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

مع استمرار ارتفاع حرارة السرد القائم على الذكاء الاصطناعي، يتركز المزيد من الاهتمام على هذا المجال. تقدم هذه المقالة تحليلًا متعمقًا للمنطق التكنولوجي، وسيناريوهات التطبيق، والمشروعات الرائدة في مجال Web3-AI، لتقديم صورة شاملة عن هذا القطاع واتجاهات التطور.

1. Web3-AI: تحليل المنطق التكنولوجي وفرص الأسواق الناشئة

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

في العام الماضي، كانت السرديات المدعومة بالذكاء الاصطناعي في صناعة Web3 مشتعلة بشكل غير عادي، وظهرت 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 توجد علاقة جوهرية بين الاقتصاد الرمزي الأساسي ومنتجات الذكاء الاصطناعي، لذلك لا تُعتبر هذه المشاريع ضمن مناقشة مشاريع Web3-AI في هذه المقالة.

تركز هذه المقالة على استخدام تقنية البلوك تشين لحل مشكلات العلاقات الإنتاجية، بينما تحل الذكاء الاصطناعي مشكلات الإنتاجية، حيث توفر هذه المشاريع نفسها منتجات الذكاء الاصطناعي، وتستند إلى نموذج الاقتصاد Web3 كأداة للعلاقات الإنتاجية، مما يكمل كل منهما الآخر. نصنف هذه المشاريع ضمن مسار Web3-AI. من أجل تمكين القراء من فهم أفضل لمسار Web3-AI، ستتناول هذه المقالة عملية تطوير الذكاء الاصطناعي والتحديات، بالإضافة إلى كيفية دمج Web3 والذكاء الاصطناعي لحل المشكلات بشكل مثالي وخلق سيناريوهات تطبيق جديدة.

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

تقنية الذكاء الاصطناعي هي تقنية تتيح للكمبيوتر محاكاة وتوسيع وتعزيز الذكاء البشري. إنها تمكن الكمبيوتر من تنفيذ مجموعة متنوعة من المهام المعقدة، من ترجمة اللغات، وتصنيف الصور، إلى التعرف على الوجوه، وقيادة السيارات الذاتية، وغيرها من سيناريوهات التطبيق، حيث يقوم الذكاء الاصطناعي بتغيير طريقة حياتنا وعملنا.

عادةً ما يتضمن عملية تطوير نماذج الذكاء الاصطناعي الخطوات الرئيسية التالية: جمع البيانات ومعالجة البيانات، اختيار النموذج وتحسينه، تدريب النموذج والاستدلال. على سبيل المثال البسيط، لتطوير نموذج يحقق تصنيف صور القطط والكلاب، تحتاج إلى:

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

2. اختيار النموذج وتحسينه: اختر النموذج المناسب، مثل الشبكات العصبية التلافيفية (CNN)، التي تناسب مهام تصنيف الصور. قم بضبط معلمات النموذج أو هيكله بناءً على الاحتياجات المختلفة، وعادةً ما يمكن تعديل مستويات الشبكة للنموذج وفقًا لتعقيد مهام الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون المستويات الشبكية الأقل عمقًا كافية.

3. تدريب النموذج: يمكن استخدام GPU أو TPU أو تجمعات الحوسبة عالية الأداء لتدريب النموذج، حيث تتأثر مدة التدريب بتعقيد النموذج وقدرة الحوسبة.

4. استنتاج النموذج: عادةً ما تُسمى الملفات التي تم تدريب النموذج عليها أوزان النموذج، وعملية الاستنتاج 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، وعادةً ما يتم تقييم فعالية النموذج باستخدام مؤشرات مثل الدقة، ومعدل الاسترجاع، وF1-score.

كما هو موضح في الصورة، بعد جمع البيانات ومعالجة البيانات المسبقة، واختيار النموذج وضبطه، وتدريبه، سيتم استنتاج القيم المتوقعة للقطط والكلاب P (احتمالية) على مجموعة الاختبار، أي أن النموذج يستنتج احتمالية أن يكون الكائن قطة أو كلب.

