مقدمة

يعد ظهور سلاسل الكتل العامة أحد أعمق التطورات في تاريخ علوم الكمبيوتر. لكن تطوير الذكاء الاصطناعي سيكون له تأثير عميق على عالمنا. إذا كانت تقنية blockchain توفر نموذجا جديدا لتسوية المعاملات وتخزين البيانات وتصميم النظام ، فإن الذكاء الاصطناعي يعد ثورة في الحساب والتحليل وتقديم المحتوى. يفتح الابتكار في الصناعتين حالات استخدام جديدة يمكن أن تسرع من اعتماد كليهما في السنوات القادمة. يستكشف هذا التقرير عمليات التكامل المستمرة للعملات المشفرة الذكاء الاصطناعي مع التركيز على حالات الاستخدام الجديدة التي تحاول سد الفجوة بين الاثنين ، وتسخير قوة كليهما. على وجه التحديد ، يفحص هذا التقرير المشاريع التي تطور بروتوكولات الحوسبة اللامركزية ، والبنية التحتية للتعلم الآلي بدون معرفة (zkML) ، ووكلاء الذكاء الاصطناعي.

مجال العملات الرقمية يوفر للذكاء الاصطناعي طبقة تسوية غير مشروطة وغير قابلة للثقة وقابلة للتركيب. يفتح هذا الباب أمام حالات الاستخدام مثل جعل الأجهزة الأكثر إمكانية الوصول من خلال أنظمة الحوسبة اللامركزية، وبناء وكلاء الذكاء الاصطناعي القادرين على تنفيذ مهام معقدة تتطلب تبادل القيمة، وتطوير حلول الهوية والمصدر لمكافحة هجمات سيبيل والفيديوهات المزيفة. يجلب الذكاء الاصطناعي إلى مجال العملات الرقمية العديد من الفوائد نفسها التي نراها في الويب 2. وهذا يشمل تحسين تجربة المستخدم (UX) لكل من المستخدمين والمطورين بفضل نماذج اللغة الكبيرة (أي الإصدارات المدربة خصيصًا من ChatGPT وCopilot) بالإضافة إلى إمكانية تحسين وظائف العقود الذكية والتشغيل بشكل كبير. تعتبر سلاسل الكتل بيئات بيانات شفافة وغنية بالبيانات التي يحتاجها الذكاء الاصطناعي. ولكن لدى سلاسل الكتل أيضًا قدرة حسابية محدودة، وهو عقبة كبيرة أمام التكامل المباشر لنماذج الذكاء الاصطناعي.

القوة الدافعة وراء التجربة المستمرة والتبني النهائي عند تقاطع العملات الرقمية والذكاء الاصطناعي هي نفس القوة التي تدفع الكثير من الحالات الاستخدام الأكثر وعودة في مجال العملات الرقمية - الوصول إلى طبقة تنسيق غير مرخصة وغير قابلة للثقة التي تسهل بشكل أفضل نقل القيمة. نظرًا للإمكانيات الهائلة، يحتاج المشاركون في هذا المجال إلى فهم الطرق الأساسية التي يتقاطع فيها التكنولوجيا الاثنان.

نقاط رئيسية:

• مجال العملات الرقمية والتكامل مع الذكاء الاصطناعي في المستقبل القريب (من 6 أشهر إلى سنة واحدة) سيكون مهيمنًا من قبل تطبيقات الذكاء الاصطناعي التي تعزز كفاءة المطورين، وقابلية التدقيق للعقود الذكية، والأمان، وسهولة الوصول للمستخدمين. هذه التكاملات ليست محددة لمجال العملات الرقمية ولكنها تعزز تجربة المطور والمستخدم على السلسلة.
• تقدم عروض الحوسبة اللامركزية عروض معالجة الرسومات المخصصة للذكاء الاصطناعي تمامًا كما يوجد نقص كبير في وحدات معالجة الرسومات عالية الأداء، مما يوفر دعمًا قويًا للاعتماد.
• تظل تجربة المستخدم والتنظيم عقبات أمام جذب عملاء الحوسبة اللامركزية.التطورات الأخيرة في OpenAIوكذلكمراجعات تنظيمية مستمرةفي الولايات المتحدة، إلا أنّها تسلِط الضوء على مقترح القيمة للشبكات الذكاء الاصطناعي غير المركزية والمقاومة للرقابة والتي تتيح الإذن.
• تتطلب التكاملات الذكية على السلسلة، خصوصًا بالنسبة للعقود الذكية التي يمكنها استخدام نماذج الذكاء الاصطناعي، تحسينات في تقنية zkML وطرق الحساب الأخرى التي تحقق الحوسبة خارج السلسلة على السلسلة. نقص في الأدوات الشاملة ومواهب المطورين بالإضافة إلى التكاليف العالية هي عوائق أمام اعتماد هذه التقنية.
• يعتبر وكلاء الذكاء الاصطناعي مناسبين تمامًا للمجال العملات الرقمية حيث يمكن للمستخدمين (أو الوكلاء أنفسهم) إنشاء محافظ للتعامل مع خدمات أخرى أو وكلاء أو أشخاص. هذا غير ممكن حاليًا باستخدام القناة المالية التقليدية. الدمج الإضافي مع منتجات غير متعلقة بالعملات الرقمية مطلوب لزيادة القبول العام.

مصطلحات

الذكاء الاصطناعي هو استخدام الحوسبة والآلات لتقليد قدرات التفكير وحل المشكلات لدى البشر.

الشبكات العصبية هي أحد أساليب التدريب لنماذج الذكاء الاصطناعي. تقوم بتشغيل المداخل من خلال طبقات م diskrete من خوارزميات، مصقولة حتى يتم إنتاج الإخراج المرغوب. تتكون الشبكات العصبية من معادلات تحتوي على أوزان يمكن تعديلها لتغيير الإخراج. يمكن أن تتطلب كميات هائلة من البيانات والحساب لكي يتم تدريبها بحيث تكون مخرجاتها دقيقة. إنها واحدة من أكثر الطرق شيوعًا التي يتم بها تطوير نماذج الذكاء الاصطناعي (يستخدم ChatGPT عملية شبكة عصبية تعتمد علىالمحولات،

التدريب هو العملية التي يتم فيها تطوير الشبكات العصبية ونماذج الذكاء الاصطناعي الأخرى. يتطلب كميات كبيرة من البيانات لتدريب النماذج لتفسير المدخلات بشكل صحيح وإنتاج نتائج دقيقة. خلال عملية التدريب، يتم تعديل أوزان معادلة النموذج بشكل مستمر حتى يتم إنتاج نتيجة مرضية. قد يكون التدريب مكلفًا للغاية. على سبيل المثال، ChatGPTيستخدم عشرات الآلاف من وحدات معالجة الرسومات الخاصة بها لمعالجة بياناتها. غالبا ما تعتمد الفرق ذات الموارد الأقل على موفري الحوسبة المخصصين مثل Amazon Web Services وAzure وموفري Google Cloud.

الاستدلال هو الاستخدام الفعلي لنموذج الذكاء الاصطناعي للحصول على إخراج أو نتيجة (على سبيل المثال، باستخدام ChatGPT لإنشاء مخطط لورقة بحثية حول تقاطع مجال العملات الرقمية والذكاء الاصطناعي). يتم استخدام الاستدلالات على مدى عملية التدريب وفي المنتج النهائي. يمكن أن تكون تشغيلات الاستدلال مكلفة، حتى بعد الانتهاء من التدريب، بسبب تكاليف الحوسبة، ولكنها أقل تكلفة حسابية من عملية التدريب.

تتيح البراهين بدون معرفة المعلومات (ZKP) التحقق من مطالبة دون الكشف عن المعلومات الأساسية. هذا مفيد في مجال العملات الرقمية لسببين رئيسيين: 1) الخصوصية و2) التوسيع. بالنسبة للخصوصية، يتيح هذا للمستخدمين التحويل دون الكشف عن معلومات حساسة مثل كمية الإيثريوم الموجودة في محفظتهم. بالنسبة للتوسيع، يتيح ذلك تحقق الحساب خارج السلسلة ليتم إثباته داخل السلسلة بشكل أسرع من إعادة تنفيذ الحساب. يتيح ذلك للسلاسل الكتلية والتطبيقات تشغيل الحسابات بأسعار معقولة خارج السلسلة ثم التحقق منها داخل السلسلة. لمزيد من المعلومات حول البراهين بدون معرفة ودورها في آلة العقد الافتراضي للإيثريوم، يرجى الرجوع إلى التقرير الذي أعده Christine KimzkEVMs: مستقبل توسع إثيريوم.

خريطة سوق الذكاء الاصطناعي / العملات الرقمية

المشاريع في تقاطع الذكاء الاصطناعي والعملات الرقمية ما زالت تبني البنية التحتية الأساسية اللازمة لدعم تفاعلات الذكاء الاصطناعي على السلسلة بمقياس واسع.

تظهر أسواق الحوسبة اللامركزية لتوفير كميات كبيرة من الأجهزة المادية ، في المقام الأول في شكل وحدات معالجة رسومية (GPUs) ، اللازمة للتدريب والاستدلال الذكاء الاصطناعي النماذج. تربط هذه الأسواق ذات الوجهين أولئك الذين يؤجرون ويتطلعون إلى تأجير الحوسبة ، مما يسهل نقل القيمة والتحقق من الحوسبة. ضمن الحوسبة اللامركزية ، تظهر العديد من الفئات الفرعية التي توفر وظائف إضافية. بالإضافة إلى الأسواق ذات الوجهين ، سيدرس هذا التقرير مزودي التدريب على التعلم الآلي المتخصصين في خدمة التدريب الذي يمكن التحقق منه وضبط المخرجات بالإضافة إلى المشاريع التي تعمل على ربط الحوسبة وتوليد النماذج لتحقيق الذكاء العام الاصطناعي ، والذي يشار إليه أيضا في كثير من الأحيان باسم شبكات تحفيز الذكاء.

zkML هو مجال ناشئ للمشاريع التي ترغب في توفير نتائج النموذج القابلة للتحقق على السلسلة بطريقة فعالة من حيث التكلفة وفي الوقت المناسب. تمكن هذه المشاريع بشكل أساسي التطبيقات من التعامل مع طلبات الحوسبة الثقيلة خارج السلسلة، ثم نشر نتيجة قابلة للتحقق على السلسلة تثبت أن عمل الحوسبة خارج السلسلة كان كاملاً ودقيقًا. zkML مكلف ويستغرق وقتًا في تنفيذه الحالي، ولكن يُستخدم بشكل متزايد كحلاً. ويظهر ذلك في الزيادة المتزايدة في عدد التكاملات بين مزودي zkML وتطبيقات DeFi/Gaming التي ترغب في استغلال نماذج الذكاء الاصطناعي.

