مشاريع ويب 3 التي تتعلق بمفهوم الذكاء الاصطناعي أصبحت أهداف جذب استثمارات في الأسواق الأولية والثانوية.
تظهر فرص Web3 في صناعة الذكاء الاصطناعي من خلال: استخدام الحوافز الموزعة لتنسيق العرض المحتمل في ذيل طويل------عبر البيانات، والتخزين، والحوسبة؛ في الوقت نفسه، إنشاء نموذج مفتوح المصدر وسوق لامركزي لوكلاء الذكاء الاصطناعي.
تستخدم الذكاء الاصطناعي في صناعة Web3 بشكل رئيسي في التمويل القائم على السلسلة (المدفوعات المشفرة، التداول، تحليل البيانات) وكذلك في دعم التطوير.
تظهر فائدة AI + Web3 في تكامل الاثنين: من المتوقع أن يتصدى Web3 لتركز AI ، ومن المتوقع أن تساعد AI Web3 في كسر الحواجز.
على مدار العامين الماضيين، تطور الذكاء الاصطناعي كما لو كان قد تم الضغط على زر التسريع، حيث أن جناح الفراشة الذي أثاره Chatgpt لم يفتح فقط عالماً جديداً للذكاء الاصطناعي التوليدي، بل أثار أيضاً موجة في الجانب الآخر من Web3.
تحت تأثير مفهوم الذكاء الاصطناعي، لوحظ انتعاش واضح في تمويل سوق العملات المشفرة الذي يشهد تباطؤًا. ووفقًا لإحصائيات وسائل الإعلام، تم إكمال 64 مشروعًا من Web3 + AI في النصف الأول من عام 2024، حيث حقق نظام التشغيل المعتمد على الذكاء الاصطناعي Zyber365 أعلى مبلغ تمويل في الجولة A وهو 100 مليون دولار.
السوق الثانوية أكثر ازدهارًا، وتظهر بيانات موقع تجميع العملات المشفرة أن القيمة السوقية الإجمالية لمجال الذكاء الاصطناعي قد بلغت 48.5 مليار دولار في أقل من عام، بينما تقترب حجم التداول خلال 24 ساعة من 8.6 مليار دولار؛ الفوائد الناتجة عن تقدم تقنيات الذكاء الاصطناعي واضحة، حيث ارتفع متوسط سعر قطاع الذكاء الاصطناعي بنسبة 151% بعد إصدار نموذج OpenAI Sora لتحويل النص إلى فيديو؛ كما أن تأثير الذكاء الاصطناعي يمتد أيضًا إلى قطاع العملات المشفرة الجاذبة للأموال، أحدها Meme: حيث حقق أول مفهوم لعملة MemeCoin المعتمد على الذكاء الاصطناعي ------ GOAT شهرة سريعة وحصل على تقييم بقيمة 1.4 مليار دولار، مما أدى إلى إطلاق موجة من Memes الذكاء الاصطناعي.
تعتبر الأبحاث والمواضيع المتعلقة بـ AI+Web3 رائجة بنفس القدر، من AI+Depin إلى AI Memecoin وصولاً إلى AI Agent و AI DAO الحالية، فإن شعور FOMO لم يعد قادراً على مواكبة سرعة تبديلات السرد الجديدة.
AI+Web3، هذا التركيب اللفظي المليء بالمال الساخن، والفرص المستقبلية والأحلام، لا مفر من أن يُنظر إليه على أنه زواج مُرتب من قبل رأس المال، يبدو أنه من الصعب علينا التمييز تحت هذه العباءة الفاخرة، هل هي ساحة المضاربين أم ليلة الانفجار في الفجر؟
للإجابة على هذا السؤال، فإن التفكير الذي يعد حاسمًا لكلا الطرفين هو: هل سيكون الوضع أفضل مع الطرف الآخر؟ هل يمكن الاستفادة من نمط الطرف الآخر؟ في هذه المقالة، نحاول أيضًا أن نقف على أكتاف السابقين لنتفحص هذا النمط: كيف يمكن لـ Web3 أن يلعب دورًا في جميع جوانب تكنولوجيا الذكاء الاصطناعي، وما الذي يمكن أن يجلبه الذكاء الاصطناعي إلى Web3 من حيوية جديدة؟
الجزء 1 ما هي الفرص في Web3 تحت كومة AI؟
قبل مناقشة هذا الموضوع، نحتاج إلى فهم كومة التكنولوجيا لنماذج الذكاء الاصطناعي الكبيرة:
استخدم لغة أكثر بساطة لوصف العملية بأكملها: "النموذج الكبير" يشبه دماغ الإنسان، في المرحلة المبكرة، ينتمي هذا الدماغ إلى طفل حديث الولادة، يحتاج إلى مراقبة واستيعاب كميات هائلة من المعلومات الخارجية لفهم هذا العالم، وهذه هي مرحلة "جمع البيانات"؛ نظرًا لأن الحواسيب تفتقر إلى الحواس المتعددة مثل الرؤية والسمع البشري، قبل التدريب، يجب تحويل المعلومات الخارجية الضخمة وغير المعلّمة إلى تنسيق معلومات يمكن للحواسيب فهمه واستخدامه من خلال "المعالجة المسبقة".
