تقرير بانورامي عن مسار Web3-AI: تحليل عميق للمنطق التكنولوجي، تطبيقات السيناريو، والمشاريع الرائدة

مع استمرار ارتفاع درجة حرارة السرد AI، تتزايد الانتباه على هذا المسار. تم تحليل المنطق التكنولوجي، وسيناريوهات التطبيق، والمشاريع التمثيلية في مسار Web3-AI بعمق، لتقديم عرض شامل لكافة جوانب هذا المجال واتجاهات التطور.

1. Web3-AI: تحليل المنطق الفني وفرص السوق الناشئة

1.1 منطق دمج Web3 و AI: كيف نحدد مسار Web-AI

في السنة الماضية، كانت السرديات المعتمدة على الذكاء الاصطناعي شديدة الانتشار في صناعة Web3، 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 أجزاء معينة من منتجاتها، ولا توجد علاقة جوهرية بين الاقتصاد الرمزي الأساسي ومنتجات الذكاء الاصطناعي، لذا فإن هذه الأنواع من المشاريع لا تندرج تحت مناقشة مشاريع Web3-AI في هذه المقالة.

تركز هذه المقالة على استخدام تقنية البلوك تشين لحل مشاكل العلاقات الإنتاجية، بينما تعمل الذكاء الاصطناعي على حل مشاكل القوى الإنتاجية. توفر هذه المشاريع نفسها منتجات الذكاء الاصطناعي، وفي الوقت نفسه تعتمد على نموذج الاقتصاد Web3 كأداة للعلاقات الإنتاجية، حيث يكمل كل منهما الآخر. نقوم بتصنيف هذه المشاريع في مسار Web3-AI. من أجل تمكين القراء من فهم أفضل لمسار Web3-AI، سيتم تقديم شرح لعملية تطوير الذكاء الاصطناعي والتحديات التي تواجهها، بالإضافة إلى كيفية دمج Web3 والذكاء الاصطناعي بشكل مثالي لحل المشاكل وخلق سيناريوهات تطبيق جديدة.

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

تكنولوجيا الذكاء الاصطناعي هي تقنية تسمح للحواسيب بمحاكاة وتوسيع وتعزيز الذكاء البشري. إنها تمكّن الحواسيب من أداء مجموعة متنوعة من المهام المعقدة، من ترجمة اللغة وتصنيف الصور إلى التعرف على الوجه وقيادة السيارات بشكل تلقائي، فإن الذكاء الاصطناعي يغير الطريقة التي نعيش ونعمل بها.

تتضمن عملية تطوير نماذج الذكاء الاصطناعي عادةً الخطوات الرئيسية التالية: جمع البيانات ومعالجة البيانات، واختيار النموذج وضبطه، وتدريب النموذج واستنتاجه. على سبيل المثال، لتطوير نموذج يهدف إلى تصنيف صور القطط والكلاب، ستحتاج إلى:

1. جمع البيانات ومعالجة البيانات مسبقًا: جمع مجموعة بيانات تحتوي على صور للقطط والكلاب، يمكن استخدام مجموعة بيانات عامة أو جمع بيانات حقيقية بنفسك. ثم قم بتسمية كل صورة بالفئة (قطة 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 الشبكات العصبية التلافيفية (CNN)، والتي تناسب مهام تصنيف الصور. ضبط معلمات النموذج أو هيكله وفقًا للاحتياجات المختلفة، وعادةً ما يمكن ضبط طبقات الشبكة وفقًا لتعقيد مهمة الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون الطبقات الشبكية الأقل عمقًا كافية.

3. تدريب النموذج: يمكن استخدام GPU أو TPU أو مجموعات الحوسبة عالية الأداء لتدريب النموذج، حيث يتأثر وقت التدريب بتعقيد النموذج وقدرة الحوسبة.

4. استنتاج النموذج: تُعرف الملفات المدربة للنموذج عادةً بأوزان النموذج، وعملية الاستنتاج تشير إلى استخدام النموذج المدرب مسبقًا للتنبؤ أو تصنيف بيانات جديدة. يمكن استخدام مجموعة الاختبار أو بيانات جديدة لاختبار فعالية تصنيف النموذج، وعادةً ما يتم تقييم فعالية النموذج باستخدام مؤشرات مثل الدقة، واسترجاع البيانات، وF1-score.

