يعتبر Web3 كنموذج ناشئ للإنترنت اللامركزي، فرصة طبيعية للاندماج مع تقنيات الذكاء الاصطناعي. تواجه تطوير الذكاء الاصطناعي في إطار البنية التقليدية المركزية العديد من التحديات، مثل اختناق قوة الحوسبة، تسرب الخصوصية و مشاكل الخوارزمية الغامضة. يعتمد Web3 على تقنية موزعة، حيث يضخ قوة جديدة في الذكاء الاصطناعي من خلال شبكة مشاركة قوة الحوسبة، سوق البيانات المفتوحة والحوسبة الخصوصية. في الوقت نفسه، يمكن أن يوفر الذكاء الاصطناعي العديد من القدرات لنظام Web3 البيئي، مثل تحسين العقود الذكية وخوارزميات مكافحة الغش. لذلك، فإن استكشاف دمج Web3 والذكاء الاصطناعي له أهمية كبيرة في بناء بنية تحتية للإنترنت من الجيل التالي، وإطلاق قيمة البيانات وقوة الحوسبة.
مدفوع بالبيانات: الأساس المتين للذكاء الاصطناعي وWeb3
البيانات هي القوة الدافعة الأساسية لتطور الذكاء الاصطناعي. تحتاج نماذج الذكاء الاصطناعي إلى استيعاب كميات كبيرة من البيانات عالية الجودة للحصول على فهم عميق وقدرة استدلال قوية، حيث توفر البيانات الأساس للتدريب لنماذج التعلم الآلي، وتحدد أيضًا دقة وموثوقية النموذج.
توجد عدة مشكلات رئيسية في نماذج الحصول على البيانات واستخدامها في الذكاء الاصطناعي المركزي التقليدي:
تكلفة الحصول على البيانات مرتفعة، مما يجعل من الصعب على الشركات الصغيرة والمتوسطة تحملها
يتم احتكار موارد البيانات من قبل شركات التكنولوجيا الكبرى، مما يؤدي إلى تشكيل جزر بيانات
تواجه خصوصية البيانات الشخصية مخاطر التسرب والإساءة
Web3 يقدم نموذج بيانات لامركزي جديد لمعالجة هذه النقاط المؤلمة:
يمكن للمستخدمين بيع موارد الشبكة غير المستخدمة لشركات الذكاء الاصطناعي، لجمع بيانات الشبكة بطريقة لامركزية، وتوفير بيانات حقيقية وعالية الجودة لتدريب نماذج الذكاء الاصطناعي.
اعتماد نموذج "الوسم هو الربح"، من خلال تحفيز التوكنات للعاملين في جميع أنحاء العالم للمشاركة في وسم البيانات، وجمع المعرفة المهنية العالمية
توفر منصة تبادل بيانات البلوكشين بيئة تداول علنية وشفافة لكلا الطرفين المعنيين بعرض وطلب البيانات، مما يحفز الابتكار ومشاركة البيانات.
على الرغم من ذلك، لا تزال هناك بعض المشكلات في الحصول على البيانات في العالم الحقيقي، مثل تباين جودة البيانات، صعوبة المعالجة، نقص التنوع والتمثيل. قد تكون البيانات الاصطناعية نقطة بارزة في مجال بيانات Web3 في المستقبل. استنادًا إلى تقنيات الذكاء الاصطناعي التوليدي والمحاكاة، يمكن للبيانات الاصطناعية محاكاة خصائص البيانات الحقيقية، كإضافة فعالة، مما يزيد من كفاءة استخدام البيانات. في مجالات مثل القيادة الذاتية، تداول الأسواق المالية، وتطوير الألعاب، أظهرت البيانات الاصطناعية إمكانات تطبيق ناضجة.
حماية الخصوصية: دور FHE في Web3
في عصر البيانات المدفوعة، أصبحت حماية الخصوصية محور اهتمام عالمي، حيث تعكس القوانين ذات الصلة الحماية الصارمة للخصوصية الشخصية. ومع ذلك، فقد جلب ذلك تحديات: بعض البيانات الحساسة لا يمكن الاستفادة منها بشكل كامل بسبب مخاطر الخصوصية، مما يحد من إمكانيات ونماذج الذكاء الاصطناعي.
التشفير المتجانس ( FHE ) يسمح بإجراء عمليات حسابية مباشرة على البيانات المشفرة دون الحاجة لفك تشفير البيانات، والنتائج الحسابية تتطابق مع نتائج البيانات النصية.