بعد إدخال البيانات، يقوم الذكاء الاصطناعي من خلال "التدريب" ببناء نموذج يتمتع بقدرة على الفهم والتنبؤ، ويمكن اعتباره كعملية فهم وتعلم العالم الخارجي تدريجياً من قبل طفل. تعتبر معلمات النموذج مثل القدرة اللغوية التي يتم تعديلها باستمرار خلال عملية تعلم الطفل. عندما تبدأ محتويات التعلم في التخصص، أو عند التواصل مع الآخرين للحصول على ملاحظات وتصحيحات، يدخل في مرحلة "التعديل الدقيق" للنموذج الكبير.
عندما يزداد الأطفال في العمر ويتعلمون التحدث، يمكنهم فهم المعاني والتعبير عن مشاعرهم وأفكارهم في محادثات جديدة، وهذه المرحلة تشبه "الاستدلال" في نماذج الذكاء الاصطناعي الكبيرة، حيث يمكن للنموذج التنبؤ وتحليل المدخلات الجديدة من اللغة والنصوص. يعبر الأطفال من خلال القدرة اللغوية عن مشاعرهم، ويصفون الأشياء، ويحلون مختلف المشاكل، وهذا يشبه أيضًا كيفية تطبيق نماذج الذكاء الاصطناعي الكبيرة على مهام محددة بعد الانتهاء من التدريب، مثل تصنيف الصور، والتعرف على الكلام، وما إلى ذلك.
ووكيل الذكاء الاصطناعي يقترب أكثر من الشكل التالي للنموذج الكبير - القدرة على تنفيذ المهام بشكل مستقل والسعي لتحقيق أهداف معقدة، ليس فقط يمتلك قدرة التفكير، بل يمكنه أيضًا التذكر والتخطيط، ويمكنه استخدام الأدوات والتفاعل مع العالم.
حاليًا، وبالنظر إلى نقاط الألم المتعلقة بالذكاء الاصطناعي في مختلف الطبقات، فإن Web3 قد شكلت في الوقت الحالي نظامًا بيئيًا متعدد الطبقات ومتصلًا، يغطي جميع مراحل عملية نماذج الذكاء الاصطناعي.
واحد، الطبقة الأساسية: إير بي أن بي للقوة الحسابية والبيانات
قوة الحسابات
حاليًا، أحد أعلى التكاليف في الذكاء الاصطناعي هو القدرة الحاسوبية والطاقة المطلوبة لتدريب النماذج واستنتاجها.
مثال على ذلك هو أن LLAMA3 من Meta يحتاج إلى 16000 وحدة معالجة رسومات H100GPU التي تنتجها NVIDIA (وهي وحدة معالجة رسومات رائدة مصممة خصيصًا لأعباء العمل في الذكاء الاصطناعي والحوسبة عالية الأداء). يستغرق التدريب 30 يومًا. سعر النسخة 80GB يتراوح بين 30000 و40000 دولار، مما يتطلب استثمارًا في أجهزة الحوسبة يتراوح بين 400 إلى 700 مليون دولار (GPU + شرائح الشبكة)، في حين أن التدريب الشهري يستهلك 1.6 مليار كيلوواط ساعة، مما يتسبب في نفقات طاقة تصل إلى حوالي 20 مليون دولار شهريًا.
بالنسبة لفك الضغط عن قوة الذكاء الاصطناعي، فإنها تمثل بالفعل أحد المجالات الأولى التي تتقاطع فيها Web3 مع الذكاء الاصطناعي - شبكة DePin (البنية التحتية المادية اللامركزية). حالياً، قام موقع بيانات DePin معين بعرض أكثر من 1400 مشروع، ومن بين المشاريع الرائدة في مشاركة قوة GPU نجد io.net و Aethir و Akash و Render Network وغيرها.
