دمج Web3 و AI: بناء بنية الإنترنت التحتية للجيل التالي

يعتبر Web3 نمطًا جديدًا من الإنترنت لامركزي ومفتوح وشفاف، وله فرصة طبيعية للتكامل مع الذكاء الاصطناعي. في إطار الهيكل التقليدي المركزي، يتم التحكم بشكل صارم في حسابات الذكاء الاصطناعي وموارد البيانات، مما يواجه تحديات متعددة مثل اختناقات القدرة الحاسوبية، تسرب الخصوصية، وخوارزميات الصندوق الأسود. ولكن Web3، القائم على التكنولوجيا الموزعة، يمكنه من خلال شبكة مشاركة القدرة الحاسوبية، وسوق البيانات المفتوحة، والحوسبة الخصوصية، أن يضخ طاقة جديدة في تطوير الذكاء الاصطناعي. في الوقت نفسه، يمكن أن يحقق الذكاء الاصطناعي العديد من المزايا لـ Web3، مثل تحسين العقود الذكية، وخوارزميات مكافحة الغش، مما يساعد في بناء بيئته. لذلك، فإن استكشاف دمج Web3 والذكاء الاصطناعي أمر حيوي لبناء بنية تحتية للإنترنت من الجيل التالي، وإطلاق قيمة البيانات والقدرة الحاسوبية.

مدعوم بالبيانات: الأساس المتين لـ AI وWeb3

البيانات هي القوة الدافعة الأساسية لتطور الذكاء الاصطناعي، مثل وقود المحرك. تحتاج نماذج الذكاء الاصطناعي إلى استهلاك كميات هائلة من البيانات عالية الجودة، لكي تتمكن من الحصول على فهم عميق وقدرة قوية على الاستدلال. لا توفر البيانات فقط الأساس للتدريب على نماذج التعلم الآلي، بل تحدد أيضًا دقة النموذج وموثوقيته.

تواجه نماذج الحصول على البيانات واستخدامها في الذكاء الاصطناعي المركزي التقليدي المشاكل الرئيسية التالية:

• تكلفة الحصول على البيانات مرتفعة، مما يجعل من الصعب على الشركات الصغيرة والمتوسطة تحملها
• تم احتكار موارد البيانات من قبل عمالقة التكنولوجيا، مما أدى إلى تشكيل جزر بيانات
• تواجه خصوصية البيانات الشخصية مخاطر التسرب والإساءة

يمكن لـ Web3 حل نقاط الألم في النماذج التقليدية من خلال نموذج بيانات لامركزي جديد:

• يمكن للمستخدمين بيع الشبكة غير المستخدمة لشركات الذكاء الاصطناعي، لجمع بيانات الشبكة بشكل لامركزي، وبعد تنظيفها وتحويلها، لتوفير بيانات حقيقية وعالية الجودة لتدريب نماذج الذكاء الاصطناعي.
• اعتماد نموذج "label to earn"، من خلال تحفيز العمال العالميين بواسطة الرموز للمشاركة في وضع العلامات على البيانات، وتجميع المعرفة المهنية العالمية، وتعزيز القدرة على تحليل البيانات.
• منصة تداول بيانات blockchain توفر بيئة تداول شفافة ومفتوحة لطرفي العرض والطلب على البيانات، مما يحفز الابتكار ومشاركة البيانات.

على الرغم من ذلك، لا تزال هناك بعض المشاكل في الحصول على البيانات من العالم الحقيقي، مثل تفاوت جودة البيانات، وصعوبة المعالجة، ونقص التنوع والتمثيل. قد تكون البيانات الاصطناعية نجم المستقبل في مجال بيانات Web3. استنادًا إلى تقنيات الذكاء الاصطناعي التوليدي والمحاكاة، يمكن للبيانات الاصطناعية محاكاة خصائص البيانات الحقيقية، كإضافة فعالة للبيانات الحقيقية، مما يزيد من كفاءة استخدام البيانات. في مجالات مثل القيادة الذاتية، وتداول الأسواق المالية، وتطوير الألعاب، أظهرت البيانات الاصطناعية إمكانيات تطبيق ناضجة.

حماية الخصوصية: دور FHE في Web3

في عصر البيانات المدفوعة، أصبحت حماية الخصوصية محور اهتمام عالمي، حيث تعكس اللوائح مثل اللائحة العامة لحماية البيانات (GDPR) في الاتحاد الأوروبي الحماية الصارمة للخصوصية الشخصية. ومع ذلك، فقد جلب ذلك أيضًا تحديات: بعض البيانات الحساسة لا يمكن الاستفادة منها بشكل كامل بسبب مخاطر الخصوصية، مما يحد بلا شك من إمكانيات وقدرة نماذج الذكاء الاصطناعي على الاستدلال.

FHE هو التشفير المتجانس بالكامل، ويسمح بإجراء عمليات حسابية مباشرة على البيانات المشفرة دون الحاجة إلى فك تشفير البيانات، ونتائج الحساب تتطابق مع نتائج إجراء نفس الحساب على البيانات النصية.

