تقرير بانورامي عن مسار Web3-AI: تحليل عميق للمنطق التقني، تطبيقات السيناريو، والمشاريع الرائدة

مع استمرار ارتفاع درجة حرارة السرد الذكي ، يتم تركيز المزيد والمزيد من الاهتمام على هذا المجال. تم إجراء تحليل عميق للمنطق التكنولوجي لمجال Web3-AI ، وسيناريوهات التطبيق والمشاريع التمثيلية ، لتقديم عرض شامل لك panoramas و اتجاهات التنمية في هذا المجال.

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

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

على مدار العام الماضي، كانت السرديات المدعومة بالذكاء الاصطناعي تتألق في صناعة Web3، حيث ظهرت مشاريع الذكاء الاصطناعي كالفطر بعد المطر. على الرغم من وجود 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 بشكل جوهري بمنتجات الذكاء الاصطناعي، وبالتالي لا تشمل هذه الأنواع من المشاريع في مناقشة مشاريع Web3-AI في هذه المقالة.

تركز هذه المقالة على استخدام blockchain لحل مشاكل علاقات الإنتاج، ومشاريع AI التي تحل مشاكل الإنتاجية، حيث تقدم هذه المشاريع نفسها منتجات AI، وتعتمد على نموذج الاقتصاد Web3 كأداة لعلاقات الإنتاج، حيث يكمل كل منهما الآخر. نصنف هذه المشاريع ضمن مسار Web3-AI. لتسهيل فهم القراء لمسار Web3-AI، سيتم تقديم شرح لعملية تطوير AI والتحديات التي تواجهها، وكيف يمكن الجمع بين Web3 وAI بشكل مثالي لحل المشكلات وخلق سيناريوهات تطبيقية جديدة.

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

تكنولوجيا الذكاء الاصطناعي هي تقنية تمكّن الحواسيب من محاكاة وتوسيع وتعزيز الذكاء البشري. إنها قادرة على جعل الحواسيب تنفذ مجموعة متنوعة من المهام المعقدة، من ترجمة اللغات وتصنيف الصور إلى التعرف على الوجوه وتطبيقات القيادة الذاتية، حيث يغير الذكاء الاصطناعي طريقة حياتنا وعملنا.

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

1. جمع البيانات ومعالجة البيانات المسبقة: جمع مجموعة بيانات الصور التي تحتوي على القطط والكلاب، يمكن استخدام مجموعات البيانات العامة أو جمع بيانات حقيقية بنفسك. ثم قم بتسمية الفئة (قط أو كلب) لكل صورة، وتأكد من دقة العلامات. تحويل الصور إلى تنسيق يمكن للنموذج التعرف عليه، وتقسيم مجموعة البيانات إلى مجموعة التدريب، مجموعة التحقق، ومجموعة الاختبار.

2. اختيار النموذج وضبطه: اختر النموذج المناسب، مثل الشبكات العصبية التلافيفية (CNN)، التي تناسب مهام تصنيف الصور. قم بضبط معلمات النموذج أو هيكله وفقًا للاحتياجات المختلفة، وعادةً ما يمكن تعديل طبقات الشبكة وفقًا لتعقيد مهمة الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون الطبقات الشبكية الأقل عمقًا كافية.

3. تدريب النموذج: يمكن استخدام وحدة معالجة الرسومات (GPU) أو وحدة معالجة Tensor (TPU) أو مجموعات الحوسبة عالية الأداء لتدريب النموذج، ويتأثر وقت التدريب بتعقيد النموذج وقدرة الحوسبة.

4. استنتاج النموذج: تُعرف الملفات التي تم تدريب النموذج بها عادةً بأوزان 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 من خلال مؤشرات مثل الدقة، ومعدل الاستدعاء، وF1-score.

كما هو موضح في الشكل، بعد جمع البيانات ومعالجتها، واختيار النموذج وضبطه، وكذلك التدريب، سيتم استنتاج القيم التنبؤية للقطط والكلاب P (الاحتمالية) من النموذج المدرب على مجموعة الاختبار، أي الاحتمالية التي يستنتجها النموذج بأنها قطة أو كلب.