إن العرض الوفير للحوسبة والقدرة على التحقق من أن الحوسبة على السلسلة تفتح الباب أمام وكلاء الذكاء الاصطناعي على السلسلة. الوكلاء هم نماذج مدربة قادرة على تنفيذ الطلبات نيابة عن المستخدم. يوفر الوكلاء الفرصة لتحسين التجربة على السلسلة بشكل كبير ، مما يتيح للمستخدمين تنفيذ المعاملات المعقدة بمجرد التحدث إلى روبوت الدردشة. ومع ذلك ، كما هو الحال اليوم ، لا تزال مشاريع Agent تركز على تطوير البنية التحتية والأدوات للنشر السهل والسريع.

حوسبة متمركزة

نظرة عامة

تتطلب الذكاء الاصطناعي كميات كبيرة من الحوسبة، سواء لتدريب النماذج أو تشغيل الاستنتاجات. خلال العقد الماضي، ومع تطور النماذج لتصبح أكثر تطورًا، ازدادت متطلبات الحوسبة بشكل هائل. على سبيل المثال، OpenAIوجدأن بين عامي 2012 و 2018 ، زادت متطلبات الحوسبة لنماذجها من مضاعفة كل سنتين إلى كل ثلاثة أشهر ونصف. وقد أدى هذا إلى ارتفاع الطلب على وحدات معالجة الرسوميات مع بعض منقبي العملات الرقمية حتىإعادة استخدام وحدات معالجة الرسومات الخاصة بهملتقديم خدمات الحوسبة السحابية (@jeffمع تزايد المنافسة للوصول إلى الحوسبة وزيادة التكاليف، يقوم العديد من المشاريع باستخدام العملات الرقمية لتوفير حلول حوسبة لامركزية. إنها تقدم حوسبة حسب الطلب بأسعار تنافسية بحيث يمكن للفرق تدريب النماذج وتشغيلها بتكلفة معقولة. يمكن أن يكون التضحية، في بعض الحالات، في الأداء والأمان.

أحدث وحدات معالجة الرسومات المتطورة، مثل تلك التي تم إنتاجهابواسطة Nvidia ، في طلب مرتفع. في سبتمبر، Tether استحوذ عليه حصة في شركة Northern Data ، وهي شركة ألمانية لتعدين البيتكوين ، يقال إنها تدفع 420 مليون دولار للحصول على 10000 وحدة معالجة رسومات H100 (واحدة من أكثر وحدات معالجة الرسومات تقدما للتدريب الذكاء الاصطناعي). انتظر يمكن أن تكون أوقات الأجهزة الأفضل في فئتها ستة أشهر على الأقل ، وفي كثير من الحالات أطول. مما يجعل الوضع أسوأ ، غالبا ما يطلب من الشركات توقيع عقود طويلة الأجل لكميات من الحوسبة قد لا تستخدمها حتى. يمكن أن يؤدي هذا إلى مواقف يتوفر فيها حساب ، لكنه غير متوفر في السوق. تساعد أنظمة الحوسبة اللامركزية في معالجة أوجه القصور في السوق هذه، مما يخلق سوقا ثانوية حيث يمكن لمالكي الحوسبة تأجير سعتهم الفائضة من الباطن في أي لحظة، وإطلاق العنان لإمدادات جديدة.

ما وراء التسعير التنافسي والإمكانية، القيمة المقترحة الرئيسية للحوسبة اللامركزية هي مقاومة الرقابة. يسيطر تطوير الذكاء الاصطناعي المتقدم بشكل متزايد على الشركات التكنولوجية الكبيرة ذات الوصول غير المسبوق إلى الحوسبة والبيانات. يتم التركيز في الموضوع الأول المميز في تقرير مؤشر الذكاء الاصطناعيتقرير السنوي 2023 هو أن الصناعة تتجاوز بشكل متزايد الأكاديميا في تطوير نماذج الذكاء الاصطناعي، مركزة السيطرة في أيدي قلة من قادة التكنولوجيا. هذا أثار مخاوف بشأن قدرتهم على الحصول على تأثير كبير في تحديد القواعد والقيم التي تعتمد عليها نماذج الذكاء الاصطناعي، خاصة بعد التنظيميدفعمن قبل هذه الشركات التقنية نفسها للحد من تطوير الذكاء الاصطناعي خارج سيطرتها.

المجالات الرأسمالية للحوسبة اللامركزية

ظهرت عدة نماذج للحوسبة اللامركزية في السنوات الأخيرة، كل منها بتركيزها الخاص وتنازلاتها.

الحساب العام

المشاريع مثل Akash، io.net، iExec، Cudos، وغيرها الكثير من تطبيقات الحوسبة اللامركزية التي تقدم وصولًا إلى، أو ستقدم قريبًا وصولًا إلى، الحوسبة المتخصصة لتدريب الذكاء الاصطناعي والاستنتاجات بالإضافة إلى البيانات وحلول الحوسبة العامة.

أكاش هي حاليا النظام الأساسي الوحيد المفتوح بالكامل “سوبركلاود”. إنها شبكة دليل الحصة تستخدم Cosmos SDK. يتم استخدام AKT ، الرمز الأصلي لأكاش لتأمين الشبكة ، كشكل من أشكال الدفع ، ولتحفيز المشاركة. أطلقت أكاش شبكتها الرئيسية الأولى في عام 2020 مع التركيز على توفير سوق حوسبة سحابية غير مرخصة تتضمن في البداية خدمات تأجير التخزين ووحدة المعالجة المركزية. في يونيو 2023، أكاش أطلقتاختبار شبكة جديد مركز على وحدات المعالجة الرسومية وفي سبتمبراطلقتيتيح الشبكة الرئيسية لوحدة معالجة الرسومات للمستخدمين استئجار وحدات معالجة الرسومات لتدريب الذكاء الاصطناعي والاستدلال.

هناك ممثلان رئيسيان في نظام الأكاش - المستأجرون ومقدمو الخدمات. المستأجرون هم مستخدمو شبكة الأكاش الذين يرغبون في شراء موارد الحوسبة. مقدمو الخدمات هم موردي الحوسبة. لمطابقة المستأجرين ومقدمي الخدمات، يعتمد الأكاش على عملية مزاد عكسي. يقدم المستأجرون متطلبات الحوسبة الخاصة بهم، حيث يمكنهم تحديد شروط معينة مثل موقع الخوادم أو نوع الأجهزة التي تقوم بتنفيذ الحوسبة، والمبلغ الذي يرغبون في دفعه. يقدم مقدمو الخدمات بعد ذلك سعر طلبهم، حيث يحصل أدنى عرض على المهمة.

يحافظ مدققو Akash على سلامة الشبكة. تقتصر مجموعة المدققين حاليا على 100 مع خطط لزيادة تدريجية بمرور الوقت. يمكن لأي شخص أن يصبح مدققا عن طريق تخزين AKT أكثر من المدقق الحالي الذي لديه أقل قدر من AKT المخزنة. يمكن لحاملي AKT أيضا تفويض AKT الخاص بهم إلى المدققين. يتم توزيع رسوم المعاملات ومكافآت الكتلة للشبكة في AKT. بالإضافة إلى ذلك ، مقابل كل عقد إيجار ، تكسب شبكة عكاش "رسوم أخذ" بمعدل يحدده المجتمع ويتم توزيعه على حاملي AKT.

الأسواق الثانوية

تهدف أسواق الحوسبة اللامركزية إلى سد الفجوات في سوق الحوسبة الحالي. تقود قيود العرض الشركات إلى تخزين الحوسبة بما يفوق احتياجاتها، ويكون العرض مقيدًا بشكل أكبر بسبب هيكل العقود مع مزودي السحابة الذين يقيدون العملاء بعقود طويلة الأمد حتى ولو لم يكن الوصول المستمر مطلوبًا. تفتح منصات الحوسبة اللامركزية إمكانية الوصول إلى عرض جديد، مما يتيح لأي شخص في العالم الذي يحتاج إلى الحوسبة أن يصبح مزودًا.

من غير الواضح ما إذا كان الطلب المتصاعد على وحدات معالجة الرسومات لتدريب الذكاء الاصطناعي سيترجم إلى استخدام شبكي طويل الأمد على Akash. فقد قدمت Akash سوقًا لمعالجات الوحدة المركزية منذ فترة طويلة، على سبيل المثال، مقدمة خدمات مماثلة للبدائل المركزية على سبيل المثال، توفير 70-80% خصم. غير أن انخفاض الأسعار لم يؤد إلى إقبال كبير. تم تسطيح عقود الإيجار النشطة على الشبكة ، بمتوسط 33٪ فقط من الحوسبة ، و 16٪ من الذاكرة ، و 13٪ من التخزين للثانية من عام 2023. في حين أن هذه مقاييس رائعة للاعتماد على السلسلة (كمرجع ، كان لدى مزود التخزين الرائد Filecoin استخدام التخزين 12.6%في الربع الثالث من عام 2023)، يظهر أن العرض ما زال يفوق الطلب على هذه المنتجات.

لقد مرت فقط أكثر من نصف عام منذ أطلقت أكاش شبكتها من وحدات معالجة الرسوميات وما زال من السابق لأوانه تقدير اعتماد طويل الأمد بدقة. إشارة للطلب، متوسط استخدام وحدات المعالجة الرسومية حتى الآن هو 44% وأعلى من وحدات المعالجة المركزية والذاكرة والتخزين. يعود ذلك أساسًا إلى الطلب على وحدات معالجة الرسوميات عالية الجودة (مثل A100)، مع انتشار 90%تأجيرها.

زاد الإنفاق اليومي على أكاش أيضًا، مما أدى تقريبًا إلى مضاعفته بالنسبة للفترة قبل وحدات المعالجة الرسومية. يمكن تنسيب جزء من ذلك إلى زيادة في الخدمات الأخرى المستخدمة، وخاصة وحدات المعالجة المركزية، ولكن يُعتبر في المقام الأول نتيجة لاستخدام وحدات المعالجة الرسومية الجديدة.

