تمثل Web3 كفئة جديدة من الإنترنت اللامركزي فرصة طبيعية للاندماج مع تقنيات الذكاء الاصطناعي. في إطار الهيكل التقليدي المركزي، تواجه حسابات الذكاء الاصطناعي وموارد البيانات العديد من القيود، مثل عنق الزجاجة في القدرة الحاسوبية، ومخاطر الخصوصية، وما إلى ذلك. بينما تعتمد Web3 على تقنيات موزعة، يمكن من خلال شبكات القدرة الحاسوبية المشتركة، وأسواق البيانات المفتوحة، أن تضخ دافعًا جديدًا لتطوير الذكاء الاصطناعي. في الوقت نفسه، يمكن أن يمكّن الذكاء الاصطناعي نظام Web3 البيئي، مثل تحسين العقود الذكية، وتطوير آليات مكافحة الغش، وما إلى ذلك. إن استكشاف دمج Web3 والذكاء الاصطناعي له أهمية كبيرة في بناء بنية تحتية للإنترنت من الجيل التالي، وإطلاق قيمة البيانات والقدرة الحاسوبية.
البيانات المدفوعة: الأساس المتين للذكاء الاصطناعي وWeb3
تعتبر البيانات المحرك الأساسي لتطور الذكاء الاصطناعي. تحتاج نماذج الذكاء الاصطناعي إلى كميات كبيرة من البيانات عالية الجودة للحصول على فهم عميق وقدرة استدلال قوية، حيث تؤثر جودة البيانات بشكل مباشر على دقة وموثوقية النموذج.
توجد المشاكل التالية في نماذج بيانات الذكاء الاصطناعي المركزية التقليدية:
تكلفة الحصول على البيانات مرتفعة، ومن الصعب على الشركات الصغيرة والمتوسطة تحمّلها
تم احتكار موارد البيانات من قبل شركات التكنولوجيا الكبرى ، مما أدى إلى تشكيل جزر بيانات.
تواجه خصوصية البيانات الشخصية خطر التسريب وسوء الاستخدام
تقدم Web3 نموذج بيانات لامركزي جديد لمعالجة هذه النقاط المؤلمة:
منصة تجميع البيانات اللامركزية تتيح للمستخدمين بيع الموارد الشبكية غير المستخدمة، مما يوفر بيانات حقيقية عالية الجودة لتدريب الذكاء الاصطناعي
"نموذج كسب النقاط" يحفز العمال في جميع أنحاء العالم على المشاركة في بيانات التسمية وتجميع المعرفة المهنية
منصة تداول بيانات blockchain توفر بيئة تداول شفافة ومفتوحة لطرفي العرض والطلب للبيانات، مما يعزز الابتكار ومشاركة البيانات.
على الرغم من ذلك، لا تزال هناك مشاكل في الحصول على بيانات العالم الحقيقي من حيث الجودة وعدم سهولة المعالجة. يمكن أن تصبح البيانات الاصطناعية سمة بارزة في المستقبل، حيث يمكنها محاكاة خصائص البيانات الحقيقية، كإضافة فعالة لتحسين كفاءة استخدام البيانات. في مجالات مثل القيادة الذاتية، والتداول المالي، وتطوير الألعاب، أظهرت البيانات الاصطناعية إمكانيات تطبيق ناضجة.
حماية الخصوصية: تطبيق FHE في Web3
في عصر البيانات المدفوعة، أصبحت حماية الخصوصية محور اهتمام عالمي. تعكس اللوائح الصارمة لحماية الخصوصية هذا الاتجاه، لكنها أيضًا تجلب تحديات: بعض البيانات الحساسة لا يمكن استخدامها بشكل كامل بسبب مخاطر الخصوصية، مما يحد من إمكانيات نماذج الذكاء الاصطناعي.
تسمح التشفير المتجانس (FHE) بالحساب المباشر على البيانات المشفرة، دون الحاجة إلى فك التشفير للحصول على نتائج متوافقة مع الحسابات النصية. يوفر FHE حماية قوية لحسابات الخصوصية للذكاء الاصطناعي، مما يمكّن وحدات معالجة الرسومات من تنفيذ تدريب النماذج والاستدلال في بيئات لا تتلامس مع البيانات الأصلية. وهذا يمنح شركات الذكاء الاصطناعي ميزة كبيرة، حيث يمكنها فتح خدمات API بأمان مع حماية الأسرار التجارية.