يمكن دمج نموذج الذكاء الاصطناعي المدرب بشكل أكبر في تطبيقات مختلفة لأداء مهام مختلفة. في هذا المثال، يمكن دمج نموذج الذكاء الاصطناعي لتصنيف القطط والكلاب في تطبيق هاتف محمول، حيث يمكن للمستخدم تحميل صورة لقطة أو كلب، وسيحصل على نتائج التصنيف.

ومع ذلك، توجد بعض المشكلات في عملية تطوير الذكاء الاصطناعي المركزية في السيناريوهات التالية:

خصوصية المستخدم: في السيناريوهات المركزية، فإن عملية تطوير الذكاء الاصطناعي غالباً ما تكون غير شفافة. قد يتم سرقة بيانات المستخدم دون علمه واستخدامها لتدريب الذكاء الاصطناعي.

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

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

الحصول على القدرة الحاسوبية: بالنسبة لمطوري الأفراد والفرق الصغيرة، قد تشكل تكاليف شراء وحدات معالجة الرسوميات العالية وتكاليف استئجار السحابة عبئًا اقتصاديًا كبيرًا.

دخل الأصول الذكية: غالبًا ما لا يتمكن عمال توصيف البيانات من الحصول على دخل يتناسب مع جهودهم، 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 المركزي من خلال دمج Web3، حيث إن Web3 كعلاقة إنتاج جديدة تتناسب بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل قوة إنتاجية جديدة، مما يعزز التقدم المتزامن في التكنولوجيا والقدرات الإنتاجية.

1.3 التآزر بين Web3 و AI: تحول الأدوار وتطبيقات مبتكرة

يمكن أن يعزز دمج Web3 و AI سيادة المستخدمين، ويوفر منصة تعاون مفتوحة للذكاء الاصطناعي، مما يحول المستخدمين من مستخدمي الذكاء الاصطناعي في عصر Web2 إلى مشاركين، ويخلق ذكاءً اصطناعيًا يمكن أن يمتلكه الجميع. في الوقت نفسه، يمكن أن يؤدي ت融合 عالم Web3 مع تقنيات الذكاء الاصطناعي إلى ابتكار المزيد من سيناريوهات التطبيقات وطرق اللعب.

استنادًا إلى تقنية Web3، سيشهد تطوير واستخدام الذكاء الاصطناعي نظامًا جديدًا للاقتصاد التعاوني. يمكن حماية خصوصية بيانات الأفراد، ويعزز نموذج جمع البيانات تقدم نماذج الذكاء الاصطناعي، كما تتوفر العديد من موارد الذكاء الاصطناعي مفتوحة المصدر للاستخدام من قبل المستخدمين، ويمكن الحصول على قوة الحوسبة المشتركة بتكلفة منخفضة. من خلال آلية جمع المعلومات اللامركزية وسوق الذكاء الاصطناعي المفتوح، يمكن تحقيق نظام عادل لتوزيع الإيرادات، مما يحفز المزيد من الناس على دفع تقدم تقنية الذكاء الاصطناعي.

في مشهد Web3، يمكن للذكاء الاصطناعي أن يحدث تأثيرًا إيجابيًا في مجالات متعددة. على سبيل المثال، يمكن دمج نماذج الذكاء الاصطناعي في العقود الذكية، مما يعزز كفاءة العمل في سيناريوهات تطبيق مختلفة، مثل تحليل السوق، والكشف عن الأمان، وتجمعات التواصل الاجتماعي، وغيرها من الوظائف المتعددة. لا يتيح الذكاء الاصطناعي التوليدي للمستخدمين فقط تجربة دور "الفنان"، مثل استخدام تقنية الذكاء الاصطناعي لإنشاء NFT خاص بهم، بل يمكنه أيضًا خلق مشاهد ألعاب متنوعة وتجارب تفاعلية ممتعة في GameFi. توفر البنية التحتية الغنية تجربة تطوير سلسة، سواء كان خبير ذكاء اصطناعي أو مبتدئ يرغب في دخول مجال الذكاء الاصطناعي، يمكنهم جميعًا العثور على المدخل المناسب في هذا العالم.

