إعادة توجيه العنوان الأصلي: 'تقرير بحثي من Metrics Ventures | بدءًا من مقال V神، ما هي المسارات الجانبية التي تستحق الاهتمام في Crypto×AI؟'

1 مقدمة: أربع طرق لدمج مجال العملات الرقمية مع الذكاء الاصطناعي

اللامركزية هي الإجماع الذي يحتفظ به البلوكشين، مضموناً أن الأمان هو المبدأ الأساسي، والشفافية هي الأساس الرئيسي من منظور التشفير لجعل السلوك على السلسلة يمتلك الخصائص المذكورة. لقد كانت هذه النهج قابلة للتطبيق في عدة جولات من ثورات البلوكشين في السنوات القليلة الماضية. ومع ذلك، عندما يتدخل الذكاء الاصطناعي، تتغير الحالة إلى حد ما.

تخيل تصميم هندسة البلوكتشين أو التطبيقات من خلال الذكاء الاصطناعي. في هذه الحالة، يحتاج النموذج إلى أن يكون مفتوح المصدر، ولكن فعل ذلك سيكشف عن نقاط ضعفه في التعلم الآلي العدائي. على الجانب الآخر، عدم كونه مفتوح المصدر سيؤدي إلى فقدان اللامركزية. لذلك، من الضروري أن ننظر في الطريقة والمدى الذي يجب بهما تحقيق التكامل عند إدخال الذكاء الاصطناعي في البلوكتشين الحالي أو التطبيقات.

المصدر: جامعة إثيريوم

في المقال ‘عندما تتصادم العمالقة: استكشاف تقارب العملات الرقمية x الذكاء الاصطناعيمن@uethفي جامعة إيثريوم، يتم توضيح الفروقات في الخصائص الأساسية بين الذكاء الاصطناعي والبلوكشين. كما هو موضح في الشكل أعلاه، فإن خصائص الذكاء الاصطناعي هي:

• تمركز
• انعدام الشفافية
• استهلاك الطاقة
• مونوبولي
• سمات التحويل الضعيفة

السمات المذكورة أعلاه هي عكس تمامًا في سلسلة الكتل مقارنة بالذكاء الاصطناعي. هذه هي الحجة الحقيقية لمقال فيتاليك. إذا تم دمج الذكاء الاصطناعي وسلسلة الكتل، فإن التطبيقات الناتجة عن ذلك بحاجة إلى التضحيات في ما يتعلق بملكية البيانات، والشفافية، وقدرات التحقيق، وتكاليف الطاقة، إلخ. بالإضافة إلى ذلك، يجب أيضًا مراعاة البنية التحتية المطلوبة لضمان التكامل الفعال بين كليهما.

وفقًا للمعايير المذكورة أعلاه وأفكاره الخاصة، يصنف فيتاليك التطبيقات التي تشكلت من توافق الذكاء الاصطناعي والبلوكتشين إلى أربعة أنواع رئيسية:

• الذكاء الاصطناعي كلاعب في لعبة
• الذكاء الاصطناعي كواجهة للعبة
• الذكاء الاصطناعي كقواعد اللعبة
• الذكاء الاصطناعي كهدف للعبة

من بينها، تمثل الثلاثة الأولى بشكل رئيسي ثلاث طرق يتم بها إدخال الذكاء الاصطناعي إلى مجال العملات الرقمية، ممثلة لثلاث مستويات من العمق من الضحل إلى العميق. وفقًا لفهم المؤلف، تمثل هذه التصنيفات مدى تأثير الذكاء الاصطناعي على اتخاذ القرارات البشرية، وبالتالي تقديم مستويات مختلفة من المخاطر النظامية لمجال العملات الرقمية بأكمله:

• الذكاء الاصطناعي كمشارك في التطبيقات: الذكاء الاصطناعي بحد ذاته لا يؤثر على قرارات وسلوك الإنسان، لذلك لا يشكل مخاطر على العالم البشري الحقيقي. لذا، يمتلك حاليا أعلى درجة من النفعية العملية.
• الذكاء الاصطناعي كواجهة للتطبيقات: يوفر الذكاء الاصطناعي معلومات أو أدوات مساعدة لاتخاذ القرارات والسلوك البشري، مما يحسن تجربة المستخدم والمطور ويخفض الحواجز. ومع ذلك، قد تقدم المعلومات غير الصحيحة أو العمليات مخاطر معينة على العالم الحقيقي.
• الذكاء الاصطناعي كقواعد التطبيقات: يحل الذكاء الاصطناعي محل البشر تمامًا في اتخاذ القرارات والعمليات. وبالتالي، ستؤدي السلوكيات الخبيثة أو الأخطاء في الذكاء الاصطناعي مباشرة إلى الفوضى في العالم الحقيقي. حاليًا، في كل من الويب2 والويب3، ليس من الممكن الثقة في الذكاء الاصطناعي ليحل محل البشر في اتخاذ القرارات.

أخيرًا، الفئة الرابعة من المشاريع تهدف إلى الاستفادة من خصائص مجال العملات الرقمية لإنشاء ذكاء اصطناعي أفضل. كما ذكر سابقًا، يمكن بشكل طبيعي التخفيف من التركيز، وانعدام الشفافية، واستهلاك الطاقة، والاتجاهات الاحتكارية، والسمات النقدية الضعيفة من خلال خصائص مجال العملات الرقمية. على الرغم من شكوك العديد من الأشخاص حول ما إذا كان بإمكان مجال العملات الرقمية أن يؤثر على تطوير الذكاء الاصطناعي، فإن السرد الأكثر إثارة للدهشة حول مجال العملات الرقمية دائمًا كانت قدرته على التأثير على العالم الحقيقي من خلال عملية اللامركزية. أصبحت هذه المسارات أيضًا الجزء الأكثر تكهنًا بشدة في مسار الذكاء الاصطناعي بسبب رؤيتها الكبيرة.

2 الذكاء الاصطناعي كمشارك

في الآليات التي يشارك فيها الذكاء الاصطناعي، يأتي مصدر الحوافز النهائي غالبًا من البروتوكولات التي أدخلها البشر. قبل أن يصبح الذكاء الاصطناعي واجهة أو حتى قاعدة، عادة ما نحتاج إلى تقييم أداء الذكاء الاصطناعي المختلف، مما يسمح للذكاء الاصطناعي بالمشاركة في آلية، وفي النهاية يتلقى المكافآت أو العقوبات من خلال آلية على السلسلة الرئيسية.

عندما يعمل الذكاء الاصطناعي كمشارك، مقارنة بكونه واجهة أو قاعدة، فإن المخاطر على المستخدمين والنظام بأكمله غالبا ما تكون ضئيلة. يمكن اعتبارها مرحلة ضرورية قبل أن يؤثر الذكاء الاصطناعي بشكل عميق على قرارات المستخدم وسلوكه. لذلك، التكلفة وتنازلات الدمج بين الذكاء الاصطناعي والبلوكشين على هذا المستوى تكون صغيرة نسبيا. هذه أيضا فئة من المنتجات التي يعتقد فيتاليك حاليا أن لديها درجة عالية من الملاءمة العملية.

من حيث الاتساع والتنفيذ، تندرج العديد من تطبيقات الذكاء الاصطناعي الحالية في هذا الفئة، مثل الروبوتات التجارية الممكّنة بالذكاء الاصطناعي والدردشة. مستوى التنفيذ الحالي لا يزال يجعل من الصعب على الذكاء الاصطناعي أن يكون واجهة أو حتى قاعدة. يقوم المستخدمون بالمقارنة والتحسين التدريجي بين الروبوتات المختلفة، ولم يتبلور لدى مستخدمي العملات الرقمية عادات استخدام تطبيقات الذكاء الاصطناعي بعد. في مقال فيتاليك، يُصنَّف العملاء الذاتيون أيضًا تحت هذا الفئة.