يدعم FHEML تشفير البيانات والنماذج خلال دورة التعلم الآلي بأكملها، مما يضمن أمان المعلومات الحساسة ويمنع تسرب البيانات. يعزز FHEML خصوصية البيانات، ويوفر إطار حساب آمن لتطبيقات الذكاء الاصطناعي. إنه يكمل ZKML، حيث يثبت ZKML التنفيذ الصحيح للتعلم الآلي، بينما يركز FHEML على حساب البيانات المشفرة للحفاظ على الخصوصية.
ثورة قوة الحوسبة: الحوسبة الذكية في الشبكات اللامركزية
تزداد تعقيد حسابات أنظمة الذكاء الاصطناعي الحالية بسرعة، مما يؤدي إلى زيادة كبيرة في الطلب على القوة الحاسوبية، متجاوزة بكثير العرض الحالي. على سبيل المثال، يتطلب تدريب نموذج لغوي كبير قوة حسابية تعادل 355 عامًا لجهاز واحد. لا تقتصر هذه النقص على الحد من تقدم تقنية الذكاء الاصطناعي فحسب، بل تجعل النماذج المتقدمة بعيدة المنال بالنسبة لمعظم الباحثين والمطورين.
في الوقت نفسه، لا تتجاوز نسبة استخدام وحدات معالجة الرسوميات (GPU) في جميع أنحاء العالم 40%، بالإضافة إلى تباطؤ تحسين أداء المعالجات ومشكلات سلسلة التوريد، مما يجعل إمدادات قوة الحوسبة أكثر توتراً. يواجه العاملون في مجال الذكاء الاصطناعي معضلة شراء الأجهزة أو استئجار موارد سحابية، وهناك حاجة ملحة إلى طرق خدمات حوسبة فعالة ومرنة.
تقوم شبكة حوسبة الذكاء الاصطناعي اللامركزية بتجميع موارد وحدات معالجة الرسومات غير المستغلة في جميع أنحاء العالم لتوفير سوق حوسبة اقتصادي وسهل الاستخدام لشركات الذكاء الاصطناعي. يمكن للجهات الطالبة نشر مهام الحوسبة، حيث تقوم العقود الذكية بتوزيع المهام على عقد التعدين، وينفذ عمال المناجم المهام ويقدمون النتائج، وبعد التحقق يحصلون على مكافآت. تعمل هذه الحلول على تحسين كفاءة استخدام الموارد وتساعد في تخفيف اختناقات حوسبة في مجالات مثل الذكاء الاصطناعي.
بجانب شبكة الحوسبة العامة، هناك أيضًا منصات مخصصة لتدريب الذكاء الاصطناعي واستدلاله. توفر شبكة الحوسبة اللامركزية سوقًا عادلاً وشفافًا، مما يكسر الاحتكار، ويقلل العوائق، ويعزز الكفاءة. في نظام Web3 البيئي، ستلعب هذه الشبكات دورًا حيويًا في جذب التطبيقات المبتكرة، ودفع تطوير تقنيات الذكاء الاصطناعي.
DePIN: تمكين Web3 للذكاء الاصطناعي الحدي
تتيح تقنية Edge AI إجراء الحسابات في مصدر البيانات، مما يحقق انخفاضًا في التأخير ومعالجة في الوقت الحقيقي، مع حماية خصوصية المستخدمين. لقد تم تطبيق هذه التقنية في مجالات حيوية مثل القيادة الذاتية. في Web3، الاسم الذي نعرفه بشكل أفضل هو DePIN. يركز Web3 على اللامركزية وحقوق ملكية بيانات المستخدمين، حيث يعزز DePIN حماية الخصوصية من خلال المعالجة المحلية، ويقلل من مخاطر تسرب البيانات. يمكن أن تحفز الاقتصاد القائم على الرموز الأصلية في Web3 العقد لتوفير موارد الحوسبة، مما يساعد على بناء بيئة مستدامة.
تتطور DePIN حاليًا بسرعة في بيئة سلسلة الكتل عالية الأداء، لتصبح واحدة من المنصات المفضلة لنشر المشاريع. إن معدل نقل البيانات العالي، والتكاليف المنخفضة، والابتكارات التقنية في هذه السلسلة توفر دعمًا قويًا لمشاريع DePIN. حاليًا، تجاوزت القيمة السوقية لمشاريع DePIN على هذه السلسلة عشرة مليارات دولار، وقد حققت العديد من المشاريع المعروفة تقدمًا ملحوظًا.