بعد جمع البيانات ومعالجة البيانات الأولية، واختيار النموذج وضبطه، وتدريب النموذج، سيتم إجراء الاستدلال على مجموعة الاختبار باستخدام النموذج المدرب للحصول على قيم توقعات القطط والكلاب P (الاحتمالية)، أي أن النموذج يستنتج احتمال أن يكون الشيء قطة أو كلباً.

يمكن دمج نموذج الذكاء الاصطناعي المدرب بشكل أكبر في مختلف التطبيقات لأداء مهام مختلفة. في هذا المثال، يمكن دمج نموذج الذكاء الاصطناعي لتصنيف القطط والكلاب في تطبيق للهواتف المحمولة، حيث يمكن للمستخدمين رفع صور للقطط أو الكلاب للحصول على نتائج التصنيف.

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

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

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

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

الحصول على القوة الحاسوبية: بالنسبة للمطورين الأفراد والفرق الصغيرة، قد تشكل التكاليف الباهظة لشراء وحدات معالجة الرسومات ورسوم استئجار القوة الحاسوبية عبئًا اقتصاديًا كبيرًا.

دخل الأصول الذكية: غالبًا ما لا يتمكن العاملون في وضع العلامات على البيانات من الحصول على دخل يتناسب مع ما يبذلونه، كما أن نتائج أبحاث مطوري الذكاء الاصطناعي يصعب مطابقتها مع المشترين الذين لديهم طلب.

يمكن معالجة التحديات الموجودة في مشهد الذكاء الاصطناعي المركزي من خلال دمجه مع Web3، حيث أن Web3 كعلاقة إنتاج جديدة تتكيف بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل قوة إنتاجية جديدة، مما يدفع التقدم التكنولوجي وقدرات الإنتاج في آن واحد.

1.3 تأثير التعاون بين Web3 و AI: تحول الأدوار والتطبيقات المبتكرة

يمكن أن يعزز دمج Web3 و AI سيادة المستخدم، ويوفر منصة تعاون مفتوحة للذكاء الاصطناعي، مما يحول المستخدمين من مستخدمي الذكاء الاصطناعي في عصر Web2 إلى مشاركين، ويخلق ذكاءً اصطناعياً يمكن للجميع امتلاكه. في الوقت نفسه، يمكن أن يؤدي دمج عالم Web3 مع تقنيات الذكاء الاصطناعي إلى ظهور المزيد من السيناريوهات التطبيقية المبتكرة وطرق اللعب.

استنادًا إلى تقنية Web3 ، ستشهد تطوير وتطبيق الذكاء الاصطناعي نظامًا جديدًا من الاقتصاد التعاوني. يمكن ضمان 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 التعاون اللامركزية ونظام السوق المفتوحة للذكاء الاصطناعي ، يمكن تحقيق نظام عادل لتوزيع الدخل ، مما يحفز المزيد من الأشخاص على دفع تقدم تكنولوجيا الذكاء الاصطناعي.

في مشهد Web3، يمكن للذكاء الاصطناعي أن يُحدث تأثيرات إيجابية عبر مجالات متعددة. على سبيل المثال، يمكن دمج نماذج الذكاء الاصطناعي داخل العقود الذكية، مما يعزز كفاءة العمل في سيناريوهات تطبيقية مختلفة، مثل تحليل السوق، الكشف عن الأمان، التجميع الاجتماعي، وغيرها من الوظائف المتنوعة. لا يتيح الذكاء الاصطناعي التوليدي للمستخدمين فقط تجربة دور "الفنان"، مثل استخدام تقنيات الذكاء الاصطناعي لإنشاء NFT الخاصة بهم، بل يمكنه أيضًا إنشاء مشاهد ألعاب متنوعة وغنية وتجارب تفاعلية ممتعة في GameFi. توفر البنية التحتية الغنية تجربة تطوير سلسة، سواء كان خبيرًا في الذكاء الاصطناعي أو مبتدئًا يرغب في الدخول إلى مجال الذكاء الاصطناعي، يمكنهم جميعًا العثور على المدخل المناسب في هذا العالم.