المنطق الرئيسي هنا هو: يسمح النظام للأفراد أو الكيانات التي تمتلك موارد GPU غير المستغلة بالمساهمة بقدرتها الحاسوبية بطريقة لا تتطلب إذن، من خلال سوق عبر الإنترنت للباعة والمشترين مشابه لـ Uber أو Airbnb، مما يعزز من معدل استخدام موارد GPU غير المستغلة، وبالتالي يحصل المستخدم النهائي على موارد حسابية فعالة بتكاليف أقل؛ في الوقت نفسه، تضمن آلية الإيداع أنه إذا حدثت انتهاكات لآلية مراقبة الجودة أو انقطعت الشبكة، فإن مقدمي الموارد سيتعرضون للعقوبات المناسبة.
تتميز بـ:
تجمع موارد GPU غير المستخدمة: الجهة الموردة هي بشكل رئيسي مراكز بيانات صغيرة ومتوسطة مستقلة، ومشغلي مناجم التشفير، وما إلى ذلك، والتي تحتوي على موارد قوة حسابية زائدة، وآلية التوافق هي أجهزة تعدين PoS، مثل أجهزة تعدين FileCoin و ETH. حاليًا، هناك مشاريع تسعى لإطلاق أجهزة ذات عوائق دخول أقل، مثل exolab التي تستخدم MacBook و iPhone و iPad لإنشاء شبكة قوة حسابية لتشغيل استدلال النماذج الكبيرة.
مواجهة سوق الذيل الطويل لقدرة الذكاء الاصطناعي:
أ. "من حيث الجانب التكنولوجي" فإن سوق القوة الحاسوبية اللامركزية أكثر ملاءمة لخطوات الاستدلال. التدريب يعتمد بشكل أكبر على قدرة معالجة البيانات التي توفرها تجمعات GPU الضخمة، بينما الأداء الحاسوبي لوحدة معالجة الرسوميات أقل نسبيًا في الاستدلال، مثل Aethir التي تركز على أعمال العرض ذات الكمون المنخفض وتطبيقات الاستدلال بالذكاء الاصطناعي.
b. من جهة الطلب، فإن الجهات التي لديها قوة حوسبة متوسطة لن تدرب نماذجها الكبيرة بشكل منفصل، بل ستختار فقط تحسين وتعديل النماذج الكبيرة القليلة الرائدة، وهذه السيناريوهات تناسب بشكل طبيعي موارد الحوسبة الموزعة غير المستخدمة.
الملكية اللامركزية: المعنى التكنولوجي للبلوك تشين هو أن مالكي الموارد يحتفظون دائمًا بالسيطرة على مواردهم، مما يسمح لهم بتعديلها بشكل مرن وفقًا للطلب، وفي الوقت نفسه تحقيق الأرباح.
البيانات
البيانات هي أساس الذكاء الاصطناعي. إذا لم تكن هناك بيانات، فإن الحساب سيكون بلا جدوى مثل العشب العائم، وعلاقة البيانات بالنموذج تشبه قول "المدخلات غير الجيدة تؤدي إلى مخرجات غير جيدة". إن كمية البيانات وجودة المدخلات تحدد جودة مخرجات النموذج النهائي. بالنسبة لتدريب نماذج الذكاء الاصطناعي الحالية، تحدد البيانات القدرة اللغوية للنموذج، والقدرة على الفهم، وحتى القيم والمظاهر الإنسانية. حاليًا، تتركز أزمة احتياجات البيانات للذكاء الاصطناعي في أربعة مجالات رئيسية:
جوع البيانات: يعتمد تدريب نماذج الذكاء الاصطناعي على كميات كبيرة من المدخلات البيانية. تظهر البيانات العامة أن OpenAI قامت بتدريب GPT-4 بكمية من المعلمات وصلت إلى تريليونات.
جودة البيانات: مع دمج الذكاء الاصطناعي في مختلف الصناعات، أصبح هناك متطلبات جديدة لجودة البيانات تتعلق بملاءمة البيانات، تنوع البيانات، تخصص البيانات العمودية، ومصادر البيانات الناشئة مثل استيعاب مشاعر وسائل التواصل الاجتماعي.
مسائل الخصوصية والامتثال: في الوقت الحالي، بدأت الدول والشركات المختلفة تدرك أهمية مجموعات البيانات عالية الجودة، وهي تفرض قيودًا على جمع البيانات.
تكلفة معالجة البيانات مرتفعة: حجم البيانات كبير، وعملية المعالجة معقدة. تظهر البيانات العامة أن أكثر من 30% من تكلفة البحث والتطوير لشركات الذكاء الاصطناعي تُستخدم لجمع البيانات الأساسية ومعالجتها.
