تقرير بانورامي عن مسار Web3-AI: تحليل عميق للمنطق التكنولوجي، تطبيقات المشهد والمشاريع الرائدة

مع استمرار ارتفاع حرارة السرد AI، تركز المزيد من الاهتمام على هذا المجال. تقدم هذه المقالة تحليلًا متعمقًا للمنطق التكنولوجي، وسيناريوهات التطبيق، والمشاريع الممثلة في مجال Web3-AI، لتقديم عرض شامل لك panorama وتوجهات التنمية في هذا المجال.

واحد، Web3-AI: تحليل المنطق التكنولوجي وفرص السوق الناشئة

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

على مدار العام الماضي، كانت السرديات المدعومة بالذكاء الاصطناعي شديدة الشعبية في صناعة Web3، حيث ظهرت مشاريع الذكاء الاصطناعي مثل الفطر بعد المطر. على الرغم من وجود العديد من المشاريع التي تتضمن تقنيات الذكاء الاصطناعي، فإن بعض المشاريع تستخدم الذكاء الاصطناعي فقط في أجزاء معينة من منتجاتها، ولا ترتبط الاقتصاديات الرمزية الأساسية ارتباطًا جوهريًا بمنتجات الذكاء الاصطناعي، وبالتالي لا تُعتبر هذه المشاريع جزءًا من مناقشة مشاريع Web3-AI في هذه المقالة.

تركز هذه المقالة على استخدام blockchain لحل مشاكل علاقات الإنتاج، ومشاريع AI لحل مشاكل قوى الإنتاج، حيث تقدم هذه المشاريع نفسها منتجات AI، بينما تستند إلى نماذج اقتصادية من Web3 كأدوات لعلاقات الإنتاج، حيث يكمل كل منهما الآخر. نحن نصنف هذه المشاريع ضمن مسار Web3-AI. لفهم القراء بشكل أفضل لمسار Web3-AI، ستقوم هذه المقالة بتقديم شرح لعملية تطوير AI والتحديات، بالإضافة إلى كيفية الجمع بين Web3 و AI لحل المشاكل بشكل مثالي وخلق سيناريوهات تطبيقية جديدة.

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

تكنولوجيا الذكاء الاصطناعي هي تقنية تتيح للكمبيوتر محاكاة وتوسيع وتعزيز الذكاء البشري. إنها تمكّن الكمبيوتر من أداء مجموعة متنوعة من المهام المعقدة، من ترجمة اللغات وتصنيف الصور إلى التعرف على الوجوه والقيادة الذاتية، حيث أن الذكاء الاصطناعي يغير طريقة حياتنا وعملنا.

تتضمن عملية تطوير نماذج الذكاء الاصطناعي عادةً الخطوات الأساسية التالية: جمع البيانات والمعالجة المسبقة للبيانات، اختيار النموذج وضبطه، تدريب النموذج واستنتاجه. على سبيل المثال، إذا كنت ترغب في تطوير نموذج لتصنيف صور القطط والكلاب، ستحتاج 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 بوسم كل صورة بفئة (قط أو كلب)، تأكد من دقة الوسوم. تحويل الصور إلى تنسيق يمكن للنموذج التعرف عليه، وتقسيم مجموعة البيانات إلى مجموعة تدريب ومجموعة تحقق ومجموعة اختبار.

2. اختيار النموذج وضبطه: اختر نموذجًا مناسبًا، مثل الشبكات العصبية التلافيفية (CNN)، والتي تتناسب بشكل جيد مع مهام تصنيف الصور. اضبط معلمات النموذج أو هيكله بناءً على الاحتياجات المختلفة، وعادةً ما يمكن ضبط طبقات الشبكة للنموذج وفقًا لتعقيد مهمة الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون طبقات الشبكة السطحية كافية.

3. تدريب النموذج: يمكن استخدام GPU أو TPU أو مجموعة حسابات عالية الأداء لتدريب النموذج، ويتأثر وقت التدريب بتعقيد النموذج وقدرات 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. في هذه العملية، يمكن استخدام مجموعة الاختبار أو بيانات جديدة لاختبار فعالية تصنيف النموذج، وعادة ما يتم تقييم فعالية النموذج باستخدام مؤشرات مثل الدقة، واسترجاع المعلومات، ونسبة F1.

بعد جمع البيانات والمعالجة المسبقة للبيانات، واختيار النموذج وضبطه، وتدريبه، يتم إجراء الاستدلال على مجموعة الاختبار باستخدام النموذج المدرب، مما يؤدي إلى الحصول على قيم توقعات القطط والكلاب P (الاحتمالية)، أي احتمال استدلال النموذج بأنه قطة أو كلب.

يمكن دمج نموذج الذكاء الاصطناعي المدرب 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 لقط أو كلب، ليحصل على نتائج التصنيف.

ومع ذلك، فإن عملية تطوير الذكاء الاصطناعي المركزية تواجه بعض المشكلات 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.

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

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

الحصول على القدرة الحاسوبية: بالنسبة للمطورين الأفراد والفرق الصغيرة، قد تشكل التكاليف المرتفعة لشراء وحدات معالجة الرسومات ورسوم استئجار القدرة الحاسوبية على السحابة عبئًا اقتصاديًا كبيرًا.