ثانياً، تفسير خريطة وهيكل مشروع Web3-AI الإيكولوجي

لقد درسنا بشكل أساسي 41 مشروعًا في مجال Web3-AI وقمنا بتقسيم هذه المشاريع إلى مستويات مختلفة. منطق تقسيم كل مستوى موضح في الشكل أدناه، ويشمل مستوى البنية التحتية، المستوى المتوسط، ومستوى التطبيقات، وكل مستوى ينقسم أيضًا إلى أقسام مختلفة. في الفصل التالي، سنقوم بتحليل بعض المشاريع النموذجية بعمق.

تغطي طبقة البنية التحتية موارد الحوسبة والهياكل التقنية 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.

طبقة البنية التحتية:

طبقة البنية التحتية هي أساس دورة حياة الذكاء الاصطناعي، حيث تصنف هذه المقالة قوة الحوسبة، سلسلة الذكاء الاصطناعي، ومنصة التطوير كطبقة البنية التحتية. بفضل دعم هذه البنية التحتية، يمكن تدريب نماذج الذكاء الاصطناعي واستنتاجها، مما يؤدي إلى تقديم تطبيقات ذكاء اصطناعي قوية وعملية للمستخدمين.

• شبكة الحوسبة اللامركزية: يمكن أن توفر قوة حوسبة 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 عوائد، ومن المشاريع الممثلة مثل IO.NET و Hyperbolic. بالإضافة إلى ذلك، نشأت بعض المشاريع بأفكار جديدة، مثل Compute Labs، التي اقترحت بروتوكولًا موحدًا، حيث يمكن للمستخدمين المشاركة بطرق مختلفة في استئجار القوة الحاسوبية للحصول على عوائد من خلال شراء NFT تمثل كيان GPU.

• AI Chain: استخدام البلوك تشين كأساس لدورة حياة الذكاء الاصطناعي لتحقيق تفاعل سلس بين موارد الذكاء الاصطناعي على السلسلة وخارجها، وتعزيز تطور البيئة الصناعية. يمكن للسوق اللامركزي للذكاء الاصطناعي على السلسلة تداول أصول الذكاء الاصطناعي مثل البيانات والنماذج والوكلاء، وتوفير إطار عمل لتطوير الذكاء الاصطناعي وأدوات تطوير ملائمة، ومن المشاريع الممثلة مثل Sahara AI. يمكن لـ AI Chain أيضًا تعزيز تقدم تقنيات الذكاء الاصطناعي في مجالات مختلفة، مثل Bittensor من خلال آلية تحفيز مبتكرة لشبكات فرعية مختلفة لتعزيز المنافسة بين أنواع الذكاء الاصطناعي.

• منصة التطوير: بعض المشاريع تقدم منصة تطوير وكلاء الذكاء الاصطناعي، ويمكن أيضًا تنفيذ تداول وكلاء الذكاء الاصطناعي، مثل Fetch.ai و ChainML وغيرها. أدوات شاملة تساعد المطورين على إنشاء وتدريب ونشر نماذج الذكاء الاصطناعي بشكل أكثر سهولة، مثل مشروع Nimble. هذه البنية التحتية تعزز من الاستخدام الواسع لتكنولوجيا الذكاء الاصطناعي في نظام Web3 البيئي.

الطبقة الوسطى:

تتعلق هذه الطبقة ببيانات الذكاء الاصطناعي والنماذج بالإضافة إلى الاستدلال والتحقق، ويمكن تحقيق كفاءة عمل أعلى باستخدام تقنية Web3.