حالياً، تجسد حلول الويب 3 في الجوانب الأربعة التالية:
جمع البيانات: البيانات الحقيقية التي يمكن جمعها مجانًا تتناقص بسرعة، وتزداد نفقات الشركات التي تعمل في مجال الذكاء الاصطناعي لدفع ثمن البيانات عامًا بعد عام. ولكن في الوقت نفسه، لم تُعاد هذه النفقات إلى المساهمين الحقيقيين في البيانات، حيث تتمتع المنصات بالكامل بقيمة البيانات المولدة، مثل Reddit التي حققت إيرادات إجمالية قدرها 203 مليون دولار من خلال اتفاقيات ترخيص البيانات مع شركات الذكاء الاصطناعي.
تمكين المستخدمين الذين يساهمون حقًا في المشاركة أيضًا في خلق القيمة الناتجة عن البيانات، وكذلك الحصول على بيانات أكثر خصوصية وقيمة من المستخدمين بطريقة منخفضة التكلفة من خلال الشبكة الموزعة وآليات التحفيز، هو رؤية Web3.
مثل Grass هو طبقة بيانات وشبكة غير مركزية، يمكن للمستخدمين من خلال تشغيل عقد Grass المساهمة في عرض النطاق الترددي الفائض ونقل البيانات لالتقاط البيانات الحية من الإنترنت بالكامل، والحصول على مكافآت رمزية؛
قامت Vana بإدخال مفهوم فريد لمجمع سيولة البيانات (DLP)، حيث يمكن للمستخدمين رفع بياناتهم الشخصية (مثل سجلات التسوق، عادات التصفح، نشاطات وسائل التواصل الاجتماعي، وغيرها) إلى DLP محدد، واختيار مرونة ما إذا كانوا سيمنحون هذه البيانات إذن الاستخدام لطرف ثالث معين؛
في PublicAI، يمكن للمستخدمين استخدام #AI 或#Web3 كعلامة تصنيف على X و@PublicAI لجمع البيانات.
معالجة البيانات: خلال عملية معالجة البيانات في الذكاء الاصطناعي، نظرًا لأن البيانات المجمعة غالبًا ما تكون فوضوية وتحتوي على أخطاء، يجب تنظيفها وتحويلها إلى صيغة قابلة للاستخدام قبل تدريب النموذج، مما يتضمن مهام متكررة مثل التوحيد والترشيح ومعالجة القيم المفقودة. هذه المرحلة هي واحدة من القليل من الخطوات اليدوية في صناعة الذكاء الاصطناعي، وقد نشأت منها مهنة مُعَلِّم البيانات، ومع تزايد متطلبات الجودة من النماذج، يرتفع مستوى الدخول لمهنة مُعَلِّم البيانات، وهذه المهمة مناسبة بطبيعتها لآلية التحفيز اللامركزية في Web3.
حالياً، يقوم Grass و OpenLayer بدراسة الانضمام إلى هذه المرحلة الحاسمة من وضع علامات البيانات.
قدمت Synesis مفهوم "Train2earn"، حيث أكدت على جودة البيانات، ويمكن للمستخدمين الحصول على مكافآت من خلال تقديم بيانات موسومة، أو تعليقات، أو أشكال أخرى من المدخلات.
مشروع وسم البيانات Sapien يقوم بت gamification لمهام الوسم، ويسمح للمستخدمين برهن النقاط لكسب المزيد من النقاط.
3، خصوصية البيانات والأمان: من الضروري توضيح أن خصوصية البيانات والأمان هما مفهومين مختلفين. تتعلق خصوصية البيانات بمعالجة البيانات الحساسة، بينما يحمي الأمان المعلومات من الوصول غير المصرح به، والتدمير، والسرقة. ومن ثم، فإن مزايا تقنيات الخصوصية في Web3 والسيناريوهات المحتملة لتطبيقها تنعكس في جانبين: (1) تدريب البيانات الحساسة؛ (2) التعاون في البيانات: يمكن لمالكي البيانات المتعددين المشاركة معًا في تدريب الذكاء الاصطناعي دون الحاجة إلى مشاركة بياناتهم الأصلية.
تشمل تقنيات الخصوصية الأكثر شيوعًا في Web3 حاليًا:
بيئة تنفيذ موثوقة ( TEE )، مثل بروتوكول سوبر؛
تشفير متجانس بالكامل (FHE)، مثل BasedAI أو Fhenix.io أو Inco Network؛
تقنية المعرفة الصفرية (zk)، مثل بروتوكول Reclaim الذي يستخدم تقنية zkTLS، تولد إثباتات المعرفة الصفرية لحركة مرور HTTPS، مما يسمح للمستخدمين باستيراد الأنشطة وسمعة البيانات وهوياتهم من مواقع الويب الخارجية بأمان، دون الكشف عن المعلومات الحساسة.