ومع ذلك، في معنى أضيق ومن منظور رؤية طويلة المدى، نميل إلى تحديد تفاصيل أكثر لتطبيقات الذكاء الاصطناعي أو وكلاء الذكاء الاصطناعي. وبالتالي، ضمن هذه الفئة، تشمل الفئات الفرعية الرئيسية:

2.1 ألعاب الذكاء الاصطناعي

إلى حد ما، يمكن فعلا تصنيف ألعاب الذكاء الاصطناعي ضمن هذا الفئة. يتفاعل اللاعبون مع الذكاء الاصطناعي ويدربون شخصياتهم الذكية لتناسب تفضيلاتهم الشخصية بشكل أفضل، مثل التوافق أكثر مع الأذواق الفردية أو أن تصبح أكثر تنافسية ضمن ميكانيكيات اللعبة. تعتبر الألعاب مرحلة انتقالية للذكاء الاصطناعي قبل دخوله العالم الحقيقي. كما أنها تمثل مسارًا ذا مخاطر تنفيذ منخفضة نسبيًا وهي الأسهل للمستخدمين العاديين فهمه. من المشاريع الرمزية في هذا الفئة AI Arena، Echelon Prime، و Altered State Machine.

• ملعب الذكاء الاصطناعي: لعبة قتال لاعب مقابل لاعب (PVP) حيث يمكن للاعبين تدريب وتطوير شخصياتهم داخل اللعبة باستخدام الذكاء الاصطناعي. تهدف اللعبة إلى السماح للمستخدمين العاديين بالتفاعل مع الذكاء الاصطناعي وفهمه وتجربته من خلال الألعاب، بينما توفر أيضًا لمهندسي الذكاء الاصطناعي مجموعة متنوعة من خوارزميات الذكاء الاصطناعي لزيادة دخلهم. يتم تشغيل كل شخصية داخل اللعبة من خلال NFTs التي يتم تمكينها بواسطة الذكاء الاصطناعي، حيث يحتوي النواة على بنية النموذج الخاص بالذكاء الاصطناعي والمعلمات المخزنة على IPFS. تُولد المعلمات في NFT الجديدة بشكل عشوائي، مما يعني أنها ستقوم بإجراءات عشوائية. يحتاج المستخدمون إلى تحسين قدرات شخصياتهم الاستراتيجية من خلال التعلم بالتقليد (IL). في كل مرة يقوم فيها المستخدم بتدريب شخصية وحفظ التقدم، يتم تحديث المعلمات على IPFS.
  

• آلة الحالة المتغيرة: . ASM ليست لعبة الذكاء الاصطناعي ولكنها بروتوكول للتحقق من الحقوق والتداول لوكلاء الذكاء الاصطناعي. تم وضعه كبروتوكول الذكاء الاصطناعي metaverse ويتكامل حاليا مع ألعاب متعددة بما في ذلك FIFA ، وإدخال وكلاء الذكاء الاصطناعي في الألعاب و metaverse. تستخدم ASM NFTs للتحقق من وكلاء الذكاء الاصطناعي وتداولهم ، حيث يتكون كل وكيل من ثلاثة أجزاء: الدماغ (الخصائص الجوهرية للوكيل) ، والذكريات (تخزين استراتيجيات السلوك المكتسبة للوكيل والتدريب النموذجي ، المرتبط بالدماغ) ، والشكل (مظهر الشخصية ، وما إلى ذلك). يحتوي ASM على وحدة Gym ، بما في ذلك مزود سحابة GPU اللامركزي ، لتوفير الدعم الحسابي للوكلاء. تشمل المشاريع المبنية حاليا على ASM AIFA (لعبة كرة القدم الذكاء الاصطناعي) ، ومحمد علي (لعبة الملاكمة الذكاء الاصطناعي) ، و الذكاء الاصطناعي League (لعبة كرة القدم في الشوارع بالشراكة مع FIFA) ، و Raicers (لعبة سباق مدفوعة الذكاء الاصطناعي) ، و FLUF World's Thingies (NFTs التوليدية). \
  

• المستعمرة الموازية (PRIME): يقوم Echelon Prime بتطوير المستعمرة الموازية، وهي لعبة مبنية على نماذج اللغة الكبيرة الذكاء الاصطناعي. يمكن للاعبين التفاعل مع الشخصيات الافتراضية الخاصة بهم والتأثير عليها، حيث تتصرف الشخصيات بشكل مستقل بناءً على الذكريات ومسارات الحياة. تعتبر المستعمرة حاليًا واحدة من أكثر الألعاب المتوقعة من الذكاء الاصطناعي، وقد تم نشر الورقة البيضاء الرسمية مؤخرًا. بالإضافة إلى ذلك، أثار إعلان الانتقال إلى سولانا موجة جديدة من الحماس وزيادة القيمة للعملة PRIME.

2.2 تنبؤ السوق/المسابقة

القدرة التنبؤية هي الأساس الذكاء الاصطناعي لاتخاذ القرارات والسلوكيات المستقبلية. قبل استخدام نماذج الذكاء الاصطناعي للتنبؤات العملية ، تقارن مسابقات التنبؤ أداء النماذج الذكاء الاصطناعي على مستوى أعلى. من خلال توفير حوافز في شكل رموز لعلماء البيانات / نماذج الذكاء الاصطناعي ، فإن هذا النهج له آثار إيجابية على تطوير مجال Crypto×الذكاء الاصطناعي بأكمله. إنه يعزز باستمرار تطوير نماذج وتطبيقات أكثر كفاءة وعالية الأداء مناسبة لعالم التشفير. قبل أن يؤثر الذكاء الاصطناعي بعمق على صنع القرار والسلوك ، فإن هذا يخلق منتجات عالية الجودة وأكثر أمانا. كما ذكر فيتاليك ، فإن أسواق التنبؤ هي بدائية قوية يمكن توسيعها لتشمل العديد من أنواع المشاكل الأخرى. تشمل المشاريع الأيقونية في هذا المسار Numerai و Ocean Protocol.

• Numerai: Numerai هي مسابقة طويلة الأمد في علوم البيانات حيث يقوم علماء البيانات بتدريب نماذج التعلم الآلي للتنبؤ بأسواق الأسهم بناء على بيانات السوق التاريخية المقدمة من Numerai. ثم يشاركون نماذجهم ورموز الرنين المغناطيسي النووي في البطولات ، حيث تتلقى النماذج ذات الأداء الجيد مكافآت رمز الرنين المغناطيسي النووي ، بينما يتم حرق الرموز المميزة المخزنة على النماذج ذات الأداء الضعيف. اعتبارا من 7 مارس 2024 ، كان هناك 6,433 نموذجا مخزنا ، وقدم البروتوكول ما مجموعه 75,760,979 دولارا كمكافآت لعلماء البيانات. تحفز Numerai التعاون العالمي بين علماء البيانات لبناء نوع جديد من صناديق التحوط. تشمل الأموال التي تم الإفراج عنها حتى الآن Numerai One و Numerai Supreme. يتضمن مسار Numerai مسابقات التنبؤ بالسوق →نماذج التنبؤ بالتعهيد الجماعي → وإنشاء صناديق تحوط جديدة تعتمد على نماذج التعهيد الجماعي.
• بروتوكول المحيط: يركز Ocean Predictor على التنبؤات ، بدءا من تنبؤات التعهيد الجماعي لاتجاهات العملات المشفرة. يمكن للاعبين اختيار تشغيل روبوت Predictoor أو روبوت Trader. يستخدم روبوت Predictor نماذج الذكاء الاصطناعي للتنبؤ بسعر العملات المشفرة (على سبيل المثال ، BTC / USDT) في النقطة الزمنية التالية (على سبيل المثال ، قبل خمس دقائق) ويراهن على كمية معينة من الرموز $OCEAN. يحسب البروتوكول تنبؤا عالميا بناء على المبلغ المخزن. يشتري المتداولون نتائج التنبؤ ويمكنهم التداول بناء عليها. عندما تكون دقة التنبؤ عالية ، يمكن للمتداولين الاستفادة منها. سيتم معاقبة المتنبئين الذين يقومون بتنبؤات غير صحيحة ، بينما سيحصل أولئك الذين يقومون بتنبؤات صحيحة على جزء من الرموز المميزة المربوطة بالإضافة إلى رسوم الشراء من المتداولين كمكافآت. في 2 مارس ، أعلنت Ocean Predictoor عن أحدث اتجاهاتها ، النموذج العالمي العالمي (WWM) ، والذي يبدأ في استكشاف التنبؤات لسيناريوهات العالم الحقيقي مثل الطقس والطاقة.
  