يوفر FHE حماية قوية لحساب الخصوصية في الذكاء الاصطناعي، مما يسمح لقوة معالجة GPU بتنفيذ مهام تدريب النموذج والاستدلال في بيئات لا تمس البيانات الأصلية. وهذا يوفر ميزة كبيرة لشركات الذكاء الاصطناعي. يمكنها فتح خدمات API بأمان مع حماية الأسرار التجارية.

تدعم FHEML معالجة البيانات والنماذج بشكل مشفر طوال دورة التعلم الآلي، مما يضمن أمان المعلومات الحساسة ويمنع مخاطر تسرب البيانات. من خلال هذه الطريقة، تعزز FHEML خصوصية البيانات وتوفر إطار حساب آمن لتطبيقات الذكاء الاصطناعي.

FHEML هو تكملة 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: الحسابات الذكية في الشبكات اللامركزية

تتضاعف تعقيدات الحساب في أنظمة الذكاء الاصطناعي الحالية كل ثلاثة أشهر، مما يؤدي إلى زيادة هائلة في الطلب على القدرة الحاسوبية، والتي تتجاوز بكثير إمدادات الموارد الحاسوبية الحالية. على سبيل المثال، يتطلب تدريب نموذج لغوي كبير قدرة حاسوبية هائلة، تعادل 355 عامًا من وقت التدريب على جهاز واحد. هذه النقص في القدرة الحاسوبية لا يقتصر فقط على تقييد تقدم تكنولوجيا الذكاء الاصطناعي، بل يجعل تلك النماذج المتقدمة بعيدة المنال بالنسبة لمعظم الباحثين والمطورين.

في الوقت نفسه، فإن نسبة استخدام وحدات معالجة الرسوميات العالمية تقل عن 40%، بالإضافة إلى تباطؤ تحسين أداء المعالجات الدقيقة، ونقص الرقائق الناجم عن عوامل سلسلة التوريد والجغرافيا السياسية، مما يجعل مشكلة إمداد قوة الحوسبة أكثر حدة. يجد العاملون في مجال الذكاء الاصطناعي أنفسهم في مأزق: إما شراء الأجهزة بأنفسهم أو استئجار موارد سحابية، وهم بحاجة ماسة إلى طريقة خدمة حسابية فعالة من حيث التكلفة حسب الطلب.

تقوم شبكة حوسبة الذكاء الاصطناعي اللامركزية بتجميع موارد وحدات معالجة الرسوميات غير المستخدمة على مستوى العالم، مما يوفر سوقًا لحوسبة اقتصادية وسهلة الوصول لشركات الذكاء الاصطناعي. يمكن لمستخدمي حوسبة الذكاء الاصطناعي نشر مهام الحساب على الشبكة، وسيقوم العقد الذكي بتوزيع المهام على عُقد عمال المناجم التي تسهم في الحوسبة، حيث يقوم عمال المناجم بتنفيذ المهام وتقديم النتائج، وبعد التحقق منها يحصلون على مكافآت نقاط. تعمل هذه الخطة على تحسين كفاءة استخدام الموارد، مما يساعد في حل مشكلة نقص الحوسبة في مجالات مثل الذكاء الاصطناعي.

بالإضافة إلى الشبكات العامة للقدرة الحوسبية اللامركزية، هناك منصات تركز على تدريب الذكاء الاصطناعي، وشبكات قدرة حوسبية مخصصة تركز على استدلال الذكاء الاصطناعي.

تقدم شبكة قوة الحوسبة اللامركزية سوقًا قويًا وشفافًا لقوة الحوسبة، مما يكسر الاحتكار ويقلل من عوائق الدخول للتطبيقات، ويزيد من كفاءة استخدام قوة الحوسبة. في نظام Web3 البيئي، ستلعب شبكة قوة الحوسبة اللامركزية دورًا حاسمًا، حيث ستجذب المزيد من تطبيقات dapp المبتكرة للانضمام، مما يدفع معًا تطوير وتطبيق تقنيات الذكاء الاصطناعي.

DePIN: تمكين Edge AI بواسطة Web3

تخيل أن هاتفك الذكي، وساعة اليد الذكية، وحتى الأجهزة الذكية في منزلك، جميعها تمتلك القدرة على تشغيل الذكاء الاصطناعي - هذه هي جاذبية الذكاء الاصطناعي على الحافة. إنه يجعل الحساب يحدث في مصدر إنتاج البيانات، مما يحقق تأخيرًا منخفضًا، ومعالجة في الوقت الحقيقي، مع حماية خصوصية المستخدمين، وقد تم تطبيق تقنية الذكاء الاصطناعي على الحافة في مجالات حاسمة مثل القيادة الذاتية.

