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

مع استمرار ارتفاع حرارة السرد المبني على الذكاء الاصطناعي، يتركز المزيد والمزيد من الاهتمام على هذا المسار. تقدم هذه المقالة تحليلًا عميقًا للمنطق التكنولوجي، وسيناريوهات التطبيق، والمشاريع الممثلة في مسار Web3-AI، لتقديم عرض شامل لهذا المجال واتجاهات تطويره.

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

1.1 منطق دمج Web3 و AI: كيفية تحديد مسار Web-AI

في العام الماضي، كانت السرديات الذكية الاصطناعية في صناعة Web3 مشتعلة بشكل استثنائي، 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 الاقتصاديات الرمزية الأساسية ومنتجات الذكاء الاصطناعي، لذلك لا تندرج هذه المشاريع ضمن مناقشة مشاريع Web3-AI في هذه المقالة.

تركز هذه المقالة على استخدام تقنية blockchain لحل مشكلات علاقات الإنتاج، ومشاريع AI التي تعالج مشكلات القوى الإنتاجية. تقدم هذه المشاريع نفسها منتجات AI، بينما تعتمد على نموذج الاقتصاد Web3 كأداة لعلاقات الإنتاج، حيث يكمل كل منهما الآخر. نصنف هذه المشاريع ضمن مسار Web3-AI. لتسهيل فهم القراء لمسار Web3-AI، سنقوم في السطور التالية بشرح عملية تطوير AI والتحديات التي تواجهها، بالإضافة إلى كيفية دمج Web3 و AI بشكل مثالي لحل المشكلات وخلق سيناريوهات تطبيق جديدة.

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

تكنولوجيا الذكاء الاصطناعي هي تقنية تتيح لأجهزة الكمبيوتر محاكاة وتوسيع وتعزيز الذكاء البشري. يمكن أن تمكن أجهزة الكمبيوتر من تنفيذ مجموعة متنوعة من المهام المعقدة، بدءًا من ترجمة اللغات، وتصنيف الصور، وصولًا إلى التعرف على الوجوه، والقيادة الذاتية، وما إلى ذلك من سيناريوهات التطبيق، حيث يغير الذكاء الاصطناعي طريقة حياتنا وعملنا.

تتضمن عملية تطوير نماذج الذكاء الاصطناعي عادةً الخطوات الرئيسية التالية: جمع البيانات ومعالجة البيانات، اختيار النموذج وضبطه، تدريب النموذج واستدلاله. على سبيل المثال البسيط، لتطوير نموذج يحقق تصنيف صور القطط والكلاب، تحتاج إلى:

1. جمع البيانات ومعالجة البيانات: جمع مجموعة بيانات تحتوي على صور للقطط والكلاب، يمكن استخدام مجموعات بيانات عامة أو جمع بيانات حقيقية بنفسك. ثم قم بتصنيف كل صورة (قط أو كلب)، وتأكد من أن التسمية دقيقة. 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 تعد مناسبة للغاية لمهام تصنيف الصور. ضبط معلمات النموذج أو هيكله بناءً على الاحتياجات المختلفة، وعادة ما يمكن تعديل مستويات الشبكة للنموذج بناءً على تعقيد مهمة الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون المستويات الشبكية الأكثر سطحية كافية.

3. تدريب النموذج: يمكن استخدام GPU أو TPU أو مجموعة حوسبة عالية الأداء لتدريب النموذج، ومدة التدريب تتأثر 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، وغالبًا ما يتم تقييم فعالية النموذج من خلال مؤشرات مثل الدقة، ومعدل الاسترجاع، وF1-score.

كما هو موضح في الشكل، بعد جمع البيانات ومعالجة البيانات الأولية، واختيار النموذج وتحسينه، سيتم استنتاج القيم المتوقعة للقطط والكلاب P (الاحتمالية) باستخدام النموذج المدرب على مجموعة الاختبار، أي الاحتمالية التي يستنتجها النموذج بأنها قطة أو كلب.