توفر FHE حماية قوية للحوسبة الخاصة بالذكاء الاصطناعي، مما يسمح لقوة الحوسبة الخاصة بوحدات معالجة الرسوميات بتنفيذ مهام تدريب النماذج والاستدلال في بيئة لا تلمس البيانات الأصلية. وهذا يوفر ميزة كبيرة لشركات الذكاء الاصطناعي، حيث يمكنها فتح خدمات API بأمان مع حماية الأسرار التجارية.
يدعم FHEML تشفير البيانات والنماذج على مدار دورة التعلم الآلي بأكملها، مما يضمن أمان المعلومات الحساسة ويمنع مخاطر تسرب البيانات. من خلال هذه الطريقة، يعزز FHEML خصوصية البيانات، ويوفر إطار عمل آمن للحوسبة لتطبيقات الذكاء الاصطناعي.
FHEML هو تكملة لـ ZKML، حيث يثبت ZKML التنفيذ الصحيح للتعلم الآلي، بينما يركز FHEML على حساب البيانات المشفرة للحفاظ على خصوصية البيانات.
قوة الحوسبة الثورة: حسابات الذكاء الاصطناعي في الشبكات اللامركزية
تزداد بسرعة تعقيدات حسابات أنظمة الذكاء الاصطناعي الحالية، مما يؤدي إلى زيادة هائلة في طلب قوة الحوسبة، متجاوزًا بكثير إمدادات الموارد الحاسوبية الحالية. لا تقتصر هذه النقص في قوة الحوسبة على تقييد تقدم تكنولوجيا الذكاء الاصطناعي فحسب، بل تجعل أيضًا النماذج المتقدمة للذكاء الاصطناعي بعيدة المنال بالنسبة لمعظم الباحثين والمطورين.
في الوقت نفسه، فإن انخفاض معدل استخدام وحدات معالجة الرسومات العالمية، بالإضافة إلى تباطؤ تحسين أداء المعالجات الدقيقة، ونقص الرقائق الناجم عن عوامل سلسلة التوريد والجغرافيا السياسية، جعلت من مشكلة توفير قوة الحوسبة أكثر حدة. يواجه العاملون في مجال الذكاء الاصطناعي خيارًا صعبًا بين شراء الأجهزة أو استئجار موارد سحابية، وهم في حاجة ماسة إلى طرق خدمات حوسبة حسب الطلب وفعالة من حيث التكلفة.
تقوم بعض الشبكات اللامركزية لقوة الحوسبة بالذكاء الاصطناعي من خلال تجميع موارد GPU غير المستخدمة على مستوى العالم، بتوفير سوق قوة حوسبة اقتصادي وسهل الاستخدام لشركات الذكاء الاصطناعي. يمكن لمتطلبات قوة الحوسبة نشر مهام الحساب على الشبكة، حيث تقوم العقود الذكية بتوزيع المهام على العقد التي تساهم بقوة الحوسبة، وتقوم العقد بتنفيذ المهام وتقديم النتائج، وبعد التحقق تحصل على المكافآت. تحسن هذه الخطة من كفاءة استخدام الموارد، وتساعد في حل مشكلة اختناق قوة الحوسبة في مجالات مثل الذكاء الاصطناعي.
بالإضافة إلى شبكة قوة الحوسبة اللامركزية العامة، هناك منصات قوة حوسبة مخصصة تركز على تدريب الذكاء الاصطناعي والاستدلال.
توفر شبكة قوة الحوسبة اللامركزية سوقًا شفافًا وعادلًا لقوة الحوسبة، مما يكسر الاحتكار ويخفض عتبة التطبيقات ويزيد من كفاءة استخدام قوة الحوسبة. في نظام بيئي web3، ستلعب شبكة قوة الحوسبة اللامركزية دورًا رئيسيًا، مما يجذب المزيد من التطبيقات المبتكرة للانضمام، ودفع تطوير وتطبيق تقنية الذكاء الاصطناعي بشكل مشترك.
DePIN: تمكين Web3 للذكاء الاصطناعي في الحافة
تسمح Edge AI بحدوث الحسابات في مصدر إنتاج البيانات، مما يحقق تأخير منخفض، ومعالجة في الوقت الحقيقي، مع حماية خصوصية المستخدمين. تم تطبيق هذه التقنية في مجالات حيوية مثل القيادة الذاتية.
