات من العالم الحقيقي، مثل تباين جودة البيانات، وصعوبة المعالجة، ونقص التنوع والتمثيل. قد تكون البيانات الاصطناعية نجم المستقبل في مجال بيانات Web3. استناداً إلى تقنية الذكاء الاصطناعي التوليدي والمحاكاة، يمكن للبيانات الاصطناعية محاكاة خصائص البيانات الحقيقية، مما يجعلها مكملًا فعالًا للبيانات الحقيقية، وزيادة كفاءة استخدام البيانات. في مجالات مثل القيادة الذاتية، وتداول الأسواق المالية، وتطوير الألعاب، أظهرت البيانات الاصطناعية إمكانات تطبيق ناضجة.

حماية الخصوصية: دور FHE في Web3

في عصر البيانات المدفوعة، أصبحت حماية الخصوصية محور اهتمام عالمي. بعض البيانات الحساسة لا يمكن استخدامها بشكل كافٍ بسبب مخاطر الخصوصية، مما يحد من إمكانيات ونماذج الذكاء الاصطناعي.

FHE هو التشفير المتجانس الكامل، ويسمح بإجراء عمليات حسابية مباشرة على البيانات المشفرة دون الحاجة إلى فك تشفير البيانات، والنتائج الحسابية تتطابق مع النتائج التي تم الحصول عليها من إجراء العمليات الحسابية نفسها على البيانات النصية.

يوفر FHE حماية قوية لحسابات الخصوصية في الذكاء الاصطناعي، مما يسمح لقوة معالجة GPU بتنفيذ مهام تدريب النماذج والاستدلال في بيئة لا تتعرض فيها البيانات الأصلية للخطر. وهذا يوفر ميزة كبيرة لشركات الذكاء الاصطناعي، حيث يمكنها فتح خدمات API بأمان مع حماية الأسرار التجارية.

يدعم FHEML معالجة البيانات والنماذج بشكل مشفر طوال دورة التعلم الآلي لضمان أمان المعلومات الحساسة ومنع مخاطر تسرب البيانات. من خلال هذه الطريقة، يعزز FHEML خصوصية البيانات ويقدم إطار عمل آمن لحسابات تطبيقات الذكاء الاصطناعي.

FHEML هو مكمل لـ ZKML، حيث يثبت ZKML التنفيذ الصحيح للتعلم الآلي، بينما يركز FHEML على إجراء الحسابات على البيانات المشفرة للحفاظ على خصوصية البيانات.

ثورة قوة الحوسبة: حسابات الذكاء الاصطناعي في الشبكات اللامركزية

تتضاعف تعقيدات حساب أنظمة الذكاء الاصطناعي الحالية كل 3 أشهر، مما يؤدي إلى زيادة هائلة في الطلب على القوة الحاسوبية، التي تفوق بكثير إمدادات الموارد الحاسوبية المتاحة. هذه النقص في القوة الحاسوبية لا يقتصر فقط على تقييد تقدم تقنيات الذكاء الاصطناعي، بل يجعل النماذج المتقدمة من الذكاء الاصطناعي بعيدة عن متناول معظم الباحثين والمطورين.

في الوقت نفسه، بلغت نسبة استخدام وحدات معالجة الرسوميات العالمية أقل من 40%، بالإضافة إلى تباطؤ تحسين أداء المعالجات الدقيقة، والعوامل الجيوسياسية وسلسلة التوريد التي أدت إلى نقص في الرقائق، مما زاد من تفاقم مشكلة إمدادات القدرة الحاسوبية. يجد محترفو الذكاء الاصطناعي أنفسهم في مأزق: إما شراء الأجهزة بأنفسهم، أو استئجار موارد سحابية، وهم في حاجة ملحة إلى طريقة لخدمة الحوسبة عند الطلب وبأسعار معقولة.

تقوم شبكة الحوسبة المستندة إلى الذكاء الاصطناعي اللامركزية من خلال تجميع موارد وحدات معالجة الرسوميات غير المستغلة على مستوى العالم بتوفير سوق حوسبة اقتصادي وسهل الوصول للشركات العاملة في مجال الذكاء الاصطناعي. يمكن لمقدمي طلبات الحوسبة نشر المهام الحسابية على الشبكة، حيث تقوم العقود الذكية بتوزيع المهام على عُقد المعدنين التي تسهم بقوة الحوسبة، ويقوم المعدنون بتنفيذ المهام وتقديم النتائج، وبعد التحقق منها يحصلون على مكافآت نقاط. يسهم هذا الحل في زيادة كفاءة استخدام الموارد ويساعد في حل مشكلة اختناق القدرة الحاسوبية في مجالات مثل الذكاء الاصطناعي.

بالإضافة إلى الشبكات العامة للقوة الحاسوبية اللامركزية، هناك شبكات مخصصة للقوة الحاسوبية التي تركز على تدريب الذكاء الاصطناعي والاستدلال. توفر الشبكات اللامركزية للقوة الحاسوبية سوقًا شفافًا وعادلًا للقوة الحاسوبية، مما يكسر الاحتكار، ويقلل من عتبات الدخول للتطبيقات، ويزيد من كفاءة استخدام القوة الحاسوبية. في نظام Web3 البيئي، ستلعب الشبكات اللامركزية للقوة الحاسوبية دورًا حاسمًا، مما يجذب المزيد من التطبيقات المبتكرة للانضمام، لدفع تطوير تطبيقات الذكاء الاصطناعي وتطبيقاته.