تتطابق الأسعار (أو في بعض الحالات قد تكون أغلى قليلاً) مع منافسيها المركزيين مثل Lambda Cloud و Vast.ai. الطلب المذهل على وحدات GPU عالية الأداء (مثل H100 و A100s) يعني أن معظم مالكي تلك المعدات ليس لديهم اهتمام كبير بالإدراج على الأسواق حيث يواجهون تسعيرًا تنافسيًا.

بينما الاهتمام الأولي واعد، هناك عقبات تبقى أمام اعتماد (التي سيتم مناقشتها أكثر أدناه). ستحتاج الشبكات الحوسبة اللامركزية إلى بذل المزيد من الجهد لتوليد الطلب والعرض على حد سواء والفرق يقومون بتجربة كيفية جذب مستخدمين جدد. في بداية عام 2024، على سبيل المثال، تجاوزت أكاشمقترح 240زيادة انبعاثات AKT لموردي وحدات معالجة الرسومات وتحفيز المزيد من العرض، مستهدفين بشكل خاص وحدات معالجة الرسومات عالية المستوى. كما يعمل الفرق على تقديم نماذج دليلية لإظهار للمستخدمين المحتملين قدرات شبكاتهم في الوقت الحقيقي. Akash هو تدريب نموذجهم التأسيسي الخاص وقد تم إطلاقه بالفعل روبوت المحادثةوتوليد الصورالعروض التي تنشئ مخرجات باستخدام وحدات معالجة الرسومات Akash. بالمثل، io.net لديها تطوير نموذج انتشار مستقر ويتم طرحه وظائف الشبكة الجديدةالذي يحاكي بشكل أفضل أداء ومقياس مراكز بيانات وحدات المعالجة المركزية التقليدية.

التدريب اللامركزي على التعلم الآلي

بالإضافة إلى منصات الحوسبة المعممة التي يمكنها تلبية احتياجات الذكاء الاصطناعي ، تظهر أيضا مجموعة من مزودي GPU الذكاء الاصطناعي المتخصصين الذين يركزون على تدريب نموذج التعلم الآلي. جينسين ، على سبيل المثال ، هو "تنسيقالكهرباء والأجهزة العاملة لبناء الذكاء الجماعي” مع الرأي أن “إذا أراد شخص ما تدريب شيء ما، وكان شخص مستعد لتدريبه، فيجب أن يُسمح بهذا التدريب.

يحتوي البروتوكول على أربعة جهات رئيسية: المقدمون، والحلول، والمحققون، والمبلغون. يقدم المقدمون مهامًا إلى الشبكة مع طلبات تدريب. تشمل هذه المهام الهدف من التدريب، والنموذج الذي سيتم تدريبه، وبيانات التدريب. كجزء من عملية التقديم، يدفع المقدمون رسمًا مقدمًا عن الحساب المقدَّر المطلوب من المحلل.

بمجرد إرسالها ، يتم تعيين المهام إلى المحللين الذين يقومون بالتدريب الفعلي للنماذج. ثم يقوم المحللون بإرسال المهام المكتملة إلى المدققين المسؤولين عن التحقق من التدريب للتأكد من أنه تم بشكل صحيح. المبلغون عن المخالفات مسؤولون عن ضمان تصرف المدققين بأمانة. لتحفيز المبلغين عن المخالفات على المشاركة في الشبكة ، تخطط Gensyn لتقديم أدلة غير صحيحة بشكل دوري تكافئ المبلغين عن المخالفات على القبض عليهم.

وراء توفير الحوسبة لأحمال العمل المتعلقة بالذكاء الاصطناعي، تعتبر مقترحات قيمة جينسين هي نظام التحقق الخاص بها، الذي لا يزال قيد التطوير. التحقق ضروري لضمان أن الحوسبات الخارجية التي تقوم بها مقدمو خدمات وحدة المعالجة الرسومية يتم تنفيذها بشكل صحيح (أي لضمان تدريب نموذج المستخدم بالطريقة التي يرغبون فيها). تعالج جينسين هذه المشكلة بنهج فريد، يستفيد من طرق التحقق الجديدة المسماة "إثبات التعلم الاحتمالي، بروتوكول تحديد المواقع بناءً على الرسوم البيانية، وألعاب الحوافز بنمط Truebit." هذا هو نمط حل متفائل يسمح للمحقق بتأكيد أن المحلل قام بتشغيل نموذج بشكل صحيح من دون الحاجة إلى إعادة تشغيله بالكامل بأنفسهم، وهو عملية مكلفة وغير فعالة.

بالإضافة إلى طريقة التحقق المبتكرة الخاصة بها، Gensyn أيضًا المطالباتأن تكون فعالة من حيث التكلفة مقارنة بالبدائل المركزية والمنافسين في مجال العملات الرقمية - توفير تدريب ML بتكلفة تصل إلى 80٪ أقل من AWS مع تفوق المشاريع المماثلة مثل Truebit في الاختبار.

ما إذا كان يمكن تكرار هذه النتائج الأولية على نطاق واسع عبر شبكة متفرعة تبقى مجهولة. يرغب جينسين في استغلال الحوسبة الزائدة من مزودي البيانات الصغيرة مثل مراكز البيانات الصغيرة والمستخدمين التجزئة، وفي المستقبل حتى الأجهزة المحمولة الصغيرة مثل الهواتف الخلوية. ومع ذلك، فإنه كما أن فريق جينسين ذاتهاعترف, الاعتماد على مقدمي الحوسبة المتنوعة يثير العديد من التحديات الجديدة.

بالنسبة لمقدمي الخدمات المركزية مثل Google Cloud Providers و Coreweave ، فإن الحوسبة باهظة الثمن بينما يكون الاتصال بين هذا الحساب (النطاق الترددي والكمون) رخيصا. تم تصميم هذه الأنظمة لتمكين الاتصال بين الأجهزة في أسرع وقت ممكن. يقلب Gensyn هذا الإطار رأسا على عقب ، مما يقلل من تكاليف الحوسبة من خلال تمكين أي شخص في العالم من توفير وحدات معالجة الرسومات ولكن زيادة تكاليف الاتصال حيث يجب على الشبكة الآن تنسيق وظائف الحوسبة عبر الأجهزة غير المتجانسة الموجودة في أماكن متباعدة. لم يتم إطلاق Gensyn بعد ، ولكنه دليل على مفهوم ما قد يكون ممكنا عندما يتعلق الأمر ببناء بروتوكولات تدريب التعلم الآلي اللامركزية.

الذكاء العام الموزع

تفتح منصات الحوسبة اللامركزية أيضًا احتمالات التصميم لطرق إنشاء الذكاء الاصطناعي. Bittensor هو بروتوكول حوسبة لامركزية مبني على Substrate والذي يمحاولة الإجابةمجال العملات الرقمية 

يستلهم Bittensor من Bitcoin، مع إمداد يبلغ 21 مليونًا من عملته الأساسية TAO ودورة تقسيم تبلغ أربع سنوات (سيكون التقسيم الأول في عام 2025). بدلاً من استخدام دليل العمل لتوليد الرقم التسلسلي الصحيح وكسب مكافأة كتلة، يعتمد Bittensor على "دليل الذكاء"، مما يتطلب من المنقبين تشغيل نماذج تنتج مخرجات ردًا على طلبات الاستدلال.

تحفيز الذكاء

اعتمدت Bittensor في الأصل على نموذج مزيج من الخبراء (MoE) لإنتاج المخرجات. عند تقديم طلبات الاستدلال ، بدلا من الاعتماد على نموذج معمم واحد ، تقوم نماذج MoE بترحيل طلب الاستدلال إلى النماذج الأكثر دقة لنوع إدخال معين. فكر في بناء منزل حيث تقوم بتعيين مجموعة متنوعة من المتخصصين لجوانب مختلفة من عملية البناء (على سبيل المثال: المهندسين المعماريين والمهندسين والرسامين وعمال البناء وما إلى ذلك ...). تطبق وزارة التربية والتعليم هذا على نماذج التعلم الآلي ، في محاولة لتسخير مخرجات النماذج المختلفة اعتمادا على المدخلات. كمؤسس Bittensor علاء شعبانة شرح، إنه مثل "التحدث إلى غرفة من الأشخاص الأذكياء والحصول على أفضل إجابة بدلا من التحدث إلى شخص واحد." بسبب تحدياتمع ضمان التوجيه السليم، ومزامنة الرسائل إلى النموذج الصحيح، وتحفيز، تم تهميش هذا النهج حتى يتم تطوير المشروع أكثر.

هناك ممثلان رئيسيان في شبكة Bittensor: الفاحصون والمنقبون. يتم تكليف الفاحصين بإرسال طلبات الاستدلال إلى المنقبين، ومراجعة إخراجهم، وتصنيفهم بناءً على جودة ردودهم. لضمان موثوقية تصنيفاتهم، يتم منح الفاحصين درجات “vtrust” استنادًا إلى مدى تطابق تصنيفاتهم مع تصنيفات الفاحصين الآخرين. كلما زادت درجة vtrust لدى الفاحص، كلما كسب المزيد من الانبعاثات TAO. يهدف هذا إلى تحفيز الفاحصين على التوصل إلى توافق بشأن تصنيفات النماذج مع مرور الوقت، حيث كلما زاد عدد الفاحصين الذين يتفقون على التصنيفات كلما زادت درجات vtrust الفردية لديهم.

المنقبون، المعروفين أيضًا بالخوادم، هم المشاركون في الشبكة الذين يقومون بتشغيل نماذج التعلم الآلي الفعلية. يتنافس المنقبون ضد بعضهم البعض لتوفير النوافذ بأدق النتائج لاستعلام معين، مما يجعلهم يكسبون المزيد من الانبعاثات TAO كلما زادت دقة نتائجهم. يمكن للمنقبين إنشاء تلك النتائج بأي طريقة يرغبون. على سبيل المثال، فمن الممكن تمامًا في سيناريو مستقبلي أن يكون لدى منقب Bittensor نماذج قد تم تدريبها مسبقًا على Gensyn التي يستخدمونها لكسب انبعاثات TAO.