يمكن دمج نموذج الذكاء الاصطناعي المدرب بشكل أكبر في تطبيقات مختلفة لأداء مهام مختلفة. في هذا المثال، يمكن دمج نموذج الذكاء الاصطناعي لتصنيف القطط والكلاب في تطبيق هاتف محمول، حيث يمكن للمستخدم تحميل صور لقطط أو كلاب للحصول على نتائج التصنيف.

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

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

مصادر البيانات: قد يواجه فريق صغير أو فرد قيودًا على عدم فتح المصدر عند الحصول على بيانات في مجال معين (مثل البيانات الطبية).

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

الحصول على قوة الحوسبة: بالنسبة للمطورين الأفراد والفرق الصغيرة، قد تشكل تكلفة شراء وحدات معالجة الرسوميات العالية وتكاليف استئجار قوة الحوسبة السحابية عبئًا اقتصاديًا كبيرًا.

دخل الأصول الذكية: غالبًا ما لا يحصل عمال تصنيف البيانات على دخل يتناسب مع جهودهم، كما أن نتائج أبحاث مطوري الذكاء الاصطناعي يصعب مطابقتها مع المشترين الذين لديهم طلب.

التحديات الموجودة في سيناريوهات الذكاء الاصطناعي المركزي يمكن التغلب عليها من خلال دمجها مع Web3، حيث أن Web3 كعلاقة إنتاج جديدة تتكيف بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل قوة إنتاج جديدة، مما يدفع للتقدم المتزامن في التقنية والقدرة الإنتاجية.

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

يمكن أن يعزز الجمع بين Web3 و AI سيطرة المستخدمين، ويوفر منصة تعاون مفتوحة للذكاء الاصطناعي للمستخدمين، مما يسمح لهم بالتحول من مستخدمي الذكاء الاصطناعي في عصر Web2 إلى مشاركين، لإنشاء ذكاء اصطناعي يمكن للجميع امتلاكه. في الوقت نفسه، فإن دمج عالم Web3 مع تقنيات الذكاء الاصطناعي يمكن أن يخلق المزيد من سيناريوهات التطبيقات المبتكرة وأشكال اللعب.

استنادًا إلى تقنية Web3 ، ستشهد تطوير وتطبيق الذكاء الاصطناعي نظام اقتصاد تعاوني جديد. يمكن ضمان خصوصية بيانات الأشخاص ، وتعزز نماذج البيانات العديدة تقدم نماذج الذكاء الاصطناعي ، وتتوفر العديد من موارد الذكاء الاصطناعي مفتوحة المصدر للاستخدام من قبل المستخدمين ، ويمكن الحصول على القدرة الحاسوبية المشتركة بتكاليف منخفضة. من خلال آلية التعاون اللامركزية والنموذج المفتوح لسوق الذكاء الاصطناعي ، يمكن تحقيق نظام توزيع عادل للإيرادات ، مما يحفز المزيد من الأشخاص لدفع تقدم تكنولوجيا الذكاء الاصطناعي.

في مشهد Web3، يمكن للذكاء الاصطناعي أن يحدث تأثيرًا إيجابيًا في العديد من المجالات. على سبيل المثال، يمكن دمج نماذج الذكاء الاصطناعي في العقود الذكية لتعزيز كفاءة العمل في سيناريوهات تطبيقية مختلفة، مثل تحليل السوق، والكشف عن الأمان، والتجمعات الاجتماعية، 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 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.

٢- خريطة مشروع Web3-AI والهيكل المعماري

قمنا بدراسة 41 مشروعًا في مجال Web3-AI وقمنا بتقسيم هذه المشاريع إلى مستويات مختلفة. إن منطق تقسيم كل مستوى موضح في الشكل أدناه، ويتضمن مستوى البنية التحتية، والمستوى الأوسط، ومستوى التطبيقات، وكل مستوى ينقسم إلى أقسام مختلفة. في الفصل التالي، سنقوم بإجراء تحليل عميق لبعض المشاريع التي تمثل مجالًا معينًا.