DePIN: تمكين Edge AI عبر Web3

تتيح تقنية Edge AI إجراء الحسابات في مصدر إنتاج البيانات، مما يحقق انخفاض في زمن الاستجابة ومعالجة في الوقت الحقيقي، بينما تحمي خصوصية المستخدم. لقد تم تطبيق تقنية Edge AI في مجالات حيوية مثل القيادة الذاتية.

في مجال Web3، نحن أكثر دراية بمفهوم DePIN. يؤكد Web3 على اللامركزية وحقوق سيادة بيانات المستخدم، بينما يعزز DePIN حماية خصوصية المستخدم من خلال معالجة البيانات محليًا، مما يقلل من مخاطر تسرب البيانات. يمكن لآلية اقتصاد التوكن الأصلية لـ Web3 تحفيز عقد DePIN لتقديم موارد حسابية، مما يساعد على بناء نظام بيئي مستدام.

تتطور DePIN حاليًا بسرعة في بعض بيئات السلاسل العامة، لتصبح واحدة من المنصات المفضلة لنشر المشاريع. توفر TPS العالية، ورسوم المعاملات المنخفضة، والابتكار التكنولوجي دعمًا قويًا لمشاريع DePIN.

IMO: إصدار نموذج جديد لنماذج الذكاء الاصطناعي

تقوم فكرة IMO بتوكنينج نماذج الذكاء الاصطناعي. في النموذج التقليدي، يواجه مطورو نماذج الذكاء الاصطناعي صعوبة في الحصول على إيرادات مستمرة من الاستخدام اللاحق للنموذج، خاصة عندما يتم دمج النموذج في منتجات وخدمات أخرى. غالبًا ما تفتقر أداء وفعالية نماذج الذكاء الاصطناعي إلى الشفافية، مما يجعل من الصعب على المستثمرين المحتملين والمستخدمين تقييم قيمتها الحقيقية، مما يحد من الاعتراف بالسوق والإمكانات التجارية للنموذج.

تقدم IMO طريقة جديدة لدعم التمويل ومشاركة القيمة لنماذج الذكاء الاصطناعي المفتوحة المصدر، حيث يمكن للمستثمرين شراء رموز IMO ومشاركة العوائد الناتجة عن النموذج لاحقًا. تستخدم بعض البروتوكولات معايير ERC محددة، بالتزامن مع تكنولوجيا أوacles الذكاء الاصطناعي و OPML لضمان صحة نموذج الذكاء الاصطناعي وتمكين حاملي الرموز من مشاركة العوائد.

يعزز نموذج IMO الشفافية والثقة، ويشجع على التعاون مفتوح المصدر، ويتكيف مع اتجاهات سوق التشفير، مما يضيف زخمًا لتطوير تكنولوجيا الذكاء الاصطناعي المستدام. لا يزال IMO في مرحلة المحاولة الأولية، ولكن مع زيادة قبول السوق وتوسع نطاق المشاركة، فإن ابتكاره وقيمته المحتملة تستحق الانتظار.

وكيل الذكاء الاصطناعي: عصر جديد في تجربة التفاعل

يمكن لوكيل الذكاء الاصطناعي أن يشعر بالبيئة، ويمارس التفكير المستقل، ويتخذ الإجراءات المناسبة لتحقيق الأهداف المحددة. بدعم من نماذج اللغة الكبيرة، لا يستطيع وكيل الذكاء الاصطناعي فقط فهم اللغة الطبيعية، بل يمكنه أيضًا تخطيط القرارات وتنفيذ المهام المعقدة. يمكن أن تعمل كمعاونين افتراضيين، من خلال التفاعل مع المستخدمين لتعلم تفضيلاتهم وتقديم حلول مخصصة. حتى في غياب التعليمات الواضحة، يمكن لوكيل الذكاء الاصطناعي أيضًا حل المشكلات بشكل مستقل، وزيادة الكفاءة، وخلق قيمة جديدة.

تقدم بعض منصات التطبيقات الأصلية المفتوحة للذكاء الاصطناعي مجموعة شاملة وسهلة الاستخدام من أدوات الإبداع، تدعم المستخدمين في تكوين وظائف الروبوتات، والمظهر، والصوت، وكذلك الاتصال بمكتبات المعرفة الخارجية، وتهدف إلى إنشاء نظام بيئي لمحتوى الذكاء الاصطناعي عادل ومفتوح، من خلال استخدام تقنيات الذكاء الاصطناعي التوليدية، وتمكين الأفراد ليصبحوا مبدعين خارقين. قامت هذه المنصات بتدريب نماذج لغوية كبيرة متخصصة، مما يجعل الأدوار التمثيلية أكثر إنسانية؛ يمكن لتقنيات استنساخ الصوت تسريع التفاعل الشخصي مع منتجات الذكاء الاصطناعي. باستخدام وكيل الذكاء الاصطناعي المخصص، يمكن تطبيقه حاليًا في مجالات متعددة مثل الدردشة المرئية، وتعلم اللغات، وتوليد الصور.

في دمج Web3 مع الذكاء الاصطناعي، يتم حالياً استكشاف المزيد من层基础设施، مثل كيفية الحصول على بيانات عالية الجودة، وحماية خصوصية البيانات، وكيفية استضافة النماذج على السلسلة، وكيفية تحسين الاستخدام الفعال للقوة الحاسوبية اللامركزية، وكيفية التحقق من نماذج اللغة الكبيرة وغيرها من القضايا الرئيسية. مع التحسين التدريجي لهذه البنية التحتية، لدينا أسباب للاعتقاد بأن دمج Web3 مع الذكاء الاصطناعي سيثمر عن مجموعة من نماذج الأعمال والخدمات الجديدة.