يمكن دمج نموذج الذكاء الاصطناعي المدرب مسبقًا 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 لقط أو كلب، وبالتالي يحصل على نتائج 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 المستخدمين دون علمهم واستخدامها في تدريب الذكاء الاصطناعي.

مصدر البيانات: قد يواجه فريق صغير أو فرد قيودًا على البيانات غير المفتوحة المصدر عند الحصول على بيانات في مجالات محددة (مثل البيانات الطبية).

اختيار النموذج وضبطه: من الصعب على الفرق الصغيرة الحصول على موارد نموذج محددة في مجال معين أو إنفاق تكاليف كبيرة لضبط النموذج.

الحصول على القدرة الحاسوبية: بالنسبة للمطورين الأفراد والفرق الصغيرة، قد تشكل تكاليف شراء وحدات معالجة الرسوميات المرتفعة ورسوم استئجار القدرة الحاسوبية السحابية عبئًا اقتصاديًا كبيرًا.

دخل الأصول الذكية: غالبًا ما لا يحصل عمال وضع العلامات على البيانات على دخل يتناسب مع ما يقدمونه، كما أن نتائج أبحاث مطوري الذكاء الاصطناعي من الصعب أن تتناسب مع المشترين الذين لديهم حاجة.

يمكن التغلب على التحديات الموجودة في مشهد الذكاء الاصطناعي المركزي من خلال دمجه مع Web3، حيث أن Web3 باعتبارها علاقة إنتاج جديدة، تتناسب بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل قوة إنتاجية جديدة، مما يدفع نحو التقدم المتزامن للتكنولوجيا والقدرات الإنتاجية.

1.3 التآزر بين Web3 و AI: تحول الأدوار والتطبيقات المبتكرة

يمكن أن يعزز دمج Web3 مع الذكاء الاصطناعي سيادة المستخدم، ويوفر للمستخدمين منصة مفتوحة للتعاون في الذكاء الاصطناعي، مما يسمح لهم 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 توليد المزيد من تطبيقات المشهد المبتكرة والطرق الجديدة للعب.

استنادًا إلى تكنولوجيا Web3 ، ستشهد تطوير وتطبيق الذكاء الاصطناعي نظامًا جديدًا للاقتصاد التعاوني. يمكن تأمين خصوصية بيانات الناس ، ويعزز نموذج تفويض البيانات تقدم نماذج الذكاء الاصطناعي ، وتتوفر العديد من موارد الذكاء الاصطناعي مفتوحة المصدر للاستخدام من قبل المستخدمين ، ويمكن الحصول على القدرة الحاسوبية المشتركة بتكلفة منخفضة. من خلال آلية تفويض التعاون اللامركزية وسوق الذكاء الاصطناعي المفتوحة ، يمكن تحقيق نظام عادل لتوزيع الدخل ، مما يحفز المزيد من الأشخاص على دفع تقدم تقنية الذكاء الاصطناعي.

في سيناريوهات Web3، يمكن أن تؤثر الذكاء الاصطناعي بشكل إيجابي في عدة مجالات. على سبيل المثال، يمكن دمج نماذج الذكاء الاصطناعي في العقود الذكية، مما يعزز كفاءة العمل في تطبيقات مختلفة، مثل تحليل السوق، الكشف عن الأمان، التجميع الاجتماعي، وغيرها من الوظائف. لا يتيح الذكاء الاصطناعي التوليدي للمستخدمين تجربة دور "الفنان" فحسب، مثل استخدام تقنية الذكاء الاصطناعي لإنشاء NFT الخاصة بهم، بل يمكنه أيضًا خلق مشاهد ألعاب متنوعة وتجارب تفاعلية مثيرة في GameFi. توفر البنية التحتية الغنية تجربة تطوير سلسة، سواء كان خبراء الذكاء الاصطناعي أو المبتدئين الذين يرغبون في دخول مجال الذكاء الاصطناعي يمكنهم العثور على المدخل المناسب في هذا العالم.

