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

مع استمرار ارتفاع حرارة السرد بالذكاء الاصطناعي، يزداد التركيز على هذا المسار. تم إجراء تحليل متعمق للمنطق التكنولوجي، ومشاهد التطبيق، والمشاريع الممثلة في مسار Web3-AI، لتقديم عرض شامل لكافة جوانب هذا المجال واتجاهات تطوره.

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 المدعومة بالذكاء الاصطناعي تكتسب شعبية استثنائية في صناعة Web3، حيث ظهرت مشاريع الذكاء الاصطناعي كالفطر بعد المطر. على الرغم من أن هناك العديد من المشاريع التي تتضمن تكنولوجيا الذكاء الاصطناعي، إلا أن بعض المشاريع تستخدم الذكاء الاصطناعي فقط في بعض أجزاء منتجاتها، ولا توجد علاقة جوهرية بين الاقتصاد الرمزي الأساسي ومنتجات الذكاء الاصطناعي، وبالتالي فإن هذه المشاريع لا تندرج تحت مناقشة مشاريع Web3-AI في هذه المقالة.

تركز هذه المقالة على استخدام blockchain لحل مشكلات علاقات الإنتاج، ومشاريع AI التي تحل مشكلات القوى الإنتاجية. تقدم هذه المشاريع نفسها منتجات AI، وفي الوقت نفسه تعتمد على نموذج الاقتصاد Web3 كأداة لعلاقات الإنتاج، حيث يكمل كل منهما الآخر. نحن نصنف هذه المشاريع ضمن مسار Web3-AI. لمساعدة القراء على فهم أفضل لمسار Web3-AI، سيتم تقديم شرح لعملية تطوير AI والتحديات، وكيف يمكن أن يجمع Web3 وAI 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، من ترجمة اللغات، وتصنيف الصور إلى التعرف على الوجوه، والقيادة الذاتية، وغيرها من تطبيقات المشهد، حيث يقوم الذكاء الاصطناعي بتغيير طريقة حياتنا وعملنا.

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

1. جمع البيانات ومعالجة البيانات: جمع مجموعة بيانات تحتوي على صور للقطط والكلاب، يمكن استخدام مجموعات البيانات العامة أو جمع البيانات الحقيقية بنفسك. ثم قم بتسمية كل صورة بفئة ( قط أو كلب )، تأكد من دقة التسميات. تحويل الصور إلى تنسيق يمكن للنموذج التعرف عليه، تقسيم مجموعة البيانات إلى مجموعة التدريب ومجموعة التحقق ومجموعة الاختبار.

2. اختيار النموذج وضبطه: اختيار نموذج مناسب، مثل الشبكات العصبية التلافيفية ( CNN )، التي تناسب مهام تصنيف الصور. ضبط معلمات النموذج أو هيكله وفقًا لاحتياجات مختلفة، عمومًا، يمكن تعديل طبقات الشبكة في النموذج بناءً على تعقيد مهمة الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون الشبكة ذات الطبقات القليلة كافية.

3. تدريب النموذج: يمكن استخدام GPU أو TPU أو مجموعات الحوسبة عالية الأداء لتدريب النموذج، ويؤثر الوقت المستغرق في التدريب على تعقيد النموذج وقدرة الحوسبة.

4. استدلال النموذج: تُعرف الملفات المدربة للنموذج عادةً بأوزان النموذج، وعملية الاستدلال تشير إلى استخدام النموذج المدرب مسبقًا للتنبؤ أو تصنيف البيانات الجديدة. في هذه العملية يمكن استخدام مجموعة الاختبار أو البيانات الجديدة لاختبار فعالية تصنيف النموذج، وعادة ما يتم تقييم فعالية النموذج باستخدام مؤشرات مثل الدقة، ومعدل الاسترجاع، وF1-score.

كما هو موضح في الشكل، بعد جمع البيانات ومعالجة البيانات المسبقة، واختيار النموذج وتحسينه، سيتم استنتاج قيم التنبؤ للقطط والكلاب من خلال النموذج المدرب على مجموعة الاختبار، مما يؤدي إلى الحصول على P(probability)، أي أن النموذج يستنتج احتمال أن يكون قطًا أو كلبًا.

يمكن دمج نماذج الذكاء الاصطناعي المدربة بشكل أكبر في مجموعة متنوعة من التطبيقات، لأداء مهام مختلفة. في هذا المثال، يمكن دمج نموذج الذكاء الاصطناعي لتصنيف القطط والكلاب في تطبيق هاتف محمول، حيث يمكن للمستخدمين تحميل صور للقطط أو الكلاب، والحصول على نتائج التصنيف.

