دمج Web3 و AI: بناء البنية التحتية للإنترنت من الجيل التالي

تعتبر Web3 نموذجًا جديدًا للإنترنت، حيث تتميز باللامركزية والانفتاح والشفافية، ولديها فرص دمج طبيعية مع الذكاء الاصطناعي. في ظل البنية التقليدية المركزية، تواجه موارد الحساب والبيانات في الذكاء الاصطناعي قيودًا صارمة، مما يعرضها لتحديات متعددة مثل اختناق القدرة الحاسوبية، وتسريبات الخصوصية، وصندوق الأسود الخوارزمي. تعتمد Web3 على التقنية الموزعة، من خلال الشبكات المشتركة للقدرة الحاسوبية، وأسواق البيانات المفتوحة، والحوسبة الخاصة، لتوفير دفعة جديدة لتطوير الذكاء الاصطناعي. في الوقت نفسه، يمكن أن يجلب الذكاء الاصطناعي العديد من التعزيزات لـ Web3، مثل تحسين العقود الذكية وخوارزميات مكافحة الغش، مما يعزز تطوير بيئتها. لذلك، فإن استكشاف دمج Web3 والذكاء الاصطناعي أمر بالغ الأهمية لبناء بنية تحتية للإنترنت في المستقبل، وإطلاق قيمة البيانات والقدرة الحاسوبية.

مدفوع بالبيانات: أساس الذكاء الاصطناعي وWeb3

البيانات هي القوة الدافعة الأساسية لتطوير الذكاء الاصطناعي. تحتاج نماذج الذكاء الاصطناعي إلى استيعاب كميات هائلة من البيانات عالية الجودة لتحقيق فهم عميق وقدرة استدلال قوية. لا توفر البيانات فقط الأساس للتدريب على نماذج التعلم الآلي، ولكنها تحدد أيضًا دقة النموذج وموثوقيته.

توجد في نماذج الحصول على البيانات واستخدامها في الذكاء الاصطناعي المركزي التقليدي المشاكل التالية:

• تكلفة الحصول على البيانات مرتفعة، والشركات الصغيرة والمتوسطة تجد صعوبة في تحملها
• تم احتكار موارد البيانات من قبل شركات التكنولوجيا الكبرى ، مما أدى إلى تشكيل جزر بيانات
• تواجه خصوصية البيانات الشخصية مخاطر التسريب وسوء الاستخدام

يقدم Web3 نموذج بيانات لامركزي جديد لمعالجة هذه النقاط المؤلمة:

• يمكن للمستخدمين بيع الموارد الشبكية غير المستخدمة لشركات الذكاء الاصطناعي، لجمع بيانات الشبكة بطريقة لامركزية، حيث يتم تنظيفها وتحويلها لتوفير بيانات حقيقية وعالية الجودة لتدريب نماذج الذكاء الاصطناعي.
• اعتماد نموذج "label to earn"، من خلال تحفيز العمال العالميين عبر الرموز للمشاركة في وضع العلامات على البيانات، وجمع الخبرات العالمية، وتعزيز قدرات تحليل البيانات.
• توفر منصة تداول بيانات البلوكشين بيئة تداول عامة وشفافة لطرفي العرض والطلب على البيانات، مما يعزز الابتكار ومشاركة البيانات.

على الرغم من ذلك، لا تزال هناك مشكلات تتعلق بجودة جمع البيانات في العالم الحقيقي، وصعوبة المعالجة، ونقص التنوع والتمثيل. قد تصبح البيانات المُركبة نجم المستقبل في مجال بيانات Web3. استنادًا إلى تقنيات الذكاء الاصطناعي التوليدي والمحاكاة، يمكن للبيانات المُركبة محاكاة خصائص البيانات الحقيقية، كإضافة فعالة لتحسين كفاءة استخدام البيانات. في مجالات مثل القيادة الذاتية، وتداول الأسواق المالية، وتطوير الألعاب، أظهرت البيانات المُركبة إمكانيات تطبيق ناضجة.

حماية الخصوصية: تطبيق FHE في Web3

في عصر البيانات المدفوعة، أصبحت حماية الخصوصية محور اهتمام عالمي. تعكس القوانين مثل اللائحة العامة لحماية البيانات (GDPR) في الاتحاد الأوروبي الحماية الصارمة للخصوصية الشخصية. ومع ذلك، فإن هذا يطرح تحديات: بعض البيانات الحساسة لا يمكن الاستفادة منها بشكل كامل بسبب مخاطر الخصوصية، مما يحد من إمكانيات ونماذج الذكاء الاصطناعي.

تسمح FHE (التشفير المتجانس بالكامل) بإجراء العمليات الحسابية مباشرة على البيانات المشفرة دون الحاجة إلى فك تشفيرها للحصول على نفس نتائج الحسابات على البيانات النصية. توفر FHE حماية قوية لحسابات الخصوصية في الذكاء الاصطناعي، مما يمكّن قوة معالجة GPU من تنفيذ تدريب النماذج والاستدلال في بيئة لا تتطلب الوصول إلى البيانات الأصلية. وهذا يوفر مزايا هائلة لشركات الذكاء الاصطناعي، حيث يمكنها فتح خدمات API بأمان مع حماية أسرارها التجارية.