IMO: إصدار نموذج جديد لنموذج AI
IMO( النموذج الأولي للإصدار ) يقدم أفكار جديدة لتوكنيزة نماذج الذكاء الاصطناعي. تحت الوضع التقليدي، يواجه المطورون صعوبة في تحقيق عائد مستمر من الاستخدام اللاحق للنموذج، خاصة عندما يتم دمج النموذج في منتجات أخرى. وعلاوة على ذلك، غالبًا ما تفتقر أداء وفعالية نماذج الذكاء الاصطناعي إلى الشفافية، مما يحد من الاعتراف في السوق والقدرة التجارية.
توفر IMO دعمًا ماليًا مبتكرًا ونمطًا لمشاركة القيمة لنماذج الذكاء الاصطناعي مفتوحة المصدر. يمكن للمستثمرين شراء رموز IMO ومشاركة عائدات النموذج المستقبلية. تستخدم بروتوكول معين معايير تقنية محددة، بالت结合 مع تقنية التنبؤ بالذكاء الاصطناعي والتعلم الآلي على السلسلة، لضمان مصداقية النموذج ومشاركة عائدات حاملي الرموز.
تعزز نماذج IMO الشفافية والثقة، وتشجع على التعاون مفتوح المصدر، وتتكيف مع اتجاهات سوق العملات الرقمية، مما يعزز التنمية المستدامة لتقنيات الذكاء الاصطناعي. على الرغم من أنها في مرحلة التجريب الأولية، إلا أن الابتكار والقيمة المحتملة لنموذج IMO يتوقع أن يزداد الاهتمام بها مع زيادة قبول السوق وتوسع نطاق المشاركة.
وكيل الذكاء الاصطناعي: عصر جديد من التجربة التفاعلية
يمكن لوكلاء الذكاء الاصطناعي إدراك البيئة والتفكير المستقل واتخاذ الإجراءات لتحقيق الأهداف. بدعم من نماذج اللغة الكبيرة، فإنهم لا يفهمون اللغة الطبيعية فحسب، بل يمكنهم أيضًا تخطيط القرارات وتنفيذ المهام المعقدة. كمساعِد افتراضي، يتعلم وكيل الذكاء الاصطناعي تفضيلات المستخدم من خلال التفاعل، ويقدم حلولًا مخصصة، بل ويمكنه حتى حل المشكلات بشكل مستقل دون تعليمات واضحة.
توفر منصة تطبيقات مفتوحة الأصلية من AI أدوات إبداعية شاملة وسهلة الاستخدام، تدعم المستخدمين في تكوين ميزات الروبوتات، والمظهر، والصوت، والاتصال بمكتبات المعرفة الخارجية، وتهدف إلى بناء نظام بيئي مفتوح وعادل لمحتوى AI. قامت هذه المنصة بتدريب نماذج لغوية كبيرة متخصصة، مما يجعل أدوار المحاكاة أكثر إنسانية؛ كما أن تقنية استنساخ الصوت لديها خفضت بشكل كبير من تكاليف توليد الصوت، وتسريع التفاعل الشخصي للمنتجات الذكية. يمكن استخدام وكلاء AI المخصصين من هذه المنصة في مجالات متعددة مثل الدردشة المرئية، وتعلم اللغات، وتوليد الصور.
تركز دمج Web3 و AI حالياً بشكل أكبر على طبقة البنية التحتية، مستكشفة القضايا الرئيسية مثل الحصول على البيانات، حماية الخصوصية، استضافة النماذج على السلسلة، الاستخدام الفعال للقوة الحاسوبية اللامركزية، والتحقق من النماذج اللغوية الكبيرة. مع تحسين هذه البنية التحتية تدريجياً، من المتوقع أن يُنتج دمج Web3 و AI مجموعة من نماذج الأعمال والخدمات المبتكرة.
This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.
تسجيلات الإعجاب 8
أعجبني
8
7
مشاركة
تعليق
0/400
AirdropFreedom
· منذ 13 س
هذا ليس مجرد إعادة تسخين الطعام البارد مرة أخرى
شاهد النسخة الأصليةرد0
ProofOfNothing
· منذ 13 س
هذا ليس بداية PPT مرة أخرى...