في مجال Web3، يقوم DePIN من خلال معالجة البيانات محليًا، بتعزيز حماية خصوصية المستخدمين وتقليل مخاطر تسرب البيانات. يمكن لآلية اقتصاد الرموز الأصلية في Web3 تحفيز عقد DePIN لتوفير موارد الحوسبة، وبناء نظام بيئي مستدام.
تتطور DePIN حاليًا بسرعة في نظام بيئي لسلسلة عامة معينة، لتصبح واحدة من المنصات المفضلة لنشر المشاريع. توفر قوة الحوسبة العالية، والرسوم المنخفضة، والابتكار التكنولوجي في هذه السلسلة العامة دعمًا قويًا لمشاريع DePIN. حاليًا، تجاوزت القيمة السوقية لمشاريع DePIN على هذه السلسلة العامة 10 مليارات دولار، وقد حققت العديد من المشاريع المعروفة تقدمًا ملحوظًا.
IMO：نموذج الذكاء الاصطناعي إصدار نموذج جديد
تم اقتراح مفهوم IMO لأول مرة من قبل بروتوكول معين، والذي يقوم بتوكنيز نموذج الذكاء الاصطناعي.
في النموذج التقليدي، يجد مطورو نماذج الذكاء الاصطناعي صعوبة في تحقيق إيرادات مستمرة من استخدام النموذج في المستقبل، خاصة عندما يتم دمج النموذج في منتجات وخدمات أخرى. بالإضافة إلى ذلك، غالبًا ما تفتقر أداء نماذج الذكاء الاصطناعي وفعاليتها إلى الشفافية، مما يقيّد اعتراف السوق بها وإمكاناتها التجارية.
قدمت IMO دعمًا ماليًا جديدًا ونمطًا لمشاركة القيمة لنموذج AI مفتوح المصدر، حيث يمكن للمستثمرين شراء رموز IMO ومشاركة العائدات الناتجة عن النموذج لاحقًا. يستخدم بروتوكول معين معايير تقنية محددة، ويجمع بين أوامر AI و تقنية OPML لضمان صحة نموذج AI وتمكين حاملي الرموز من مشاركة العائدات.
تعزز نموذج IMO الشفافية والثقة، وتشجع التعاون مفتوح المصدر، وتتوافق مع اتجاهات سوق التشفير، وتضخ الطاقة في التنمية المستدامة لتكنولوجيا الذكاء الاصطناعي. على الرغم من أن نموذج IMO لا يزال في مرحلة التجريب الأولية، إلا أن ابتكاريته وقيمته المحتملة تستحق الانتظار.
وكيل الذكاء الاصطناعي: عصر جديد من تجربة التفاعل
يمكن لوكيل الذكاء الاصطناعي إدراك البيئة والتفكير بشكل مستقل واتخاذ إجراءات مناسبة لتحقيق الأهداف المحددة. بدعم من نماذج اللغة الكبيرة، يمكن لوكيل الذكاء الاصطناعي أن يفهم اللغة الطبيعية، ويخطط للقرارات، وينفذ مهام معقدة. يمكن أن تعمل كمديرين افتراضيين، من خلال التفاعل مع المستخدمين وتعلم التفضيلات، وتقديم حلول شخصية. حتى في غياب التعليمات الواضحة، يمكن لوكيل الذكاء الاصطناعي حل المشكلات بشكل مستقل، وزيادة الكفاءة، وخلق قيمة جديدة.
تقدم بعض منصات التطبيقات الأصلية المفتوحة للذكاء الاصطناعي مجموعة أدوات شاملة وسهلة الاستخدام للإبداع، تدعم المستخدمين في تكوين ميزات الروبوتات والمظهر والصوت، بالإضافة إلى ربط قواعد المعرفة الخارجية، وتهدف إلى إنشاء نظام بيئي مفتوح وعادل لمحتوى الذكاء الاصطناعي، باستخدام تقنية الذكاء الاصطناعي التوليدي، وتمكين الأفراد ليصبحوا منشئين خارقين. قامت هذه المنصات بتدريب نماذج لغوية كبيرة متخصصة، مما يجعل تجربة اللعب بالأدوار أكثر إنسانية؛ يمكن أن تسرع تقنية استنساخ الصوت التفاعل الشخصي للمنتجات الذكية، وتقلل بشكل كبير من تكاليف توليد الصوت. يمكن الآن تطبيق الوكلاء الذكيين المخصصين باستخدام هذه المنصات في مجالات متعددة مثل دردشة الفيديو، وتعلم اللغات، وتوليد الصور.