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

يمكن التغلب على التحديات الموجودة في مشهد الذكاء الاصطناعي المركزي من خلال دمجه مع Web3، حيث أن Web3 كعلاقة إنتاج جديدة تتناسب بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل قوة إنتاجية جديدة، مما يدفع التقدم التكنولوجي وقدرات الإنتاج في نفس الوقت.

1.3 الويب 3 والتعاون بين الذكاء الاصطناعي: تحول الأدوار وتطبيقات الابتكار

يمكن أن يؤدي دمج Web3 مع AI إلى تعزيز سيادة المستخدم، وتوفير منصة تعاون مفتوحة للذكاء الاصطناعي، مما يسمح للمستخدمين بالتحول من مستخدمي الذكاء الاصطناعي في عصر Web2 إلى مشاركين، وخلق ذكاء اصطناعي يمكن للجميع امتلاكه. في الوقت نفسه، يمكن أن يؤدي دمج عالم Web3 مع تقنيات الذكاء الاصطناعي إلى ظهور المزيد من تطبيقات مبتكرة وسيناريوهات لعب.

استنادًا إلى تقنية Web3، سيتبنى تطوير واستخدام الذكاء الاصطناعي نظامًا جديدًا للاقتصاد التعاوني. يمكن ضمان خصوصية بيانات الأشخاص، كما أن نموذج جمع البيانات من الجمهور يعزز تقدم نماذج الذكاء الاصطناعي، وتتوفر العديد من موارد الذكاء الاصطناعي مفتوحة المصدر للاستخدام من قبل المستخدمين، ويمكن الحصول على قوة الحوسبة المشتركة بتكلفة أقل. من خلال آلية جمع البيانات التعاونية اللامركزية وسوق الذكاء الاصطناعي المفتوح، يمكن تحقيق نظام عادل لتوزيع الإيرادات، مما يحفز المزيد من الأشخاص على دفع تقدم تقنية الذكاء الاصطناعي.

في سياق Web3، يمكن أن تؤثر الذكاء الاصطناعي بشكل إيجابي في عدة مجالات. على سبيل المثال، يمكن تكامل نماذج الذكاء الاصطناعي في العقود الذكية، مما يعزز كفاءة العمل في سيناريوهات تطبيقية مختلفة، مثل تحليل السوق، والكشف عن الأمان، والتجمعات الاجتماعية، وغيرها من الوظائف المتنوعة. يمكن للذكاء الاصطناعي التوليدي أن يمنح المستخدمين تجربة "الفنان"، مثل استخدام تقنيات الذكاء الاصطناعي لإنشاء NFT الخاصة بهم، كما يمكنه خلق مشاهد ألعاب متنوعة وتجارب تفاعلية ممتعة 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 مدخل مناسب في هذا العالم.

٢. قراءة خريطة وهيكل مشروع Web3-AI الإيكولوجي

لقد درسنا بشكل أساسي 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 الأوسط، ومستوى التطبيقات، حيث ينقسم كل مستوى إلى أقسام مختلفة. في الفصل التالي، سنقوم بإجراء تحليل عميق لبعض المشاريع التمثيلية.

تغطي طبقة البنية التحتية الموارد الحاسوبية والهياكل التقنية التي تدعم تشغيل دورة حياة الذكاء الاصطناعي بأكملها، بينما تتضمن الطبقة الوسيطة إدارة البيانات، وتطوير النماذج، وخدمات استدلال التحقق التي تربط البنية التحتية بالتطبيقات، وتركز الطبقة التطبيقية على مجموعة متنوعة من التطبيقات والحلول التي تستهدف المستخدمين مباشرة.

طبقة البنية التحتية:

طبقة البنية التحتية هي أساس دورة حياة الذكاء الاصطناعي، حيث تصنف هذه المقالة القدرة الحاسوبية، سلسلة الذكاء الاصطناعي ومنصة التطوير كطبقة البنية التحتية. بفضل دعم هذه البنية التحتية، يمكن تدريب نماذج الذكاء الاصطناعي واستنتاجها، وتقديم تطبيقات الذكاء الاصطناعي القوية والمفيدة 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 حوسبة لامركزية، حيث يمكن للمستخدمين استئجار قوة الحوسبة بتكلفة منخفضة أو مشاركة قوة الحوسبة للحصول على الأرباح، ومن المشاريع الممثلة IO.NET و Hyperbolic. بالإضافة إلى ذلك، نشأت بعض المشاريع بأساليب جديدة، مثل Compute Labs، التي اقترحت بروتوكولًا رمزيًا، حيث يمكن للمستخدمين من خلال شراء NFT يمثل وحدة معالجة الرسوميات (GPU) المشاركة بطرق مختلفة في استئجار قوة الحوسبة للحصول على الأرباح.