شاهد النسخة الأصليةرد0
AlwaysAnon
· منذ 13 س
لا أستطيع أن أنكر أنني أرى مستقبلًا واعدًا لـ AI و Web3
شاهد النسخة الأصليةرد0
TideReceder
· منذ 13 س
مرة أخرى في أحلام اليقظة
شاهد النسخة الأصليةرد0
MemeCoinSavant
· منذ 13 س
استناداً إلى ذلك، صراحةً... تظهر أبحاث الدكتوراه الخاصة بي علاقة بنسبة 69% بين الذكاء الاصطناعي و الويب 3.
شاهد النسخة الأصليةرد0
BoredStaker
· منذ 13 س
هذه الموجة مستقرة! دخول مؤكد
شاهد النسخة الأصليةرد0
LiquidityWizard
· منذ 14 س
في الحقيقة، web3+ai تعادل 99.7% من إمكانيات الربح *يشرب القهوة في الساعة 3 صباحًا*
Web3 و AI: بناء بيانات و قوة الحوسبة اللامركزية
دمج Web3 و AI: بدء عصر جديد من الإنترنت
تمثل Web3 كفئة جديدة من الإنترنت اللامركزي فرصة طبيعية للاندماج مع تقنيات الذكاء الاصطناعي. في إطار الهيكل التقليدي المركزي، تواجه حسابات الذكاء الاصطناعي وموارد البيانات العديد من القيود، مثل عنق الزجاجة في القدرة الحاسوبية، ومخاطر الخصوصية، وما إلى ذلك. بينما تعتمد Web3 على تقنيات موزعة، يمكن من خلال شبكات القدرة الحاسوبية المشتركة، وأسواق البيانات المفتوحة، أن تضخ دافعًا جديدًا لتطوير الذكاء الاصطناعي. في الوقت نفسه، يمكن أن يمكّن الذكاء الاصطناعي نظام Web3 البيئي، مثل تحسين العقود الذكية، وتطوير آليات مكافحة الغش، وما إلى ذلك. إن استكشاف دمج Web3 والذكاء الاصطناعي له أهمية كبيرة في بناء بنية تحتية للإنترنت من الجيل التالي، وإطلاق قيمة البيانات والقدرة الحاسوبية.
! استكشاف عمليات التكامل الرئيسية الستة ل الذكاء الاصطناعي و Web3
البيانات المدفوعة: الأساس المتين للذكاء الاصطناعي وWeb3
تعتبر البيانات المحرك الأساسي لتطور الذكاء الاصطناعي. تحتاج نماذج الذكاء الاصطناعي إلى كميات كبيرة من البيانات عالية الجودة للحصول على فهم عميق وقدرة استدلال قوية، حيث تؤثر جودة البيانات بشكل مباشر على دقة وموثوقية النموذج.
توجد المشاكل التالية في نماذج بيانات الذكاء الاصطناعي المركزية التقليدية:
تقدم Web3 نموذج بيانات لامركزي جديد لمعالجة هذه النقاط المؤلمة:
على الرغم من ذلك، لا تزال هناك مشاكل في الحصول على بيانات العالم الحقيقي من حيث الجودة وعدم سهولة المعالجة. يمكن أن تصبح البيانات الاصطناعية سمة بارزة في المستقبل، حيث يمكنها محاكاة خصائص البيانات الحقيقية، كإضافة فعالة لتحسين كفاءة استخدام البيانات. في مجالات مثل القيادة الذاتية، والتداول المالي، وتطوير الألعاب، أظهرت البيانات الاصطناعية إمكانيات تطبيق ناضجة.
حماية الخصوصية: تطبيق FHE في Web3
في عصر البيانات المدفوعة، أصبحت حماية الخصوصية محور اهتمام عالمي. تعكس اللوائح الصارمة لحماية الخصوصية هذا الاتجاه، لكنها أيضًا تجلب تحديات: بعض البيانات الحساسة لا يمكن استخدامها بشكل كامل بسبب مخاطر الخصوصية، مما يحد من إمكانيات نماذج الذكاء الاصطناعي.