ومع ذلك، فإن عملية تطوير الذكاء الاصطناعي المركزية تواجه بعض المشاكل في السيناريوهات التالية:

خصوصية المستخدم: في السيناريوهات المركزية، تكون عملية تطوير الذكاء الاصطناعي عادة غير شفافة. قد يتم سرقة بيانات المستخدم دون علمه واستخدامها في تدريب الذكاء الاصطناعي.

الحصول على مصدر البيانات: قد تواجه الفرق الصغيرة أو الأفراد قيودًا على عدم إتاحة البيانات عند الحصول على بيانات معينة في مجالات معينة ( مثل البيانات الطبية ).

اختيار النموذج وضبطه: بالنسبة للفرق الصغيرة، من الصعب الحصول على موارد نموذج محددة أو إنفاق تكاليف كبيرة لتعديل النموذج.

الحصول على قوة الحوسبة: بالنسبة للمطورين الأفراد والفرق الصغيرة، قد تشكل تكاليف شراء وحدات معالجة الرسوميات العالية وإيجار قوة الحوسبة السحابية عبئًا ماليًا كبيرًا.

دخل الأصول الذكية: غالبًا ما لا يستطيع العاملون في تصنيف البيانات الحصول على دخل يتناسب مع ما يقدمونه، كما أن نتائج أبحاث مطوري الذكاء الاصطناعي من الصعب أيضًا مطابقتها مع المشترين الذين لديهم طلب.

يمكن التغلب على التحديات الموجودة في سيناريوهات الذكاء الاصطناعي المركزية من خلال الجمع بين الذكاء الاصطناعي وWeb3، حيث أن Web3 كعلاقة إنتاج جديدة يتناسب بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل قوة إنتاجية جديدة، وبالتالي يدفع نحو التقدم المتزامن في التكنولوجيا والقدرات الإنتاجية.

1.3 تأثير التآزر بين Web3 و AI: تحول الأدوار وتطبيقات الابتكار

يمكن أن يعزز دمج Web3 مع الذكاء الاصطناعي سيادة المستخدمين، ويوفر منصة تعاون مفتوحة للذكاء الاصطناعي، مما يسمح للمستخدمين بالتحول من مستخدمي الذكاء الاصطناعي في عصر Web2 إلى مشاركين، وخلق ذكاء اصطناعي يمكن أن يمتلكه الجميع. في الوقت نفسه، يمكن أن يؤدي دمج عالم Web3 مع تقنيات الذكاء الاصطناعي إلى خلق المزيد من سيناريوهات التطبيقات المبتكرة وطرق اللعب.

استنادًا إلى تقنية Web3، ستشهد تطوير وتطبيق الذكاء الاصطناعي نظامًا اقتصاديًا تعاونيًا جديدًا. يمكن ضمان خصوصية بيانات الأشخاص، ويعزز نموذج بيانات الحشود تقدم نماذج الذكاء الاصطناعي، وتتوفر العديد من موارد الذكاء الاصطناعي المفتوحة للمستخدمين، ويمكن الحصول على القوة الحسابية المشتركة بتكاليف منخفضة. من خلال آلية الحشود التعاونية اللامركزية وسوق الذكاء الاصطناعي المفتوح، يمكن تحقيق نظام توزيع دخل عادل، مما يحفز المزيد من الأشخاص على دفع تقدم تقنية الذكاء الاصطناعي.

في مشهد 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 سيناريوهات تطبيقية مختلفة، مثل تحليل السوق، واختبارات الأمان، والتجميع الاجتماعي، وغيرها من الوظائف المتنوعة. لا يتيح الذكاء الاصطناعي التوليدي للمستخدمين تجربة دور "الفنان" فحسب، مثل استخدام تقنيات 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 خبيرًا في الذكاء الاصطناعي أو مبتدئًا يرغب في دخول مجال الذكاء الاصطناعي، يمكن للجميع العثور على مدخل مناسب في هذا العالم.

الثانية، خريطة وإطار مشروع Web3-AI البيئي

لقد قمنا بدراسة 41 مشروعًا في مجال Web3-AI، وقمنا بتقسيم هذه المشاريع إلى مستويات مختلفة. تظهر منطق التقسيم لكل مستوى في الصورة أدناه، بما في ذلك مستوى البنية التحتية، والمستوى الوسيط، ومستوى التطبيقات، وكل مستوى ينقسم إلى أقسام مختلفة. في الفصل التالي، سنقوم بإجراء تحليل عميق لبعض المشاريع الممثلة.