٢. تحليل خريطة وهيكل مشروع Web3-AI الإيكولوجي

قمنا بدراسة 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 ينقسم إلى أقسام مختلفة. في الفصل التالي، سنقوم بإجراء تحليل عميق لبعض المشاريع التمثيلية.

تغطي طبقة البنية التحتية الموارد الحاسوبية وهندسة التكنولوجيا التي تدعم تشغيل دورة حياة الذكاء الاصطناعي بأكملها، بينما تشمل الطبقة الوسطى إدارة البيانات وخدمات تطوير النموذج والتحقق من الاستدلال التي تربط البنية التحتية بالتطبيقات، وتركز الطبقة التطبيقية على مجموعة متنوعة من التطبيقات والحلول الموجهة مباشرة للمستخدمين.

طبقة البنية التحتية:

طبقة البنية التحتية هي أساس دورة حياة الذكاء الاصطناعي، حيث يتم تصنيف قوة الحوسبة، و AI Chain، ومنصة التطوير كطبقة بنية تحتية. بدعم من هذه البنية التحتية، يمكن تحقيق تدريب واستدلال نماذج الذكاء الاصطناعي، وتقديم تطبيقات ذكاء اصطناعي قوية وعملية للمستخدمين.

• شبكة الحوسبة اللامركزية: يمكن أن توفر قوة حوسبة موزعة لتدريب نماذج الذكاء الاصطناعي، مما يضمن استخدام موارد حسابية فعالة واقتصادية. تقدم بعض المشاريع سوق قوة حسابية لامركزية، حيث يمكن للمستخدمين استئجار القوة الحسابية بتكلفة منخفضة أو مشاركة القوة للحصول على عائدات، ومن المشاريع الممثلة مثل IO.NET و Hyperbolic. بالإضافة إلى ذلك، ظهرت بعض المشاريع بأفكار جديدة، مثل Compute Labs، التي اقترحت بروتوكول توكين، حيث يمكن للمستخدمين من خلال شراء NFT يمثل وحدة GPU فعلية المشاركة بطرق مختلفة في استئجار القوة الحسابية للحصول على عائدات.

• AI Chain: استخدام blockchain كأساس لدورة حياة AI، لتحقيق التفاعل السلس بين موارد AI على السلسلة وخارجها، وتعزيز تطوير النظام البيئي للصناعة. يمكن للسوق اللامركزي على السلسلة تداول أصول AI مثل البيانات والنماذج والوكلاء، وتوفير إطار تطوير AI والأدوات المساعدة، ومن المشاريع الممثلة مثل Sahara AI. يمكن لـ AI Chain أيضًا تعزيز تقدم تكنولوجيا AI في مجالات مختلفة، مثل Bittensor من خلال آلية الحوافز الجديدة للشبكات الفرعية لتعزيز المنافسة بين أنواع AI المختلفة.

• منصة التطوير: بعض المشاريع تقدم منصة تطوير وكيل الذكاء الاصطناعي، ويمكنها أيضًا تنفيذ تداول وكيل الذكاء الاصطناعي، مثل Fetch.ai و ChainML وغيرها. أدوات شاملة تساعد المطورين على إنشاء وتدريب ونشر نماذج الذكاء الاصطناعي بسهولة، وتمثل المشاريع مثل Nimble. هذه البنية التحتية تعزز من تطبيق تقنية الذكاء الاصطناعي على نطاق واسع 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 البيانات وكمّها هما العاملان الرئيسيان اللذان يؤثران على فعالية تدريب النموذج. في عالم Web3، يمكن تحسين استخدام الموارد وتقليل تكاليف البيانات من خلال البيانات المجمعة ومعالجة البيانات التعاونية. يمكن للمستخدمين امتلاك حقوق البيانات الخاصة بهم، وبيع بياناتهم في ظل حماية الخصوصية، لتجنب سرقة بياناتهم من قبل التجار السيئين وتحقيق أرباح كبيرة. بالنسبة لمستفيدين البيانات، توفر هذه المنصات خيارات واسعة وتكاليف منخفضة للغاية. من المشاريع الممثلة مثل Grass التي تستفيد من عرض النطاق الترددي للمستخدمين لجمع بيانات الويب، وxData التي تجمع المعلومات الإعلامية من خلال مكونات إضافية سهلة الاستخدام، وتدعم المستخدمين في تحميل معلومات التغريدات.