3 الذكاء الاصطناعي كواجهة

يمكن للذكاء الاصطناعي مساعدة المستخدمين في فهم ما يحدث في مجال العملات الرقمية باستخدام لغة بسيطة وسهلة الفهم، مما يعمل كمرشد للمستخدمين وتوفير تنبيهات للمخاطر المحتملة لتقليل حواجز الدخول ومخاطر المستخدم في مجال العملات الرقمية، مما يحسن تجربة المستخدم. تتنوع وظائف المنتجات التي يمكن تحقيقها، مثل تنبيهات المخاطر أثناء تفاعل المحافظ، والتداول بنية تحكمه الذكاء الاصطناعي، وروبوتات الدردشة المدفوعة بالذكاء الاصطناعي قادرة على الإجابة على أسئلة المستخدمين الشائعة حول العملات الرقمية، والمزيد. جمهور هذه الخدمات يتوسع، بما في ذلك ليس فقط المستخدمين العاديين ولكن أيضًا المطورين والمحللين، وجميع الفئات الأخرى تقريبًا، مما يجعلهم متلقين محتملين لخدمات الذكاء الاصطناعي.

دعونا نكرر أوجه التشابه في هذه المشاريع: لم يحلوا بعد محل البشر في تنفيذ بعض القرارات والسلوكيات، ولكنها تستخدم نماذج الذكاء الاصطناعي لتوفير المعلومات والأدوات لمساعدة اتخاذ القرارات والسلوك البشري. في هذا المستوى، بدأت مخاطر سوء السلوك في الذكاء الاصطناعي في النظام - تقديم معلومات غير صحيحة للتدخل في الحكم البشري. تم تحليل هذا الجانب بشكل شامل في مقال فيتاليك.

هناك العديد من المشاريع المتنوعة التي يمكن تصنيفها ضمن هذا الفئة، بما في ذلك الروبوتات الدردشة الذكية، وفحوصات العقود الذكية بالذكاء الاصطناعي، وإنشاء الأكواد بالذكاء الاصطناعي، والروبوتات لتداول العملات بالذكاء الاصطناعي، وغيرها. يمكن القول إن الغالبية العظمى من تطبيقات الذكاء الاصطناعي حاليًا على هذا المستوى الأساسي. تشمل المشاريع الرئيسية:

• Paal: PaaL هو حاليا المشروع الرائد في الذكاء الاصطناعي chatbots ويمكن اعتباره ChatGPT مدربا على المعرفة المتعلقة بالتشفير. متكامل مع منصات مثل Telegram (TG) و Discord ، يوفر PaaL للمستخدمين وظائف مثل تحليل بيانات الرمز المميز وأساسيات الرمز المميز وتحليل اقتصاديات الرمز المميز ، بالإضافة إلى إنشاء النص إلى صورة وميزات أخرى. يمكن دمج PaaL Bot في الدردشات الجماعية للرد تلقائيا على معلومات معينة. يدعم PaaL أيضا الروبوتات الشخصية المخصصة ، مما يسمح للمستخدمين ببناء قاعدة معارف الذكاء الاصطناعي الخاصة بهم والروبوتات المخصصة عن طريق تغذية مجموعات البيانات. تتقدم PaaL نحو روبوتات التداول الذكاء الاصطناعي ، وفي 29 فبراير ، أعلنت عن محطة أبحاث وتداول العملات المشفرة المدعومة من الذكاء الاصطناعي ، PaalX. وفقا للمقدمة ، يمكنه إجراء عمليات تدقيق الذكاء الاصطناعي للعقود الذكية ، ودمج الأخبار وتداولها بناء على Twitter ، وتقديم الدعم لأبحاث التشفير وتداوله. يمكن لمساعد الذكاء الاصطناعي خفض حاجز الدخول للمستخدمين.

ChainGPT: يعتمد ChainGPT على الذكاء الاصطناعي لتطوير سلسلة من أدوات العملات الرقمية، مثل الروبوت الدردشة، مولد NFT، تجميع الأخبار، إنشاء وتدقيق العقود الذكية، مساعد المعاملات، Prompt market وتبادل الذكاء الاصطناعي بين السلاسل. ومع ذلك، يتركز تركيز ChainGPT الحالي على حاضنة المشروع ومنصة الإطلاق، وقد أكملت IDOs لمشاريع 24 و 4 هبات مجانية.

• يعد Arkham: Ultra محرك AI مخصص لشركة Arkham مصمم لمطابقة العناوين مع الكيانات الحقيقية باستخدام خوارزميات، مما يزيد من الشفافية في صناعة العملات الرقمية. تدمج Ultra البيانات داخل السلسلة والخارج عنها المقدمة من المستخدمين والتي تم جمعها من قبل نفسها، وتقوم بإخراجها إلى قاعدة بيانات قابلة للتوسيع، والتي يتم عرضها في النهاية على شكل رسم بياني. ومع ذلك، لا تقدم وثائق Arkham مناقشات مفصلة حول نظام Ultra. لقد لفتت Arkham مؤخرًا الانتباه بسبب الاستثمار الشخصي من Sam Altman، مؤسس OpenAI، وقد شهدت زيادة بخمسة أضعاف في قيمتها خلال الـ 30 يومًا الماضية.
• GraphLinq: GraphLinq هو حل آلي لإدارة سير العمل مصمم لتمكين المستخدمين من نشر وإدارة أنواع مختلفة من وظائف الأتمتة بدون برمجة. على سبيل المثال ، يمكن للمستخدمين دفع سعر Bitcoin من Coingecko إلى TG Bot كل 5 دقائق. يصور حل GraphLinq عمليات الأتمتة باستخدام الرسوم البيانية ، مما يسمح للمستخدمين بإنشاء مهام أتمتة عن طريق سحب العقد واستخدام محرك GraphLinq لتنفيذها. على الرغم من عدم الحاجة إلى الترميز ، إلا أن عملية إنشاء رسم بياني لا تزال تحتوي على منحنى تعليمي معين للمستخدمين العاديين ، بما في ذلك اختيار القالب المناسب واختيار وربط الكتل المنطقية المناسبة من مئات الخيارات. لمعالجة هذا الأمر ، تقدم GraphLinq الذكاء الاصطناعي للسماح للمستخدمين ببناء وإدارة مهام الأتمتة باستخدام الذكاء الاصطناعي للمحادثة واللغة الطبيعية ، وبالتالي تبسيط العملية للمستخدمين الذين قد لا يكونون على دراية بالجوانب التقنية.
• 0x0.ai:تتضمن أعمال 0x0 المتعلقة بالذكاء الاصطناعي في المقام الأول ثلاث جوانب: فحص عقود الذكاء الاصطناعي الذكية، وكشف الغش الذكي بالذكاء الاصطناعي، ومركز المطور الذكي. ومن بينها، يهدف كشف الغش الذكي بالذكاء الاصطناعي إلى اكتشاف السلوكيات المشبوهة مثل الضرائب المفرطة أو تصريف السيولة لمنع المستخدمين من الوقوع في الخداع. يستخدم مركز المطور الذكي تقنيات التعلم الآلي لإنشاء عقود ذكية، مما يتيح نشر العقود بدون كود. ومع ذلك، لم يتم إطلاق فحص عقود الذكاء الاصطناعي بعد، بينما لم تتم تطوير الوظائف الأخرى بشكل كامل بعد.
• تأسست زيجنالي في عام 2018 بهدف تمكين المستثمرين الأفراد من اختيار مديري الصناديق لإدارة أصولهم الرقمية، على غرار منطق التداول بالنسخ. زيجنالي تستخدم تقنيات التعلم الآلي والذكاء الاصطناعي لإنشاء نظام لتقييم مديري الصناديق. المنتج الأول الذي تم إطلاقه يسمى Z-Score. ومع ذلك، كمنتج للذكاء الاصطناعي، فإنه لا يزال أساسيًا نسبيًا في شكله الحالي.
  