اليوم، تتم معظم التفاعلات مباشرة بين المحققين والمنقبين. يقدم المحققون المدخلات للمنقبين ويطلبون النواتج (أي تدريب النموذج). بمجرد أن يستعلم المحقق منقبي الشبكة ويتلقى إجاباتهم، يقومون بتصنيف المنقبين ويقدمون تصنيفاتهم للشبكة.

تسمى هذه التفاعل بين المحققين (الذين يعتمدون على PoS) والمنقبين (الذين يعتمدون على دليل النموذج، وهو نوع من PoW) توافق يوما. إنه يسعى لتحفيز المنقبين على إنتاج أفضل النواتج لكسب انبعاثات TAO وللمحققين على تصنيف نواتج المنقبين بدقة لكسب درجة ثقة أعلى وزيادة مكافآتهم من TAO وتشكيل آلية التوافق في الشبكة.

الشبكات الفرعية والتطبيقات

تتكون التفاعلات على Bittensor في المقام الأول من المدققين الذين يقدمون طلبات إلى العاملين في التعدين وتقييم النواتج الخاصة بهم. مع زيادة جودة عاملي التعدين المساهمين ونمو الذكاء العام للشبكة، سيقوم Bittensor بإنشاء طبقة تطبيق على رأس تراكمها الحالي بحيث يمكن للمطورين بناء تطبيقات تستعلم عن شبكة Bittensor.

في أكتوبر 2023، أكمل Bittensor خطوة مهمة نحو تحقيق هذا مع مقدمةمجال العملات الرقمية of subnets through its Revolution upgrade. Subnets are individual networks on Bittensor that incentivize specific behaviors. Revolution opens the network to anyone interested in creating a subnet. In the months since its release, over32 الشبكات الفرعيةتم إطلاق العديد منها، بما في ذلك تلك المتعلقة بتحفيز النص، واستخراج البيانات، وإنشاء الصور، والتخزين. عندما تنضج الشبكات الفرعية وتصبح جاهزة للإنتاج، سيقوم مبتكرو الشبكات الفرعية أيضًا بإنشاء تكاملات تطبيقية، مما يتيح للفرق بناء تطبيقات تستعلم عن شبكة فرعية معينة. بعض التطبيقات (روبوت المحادثة, مُولّد الصور،بوت الرد على تويتر, سوق التنبؤ) توجد الآن طلبات للتحقق، ولكن لا توجد حوافز رسمية للمحققين لقبول تلك الاستعلامات وإعادة توجيهها بعيدًا عن المنح من مؤسسة Bittensor.

لتوفير رسم توضيحي أوضح، إليك مثال على كيفية عمل Bittensor بمجرد أن تتم دمج التطبيقات في الشبكة.

تكسب الشبكات TAO استنادًا إلى أدائها الذي يُقيَّم من قبل شبكة الجذر. تقع شبكة الجذر على رأس جميع الشبكات الفرعية، حيث تعمل بشكل أساسي كنوع خاص من الشبكات الفرعية، وتُدار من قبل أكبر 64 محققًا للشبكات الفرعية من حيث المخاطر. يُصنف محققو شبكة الجذر الشبكات الفرعية استنادًا إلى أدائها ويوزعون انبعاثات TAO إلى الشبكات الفرعية بشكل دوري. وبهذه الطريقة، تعمل الشبكات الفرعية الفردية كمنقبين لشبكة الجذر.

توقعات بيتسور

مجال العملات الرقمية Bittensor ما زال يعاني من آلام النمو مع توسيع وظائف البروتوكول لتحفيز توليد الذكاء عبر العديد من الشبكات الفرعية. يستمر المنقبون في التفكير في طرق جديدة لشن هجمات على الشبكة لكسب المزيد من مكافآت TAO، على سبيل المثال من خلال تعديلناتج تشغيل استدلال مرتفع التقييم بواسطة نموذجهم ثم تقديم تغييرات متعددة. الاقتراحات الإدارية التي تؤثر على كامل الشبكة يمكن تقديمها وتنفيذها فقط بواسطةثلاثي, الذي يتكون بالكامل من أصحاب مؤسسة Opentensor (مهم أن تلاحظ أن المقتراحات تتطلب موافقة من Bittensor مجلس الشيوخمكونة من محققي Bittensor قبل التنفيذ). ويتم إعادة هيكلة اقتصاديات الرمز الخاص بالمشروع حالياً لتحسين الحوافز لاستخدام TAO عبر الشبكات الفرعية. كما أن المشروع يكتسب سمعة سريعة بسبب نهجه الفريد، مع الرئيس التنفيذي لأحد أشهر مواقع الذكاء الاصطناعيHuggingFaceمشيرًا إلى أن Bittensor يجب أن يضيف موارده إلى الموقع الإلكتروني.

في نشرة حديثة قطعةبواسطة مطور أساسي يُدعى "Bittensor Paradigm"، يقدم الفريق رؤيته لتطور Bittensor في نهاية المطاف ليصبح "غير متحيز حيال ما يتم قياسه". من الناحية النظرية، يمكن أن يمكن ذلك Bittensor من تطوير شبكات فرعية تحفز أي نوع من السلوك، كل ذلك مدعومًا بـ TAO. تظل هناك قيود عملية كبيرة - وعلى الأخص إظهار أن هذه الشبكات قادرة على التوسع للتعامل مع مجموعة متنوعة من العمليات وأن الحوافز الأساسية تدفع التقدم الذي يفوق العروض المركزية.

بناء مكدس حوسبة موزع لنماذج الذكاء الاصطناعي

توفر الأقسام أعلاه نظرة عامة عالية المستوى على الأنواع المختلفة من بروتوكولات حوسبة الذكاء الاصطناعي اللامركزية التي يتم تطويرها. في حين أنها في وقت مبكر من تطويرها واعتمادها ، فإنها توفر الأساس لنظام بيئي يمكن أن يسهل في نهاية المطاف إنشاء "اللبنات الأساسية الذكاء الاصطناعي" ، مثل مفهوم "Money Legos" الخاص ب DeFi. تفتح قابلية تركيب سلاسل الكتل غير المصرح بها إمكانية بناء كل بروتوكول فوق الآخر لتوفير نظام بيئي لامركزي أكثر شمولا للذكاء الاصطناعي.

على سبيل المثال، إليك طريقة واحدة يمكن أن يتفاعل فيها Akash و Gensyn و Bittensor جميعًا للرد على طلب التستنتج.

للتوضيح، هذا مجرد مثال على ما قد يكون ممكنًا في المستقبل، وليس تمثيلًا للنظام البيئي الحالي، أو الشراكات القائمة، أو النتائج المحتملة. القيود على التوافق، وكذلك الاعتبارات الأخرى الموصوفة أدناه، تحد بشكل كبير من إمكانيات التكامل اليوم. بعد ذلك، تشتت السيولة والحاجة إلى استخدام عملات متعددة يمكن أن يكونا ضارين بتجربة المستخدم، شيء تم أشارمن قبل مؤسسي كل من Akash و Bittensor.

عروض غير مركزية أخرى

بالإضافة إلى الحوسبة، يتم إطلاق العديد من خدمات البنية التحتية اللامركزية الأخرى لدعم نظام الذكاء الاصطناعي الناشئ في مجال العملات الرقمية. إدراجها جميعًا خارج نطاق هذا التقرير، ولكن بعض الأمثلة الشيقة والتوضيحية تشمل:

• المحيطسوق بيانات لامركزية. يمكن للمستخدمين إنشاء NFTs للبيانات تمثيلية لبياناتهم يمكن شراؤها باستخدام رموز البيانات. يمكن للمستخدمين كسب الأموال من بياناتهم والحصول على سيادة أكبر عليها بينما يوفرون لفرق العمل على الذكاء الاصطناعي الوصول إلى البيانات اللازمة لتطوير وتدريب النماذج.
• عشبسوق عرض النطاق الترددي اللامركزية. يمكن للمستخدمين بيع نطاق النطاق الترددي الزائد لشركات الذكاء الاصطناعي التي تستخدمه لجمع البيانات من الإنترنت. بنيت على شبكة ويند, هذا لا يمكن أن يمكن الأفراد من تحقيق الأرباح من عرض النطاق الترددي الخاص بهم فحسب، بل يوفر أيضًا لمشتري النطاق الترددي مجموعة متنوعة أكبر من وجهات النظر فيما يراه المستخدمون الفرديون عبر الإنترنت (نظرًا لأن وصول الفرد إلى الإنترنت عادةً ما يكون مصممًا خصيصًا لعنوان IP الخاص به).
• HiveMapper: بناء عرض خرائط لامركزية يتألف من معلومات تم جمعها من سائقي السيارات اليومية. يعتمد HiveMapper على الذكاء الاصطناعي لتفسير الصور التي تم جمعها من كاميرات لوحة القيادة للمستخدم ويكافئ المستخدمين بالرموز التشفيرية للمساعدة في ضبط النموذج الذكي من خلال تغذية ردود الفعل البشرية المعززة (RHLF).

بشكل عام، تشير هذه العوامل نحو الفرص الشبه لا نهائية لاستكشاف نماذج السوق اللامركزية التي تدعم نماذج الذكاء الاصطناعي، أو البنية التحتية المحيطة اللازمة لتطويرها. حاليًا، تكون هذه المشاريع في مرحلة إثبات المفهوم وهناك حاجة لمزيد من البحث والتطوير لإظهار أنها يمكن أن تعمل على النطاق اللازم لتوفير خدمات الذكاء الاصطناعي الشاملة.

