لمحة سريعة؛ لم تملك الوقت للقراءة

أجرينا تحليلًا عميقًا لـ 67 مشروعًا في مجال العملات الرقمية+الذكاء الاصطناعي، مصنفينهم من منظور GenAI. تغطي تصنيفاتنا:

1. GPU DePIN
2. الحوسبة اللامركزية (التدريب + الاستدلال)
3. التحقق (ZKML + OPML)
4. مجال العملات الرقمية LLM
5. البيانات (عامة + خاصة بالذكاء الاصطناعي)
6. تطبيقات خلق الذكاء الاصطناعي
7. تطبيقات المستهلك الذكية للذكاء الاصطناعي
8. معايير الذكاء الاصطناعي (الرموز + الوكلاء)
9. اقتصاد الذكاء الاصطناعي

لماذا نكتب هذا؟

لقد لفتت سردية مجال العملات الرقمية والذكاء الاصطناعي الكثير من الانتباه حتى الآن. يظهر العديد من التقارير حول مجال العملات الرقمية والذكاء الاصطناعي، ولكنها إما تغطي جزءًا فقط من قصة الذكاء الاصطناعي أو تفسر الذكاء الاصطناعي من منظور مجال العملات الرقمية فقط.

سيتناول هذا المقال الموضوع من منظور الذكاء الاصطناعي، مستكشفا كيف يدعم العملات الرقمية الذكاء الاصطناعي وكيف يمكن للذكاء الاصطناعي أن يعود بالفائدة على العملات الرقمية، لفهم بشكل أفضل المشهد الحالي لصناعة العملات الرقمية والذكاء الاصطناعي.

الجزء الأول: فك رموز منظر الذكاء الاصطناعي

لنستكشف المنظر العام لتقنية الذكاء الاصطناعي GenAI بدءًا من المنتجات التي نستخدمها يوميًا. تتكون هذه المنتجات عادةً من جزئين رئيسيين: LLM و UI. بالنسبة للنموذج الكبير، هناك عمليتان رئيسيتان: إنشاء النموذج واستخدام النموذج، المعروفة بشكل شائع باسم التدريب والاستنتاج. أما بالنسبة لواجهة المستخدم، فإنها تأتي في أشكال مختلفة، بما في ذلك القائمة على المحادثات مثل GPT، والقائمة على الرؤية مثل LumaAI، والعديد من الحلول الأخرى التي تدمج واجهات برمجة التطبيقات للاستنتاج في واجهات المنتجات الحالية.

حساب

بالتفصيل أكثر، الحسابات أمر أساسي لكل من التدريب والاستدلال، حيث تعتمد بشكل كبير على الحوسبة بوحدات معالجة الرسومات الأساسية. بينما قد تختلف الاتصالات الفعلية لوحدات معالجة الرسومات بين التدريب والاستدلال، إلا أن وحدات معالجة الرسومات تعتبر المكون الأساسي للبنية التحتية عبر منتجات الذكاء الاصطناعي. وفوق هذا، لدينا تنسيق مجموعات وحدات معالجة الرسومات، المعروفة بالسحب. يمكن تقسيم هذه إلى سحب تقليدية متنوعة والسحب الرأسية[1], مع التركيز الأكبر في Vertical Clouds على الذكاء الاصطناعي والتحسين لسيناريوهات الحوسبة الاصطناعية.

تخزين

بالنسبة للتخزين، يمكن تقسيم تخزين بيانات الذكاء الاصطناعي إلى حلول تخزين تقليدية مثل AWS S3 وتخزين Azure Blob، وتخزين محدد محسن لمجموعات بيانات الذكاء الاصطناعي. تم تصميم هذه الحلول المتخصصة في التخزين، مثل Filestore من Google Cloud، لتعزيز سرعات الوصول إلى البيانات في سيناريوهات محددة.

تدريب

مع استمرار البنية التحتية للذكاء الاصطناعي، من الضروري التمييز بين التدريب والاستدلال، حيث تختلف بشكل كبير. وبخلاف الحوسبة العامة، كلاهما ينطوي على العديد من منطقيات الأعمال الخاصة بالذكاء الاصطناعي.