4 الذكاء الاصطناعي كقواعد اللعبة

هذا هو الجزء الأكثر إثارة - تمكين الذكاء الاصطناعي من استبدال صنع القرار والسلوك البشري. سيتحكم الذكاء الاصطناعي الخاص بك بشكل مباشر في محفظتك ، ويتخذ قرارات وإجراءات التداول نيابة عنك. في هذه الفئة ، يعتقد المؤلف أنه يمكن تقسيمها بشكل أساسي إلى ثلاثة مستويات: تطبيقات الذكاء الاصطناعي (خاصة تلك التي لديها رؤية لاتخاذ القرارات المستقلة ، مثل روبوتات التداول الآلي الذكاء الاصطناعي ، وروبوتات عائد الذكاء الاصطناعي DeFi) ، وبروتوكولات الوكيل المستقل ، و zkML / opML.

تطبيقات الذكاء الاصطناعي هي أدوات لاتخاذ قرارات محددة في مجال معين. فهي تجمع المعارف والبيانات من مختلف القطاعات وتعتمد على نماذج الذكاء الاصطناعي مصممة خصيصا لمشاكل محددة لصنع القرار. تجدر الإشارة إلى أن الذكاء الاصطناعي التطبيقات مصنفة في كل من الواجهات والقواعد في هذه المقالة. وفيما يتعلق بالرؤية الإنمائية، ينبغي أن تصبح التطبيقات الذكاء الاصطناعي عوامل مستقلة لصنع القرار، ولكن في الوقت الحالي، لا يمكن لفعالية النماذج الذكاء الاصطناعي ولا أمن الذكاء الاصطناعي المتكاملة تلبية هذا المطلب. حتى كواجهات ، فهي مجبرة إلى حد ما. لا تزال الذكاء الاصطناعي الطلبات في مرحلة مبكرة للغاية ، مع تقديم مشاريع محددة في وقت سابق.

تصنف العملاء المستقلين، التي ذكرها فيتاليك، ضمن الفئة الأولى (الذكاء الاصطناعي كمشاركين)، ولكن يصنفها هذا المقال في الفئة الثالثة استنادًا إلى رؤيتهم طويلة المدى. يستخدم العملاء المستقلين كمية كبيرة من البيانات والخوارزميات لمحاكاة التفكير البشري وعمليات اتخاذ القرار، وتنفيذ مهام وتفاعلات مختلفة. يركز هذا المقال بشكل رئيسي على البنية التحتية للعملاء، مثل طبقات الاتصال وطبقات الشبكة، التي تحدد ملكية العملاء، وتؤسس هويتهم، ومعايير الاتصال والأساليب، وتربط تطبيقات العملاء المتعددة، وتمكنها من التعاون في اتخاذ القرارات والسلوك.

zkML/opML: تأكيد أن النواتج المقدمة من خلال عمليات استدلال النموذج الصحيح هي موثوقة من خلال الأساليب التشفيرية أو الاقتصادية. القضايا الأمنية هي قاتلة عندما يتم إدخال الذكاء الاصطناعي في العقود الذكية. تعتمد العقود الذكية على المدخلات لتوليد النواتج وتتم ميكنة سلسلة من الوظائف. إذا قدم الذكاء الاصطناعي مدخلات خاطئة، فسيقدم مخاطر نظامية كبيرة على النظام الكلي للنظام الرقمي. لذلك، zkML/opML وسلسلة من الحلول المحتملة هي الأساس لتمكين الذكاء الاصطناعي من التصرف بشكل مستقل واتخاذ القرارات.

أخيرًا، تشكل الثلاثة معًا المستويات الثلاثة الأساسية للذكاء الاصطناعي كمشغلي قواعد: zkml/opml كبنية الأساسية على أدنى مستوى تضمن أمان البروتوكول؛ بروتوكولات الوكيل تنشئ نظام الوكلاء، مما يمكن اتخاذ القرارات التعاونية والسلوك؛ تطبيقات الذكاء الاصطناعي، وكذلك وكلاء الذكاء الاصطناعي المحددين، سوف تعمل على تحسين قدراتها باستمرار في المجالات المحددة وفعليًا تتخذ القرارات وتتخذ إجراءات.

4.1 وكيل ذاتي

يعد تطبيق الذكاء الاصطناعي Agents في عالم التشفير أمرا طبيعيا. من العقود الذكية إلى TG Bots إلى وكلاء الذكاء الاصطناعي ، تتجه مساحة التشفير نحو أتمتة أعلى وحواجز مستخدم أقل. بينما تنفذ العقود الذكية الوظائف تلقائيا من خلال رمز غير قابل للتغيير ، فإنها لا تزال تعتمد على مشغلات خارجية للتنشيط ولا يمكن تشغيلها بشكل مستقل أو مستمر. تعمل TG Bots على تقليل حواجز المستخدم من خلال السماح للمستخدمين بالتفاعل مع blockchain من خلال اللغة الطبيعية ، ولكن يمكنهم فقط أداء مهام بسيطة ومحددة ولا يمكنهم تحقيق معاملات تتمحور حول المستخدم. الذكاء الاصطناعي ومع ذلك ، يمتلك الوكلاء درجة معينة من القدرة المستقلة على اتخاذ القرار. إنهم يفهمون اللغة الطبيعية ويجمعون بشكل مستقل بين الوكلاء الآخرين وأدوات blockchain لتحقيق الأهداف التي يحددها المستخدم.

يعمل وكلاء الذكاء الاصطناعي على تحسين تجربة المستخدم لمنتجات العملات الرقمية بشكل كبير، في حين يمكن لتكنولوجيا البلوكشين تعزيز اللامركزية والشفافية والأمان لعمليات وكلاء الذكاء الاصطناعي. يتضمن المساعدة الخاصة:

• من خلال تحفيز المطورين بالرموز التشفيرية لتوفير المزيد من الوكلاء.
• المصادقة على NFT لتيسير الرسوم وأنشطة الوكلاء القائمة على المعاملات.
• توفير هويات وآليات تسجيل الوكلاء على السلسلة الكتلية.
• تقديم سجلات نشاط وكلاء غير قابلة للتغيير لتتبع الوقتي والمساءلة عن أفعالهم.

