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

مع استمرار ارتفاع درجة حرارة السرد المدعوم بالذكاء الاصطناعي، يتزايد التركيز على هذا المجال. تقدم هذه المقالة تحليلًا عميقًا للمنطق التكنولوجي، وسيناريوهات التطبيق، والمشاريع الممثلة في مجال Web3-AI، لتقديم عرض شامل لكافة جوانب هذا المجال واتجاهات تطوره.

أ. Web3-AI: تحليل المنطق التكنولوجي وفرص السوق الناشئة

1.1 منطق دمج Web3 و AI: كيف يتم تعريف مسار Web3-AI

في العام الماضي، كانت السرديات المعتمدة على الذكاء الاصطناعي شديدة الرواج في صناعة Web3، وظهرت مشاريع الذكاء الاصطناعي كالفطر بعد المطر. على الرغم من أن هناك 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 الاقتصاديات الرمزية الأساسية ومنتجات الذكاء الاصطناعي، لذلك لا تندرج هذه الأنواع من المشاريع ضمن مناقشة مشاريع Web3-AI في هذه المقالة.

تركز هذه المقالة على استخدام blockchain لحل مشاكل علاقات الإنتاج، واستخدام AI لحل مشاكل القوى الإنتاجية، حيث تقدم هذه المشاريع نفسها منتجات AI، في حين 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 مسار Web3-AI بشكل أفضل، ستقوم هذه المقالة بتقديم عملية تطوير AI والتحديات، وكذلك كيف يمكن أن يجمع Web3 و AI بشكل مثالي لحل المشكلات وخلق سيناريوهات تطبيق جديدة.

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

تقنية الذكاء الاصطناعي هي تقنية تسمح لأجهزة الكمبيوتر بمحاكاة وتوسيع وتعزيز الذكاء البشري. إنها تمكن الكمبيوتر من أداء مجموعة متنوعة من المهام المعقدة، من ترجمة اللغات، وتصنيف الصور، إلى التعرف على الوجوه، والقيادة الذاتية، وما إلى ذلك من تطبيقات، فإن الذكاء الاصطناعي يغير الطريقة التي نعيش ونعمل بها.

عملية تطوير نماذج الذكاء الاصطناعي عادة ما تتضمن 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 الصور التي تحتوي على القطط والكلاب، يمكن استخدام مجموعات البيانات العامة أو جمع بيانات حقيقية بنفسك. ثم قم بتسمية كل صورة بفئة ( قط أو كلب )، تأكد من دقة العلامات. تحويل الصور إلى تنسيق يمكن للنموذج التعرف عليه، وتقسيم مجموعة البيانات إلى مجموعة تدريب ومجموعة تحقق ومجموعة اختبار.

2. اختيار النموذج وضبطه: اختيار النموذج المناسب، مثل الشبكة العصبية التلافيفية (CNN)، التي تناسب مهام تصنيف الصور. ضبط معلمات النموذج أو هيكله بناءً على الاحتياجات المختلفة، بشكل عام، يمكن ضبط مستويات شبكة النموذج حسب تعقيد 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، ويؤثر الوقت المستغرق في التدريب على تعقيد النموذج وقدرة الحوسبة.

4. استنتاج النموذج: عادةً ما تُسمى الملفات المدربة للنموذج 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، معدل الاستدعاء، وF1-score.

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

خصوصية المستخدم: في السيناريوهات المركزية، فإن عملية تطوير الذكاء الاصطناعي عادة ما تكون 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 انفتاح البيانات عند الحصول على بيانات معينة في مجالات محددة مثل البيانات الطبية (.

اختيار النموذج وضبطه: من الصعب على الفرق الصغيرة الحصول على موارد نموذج محددة أو إنفاق تكاليف كبيرة لضبط النموذج.

الحصول على قوة الحوسبة: بالنسبة للمطورين الأفراد والفرق الصغيرة، قد تشكل تكاليف شراء وحدات معالجة الرسوميات المرتفعة ورسوم استئجار قوة الحوسبة السحابية عبئًا اقتصاديًا كبيرًا.

دخل الأصول الذكية: غالبًا ما لا يحصل العاملون في وضع العلامات على البيانات على دخل يتماشى مع ما يبذلونه، كما أن نتائج أبحاث مطوري الذكاء الاصطناعي يصعب 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 قوى الإنتاج الجديدة، وبالتالي يدفع التقدم التكنولوجي وقدرات الإنتاج في الوقت نفسه.