٢. تفسير خريطة وهيكل مشروع Web3-AI الإيكولوجي

لقد درسنا بشكل رئيسي 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، والمستوى الأوسط، ومستوى التطبيقات، وكل مستوى ينقسم إلى أقسام مختلفة. في الفصل التالي، سنقوم بإجراء تحليل عميق لبعض المشاريع التمثيلية.

تغطي طبقة البنية التحتية الموارد الحاسوبية والهياكل التكنولوجية التي تدعم تشغيل دورة حياة الذكاء الاصطناعي بالكامل، في حين تشمل الطبقة الوسطى إدارة البيانات وخدمات تطوير النماذج والتحقق من الاستدلال التي تربط البنية التحتية بالتطبيقات، وتركز الطبقة التطبيقية على مجموعة متنوعة من التطبيقات والحلول الموجهة مباشرةً للمستخدم.

طبقة البنية التحتية:

طبقة البنية التحتية هي أساس دورة حياة الذكاء الاصطناعي، حيث يتم تصنيف القوة الحاسوبية، وسلسلة الذكاء الاصطناعي، ومنصة التطوير كطبقة البنية التحتية. فقط بفضل دعم هذه البنية التحتية يمكن تدريب نماذج الذكاء الاصطناعي واستنتاجها، وتقديم تطبيقات ذكاء اصطناعي قوية وعملية للمستخدمين.

• شبكة الحوسبة اللامركزية: يمكن أن توفر قوة حوسبة موزعة لتدريب نماذج الذكاء الاصطناعي، مما يضمن استخدام موارد الحوسبة بكفاءة وبتكلفة اقتصادية. تقدم بعض المشاريع سوقاً لامركزياً للقوة الحاسوبية، حيث يمكن للمستخدمين استئجار القوة الحاسوبية بتكلفة منخفضة أو مشاركة القوة الحاسوبية للحصول على أرباح، ومن المشاريع الممثلة IO.NET و Hyperbolic. بالإضافة إلى ذلك، ظهرت بعض المشاريع بأفكار جديدة، مثل Compute Labs، التي اقترحت بروتوكولاً موحداً، حيث يمكن للمستخدمين من خلال شراء NFT تمثل كيان GPU المشاركة بطرق مختلفة في تأجير القوة الحاسوبية للحصول على أرباح.

• AI Chain: استخدام blockchain كأساس لدورة حياة الذكاء الاصطناعي، لتحقيق التفاعل السلس بين موارد الذكاء الاصطناعي على السلسلة وخارجها، وتعزيز تطوير نظام بيئي صناعي. يمكن للسوق اللامركزي للذكاء الاصطناعي على السلسلة تداول أصول الذكاء الاصطناعي مثل البيانات والنماذج والوكلاء، وتوفير إطار تطوير للذكاء الاصطناعي وأدوات تطوير مرافقة، ومشاريع ممثلة مثل Sahara AI. يمكن أن يعزز AI Chain أيضًا تقدم تقنيات الذكاء الاصطناعي في مجالات مختلفة، مثل Bittensor من خلال آلية تحفيز الشبكة الفرعية المبتكرة لتعزيز تنافس الشبكات الفرعية من أنواع الذكاء الاصطناعي المختلفة.

• منصة التطوير: تقدم بعض المشاريع منصة تطوير وكيل AI، ويمكنها أيضًا تنفيذ تداول وكيل AI، مثل Fetch.ai و ChainML وغيرها. تساعد الأدوات الشاملة المطورين على إنشاء وتدريب ونشر نماذج AI بسهولة أكبر، وتمثل المشاريع مثل Nimble. تعزز هذه البنية التحتية الاستخدام الواسع لتقنية AI في نظام Web3 البيئي.

الطبقة الوسطى:

تتناول هذه الطبقة بيانات الذكاء الاصطناعي والنماذج والتفكير والتحقق، ويمكن أن تحقق استخدام تقنيات Web3 كفاءة عمل أعلى.