في دمج Web3 و AI، يتم حاليا استكشاف طبقة البنية التحتية أكثر، مثل كيفية الحصول على بيانات عالية الجودة، وحماية خصوصية البيانات، وكيفية استضافة النماذج على السلسلة، وكيفية تحسين الاستخدام الفعال لقوة الحوسبة اللامركزية، وكيفية التحقق من نماذج اللغة الكبيرة وغيرها من القضايا الرئيسية. مع التحسين التدريجي لهذه البنية التحتية، سيؤدي دمج Web3 و AI إلى ولادة 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.
دمج Web3 وAI: عصر جديد مدفوع بالبيانات، حماية الخصوصية وثورة قوة الحوسبة
يعتبر Web3 كنموذج ناشئ للإنترنت اللامركزي، فرصة طبيعية للاندماج مع تقنيات الذكاء الاصطناعي. تواجه تطوير الذكاء الاصطناعي في إطار البنية التقليدية المركزية العديد من التحديات، مثل اختناق قوة الحوسبة، تسرب الخصوصية و مشاكل الخوارزمية الغامضة. يعتمد Web3 على تقنية موزعة، حيث يضخ قوة جديدة في الذكاء الاصطناعي من خلال شبكة مشاركة قوة الحوسبة، سوق البيانات المفتوحة والحوسبة الخصوصية. في الوقت نفسه، يمكن أن يوفر الذكاء الاصطناعي العديد من القدرات لنظام Web3 البيئي، مثل تحسين العقود الذكية وخوارزميات مكافحة الغش. لذلك، فإن استكشاف دمج Web3 والذكاء الاصطناعي له أهمية كبيرة في بناء بنية تحتية للإنترنت من الجيل التالي، وإطلاق قيمة البيانات وقوة الحوسبة.
مدفوع بالبيانات: الأساس المتين للذكاء الاصطناعي وWeb3
البيانات هي القوة الدافعة الأساسية لتطور الذكاء الاصطناعي. تحتاج نماذج الذكاء الاصطناعي إلى استيعاب كميات كبيرة من البيانات عالية الجودة للحصول على فهم عميق وقدرة استدلال قوية، حيث توفر البيانات الأساس للتدريب لنماذج التعلم الآلي، وتحدد أيضًا دقة وموثوقية النموذج.
توجد عدة مشكلات رئيسية في نماذج الحصول على البيانات واستخدامها في الذكاء الاصطناعي المركزي التقليدي:
Web3 يقدم نموذج بيانات لامركزي جديد لمعالجة هذه النقاط المؤلمة:
على الرغم من ذلك، لا تزال هناك بعض المشكلات في الحصول على البيانات في العالم الحقيقي، مثل تباين جودة البيانات، صعوبة المعالجة، نقص التنوع والتمثيل. قد تكون البيانات الاصطناعية نقطة بارزة في مجال بيانات Web3 في المستقبل. استنادًا إلى تقنيات الذكاء الاصطناعي التوليدي والمحاكاة، يمكن للبيانات الاصطناعية محاكاة خصائص البيانات الحقيقية، كإضافة فعالة، مما يزيد من كفاءة استخدام البيانات. في مجالات مثل القيادة الذاتية، تداول الأسواق المالية، وتطوير الألعاب، أظهرت البيانات الاصطناعية إمكانات تطبيق ناضجة.
حماية الخصوصية: دور FHE في Web3
في عصر البيانات المدفوعة، أصبحت حماية الخصوصية محور اهتمام عالمي، حيث تعكس القوانين ذات الصلة الحماية الصارمة للخصوصية الشخصية. ومع ذلك، فقد جلب ذلك تحديات: بعض البيانات الحساسة لا يمكن الاستفادة منها بشكل كامل بسبب مخاطر الخصوصية، مما يحد من إمكانيات ونماذج الذكاء الاصطناعي.
التشفير المتجانس ( FHE ) يسمح بإجراء عمليات حسابية مباشرة على البيانات المشفرة دون الحاجة لفك تشفير البيانات، والنتائج الحسابية تتطابق مع نتائج البيانات النصية.
توفر FHE حماية قوية للحوسبة الخاصة بالذكاء الاصطناعي، مما يسمح لقوة الحوسبة الخاصة بوحدات معالجة الرسوميات بتنفيذ مهام تدريب النماذج والاستدلال في بيئة لا تلمس البيانات الأصلية. وهذا يوفر ميزة كبيرة لشركات الذكاء الاصطناعي، حيث يمكنها فتح خدمات API بأمان مع حماية الأسرار التجارية.
