مقدمة

خلال العام الماضي، ساهم ظهور نماذج الذكاء الاصطناعي الكبيرة مثل ChatGPT في دفع الذكاء الاصطناعي خارج أدوات الأتمتة الأساسية إلى أنظمة اتخاذ قرار متطورة ونبؤاتية، وتأسيس نفسه كقوة حيوية تدفع التقدم الاجتماعي. لقد أدت هذه التطورات إلى انتشار في منتجات وتطبيقات الذكاء الاصطناعي، مع ChatGPT التي قدمت منتجات ملحوظة مثل GPTs و Sora. شركة NVIDIA، اللاعب الرئيسي في البنية التحتية للذكاء الاصطناعي، قد حققت بشكل مستمر تفوقًا على التوقعات، حيث ساهمت أعمال مراكز البيانات الخاصة بها بأكثر من 83٪ من الإيرادات في الربع السنوي الرابع من السنة المالية 2024، مما يمثل نموًا ملحوظًا بنسبة 409٪. يُلاحظ أن 40٪ من هذه الإيرادات يُعزى إلى سيناريوهات الاستدلال بنماذج كبيرة، مما يؤكد على الطلب المتزايد على البنية التحتية لطاقة الحوسبة القوية.

حاليًا، لقد جذبت الذكاء الاصطناعي اهتمامًا كبيرًا من الدوائر الرأسمالية الأوروبية والأمريكية، بينما يعيش سوق الويب3 تجديدًا في سوق الثيران. يمثل تلاقي الذكاء الاصطناعي والويب3 تقاطع اتجاهين تقنيين مرموقين للغاية. يؤكد ظهور مشاريع متزايدة حول هذا الموضوع على اهتمام السوق الشديد وتوقعاتها العالية لهذا التقاطع.

ترك جانبا الضجة وفقاعات الأسعار، ما هو الوضع الحالي للتطوير في صناعة الذكاء الاصطناعي+الويب؟ هل هناك سيناريوهات تطبيقية ملموسة؟ ومن المستقبل، هل يمكننا توليد قيمة وإقامة سرد وتشكيل صناعة؟ كيف ستتطور صناعة الذكاء الاصطناعي+الويب3 من حيث الأنماط البيئية، وما هي الاتجاهات المحتملة المتاحة؟

سيقوم Future3 Campus بالتنقيب في هذه المواضيع من خلال سلسلة من المقالات، مفتشة كل جانب من سلسلة صناعة AI+Web3. سيقدم هذا الجزء الافتتاحي نظرة عامة على المشهد الصناعي والإطار السردي لـ AI+Web3.

عملية إنتاج العمل الذكي

في جوهرها، ينطوي تكامل AI+Web3 على بعدين رئيسيين. أولاً، دور Web3 في تقدم تطوير AI، وثانياً، اندماج تطبيقات Web3 مع تكنولوجيا AI. حاليا، يكمن التركيز السائد على تمكين AI من خلال تقنية Web3 ومفاهيمها عبر مشاريع مختلفة. وبالتالي، يمكن للتحليل الغوص في تكامل AI مع Web3، يمتد من تدريب النماذج إلى الإنتاج. وتقدم LLM بعض الاختلافات عن العمليات التقليدية للتعلم الآلي، ومع ذلك، يشمل عملية إنتاج AI المبسطة عادة المراحل التالية:

1 جمع البيانات

تعمل البيانات كركيزة أساسية طوال دورة حياة تدريب نموذج الذكاء الاصطناعي، الأمر الذي يستدعي مجموعات بيانات عالية الجودة لتحليل البيانات التفسيرية (EDA) لإنشاء مجموعات بيانات، جداول، وتصورات يمكن إعادة إنتاجها وتحريرها ومشاركتها.

2 تجهيز البيانات وهندسة الميزات / تلميح الهندسة

بعد الحصول على البيانات ، يعد التحضير أمرًا لازمًا ، حيث ينطوي على هندسة الميزات في تعلم الآلة والهندسة السريعة في النماذج الكبيرة. ينطوي ذلك على التصنيف التكراري والتجميع وإزالة التكرار لتحديد الميزات المعقدة ، جنبًا إلى جنب مع التطوير التكراري للتلميحات للاستعلامات المهيكلة في LLM. علاوة على ذلك ، فإن ضمان تخزين البيانات ومشاركتها بشكل موثوق به أمر أساسي.

3 تدريب النموذج وضبطه

استغلال مكتبة نماذج متنوعة لتدريب نماذج الذكاء الاصطناعي، مما يعزز الأداء والكفاءة والدقة من خلال التكرار والتعديل المستمرين. ومن الجدير بالذكر أنه في إل إل إم، يتم تحقيق ضبط النموذج المستمر من خلال تعزيز التعلم بالملاحظة البشرية (RLHF).

4 استعراض النموذج والحوكمة

استخدام منصة MLOps/LLMOps لتحسين عمليات تطوير النماذج التي تشمل اكتشاف النموذج، وتتبعه، ومشاركته، والتعاون فيه. يضمن هذا جودة النموذج وشفافيته مع الالتزام بالمعايير الأخلاقية والتوافقية.