تغطي طبقة البنية التحتية الموارد الحاسوبية والهياكل التقنية التي تدعم تشغيل دورة حياة الذكاء الاصطناعي بالكامل، بينما تشمل الطبقة المتوسطة إدارة البيانات وخدمات تطوير النماذج 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 القدرة الحاسوبية، وسلسلة الذكاء الاصطناعي، ومنصة التطوير على أنها طبقة البنية التحتية. بفضل دعم هذه البنية التحتية، يمكن تدريب نماذج الذكاء الاصطناعي واستنتاجها، وتقديم تطبيقات ذكاء اصطناعي قوية وعملية للمستخدمين.

• شبكة الحوسبة اللامركزية: يمكن أن توفر قوة حوسبة موزعة لتدريب نماذج الذكاء الاصطناعي، مما يضمن استخدام موارد حسابية بكفاءة وبتكلفة اقتصادية. توفر بعض المشاريع سوقًا لامركزيًا للقوة الحاسوبية، حيث يمكن للمستخدمين استئجار القوة الحاسوبية بتكلفة منخفضة أو مشاركة القوة الحاسوبية للحصول على عائدات، ومن المشاريع الممثلة مثل IO.NET و Hyperbolic. بالإضافة إلى ذلك، نشأت بعض المشاريع بأساليب جديدة، مثل Compute Labs، التي اقترحت بروتوكولًا موحدًا، حيث يمكن للمستخدمين من خلال شراء NFT تمثل كيان GPU، المشاركة بطرق مختلفة في استئجار القوة الحاسوبية للحصول على عائدات.

• AI Chain: استخدام blockchain كأساس لدورة حياة الذكاء الاصطناعي، مما يحقق التفاعل السلس بين موارد الذكاء الاصطناعي على السلسلة وخارجها، ويعزز تطوير النظام البيئي للصناعة. يمكن للسوق اللامركزي للذكاء الاصطناعي على السلسلة تداول أصول الذكاء الاصطناعي مثل البيانات والنماذج والوكلاء، وتقديم إطار تطوير الذكاء الاصطناعي وأدوات التطوير المساعدة، ومن المشاريع الممثلة Sahara AI. يمكن أن يعزز AI Chain أيضًا تقدم تقنيات الذكاء الاصطناعي في مجالات مختلفة، مثل Bittensor من خلال آلية التحفيز المبتكرة للشبكات الفرعية لتعزيز تنافس الشبكات الفرعية لأنواع الذكاء الاصطناعي المختلفة.

• منصة التطوير: بعض المشاريع تقدم منصات تطوير وكيل الذكاء الاصطناعي، ويمكنها أيضًا تنفيذ تداول الوكلاء الذكيين، مثل Fetch.ai و ChainML وغيرها. أدوات شاملة تساعد المطورين على إنشاء وتدريب ونشر نماذج الذكاء الاصطناعي بسهولة، تمثل المشاريع مثل Nimble. هذه البنية التحتية تعزز من الاستخدام الواسع لتقنية الذكاء الاصطناعي في نظام Web3 البيئي.

الطبقة الوسطى:

هذه الطبقة تتعلق ببيانات الذكاء الاصطناعي، والنماذج، والاستدلال والتحقق، ويمكن من خلال استخدام تقنيات Web3 تحقيق كفاءة عمل أعلى.