بالنسبة للتدريب، يمكن تقسيم البنية التحتية عمومًا إلى[2]:

1. المنصات: تم تصميم هذه خصيصًا لتدريب ومساعدة مطوري الذكاء الاصطناعي في تدريب النماذج اللغوية الكبيرة بفعالية، مع حلول تسريع البرمجيات الإضافية، مثل MosaicML.
2. مزودو النماذج الأساسية: تتضمن هذه الفئة منصات مثل Hugging Face، التي تقدم نماذج أساسية يمكن للمستخدمين مواصلة تدريبها أو تعديلها بشكل دقيق.
3. الأطر: وأخيرًا، هناك العديد من الأطر التدريبية الأساسية التي تم بناؤها من الصفر، مثل PyTorch وTensorFlow.

استنتاج

بالنسبة للاستدلال، يمكن عمومًا تقسيم المنظر إلى:

1. المحسنون: يتخصصون في إجراء سلسلة من البتيمات بشكل خاص للاستنتاج وحالات الاستخدام الخاصة، مثل دعم المعالجة المتوازية أو التحسينات الخوارزمية لإنتاج الوسائط. ومن الأمثلة عليها fal.ai، الذي قام بتحسين الاستدلال لعمليات نص-صورة، مما يعزز سرعة الانتشار بنسبة 50% مقارنة بالطرق العامة.
2. منصات النشر: توفر خدمات سحابة الاستدلال العامة للنموذج مثل Amazon SageMaker، مما يسهل نشر وتوسيع نماذج الذكاء الاصطناعي عبر بيئات مختلفة.

تطبيق

بينما هناك تطبيقات AI لا تُحصى، يمكن تصنيفها عمومًا بناءً على مجموعات المستخدمين إلى نوعين رئيسيين: الخالق والمستهلك.

1. مستخدمي الذكاء الاصطناعي: بدءًا من مستخدمي الذكاء الاصطناعي، يستخدم هذا الفريق في الأساس منتجات الذكاء الاصطناعي وهو على استعداد لدفع ثمن القيمة التي تقدمها هذه المنتجات. مثال نموذجي على هذه الفئة هو ChatGPT.
2. المنشئ الذكي: من ناحية أخرى، تتعلق تطبيقات المنشئين الذكيين بدعوة منشئي الذكاء الاصطناعي إلى منصاتهم لإنشاء وكلاء، ومشاركة المعارف ثم مشاركة الأرباح معهم، حيث يُعد سوق GPT أحد الأمثلة الأشهر.

هاتان الفئتان تشملان تقريبًا جميع تطبيقات الذكاء الاصطناعي. بينما توجد تصنيفات أكثر تفصيلاً، سيركز هذا المقال على هذه الفئات الأوسع.

الجزء الثاني: كيف تساعد العملات الرقمية الذكاء الاصطناعي

قبل الإجابة على هذا السؤال، دعنا نلخص الفوائد الرئيسية لمجال العملات الرقمية التي يمكن أن تستفيد منها التحسينات الذكاء الاصطناعي: تحقيق الربح، التضمين، الشفافية، ملكية البيانات، تقليل التكاليف، وأكثر من ذلك.

ملخص عالي المستوى لتقاطع العملات الرقمية مع الذكاء الاصطناعي من مدونة vitalik.eth

هذهمزايا رئيسية[4] تساعد في المقام الأول في تحسين المشهد الحالي عن طريق:

1. التحويل إلى نقود: من خلال آليات Crypto الفريدة مثل التمويل والتحويل إلى رموز، يمكن اتخاذ ابتكارات مخربة في تطبيقات مبتكري الذكاء الاصطناعي، مما يضمن أن اقتصاد الذكاء الاصطناعي مفتوح وعادل.
2. الشمولية: تمكن العملات الرقمية المشاركة دون الحاجة إلى إذن، مكسرة القيود المتنوعة المفروضة من قبل شركات الذكاء الصناعي المغلقة والمركزية التي تهيمن على السوق اليوم. يسمح هذا للذكاء الصناعي بتحقيق الشفافية والحرية الحقيقيتين.
3. الشفافية: يمكن للعملات الرقمية جعل الذكاء الاصطناعي مفتوح المصدر بالكامل من خلال استخدام تقنيات ZKML/OPML لوضع عملية التدريب والاستدلال الكاملة لـ LLMs على السلسلة، مما يضمن فتحية وعدم الإذن للذكاء الاصطناعي.
4. ملكية البيانات: من خلال تمكين المعاملات على السلسلة لتأسيس ملكية البيانات للحسابات (المستخدمين)، مما يتيح للمستخدمين امتلاك بيانات الذكاء الاصطناعي الخاصة بهم حقًا. وهذا مفيد بشكل خاص على مستوى التطبيق، مما يساعد المستخدمين على تأمين حقوق بيانات الذكاء الاصطناعي الخاصة بهم بكفاءة.
5. تقليل التكلفة: من خلال تحفيز بالرموز، يمكن تحويل القيمة المستقبلية لقوة الحوسبة إلى نقد، مما يقلل بشكل كبير من تكلفة الحالية لوحدات المعالجة الرسومية. يقلل هذا النهج بشكل كبير من تكلفة الذكاء الاصطناعي على مستوى الحوسبة.