5 استدلال نموذج

نشر نماذج الذكاء الاصطناعي المدربة للقيام بالتنبؤات على البيانات الجديدة غير المرئية عن طريق استخدام المعلمات المتعلمة لمعالجة البيانات الناتجة وتوليد تنبؤات مثل التصنيف أو التنبؤ بالانحدار.

6 نموذج لنشر ورصد النماذج

بعد التحقق من الأداء مقابل المعايير المحددة، نشر النموذج في تطبيقات العالم الحقيقي وإنشاء رصد وصيانة مستمرين للحفاظ على أداء مثالي في ظل بيئات تتطور.

خلال هذه العملية، توجد فرص عديدة لدمج تقنيات Web3. حاليا، لقد استحوذت التحديات في تطوير الذكاء الاصطناعي مثل شفافية النموذج، التحيز، والتطبيق الأخلاقي على انتباه واسع الانتشار. في هذا السياق، يمكن أن تعزز مزيج تقنية Web3 مع حلول التشفير مثل ZK الثقة في أنظمة الذكاء الاصطناعي. علاوة على ذلك، تؤكد الطلب المتزايد على تطبيقات الذكاء الاصطناعي على ضرورة البنية التحتية المفتوحة والتكلفة الفعالة وشبكات البيانات. يمكن أن تعزز شبكة Web3 الموزعة ونماذج الحوافز شبكات ومجتمعات الذكاء الاصطناعي مفتوحة المصدر أكثر.

المشهد الصناعي AI+Web3 والمنطق السردي

من خلال دمج عملية الإنتاج الذكية المذكورة أعلاه مع دمج الذكاء الاصطناعي مع Web3 وفحص مشاريع AI+Web3 السائدة في السوق الحالي، قمنا بتحديد مشهد صناعة AI+Web3. يمكن تقسيم سلسلة الصناعة هذه إلى ثلاث طبقات: الطبقة الأساسية، الطبقة الوسطى، والطبقة التطبيقية.

1. الطبقة التحتية

تتضمن طبقة البنية التحتية في المقام الأول البنية التحتية الحاسوبية والتخزينية الأساسية لسير العمل وعملية الإنتاج للذكاء الاصطناعي برمته. إنها تيسر الطاقة الحاسوبية اللازمة لتدريب نموذج الذكاء الاصطناعي، والاستدلال، وتخزين البيانات طوال دورة حياته.

قام الانتشار السريع لتطبيقات الذكاء الاصطناعي بدفع طلبًا كبيرًا على البنية التحتية، لا سيما القدرات العالية في الحوسبة الأداء. لذلك، يُتوقع أن تظهر توجهات محورية في مراحل مبكرة من تطوير الذكاء الاصطناعي، تلتقط أكثر من 50% من قيمة سلسلة الصناعة، من خلال توفير أداء محسن وكفاءة تكلفة وبنية تحتية قوية للحوسبة والتخزين.

تمتلك تقنية Web3 القدرة على إنشاء شبكة موارد حوسبة وتخزين مركزية، تستفيد من الموارد الشاغرة والمتناثرة لتقليل تكاليف البنية التحتية بشكل كبير وتلبية مجموعة واسعة من متطلبات تطبيقات الذكاء الاصطناعي. ونتيجة لذلك، تقف البنية التحتية الذكية المركزية كسرد سائد.

المشاريع الملحوظة في هذا المجال تشمل شبكة Render، التي تركز على خدمات العرض، و Akash و Gensyn التي تقدم خدمات سحابية لامركزية وشبكات الأجهزة الحاسوبية. في قطاع التخزين، المشاريع البارزة مثل Filecoin و Arweave قد قدمت مؤخرًا خدمات تخزين وحسابية مصممة خصيصًا لمجال الذكاء الاصطناعي.

1. الطبقة الوسطى:

الطبقة الوسطى تتضمن أساسًا استغلال تقنيات Web3 لمعالجة التحديات الحالية وتعزيز العمليات داخل إنتاج الذكاء الاصطناعي. الجوانب الرئيسية تشمل:

مرحلة الحصول على البيانات: استخدام هوية بيانات موزعة لإنشاء شبكة بيانات/منصة تداول مفتوحة، وضمان خصوصية المستخدم وسلامة البيانات من خلال تقنيات التشفير والبلوكشين. يرغب هذا النهج المستخدمين في مشاركة بيانات عالية الجودة، مما يوسع مصادر البيانات ويعزز كفاءة الحصول على البيانات. من المشاريع الملحوظة في هذا المجال: Worldcoin وAspecta لهوية الذكاء الاصطناعي، Ocean Protocol لتداول البيانات، وGrass لشبكة بيانات ذات حد أدنى للمشاركة.