يدعم FHEML تشفير البيانات والنماذج على مدار دورة التعلم الآلي بأكملها، مما يضمن أمان المعلومات الحساسة ويمنع مخاطر تسرب البيانات. من خلال هذه الطريقة، يعزز FHEML خصوصية البيانات، ويوفر إطار عمل آمن للحوسبة لتطبيقات الذكاء الاصطناعي.
FHEML هو تكملة لـ ZKML، حيث يثبت ZKML التنفيذ الصحيح للتعلم الآلي، بينما يركز FHEML على حساب البيانات المشفرة للحفاظ على خصوصية البيانات.
قوة الحوسبة الثورة: حسابات الذكاء الاصطناعي في الشبكات اللامركزية
تزداد بسرعة تعقيدات حسابات أنظمة الذكاء الاصطناعي الحالية، مما يؤدي إلى زيادة هائلة في طلب قوة الحوسبة، متجاوزًا بكثير إمدادات الموارد الحاسوبية الحالية. لا تقتصر هذه النقص في قوة الحوسبة على تقييد تقدم تكنولوجيا الذكاء الاصطناعي فحسب، بل تجعل أيضًا النماذج المتقدمة للذكاء الاصطناعي بعيدة المنال بالنسبة لمعظم الباحثين والمطورين.
في الوقت نفسه، فإن انخفاض معدل استخدام وحدات معالجة الرسومات العالمية، بالإضافة إلى تباطؤ تحسين أداء المعالجات الدقيقة، ونقص الرقائق الناجم عن عوامل سلسلة التوريد والجغرافيا السياسية، جعلت من مشكلة توفير قوة الحوسبة أكثر حدة. يواجه العاملون في مجال الذكاء الاصطناعي خيارًا صعبًا بين شراء الأجهزة أو استئجار موارد سحابية، وهم في حاجة ماسة إلى طرق خدمات حوسبة حسب الطلب وفعالة من حيث التكلفة.
تقوم بعض الشبكات اللامركزية لقوة الحوسبة بالذكاء الاصطناعي من خلال تجميع موارد GPU غير المستخدمة على مستوى العالم، بتوفير سوق قوة حوسبة اقتصادي وسهل الاستخدام لشركات الذكاء الاصطناعي. يمكن لمتطلبات قوة الحوسبة نشر مهام الحساب على الشبكة، حيث تقوم العقود الذكية بتوزيع المهام على العقد التي تساهم بقوة الحوسبة، وتقوم العقد بتنفيذ المهام وتقديم النتائج، وبعد التحقق تحصل على المكافآت. تحسن هذه الخطة من كفاءة استخدام الموارد، وتساعد في حل مشكلة اختناق قوة الحوسبة في مجالات مثل الذكاء الاصطناعي.
بالإضافة إلى شبكة قوة الحوسبة اللامركزية العامة، هناك منصات قوة حوسبة مخصصة تركز على تدريب الذكاء الاصطناعي والاستدلال.
توفر شبكة قوة الحوسبة اللامركزية سوقًا شفافًا وعادلًا لقوة الحوسبة، مما يكسر الاحتكار ويخفض عتبة التطبيقات ويزيد من كفاءة استخدام قوة الحوسبة. في نظام بيئي web3، ستلعب شبكة قوة الحوسبة اللامركزية دورًا رئيسيًا، مما يجذب المزيد من التطبيقات المبتكرة للانضمام، ودفع تطوير وتطبيق تقنية الذكاء الاصطناعي بشكل مشترك.
DePIN: تمكين Web3 للذكاء الاصطناعي في الحافة
تسمح Edge AI بحدوث الحسابات في مصدر إنتاج البيانات، مما يحقق تأخير منخفض، ومعالجة في الوقت الحقيقي، مع حماية خصوصية المستخدمين. تم تطبيق هذه التقنية في مجالات حيوية مثل القيادة الذاتية.
في مجال Web3، يقوم DePIN من خلال معالجة البيانات محليًا، بتعزيز حماية خصوصية المستخدمين وتقليل مخاطر تسرب البيانات. يمكن لآلية اقتصاد الرموز الأصلية في Web3 تحفيز عقد DePIN لتوفير موارد الحوسبة، وبناء نظام بيئي مستدام.
تتطور DePIN حاليًا بسرعة في نظام بيئي لسلسلة عامة معينة، لتصبح واحدة من المنصات المفضلة لنشر المشاريع. توفر قوة الحوسبة العالية، والرسوم المنخفضة، والابتكار التكنولوجي في هذه السلسلة العامة دعمًا قويًا لمشاريع DePIN. حاليًا، تجاوزت القيمة السوقية لمشاريع DePIN على هذه السلسلة العامة 10 مليارات دولار، وقد حققت العديد من المشاريع المعروفة تقدمًا ملحوظًا.