• AI Chain: استخدام blockchain كأساس لدورة حياة AI، مما يتيح التفاعل السلس بين موارد AI على السلسلة وخارجها، مما يعزز تطور النظام الإيكولوجي للصناعة. يمكن للسوق اللامركزي على السلسلة تداول أصول AI مثل البيانات والنماذج والوكلاء، ويوفر إطار تطوير AI وأدوات تطوير مصاحبة، مع مشاريع تمثيلية مثل Sahara AI. يمكن أن يعزز AI Chain أيضًا تقدم تكنولوجيا AI في مجالات مختلفة، مثل Bittensor الذي يعزز المنافسة بين أنواع مختلفة من الشبكات الفرعية من خلال آلية تحفيز مبتكرة.

• منصة التطوير: بعض المشاريع توفر منصة تطوير الوكلاء الذكية، ويمكن أيضًا تنفيذ تداول الوكلاء الذكية، مثل Fetch.ai و ChainML وغيرها. أدوات شاملة تساعد المطورين على إنشاء وتدريب ونشر نماذج الذكاء الاصطناعي بسهولة أكبر، مثل مشروع Nimble. هذه البنية التحتية تعزز 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 باستخدام تقنية Web3.

• البيانات: جودة وكمية البيانات هي عوامل رئيسية تؤثر على فعالية تدريب النموذج. في عالم Web3، من خلال جمع البيانات من الحشود ومعالجة البيانات بشكل تعاوني، يمكن تحسين استخدام الموارد وتقليل تكاليف البيانات. يمكن للمستخدمين امتلاك حقوق البيانات الخاصة بهم، وبيع بياناتهم في ظل حماية الخصوصية، لتجنب سرقة البيانات من قبل تجار غير صالحين وتحقيق أرباح عالية. بالنسبة لطرف الطلب على البيانات، توفر هذه المنصات مجموعة واسعة من الخيارات وتكاليف منخفضة جدًا. تشمل 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.

علاوة على ذلك، تسمح بعض المنصات للخبراء في المجالات أو المستخدمين العاديين بأداء مهام معالجة البيانات المسبقة، مثل وضع علامات على الصور وتصنيف البيانات، وهذه المهام قد تتطلب معرفة متخصصة في معالجة بيانات المهام المالية والقانونية، يمكن للمستخدمين توكن المهارات لتحقيق التعاون الجماعي في معالجة البيانات. تمثل مثل سوق الذكاء الاصطناعي مثل Sahara AI، الذي يتضمن مهام بيانات في مجالات مختلفة، يمكن أن تغطي سيناريوهات بيانات متعددة المجالات؛ بينما يقوم بروتوكول AIT بوضع علامات على البيانات من خلال طريقة التعاون بين الإنسان والآلة.

• نموذج: كما تم الإشارة إليه سابقًا في عملية تطوير الذكاء الاصطناعي، تحتاج أنواع مختلفة من المتطلبات إلى مطابقة نموذج مناسب. النماذج الشائعة المستخدمة في مهام الصور مثل CNN وGAN، ويمكن اختيار سلسلة Yolo لمهام كشف الأجسام، والنماذج الشائعة في مهام النصوص مثل RNN وTransformer، بالطبع هناك أيضًا بعض النماذج الكبيرة المحددة أو العامة. تحتاج المهام ذات التعقيد المختلف إلى عمق نماذج مختلف، وأحيانًا تحتاج إلى ضبط النموذج.

بعض المشاريع تدعم المستخدمين في تقديم أنواع مختلفة من النماذج أو التعاون في تدريب النماذج من خلال التمويل الجماعي، مثل Sentient التي تسمح من خلال التصميم المعياري للمستخدمين بوضع بيانات النموذج 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 التعاوني.

• الاستدلال والتحقق: بعد تدريب النموذج، يتم إنشاء ملفات أوزان النموذج، والتي يمكن استخدامها مباشرة في التصنيف أو التنبؤ أو مهام محددة أخرى، وتسمى هذه العملية الاستدلال. عادة ما يترافق عملية الاستدلال مع آلية تحقق، للتحقق من صحة مصدر نموذج الاستدلال وما إذا كان هناك سلوك خبيث. يمكن دمج استدلال Web3 عادةً في 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)، قدمت OPML كطبقة قابلة للتحقق لOracle AI، كما تم ذكر أبحاثهم حول ZKML و opp/ai (ZKML مع OPML) على الموقع الرسمي لـ ORA.

طبقة التطبيق:

تستهدف هذه الطبقة بشكل رئيسي التطبيقات الموجهة مباشرة للمستخدم، حيث تجمع بين الذكاء الاصطناعي وويب 3، وتخلق المزيد من الطرق المثيرة والمبتكرة. تركز هذه المقالة بشكل رئيسي على مشاريع AIGC (المحتوى الذي تم إنشاؤه بواسطة الذكاء الاصطناعي)، ووكيل الذكاء الاصطناعي، وتحليل البيانات.

• AIGC: من خلال AIGC يمكن التوسع في NFT والألعاب وغيرها من المجالات في Web3، يمكن للمستخدمين إنشاء نصوص وصور وصوتيات مباشرة من خلال Prompt (الكلمات التوجيهية التي يقدمها المستخدم)، بل ويمكنهم أيضًا إنشاء محتوى في الألعاب وفقًا لتفضيلاتهم.