ومع ذلك، لا يزال هذا المجال في مرحلة مبكرة، ولا تزال معظم المشاريع قيد الاستكشاف، وأحد التحديات الحالية هو التكلفة العالية للحوسبة، ومن الأمثلة على ذلك:
zkML إطار
شاهد النسخة الأصلية
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
تسجيلات الإعجاب 8
أعجبني
8
7
مشاركة
تعليق
0/400
NestedFox
· منذ 9 س
هل بدأت التداول؟ الآن جميع المشاريع تتضمن الذكاء الاصطناعي.
شاهد النسخة الأصليةرد0
TokenToaster
· منذ 9 س
مجرد مضاربة على الموجة
شاهد النسخة الأصليةرد0
CryptoSurvivor
· منذ 9 س
هذه الموجة مستقرة، يجب أن نعمل على المزيد من العملات المتعلقة بالذكاء الاصطناعي
شاهد النسخة الأصليةرد0
GateUser-cff9c776
· منذ 9 س
web3 لا يزال يريد إنقاذ ai؟ اللامركزية الشائكة
شاهد النسخة الأصليةرد0
DaoGovernanceOfficer
· منذ 9 س
*sigh* من الناحية التجريبية، هذا مجرد مسرحية لامركزية 2.0
دمج الذكاء الاصطناعي + Web3: استكشاف فرص جديدة في قوة الحوسبة اللامركزية والبيانات
الذكاء الاصطناعي + ويب 3: الأبراج والساحات
ملخص
مشاريع ويب 3 التي تتعلق بمفهوم الذكاء الاصطناعي أصبحت أهداف جذب استثمارات في الأسواق الأولية والثانوية.
تظهر فرص Web3 في صناعة الذكاء الاصطناعي من خلال: استخدام الحوافز الموزعة لتنسيق العرض المحتمل في ذيل طويل------عبر البيانات، والتخزين، والحوسبة؛ في الوقت نفسه، إنشاء نموذج مفتوح المصدر وسوق لامركزي لوكلاء الذكاء الاصطناعي.
تستخدم الذكاء الاصطناعي في صناعة Web3 بشكل رئيسي في التمويل القائم على السلسلة (المدفوعات المشفرة، التداول، تحليل البيانات) وكذلك في دعم التطوير.
تظهر فائدة AI + Web3 في تكامل الاثنين: من المتوقع أن يتصدى Web3 لتركز AI ، ومن المتوقع أن تساعد AI Web3 في كسر الحواجز.
! الذكاء الاصطناعي+Web3: الأبراج والساحات
المقدمة
على مدار العامين الماضيين، تطور الذكاء الاصطناعي كما لو كان قد تم الضغط على زر التسريع، حيث أن جناح الفراشة الذي أثاره Chatgpt لم يفتح فقط عالماً جديداً للذكاء الاصطناعي التوليدي، بل أثار أيضاً موجة في الجانب الآخر من Web3.
تحت تأثير مفهوم الذكاء الاصطناعي، لوحظ انتعاش واضح في تمويل سوق العملات المشفرة الذي يشهد تباطؤًا. ووفقًا لإحصائيات وسائل الإعلام، تم إكمال 64 مشروعًا من Web3 + AI في النصف الأول من عام 2024، حيث حقق نظام التشغيل المعتمد على الذكاء الاصطناعي Zyber365 أعلى مبلغ تمويل في الجولة A وهو 100 مليون دولار.
السوق الثانوية أكثر ازدهارًا، وتظهر بيانات موقع تجميع العملات المشفرة أن القيمة السوقية الإجمالية لمجال الذكاء الاصطناعي قد بلغت 48.5 مليار دولار في أقل من عام، بينما تقترب حجم التداول خلال 24 ساعة من 8.6 مليار دولار؛ الفوائد الناتجة عن تقدم تقنيات الذكاء الاصطناعي واضحة، حيث ارتفع متوسط سعر قطاع الذكاء الاصطناعي بنسبة 151% بعد إصدار نموذج OpenAI Sora لتحويل النص إلى فيديو؛ كما أن تأثير الذكاء الاصطناعي يمتد أيضًا إلى قطاع العملات المشفرة الجاذبة للأموال، أحدها Meme: حيث حقق أول مفهوم لعملة MemeCoin المعتمد على الذكاء الاصطناعي ------ GOAT شهرة سريعة وحصل على تقييم بقيمة 1.4 مليار دولار، مما أدى إلى إطلاق موجة من Memes الذكاء الاصطناعي.
تعتبر الأبحاث والمواضيع المتعلقة بـ AI+Web3 رائجة بنفس القدر، من AI+Depin إلى AI Memecoin وصولاً إلى AI Agent و AI DAO الحالية، فإن شعور FOMO لم يعد قادراً على مواكبة سرعة تبديلات السرد الجديدة.