تشمل طبقة البنية التحتية الموارد الحاسوبية والهندسة المعمارية التقنية التي تدعم تشغيل دورة حياة الذكاء الاصطناعي بأكملها، بينما تشمل الطبقة الوسطى إدارة البيانات وتطوير النماذج وخدمات الاستدلال والتحقق التي تربط البنية التحتية بالتطبيقات، وتركز الطبقة التطبيقية على مجموعة متنوعة من التطبيقات والحلول الموجهة مباشرة للمستخدم.

طبقة البنية التحتية:

طبقة البنية التحتية هي أساس دورة حياة الذكاء الاصطناعي، حيث تصنف هذه المقالة القدرة الحاسوبية، سلسلة الذكاء الاصطناعي، ومنصة التطوير على أنها طبقة البنية التحتية. فقط من خلال دعم هذه البنية التحتية يمكن تدريب نماذج الذكاء الاصطناعي واستنتاجها، وتقديم تطبيقات الذكاء الاصطناعي القوية والعملية للمستخدمين.

• شبكة الحوسبة اللامركزية: يمكن أن توفر قوة حوسبة موزعة لتدريب نماذج الذكاء الاصطناعي، مما يضمن استخدام موارد حسابية فعالة واقتصادية. بعض المشاريع تقدم سوق قوة حوسبة لامركزية، حيث يمكن للمستخدمين استئجار قوة حوسبة بتكلفة منخفضة أو مشاركة قوة الحوسبة للحصول على أرباح، من أبرز المشاريع IO.NET وHyperbolic. بالإضافة إلى ذلك، اشتقت بعض المشاريع أساليب جديدة، مثل Compute Labs، التي اقترحت بروتوكولًا موحدًا، حيث يمكن للمستخدمين من خلال شراء NFT يمثل كيان GPU، المشاركة بطرق مختلفة في استئجار قوة الحوسبة للحصول على أرباح.

• AI Chain: استخدام البلوكشين كأساس لدورة حياة الذكاء الاصطناعي، لتحقيق التفاعل السلس بين موارد الذكاء الاصطناعي على السلسلة وخارجها، وتعزيز تطوير النظام البيئي للصناعة. يمكن للسوق اللامركزي على السلسلة تداول أصول الذكاء الاصطناعي مثل البيانات والنماذج والوكلاء، وتوفير إطار تطوير الذكاء الاصطناعي وأدوات التطوير المصاحبة، ومن المشاريع الممثلة Sahara AI. يمكن أن يعزز AI Chain أيضًا تقدم تقنيات الذكاء الاصطناعي في مجالات مختلفة، مثل Bittensor من خلال آلية الحوافز المبتكرة للشبكات الفرعية لتعزيز المنافسة بين أنواع الذكاء الاصطناعي المختلفة.

• منصة التطوير: توفر بعض المشاريع منصة تطوير الوكلاء الذكاء الاصطناعي، ويمكن أيضًا تنفيذ تداول الوكلاء الذكاء الاصطناعي مثل Fetch.ai وChainML وغيرها. تساعد الأدوات الشاملة المطورين على إنشاء وتدريب ونشر نماذج الذكاء الاصطناعي بشكل أكثر سهولة، ومشاريع تمثيلية مثل Nimble. تعزز هذه البنى التحتية الاستخدام الواسع لتقنية الذكاء الاصطناعي في نظام Web3 البيئي.

الطبقة الوسطى:

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

• البيانات: جودة وكمية البيانات هي عوامل رئيسية تؤثر على فعالية تدريب النموذج. في عالم Web3، يمكن تحسين استخدام الموارد وتقليل تكاليف البيانات من خلال البيانات الجماعية 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 كبيرة. بالنسبة لطرف الطلب على البيانات، توفر هذه المنصات خيارات واسعة وتكاليف منخفضة للغاية. من المشاريع الممثلة مثل Grass التي تستخدم عرض النطاق الترددي للمستخدمين لجمع بيانات الويب، وxData التي تجمع المعلومات الإعلامية من خلال ملحقات سهلة الاستخدام، وتدعم المستخدمين في رفع معلومات التغريد.