2) مرحلة معالجة البيانات: إنشاء منصة توزيعية لتعليق البيانات ومعالجتها باستخدام الذكاء الاصطناعي، واستخدام الحوافز الاقتصادية لتشجيع نماذج الحشد لمعالجة البيانات بكفاءة وبتكلفة معقولة، مما يعود بالفائدة على تدريب النماذج التالية. تشمل المشاريع الرائدة AI العامة.

3) مرحلة التحقق من النموذج والاستدلال: التصدي لتحديات البيانات الغامضة وعمليات النموذج في الذكاء الاصطناعي، يمكن دمج تقنيات Web3 مثل ZK والتشفير الهومومورفي للتحقق من استدلال النموذج، مضمنة دقة النماذج مع حماية خصوصية بيانات الإدخال. وسيناريو تطبيقي نموذجي هو ZKML. المشاريع الممثلة التي تجمع بين تقنية Web3 في مراحل التحقق من النموذج والاستدلال تشمل Bittensor و Privasea و Modulus.

المشاريع في الطبقة الوسطى غالبًا ما تعطي أولوية لأدوات المطورين، وتقدم خدمات إضافية للمطورين وأصحاب المشاريع. الطلب السوقي والتنفيذ التجاري للذكاء الاصطناعي لا تزال في مراحل مبكرة من التطوير.

3 طبقة التطبيق

على مستوى التطبيق، ينتقل التركيز إلى استخدام تكنولوجيا الذكاء الاصطناعي ضمن سياقات Web3. تهدف إدماج تطبيقات Web3 مع تكنولوجيا الذكاء الاصطناعي إلى تعزيز الكفاءة ورفع تجارب المنتج. تجد التطبيقات الذكاء الاصطناعي مثل توليف المحتوى، والتحليل، والتنبؤ تطبيقات متنوعة في مجالات الألعاب، والشبكات الاجتماعية، وتحليل البيانات، والتنبؤ المالي. حاليًا، يمكن تصنيف تطبيقات الذكاء الاصطناعي و Web3 إلى ثلاثة أنواع رئيسية:

1) نوع AIGC: الاستفادة من تكنولوجيا الذكاء الاصطناعي التوليدية لتمكين المستخدمين من إنشاء نصوص وصور ومقاطع فيديو والأفاتارات ومحتوى آخر من خلال الحوار التفاعلي. يمكن تقديم هذه الوظيفة الذكية كوكيل ذكاء اصطناعي مستقل أو دمجها بسلاسة في المنتجات. المشاريع الملحوظة في هذه الفئة تشمل NFPrompt وSleeplessAI.

2) تصنيف تحليل الذكاء الاصطناعي: تستفيد فرق المشاريع من البيانات الخاصة وقواعد المعرفة والقدرات التحليلية لتدريب نماذج الذكاء الاصطناعي الرأسية لتحليل المهام واتخاذ القرارات وتوقع المهام. يتم تقديم هذه النماذج الذكاء الاصطناعي كمنتجات للمستخدمين، مما يمنحهم الوصول إلى قدرات تحليل الذكاء الاصطناعي لمهام مثل تحليل البيانات وتتبع المعلومات ومراجعة الشفرة والتنبؤ المالي وغيرها. تشمل المشاريع النموذجية كايتو ودون.

3) مركز وكيل الذكاء الصناعي: ويعمل كمركز لمختلف وكلاء الذكاء الصناعي، ويتيح هذا الفئة عادة للمستخدمين إنشاء وكلاء ذكاء اصطناعي مخصصين دون برمجة، على غرار GPTs. من المشاريع الملحوظة في هذا المجال تشمل My Shell و Fetch.ai.

على الرغم من عدم وجود مشاريع بارزة حتى الآن في طبقة التطبيق، إلا أنها تحمل إمكانات نمو كبيرة على المدى الطويل. يتوقف النجاح في ميدان التطبيقات AI+Web3 ليس فقط على الابتكار التكنولوجي ولكن أيضًا على تراكم قدرات المنتج والخبرة التقنية. وبشكل خاص في مجال الذكاء الاصطناعي، ستحقق المنتجات التي تقدم تجارب مستخدم متفوقة ميزة تنافسية في هذا المشهد المتطور.

**Disclaimer:

1. تم نشر هذه المقالة من [marsbit], العنوان الأصلي هومسار التطور المستقبلي للذكاء الاصطناعي + ويب3 (1): المناظر الصناعية والمنطق السردي”, ينتمي حق النشر إلى الكاتب الأصلي [وانشيانج بلوكتشين]، إذا كان لديك أي اعتراض على إعادة الطبع، يرجى التواصل معفريق Gate Learn, سيراجع الفريق الأمر في أقرب وقت ممكن وفقًا للإجراءات ذات الصلة.

2. تنويه: تعبر الآراء والآراء المعبر عنها في هذه المقالة فقط عن آراء الكاتب الشخصية ولا تشكل أي نصيحة استثمارية.

3. النسخ الأخرى من المقال تمت ترجمتها بفريق Gate Learn، لم يتم ذكرها في Gate.io, قد لا يُعاد إنتاج المقال المترجم أو توزيعه أو نسبه.