AI+Web3، هذا التركيب اللفظي المليء بالمال الساخن، والفرص المستقبلية والأحلام، لا مفر من أن يُنظر إليه على أنه زواج مُرتب من قبل رأس المال، يبدو أنه من الصعب علينا التمييز تحت هذه العباءة الفاخرة، هل هي ساحة المضاربين أم ليلة الانفجار في الفجر؟
للإجابة على هذا السؤال، فإن التفكير الذي يعد حاسمًا لكلا الطرفين هو: هل سيكون الوضع أفضل مع الطرف الآخر؟ هل يمكن الاستفادة من نمط الطرف الآخر؟ في هذه المقالة، نحاول أيضًا أن نقف على أكتاف السابقين لنتفحص هذا النمط: كيف يمكن لـ Web3 أن يلعب دورًا في جميع جوانب تكنولوجيا الذكاء الاصطناعي، وما الذي يمكن أن يجلبه الذكاء الاصطناعي إلى Web3 من حيوية جديدة؟
الجزء 1 ما هي الفرص في Web3 تحت كومة AI؟
قبل مناقشة هذا الموضوع، نحتاج إلى فهم كومة التكنولوجيا لنماذج الذكاء الاصطناعي الكبيرة:
استخدم لغة أكثر بساطة لوصف العملية بأكملها: "النموذج الكبير" يشبه دماغ الإنسان، في المرحلة المبكرة، ينتمي هذا الدماغ إلى طفل حديث الولادة، يحتاج إلى مراقبة واستيعاب كميات هائلة من المعلومات الخارجية لفهم هذا العالم، وهذه هي مرحلة "جمع البيانات"؛ نظرًا لأن الحواسيب تفتقر إلى الحواس المتعددة مثل الرؤية والسمع البشري، قبل التدريب، يجب تحويل المعلومات الخارجية الضخمة وغير المعلّمة إلى تنسيق معلومات يمكن للحواسيب فهمه واستخدامه من خلال "المعالجة المسبقة".
بعد إدخال البيانات، يقوم الذكاء الاصطناعي من خلال "التدريب" ببناء نموذج يتمتع بقدرة على الفهم والتنبؤ، ويمكن اعتباره كعملية فهم وتعلم العالم الخارجي تدريجياً من قبل طفل. تعتبر معلمات النموذج مثل القدرة اللغوية التي يتم تعديلها باستمرار خلال عملية تعلم الطفل. عندما تبدأ محتويات التعلم في التخصص، أو عند التواصل مع الآخرين للحصول على ملاحظات وتصحيحات، يدخل في مرحلة "التعديل الدقيق" للنموذج الكبير.
عندما يزداد الأطفال في العمر ويتعلمون التحدث، يمكنهم فهم المعاني والتعبير عن مشاعرهم وأفكارهم في محادثات جديدة، وهذه المرحلة تشبه "الاستدلال" في نماذج الذكاء الاصطناعي الكبيرة، حيث يمكن للنموذج التنبؤ وتحليل المدخلات الجديدة من اللغة والنصوص. يعبر الأطفال من خلال القدرة اللغوية عن مشاعرهم، ويصفون الأشياء، ويحلون مختلف المشاكل، وهذا يشبه أيضًا كيفية تطبيق نماذج الذكاء الاصطناعي الكبيرة على مهام محددة بعد الانتهاء من التدريب، مثل تصنيف الصور، والتعرف على الكلام، وما إلى ذلك.
ووكيل الذكاء الاصطناعي يقترب أكثر من الشكل التالي للنموذج الكبير - القدرة على تنفيذ المهام بشكل مستقل والسعي لتحقيق أهداف معقدة، ليس فقط يمتلك قدرة التفكير، بل يمكنه أيضًا التذكر والتخطيط، ويمكنه استخدام الأدوات والتفاعل مع العالم.
! الذكاء الاصطناعي+Web3: الأبراج والمربعات
حاليًا، وبالنظر إلى نقاط الألم المتعلقة بالذكاء الاصطناعي في مختلف الطبقات، فإن Web3 قد شكلت في الوقت الحالي نظامًا بيئيًا متعدد الطبقات ومتصلًا، يغطي جميع مراحل عملية نماذج الذكاء الاصطناعي.
واحد، الطبقة الأساسية: إير بي أن بي للقوة الحسابية والبيانات
قوة الحسابات
حاليًا، أحد أعلى التكاليف في الذكاء الاصطناعي هو القدرة الحاسوبية والطاقة المطلوبة لتدريب النماذج واستنتاجها.