مجال العملات الرقمية Gate.io بالخصوص هي المشاريع الرئيسية لهذا المسار:

• أوتونولاس: تدعم أوتونولاس ملكية الأصول والقابلية للتركيب للوكلاء والمكونات ذات الصلة من خلال بروتوكولات سلسلة الكتل، مما يتيح اكتشاف مكونات الشفرة، والوكلاء، والخدمات وإعادة استخدامها على سلسلة الكتل، مع تحفيز المطورين بتعويض اقتصادي. يقوم المطورون بتسجيل شفرتهم على سلسلة الكتل ويتلقون NFTs تمثل ملكية الشفرة بعد تطوير وكلاء أو مكونات كاملة. يتعاون أصحاب الخدمات مع عدة وكلاء لإنشاء خدمة وتسجيلها على سلسلة الكتل، مجذبين المشغلين الوكلاء لتنفيذ الخدمة، التي يقوم المستخدمون بالوصول إليها عن طريق دفع ثمن استخدامها.
• Fetch.aiيتمتع Fetch.ai بخلفية فريق قوية وخبرة تطوير في مجال الذكاء الاصطناعي ، مع التركيز حاليا على مسار وكيل الذكاء الاصطناعي.: يتكون البروتوكول من أربع طبقات رئيسية: وكلاء الذكاء الاصطناعي و Agentverse و الذكاء الاصطناعي Engine و Fetch Network. يشكل وكلاء الذكاء الاصطناعي جوهر النظام ، بينما يوفر الآخرون أطرا وأدوات للمساعدة في بناء خدمات الوكلاء. Agentverse عبارة عن نظام أساسي للبرامج كخدمة يستخدم بشكل أساسي لإنشاء وتسجيل وكلاء الذكاء الاصطناعي. يهدف الذكاء الاصطناعي Engine إلى تفسير مدخلات اللغة الطبيعية للمستخدم وترجمتها إلى مهام قابلة للتنفيذ، واختيار وكيل الذكاء الاصطناعي المسجل الأنسب من Agentverse لتنفيذ المهمة. Fetch Network هي طبقة blockchain للبروتوكول ، حيث يجب على وكلاء الذكاء الاصطناعي التسجيل في عقد التقويم على السلسلة للتعاون مع وكلاء آخرين. تجدر الإشارة إلى أن Autonolas تركز حاليا على بناء وكلاء في عالم التشفير وتجلب عمليات الوكيل غير المتصلة بالإنترنت إلى blockchain ، بينما يشمل نطاق Fetch.ai عالم Web2 ، مثل حجوزات السفر وتوقعات الطقس.
• Delysium: انتقلت Delysium من الألعاب إلى بروتوكول وكيل الذكاء الاصطناعي ، ويتألف بشكل أساسي من طبقتين: طبقة الاتصال وطبقة blockchain. تعمل طبقة الاتصال بمثابة العمود الفقري ل Delysium ، حيث توفر بنية تحتية آمنة وقابلة للتطوير للاتصال الفعال بين وكلاء الذكاء الاصطناعي. تتحقق طبقة blockchain من هويات الوكيل وتسجل سلوك الوكيل بشكل ثابت من خلال العقود الذكية. على وجه التحديد ، تنشئ طبقة الاتصال بروتوكول اتصال موحدا بين الوكلاء ، مما يسهل الاتصال السلس باستخدام أنظمة المراسلة الموحدة. بالإضافة إلى ذلك ، فإنه ينشئ بروتوكولات اكتشاف الخدمة وواجهات برمجة التطبيقات ، مما يتيح للمستخدمين والوكلاء الآخرين اكتشاف الوكلاء المتاحين والاتصال بهم بسرعة. تتكون طبقة blockchain بشكل أساسي من جزأين: معرف الوكيل وعقد Chronicle الذكي. يضمن معرف الوكيل أن الوكلاء الشرعيين فقط هم الذين يمكنهم الوصول إلى الشبكة ، بينما يعمل Chronicle كمستودع سجل غير قابل للتغيير لجميع القرارات والإجراءات المهمة التي يتخذها الوكلاء ، مما يضمن إمكانية تتبع سلوك الوكيل الجدير بالثقة.
• آلة الحالة المعدلة: تنشئ آلة الحالة المعدلة معايير لملكية الأصول والمعاملات للوكلاء من خلال NFTs. على الرغم من أن ASM يدمج في المقام الأول مع الألعاب في الوقت الحاضر، فإن المواصفات الأساسية له أيضًا القدرة على التوسع في مجالات الوكلاء الأخرى.
• مورفيوس: إن مورفيوس يقوم ببناء شبكة بيئة وكلاء الذكاء الاصطناعي، بهدف ربط المبرمجين ومزودي الحاسوب وبناة المجتمع ومزودي رأس المال، الذين يوفرون على التوالي وكلاء الذكاء الاصطناعي وقوة الحساب التي تدعم عمليات الوكيل وأدوات التطوير والتطوير الأمامي والتمويل. ستعتمد مور على نموذج الإطلاق العادل لتحفيز المنقبين الذين يوفرون قوة الحساب ومراهني stETH والمساهمين في تطوير الوكيل أو العقد الذكي ومساهمي تطوير المجتمع.

4.2 zkML/opML

دليل الصفر المعرفي يحاليا له اتجاهين رئيسيين للتطبيق:

• إثبات الحساب الصحيح بتكلفة أقل على السلسلة الرئيسية (يستفيد جسر ZK-Rollup وجسر ZKP العابر للسلسلة من هذه الميزة لـ ZK)؛
• حماية الخصوصية: لا حاجة لمعرفة تفاصيل العملية الحسابية، ومع ذلك يمكن إثبات أن العملية تم تنفيذها بشكل صحيح.

بالمثل، يمكن تقسيم تطبيق ZKP في التعلم الآلي أيضًا إلى فئتين:

• التحقق من الاستدلال: وهذا يعني، من خلال دليل ZK، إثبات على السلسلة بتكلفة أقل أن عملية الحوسبة الكثيفة للاستدلال بنموذج الذكاء الاصطناعي تم تنفيذها بشكل صحيح خارج السلسلة.
• حماية الخصوصية: يمكن تقسيمها إلى فئتين. الأولى هي حماية خصوصية البيانات، والتي تنطوي على استخدام البيانات الخاصة للاستدلال على النماذج العامة، والتي يمكن تحقيقها باستخدام ZKML لحماية خصوصية البيانات. الثانية هي حماية خصوصية النموذج، بهدف إخفاء معلومات محددة مثل أوزان النموذج، وحساب واشتقاق نتائج الإخراج من المدخلات العامة.

يعتقد المؤلف أن الجانب الأكثر أهمية للعملات المشفرة حاليا هو التحقق من الاستدلال ، وهنا نوضح بشكل أكبر سيناريوهات التحقق من الاستدلال. بدءا من الذكاء الاصطناعي كمشارك إلى الذكاء الاصطناعي كقواعد للعالم ، نأمل في دمج الذكاء الاصطناعي في العمليات على السلسلة. ومع ذلك ، فإن التكلفة الحسابية العالية لاستدلال نموذج الذكاء الاصطناعي تمنع التنفيذ المباشر على السلسلة. إن نقل هذه العملية خارج السلسلة يعني أننا يجب أن نتسامح مع مشكلات الثقة التي يجلبها هذا الصندوق الأسود - هل عبث مشغل نموذج الذكاء الاصطناعي بمدخلاتي؟ هل استخدموا النموذج الذي حددته للاستدلال؟ من خلال تحويل نماذج ML إلى دوائر ZK ، يمكننا تحقيق: (1) التخزين على السلسلة للنماذج الأصغر ، وتخزين نماذج zkML الصغيرة في العقود الذكية يعالج بشكل مباشر مشكلة التعتيم ؛ (2) إكمال الاستدلال خارج السلسلة أثناء إنشاء براهين ZK ، باستخدام التنفيذ على السلسلة لبراهين ZK للتحقق من صحة عملية الاستدلال. ستشمل البنية التحتية عقدين - العقد الرئيسي (الذي يستخدم نموذج ML لإخراج النتائج) وعقد التحقق من ZK-Proof.