بالإضافة إلى ذلك، تسمح بعض المنصات للخبراء في المجالات أو المستخدمين العاديين بتنفيذ مهام معالجة البيانات الأولية، مثل وضع علامات على الصور وتصنيف البيانات، قد تتطلب هذه المهام معالجة البيانات المتعلقة بالمعرفة المتخصصة في المالية والقانون، يمكن للمستخدمين تحويل مهاراتهم إلى رموز، مما يحقق التعاون في معالجة البيانات بشكل جماعي. تمثل أسواق الذكاء الاصطناعي مثل Sahara AI مهام البيانات من مجالات مختلفة، ويمكنها تغطية سيناريوهات بيانات متعددة المجالات؛ بينما يقوم بروتوكول AIT بوضع علامات على البيانات من خلال التعاون بين البشر والآلات.

• النموذج: في عملية تطوير الذكاء الاصطناعي التي تم الإشارة إليها سابقاً، تحتاج أنواع مختلفة من المتطلبات إلى مطابقة نماذج مناسبة. النماذج الشائعة في مهام الصور مثل CNN و GAN، بينما يمكن اختيار سلسلة Yolo لمهام كشف الأهداف. بالنسبة لمهام النصوص، فإن النماذج الشائعة تشمل RNN و Transformer، بالطبع هناك أيضاً بعض النماذج الكبيرة المحددة أو العامة. تحتاج النماذج إلى عمق مختلف بحسب تعقيد المهام، وأحياناً يتطلب الأمر ضبط النماذج.

بعض المشاريع تدعم المستخدمين في تقديم أنواع مختلفة من النماذج أو التعاون في تدريب النماذج من خلال أسلوب التمويل الجماعي، مثل Sentient التي تسمح بتصميم معياري، حيث يمكن للمستخدمين وضع بيانات النماذج الموثوقة في طبقة التخزين، وطبقة التوزيع من أجل تحسين النموذج، وأدوات التطوير المقدمة من Sahara AI تحتوي على خوارزميات ذكاء اصطناعي متقدمة وإطار عمل حسابي، ولديها القدرة على التدريب المشترك.

• الاستدلال والتحقق: بعد تدريب النموذج، يتم إنشاء ملف أوزان النموذج، والذي يمكن استخدامه مباشرة للتصنيف أو التنبؤ أو مهام محددة أخرى، وتسمى هذه العملية الاستدلال. وعادة ما يصاحب عملية الاستدلال آلية للتحقق، للتحقق مما إذا كانت مصدر نموذج الاستدلال صحيحًا، وما إذا كانت هناك سلوكيات ضارة، وما إلى ذلك. يمكن دمج الاستدلال في Web3 داخل العقود الذكية، من خلال استدعاء النموذج لإجراء الاستدلال، تشمل طرق التحقق الشائعة تقنيات مثل ZKML و OPML و TEE. المشاريع الممثلة مثل Oracle AI على سلسلة ORA (OAO)، أدخلت OPML كطبقة قابلة للتحقق لمؤسسة AI، وقد ذكرت على الموقع الرسمي لـ ORA أيضًا أبحاثهم حول دمج ZKML و opp/ai( ZKML مع OPML ).

طبقة التطبيق:

هذه الطبقة تستهدف بشكل مباشر التطبيقات الموجهة للمستخدم، وتجمع بين الذكاء الاصطناعي وWeb3، مما يخلق المزيد من الأساليب المثيرة والمبتكرة. تتناول هذه المقالة بشكل رئيسي المشاريع في عدة مجالات مثل AIGC(، المحتوى الذي يتم إنشاؤه بواسطة الذكاء الاصطناعي)، الوكلاء الذكاء الاصطناعي وتحليل البيانات.

• AIGC: يمكن توسيع AIGC إلى مجالات NFT والألعاب في Web3، حيث يمكن للمستخدمين إنشاء نصوص وصور وصوتيات مباشرة من خلال Prompt( الكلمات الدلالية التي يقدمها المستخدم)، ويمكنهم حتى إنشاء أساليب لعب مخصصة في الألعاب وفقًا لتفضيلاتهم. في مشاريع NFT مثل NFPrompt، يمكن للمستخدمين توليد NFT بواسطة AI للتداول في السوق؛ وفي الألعاب مثل Sleepless، يقوم المستخدمون بتشكيل شخصية رفقائهم الافتراضيين من خلال المحادثة لتناسب تفضيلاتهم;

• وكيل الذكاء الاصطناعي: يشير إلى أنظمة الذكاء الاصطناعي القادرة على تنفيذ المهام واتخاذ القرارات بشكل مستقل. عادة ما تمتلك وكالات الذكاء الاصطناعي القدرة على الإدراك والاستدلال والتعلم والعمل، ويمكنها تنفيذ مهام معقدة في بيئات مختلفة. تشمل وكالات الذكاء الاصطناعي الشائعة مثل ترجمة اللغة، تعلم اللغة.