النظرة

تقدم عروض الحوسبة اللامركزية لا تزال في مراحل التطوير الأولية. إنها بدأت للتو في توفير إمكانية الوصول إلى أحدث تقنيات الحوسبة القادرة على تدريب أقوى نماذج الذكاء الاصطناعي في الإنتاج. لكي تكتسب حصة سوقية معنوية، سيتعين عليها أن تظهر مزايا عملية مقارنة بالبدائل المركزية. قد تشمل المحفزات المحتملة لتبني أوسع واسعة:

• العرض والطلب على وحدات GPU. ندرة وحدات GPU مقترنة بزيادة سريعة في الطلب على الحوسبة تقود إلى سباق محتدم بين الوحدات GPU. لقد قامت OpenAI بذلك مرة واحدة بالفعلمحدود الوصول إلى نظامها الأساسي بسبب قيود GPU. يمكن أن توفر منصات مثل Akash و Gensyn بدائل تنافسية من حيث التكلفة للفرق التي تحتاج إلى حوسبة عالية الأداء. تعد الأشهر 6-12 القادمة فرصة فريدة بشكل خاص لموفري الحوسبة اللامركزية لضم مستخدمين جدد يضطرون إلى التفكير في العروض اللامركزية نظرا لعدم إمكانية الوصول إلى السوق الأوسع. إلى جانب النماذج مفتوحة المصدر ذات الأداء المتزايد مثل LLaMA 2 من Meta ، لم يعد المستخدمون يواجهون نفس الحواجز التي تحول دون نشر نماذج فعالة مضبوطة بدقة ، مما يجعل موارد الحوسبة عنق الزجاجة الأساسي. ومع ذلك ، فإن وجود المنصات نفسها لا يضمن إمدادا كافيا من الحوسبة والطلب المقابل من المستهلكين. لا يزال الحصول على وحدات معالجة الرسومات المتطورة أمرا صعبا ، والتكلفة ليست دائما الدافع الأساسي على جانب الطلب. سيتم تحدي هذه المنصات لإثبات الفائدة العملية لاستخدام خيار الحوسبة اللامركزية - سواء كان ذلك بسبب التكلفة أو مقاومة الرقابة أو وقت التشغيل والمرونة أو إمكانية الوصول - لتجميع المستخدمين الثابتين. سيكون عليهم التحرك بسرعة. البنية التحتية لوحدة معالجة الرسومات استثمار وتطويريحدث بمعدلات استثنائية.
• تنظيم. لا يزال التنظيم يمثل رياحا معاكسة لحركة الحوسبة اللامركزية. على المدى القريب ، يعني عدم وجود تنظيم واضح أن كلا من مقدمي الخدمات والمستخدمين يواجهون مخاطر محتملة لاستخدام هذه الخدمات. ماذا لو قدم المورد الحوسبة أو اشترى المشتري الحوسبة من كيان خاضع للعقوبات دون علمه؟ قد يتردد المستخدمون في استخدام منصة لامركزية تفتقر إلى الضوابط والإشراف من كيان مركزي. حاولت البروتوكولات التخفيف من هذه المخاوف من خلال دمج عناصر التحكم في منصاتها أو إضافة عوامل تصفية للوصول إلى موفري الحوسبة المعروفين فقط (أي قدموا معلومات اعرف عميلك (KYC)) ، ولكن ستكون هناك حاجة إلى طرق أكثر قوة تحمي الخصوصية مع ضمان الامتثال للتبني. على المدى القصير ، من المحتمل أن نشهد ظهور KYC والمنصات المتوافقة مع اللوائح التنظيمية التي تحد من الوصول إلى بروتوكولاتها لمعالجة هذه المخاوف. بالإضافة إلى ذلك ، فإن المناقشات حول الأطر التنظيمية الجديدة المحتملة في الولايات المتحدة ، والتي يتضح بشكل أفضل من خلال إصدار أمر تنفيذي بشأن التطوير والاستخدام الآمن والموثوق به للذكاء الاصطناعي، ويسلط الضوء على إمكانية اتخاذ إجراءات تنظيمية تقيد بشكل أكبر الوصول إلى وحدات معالجة الرسومات.
• الرقابة. التنظيم يسير في كلا الاتجاهين ويمكن أن تستفيد العروض الحوسبة اللامركزية من الإجراءات المتخذة لتقييد الوصول إلى الذكاء الاصطناعي. بالإضافة إلى الأمر التنفيذي، لديه مؤسس OpenAI سام ألتمان شهدفي الكونغرس حول الحاجة إلى الجهات الرقابية التي تصدر تراخيص لتطوير الذكاء الاصطناعي. النقاش حول تنظيم الذكاء الاصطناعي لا يزال في بداياته، ولكن أي محاولات للحد من الوصول أو رقابة ما يمكن القيام به بالذكاء الاصطناعي قد تسرع من اعتماد المنصات اللامركزية التي لا تواجه مثل هذه العقبات.تغييرات في قيادة OpenAI في نوفمبر (أو عدم وجوده) يوضح كذلك مخاطر تمكين صنع القرار لأقوى نموذج الذكاء الاصطناعي موجود لعدد قليل فقط. علاوة على ذلك ، تعكس جميع النماذج الذكاء الاصطناعي بالضرورة تحيزات أولئك الذين أنشأوها ، سواء عن قصد أم لا. تتمثل إحدى طرق القضاء على هذه التحيزات في جعل النماذج مفتوحة قدر الإمكان للضبط الدقيق والتدريب ، مما يضمن إمكانية وصول أي شخص دائما إلى النماذج من جميع الأنواع والتحيزات في أي مكان.
• خصوصية البيانات. عندما تتكامل مع حلول البيانات الخارجية والخصوصية التي توفر للمستخدمين استقلالية في بياناتهم، قد يصبح الحوسبة اللامركزية أكثر جاذبية من البدائل المركزية. سامسونج سقط ضحيةعندما أدركوا أن المهندسين كانوا يستخدمون ChatGPT لمساعدتهم في تصميم الشرائح وتسريب معلومات حساسة إلى ChatGPT، بدأوا في التفكير في الأمر. تدعي شبكة Phala و iExec أنهما يقدمان للمستخدمين محميات آمنة SGX لحماية بيانات المستخدم وأن البحث المستمر في التشفير المكتمل الهومومورفي يمكن أن يفتح المزيد من الطرق لضمان الخصوصية في الحوسبة اللامركزية. بينما يصبح الذكاء الاصطناعي متكاملاً أكثر في حياتنا، سيضع المستخدمون قيمة أكبر على القدرة على تشغيل النماذج على التطبيقات التي تحتوي على الخصوصية مدمجة فيها. سيطالب المستخدمون أيضًا بخدمات تمكنهم من توافق البيانات بحيث يمكنهم نقل بياناتهم بسلاسة من نموذج إلى آخر.
• تجربة المستخدم (UX). تظل تجربة المستخدم عائقًا كبيرًا أمام اعتماد أوسع نطاقا لجميع أنواع تطبيقات العملات الرقمية والبنية التحتية. وهذا لا يختلف في حالة العروض الحسابية المركزية، وفي بعض الحالات يتفاقم الأمر بحاجة المطورين إلى فهم كل من العملات الرقمية والذكاء الاصطناعي. هناك حاجة لتحسينات من الأساسيات مثل الانضمام وتجريد التفاعل مع البلوكشين إلى توفير نفسمخرجات عالية الجودة كقادة السوق الحاليين. هذا واضح بشكل صارخ بالنظر إلى حقيقة أن العديد من بروتوكولات الحوسبة اللامركزية التشغيلية التي توفر عروضا أرخص تكافح من أجل الحصول على استخدام منتظم.

العقود الذكية وzkML

العقود الذكية هي كتلة بناء أساسية في أي نظام بلوكشين. يقومون تلقائيًا بتنفيذ مجموعة محددة من الشروط، ويقللون أو يزيلون الحاجة إلى طرف ثالث موثوق به، مما يمكن إنشاء تطبيقات لامركزية معقدة مثل تلك الموجودة في DeFi. ومع ذلك، فإن العقود الذكية، بالشكل الذي توجد به في الغالب اليوم، ما زالت محدودة في وظائفها بما أنها تعمل بناءً على معلمات محددة مسبقًا يجب تحديثها.

على سبيل المثال، يتم نشر عقد ذكي لبروتوكول الإقراض/الاقتراض بمواصفات لحظة سك الوضع بناءً على نسب معينة من قيمة القرض. بينما يكون ذلك مفيدًا في بيئة ثابتة، في حالة ديناميكية حيث يتحول المخاطر باستمرار، يجب تحديث هذه العقود الذكية باستمرار لمراعاة التغييرات في تحمل المخاطر، مما يخلق تحديات للعقود التي لا تخضع لعمليات مركزية. على سبيل المثال، قد لا تكون الDAOs التي تعتمد على عمليات الحوكمة اللامركزية قادرة على الاستجابة بسرعة كافية للتعامل مع المخاطر النظامية.

العقود الذكية التي تدمج الذكاء الاصطناعي (أي نماذج التعلم الآلي) هي واحدة من الطرق الممكنة لتعزيز الوظائف والأمان والكفاءة بينما يتم تحسين تجربة المستخدم العامة. تقدم هذه التكاملات مخاطر إضافية أيضًا، حيث أنه من المستحيل ضمان عدم استغلال النماذج الأساسية لهذه العقود الذكية أو مراعاة حالات الذيل الطويل (التي يصعب بشهرة تدريب النماذج عليها نظرًا للـندرة المدخلات البيانية بالنسبة لهم).

تعلم الآلة بدون معرفة (zkML)

يتطلب التعلم الآلي كميات كبيرة من الحوسبة لتشغيل النماذج المعقدة ، مما يمنع تشغيل النماذج الذكاء الاصطناعي مباشرة داخل العقود الذكية بسبب ارتفاع التكاليف. على سبيل المثال ، فإن بروتوكول DeFi الذي يوفر للمستخدمين إمكانية الوصول إلى نموذج تحسين العائد ، على سبيل المثال ، سيكافح لتشغيل هذا النموذج على السلسلة دون الحاجة إلى دفع رسوم غاز باهظة للغاية. أحد الحلول هو زيادة القوة الحسابية لسلسلة الكتل الأساسية. ومع ذلك ، فإن هذا يزيد أيضا من الطلب على مجموعة مدققي السلسلة ، مما قد يقوض خصائص اللامركزية. بدلا من ذلك ، تستكشف بعض المشاريع استخدام zkML للتحقق من المخرجات بطريقة غير موثوقة دون الحاجة إلى حساب مكثف على السلسلة.

