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

مع استمرار ارتفاع حرارة السرد AI، يتركز المزيد من الاهتمام على هذا المسار. تقدم هذه المقالة تحليلًا متعمقًا للمنطق التكنولوجي في مسار Web3-AI، وسيناريوهات التطبيق، والمشاريع الممثلة، لتقديم عرض شامل لكامل هذا المجال واتجاهات تطوره.

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

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

في العام الماضي، كانت السردية الذكية في صناعة Web3 مشتعلة بشكل غير عادي، حيث ظهرت مشاريع الذكاء الاصطناعي كالفطر بعد المطر. على الرغم من أن هناك العديد من المشاريع التي تتعلق بتكنولوجيا الذكاء الاصطناعي، إلا أن بعض المشاريع تستخدم الذكاء الاصطناعي فقط في بعض أجزاء منتجها، ولا توجد علاقة جوهرية بين الاقتصاد الرمزي الأساسي ومنتجات الذكاء الاصطناعي، ولذلك فإن هذه المشاريع لا تندرج ضمن مناقشة مشاريع Web3-AI في هذه المقالة.

تركز هذه المقالة على استخدام blockchain لحل مشاكل علاقات الإنتاج، ومشاريع AI لحل مشاكل الإنتاجية. تقدم هذه المشاريع نفسها منتجات AI، وفي الوقت نفسه تعتمد على نموذج الاقتصاد Web3 كأداة لعلاقات الإنتاج، مما يجعل الاثنين يكملان بعضهما البعض. نصنف هذه المشاريع ضمن مسار Web3-AI. لتسهيل فهم القراء لمسار Web3-AI، سنقوم بعد ذلك بتقديم عملية تطوير AI والتحديات، وكيفية دمج Web3 وAI بشكل مثالي لحل المشاكل 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 أجهزة الكمبيوتر من أداء مجموعة متنوعة من المهام المعقدة، من ترجمة اللغة، وتصنيف الصور إلى تطبيقات مثل التعرف على الوجه، والقيادة الذاتية، الذكاء الاصطناعي يغير الطريقة التي نعيش بها ونعمل.

تتضمن عملية تطوير نماذج الذكاء الاصطناعي عادةً الخطوات الرئيسية التالية: جمع البيانات ومعالجة البيانات، اختيار النموذج وتحسينه، تدريب النموذج واستنتاجه. لنأخذ مثالاً بسيطًا، لتطوير نموذج لتمييز صور القطط والكلاب، ستحتاج إلى:

1. جمع البيانات ومعالجة البيانات مسبقًا: 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 أن التسمية دقيقة. تحويل الصور إلى تنسيق يمكن للنموذج التعرف عليه، تقسيم مجموعة البيانات إلى مجموعة تدريب، مجموعة تحقق ومجموعة اختبار.

2. اختيار النموذج وضبطه: اختيار النموذج المناسب، مثل الشبكات العصبية التلافيفية (CNN)، التي تناسب مهام تصنيف الصور. ضبط معلمات النموذج أو هيكله وفقًا للاحتياجات المختلفة، وعادةً ما يمكن تعديل طبقات الشبكة الخاصة بالنموذج حسب تعقيد مهمة الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون الشبكة ذات الطبقات الأقل كافية.

3. تدريب النموذج: يمكن استخدام GPU أو TPU أو تجمعات الحوسبة عالية الأداء لتدريب النموذج، ومدة التدريب تتأثر بتعقيد النموذج وقدرة الحوسبة.

4. استدلال النموذج: تُعرف الملفات المدربة للنموذج عادةً بأوزان النموذج، وعملية الاستدلال تشير إلى استخدام النموذج المدرب مسبقًا للتنبؤ أو تصنيف البيانات الجديدة. يمكن استخدام مجموعة الاختبار أو البيانات الجديدة لاختبار فعالية تصنيف النموذج، وعادة ما يتم تقييم فعالية النموذج باستخدام مؤشرات مثل الدقة، واسترجاع المعلومات، ودرجة F1.

كما هو موضح في الصورة، بعد جمع البيانات ومعالجة البيانات المسبقة، واختيار النموذج وضبطه، بالإضافة إلى التدريب، سيتم إجراء الاستدلال باستخدام النموذج المدرب على مجموعة الاختبار للحصول على قيم توقع القطط والكلاب P(probability)، أي احتمالية أن النموذج استنتج أنه قطة أو كلب.

يمكن دمج نموذج AI المدرب بشكل أكبر في تطبيقات مختلفة، لتنفيذ مهام مختلفة. في هذا المثال، يمكن دمج نموذج AI لتصنيف القطط والكلاب في تطبيق للهاتف المحمول، حيث يقوم المستخدم بتحميل صورة لقط أو كلب، وسيحصل على نتيجة التصنيف.