تسمح التشفير المتجانس (FHE) بالحساب المباشر على البيانات المشفرة، دون الحاجة إلى فك التشفير للحصول على نتائج متوافقة مع الحسابات النصية. يوفر FHE حماية قوية لحسابات الخصوصية للذكاء الاصطناعي، مما يمكّن وحدات معالجة الرسومات من تنفيذ تدريب النماذج والاستدلال في بيئات لا تتلامس مع البيانات الأصلية. وهذا يمنح شركات الذكاء الاصطناعي ميزة كبيرة، حيث يمكنها فتح خدمات API بأمان مع حماية الأسرار التجارية.
يدعم FHEML تشفير البيانات والنماذج خلال دورة التعلم الآلي بأكملها، مما يضمن أمان المعلومات الحساسة ويمنع تسرب البيانات. يعزز FHEML خصوصية البيانات، ويوفر إطار حساب آمن لتطبيقات الذكاء الاصطناعي. إنه يكمل ZKML، حيث يثبت ZKML التنفيذ الصحيح للتعلم الآلي، بينما يركز FHEML على حساب البيانات المشفرة للحفاظ على الخصوصية.
ثورة قوة الحوسبة: الحوسبة الذكية في الشبكات اللامركزية
تزداد تعقيد حسابات أنظمة الذكاء الاصطناعي الحالية بسرعة، مما يؤدي إلى زيادة كبيرة في الطلب على القوة الحاسوبية، متجاوزة بكثير العرض الحالي. على سبيل المثال، يتطلب تدريب نموذج لغوي كبير قوة حسابية تعادل 355 عامًا لجهاز واحد. لا تقتصر هذه النقص على الحد من تقدم تقنية الذكاء الاصطناعي فحسب، بل تجعل النماذج المتقدمة بعيدة المنال بالنسبة لمعظم الباحثين والمطورين.
في الوقت نفسه، لا تتجاوز نسبة استخدام وحدات معالجة الرسوميات (GPU) في جميع أنحاء العالم 40%، بالإضافة إلى تباطؤ تحسين أداء المعالجات ومشكلات سلسلة التوريد، مما يجعل إمدادات قوة الحوسبة أكثر توتراً. يواجه العاملون في مجال الذكاء الاصطناعي معضلة شراء الأجهزة أو استئجار موارد سحابية، وهناك حاجة ملحة إلى طرق خدمات حوسبة فعالة ومرنة.
تقوم شبكة حوسبة الذكاء الاصطناعي اللامركزية بتجميع موارد وحدات معالجة الرسومات غير المستغلة في جميع أنحاء العالم لتوفير سوق حوسبة اقتصادي وسهل الاستخدام لشركات الذكاء الاصطناعي. يمكن للجهات الطالبة نشر مهام الحوسبة، حيث تقوم العقود الذكية بتوزيع المهام على عقد التعدين، وينفذ عمال المناجم المهام ويقدمون النتائج، وبعد التحقق يحصلون على مكافآت. تعمل هذه الحلول على تحسين كفاءة استخدام الموارد وتساعد في تخفيف اختناقات حوسبة في مجالات مثل الذكاء الاصطناعي.
بجانب شبكة الحوسبة العامة، هناك أيضًا منصات مخصصة لتدريب الذكاء الاصطناعي واستدلاله. توفر شبكة الحوسبة اللامركزية سوقًا عادلاً وشفافًا، مما يكسر الاحتكار، ويقلل العوائق، ويعزز الكفاءة. في نظام Web3 البيئي، ستلعب هذه الشبكات دورًا حيويًا في جذب التطبيقات المبتكرة، ودفع تطوير تقنيات الذكاء الاصطناعي.
DePIN: تمكين Web3 للذكاء الاصطناعي الحدي
تتيح تقنية Edge AI إجراء الحسابات في مصدر البيانات، مما يحقق انخفاضًا في التأخير ومعالجة في الوقت الحقيقي، مع حماية خصوصية المستخدمين. لقد تم تطبيق هذه التقنية في مجالات حيوية مثل القيادة الذاتية. في Web3، الاسم الذي نعرفه بشكل أفضل هو DePIN. يركز Web3 على اللامركزية وحقوق ملكية بيانات المستخدمين، حيث يعزز DePIN حماية الخصوصية من خلال المعالجة المحلية، ويقلل من مخاطر تسرب البيانات. يمكن أن تحفز الاقتصاد القائم على الرموز الأصلية في Web3 العقد لتوفير موارد الحوسبة، مما يساعد على بناء بيئة مستدامة.