يدعم FHEML معالجة البيانات والنماذج بشكل مشفر على مدار دورة حياة التعلم الآلي بأكملها، مما يضمن أمان المعلومات الحساسة ويمنع مخاطر تسرب البيانات. يعزز FHEML خصوصية البيانات بهذه الطريقة، ويوفر إطار حساب آمن لتطبيقات الذكاء الاصطناعي.

FHEML هو تكملة لـ ZKML. يثبت ZKML التنفيذ الصحيح للتعلم الآلي، بينما يركز FHEML على حساب البيانات المشفرة للحفاظ على خصوصية البيانات.

ثورة القوة الحسابية: حسابات الذكاء الاصطناعي في الشبكات اللامركزية

تتضاعف تعقيدات حسابات أنظمة الذكاء الاصطناعي الحالية كل ثلاثة أشهر، مما يؤدي إلى زيادة الطلب على قوة الحوسبة بشكل كبير، متجاوزًا بكثير العرض الحالي من موارد الحوسبة. على سبيل المثال، يتطلب تدريب نموذج GPT-3 من OpenAI قوة حوسبة هائلة، تعادل 355 عامًا من وقت التدريب لجهاز واحد. هذه النقص في قوة الحوسبة لا يقتصر فقط على الحد من تقدم تقنيات الذكاء الاصطناعي، بل يجعل النماذج المتقدمة من الذكاء الاصطناعي بعيدة المنال بالنسبة لمعظم الباحثين والمطورين.

في الوقت نفسه، إن نسبة استخدام وحدات معالجة الرسوميات (GPU) في جميع أنحاء العالم تقل عن 40%، بالإضافة إلى تباطؤ تحسين أداء المعالجات الدقيقة، ونقص الشرائح الناتج عن عوامل سلسلة التوريد والجغرافيا السياسية، مما يجعل مشكلة إمدادات القوة الحاسوبية أكثر حدة. يواجه العاملون في مجال الذكاء الاصطناعي موقفًا صعبًا: إما شراء الأجهزة بأنفسهم أو استئجار موارد سحابية، وهم في حاجة ماسة إلى خدمات حوسبة فعالة من حيث التكلفة حسب الطلب.

شبكة قوة الحوسبة اللامركزية تعتمد على تجميع موارد وحدات معالجة الرسومات (GPU) غير المستخدمة عالميًا، وتقدم سوق قوة حوسبة اقتصادي وسهل الاستخدام لشركات الذكاء الاصطناعي. يمكن للجهات الطالبة نشر مهام الحوسبة على الشبكة، وستقوم العقود الذكية بتوزيع المهام على عقد عمال المناجم الذين يساهمون في قوة الحوسبة، حيث ينفذ عمال المناجم المهام ويقدمون النتائج، وبعد التحقق منها يحصلون على مكافآت. هذه الخطة تعزز كفاءة استخدام الموارد، وتساعد في حل مشكلة اختناق قوة الحوسبة في مجالات مثل الذكاء الاصطناعي.

بجانب شبكة الحوسبة اللامركزية العامة، هناك أيضًا شبكات حوسبة مخصصة تركز على تدريب الذكاء الاصطناعي واستدلاله. توفر هذه الشبكات اللامركزية سوقًا عادلًا وشفافًا للحوسبة، مما يكسر الاحتكار، ويقلل من عوائق الاستخدام، ويزيد من كفاءة استخدام الحوسبة. في نظام Web3 البيئي، ستلعب الشبكات اللامركزية للحوسبة دورًا حاسمًا، مما يجذب المزيد من التطبيقات اللامركزية المبتكرة للانضمام، ويدفع معًا تطوير وتطبيق تقنيات الذكاء الاصطناعي.

DePIN: تمكين Web3 للذكاء الاصطناعي على الحافة

تتيح تقنية Edge AI إجراء الحسابات عند مصدر إنتاج البيانات، مما يحقق استجابة سريعة ومعالجة في الوقت الفعلي، مع حماية خصوصية المستخدم. تم تطبيق تقنية Edge AI في مجالات حيوية مثل القيادة الذاتية.

في مجال Web3، يشبه مفهوم DePIN (شبكات البنية التحتية المادية اللامركزية) مفهوم Edge AI. يركز Web3 على اللامركزية وسيادة بيانات المستخدم، بينما يعزز DePIN الخصوصية من خلال معالجة البيانات محليًا، مما يقلل من مخاطر تسرب البيانات. يمكن لنظام الاقتصاد الرمزي الأصلي في Web3 تحفيز عقد DePIN لتوفير موارد الحوسبة، وبناء نظام بيئي مستدام.