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

يمكن أن يعزز دمج Web3 مع الذكاء الاصطناعي سيادة المستخدم، ويوفر منصة مفتوحة للتعاون في الذكاء الاصطناعي، مما يمكّن المستخدمين من التحول من مستخدمي الذكاء الاصطناعي في عصر Web2 إلى مشاركين، وخلق ذكاء اصطناعي يمكن للجميع امتلاكه. في الوقت نفسه، فإن دمج عالم Web3 مع تقنيات الذكاء الاصطناعي يمكن أن يولد المزيد من التطبيقات المبتكرة وطرق اللعب.

استنادًا إلى تقنية Web3، ستشهد تطوير وتطبيق الذكاء الاصطناعي نظامًا جديدًا من الاقتصاد التعاوني. يمكن ضمان خصوصية بيانات الناس، وتعمل نماذج البيانات الجماعية على تعزيز تقدم نماذج الذكاء الاصطناعي، وتتوفر العديد من موارد الذكاء الاصطناعي مفتوحة المصدر للاستخدام، ويمكن الحصول على القوة الحاسوبية المشتركة بتكلفة منخفضة. بفضل آلية التعاونية اللامركزية ونظام السوق المفتوح للذكاء الاصطناعي، يمكن تحقيق نظام عادل لتوزيع الدخل، مما يحفز المزيد من الأشخاص على دفع تقدم تقنية الذكاء الاصطناعي.

في سيناريوهات Web3، يمكن أن تؤثر الذكاء الاصطناعي بشكل إيجابي في مجالات متعددة. على سبيل المثال، يمكن دمج نماذج الذكاء الاصطناعي في العقود الذكية لزيادة كفاءة العمل في سيناريوهات تطبيقية مختلفة، مثل تحليل السوق، والكشف عن الأمان، وتجميع الشبكات الاجتماعية وغيرها من الوظائف المتعددة. لا تتيح الذكاء الاصطناعي التوليدي للمستخدمين تجربة دور "الفنان" فحسب، مثل استخدام تقنيات الذكاء الاصطناعي لإنشاء NFT الخاصة بهم، بل يمكنها أيضًا إنشاء مشاهد الألعاب المتنوعة والتفاعلات الممتعة 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.

٢. قراءة 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، ويتضمن مستوى البنية التحتية، والمستوى الوسيط، ومستوى التطبيقات، وكل مستوى ينقسم إلى قطاعات مختلفة. في الفصل التالي، سنقوم بتحليل عميق لبعض المشاريع الممثلة.

تغطي طبقة البنية التحتية موارد الحوسبة والهندسة المعمارية التكنولوجية التي تدعم تشغيل دورة حياة الذكاء الاصطناعي بالكامل، بينما 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 مباشرة للمستخدم.

![تقرير شامل عن مسار Web3-AI: تحليل عميق للمنطق التكنولوجي، تطبيقات السيناريو والمشاريع الرائدة]###https://img-cdn.gateio.im/webp-social/moments-ad1811191c5ea0fa48c4b3287f37eaf6.webp(

طبقة البنية التحتية:

طبقة البنية التحتية هي أساس دورة حياة الذكاء الاصطناعي، حيث يتم تصنيف قوة الحوسبة وAI Chain ومنصة التطوير كطبقة البنية التحتية. إن دعم هذه البنية التحتية هو ما يمكّن من تدريب نماذج الذكاء الاصطناعي واستنتاجها، وتقديم تطبيقات الذكاء الاصطناعي القوية والعملية للمستخدمين.

• شبكة الحوسبة اللامركزية: يمكن أن توفر قوة حسابية موزعة لتدريب نماذج الذكاء الاصطناعي، مما يضمن استخدام موارد حسابية فعالة واقتصادية. تقدم بعض المشاريع سوقًا لامركزيًا للقوة الحاسوبية، حيث يمكن للمستخدمين استئجار القوة الحاسوبية بتكاليف منخفضة أو مشاركة القوة الحاسوبية للحصول على أرباح، مثل مشاريع IO.NET وHyperbolic. بالإضافة إلى ذلك، ظهرت بعض المشاريع بأفكار جديدة، مثل Compute Labs، التي اقترحت بروتوكولات توكين، حيث يمكن للمستخدمين من خلال شراء NFTs تمثل وحدات GPU المشاركة بطرق مختلفة في استئجار القوة الحاسوبية لتحقيق الأرباح.