الجزء الثالث: استكشاف مجال العملات الرقمية+الذكاء الاصطناعي

تطبيق مزايا مجال العملات الرقمية على الفئات المختلفة داخل منظر الذكاء الاصطناعي يخلق وجهة نظر جديدة لمنظر الذكاء الاصطناعي من خلال عدسة مجال العملات الرقمية.

طبقة LLM

1. إلغاء دبوس GPU

نحن مستمرون في تحديد المخطط الأساسي للذكاء الاصطناعي + العملات الرقمية بناءً على المشهد الأساسي للذكاء الاصطناعي. بدءًا من LLMs والبدء على المستوى الأساسي مع وحدات معالجة الرسوميات (GPUs)، فقد كان السرد الطويل الأمد في مجال العملات الرقمية تخفيض التكلفة.

من خلال تحفيز تقنية سلسلة الكتل، يمكننا تقليل التكاليف بشكل كبير عن طريق مكافأة مزودي وحدة المعالجة الرسومية. تعرف هذه الرواية حاليًا باسم GPU DePIN. بينما تُستخدم وحدات المعالجة الرسومية ليس فقط في مجال الذكاء الاصطناعي ولكن أيضًا في الألعاب والواقع المعزز وسيناريوهات أخرى، إلا أن مسار GPU DePIN يغطي هذه المجالات بشكل عام.

تتضمن تلك المركزة على مسار الذكاء الاصطناعيAethirوشبكة Aioz, بينما تشمل تلك المخصصة للتجسيد البصري io.net, شبكة العرض، وغيرها.

2. حوسبة لامركزية

الحوسبة اللامركزية هي سرد موجود منذ بداية تطبيق تكنولوجيا سلسلة الكتل وتطورت بشكل كبير مع مرور الوقت. ومع ذلك، بسبب تعقيد مهام الحوسبة (بالمقارنة مع التخزين اللامركزي)، فإنه غالبًا ما يتطلب تقييد سيناريوهات الحوسبة.

الذكاء الاصطناعي، كسيناريو الحوسبة الأحدث، أدى بشكل طبيعي إلى سلسلة من مشاريع الحوسبة اللامركزية. بالمقارنة مع GPU DePIN، تقدم هذه المنصات اللامركزية للحوسبة ليس فقط تقليل التكلفة ولكن أيضًا تلبية المزيد من السيناريوهات الحوسبية المحددة: التدريب والاستدلال. إنها تنسق عبر الشبكات على مستوى واسع لتعزيز قدرة التوسع بشكل كبير.

المقياس وكفاءة التكلفة بواسطة gensyn.ai

على سبيل المثال، تشمل المنصات المركزة على مجال العملات الرقمية ساحة الذكاء الاصطناعي, Gensyn, DIN, و Flock.io; تلك المركزة على التستنتج تشملAllora, طقوس, و Justu.aiوتشمل تلك الشركات التي تتعامل مع كل من الجوانب بيتنسور, 0G،الذكاء, أكاش, Phala, Ankrوواحة.

3. التحقق

التحقق هو فئة فريدة ضمن مجال العملات الرقمية+الذكاء الاصطناعي، بشكل رئيسي لأنه يضمن أن يمكن التحقق من عملية الحوسبة بالذكاء الاصطناعي بأكملها، سواء كانت تدريبًا أو استنتاجًا، على السلسلة.

هذا أمر حاسم للحفاظ على اللامركزية الكاملة وشفافية العمليات. بالإضافة إلى ذلك، تحمي التقنيات مثل ZKML خصوصية البيانات وأمانها أيضًا، مما يتيح للمستخدمين الحصول على 100% ملكية لبياناتهم الشخصية.

اعتمادًا على الخوارزمية وعملية التحقق، يمكن تقسيم ذلك إلى ZKML و OPML. يستخدم ZKML تكنولوجيا عدم الإفصاح (ZK) لتحويل تدريب/استنتاج الذكاء الاصطناعي إلى دوائر ZK، مما يجعل العملية قابلة للتحقق على السلسلة الرئيسية، كما هو الحال مع منصات مثلEZKL, Modulus Labs, موجزوجيزة. من ناحية أخرى، يستخدم OPML المشعرات خارج السلسلة لتقديم الأدلة إلى سلسلة الكتل، كما يظهر في Oraوطيفي.