مجال العملات الرقمية  zkML لا تزال في مراحلها الأولى جدًا وتواجه تحديات تقنية في تحويل نماذج ML إلى دوائر ZK، بالإضافة إلى تكاليف عالية للغاية من الناحية الحسابية والتشفيرية. مشابهًا لمسار التطوير لـ Rollup، يعتبر opML حلاً آخر من وجهة نظر اقتصادية. يستخدم opML افتراض AnyTrust لـ Arbitrum، مما يعني أن كل ادعاء يحتوي على عقد واحد على الأقل، مما يضمن أن المُقدم أو أحد المحققين على الأقل صادق. ومع ذلك، يمكن لـ OPML أن يكون بديلًا فقط للتحقق من التصريح ولا يمكنه تحقيق الحماية الخصوصية.

المشاريع الحالية تعمل على بناء البنية التحتية لـ zkML واستكشاف تطبيقاته. إن إنشاء التطبيقات مهم بنفس القدر لأنه يجب أن يظهر بوضوح لمستخدمي العملات الرقمية الدور الهام الذي يقوم به zkML وأن يثبت أن القيمة النهائية يمكن أن تتفوق على التكاليف الهائلة. في هذه المشاريع، يركز بعضها على تطوير تقنية ZK المتعلقة بالتعلم الآلي (مثل Modulus Labs)، بينما يركز البعض الآخر على بناء بنية تحتية ZK أكثر عمومية. وتشمل المشاريع ذات الصلة:

• يستخدم Modulus zkML لتطبيق الذكاء الاصطناعي على عمليات الاستدلال على السلسلة. في 27 فبراير، قامت Modulus بإطلاق zkML البروفير بقية، محققة تحسنًا بنسبة 180 مرة مقارنة بالاستدلال التقليدي للذكاء الاصطناعي على الأجهزة المكافئة. بالإضافة إلى ذلك، يتعاون Modulus مع العديد من المشاريع لاستكشاف حالات الاستخدام العملية لـ zkML. على سبيل المثال، فهي تتعاون مع Upshot لجمع بيانات السوق المعقدة، وتقييم أسعار NFT باستخدام الذكاء الاصطناعي مع ZK proofs، ونقل الأسعار إلى سلسلة الكتل. كما تتعاون مع AI Arena لإثبات أن الصورة الرمزية في المعركة واللاعب المدرب هما نفس الكيان.
• يضع Risc Zero نماذج على السلسلة الكتلية، ومن خلال تشغيل نماذج التعلم الآلي في ZKVM الخاص بـ RISC Zero، يمكنهم إثبات أن الحسابات الدقيقة المتضمنة في النموذج تم تنفيذها بشكل صحيح.
• إن إنجونياما تطور أجهزة متخصصة لتكنولوجيا ZK، والتي قد تخفض حاجز الدخول إلى مجال تكنولوجيا ZK. يمكن أيضًا استخدام zkML في عملية تدريب النماذج.

5 AI كهدف

إذا كانت الفئات الثلاث السابقة تركز بشكل أكبر على كيفية تمكين الذكاء الاصطناعي لمجال العملات الرقمية، فإن "الذكاء الاصطناعي كهدف" يؤكد على مساعدة مجال العملات الرقمية للذكاء الاصطناعي، أي كيفية استخدام العملات الرقمية لخلق نماذج ومنتجات ذكاء اصطناعي أفضل. قد تشمل هذه المعايير تقييم متعددة مثل الكفاءة الأكبر والدقة واللامركزية. يتكون الذكاء الاصطناعي من ثلاثة عناصر أساسية: البيانات والطاقة الحسابية والخوارزميات، وفي كل بُعد، تسعى العملات الرقمية لتوفير دعم أكثر فعالية للذكاء الاصطناعي:

• البيانات: تعتبر البيانات أساسًا لتدريب النماذج، وتحفز بروتوكولات البيانات اللامركزية الأفراد أو الشركات على تقديم المزيد من البيانات الخاصة مع استخدام تقنيات التشفير لحماية خصوصية البيانات ومنع تسرب المعلومات الشخصية الحساسة.
• قوة الحوسبة: مسار قوة الحوسبة المركزية حاليًا هو أبرز مسار في مجال الذكاء الاصطناعي. تسهل البروتوكولات تطابق العرض والطلب في السوق، وتعزز توافق قوة الحوسبة طويلة الذيل مع المؤسسات الذكية لتدريب النماذج والاستدلال.
• خوارزميات: تمكين العملات المشفرة للخوارزميات هو الجانب الأكثر أهمية في تحقيق الذكاء الاصطناعي اللامركزي، كما هو موضح في مقال فيتاليك بوتيرين "الذكاء الاصطناعي كهدف". من خلال خلق ذكاء اصطناعي موزع وموثوق به بشكل أسود، يمكن معالجة قضايا مثل تعلم الآلة العدائي. ومع ذلك، قد تواجه هذه النهج عقبات كبيرة مثل تكاليف التشفير العالية. بالإضافة إلى ذلك، يمكن تحقيق "استخدام حوافز التشفير لتشجيع إنشاء ذكاء اصطناعي أفضل" دون الانغماس تمامًا في جحر الأرنب للتشفير.

أدى استحواذ الشركات التكنولوجية الكبرى على البيانات والقوة الحاسوبية إلى استحواذ على عملية تدريب النماذج، حيث تصبح النماذج المغلقة المصدر الرئيسي للأرباح لهذه الشركات. من منظور البنية التحتية، تحفز العملات الرقمية اللامركزية توفير البيانات والقوة الحاسوبية من خلال وسائل اقتصادية. بالإضافة إلى ذلك، تضمن الخصوصية للبيانات خلال العملية من خلال الأساليب التشفيرية. يعتبر هذا أساسًا لتيسير تدريب النماذج اللامركزي، بهدف تحقيق نظام بيئي للذكاء الاصطناعي أكثر شفافية ولامركزية.

5.1 بروتوكول بيانات لامركزي

تعمل بروتوكولات البيانات اللامركزية أساسًا من خلال جمع البيانات من خلال المشاركة الجماعية، محفزة المستخدمين على توفير مجموعات بيانات أو خدمات بيانات (مثل تسمية البيانات) للاستخدام من قبل الشركات في تدريب النماذج. كما أنها تنشئ أسواق بيانات لتيسير التوافق بين العرض والطلب. بعض البروتوكولات تستكشف أيضًا تحفيز المستخدمين من خلال بروتوكولات DePIN للحصول على بيانات التصفح أو استخدام أجهزة المستخدمين/عرض النطاق الترددي لجمع بيانات الويب.

• بروتوكول المحيط: يرمز إلى ملكية البيانات ويسمح للمستخدمين بإنشاء NFTs للبيانات / الخوارزميات بطريقة غير رمزية على Ocean Protocol ، وفي نفس الوقت إنشاء رموز البيانات المقابلة للتحكم في الوصول إلى NFTs للبيانات. يضمن Ocean Protocol خصوصية البيانات من خلال Compute To Data (C2D) ، حيث يمكن للمستخدمين فقط الحصول على نتائج الإخراج بناء على البيانات / الخوارزميات ، دون تنزيلات كاملة. تأسست Ocean Protocol في عام 2017 كسوق للبيانات ، وقفزت بشكل طبيعي على عربة الذكاء الاصطناعي في هذا الاتجاه الحالي.
• Synesis One: هذا المشروع هو منصة Train2Earn على شبكة Solana، حيث يكسب المستخدمون مكافآت $SNS من خلال تقديم بيانات اللغة الطبيعية وتسمية البيانات. يدعم المستخدمون التعدين من خلال تقديم البيانات، التي يتم تخزينها ووضعها على السلسلة بعد التحقق منها، ثم يتم استخدامها من قبل شركات الذكاء الاصطناعي للتدريب والاستدلال. يتم تقسيم المعدنين إلى ثلاث فئات: المهندسون/البناؤون/المحققون. يقوم المهندسون بإنشاء مهام البيانات الجديدة، بينما يوفر البناؤون بيانات نصية لمهام محددة، ويقوم المحققون بالتحقق من مجموعات البيانات التي قدمها البناؤون. تتم تخزين مجموعات البيانات المكتملة في IPFS ومصادرها، جنبًا إلى جنب مع عناوين IPFS، تُخزن في قاعدة بيانات خارج السلسلة لتستخدمها شركات الذكاء الاصطناعي (حالياً Mind AI).