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

خصوصية المستخدم: في السيناريوهات المركزية، غالبًا ما تكون عملية تطوير الذكاء الاصطناعي غير شفافة. قد يتم سرقة بيانات المستخدم دون علمهم واستخدامها في تدريب الذكاء الاصطناعي.

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

اختيار النموذج وتحسينه: بالنسبة للفرق الصغيرة، من الصعب الحصول على موارد نموذج محددة أو إنفاق تكاليف كبيرة لتحسين النموذج.

الحصول على القوة الحاسوبية: بالنسبة للمطورين الأفراد والفرق الصغيرة، قد تمثل تكاليف شراء وحدات معالجة الرسوميات العالية وتكاليف استئجار القوة الحاسوبية السحابية عبئًا اقتصاديًا كبيرًا.

إيرادات أصول الذكاء الاصطناعي: غالبًا ما لا يحصل العاملون في مجال وضع العلامات على البيانات على إيرادات تتناسب مع ما يبذلونه، كما أن نتائج أبحاث مطوري الذكاء الاصطناعي يصعب مطابقتها مع المشترين الذين لديهم حاجة.

يمكن التغلب على التحديات الموجودة في مشهد الذكاء الاصطناعي المركزي من خلال دمجها مع Web3، حيث أن Web3 كعلاقة إنتاج جديدة يتناسب بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل قوة إنتاج جديدة، وبالتالي يدفع التقدم التكنولوجي وقدرات الإنتاج في نفس الوقت.

) 1.3 تأثير التعاون بين Web3 وAI: تحول الأدوار والتطبيقات الابتكارية

يمكن أن يعزز الجمع بين Web3 و AI سيادة المستخدم، ويوفر للمستخدمين منصة تعاون مفتوحة للذكاء الاصطناعي، مما يحول المستخدمين من مستخدمي الذكاء الاصطناعي في عصر Web2 إلى مشاركين، لإنشاء ذكاء اصطناعي يمكن للجميع امتلاكه. في الوقت نفسه، يمكن أن تؤدي融合 عالم Web3 مع تقنيات الذكاء الاصطناعي إلى ظهور المزيد من تطبيقات مبتكرة وسيناريوهات جديدة.

استنادًا إلى تقنية Web3، ستشهد تطوير وتطبيق الذكاء الاصطناعي نظامًا جديدًا من الاقتصاد التعاوني. يمكن ضمان خصوصية بيانات الناس، ويساهم نموذج البيانات الجماعية في تقدم نماذج الذكاء الاصطناعي، ويتوفر العديد من الموارد المفتوحة للذكاء الاصطناعي للاستخدام، ويمكن الحصول على قوة الحوسبة المشتركة بتكلفة منخفضة. من خلال آلية التعاون الجماعي اللامركزية والسوق المفتوحة للذكاء الاصطناعي، يمكن تحقيق نظام عادل لتوزيع الدخل، مما يحفز المزيد من الناس لدفع تقدم تقنية الذكاء الاصطناعي.

في مشهد Web3، يمكن أن يكون للذكاء الاصطناعي تأثيرات إيجابية في عدة مجالات. على سبيل المثال، يمكن دمج نماذج الذكاء الاصطناعي في العقود الذكية، مما يعزز كفاءة العمل في سيناريوهات تطبيقية مختلفة، مثل تحليل السوق، اكتشاف الأمان، تجميع الشبكات الاجتماعية، والعديد من الوظائف الأخرى. لا يتيح الذكاء الاصطناعي التوليدي للمستخدمين تجربة دور "الفنان" فحسب، مثل استخدام تقنيات الذكاء الاصطناعي لإنشاء NFT الخاصة بهم، بل يمكنه أيضًا خلق مشاهد ألعاب متنوعة وتجارب تفاعلية ممتعة في GameFi. توفر البنية التحتية الغنية تجربة تطوير سلسة، حيث يمكن لكل من خبراء الذكاء الاصطناعي والمبتدئين الذين يرغبون في دخول مجال الذكاء الاصطناعي العثور على مدخل مناسب في هذا العالم.

ثانياً، تفسير خريطة وهيكل مشروع Web3-AI الإيكولوجي

لقد درسنا بشكل رئيسي 41 مشروعًا في مجال Web3-AI وقمنا بتقسيم هذه المشاريع إلى مستويات مختلفة. يوضح المنطق وراء تقسيم كل مستوى في الشكل أدناه، بما في ذلك مستوى البنية التحتية، والمستوى الوسيط، ومستوى التطبيقات، حيث ينقسم كل مستوى إلى أقسام مختلفة. في الفصل التالي، سنقوم بتحليل بعض المشاريع الممثلة بعمق.

![تقرير شامل عن مسار Web3-AI: تحليل عميق للمنطق التكنولوجي، تطبيقات السيناريو والمشاريع الرائدة]###https://img-cdn.gateio.im/webp-social/moments-c10336df2eaf71062b92590bb9d80a4c.webp(

تشمل طبقة البنية التحتية الموارد الحاسوبية والهياكل التقنية التي تدعم تشغيل دورة حياة الذكاء الاصطناعي بالكامل، بينما تشمل الطبقة المتوسطة إدارة البيانات وخدمات تطوير النموذج والتحقق من الاستدلال التي تربط البنية التحتية بالتطبيقات، وتركز الطبقة التطبيقية على مجموعة متنوعة من التطبيقات والحلول الموجهة مباشرةً للمستخدم.

طبقة البنية التحتية:

طبقة البنية التحتية هي أساس دورة حياة الذكاء الاصطناعي، حيث يتم تصنيف قوة الحوسبة، سلسلة الذكاء الاصطناعي ومنصة التطوير كطبقة بنية تحتية. فقط من خلال دعم هذه البنية التحتية يمكن تدريب نماذج الذكاء الاصطناعي واستنتاجها، وتقديم تطبيقات ذكاء اصطناعي قوية وعملية للمستخدمين.

• شبكة الحوسبة اللامركزية: يمكن أن توفر قوة حسابية موزعة لتدريب نماذج الذكاء الاصطناعي، مما يضمن استخدام موارد حسابية فعالة واقتصادية. بعض المشاريع تقدم سوق قوة حسابية لامركزية، حيث يمكن للمستخدمين استئجار قوة حسابية بتكلفة منخفضة أو مشاركة القوة للحصول على أرباح، ومن المشاريع الممثلة IO.NET وHyperbolic. بالإضافة إلى ذلك، ظهرت بعض المشاريع بألعاب جديدة، مثل Compute Labs، التي اقترحت بروتوكول توكنيز، حيث يمكن للمستخدمين من خلال شراء NFT يمثل وحدة GPU مادية المشاركة بطرق مختلفة في استئجار القوة للحصول على أرباح.

• AI Chain: استخدام البلوكشين كأساس لدورة حياة الذكاء الاصطناعي، لتحقيق التفاعل السلس بين موارد الذكاء الاصطناعي على السلسلة وخارجها، وتعزيز تطوير النظام البيئي للصناعة. يمكن أن يتداول السوق اللامركزي للذكاء الاصطناعي الموجود على السلسلة أصول الذكاء الاصطناعي مثل البيانات والنماذج والوكلاء، ويوفر إطار تطوير الذكاء الاصطناعي والأدوات المساعدة للتطوير، ومن المشاريع الممثلة Sahara AI. يمكن أن يعزز AI Chain أيضًا التقدم في تقنيات الذكاء الاصطناعي في مجالات مختلفة، مثل Bittensor من خلال آلية الحوافز المبتكرة للشبكات الفرعية لتعزيز المنافسة بين أنواع مختلفة من الشبكات الفرعية للذكاء الاصطناعي.

• منصة التطوير: تقدم بعض المشاريع منصة تطوير للوكيل الذكي، ويمكنها أيضًا تنفيذ تداول الوكيل الذكي، مثل Fetch.ai وChainML وغيرها. تساعد الأدوات الشاملة المطورين على إنشاء وتدريب ونشر نماذج الذكاء الاصطناعي بشكل أكثر سهولة، وتعتبر مشاريع مثل Nimble ممثلة لذلك. تعزز هذه البنية التحتية الاستخدام الواسع لتقنية الذكاء الاصطناعي في نظام Web3 البيئي.

الطبقة الوسطى:

تتعلق هذه الطبقة ببيانات الذكاء الاصطناعي والنماذج وكذلك الاستدلال والتحقق، واستخدام تقنية Web3 يمكن أن يحقق كفاءة عمل أعلى.

• البيانات: تعتبر جودة البيانات وكميتها من العوامل الرئيسية التي تؤثر على فعالية تدريب النماذج. في عالم Web3، من خلال جمع البيانات من الحشود ومعالجة البيانات التعاونية، يمكن تحسين استخدام الموارد وتقليل تكاليف البيانات. يمكن للمستخدمين امتلاك حقوق البيانات الخاصة بهم، وبيع بياناتهم في حالة حماية الخصوصية، لتجنب سرقة البيانات من قبل تجار غير نزيهين وتحقيق أرباح ضخمة. بالنسبة لمتطلبات البيانات، توفر هذه المنصات خيارات واسعة وتكاليف منخفضة للغاية. من المشاريع الممثلة، يستخدم Grass عرض النطاق الترددي الخاص بالمستخدمين لجمع بيانات الويب، بينما تجمع xData المعلومات الإعلامية من خلال ملحقات سهلة الاستخدام، وتدعم المستخدمين في تحميل معلومات التغريدات.

علاوة على ذلك، تسمح بعض المنصات للخبراء في مجالات معينة أو للمستخدمين العاديين بأداء مهام معالجة البيانات مثل وضع علامات على الصور وتصنيف البيانات، وقد تتطلب هذه المهام معالجة البيانات المتعلقة بالمعرفة المتخصصة في المالية والقانون، حيث يمكن للمستخدمين تحويل مهاراتهم إلى رموز لتحقيق التعاون في معالجة البيانات. تمثل أسواق الذكاء الاصطناعي مثل Sahara AI مهام البيانات من مجالات مختلفة، مما يمكنها من تغطية سيناريوهات البيانات متعددة المجالات؛ بينما يقوم بروتوكول AIT بوساطة التعاون بين الإنسان والآلة لوضع علامات على البيانات.

• النماذج: في عملية تطوير الذكاء الاصطناعي التي تم ذكرها سابقًا، يحتاج أنواع مختلفة من المتطلبات إلى مطابقة النماذج المناسبة. النماذج الشائعة المستخدمة في مهام الصور مثل CNN و GAN، بينما يمكن اختيار سلسلة Yolo لمهام الكشف عن الأهداف، أما في مهام النصوص، فإن النماذج الشائعة تشمل RNN و Transformer، بالطبع هناك أيضًا بعض النماذج الكبيرة المحددة أو العامة. النماذج المطلوبة لمهام ذات تعقيد مختلف تحتاج إلى عمق مختلف، وأحيانًا تحتاج إلى ضبط النموذج.

تدعم بعض المشاريع المستخدمين لتقديم أنواع مختلفة من النماذج أو التعاون في تدريب النماذج من خلال أسلوب الحشد، مثل Sentient التي تسمح بتصميمها المعياري، حيث يمكن للمستخدمين وضع بيانات النموذج الموثوقة في طبقات التخزين والتوزيع لتحسين النموذج، كما أن أدوات التطوير التي تقدمها Sahara AI تتضمن خوارزميات ذكاء اصطناعي متقدمة وإطار عمل حسابي، وتتمتع بقدرة على التدريب التعاوني.

• الاستدلال والتحقق: بعد تدريب النموذج، سيتم إنشاء ملف أوزان النموذج، والذي يمكن استخدامه مباشرة في التصنيف أو التنبؤ أو المهام المحددة الأخرى، وتسمى هذه العملية الاستدلال. عادةً ما تصاحب عملية الاستدلال آلية تحقق للتحقق من صحة مصدر نموذج الاستدلال، وما إذا كان هناك سلوك خبيث، وما إلى ذلك. يمكن دمج الاستدلال في Web3 داخل العقود الذكية، من خلال استدعاء النموذج لإجراء الاستدلال، وتشمل طرق التحقق الشائعة ZKML و OPML و TEE وغيرها من التقنيات. من المشاريع الممثلة مثل Oracle AI على سلسلة ORA )OAO(، حيث تم إدخال OPML كطبقة قابلة للتحقق من AI Oracle، وذُكر في الموقع الرسمي لـ ORA أبحاثهم حول دمج ZKML و opp/ai) ZKML مع OPML (.

طبقة التطبيق:

هذه الطبقة موجهة بشكل مباشر نحو تطبيقات المستخدمين، حيث تجمع بين الذكاء الاصطناعي وWeb3، مما يخلق المزيد من الطرق المثيرة والمبتكرة للعب. تركز هذه المقالة بشكل أساسي على تنظيم المشاريع في عدة مجالات، بما في ذلك AIGC) المحتوى الذي يتم إنشاؤه بواسطة الذكاء الاصطناعي(، الوكلاء الذكاء الاصطناعي، وتحليل البيانات.

• AIGC: من خلال AIGC يمكن التوسع في مجالات NFT والألعاب في Web3، حيث يمكن للمستخدمين توليد النصوص والصور والصوتيات مباشرة من خلال التوجيهات التي يقدمها المستخدم )، ويمكنهم حتى إنشاء أساليب لعب مخصصة في الألعاب بناءً على تفضيلاتهم. مشاريع NFT مثل NFPrompt، حيث يمكن للمستخدمين توليد NFT بواسطة AI وتداولها في السوق؛ وألعاب مثل Sleepless، حيث يقوم المستخدمون بتشكيل شخصية رفيقهم الافتراضي من خلال الحوار لتتناسب مع تفضيلاتهم؛

• وكيل الذكاء الاصطناعي: يشير إلى أنظمة الذكاء الاصطناعي القادرة على تنفيذ المهام بشكل مستقل واتخاذ القرارات. عادة ما تمتلك وكلاء الذكاء الاصطناعي القدرة على الإدراك والاستدلال والتعلم والعمل، ويمكنهم تنفيذ مهام معقدة في بيئات متنوعة. تشمل وكلاء الذكاء الاصطناعي الشائعة مثل الترجمة اللغوية،