واحدعادةالمثال المشترك الذي يوضح فائدة zkML هو عندما يحتاج المستخدم إلى شخص آخر لتشغيل البيانات من خلال نموذج وأيضًا التحقق من أن الطرف الآخر فعليًا قام بتشغيل النموذج الصحيح. ربما يكون المطور يستخدم موفرًا للحوسبة متميزًا لتدريب نماذجه ويشعر بالقلق من أن الموفر يحاول تقليل التكاليف من خلال استخدام نموذج أرخص بفارق لا يذكر في النتيجة. يتيح zkML لموفر الحوسبة تشغيل البيانات من خلال نماذجهم ثم إنشاء دليل يمكن التحقق منه على السلسلة لإثبات نتيجة النموذج للإدخال المعطى صحيحة. في هذه الحالة، سيكون لموفر النموذج ميزة إضافية وهي القدرة على تقديم نماذجهم دون الحاجة إلى الكشف عن الأوزان الأساسية التي تنتج النتيجة.

ويمكن أيضا القيام بالعكس. إذا أراد المستخدم تشغيل نموذج باستخدام بياناته ولكنه لا يريد أن يتمكن المشروع الذي يوفر النموذج من الوصول إلى بياناته بسبب مخاوف تتعلق بالخصوصية (على سبيل المثال ، في حالة الفحص الطبي أو معلومات العمل الخاصة) ، فيمكن للمستخدم تشغيل النموذج على بياناته دون مشاركتها ثم التحقق من تشغيل النموذج الصحيح مع دليل. تعمل هذه الاحتمالات على توسيع مساحة التصميم بشكل كبير لدمج وظائف العقود الذكاء الاصطناعي والذكية من خلال معالجة قيود الحوسبة الباهظة.

البنية التحتية والأدوات

بالنظر إلى الحالة المبكرة لمساحة zkML ، يركز التطوير بشكل أساسي على بناء البنية التحتية والأدوات اللازمة للفرق لتحويل نماذجها ومخرجاتها إلى براهين يمكن التحقق منها على السلسلة. هذه المنتجات تجرد جانب المعرفة الصفرية للتنمية قدر الإمكان.

EZKLوالجيزة هما مشروعان يبنيان هذه الأدوات من خلال توفير أدلة يمكن التحقق منها لتنفيذ نموذج التعلم الآلي. يساعد كلا الفريقين على بناء نماذج التعلم الآلي لضمان إمكانية تنفيذ هذه النماذج بطريقة يمكن من خلالها التحقق من النتائج دون ثقة على السلسلة. يستخدم كلا المشروعين تبادل الشبكة العصبية المفتوحة (ONNX) لتحويل نماذج التعلم الآلي المكتوبة بلغات شائعة مثل TensorFlow و Pytorch إلى تنسيق قياسي. ثم يقومون بإخراج إصدارات من تلك النماذج التي تنتج أيضا أدلة zk عند تنفيذها. EZKL مفتوح المصدر وينتج zk-SNARKS بينما الجيزة مغلق المصدر وينتج zk-STARKS. كلا المشروعين متوافقان حاليا مع EVM فقط.

قدمت EZKL تقدمًا كبيرًا خلال الأشهر القليلة الماضية في تعزيز حلهم zkML، مع التركيز بشكل أساسي علىتقليل التكاليف, تحسين الأمانو تسريع إنشاء البرهان. في نوفمبر 2023، على سبيل المثال، قامت EZKL بدمج مكتبة جديدة مفتوحة المصدر لمعالج الرسوميات تقلل وقت الإثبات الإجمالي بنسبة 35% وفي يناير EZKL أعلنليليث، حلاً برمجيًا لدمج مجموعات الحوسبة عالية الأداء وتنظيم الوظائف المتزامنة عند استخدام نظام EZKL للإثبات. جيزا فريدة في أنها بالإضافة إلى توفير أدوات لإنشاء نماذج تعلم آلي قابلة للتحقق، هم أيضًا يخططون لتنفيذ ما يعادل web3 من Gate.Hugging Face, مما يفتح الباب أمام سوق للمستخدمين للتعاون ومشاركة النماذج في zkML بالإضافة إلى دمج عروض الحوسبة اللامركزية في نهاية المطاف. في يناير، أطلقت EZKL تقييم المعيار مقارنة أداء EZKL و Giza و RiscZero (تمت مناقشته أدناه). أظهر EZKL أوقات إثبات أسرع واستخدام الذاكرة.

Modulus Labsتطور أيضًا تقنية جديدة مخصصة لنماذج الذكاء الاصطناعي في بوابة منظمة غير ربحية نشرت ورقة بحثية تحمل الاسمتكلفة الاستخبارات(ملمحًا إلى التكاليف العالية بشكل لا يصدق لتشغيل نماذج الذكاء الاصطناعي على السلسلة)، التي قامت بمقارنة أنظمة إثبات zk الحالية في ذلك الوقت لتحديد القدرات ونقاط الضعف لتحسين نماذج الذكاء الاصطناعي zk-اثبات. نُشرت في يناير 2023، تُظهر الورقة أن العروض الحالية مكلفة للغاية وغير كفءة ببساطة لتمكين تطبيقات الذكاء الاصطناعي على نطاق واسع. مبنيةً على أبحاثهم الأولية، في نوفمبر مودولوس@ModulusLabs/تقدم-حاشية-جلب-الذكاء-الاصطناعي-على-السلسلة-معمودية-متخصصة-تثبت-بدون-معرفة-خاصة-بناءً-خصيصًا-لتقليل-التكاليف-ووقت-الإثبات-لنماذج-الذكاء-الاصطناعي-بهدف-جعلها-اقتصاديًا-ممكنة-للمشاريع-لدمج-النماذج-في-عقودهم-الذكية-على-نطاق واسع. عملهم مغلق المصدر ولذلك لم يمكن قياسه بالمعايير المذكورة أعلاه، ولكن تم الإشارة مؤخرًا إليه في تقديرات فيتاليك.مقالة في المدونةعن مجال العملات الرقمية والذكاء الاصطناعي.

تطوير الأدوات والبنية التحتية أمر حاسم لنمو مجال العملات الرقمية  في المستقبل لأنه يقلل بشكل كبير من الاحتكاك بالنسبة للفرق التي تحتاج إلى نشر الدوائر zk الضرورية لتشغيل الحساب خارج السلسلة القابلة للتحقق. إن إنشاء واجهات آمنة تمكن المنشئين الذين ليسوا من أصحاب الخبرة في مجال العملات الرقمية  والعاملين في تعلم الآلة من جلب نماذجهم إلى السلسلة سيمكن تجربة تطبيقات أكبر بحقول استخدام جديدة تمامًا. تعالج الأدوات أيضًا عقبة كبيرة أمام اعتماد zkML بشكل أوسع، وهي نقص المطورين الذين يمتلكون المعرفة والاهتمام بالعمل في تقاطع الأدلة الصفرية وتعلم الآلة وعلم التشفير.

معالجات تعاونية

الحلول الإضافية في التطوير، المشار إليها بـ "المعالجات المشتركة"، تشملRiscZero,بديهية, و طقوس. يعتبر مصطلح المعالج المساعد في الغالب مسائل تصنيفية - تقوم هذه الشبكات بأداء أدوار مختلفة بما في ذلك التحقق من الحوسبة خارج السلسلة على السلسلة. تهدف إلى تجريد عملية إنشاء دليل الصفر المعرفي تمامًا ، مما يخلق آلات افتراضية تقريبًا خالية من المعرفة الصفرية قادرة على تنفيذ برامج خارج السلسلة وإنشاء دلائل للتحقق على السلسلة. يمكن أن تقوم بذلك RiscZero وAxiom خدمةنماذج الذكاء الاصطناعي البسيطة حيث إنها مصممة لتكون معالجات تعاونية عامة أكثر، بينما تم تصميم Ritual للاستخدام مع نماذج الذكاء الاصطناعي بشكل مخصص.

إنفرنيتهو التجسيد الأولي لريتوال ويشمل مجموعة تطويرية لـ Infernet SDK التي تسمح للمطورين بتقديم طلبات الاستنتاج إلى الشبكة واستلام النتائج والبرهان (اختياريًا) بالمقابل. يستقبل نود Infernet هذه الطلبات ويتعامل مع عملية الحساب خارج السلسلة قبل إرجاع النتيجة. على سبيل المثال، يمكن لمنظمة ذاتية الحكم إنشاء عملية لضمان أن جميع مقتراحات الحوكمة الجديدة تفي بشروط معينة قبل تقديمها. في كل مرة يتم فيها تقديم مقترح جديد، يُشغل العقد الخاص بالحكم طلب استنتاج من خلال Infernet يدعو نموذج الذكاء الاصطناعي المدرب الخاص بالحكم الخاص بالمنظمة الذاتية. يُراجع النموذج المقترح لضمان تقديم جميع المعايير الضرورية ويعيد النتيجة والبرهان، إما بالموافقة على تقديم المقترح أو رفضه.

خلال العام القادم، يخطط فريق Ritual لإطلاق ميزات إضافية تشكل طبقة البنية التحتية الأساسية المسماة Ritual Superchain. يمكن للعديد من المشاريع المناقشة سابقًا الاندماج في Ritual كمزودي خدمات. بالفعل، قام فريق Ritual بالتكامل مع EZKL لتوليد البراهين ومن المحتمل أن يضيف قريبًا وظائف من مزودي خدمات رائدين آخرين. يمكن أن تستخدم العقد على Ritual أيضًا Akash أو io.net GPUs والاستعلام عن النماذج التدريبية على الشبكات الفرعية لـ Bittensor. هدفهم النهائي هو أن يكونوا مزود الخدمات الأول للبنية التحتية المفتوحة للذكاء الاصطناعي، قادرًا على خدمة مهام التعلم الآلي والمهام الأخرى ذات الصلة بالذكاء الاصطناعي من أي شبكة عبر أي عبء عمل.

تطبيقات

zkML يساعد تصفحالتناقض بين تقنية سلسلة الكتل والذكاء الاصطناعي، حيث أن الأولى مقيدة بالموارد بشكل أساسي والأخير يتطلب كميات كبيرة من الحسابات والبيانات. كواحدة من مؤسسي Giza وضعه, "حالات الاستخدام متنوعة للغاية ... إنها تشبه إلى حد ما طرح السؤال في الأيام الأولى لـ Ethereum عن حالات استخدام العقود الذكية ... ما نقوم به هو توسيع حالات استخدام العقود الذكية." كما هو موضح أعلاه، إلا أن التطوير اليوم يحدث في المقام الأول على مستوى الأدوات والبنية التحتية. لا تزال التطبيقات في مرحلة الاستكشاف، حيث يتحدى الفرق لإظهار أن القيمة التي تولدها تنفيذ النماذج باستخدام zkML تفوق تعقيد الأمور وتكاليف القيام بذلك."