IMO：نموذج الذكاء الاصطناعي إصدار نموذج جديد
تم اقتراح مفهوم IMO لأول مرة من قبل بروتوكول معين، والذي يقوم بتوكنيز نموذج الذكاء الاصطناعي.
في النموذج التقليدي، يجد مطورو نماذج الذكاء الاصطناعي صعوبة في تحقيق إيرادات مستمرة من استخدام النموذج في المستقبل، خاصة عندما يتم دمج النموذج في منتجات وخدمات أخرى. بالإضافة إلى ذلك، غالبًا ما تفتقر أداء نماذج الذكاء الاصطناعي وفعاليتها إلى الشفافية، مما يقيّد اعتراف السوق بها وإمكاناتها التجارية.
قدمت IMO دعمًا ماليًا جديدًا ونمطًا لمشاركة القيمة لنموذج AI مفتوح المصدر، حيث يمكن للمستثمرين شراء رموز IMO ومشاركة العائدات الناتجة عن النموذج لاحقًا. يستخدم بروتوكول معين معايير تقنية محددة، ويجمع بين أوامر AI و تقنية OPML لضمان صحة نموذج AI وتمكين حاملي الرموز من مشاركة العائدات.
تعزز نموذج IMO الشفافية والثقة، وتشجع التعاون مفتوح المصدر، وتتوافق مع اتجاهات سوق التشفير، وتضخ الطاقة في التنمية المستدامة لتكنولوجيا الذكاء الاصطناعي. على الرغم من أن نموذج IMO لا يزال في مرحلة التجريب الأولية، إلا أن ابتكاريته وقيمته المحتملة تستحق الانتظار.
وكيل الذكاء الاصطناعي: عصر جديد من تجربة التفاعل
يمكن لوكيل الذكاء الاصطناعي إدراك البيئة والتفكير بشكل مستقل واتخاذ إجراءات مناسبة لتحقيق الأهداف المحددة. بدعم من نماذج اللغة الكبيرة، يمكن لوكيل الذكاء الاصطناعي أن يفهم اللغة الطبيعية، ويخطط للقرارات، وينفذ مهام معقدة. يمكن أن تعمل كمديرين افتراضيين، من خلال التفاعل مع المستخدمين وتعلم التفضيلات، وتقديم حلول شخصية. حتى في غياب التعليمات الواضحة، يمكن لوكيل الذكاء الاصطناعي حل المشكلات بشكل مستقل، وزيادة الكفاءة، وخلق قيمة جديدة.
تقدم بعض منصات التطبيقات الأصلية المفتوحة للذكاء الاصطناعي مجموعة أدوات شاملة وسهلة الاستخدام للإبداع، تدعم المستخدمين في تكوين ميزات الروبوتات والمظهر والصوت، بالإضافة إلى ربط قواعد المعرفة الخارجية، وتهدف إلى إنشاء نظام بيئي مفتوح وعادل لمحتوى الذكاء الاصطناعي، باستخدام تقنية الذكاء الاصطناعي التوليدي، وتمكين الأفراد ليصبحوا منشئين خارقين. قامت هذه المنصات بتدريب نماذج لغوية كبيرة متخصصة، مما يجعل تجربة اللعب بالأدوار أكثر إنسانية؛ يمكن أن تسرع تقنية استنساخ الصوت التفاعل الشخصي للمنتجات الذكية، وتقلل بشكل كبير من تكاليف توليد الصوت. يمكن الآن تطبيق الوكلاء الذكيين المخصصين باستخدام هذه المنصات في مجالات متعددة مثل دردشة الفيديو، وتعلم اللغات، وتوليد الصور.
في دمج Web3 و AI، يتم حاليا استكشاف طبقة البنية التحتية أكثر، مثل كيفية الحصول على بيانات عالية الجودة، وحماية خصوصية البيانات، وكيفية استضافة النماذج على السلسلة، وكيفية تحسين الاستخدام الفعال لقوة الحوسبة اللامركزية، وكيفية التحقق من نماذج اللغة الكبيرة وغيرها من القضايا الرئيسية. مع التحسين التدريجي لهذه البنية التحتية، سيؤدي دمج Web3 و AI إلى ولادة مجموعة من نماذج الأعمال والخدمات المبتكرة.