• AI Chain: يستخدم البلوكشين كأساس لدورة حياة الذكاء الاصطناعي، لتحقيق التفاعل السلس بين موارد الذكاء الاصطناعي على السلسلة وخارجها، وتعزيز تطوير النظام البيئي الصناعي. يمكن للسوق اللامركزي للذكاء الاصطناعي على السلسلة تداول أصول الذكاء الاصطناعي مثل البيانات والنماذج والوكلاء، ويوفر إطار تطوير الذكاء الاصطناعي وأدوات تطوير ملائمة، ومن المشاريع الممثلة Sahara AI. يمكن أن يعزز AI Chain أيضًا التقدم التكنولوجي في مجالات الذكاء الاصطناعي المختلفة، مثل Bittensor الذي يعزز المنافسة بين أنواع الذكاء الاصطناعي المختلفة من خلال آلية تحفيز الشبكة الفرعية المبتكرة.

• منصة التطوير: تقدم بعض المشاريع منصة لتطوير الوكلاء الذكاء الاصطناعي، كما يمكنها تنفيذ تداول الوكلاء الذكاء الاصطناعي، مثل Fetch.ai و ChainML وغيرها. توفر الأدوات الشاملة مساعدة أكبر للمطورين في إنشاء وتدريب ونشر نماذج الذكاء الاصطناعي، ومن المشاريع الممثلة Nimble. تعزز هذه البنية التحتية الاستخدام الواسع لتقنية الذكاء الاصطناعي في نظام Web3 البيئي.

الطبقة الوسطى:

تتناول هذه الطبقة بيانات الذكاء الاصطناعي والنماذج وكذلك الاستدلال والتحقق، ويمكن تحقيق كفاءة عمل أعلى باستخدام تقنية Web3.

• البيانات: جودة البيانات وكميتها هما العاملان الرئيسيان اللذان يؤثران على فعالية تدريب النموذج. في عالم Web3، يمكن تحسين استخدام الموارد وتقليل تكاليف البيانات من خلال البيانات المشتركة ومعالجة البيانات التعاونية. يمكن للمستخدمين امتلاك حقوق البيانات، وبيع بياناتهم في ظل حماية الخصوصية، لتجنب سرقة البيانات من قبل تجار غير أخلاقيين وتحقيق أرباح كبيرة. بالنسبة لمتطلبات البيانات، توفر هذه المنصات خيارات واسعة وتكاليف منخفضة للغاية. من بين المشاريع الممثلة مثل Grass التي تستفيد من 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، مثل وضع علامات على الصور وتصنيف البيانات، وقد تتطلب هذه المهام معالجة بيانات مالية وقانونية تتطلب معرفة متخصصة، ويمكن للمستخدمين توكين مهاراتهم لتحقيق التعاون الجماعي في معالجة البيانات. تمثل أسواق الذكاء الاصطناعي مثل Sahara AI مهام البيانات في مجالات مختلفة، ويمكن أن تغطي سيناريوهات بيانات متعددة المجالات؛ بينما يقوم بروتوكول AIT بتسمية البيانات من خلال التعاون بين الإنسان والآلة.

• النموذج: في عملية تطوير الذكاء الاصطناعي التي تم ذكرها سابقًا، تحتاج أنواع مختلفة من المتطلبات إلى مطابقة نماذج مناسبة. النماذج الشائعة في مهام الصور مثل CNN و GAN، ويمكن اختيار سلسلة Yolo لمهام الكشف عن الأهداف، والنماذج الشائعة في مهام النصوص مثل RNN و Transformer، بالطبع هناك أيضًا بعض النماذج الكبيرة المحددة أو العامة. تختلف عمق النماذج المطلوبة لمهام مختلفة حسب تعقيدها، وأحيانًا تحتاج إلى ضبط النموذج.