تتطور DePIN حاليًا بسرعة في بيئة سلسلة الكتل عالية الأداء، لتصبح واحدة من المنصات المفضلة لنشر المشاريع. إن معدل نقل البيانات العالي، والتكاليف المنخفضة، والابتكارات التقنية في هذه السلسلة توفر دعمًا قويًا لمشاريع DePIN. حاليًا، تجاوزت القيمة السوقية لمشاريع DePIN على هذه السلسلة عشرة مليارات دولار، وقد حققت العديد من المشاريع المعروفة تقدمًا ملحوظًا.
IMO: إصدار نموذج جديد لنموذج AI
IMO( النموذج الأولي للإصدار ) يقدم أفكار جديدة لتوكنيزة نماذج الذكاء الاصطناعي. تحت الوضع التقليدي، يواجه المطورون صعوبة في تحقيق عائد مستمر من الاستخدام اللاحق للنموذج، خاصة عندما يتم دمج النموذج في منتجات أخرى. وعلاوة على ذلك، غالبًا ما تفتقر أداء وفعالية نماذج الذكاء الاصطناعي إلى الشفافية، مما يحد من الاعتراف في السوق والقدرة التجارية.
توفر IMO دعمًا ماليًا مبتكرًا ونمطًا لمشاركة القيمة لنماذج الذكاء الاصطناعي مفتوحة المصدر. يمكن للمستثمرين شراء رموز IMO ومشاركة عائدات النموذج المستقبلية. تستخدم بروتوكول معين معايير تقنية محددة، بالت结合 مع تقنية التنبؤ بالذكاء الاصطناعي والتعلم الآلي على السلسلة، لضمان مصداقية النموذج ومشاركة عائدات حاملي الرموز.
تعزز نماذج IMO الشفافية والثقة، وتشجع على التعاون مفتوح المصدر، وتتكيف مع اتجاهات سوق العملات الرقمية، مما يعزز التنمية المستدامة لتقنيات الذكاء الاصطناعي. على الرغم من أنها في مرحلة التجريب الأولية، إلا أن الابتكار والقيمة المحتملة لنموذج IMO يتوقع أن يزداد الاهتمام بها مع زيادة قبول السوق وتوسع نطاق المشاركة.
وكيل الذكاء الاصطناعي: عصر جديد من التجربة التفاعلية
يمكن لوكلاء الذكاء الاصطناعي إدراك البيئة والتفكير المستقل واتخاذ الإجراءات لتحقيق الأهداف. بدعم من نماذج اللغة الكبيرة، فإنهم لا يفهمون اللغة الطبيعية فحسب، بل يمكنهم أيضًا تخطيط القرارات وتنفيذ المهام المعقدة. كمساعِد افتراضي، يتعلم وكيل الذكاء الاصطناعي تفضيلات المستخدم من خلال التفاعل، ويقدم حلولًا مخصصة، بل ويمكنه حتى حل المشكلات بشكل مستقل دون تعليمات واضحة.
توفر منصة تطبيقات مفتوحة الأصلية من AI أدوات إبداعية شاملة وسهلة الاستخدام، تدعم المستخدمين في تكوين ميزات الروبوتات، والمظهر، والصوت، والاتصال بمكتبات المعرفة الخارجية، وتهدف إلى بناء نظام بيئي مفتوح وعادل لمحتوى AI. قامت هذه المنصة بتدريب نماذج لغوية كبيرة متخصصة، مما يجعل أدوار المحاكاة أكثر إنسانية؛ كما أن تقنية استنساخ الصوت لديها خفضت بشكل كبير من تكاليف توليد الصوت، وتسريع التفاعل الشخصي للمنتجات الذكية. يمكن استخدام وكلاء AI المخصصين من هذه المنصة في مجالات متعددة مثل الدردشة المرئية، وتعلم اللغات، وتوليد الصور.
تركز دمج Web3 و AI حالياً بشكل أكبر على طبقة البنية التحتية، مستكشفة القضايا الرئيسية مثل الحصول على البيانات، حماية الخصوصية، استضافة النماذج على السلسلة، الاستخدام الفعال للقوة الحاسوبية اللامركزية، والتحقق من النماذج اللغوية الكبيرة. مع تحسين هذه البنية التحتية تدريجياً، من المتوقع أن يُنتج دمج Web3 و AI مجموعة من نماذج الأعمال والخدمات المبتكرة.