بعض التطبيقات اليوم تشمل:

• التمويل اللامركزي. ترقيات zkML تعزز مجال التصميم لـ DeFi من خلال تعزيز قدرات العقود الذكية. توفر بروتوكولات DeFi نماذج التعلم الآلي بكميات كبيرة من البيانات القابلة للتحقق والثابتة يمكن استخدامها لإنشاء استراتيجيات توليد العائد أو تداولها ، وتحليل المخاطر ، وتجربة المستخدم ، وأكثر من ذلك بكثير. Giza ، على سبيل المثال ، لديها شراكةمع Yearn Finance لبناء محرك تقييم المخاطر التلقائي لنماذج الصناديق الجديدة v3 التابعة لـ Yearn. لدى Modulus Labs @ModulusLabs/عملت مع Lyra Finance على دمج تعلم الآلة في AMMs الخاصة بهم، شراكةمع بروتوكول الأيون لتنفيذ نموذج لتحليل مخاطر المحقق، ويساعدالنتيجةتحقق من تغذيات الأسعار للعملات غير القابلة للتحويل المدعومة بالذكاء الاصطناعي. بروتوكولات مثل NOYA(الذي يستفيد من EZKL) وMozaicيقدمون وصولًا إلى نماذج خارج السلسلة الخاصة التي تمنح المستخدمين وصولًا إلى زراعة العوائد التلقائية مع السماح لهم بالتحقق من بيانات الإدخال والبراهين على السلسلة.تمويل طيفيتعمل على بناء محركات تقييم الائتمان على السلسلة لتوقع احتمال تخلف المقترضين في Compound أو Aave عن سداد قروضهم. من المحتمل أن تصبح هذه المنتجات الذكية المسماة "دي-أي-في" أكثر انتشارًا بكثير في السنوات القادمة بفضل zkML.
• الألعاب. منذ فترة طويلة تم اعتبار الألعاب جاهزة للاضطراب والتحسين عن طريق البلوكشين العام (لمزيد من المعلومات حول العملات الرقمية والألعاب، راجع هذا التقرير من جلاكسي ديجيتال - تاريخ الألعاب ومستقبلها في الويب3). zkML يجعل الألعاب على السلسلة ممكنة مع الذكاء الاصطناعي. Modulus Labsلقد نفذت بالفعل أدلة المفاهيم لألعاب سلسة على السلسلة.Leela مقابل العالمهي لعبة شطرنج نظرية الألعاب تواجه فيها المستخدمون نموذج شطرنج AI، مع التحقق من أن كل حركة تقوم بها Leela تعتمد على النموذج الذي يقول اللعبة إنه يعمل. بالمثل، استخدمت الفرق أطر عمل EZKL لبناء بسيطةمسابقات الغناء ولعبة أكس وحلقة على السلسلة الرقمية. خرطوشةتستخدم Giza لتمكين الفرق من نشر ألعاب تمامًا على السلسلة، مؤخرًاتسليط الضوءلعبة قيادة AI بسيطة حيث يتنافس المستخدمون لإنشاء نماذج أفضل لسيارة تحاول تجنب العقبات. على الرغم من ببساطتها، تشير هذه النقاط النموذجية نحو تنفيذات مستقبلية تمكن من التحقق على السلسلة الكتلية مثل الممثلون NPC المعقدون قادرون على التفاعل مع اقتصادات اللعبة كما هو مبين في@ModulusLabs/فصل-5-تكلفة-الذكاء-da26dbf93307">AI Arena، لعبة تشبه سوبر سماش براذرز حيث يقوم اللاعبون بتدريب مقاتليهم الذين يتم نشرهم بعد ذلك كنماذج AI للقتال.
• Identity, Provenance, and Privacy. مجال العملات الرقمية is already being مستخدمكوسيلة للتحقق من الأصالة ومحاربة الكم الزائد المتزايد من المحتوى المولَّد/المُعدّل من قبل الذكاء الاصطناعي والفيديوهات المزيفة العميقة. يمكن لـ zkML أن تعزز تلك الجهود. يعد WorldCoin حلاً لدليل الهوية الشخصية الذي يتطلب من المستخدمين مسح قزحيتهم لإنشاء معرّف فريد. في المستقبل، يمكن أن تكون هويات البيومتريةحفظ الذاتعلى الأجهزة الشخصية باستخدام تخزين مشفر بالنماذج اللازمة للتحقق من تلك البيومتريات التي يتم تشغيلها محليًا. يمكن للمستخدمين بعد ذلك تقديم دليل على بيومترياتهم دون الحاجة إلى الكشف عن هويتهم، ومكافحة هجمات سيبيل مع ضمان الخصوصية. يمكن أيضًا تطبيق هذا على استنتاجات أخرى تتطلب الخصوصية، مثلاستخدام النماذجتحليل البعد الطبي للبيانات / الصور لاكتشاف الأمراض ، والتحقق من شخصية الشخص وتطوير خوارزميات التطابق في تطبيقات المواعدة ، أو لوكالات التأمين والقروض التي تحتاج إلى التحقق من المعلومات المالية.

النظرة المستقبلية

تظل zkML في المرحلة التجريبية معظم المشاريع تركز على بناء البنى التحتية الأولية وبراهين الأفكار. التحديات اليوم تشمل تكاليف الحوسبة، وقيود الذاكرة، وتعقيد النموذج، وقلة الأدوات والبنية التحتية، ومواهب المطورين. ببساطة، هناك المزيد بكثير من العمل الذي يجب القيام به قبل أن يمكن تنفيذ zkML على نطاق يلزم للمنتجات الاستهلاكية.

مع نضوج المجال، ومع معالجة هذه القيود، سيصبح zkML مكونًا حيويًا في التكامل بين الذكاء الاصطناعي ومجال العملات الرقمية. في جوهره، يعد zkML بالقدرة على جلب الحوسبة خارج السلسلة بأي حجم إلى السلسلة مع الحفاظ على نفس ضمانات الأمان أو قريبًا من نفس ضمانات الأمان كما لو كانت العملية قد تم تشغيلها في السلسلة. حتى يتم تحقيق هذا الرؤية، سيستمر مستخدمو التكنولوجيا المبكرة في التوازن بين التضحيات بين الخصوصية والأمان في zkML وفعالية البدائل.

وكلاء الذكاء الاصطناعي

أحد أكثر التكاملات مثيرة للاهتمام بين الذكاء الاصطناعي والعملات الرقمية هو التجارب المستمرة مع وكلاء الذكاء الاصطناعي. الوكلاء هم برامج بذاتيتها قادرة على استقبال وتفسير وتنفيذ المهام باستخدام نموذج ذكاء اصطناعي. يمكن أن يكون هذا أي شيء من وجود مساعد شخصي متاح دائمًا مضبوط بدقة وفقًا لتفضيلاتك إلى توظيف وكيل مالي يدير ويعدل محفظتك وفقًا لتفضيلات مخاطرتك.

يتناسب الوكلاء والعملات الرقمية بشكل جيد معًا بسبب البنية التحتية للمدفوعات غير المرخصة وغير القابلة للثقة التي توفرها العملات الرقمية. بمجرد تدريبهم، يمكن تزويد الوكلاء بمحفظة حتى يتمكنوا من التعامل مع العقود الذكية بمفردهم. يمكن للوكلاء البسيطين اليوم، على سبيل المثال، rastrear الإنترنت بحثًا عن المعلومات ثم إجراء تداولات في أسواق التنبؤ استنادًا إلى نموذج.

مزودو الوكلاء

مورفيوسهو أحد أحدث مشاريع وكلاء مصدر مفتوح القادمة إلى السوق على إيثريوم وأربيتروم في عام ٢٠٢٤. تم نشر ورقته البيضاء بشكل مجهول في سبتمبر ٢٠٢٣، مما يوفر الأساس لتشكيل مجتمع والبناء حوله (بما في ذلك الشخصيات الملحوظة مثل Erik Vorheesيتضمن الورق الأبيض قابل للتنزيلبروتوكول الوكيل الذكي, وهو LLM مفتوح المصدر يمكن تشغيله محليًا، يتم إدارته بواسطة محفظة المستخدم، والتفاعل مع العقود الذكية. يستخدم تصنيف العقد الذكيلمساعدة الوكيل في تحديد أي عقود ذكية آمنة للتفاعل معها بناءً على معايير مثل عدد المعاملات التي تم معالجتها.

توفر الورقة البيضاء أيضًا إطارًا لبناء شبكة Morpheus ، مثل هياكل التحفيز والبنية التحتية اللازمة لجعل بروتوكول الوكيل الذكي تشغيليًا. ويشمل ذلك تحفيز المساهمين لبناء واجهات أمامية للتفاعل مع الوكلاء ، وواجهات برمجة تطبيقات للمطورين لبناء تطبيقات يمكن أن تتصل بالوكلاء بحيث يمكنهم التفاعل مع بعضهم البعض ، وحلول سحابية لتمكين المستخدمين من الوصول إلى الحوسبة والتخزين اللازمين لتشغيل وكيل على جهاز حافة. تم تمويل المشروع في بداية فبراير مع البروتوكول الكامل المتوقع أن يطلق في الربع الثاني من عام 2024.

شبكة البنية التحتية اللامركزية الذاتية (DAIN)هو بروتوكول بنية عميل جديد يقوم ببناء اقتصاد من وكيل إلى وكيل على Solana. يهدف DAIN إلى جعل الوكلاء من مختلف الأعمال يتفاعلون بسلاسة مع بعضهم البعض عبر واجهة برمجة تطبيقات عالمية، مما يفتح بشكل كبير مساحة التصميم للوكلاء الذكاء الاصطناعي مع التركيز على تنفيذ وكلاء قادرين على التفاعل مع منتجات الويب2 والويب3. في يناير، أعلن DAIN عن أولىشراكةمع وجود درع الأصول الذي يمكّن المستخدمين من إضافة "موقعين وكلاء" إلى عقودهم الذكية المتعددة التوقيع التي تكون قادرة على تفسير المعاملات والموافقة/الرفض بناءً على القواعد التي حددها المستخدم.