Grass: طبقة البيانات اللامركزية، المعروفة باسم الذكاء الاصطناعي، تعمل في الأساس كسوق لجمع البيانات اللامركزية، والحصول على البيانات لأغراض تدريب نماذج الذكاء الاصطناعي. تعتبر مواقع الإنترنت مصادر حيوية لبيانات التدريب للذكاء الاصطناعي، مع وجود العديد من المواقع مثل تويتر وجوجل وريديت التي تحمل قيمة كبيرة. ومع ذلك، تفرض هذه المواقع باستمرار قيودًا على جمع البيانات. يستفيد Grass من عرض النطاق الترددي غير المستخدم داخل الشبكات الفردية للتخفيف من تأثير حظر البيانات عن طريق استخدام عناوين IP مختلفة لجمع البيانات من المواقع العامة. يقوم بتنظيف البيانات الأولية ويعمل كمصدر بيانات لجهود تدريب نماذج الذكاء الاصطناعي. حاليًا في مرحلة الاختبار التجريبي، يسمح Grass للمستخدمين بكسب نقاط عن طريق توفير النطاق الترددي، والتي يمكن استبدالها بالمكافآت الجوائية المحتملة.

بروتوكول AIT: بروتوكول AIT هو بروتوكول تسمية بيانات لامركزي مصمم لتوفير مجموعات بيانات عالية الجودة لتدريب النماذج للمطورين. يتيح Web3 لقوى العمل العالمية الوصول السريع إلى الشبكة وكسب الحوافز من خلال تسمية البيانات. يقوم علماء بيانات AIT بتسمية البيانات مسبقًا، والتي يتم معالجتها بعد ذلك بواسطة المستخدمين. بعد خضوع البيانات المعتمدة لفحوصات الجودة من قبل علماء البيانات، يتم توفير البيانات المحققة للمطورين للاستخدام.

بالإضافة إلى البروتوكولات المذكورة أعلاه لتوفير البيانات ووسوم البيانات، ستسهم البنية التحتية لتخزين البيانات اللامركزية السابقة مثل Filecoin و Arweave وغيرها أيضًا في توفير بيانات أكثر لامركزية.

5.2 السلطة الحوسبة اللامركزية

في عصر الذكاء الاصطناعي، يعتبر أهمية قوة الحساب واضحة بمنزلقها. لقد صعدت ليس فقط أسعار الأسهم لشركة NVIDIA، ولكن في عالم العملات الرقمية، يمكن القول أن قوة الحساب اللامركزية هي اتجاه النيش الأكثر شعبية في مسار الذكاء الاصطناعي - من بين أفضل 200 مشروع للذكاء الاصطناعي من حيث رأس المال السوقي، تركز 5 مشاريع (Render/Akash/AIOZ Network/Golem/Nosana) على قوة الحساب اللامركزية، وقد شهدت نمواً كبيراً خلال الأشهر القليلة الماضية. شهدت العديد من المشاريع في نطاق رأس المال السوقي المنخفض أيضاً ظهور منصات الحوسبة اللامركزية. على الرغم من أنهم لا يزالون في بداية طريقهم، إلا أنهم اكتسبوا زخماً بسرعة، خاصة مع موجة الحماس من مؤتمر NVIDIA.

من خصائص المسار، اللوجيك الأساسي للمشاريع في هذا الاتجاه متجانس للغاية - استخدام حوافز الرموز لتشجيع الأفراد أو الشركات العاملة بموارد الحوسبة الشاغرة على توفير الموارد، مما يقلل بشكل كبير من تكاليف الاستخدام وإنشاء سوق العرض والطلب لقوة الحوسبة. حاليًا، تأتي المصادر الرئيسية لقوة الحوسبة من مراكز البيانات، المنقبين (خاصة بعد انتقال إثيريوم إلى PoS)، قوة الحوسبة على مستوى المستهلكين، والتعاون مع مشاريع أخرى. على الرغم من التجانس، إلا أن هذا المسار هو مسار حيث تمتلك المشاريع الرائدة خنادق عالية. تأتي المزايا التنافسية الرئيسية للمشاريع من: موارد قوة الحوسبة، أسعار تأجير قوة الحوسبة، معدلات استخدام قوة الحوسبة، ومزايا تقنية أخرى. تشمل المشاريع الرائدة في هذا المسار Akash، Render، io.net، و Gensyn.

وفقًا لاتجاهات العمل المحددة، يمكن تقسيم المشاريع تقريبًا إلى فئتين: استنتاج نموذج الذكاء الاصطناعي وتدريب نموذج الذكاء الاصطناعي. نظرًا لأن متطلبات الطاقة الحسابية والنطاق الترددي لتدريب نموذج الذكاء الاصطناعي أعلى بكثير من الاستنتاج، وأن سوق استنتاج النموذج تتوسع بسرعة، فإن الدخل المتوقع سيكون أعلى بكثير من تدريب النموذج في المستقبل. لذا، حاليًا، تركز غالبية المشاريع على اتجاه الاستنتاج (Akash، Render،io.net)، مع تركيز Gensyn على التدريب. من بينها، لم يتم تطوير Akash وRender في البداية للحوسبة الذكية. كان Akash مستخدمًا في الأصل للحوسبة العامة، بينما كان يستخدم Render في الأساس لتقديم الفيديو وتقديم الصور. io.net مصمم خصيصًا للحوسبة الذكية، ولكن بعد أن رفعت الذكاء الاصطناعي مستوى الطلب على الحوسبة، تجهزت جميع هذه المشاريع للتطور في اتجاه الذكاء الاصطناعي.

لا يزال أهم مؤشرين تنافسيين يأتيان من جانب العرض (موارد الطاقة الحاسوبية) وجانب الطلب (استخدام الطاقة الحاسوبية). لدى عكاش 282 وحدة معالجة رسومات وأكثر من 20,000 وحدة معالجة مركزية ، مع اكتمال أكثر من 160,000 عقد إيجار ، ومعدل استخدام شبكة GPU يتراوح بين 50 و 70٪ ، وهو رقم جيد في هذا المسار. يحتوي io.net على 40,272 وحدة معالجة رسومات و 5,958 وحدة معالجة مركزية ، إلى جانب 4,318 وحدة معالجة رسومات و 159 وحدة معالجة مركزية من Render ، وترخيص استخدام 1,024 وحدة معالجة رسومات من Filecoin ، بما في ذلك حوالي 200 H100s وآلاف من A100s. تجتذب io.net موارد طاقة الحوسبة مع توقعات عالية للغاية للإسقاط الجوي ، وتنمو بيانات GPU بسرعة ، مما يتطلب إعادة تقييم قدرتها على جذب الموارد بعد إدراج الرمز المميز. لم يكشف Render و Gensyn عن بيانات محددة. بالإضافة إلى ذلك ، تعمل العديد من المشاريع على تعزيز قدرتها التنافسية على جانبي العرض والطلب من خلال التعاون في النظام الإيكولوجي. على سبيل المثال ، تستخدم io.net قوة الحوسبة الخاصة ب Render و Filecoin لتعزيز احتياطيات الموارد الخاصة بها ، وقد أنشأت Render برنامج عميل الحوسبة (RNP-004) ، مما يسمح للمستخدمين بالوصول بشكل غير مباشر إلى موارد طاقة الحوسبة الخاصة ب Render من خلال عملاء الحوسبة مثل io.net, Nosana, FedMl, and Beam, thus quickly transitioning from the rendering field to artificial intelligence computing.