في مجال Web3، لدينا اسم أكثر ألفة - DePIN. يؤكد Web3 على اللامركزية وحقوق سيادة بيانات المستخدم، يمكن أن يعزز DePIN حماية خصوصية المستخدم من خلال معالجة البيانات محليًا، مما يقلل من مخاطر تسرب البيانات؛ يمكن لآلية الاقتصاد الرمزي الأصلية لـ Web3 تحفيز نقاط DePIN لتقديم موارد حوسبة، وبناء نظام بيئي مستدام.

حالياً، يتطور DePIN بسرعة في نظام بيئي معين من سلاسل الكتل العامة، ليصبح واحداً من المنصات العامة المفضلة لنشر المشاريع. توفر TPS العالية، والرسوم المنخفضة، والابتكارات التقنية لهذه السلسلة العامة دعماً قوياً لمشاريع DePIN. حالياً، تتجاوز القيمة السوقية لمشاريع DePIN على هذه السلسلة العامة 10 مليارات دولار، وقد حققت بعض المشاريع المعروفة تقدمًا ملحوظًا.

IMO: إطلاق نموذج جديد لنماذج الذكاء الاصطناعي

تم اقتراح مفهوم IMO لأول مرة من خلال بروتوكول معين، والذي يقوم بتوكنييز نموذج AI.

في النمط التقليدي، بسبب عدم وجود آلية لمشاركة الأرباح، بمجرد تطوير نموذج الذكاء الاصطناعي وإدخاله في السوق، غالبًا ما يجد المطورون صعوبة في تحقيق أرباح مستمرة من الاستخدام اللاحق للنموذج، خاصة عندما يتم دمجه في منتجات وخدمات أخرى، يصبح من الصعب على المبدعين الأصليين تتبع الاستخدام، ناهيك عن الحصول على الأرباح منه. بالإضافة إلى ذلك، غالبًا ما تفتقر أداء وفعالية نموذج الذكاء الاصطناعي إلى الشفافية، مما يجعل المستثمرين المحتملين والمستخدمين يجدون صعوبة في تقييم قيمته الحقيقية، مما يحد من الاعتراف السوقي للنموذج وإمكاناته التجارية.

تقدم IMO طريقة جديدة تماماً لدعم التمويل ومشاركة القيمة لنماذج الذكاء الاصطناعي مفتوحة المصدر، حيث يمكن للمستثمرين شراء رموز IMO ومشاركة العائدات التي تنتجها النماذج لاحقاً. يستخدم بروتوكول معين معيارين من ERC، ويجمع بين تقنية Oracle AI و OPML لضمان مصداقية نماذج الذكاء الاصطناعي وتمكين حاملي الرموز من مشاركة العائدات.

تعزز نموذج IMO الشفافية والثقة، وت encourages التعاون مفتوح المصدر، ويتكيف مع اتجاهات سوق التشفير، ويدفع التنمية المستدامة لتقنيات الذكاء الاصطناعي. لا يزال IMO في مرحلة المحاولة الأولية، ولكن مع زيادة قبول السوق وتوسع نطاق المشاركة، فإن ابتكاره وقيمته المحتملة تستحق توقعنا.

وكيل الذكاء الاصطناعي: عصر جديد من 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 كوسطاء افتراضيين، من خلال التفاعل مع المستخدمين وتعلم تفضيلاتهم، وتقديم حلول مخصصة. حتى في غياب التعليمات الواضحة، يمكن لوكلاء الذكاء الاصطناعي حل المشكلات بشكل مستقل، وزيادة الكفاءة، وخلق قيمة جديدة.

توفر منصة تطبيقات الذكاء الاصطناعي الأصلية مجموعة شاملة وسهلة الاستخدام من أدوات الإبداع، تدعم المستخدمين في تكوين وظائف الروبوت، والمظهر، والصوت، بالإضافة إلى الاتصال بمكتبات المعرفة الخارجية، وتهدف إلى إنشاء نظام بيئي مفتوح وعادل لمحتوى الذكاء الاصطناعي، باستخدام تقنيات الذكاء الاصطناعي التوليدي، وتمكين الأفراد ليصبحوا مبدعين خارقين. قامت المنصة بتدريب نموذج لغوي كبير متخصص، مما يجعل أدوار التمثيل أكثر إنسانية؛ يمكن لتقنية استنساخ الصوت تسريع التفاعل الشخصي لمنتجات الذكاء الاصطناعي، وتقليل تكلفة تركيب الصوت بنسبة 99٪، حيث يمكن تحقيق استنساخ الصوت في دقيقة واحدة فقط. باستخدام وكيل الذكاء الاصطناعي المخصص من هذه المنصة، يمكن تطبيقه حاليًا في مجالات متعددة مثل الدردشة بالفيديو، وتعلم اللغة، وتوليد الصور.

في دمج Web3 و AI، يتم حالياً استكشاف المزيد من طبقة البنية التحتية، 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 و AI سيثمر عن سلسلة من نماذج الأعمال والخدمات المبتكرة.