• البيانات: جودة وكمية البيانات هي عوامل رئيسية تؤثر على فعالية تدريب النماذج. في عالم Web3، يمكن تحسين استخدام الموارد وتقليل تكلفة البيانات من خلال بيانات الحشود ومعالجة البيانات التعاونية. يمكن للمستخدمين امتلاك حقوق البيانات الخاصة بهم، وبيع بياناتهم في ظل حماية الخصوصية، لتجنب سرقة البيانات من قبل تجار غير أمناء وتحقيق أرباح عالية. بالنسبة لمستخدمي البيانات، توفر هذه المنصات مجموعة واسعة من الخيارات وتكاليف منخفضة للغاية. من المشاريع الممثلة، تستخدم Grass عرض النطاق الترددي للمستخدمين لجمع بيانات الويب، بينما تجمع xData المعلومات الإعلامية من خلال مكونات إضافية سهلة الاستخدام، وتدعم المستخدمين في تحميل معلومات التغريد.

بالإضافة إلى ذلك، تسمح بعض المنصات للخبراء في المجالات أو المستخدمين العاديين بتنفيذ مهام معالجة البيانات المسبقة، مثل وضع علامات على الصور وتصنيف البيانات، والتي قد تتطلب معالجة بيانات مهام مالية وقانونية تتطلب معرفة متخصصة، حيث يمكن للمستخدمين تحويل مهاراتهم إلى رموز، مما يتيح التعاون الجماعي في معالجة البيانات. تمثل سوق الذكاء الاصطناعي مثل Sahara AI، التي تحتوي على مهام بيانات من مجالات مختلفة، والتي يمكن أن تغطي سيناريوهات بيانات متعددة المجالات؛ بينما يقوم بروتوكول AIT بتسمية البيانات من خلال التعاون بين الإنسان والآلة.

• النموذج: خلال عملية تطوير الذكاء الاصطناعي التي تم الإشارة إليها سابقًا، تحتاج أنواع مختلفة من المتطلبات إلى مطابقة نموذج مناسب. النماذج الشائعة المستخدمة في مهام الصور مثل CNN وGAN، ومهام كشف الأهداف يمكن اختيار سلسلة Yolo، بينما النماذج الشائعة لمهام النصوص تشمل RNN وTransformer وغيرها من النماذج الكبيرة المحددة أو العامة. تختلف العمق المطلوب للنموذج حسب تعقيد المهام، وفي بعض الأحيان يتطلب الأمر ضبط النموذج.

بعض المشاريع تدعم المستخدمين في تقديم أنواع مختلفة من النماذج أو التعاون في تدريب النماذج من خلال جمع الحشود، مثل Sentient التي من خلال تصميمها المعياري، تسمح للمستخدمين بوضع بيانات نماذج موثوقة في طبقة التخزين، وطبقة التوزيع لتحسين النماذج، كما أن أدوات التطوير التي تقدمها Sahara AI تحتوي على خوارزميات الذكاء الاصطناعي المتقدمة وإطار العمل الحسابي، ولها القدرة على التدريب التعاوني.

• الاستدلال والتحقق: بعد تدريب النموذج، سيتم إنشاء ملف أوزان النموذج، والذي يمكن استخدامه مباشرة في التصنيف أو التنبؤ أو مهام محددة أخرى، وتسمى هذه العملية الاستدلال. عادةً ما ترتبط عملية الاستدلال بآلية تحقق للتحقق مما إذا كان مصدر نموذج الاستدلال صحيحًا، وما إذا كانت هناك سلوكيات خبيثة، وما إلى ذلك. يمكن دمج الاستدلال في Web3 في العقود الذكية، من خلال استدعاء النموذج لإجراء الاستدلال، وتشمل طرق التحقق الشائعة تقنيات مثل ZKML و OPML و TEE. المشاريع الممثلة مثل أورا (ORA) التي تقدم خدمة التنبؤ بالذكاء الاصطناعي على السلسلة (OAO)، أدخلت OPML كطبقة قابلة للتحقق لذكاء الاصطناعي، كما ذكرت الموقع الرسمي لأورا أبحاثها حول ZKML و opp/ai (دمج ZKML مع OPML).

طبقة التطبيق:

هذه الطبقة موجهة بشكل مباشر نحو تطبيقات المستخدمين، حيث تجمع بين الذكاء الاصطناعي و Web3.