بعض المشاريع تدعم المستخدمين في توفير 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 نموذج موثوقة في طبقة التخزين وطبقة التوزيع لتحسين النموذج، وأدوات التطوير التي تقدمها Sahara AI تحتوي على خوارزميات AI متقدمة وإطارات حسابية، ولديها القدرة على التدريب التعاوني.

• الاستدلال والتحقق: بعد تدريب النموذج، يتم إنشاء ملفات أوزان النموذج، التي يمكن استخدامها مباشرة في التصنيف أو التنبؤ أو مهام محددة أخرى، وتسمى هذه العملية الاستدلال. عادة ما يصاحب عملية الاستدلال آلية تحقق للتحقق من صحة مصدر النموذج الاستدلالي وما إذا كان هناك سلوك خبيث، إلخ. يمكن دمج الاستدلال في Web3 ضمن العقود الذكية، عن طريق استدعاء النموذج للاستدلال، تشمل طرق التحقق الشائعة تقنيات مثل ZKML و OPML و TEE. من المشاريع الرائدة مثل Oracle AI على سلسلة ORA )OAO(، التي أدخلت OPML كطبقة يمكن التحقق منها لمؤشر الذكاء الاصطناعي، حيث تم الإشارة في الموقع الرسمي لـ ORA إلى أبحاثهم حول دمج ZKML و opp/ai) مع OPML(.

طبقة التطبيق:

هذه الطبقة تستهدف بشكل مباشر تطبيقات المستخدمين، حيث تجمع بين الذكاء الاصطناعي وWeb3، مما يخلق المزيد من الطرق المثيرة والمبتكرة. تتناول هذه المقالة بشكل رئيسي المشاريع في عدة مجالات مثل AIGC)، المحتوى الذي يتم إنشاؤه بواسطة الذكاء الاصطناعي (، الوكلاء الذكائيون وتحليل البيانات.

• AIGC: يمكن توسيع AIGC إلى مجالات مثل NFT والألعاب في Web3، حيث يمكن للمستخدمين إنشاء نصوص وصور وصوتيات مباشرة من الكلمات المفتاحية التي يقدمها المستخدم عبر Prompt)، وحتى يمكنهم إنشاء طرق لعب مخصصة في الألعاب وفقًا لتفضيلاتهم. مشاريع NFT مثل NFPrompt، يمكن للمستخدمين من خلالها إنشاء NFT بواسطة الذكاء الاصطناعي وتداولها في السوق؛ ألعاب مثل Sleepless، يقوم المستخدمون بتشكيل شخصية رفيقهم الافتراضي من خلال الحوار لتتناسب مع تفضيلاتهم؛

• وكيل الذكاء الاصطناعي: يشير إلى أنظمة الذكاء الاصطناعي القادرة على تنفيذ المهام واتخاذ القرارات بشكل مستقل. عادةً ما تتمتع وكلاء الذكاء الاصطناعي بقدرات الإدراك والاستنتاج والتعلم والعمل، ويمكنها تنفيذ مهام معقدة في بيئات متنوعة. ومن الأمثلة الشائعة لوكلاء الذكاء الاصطناعي ترجمة اللغات، تعلم اللغة، تحويل الصور إلى نصوص، وما إلى ذلك. في سيناريوهات Web3، يمكن أن تنتج الروبوتات التجارية، وإنشاء صور Meme، واختبار الأمان على السلسلة، وغيرها. مثل MyShell كمنصة لوكلاء الذكاء الاصطناعي، توفر أنواعًا متعددة من الوكلاء، بما في ذلك التعلم التعليمي، والرفقاء الافتراضيين، ووكلاء التداول، كما أنها توفر أدوات تطوير وكلاء سهلة الاستخدام، مما يسمح ببناء وكيل خاص بك دون الحاجة إلى البرمجة.

• تحليل البيانات: من خلال دمج تقنيات الذكاء الاصطناعي وقواعد البيانات ذات الصلة، لتحقيق تحليل البيانات، والتقييم، والتنبؤ، وما إلى ذلك، في Web3، يمكن من خلال تحليل بيانات السوق، وحركة الأموال الذكية، دعم المستخدمين في اتخاذ قرارات استثمارية. كما أن توقعات الرموز هي أيضًا سيناريو تطبيق فريد في Web3، حيث تمثل مشاريع مثل Ocean، وقد قامت الجهة الرسمية بتحديد توقعات الرموز الطويلة.