4. مجال العملات الرقمية Base Model

على عكس LLMs العامة مثل ChatGPT أو Claude، تتم إعادة تدريب Crypto Base Models باستخدام بيانات عملات رقمية شاملة، مما يمنح هذه النماذج الأساسية قاعدة معرفية متخصصة في عالم العملات الرقمية.

يمكن لهذه النماذج الأساسية أن توفر قدرات الذكاء الاصطناعي القوية لتطبيقات العملات الرقمية الأصلية مثل ديفي، إن إف تي، وجيمينجفي. حاليا، أمثلة على مثل هذه النماذج الأساسية تشملبركة و Chainbase.

5. البيانات

البيانات هي مكون حرج في مجال الذكاء الاصطناعي. في تدريب الذكاء الاصطناعي، تلعب مجموعات البيانات دورا حاسما، وأثناء الاستدلال، فإن الكميات الهائلة من الاستفسارات وقاعدة المعرفة من المستخدمين تتطلب أيضا تخزينا كبيرا.

تمثيل التخزين اللامركزي للبيانات ليس فقط يقلل بشكل كبير من تكاليف التخزين ولكن، الأهم من ذلك، يضمن قابلية التتبع وحقوق الملكية للبيانات.

الحلول التخزين اللامركزية التقليدية مثل فايل كوين, أرويف, و Storjيمكن تخزين مجموعات كبيرة من بيانات الذكاء الاصطناعي بتكاليف منخفضة جدًا.

في الوقت نفسه، تم تحسين حلول تخزين البيانات الخاصة بالذكاء الاصطناعي الأحدث لخصائص البيانات الخاصة بالذكاء الاصطناعي. على سبيل المثال، المكان والزمانوOpenDBتحسين معالجة البيانات الأولية والاستعلام، بينما ماسا, عشب، Nuklai، وبروتوكول كيبالتركيز على تحقيق الربح من بعض البيانات الخاصة بالذكاء الاصطناعي. شبكة بيجليركز على خصوصية بيانات المستخدم.

تستفيد هذه الحلول من مزايا Crypto الفريدة للابتكار في مجالات إدارة البيانات داخل مجال الذكاء الاصطناعي التي تلقت سابقًا اهتمامًا أقل.

طبقة التطبيقات

1. الخالق

في طبقة تطبيقات Crypto+AI، تعتبر تطبيقات الخالقين ملحوظة بشكل خاص. نظرًا لقدرة Crypto الأساسية على التحقيق من الربح، فإن تحفيز خالقي AI يأتي بشكل طبيعي.

بالنسبة لمبتكري الذكاء الاصطناعي، ينقسم التركيز بين المستخدمين ذوي التعليم المنخفض/المعدل والمطورين. يستخدم مستخدمو التعليم المنخفض/المعدل، مثل مبتكري الروبوتات، هذه المنصات لإنشاء الروبوتات وتحقيق ربح منها من خلال الرموز/العملات الرقمية غير القابلة للتبادل. يمكنهم جمع الأموال بسرعة من خلال العرض الأولي للعملات الرقمية أو إصدار NFT، ثم مكافأة حاملي الرموز على المدى الطويل من خلال الملكية المشتركة، مثل تقاسم الإيرادات. يفتح هذا منتجات الذكاء الاصطناعي الخاصة بهم بالكامل من خلال الملكية المشتركة للمجتمع، وبالتالي يكمل الدورة حياة الاقتصاد الذكي[6].

وعلاوة على ذلك، كمنصات إنشاء الذكاء الاصطناعي للعملات الرقمية، فإنها تتناول تحديات تمويل المرحلة المبكرة إلى منتصف المرحلة وتحقيق الربح على المدى الطويل لمنشئي الذكاء الاصطناعي. يتم ذلك عن طريق استغلال الميزة الفريدة لتحويل العملات الرقمية المتأصلة في Crypto، وتقديم الخدمات بجزء منمعدلات الاخذنموذجي لـ Web2 - يظهر فوائد تكلفة التشغيل 0 التي تجلبها اللامركزية للعملات الرقمية[7].