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 معالجة بيانات تتعلق بالمعرفة المهنية في المجالات المالية والقانونية، حيث يمكن للمستخدمين تحويل المهارات إلى رموز، مما يحقق التعاون في معالجة البيانات عبر الحشود. تمثل أسواق الذكاء الاصطناعي مثل Sahara AI مهام البيانات في مجالات مختلفة، مما يمكنها من تغطية سيناريوهات بيانات متعددة المجالات؛ بينما يقوم بروتوكول AIT بتسمية البيانات من خلال طريقة التعاون بين الإنسان والآلة.

• النموذج: في عملية تطوير الذكاء الاصطناعي التي تم الإشارة إليها سابقًا، تحتاج أنواع مختلفة من المتطلبات إلى مطابقة نماذج مناسبة. النماذج الشائعة في مهام الصور مثل CNN و GAN، بينما يمكن اختيار سلسلة Yolo لمهام الكشف عن الأهداف، والنماذج الشائعة لمهام النصوص تشمل RNN و Transformer، بالطبع هناك أيضًا بعض النماذج الكبيرة المحددة أو العامة. تختلف عمق النماذج المطلوبة حسب تعقيد المهام المختلفة، وأحيانًا تحتاج إلى ضبط النماذج.

تدعم بعض المشاريع المستخدمين لتقديم أنواع مختلفة من النماذج أو تدريب النماذج بالتعاون عبر الحشود، مثل Sentient التي تسمح بتصميمها القابل للتعديل للمستخدمين بوضع بيانات النماذج الموثوقة في طبقة التخزين وطبقة التوزيع من أجل تحسين النماذج، توفر أدوات التطوير الخاصة بـ Sahara AI خوارزميات الذكاء الاصطناعي المتقدمة وإطار العمل الحسابي، ولديها أيضًا القدرة على التدريب التعاوني.

• الاستدلال والتحقق: بعد تدريب النموذج، سيقوم بإنشاء ملفات وزن النموذج، والتي يمكن استخدامها مباشرة للتصنيف، التنبؤ أو المهام المحددة الأخرى، وتعرف هذه العملية بالاستدلال. عادةً ما يصاحب عملية الاستدلال آلية تحقق، للتحقق من صحة مصدر نموذج الاستدلال، وما إذا كان هناك سلوك ضار وما إلى ذلك. يمكن دمج استدلال Web3 عادةً في العقود الذكية، من خلال استدعاء النموذج لإجراء الاستدلال، وتشمل طرق التحقق الشائعة تقنيات مثل ZKML و OPML و TEE. المشاريع الممثلة مثل ORA، Oracle AI على السلسلة (OAO)، قدمت OPML كطبقة قابلة للتحقق لـ Oracle AI، وقد ذكرت أيضًا على موقع ORA الرسمي أبحاثهم حول ZKML و opp/ai (دمج ZKML مع OPML).

طبقة التطبيق:

تتمحور هذه الطبقة الرئيسية حول التطبيقات التي تستهدف المستخدمين مباشرة، وتجمع بين الذكاء الاصطناعي و Web3، مما يخلق المزيد من الطرق المثيرة والمبتكرة للعب. تتناول هذه المقالة بشكل أساسي المشاريع في عدة مجالات، منها AIGC (المحتوى الذي يتم إنشاؤه بواسطة الذكاء الاصطناعي) ، والوكلاء الذكيون، وتحليل البيانات.

• AIGC: من خلال AIGC