• البيانات: تعتبر جودة البيانات وكمّها من العوامل الرئيسية التي تؤثر على فعالية تدريب النموذج. في عالم Web3، يمكن تحسين استخدام الموارد وتقليل تكاليف البيانات من خلال بيانات الحشد 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 لمتطلبات البيانات، توفر هذه المنصات خيارات واسعة وتكاليف منخفضة للغاية. تمثل مشاريع مثل Grass التي تستخدم عرض النطاق الترددي الخاص بالمستخدمين لجمع بيانات الويب، وxData التي تجمع معلومات الوسائط 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 البيانات لمهام مالية وقانونية تتطلب معرفة متخصصة، حيث يمكن للمستخدمين توكين مهاراتهم لتحقيق تعاون جماعي في معالجة البيانات. تمثل مثل سوق AI مثل Sahara AI، التي تحتوي على مهام بيانات في مجالات مختلفة، ويمكن أن تغطي سيناريوهات بيانات متعددة المجالات؛ بينما يقوم بروتوكول AIT بوضع علامات على البيانات من خلال التعاون بين الإنسان والآلة.

• النموذج: كما تم الإشارة إليه سابقًا في عملية تطوير الذكاء الاصطناعي، تحتاج أنواع مختلفة من المتطلبات إلى مطابقة النموذج المناسب. تستخدم نماذج مثل CNN و GAN عادةً في مهام الصور، بينما يمكن اختيار سلسلة Yolo لمهام الكشف عن الأهداف. أما بالنسبة لمهام النصوص، فإن النماذج الشائعة تشمل RNN و Transformer وغيرها من النماذج الكبيرة أو العامة. تحتاج المهام ذات التعقيد المختلف إلى عمق نماذج مختلف، وأحيانًا يتطلب الأمر ضبط النموذج.

تدعم بعض المشاريع المستخدمين لتقديم أنواع مختلفة من النماذج أو التعاون في تدريب النماذج من خلال أسلوب الحشد، مثل Sentient التي من خلال تصميمها المعياري، تسمح للمستخدمين بوضع بيانات النماذج الموثوقة في طبقة التخزين وطبقة التوزيع لتحسين النماذج، كما أن الأدوات التطويرية التي تقدمها Sahara AI تحتوي على خوارزميات الذكاء الاصطناعي المتقدمة وإطارات الحوسبة، ولديها القدرة على التدريب التعاوني.

• الاستدلال والتحقق: بعد تدريب النموذج، سيتم توليد ملف أوزان النموذج، والذي يمكن استخدامه مباشرة للتصنيف أو التنبؤ أو غيرها من المهام المحددة، وتسمى هذه العملية الاستدلال. عادة ما تكون عملية الاستدلال مصحوبة بآلية تحقق، للتحقق مما إذا كان مصدر نموذج الاستدلال صحيحًا، وما إذا كانت هناك سلوكيات خبيثة، وما إلى ذلك. يمكن دمج استدلال Web3 عادةً في العقود الذكية، من خلال استدعاء النموذج لإجراء الاستدلال، تشمل طرق التحقق الشائعة تقنيات مثل ZKML وOPML وTEE. تشمل المشاريع الممثلة على سبيل المثال لا الحصر Oracle AI على سلسلة ORA (OAO)، والتي قدمت OPML كطبقة قابلة للتحقق لمستشار الذكاء الاصطناعي، كما أشار الموقع الرسمي لـ ORA إلى أبحاثهم حول ZKML وopp/ai (دمج ZKML مع OPML).

طبقة التطبيق:

تستهدف هذه الطبقة بشكل مباشر التطبيقات الموجهة للمستخدمين، حيث تجمع بين الذكاء الاصطناعي وWeb3، مما يخلق المزيد من الطرق المثيرة والمبتكرة للعب. تتناول هذه المقالة بشكل رئيسي مشاريع AIGC (المحتوى الذي تم إنشاؤه بواسطة الذكاء الاصطناعي) ووكيل الذكاء الاصطناعي وتحليل البيانات.

• AIGC: من خلال AIGC