في هذا القطاع، منصات مثلMagnetAI, Olas،Myshell, Fetch.ai, بروتوكول افتراضي, و طيفيتلبية احتياجات المستخدمين ذوي الرمز البرمجي المنخفض/المنعدم من خلال توفير منصات إنشاء الوكلاء. بالنسبة لمطوري نماذج الذكاء الاصطناعي، MagnetAI و Oraنماذج عروض منصات المطورين. بالإضافة إلى ذلك، لفئات أخرى مثل خلق AI+Social، هناك منصات مثل بروتوكول القصة و مزايدة الخالقالتي تصمم خصيصا لتناسب احتياجاتهم، بينما SaharaAIيتمحور حول تحقيق الربح من قواعد المعرفة.

2. المستهلك

المستهلك يشير إلى استخدام الذكاء الاصطناعي لخدمة مباشرة لمستخدمي العملات الرقمية. حاليًا، هناك مشاريع أقل في هذا المسار، ولكن تلك الموجودة لا تُستبدل وفريدة، مثل WorldcoinوChainGPT.

3. القياسي

المعايير هي مسار مميز داخل مجال العملات الرقمية، يتميز بتطوير سلاسل كتل مستقلة أو بروتوكولات، أو تحسينات لإنشاء سلاسل كتل AI dApp، أو من خلال تمكين البنية التحتية الحالية، مثل Ethereum، لدعم تطبيقات الذكاء الاصطناعي.

تتيح هذه المعايير لتطبيقات الذكاء الاصطناعي تجسيد مزايا مجال العملات الرقمية مثل الشفافية واللامركزية، مما يوفر الدعم الأساسي لكل من منتجات الخالق والمستهلك.

أمثلة تشملOra, والتي توسع ERC-20 لتقديم مشاركة في الإيرادات، و 7007.ai, الذي يوسع ERC-721 لتقسيم أصول استنتاج النموذج. بالإضافة إلى ذلك، منصات مثل تالوس, Theoriq, أليثيا، ومورفيوستقوم بإنشاء أجهزة افتراضية على السلسلة لتوفير بيئات تنفيذ لوكلاء الذكاء الاصطناعي، بينما ذكييقدم معايير شاملة لتطبيقات AI dApps.

4. اقتصاد الذكاء الاصطناعي

اقتصاد الذكاء الاصطناعي هو ابتكار هام داخل مجال العملات الرقمية+الذكاء الاصطناعي، مع التركيز على استخدام توكين العملات الرقمية، التمويل، والحفز لتمكين الذكاء الاصطناعي.

دورة حياة اقتصاد الذكاء الاصطناعي بواسطة MagnetAI

تسلط الضوء على اقتصاد مشاركة الذكاء الاصطناعي، وملكية المجتمع المشتركة، ومشاركة حقوق الملكية. تدفع هذه الابتكارات بشكل كبير إلى المزيد من الازدهار والتطوير للذكاء الاصطناعي.

من بعضها،Theoriq و Fetch.aiالتركيز على تحقيق الربح للوكيل؛ أولاسيؤكد على التمويل بالرموز؛ شبكة العقلتقدم فوائد إعادة الرهان؛ وMagnetAIيدمج تجزئة الرموز وتحقيق الربح والحفز في منصة متكاملة واحدة.

الجزء الأخير: الختام

الذكاء الاصطناعي والعملات الرقمية شركاء طبيعيون. تساعد العملات الرقمية في جعل الذكاء الاصطناعي أكثر انفتاحًا وشفافية، وداعمًا بشكل لا يمكن استبداله لازدهاره المستقبلي.

الذكاء الاصطناعي، بدوره، يوسع حدود مجال العملات الرقمية، مجذوبًا المزيد من المستخدمين والاهتمام. كرواية عالمية لكل البشرية، يقدم الذكاء الاصطناعي أيضًا سردًا ضخمًا لاعتماد مجال العملات الرقمية لم يسبق له مثيل.

إخلاء المسؤولية:

1. تمت إعادة طبع هذه المقالة من [MagnetAI]. جميع حقوق الطبع والنشر تنتمي إلى الكاتب الأصلي [MagnetAIإذا كانت هناك اعتراضات على هذا النقل، يرجى الاتصال بالبوابة تعلمالفريق، وسوف يتعاملون معه بسرعة.
2. إخلاء المسؤولية عن المسؤولية: الآراء والآراء المعبر عنها في هذه المقالة هي فقط تلك التي تنتمي إلى الكاتب ولا تشكل أي نصيحة استثمارية.
3. يتم إجراء ترجمات المقال إلى لغات أخرى من قبل فريق Gate Learn. ما لم يذكر غير ذلك، فإن نسخ أو توزيع أو نسخ المقالات المترجمة محظور.