بالإضافة إلى ذلك ، لا يزال التحقق من الحوسبة اللامركزية يمثل تحديا - كيفية إثبات أن العمال الذين لديهم موارد حسابية ينفذون مهام الحوسبة بشكل صحيح. يحاول Gensyn إنشاء طبقة التحقق هذه ، مما يضمن صحة الحسابات من خلال براهين التعلم الاحتمالية ، وبروتوكولات تحديد المواقع الدقيقة القائمة على الرسم البياني ، والحوافز. يقوم المدققون والمراسلون بفحص الحسابات بشكل مشترك في Gensyn ، لذلك إلى جانب توفير الدعم الحسابي للتدريب اللامركزي ، فإن آلية التحقق الراسخة لها أيضا قيمة فريدة. كما يعزز بروتوكول الحوسبة Fluence ، الموجود في Solana ، التحقق من صحة مهام الحوسبة. يمكن للمطورين التحقق مما إذا كانت تطبيقاتهم تعمل كما هو متوقع وما إذا كانت الحسابات قد تم تنفيذها بشكل صحيح من خلال فحص البراهين المقدمة من قبل الموفرين على السلسلة. ومع ذلك ، لا تزال الحاجة العملية تعطي الأولوية للجدوى على الجدارة بالثقة. يجب أن تتمتع منصات الحوسبة أولا بقوة حسابية كافية لتكون قادرة على المنافسة. بالطبع ، بالنسبة لبروتوكولات التحقق الممتازة ، هناك خيار للوصول إلى الموارد الحسابية من الأنظمة الأساسية الأخرى ، والتي تعمل كطبقات تحقق وبروتوكول للعب دور فريد.

نموذج لامركزي 5.3

السيناريو النهائي الموصوف من قبل فيتاليك، كما هو موضح في الرسم البياني أدناه، لا يزال بعيد المنال. حاليًا، لا يمكننا تحقيق الذكاء الاصطناعي الأسود الموثوق الذي تم إنشاؤه من خلال تقنيات البلوكشين والتشفير لمعالجة تعلم الآلة العدائي. تشفير عملية الذكاء الاصطناعي بالكامل من بيانات التدريب إلى نواتج الاستعلام يترتب عليه تكاليف كبيرة. ومع ذلك، هناك مشاريع تحاول حاليًا تحفيز إنشاء نماذج ذكاء اصطناعي أفضل. أولاً، يتم بناء الفجوات المغلقة بين النماذج المختلفة، مما يخلق منظرًا حيث يمكن للنماذج أن تتعلم من بعضها البعض، والتعاون، والمشاركة في منافسة صحية. بيتينسور هو واحد من أبرز المشاريع في هذا الصدد.

Bittensor: Bittensor يسهل تكامل نماذج الذكاء الاصطناعي المختلفة، ولكن من المهم أن نلاحظ أن Bittensor نفسه لا يشارك في تدريب النماذج؛ بل يوفر في الأساس خدمات الاستدلال الذكاء الاصطناعي. تركز 32 شبكة فرعية له على اتجاهات خدمة مختلفة، مثل جلب البيانات، وإنتاج النص، وText2Image، وما إلى ذلك. عند إكمال مهمة، يمكن لنماذج الذكاء الاصطناعي التابعة لاتجاهات مختلفة التعاون مع بعضها البعض. تحفز آليات الحوافز المنافسة بين الشبكات الفرعية وداخلها. حالياً، يتم توزيع المكافآت بمعدل 1 TAO لكل كتلة، مما يعادل حوالي 7200 رمز TAO يومياً. يحدد الـ 64 محققًا في SN0 (الشبكة الجذرية)نسبة التوزيعبين هذه الجوائز بين الشبكات الفرعية المختلفة استنادًا إلى أداء الشبكة الفرعية. بينما يحدد محققو الشبكة الفرعية نسبة التوزيع بين المنقبين المختلفين استنادًا إلى تقييم عملهم. ونتيجة لذلك، تتلقى الخدمات والنماذج التي تؤدي بشكل أفضل مزيدًا من الحوافز، معززة بذلك التحسن الشامل في جودة استنتاج النظام.

6 الختام: هل MEME مجرد هيب أم ثورة تكنولوجية؟

من تحركات سام ألتمان التي دفعت بأسعار ARKM و WLD للارتفاع إلى مؤتمر نفيديا الذي دعم سلسلة من المشاريع المشاركة، العديد من الأشخاص يقومون بضبط أفكارهم الاستثمارية في مجال الذكاء الاصطناعي. هل يتم تحريك مجال الذكاء الاصطناعي في المقام الأول بالتكهنات العابرة أو الثورة التكنولوجية؟

بصرف النظر عن بعض المواضيع الشهيرة (مثل ARKM و WLD)، يبدو مجال الذكاء الاصطناعي في مجال العملات الرقمية أكثر مثل "ميم يدفعه السرد التكنولوجي".

من ناحية، فإن الاحتيال العام في مجال العملات الرقمية مرتبط بشكل لا شك فيه بتقدم الذكاء الاصطناعي على الإنترنت. سيكون التضخيم الخارجي الذي يقوده كيانات مثل OpenAI كعامل محفز لمجال الذكاء الاصطناعي. من ناحية أخرى، تدور قصة مجال الذكاء الاصطناعي لا تزال حول السرد التكنولوجي. ومع ذلك، من الضروري التأكيد على "السرد التكنولوجي" بدلاً من التركيز فقط على التكنولوجيا نفسها. وهذا يؤكد على أهمية اختيار اتجاهات محددة داخل مجال الذكاء الاصطناعي وإيلاء الاهتمام للأساسيات المشاريع. من الضروري العثور على اتجاهات سردية ذات قيمة تكهنية بالإضافة إلى المشاريع ذات القيمة التنافسية طويلة الأجل والخنادق.

نظرًا للمزيج بين سحر السرد والقابلية المعروض في الأربعة تركيبات المحتملة المقترحة من قبل فيتاليك، نرى توازنًا. في الفئات الأولى والثانية، الممثلة بتطبيقات الذكاء الاصطناعي، نلاحظ العديد من المحملات GPT. بينما يتم نشر هذه المنتجات بسرعة، إلا أنها تظهر أيضًا درجة عالية من التجانس التجاري. تصبح الميزة الأولى، والنظم البيئية، وقاعدة المستخدمين، والإيرادات القصص المروية في سياق المنافسة المتجانسة. الفئتان الثالثة والرابعة تمثلان سردًا كبيرًا يجمع بين الذكاء الاصطناعي والعملات المشفرة، مثل شبكات التعاون على سلسلة الكتل Agent، zkML، وإعادة تشكيل الذكاء الاصطناعي بشكل لامركزي. هذه لا تزال في مراحل مبكرة، وستجذب المشاريع ذات الابتكار التكنولوجي الأموال بسرعة، حتى لو كانت في مراحلها المبكرة فقط.

تنصيح:

1. تم نقل هذه المقالة من [Cryptoمشاريع البيانات]. إعادة توجيه العنوان الأصلي 'تقرير بحثي حول Metrics Ventures | من البداية ، ما هي الفئات الفرعية التي تستحق المتابعة في Crypto x AI؟ '. جميع حقوق النشر تنتمي إلى الكاتب الأصلي [@charlotte0211z،@BlazingKevin_，Metrics Ventures]. إذا كانت هناك اعتراضات على هذه الإعادة طباعتها، يرجى الاتصال بالتعلم Gateالفريق، وسوف يتعاملون معه بسرعة.
2. تنصل المسؤولية: الآراء والآراء الواردة في هذه المقالة هي فقط تلك للكاتب ولا تشكل أي نصيحة استثمارية.
3. تُجرى ترجمة المقال إلى لغات أخرى من قِبل فريق Gate Learn. ما لم يُذكر، يُمنع نسخ أو توزيع أو ارتكاب الانتحال للمقالات المترجمة.