مثال على ذلك هو أن LLAMA3 من Meta يحتاج إلى 16000 وحدة معالجة رسومات H100GPU التي تنتجها NVIDIA (وهي وحدة معالجة رسومات رائدة مصممة خصيصًا لأعباء العمل في الذكاء الاصطناعي والحوسبة عالية الأداء). يستغرق التدريب 30 يومًا. سعر النسخة 80GB يتراوح بين 30000 و40000 دولار، مما يتطلب استثمارًا في أجهزة الحوسبة يتراوح بين 400 إلى 700 مليون دولار (GPU + شرائح الشبكة)، في حين أن التدريب الشهري يستهلك 1.6 مليار كيلوواط ساعة، مما يتسبب في نفقات طاقة تصل إلى حوالي 20 مليون دولار شهريًا.
بالنسبة لفك الضغط عن قوة الذكاء الاصطناعي، فإنها تمثل بالفعل أحد المجالات الأولى التي تتقاطع فيها Web3 مع الذكاء الاصطناعي - شبكة DePin (البنية التحتية المادية اللامركزية). حالياً، قام موقع بيانات DePin معين بعرض أكثر من 1400 مشروع، ومن بين المشاريع الرائدة في مشاركة قوة GPU نجد io.net و Aethir و Akash و Render Network وغيرها.
المنطق الرئيسي هنا هو: يسمح النظام للأفراد أو الكيانات التي تمتلك موارد GPU غير المستغلة بالمساهمة بقدرتها الحاسوبية بطريقة لا تتطلب إذن، من خلال سوق عبر الإنترنت للباعة والمشترين مشابه لـ Uber أو Airbnb، مما يعزز من معدل استخدام موارد GPU غير المستغلة، وبالتالي يحصل المستخدم النهائي على موارد حسابية فعالة بتكاليف أقل؛ في الوقت نفسه، تضمن آلية الإيداع أنه إذا حدثت انتهاكات لآلية مراقبة الجودة أو انقطعت الشبكة، فإن مقدمي الموارد سيتعرضون للعقوبات المناسبة.
تتميز بـ:
تجمع موارد GPU غير المستخدمة: الجهة الموردة هي بشكل رئيسي مراكز بيانات صغيرة ومتوسطة مستقلة، ومشغلي مناجم التشفير، وما إلى ذلك، والتي تحتوي على موارد قوة حسابية زائدة، وآلية التوافق هي أجهزة تعدين PoS، مثل أجهزة تعدين FileCoin و ETH. حاليًا، هناك مشاريع تسعى لإطلاق أجهزة ذات عوائق دخول أقل، مثل exolab التي تستخدم MacBook و iPhone و iPad لإنشاء شبكة قوة حسابية لتشغيل استدلال النماذج الكبيرة.
مواجهة سوق الذيل الطويل لقدرة الذكاء الاصطناعي:
أ. "من حيث الجانب التكنولوجي" فإن سوق القوة الحاسوبية اللامركزية أكثر ملاءمة لخطوات الاستدلال. التدريب يعتمد بشكل أكبر على قدرة معالجة البيانات التي توفرها تجمعات GPU الضخمة، بينما الأداء الحاسوبي لوحدة معالجة الرسوميات أقل نسبيًا في الاستدلال، مثل Aethir التي تركز على أعمال العرض ذات الكمون المنخفض وتطبيقات الاستدلال بالذكاء الاصطناعي.
b. من جهة الطلب، فإن الجهات التي لديها قوة حوسبة متوسطة لن تدرب نماذجها الكبيرة بشكل منفصل، بل ستختار فقط تحسين وتعديل النماذج الكبيرة القليلة الرائدة، وهذه السيناريوهات تناسب بشكل طبيعي موارد الحوسبة الموزعة غير المستخدمة.
البيانات
البيانات هي أساس الذكاء الاصطناعي. إذا لم تكن هناك بيانات، فإن الحساب سيكون بلا جدوى مثل العشب العائم، وعلاقة البيانات بالنموذج تشبه قول "المدخلات غير الجيدة تؤدي إلى مخرجات غير جيدة". إن كمية البيانات وجودة المدخلات تحدد جودة مخرجات النموذج النهائي. بالنسبة لتدريب نماذج الذكاء الاصطناعي الحالية، تحدد البيانات القدرة اللغوية للنموذج، والقدرة على الفهم، وحتى القيم والمظاهر الإنسانية. حاليًا، تتركز أزمة احتياجات البيانات للذكاء الاصطناعي في أربعة مجالات رئيسية:
جوع البيانات: يعتمد تدريب نماذج الذكاء الاصطناعي على كميات كبيرة من المدخلات البيانية. تظهر البيانات العامة أن OpenAI قامت بتدريب GPT-4 بكمية من المعلمات وصلت إلى تريليونات.