تتطور DePIN حاليًا بسرعة في أحد أنظمة البلوكشين العامة، لتصبح واحدة من المنصات المفضلة لنشر المشاريع. إن القدرة العالية على معالجة المعاملات، وانخفاض رسوم المعاملات، والابتكارات التكنولوجية لهذه البلوكشين العامة توفر دعمًا قويًا لمشاريع DePIN. حاليًا، تتجاوز القيمة السوقية لمشاريع DePIN على هذه البلوكشين العامة 10 مليارات دولار، وقد حققت العديد من المشاريع المعروفة تقدمًا ملحوظًا.

IMO: إصدار نمط جديد لنماذج الذكاء الاصطناعي

تم اقتراح مفهوم IMO (إصدار النموذج الأولي) لأول مرة من قبل بروتوكول معين، حيث يتم توكين نموذج الذكاء الاصطناعي.

في النموذج التقليدي، يواجه مطورو نماذج الذكاء الاصطناعي صعوبة في الحصول على عائدات مستمرة من استخدام النموذج لاحقًا، خاصة عندما يتم دمج النموذج في منتجات وخدمات أخرى. في نفس الوقت، غالبًا ما تفتقر أداء وفعالية نماذج الذكاء الاصطناعي إلى الشفافية، مما يجعل المستثمرين المحتملين والمستخدمين يجدون صعوبة في تقييم قيمتها الحقيقية، مما يحد من الاعتراف السوقي والنمو التجاري للنموذج.

يوفر IMO وسيلة جديدة لدعم التمويل ومشاركة القيمة لنماذج الذكاء الاصطناعي مفتوحة المصدر. يمكن للمستثمرين شراء رموز IMO ومشاركة العائدات الناتجة عن النموذج في المستقبل. تستخدم بروتوكول معين معايير تقنية محددة، وتجمع بين تقنية Oracle الذكاء الاصطناعي وتقنية التعلم الآلي على السلسلة، لضمان مصداقية نموذج الذكاء الاصطناعي وقدرة حاملي الرموز على مشاركة العائدات.

تعزز وضعية IMO الشفافية والثقة، وتشجع التعاون مفتوح المصدر، وتتوافق مع اتجاهات سوق التشفير، وتضخ الطاقة في التنمية المستدامة لتقنية الذكاء الاصطناعي. حاليًا، تعتبر IMO في مرحلة التجريب الأولية، ولكن مع زيادة قبول السوق وتوسيع نطاق المشاركة، فإن الابتكار والقيمة المحتملة لها تستحق التوقع.

وكيل الذكاء الاصطناعي: عصر جديد من تجربة التفاعل

يمكن لوكيل الذكاء الاصطناعي إدراك البيئة والتفكير المستقل واتخاذ إجراءات مناسبة لتحقيق الأهداف المحددة. بدعم من نماذج اللغة الكبيرة، يمكن لوكيل الذكاء الاصطناعي أن يفهم اللغة الطبيعية، بالإضافة إلى التخطيط واتخاذ القرارات وتنفيذ المهام المعقدة. يمكن أن تعمل كعملاء افتراضيين، حيث تتعلم تفضيلات المستخدم من خلال التفاعل، وتوفر حلولاً مخصصة. حتى في غياب التعليمات الواضحة، يمكن لوكيل الذكاء الاصطناعي أيضًا حل المشكلات بشكل مستقل، مما يزيد من الكفاءة ويخلق قيمة جديدة.

تقدم منصة التطبيقات الأصلية AI مجموعة أدوات إبداعية شاملة وسهلة الاستخدام، تدعم المستخدمين في تكوين وظائف الروبوت، والمظهر، والصوت، بالإضافة إلى الاتصال بمكتبات المعرفة الخارجية، وتهدف إلى إنشاء نظام بيئي لمحتوى الذكاء الاصطناعي مفتوح وعادل، مما يمكن الأفراد من أن يصبحوا منشئين متميزين باستخدام تقنيات الذكاء الاصطناعي التوليدية. قامت المنصة بتدريب نموذج لغوي كبير متخصص، مما يجعل التمثيل الشخصي أكثر إنسانية؛ يمكن لتقنية استنساخ الصوت تسريع التفاعل الشخصي لمنتجات الذكاء الاصطناعي، مما يقلل من تكلفة تركيب الصوت بنسبة 99%، ويمكن تحقيق استنساخ الصوت في دقيقة واحدة فقط. باستخدام AI Agent المخصص لهذه المنصة، يمكن تطبيقه حاليًا في مجالات متعددة مثل محادثات الفيديو، وتعلم اللغات، وتوليد الصور.

تتركز حاليًا عملية دمج Web3 و AI بشكل أكبر على استكشاف مستوى البنية التحتية، بما في ذلك كيفية الحصول على بيانات عالية الجودة، وحماية خصوصية البيانات، وكيفية استضافة النماذج على السلسلة، وكيفية تحسين الاستخدام الفعال للقوة الحاسوبية اللامركزية، بالإضافة إلى كيفية التحقق من نماذج اللغة الكبيرة وغيرها من القضايا الرئيسية. مع تحسين هذه البنية التحتية تدريجيًا، من المتوقع أن يؤدي دمج Web3 و AI إلى ظهور مجموعة من نماذج الأعمال والخدمات المبتكرة.