• البيانات: تعتبر جودة البيانات وكميتها من العوامل الرئيسية التي تؤثر على فعالية تدريب النموذج. في عالم Web3، يمكن تحسين استخدام الموارد وتقليل تكاليف البيانات من خلال البيانات المستندة إلى الحشود ومعالجة البيانات التعاونية. يمكن للمستخدمين امتلاك حقوق البيانات، وبيع بياناتهم الخاصة في ظل حماية الخصوصية، لتجنب سرقة البيانات من قبل تجار غير أخلاقيين وتحقيق أرباح كبيرة. بالنسبة لمتطلبات البيانات، توفر هذه المنصات مجموعة واسعة من الخيارات وتكاليف منخفضة للغاية. من المشاريع الممثلة مثل Grass التي تستخدم عرض النطاق الترددي للمستخدمين لجمع بيانات الويب، وxData التي تجمع المعلومات الإعلامية من خلال إضافات سهلة الاستخدام، وتدعم المستخدمين في رفع معلومات التغريد.

بالإضافة إلى ذلك، تسمح بعض المنصات لخبراء المجال أو المستخدمين العاديين بتنفيذ مهام معالجة البيانات، مثل وضع علامات على الصور وتصنيف البيانات، والتي قد تتطلب معالجة بيانات تتعلق بالمعرفة المتخصصة في المالية والقانون، حيث يمكن للمستخدمين توكين مهاراتهم لتحقيق تعاون الحشود في معالجة البيانات. تمثل أسواق الذكاء الاصطناعي مثل Sahara AI مهام البيانات من 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 نموذج مناسب. النماذج الشائعة المستخدمة في مهام الصور مثل CNN وGAN، بينما يمكن اختيار سلسلة Yolo لمهام الكشف عن الأهداف. أما بالنسبة لمهام النصوص، فإن النماذج الشائعة تشمل RNN وTransformer، بالطبع هناك أيضًا بعض النماذج الكبيرة المحددة أو العامة. تتطلب المهام ذات التعقيد المختلف أيضًا عمقًا مختلفًا للنموذج، وفي بعض الأحيان تحتاج إلى ضبط النموذج.

تدعم بعض المشاريع المستخدمين في تقديم أنواع مختلفة من النماذج أو التعاون في تدريب النماذج من خلال أسلوب الحشد، مثل Sentient التي تسمح من خلال التصميم المعياري للمستخدمين بوضع بيانات النماذج الموثوقة في طبقة التخزين وطبقة التوزيع من أجل تحسين النماذج، كما أن أدوات التطوير التي تقدمها Sahara AI تحتوي على خوارزميات ذكاء اصطناعي متقدمة وإطارات حسابية، ولديها القدرة على التدريب التعاوني.

• الاستدلال والتحقق: بعد تدريب النموذج، سيتم إنشاء ملفات أوزان النموذج التي يمكن استخدامها مباشرة للتصنيف أو التنبؤ أو مهام محددة أخرى، وتسمى هذه العملية الاستدلال. عادة ما يصاحب عملية الاستدلال آلية تحقق للتحقق من صحة مصدر نموذج الاستدلال، وما إذا كان هناك سلوك ضار، وما إلى ذلك. يمكن أن يتم دمج الاستدلال في Web3 داخل العقود الذكية، من خلال استدعاء النموذج لإجراء الاستدلال، وتشمل طرق التحقق الشائعة تقنيات مثل ZKML و OPML و TEE. من المشاريع الممثلة مثل ORA على سلسلة AI العرافة (OAO)، حيث تم إدخال OPML كطبقة قابلة للتحقق من العرافة AI، كما ذُكر في الموقع الرسمي لـ ORA أبحاثهم حول ZKML و opp/ai (ZKML مع OPML).

طبقة التطبيق:

تستهدف هذه الطبقة بشكل أساسي التطبيقات التي تواجه المستخدم، حيث تجمع بين الذكاء الاصطناعي و Web3، مما يخلق المزيد من الأساليب المثيرة والمبتكرة. يركز هذا المقال بشكل رئيسي على ترتيب المشاريع في عدة مجالات، بما في ذلك AIGC (المحتوى الذي يتم إنشاؤه بواسطة AI)، والوكيل الذكي، وتحليل البيانات.

• AIGC: من خلال AIGC يمكن التوسع إلى NFT والألعاب في Web3، يمكن للمستخدمين إنشاء نصوص وصور وصوتيات مباشرةً من خلال Prompt (الكلمات الموجهة من المستخدم)، بل ويمكنهم أيضًا إنشاء ألعاب مخصصة وفقًا لتفضيلاتهم.