جودة البيانات: مع دمج الذكاء الاصطناعي في مختلف الصناعات، أصبح هناك متطلبات جديدة لجودة البيانات تتعلق بملاءمة البيانات، تنوع البيانات، تخصص البيانات العمودية، ومصادر البيانات الناشئة مثل استيعاب مشاعر وسائل التواصل الاجتماعي.
مسائل الخصوصية والامتثال: في الوقت الحالي، بدأت الدول والشركات المختلفة تدرك أهمية مجموعات البيانات عالية الجودة، وهي تفرض قيودًا على جمع البيانات.
تكلفة معالجة البيانات مرتفعة: حجم البيانات كبير، وعملية المعالجة معقدة. تظهر البيانات العامة أن أكثر من 30% من تكلفة البحث والتطوير لشركات الذكاء الاصطناعي تُستخدم لجمع البيانات الأساسية ومعالجتها.
حالياً، تجسد حلول الويب 3 في الجوانب الأربعة التالية:
تمكين المستخدمين الذين يساهمون حقًا في المشاركة أيضًا في خلق القيمة الناتجة عن البيانات، وكذلك الحصول على بيانات أكثر خصوصية وقيمة من المستخدمين بطريقة منخفضة التكلفة من خلال الشبكة الموزعة وآليات التحفيز، هو رؤية Web3.
مثل Grass هو طبقة بيانات وشبكة غير مركزية، يمكن للمستخدمين من خلال تشغيل عقد Grass المساهمة في عرض النطاق الترددي الفائض ونقل البيانات لالتقاط البيانات الحية من الإنترنت بالكامل، والحصول على مكافآت رمزية؛
قامت Vana بإدخال مفهوم فريد لمجمع سيولة البيانات (DLP)، حيث يمكن للمستخدمين رفع بياناتهم الشخصية (مثل سجلات التسوق، عادات التصفح، نشاطات وسائل التواصل الاجتماعي، وغيرها) إلى DLP محدد، واختيار مرونة ما إذا كانوا سيمنحون هذه البيانات إذن الاستخدام لطرف ثالث معين؛
في PublicAI، يمكن للمستخدمين استخدام #AI 或#Web3 كعلامة تصنيف على X و@PublicAI لجمع البيانات.
حالياً، يقوم Grass و OpenLayer بدراسة الانضمام إلى هذه المرحلة الحاسمة من وضع علامات البيانات.
قدمت Synesis مفهوم "Train2earn"، حيث أكدت على جودة البيانات، ويمكن للمستخدمين الحصول على مكافآت من خلال تقديم بيانات موسومة، أو تعليقات، أو أشكال أخرى من المدخلات.
مشروع وسم البيانات Sapien يقوم بت gamification لمهام الوسم، ويسمح للمستخدمين برهن النقاط لكسب المزيد من النقاط.
3، خصوصية البيانات والأمان: من الضروري توضيح أن خصوصية البيانات والأمان هما مفهومين مختلفين. تتعلق خصوصية البيانات بمعالجة البيانات الحساسة، بينما يحمي الأمان المعلومات من الوصول غير المصرح به، والتدمير، والسرقة. ومن ثم، فإن مزايا تقنيات الخصوصية في Web3 والسيناريوهات المحتملة لتطبيقها تنعكس في جانبين: (1) تدريب البيانات الحساسة؛ (2) التعاون في البيانات: يمكن لمالكي البيانات المتعددين المشاركة معًا في تدريب الذكاء الاصطناعي دون الحاجة إلى مشاركة بياناتهم الأصلية.
تشمل تقنيات الخصوصية الأكثر شيوعًا في Web3 حاليًا:
بيئة تنفيذ موثوقة ( TEE )، مثل بروتوكول سوبر؛
تشفير متجانس بالكامل (FHE)، مثل BasedAI أو Fhenix.io أو Inco Network؛
تقنية المعرفة الصفرية (zk)، مثل بروتوكول Reclaim الذي يستخدم تقنية zkTLS، تولد إثباتات المعرفة الصفرية لحركة مرور HTTPS، مما يسمح للمستخدمين باستيراد الأنشطة وسمعة البيانات وهوياتهم من مواقع الويب الخارجية بأمان، دون الكشف عن المعلومات الحساسة.
ومع ذلك، لا يزال هذا المجال في مرحلة مبكرة، ولا تزال معظم المشاريع قيد الاستكشاف، وأحد التحديات الحالية هو التكلفة العالية للحوسبة، ومن الأمثلة على ذلك: