في قمة الحكومات العالمية الأخيرة، طرح أحد قادة صناعة التكنولوجيا مفهوم "الذكاء الاصطناعي السيادي". وهذا أثار سؤالاً: كيف يمكن بناء نظام ذكاء اصطناعي يلبي مصالح واحتياجات مجتمع التشفير؟ قد تكمن الإجابة في دمج Web3 وAI.
ناقش مؤسس الإيثيريوم في مقال له التآزر بين تقنية التشفير والذكاء الاصطناعي. وأشار إلى أن خاصية اللامركزية في تقنية التشفير يمكن أن توازن الاتجاه المركزي للذكاء الاصطناعي؛ كما أن شفافية البلوكشين يمكن أن تعوض عدم شفافية الذكاء الاصطناعي؛ كما أن تقنية البلوكشين تساعد أيضًا في تخزين البيانات المطلوبة للذكاء الاصطناعي وتتبعها. يمتد هذا التآزر عبر النظام البيئي الصناعي بأكمله لـ Web3+AI.
حالياً، تكرّس معظم مشاريع Web3+AI جهودها للاستفادة من تقنية اللامركزية لحل مشاكل بناء البنية التحتية في صناعة الذكاء الاصطناعي، بينما تركز بعض المشاريع على استخدام الذكاء الاصطناعي لحل تحديات معينة في تطبيقات Web3. تشمل صناعة Web3+AI الأربعة جوانب التالية:
1. طبقة القوة الحسابية: أصول القوة الحسابية
مع النمو المتزايد في الطلب على قوة الحوسبة لتدريب نماذج الذكاء الاصطناعي، ظهرت حالة من عدم التوازن بين العرض والطلب على قوة الحوسبة في السوق. توفر تقنية Web3 حلًا لذلك: من خلال إنشاء شبكة قوة حوسبة موزعة، يتم دمج موارد الأجهزة المتوسطة والمنخفضة غير المستغلة لتوفير موارد حوسبة اللامركزية عن طريق الإيجار أو المشاركة. لا يمكن أن يلبي ذلك احتياجات تطبيقات الذكاء الاصطناعي المتنوعة فحسب، بل يمكن أن يقلل أيضًا بشكل كبير من تكلفة قوة الحوسبة للذكاء الاصطناعي.
تشمل تقسيمات طبقة القدرة الحاسوبية القدرة الحاسوبية العامة اللامركزية، وقدرة الحاسوب المخصصة لتدريب الذكاء الاصطناعي، وقدرة الحاسوب لاستنتاج الذكاء الاصطناعي، بالإضافة إلى قدرة الحاسوب لتصيير الرسوم ثلاثية الأبعاد. يمكن لمشاريع القدرة الحاسوبية اللامركزية هذه توسيع حجم الشبكة بسرعة من خلال آلية تحفيز الرموز، مما يوفر حلولاً عالية الكفاءة من حيث التكلفة لتلبية احتياجات القدرة الحاسوبية المتوسطة والمنخفضة.
2. طبقة البيانات: تحويل البيانات إلى أصول
تعتبر البيانات المصدر الأساسي للذكاء الاصطناعي، وقد كانت عملية الحصول عليها وإدارتها من التحديات الرئيسية التي تواجه الصناعة. يوفر دمج Web3+AI حلولًا أكثر شفافية وبتكاليف منخفضة وملائمة للمستخدم لجمع البيانات وتوصيفها وتخزينها. من خلال الشبكات الموزعة وآليات التحفيز بالرموز، يمكن الحصول على بيانات عالية الجودة وعلى نطاق واسع بطريقة جماعية.
تشمل مشاريع طبقة البيانات بشكل رئيسي جمع البيانات، وتداول البيانات، ووضع العلامات على البيانات، ومصادر البيانات على البلوكشين، وكذلك التخزين اللامركزي. تواجه هذه المشاريع تحديات أكبر عند تصميم نماذج الاقتصاد الرمزي، لأن البيانات أصعب في القياس القياسي مقارنة بقوة الحوسبة.
3. طبقة المنصة: تحويل قيمة الأصول إلى أصول
تهدف المشاريع من نوع المنصات إلى دمج جميع موارد صناعة الذكاء الاصطناعي، بما في ذلك البيانات، وقوة الحوسبة، والنماذج، ومطوري الذكاء الاصطناعي، وblockchain. تركز بعض المشاريع على بناء منصة تشغيل zkML لتعزيز موثوقية وشفافية استدلال تعلم الآلة. وهناك مشاريع أخرى تكرس جهودها لتطوير شبكة blockchain تركز على الذكاء الاصطناعي، لتوفير بنية تحتية سريعة البناء والتطور لتطبيقات Web3+AI.
تلتقط هذه الأنواع من المشاريع قيمة المنصة من خلال الرموز، وتحفز جميع الأطراف المشاركة في البناء المشترك، وهو ما يكون مفيدًا بشكل خاص لتطوير المشاريع الناشئة.
4. طبقة التطبيق: تحويل قيمة الذكاء الاصطناعي إلى أصول
تركز مشاريع الطبقة التطبيقية بشكل رئيسي على كيفية استخدام الذكاء الاصطناعي لحل المشكلات المحددة في تطبيقات Web3. ومن الاتجاهات التي تستحق الاهتمام اتجاهان هما:
الذكاء الاصطناعي كطرف في Web3: على سبيل المثال، يلعب دور اللاعب في ألعاب Web3، أو يقوم بإجراء صفقات تحكيم في بورصات اللامركزية.
إنشاء AI خاص لامركزي قابل للتوسع: من خلال منح المجتمع حق الحكم الموزع على نظام AI، يتم معالجة مخاوف المستخدمين بشأن مشكلة الصندوق الأسود للذكاء الاصطناعي.
على الرغم من عدم ظهور مشاريع رائدة في طبقة تطبيقات Web3 + AI حتى الآن، إلا أن هذا المجال لا يزال مليئًا بالإمكانيات.
آفاق
لا يزال دمج Web3+AI في مرحلة مبكرة، وهناك آراء مختلفة داخل الصناعة بشأن آفاق تطويره. ومع ذلك، من المتوقع أن يخلق هذا الدمج منتجات أكثر قيمة من AI اللامركزية، ويحررها من "سيطرة الشركات الكبرى" و"الاحتكار"، محققًا نموذج "إدارة مشتركة للذكاء الاصطناعي" أكثر مجتمعية. من خلال المشاركة بشكل أقرب في عملية تطوير الذكاء الاصطناعي وإدارته، قد يشعر البشر بمزيد من الإعجاب تجاه الذكاء الاصطناعي، مما يقلل من الخوف. هذا الدمج لا يمثل فقط تقدمًا تقنيًا، بل هو أيضًا استكشاف مهم لعلاقة الإنسان بالذكاء الاصطناعي.
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 14
أعجبني
14
6
مشاركة
تعليق
0/400
WhaleMinion
· منذ 10 س
الذكاء الاصطناعي الذكي؟ ههه جزر الجزر الجزر
شاهد النسخة الأصليةرد0
GasFeeBeggar
· 08-06 00:31
مرة أخرى سنحتاج إلى غاز، أليس كذلك؟
شاهد النسخة الأصليةرد0
AirdropLicker
· 08-06 00:30
هل تتحدث في نومك مرة أخرى؟ هل لديك مال؟
شاهد النسخة الأصليةرد0
NftRegretMachine
· 08-06 00:26
الذكاء الاصطناعي السيادي؟ هذه الطريق قد انحرفت.
شاهد النسخة الأصليةرد0
GamefiHarvester
· 08-06 00:23
كل يوم يتحدثون عن الدمج بينما لا تزال البيانات مخزنة في مركزية.
شاهد النسخة الأصليةرد0
Web3ProductManager
· 08-06 00:12
ننظر إلى مقاييس الاحتفاظ هنا... يمكن أن تكون الذكاء الاصطناعي اللامركزي هو ملاءمة المنتج-السوق التالية التي كنا نطاردها بصراحة. تظهر بيانات القمع لدينا أن المستخدمين يريدون ذلك.
Web3 والذكاء الاصطناعي: بناء نظام بيئي ذكي لامركزي
دمج Web3 و AI: بناء مستقبل ذكي لامركزي
في قمة الحكومات العالمية الأخيرة، طرح أحد قادة صناعة التكنولوجيا مفهوم "الذكاء الاصطناعي السيادي". وهذا أثار سؤالاً: كيف يمكن بناء نظام ذكاء اصطناعي يلبي مصالح واحتياجات مجتمع التشفير؟ قد تكمن الإجابة في دمج Web3 وAI.
ناقش مؤسس الإيثيريوم في مقال له التآزر بين تقنية التشفير والذكاء الاصطناعي. وأشار إلى أن خاصية اللامركزية في تقنية التشفير يمكن أن توازن الاتجاه المركزي للذكاء الاصطناعي؛ كما أن شفافية البلوكشين يمكن أن تعوض عدم شفافية الذكاء الاصطناعي؛ كما أن تقنية البلوكشين تساعد أيضًا في تخزين البيانات المطلوبة للذكاء الاصطناعي وتتبعها. يمتد هذا التآزر عبر النظام البيئي الصناعي بأكمله لـ Web3+AI.
حالياً، تكرّس معظم مشاريع Web3+AI جهودها للاستفادة من تقنية اللامركزية لحل مشاكل بناء البنية التحتية في صناعة الذكاء الاصطناعي، بينما تركز بعض المشاريع على استخدام الذكاء الاصطناعي لحل تحديات معينة في تطبيقات Web3. تشمل صناعة Web3+AI الأربعة جوانب التالية:
1. طبقة القوة الحسابية: أصول القوة الحسابية
مع النمو المتزايد في الطلب على قوة الحوسبة لتدريب نماذج الذكاء الاصطناعي، ظهرت حالة من عدم التوازن بين العرض والطلب على قوة الحوسبة في السوق. توفر تقنية Web3 حلًا لذلك: من خلال إنشاء شبكة قوة حوسبة موزعة، يتم دمج موارد الأجهزة المتوسطة والمنخفضة غير المستغلة لتوفير موارد حوسبة اللامركزية عن طريق الإيجار أو المشاركة. لا يمكن أن يلبي ذلك احتياجات تطبيقات الذكاء الاصطناعي المتنوعة فحسب، بل يمكن أن يقلل أيضًا بشكل كبير من تكلفة قوة الحوسبة للذكاء الاصطناعي.
تشمل تقسيمات طبقة القدرة الحاسوبية القدرة الحاسوبية العامة اللامركزية، وقدرة الحاسوب المخصصة لتدريب الذكاء الاصطناعي، وقدرة الحاسوب لاستنتاج الذكاء الاصطناعي، بالإضافة إلى قدرة الحاسوب لتصيير الرسوم ثلاثية الأبعاد. يمكن لمشاريع القدرة الحاسوبية اللامركزية هذه توسيع حجم الشبكة بسرعة من خلال آلية تحفيز الرموز، مما يوفر حلولاً عالية الكفاءة من حيث التكلفة لتلبية احتياجات القدرة الحاسوبية المتوسطة والمنخفضة.
2. طبقة البيانات: تحويل البيانات إلى أصول
تعتبر البيانات المصدر الأساسي للذكاء الاصطناعي، وقد كانت عملية الحصول عليها وإدارتها من التحديات الرئيسية التي تواجه الصناعة. يوفر دمج Web3+AI حلولًا أكثر شفافية وبتكاليف منخفضة وملائمة للمستخدم لجمع البيانات وتوصيفها وتخزينها. من خلال الشبكات الموزعة وآليات التحفيز بالرموز، يمكن الحصول على بيانات عالية الجودة وعلى نطاق واسع بطريقة جماعية.
تشمل مشاريع طبقة البيانات بشكل رئيسي جمع البيانات، وتداول البيانات، ووضع العلامات على البيانات، ومصادر البيانات على البلوكشين، وكذلك التخزين اللامركزي. تواجه هذه المشاريع تحديات أكبر عند تصميم نماذج الاقتصاد الرمزي، لأن البيانات أصعب في القياس القياسي مقارنة بقوة الحوسبة.
3. طبقة المنصة: تحويل قيمة الأصول إلى أصول
تهدف المشاريع من نوع المنصات إلى دمج جميع موارد صناعة الذكاء الاصطناعي، بما في ذلك البيانات، وقوة الحوسبة، والنماذج، ومطوري الذكاء الاصطناعي، وblockchain. تركز بعض المشاريع على بناء منصة تشغيل zkML لتعزيز موثوقية وشفافية استدلال تعلم الآلة. وهناك مشاريع أخرى تكرس جهودها لتطوير شبكة blockchain تركز على الذكاء الاصطناعي، لتوفير بنية تحتية سريعة البناء والتطور لتطبيقات Web3+AI.
تلتقط هذه الأنواع من المشاريع قيمة المنصة من خلال الرموز، وتحفز جميع الأطراف المشاركة في البناء المشترك، وهو ما يكون مفيدًا بشكل خاص لتطوير المشاريع الناشئة.
4. طبقة التطبيق: تحويل قيمة الذكاء الاصطناعي إلى أصول
تركز مشاريع الطبقة التطبيقية بشكل رئيسي على كيفية استخدام الذكاء الاصطناعي لحل المشكلات المحددة في تطبيقات Web3. ومن الاتجاهات التي تستحق الاهتمام اتجاهان هما:
الذكاء الاصطناعي كطرف في Web3: على سبيل المثال، يلعب دور اللاعب في ألعاب Web3، أو يقوم بإجراء صفقات تحكيم في بورصات اللامركزية.
إنشاء AI خاص لامركزي قابل للتوسع: من خلال منح المجتمع حق الحكم الموزع على نظام AI، يتم معالجة مخاوف المستخدمين بشأن مشكلة الصندوق الأسود للذكاء الاصطناعي.
على الرغم من عدم ظهور مشاريع رائدة في طبقة تطبيقات Web3 + AI حتى الآن، إلا أن هذا المجال لا يزال مليئًا بالإمكانيات.
آفاق
لا يزال دمج Web3+AI في مرحلة مبكرة، وهناك آراء مختلفة داخل الصناعة بشأن آفاق تطويره. ومع ذلك، من المتوقع أن يخلق هذا الدمج منتجات أكثر قيمة من AI اللامركزية، ويحررها من "سيطرة الشركات الكبرى" و"الاحتكار"، محققًا نموذج "إدارة مشتركة للذكاء الاصطناعي" أكثر مجتمعية. من خلال المشاركة بشكل أقرب في عملية تطوير الذكاء الاصطناعي وإدارته، قد يشعر البشر بمزيد من الإعجاب تجاه الذكاء الاصطناعي، مما يقلل من الخوف. هذا الدمج لا يمثل فقط تقدمًا تقنيًا، بل هو أيضًا استكشاف مهم لعلاقة الإنسان بالذكاء الاصطناعي.