Fetch.AIكانت واحدة من أول بروتوكولات وكلاء الذكاء الاصطناعي التي تم نشرها وقد وضعت بيئة نظام بيئي لبناء ونشر واستخدام الوكلاء على السلسلة باستخدام رمز FET الخاص بها وFetch.AIالمحفظة. يوفر البروتوكول مجموعة شاملة من الأدوات والتطبيقات لاستخدام الوكلاء، بما في ذلك وظائف داخل المحفظة للتفاعل مع الوكلاء وطلبهم.

أوتونولاس، الذين يتضمن مؤسسوه عضوًا سابقًا من فريق Fetch، هو سوق مفتوح لإنشاء واستخدام وكلاء الذكاء الاصطناعي المركزي. توفر Autonolas أيضًا مجموعة من الأدوات للمطورين لبناء وكلاء ذكاء اصطناعي يتم استضافتها خارج السلسلة الرئيسية ويمكن أن توصل إلى عدة سلاسل كتل متضمنة Polygon، Ethereum، Gnosis Chain، و Solana. لديهم حاليًا عدد قليل من الوكلاء النشطين كدليل على المفهوممنتجاتبما في ذلك للاستخدام في أسواق التنبؤ وحوكمة DAO.

سينجولاريتي نتيقوم ببناء سوق للوكلاء الذكيين اللامركزي حيث يمكن للأشخاص نشر وكلاء ذكاء اصطناعي متخصصين يمكن استئجارهم من قبل أشخاص آخرين أو وكلاء لتنفيذ مهام معقدة. آخرون، مثل AlteredStateMachine، يقومون ببناء تكاملات الوكيل الذكية مع العملات الرقمية. يقوم المستخدمون بختم العملات الرقمية غير القابلة للاستبدال بسمات عشوائية تمنحهم قواعد وضعف لمهام مختلفة. يمكن تدريب هؤلاء الوكلاء لتعزيز سمات معينة للاستخدامات مثل الألعاب، وDeFi، أو كمساعد افتراضي وتداولها مع مستخدمين آخرين.

جماعيًا، تتصور هذه المشاريع نظامًا مستقبليًا من الوكلاء القادرين على العمل معًا ليس فقط لتنفيذ المهام ولكن لمساعدة بناء الذكاء الاصطناعي العام. سيكون لدى الوكلاء المتطورين بشكل حقيقي القدرة على تحقيق أي مهمة مستخدم بشكل مستقل. على سبيل المثال، بدلاً من الحاجة إلى التأكد مما إذا كان لدى وكيل ما تكامل مسبقًا مع واجهة برمجة تطبيقات خارجية (مثل موقع حجز السفر) قبل استخدامه، سيكون لدى الوكلاء المستقلين بالكامل القدرة على معرفة كيفية توظيف وكيل آخر لتكامل واجهة البرمجة التطبيقية ثم تنفيذ المهمة. من وجهة نظر المستخدم، لن يكون هناك حاجة للتحقق مما إذا كان بوسع وكيل تحقيق مهمة لأن الوكيل يمكنه تحديد ذلك بنفسه.

بيتكوين ووكلاء الذكاء الاصطناعي

في يوليو 2023، مختبرات البرقنفذ تنفيذًا تجريبيًا لاستخدام الوكلاء على شبكة البرق تسمى LangChain Bitcoin Suite. المنتج مثير للاهتمام بشكل خاص لأنه يهدف إلى مواجهة مشكلة متزايدة في عالم الويب 2.تم الحجزوغاليمفاتيح واجهة برمجة التطبيقات لتطبيقات الويب.

يحل LangChain هذه المشكلة من خلال توفير مجموعة من الأدوات للمطورين تمكين الوكلاء من شراء وبيع والاحتفاظ بالبيتكوين، بالإضافة إلى طلب مفاتيح واجهة برمجة تطبيقات (API) وإرسال المدفوعات الصغيرة. حيث تكون المدفوعات الصغيرة على شبكة Lightning مكلفة بسبب الرسوم على شبكات الدفع التقليدية، يمكن للوكلاء على شبكة Lightning إرسال مدفوعات صغيرة غير محدودة يوميًا برسوم بسيطة. عندما يتم دمج ذلك مع إطار عمل واجهة برمجة تطبيقات L402 المتعلق بالمدفوعات الصغيرة يمكن أن يمكن هذا الشركات من ضبط رسوم الوصول إلى واجهة برمجة تطبيقاتها مع زيادة وانخفاض الاستخدام، بدلاً من تحديد تكلفة موحدة غير مجدية.

في مستقبل يهيمن فيه النشاط على السلسلة الرئيسية من قبل الوكلاء الذين يتفاعلون مع وكلاء آخرين، سيكون من الضروري شيء مثل هذا لضمان قدرة الوكلاء على التفاعل مع بعضهم البعض بطريقة لا تحول دون ذلك. هذا مثال مبكر على كيفية استخدام الوكلاء على القضبان الدفع غير المرخصة والمكلفة يفتح الأبواب لإمكانيات جديدة للأسواق والتفاعلات الاقتصادية.

النظرة

مجال الوكلاء لا يزال في مرحلة النشوء. بدأت المشاريع للتو في إطلاق وكلاء يعملون على التعامل مع المهام البسيطة باستخدام بنيتهم التحتية - التي غالبًا ما تكون متاحة فقط للمطورين والمستخدمين المتطورين. مع مرور الوقت، سيكون للوكلاء الذكاء الاصطناعي تأثير كبير على التجارة الإلكترونية عبر جميع القطاعات الرأسية. سيبدأ التحويل في الانتقال من النقر فوق النقطة إلى النص، حيث يتمتع المستخدمون بالقدرة على التفاعل مع الوكلاء على السلسلة من خلال LLMs. بالفعل، فرق مثلمحفظة Dawn يقدمون محافظ chat-bot للمستخدمين للتفاعل على السلسلة.

بالإضافة إلى ذلك، من غير الواضح كيف يمكن للوكلاء العمل في الويب 2 حيث تعتمد القضبان المالية على المؤسسات المصرفية الخاضعة للتنظيم التي لا تعمل على مدار 24/7 ولا يمكنها إجراء معاملات عابرة للحدود بسلاسة. كما Lyn Aldenلقد أظهرت السكك الحديدية المشفرة جاذبية خاصة بالمقارنة مع بطاقات الائتمان بسبب نقص الردود النقدية والقدرة على معالجة المعاملات الصغيرة. إذا أصبحت الوكالات وسيلة أكثر شيوعًا للمعاملات، فمن المرجح، ومع ذلك، أن يقوم مزودو الدفع الحاليين والتطبيقات بالتحرك بسرعة لتنفيذ البنية التحتية اللازمة لهم للعمل على السكك المالية الحالية، مما يخفف بعض فوائد استخدام العملات الرقمية.

في الوقت الحالي، من المرجح أن يكون العملاء مقيدين بالمعاملات التشفيرية إلى التشفير حيث يضمن الناتج المعطى للإدخال المعطى. كلا الطريقتين، التي تحدد سعة هؤلاء العملاء لمعرفة كيفية تنفيذ المهام المعقدة، والأدوات، التي توسع نطاق ما يمكنها تحقيقه، تتطلب تطويرًا أكثر. بالنسبة لعملاء العملات الرقمية ليصبحوا مفيدين خارج حالات الاستخدام الجديدة على سلسلة الكتل، سيتطلب التكامل الأوسع وقبول العملات الرقمية كشكل من أشكال الدفع وكذلك وضوح التنظيم. ومع تطور هذه المكونات، إلا أن العملاء على استعداد ليصبحوا واحدًا من أكبر مستهلكي الحوسبة اللامركزية وحلول zkML المناقشة أعلاه، حيث يعملون بطريقة مستقلة غير تحديدية لتلقي وحل أي مهمة.

استنتاج

تقدم الذكاء الاصطناعي للعملات الرقمية نفس الابتكارات التي نراها بالفعل تتجسد في الويب2، معززة كل شيء من تطوير البنية التحتية إلى تجربة المستخدم والإمكانية. ومع ذلك، لا تزال المشاريع في مراحلها الأولى من التطور، وستسود التكاملات القريبة الأجل بين العملات الرقمية والذكاء الاصطناعي أساسا التكاملات الخارج السلسلة.

المنتجات مثل Copilotسوف“10x” كفاءة المطور ، مع الطبقة 1sوDeFiالتطبيقات بالفعل تتقدم بسرعة منصات التطوير المساعدة بالذكاء الاصطناعي بالشراكة مع شركات كبيرة مثل Microsoft. شركات مثل Cub3.ai و اختبار الجهاز تطوير عمليات تكامل الذكاء الاصطناعي لتدقيق العقود الذكية ومراقبة التهديدات في الوقت الفعلي لتعزيز الأمان على السلسلة. ويتم تدريب روبوتات الدردشة LLM باستخدام البيانات ووثائق البروتوكول والتطبيقات على السلسلة لتزويد المستخدمين بإمكانية وصول محسنة وتجربة المستخدم.

للحصول على تكاملات متقدمة أكثر تحقيقًا للفوائد المتاحة من تكنولوجيا العملات الرقمية، تبقى التحدي في إظهار أن تنفيذ حلول الذكاء الاصطناعي على السلسلة يُعتبر ممكنًا تقنيًا واقتصاديًا بشكل متناسب على نطاق واسع. تُشير التطورات في الحوسبة اللامركزية، وzkML، ووكلاء الذكاء الاصطناعي نحو القطاعات العمودية الواعدة التي تمهد الطريق لمستقبل يربط بين العملات الرقمية والذكاء الاصطناعي بشكل عميق.

إخلاء المسؤولية:

1. يتم إعادة طبع هذه المقالة من [مجرة]. جميع حقوق الطبع والنشر تعود إلى الكاتب الأصلي [لوكاس تشيان]. إذا كانت هناك اعتراضات على هذه النسخة المعادة، يرجى الاتصال بالبوابة تعلمالفريق، وسوف يتعاملون معه بسرعة.
2. إخلاء المسؤولية: الآراء ووجهات النظر الواردة في هذه المقالة هي آراء المؤلف فقط ولا تشكل أي نصيحة استثمارية.
3. تتم الترجمة للمقالة إلى لغات أخرى من قبل فريق Gate Learn. ما لم يُذكر، يُمنع نسخ أو توزيع أو سرقة المقالات المترجمة.