تحليل شامل لـ Web3-AI: دمج التكنولوجيا، تطبيقات المشهد وتفسير عميق للمشاريع الرائدة

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

مع استمرار ازدهار السرد المعتمد على الذكاء الاصطناعي، يزداد التركيز على هذا المجال. تم إجراء تحليل عميق للمنطق التكنولوجي ومشاهد التطبيقات والمشاريع الممثلة في مجال Web3-AI، لتقديم صورة شاملة واتجاهات التطور في هذا المجال.

١. ويب 3-الذكاء الاصطناعي: تحليل المنطق التقني وفرص السوق الناشئة

1.1 منطق دمج Web3 و AI: كيف يتم تعريف مسار Web-AI

على مدار العام الماضي، كانت السرديات المدعومة بالذكاء الاصطناعي تتألق بشكل استثنائي في صناعة Web3، حيث ظهرت مشاريع الذكاء الاصطناعي كالفطر بعد هطول الأمطار. على الرغم من وجود العديد من المشاريع التي تتضمن تقنيات الذكاء الاصطناعي، إلا أن بعض المشاريع تستخدم الذكاء الاصطناعي فقط في بعض أجزاء منتجاتها، ولا ترتبط الاقتصاديات الرمزية الأساسية بهذه المنتجات بشكل جوهري، لذلك فإن هذه المشاريع لا تندرج في مناقشة مشاريع Web3-AI في هذه المقالة.

تركز هذه المقالة على استخدام البلوكتشين لحل مشاكل علاقات الإنتاج، ومشاريع الذكاء الاصطناعي لحل مشاكل القوى الإنتاجية، حيث تقدم هذه المشاريع نفسها منتجات ذكاء اصطناعي، بينما تعتمد على نموذج الاقتصاد Web3 كأداة لعلاقات الإنتاج، وكلاهما يكمل الآخر. نقوم بتصنيف هذه المشاريع ضمن مسار Web3-AI. لمساعدة القراء على فهم مسار Web3-AI بشكل أفضل، سيتم عرض عملية تطوير الذكاء الاصطناعي والتحديات، وكيف يمكن لتكامل Web3 والذكاء الاصطناعي أن يحل المشاكل بشكل مثالي ويخلق سيناريوهات تطبيق جديدة.

1.2 عملية تطوير الذكاء الاصطناعي والتحديات: من جمع البيانات إلى استنتاج النماذج

تكنولوجيا الذكاء الاصطناعي هي تقنية تسمح للحواسيب بمحاكاة وتوسيع وتعزيز الذكاء البشري. إنها تمكن الحواسيب من أداء مجموعة متنوعة من المهام المعقدة، من ترجمة اللغة، وتصنيف الصور، إلى التعرف على الوجه، والقيادة الذاتية، وغيرها من سيناريوهات التطبيقات، فإن الذكاء الاصطناعي يغير الطريقة التي نعيش ونعمل بها.

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

1. جمع البيانات والمعالجة المسبقة للبيانات: جمع مجموعة بيانات تحتوي على صور للقطط والكلاب، يمكن استخدام مجموعات البيانات العامة أو جمع بيانات حقيقية بنفسك. ثم قم بتسمية كل صورة بفئة (قط أو كلب)، تأكد من أن التسميات دقيقة. تحويل الصور إلى تنسيق يمكن للنموذج التعرف عليه، تقسيم مجموعة البيانات إلى مجموعة تدريب ومجموعة تحقق ومجموعة اختبار.

2. اختيار النموذج وضبطه: اختر النموذج المناسب، مثل الشبكات العصبية التلافيفية (CNN)، التي تناسب مهام تصنيف الصور. قم بضبط معلمات أو بنية النموذج بناءً على الاحتياجات المختلفة، بشكل عام يمكن تعديل مستويات الشبكة للنموذج وفقًا لتعقيد مهمة الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون مستويات الشبكة الأكثر سطحية كافية.

3. تدريب النموذج: يمكن استخدام GPU أو TPU أو مجموعات الحوسبة عالية الأداء لتدريب النموذج، ويتأثر وقت التدريب بتعقيد النموذج وقدرة الحوسبة.

4. استدلال النموذج: يُطلق على الملفات التي تم تدريب النموذج عليها عادةً اسم أوزان النموذج، وعملية الاستدلال تشير إلى استخدام النموذج المدرب مسبقًا للتنبؤ أو التصنيف للبيانات الجديدة. يمكن استخدام مجموعة الاختبار أو البيانات الجديدة لاختبار فعالية تصنيف النموذج، وعادةً ما يتم تقييم فعالية النموذج باستخدام مؤشرات مثل دقة، واسترجاع، و F1-score.

كما هو موضح في الشكل، بعد جمع البيانات ومعالجة البيانات الأولية، واختيار النموذج وتحسينه، ثم التدريب، سيتم استخدام النموذج المدرب لإجراء الاستدلال على مجموعة الاختبار للوصول إلى قيم التنبؤ للقطط والكلاب P (احتمالية)، أي الاحتمالية التي يستنتجها النموذج أنها قطة أو كلب.

يمكن دمج نماذج الذكاء الاصطناعي المدربة بشكل أكبر في تطبيقات مختلفة لأداء مهام متنوعة. في هذا المثال، يمكن دمج نموذج الذكاء الاصطناعي لتصنيف القطط والكلاب في تطبيق للهاتف المحمول حيث يمكن للمستخدمين تحميل صور للقطط أو الكلاب للحصول على نتائج التصنيف.

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

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

مصدر البيانات: قد يواجه الفرق الصغيرة أو الأفراد قيودًا على البيانات غير المفتوحة المصدر عند الحصول على بيانات في مجالات محددة (مثل بيانات الطب).

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

الحصول على القدرة الحاسوبية: بالنسبة للمطورين الأفراد والفرق الصغيرة، يمكن أن تشكل التكلفة العالية لشراء وحدات معالجة الرسوميات وإيجار القدرة الحاسوبية في السحابة عبئاً اقتصادياً كبيراً.

دخل الأصول الذكية: غالبًا ما لا يحصل العمال في مجال وضع البيانات على دخل يتناسب مع ما يقدمونه، كما أن نتائج أبحاث مطوري الذكاء الاصطناعي يصعب مطابقتها مع المشترين الذين لديهم احتياجات.

التحديات الموجودة في سيناريو الذكاء الاصطناعي المركزي يمكن التغلب عليها من خلال دمجها مع Web3، حيث يمثل Web3 نوعًا جديدًا من علاقات الإنتاج، ويتناسب بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل قوة إنتاجية جديدة، مما يدفع التقدم التكنولوجي وقدرات الإنتاج في نفس الوقت.

1.3 التآزر بين Web3 و AI: تحول الأدوار والتطبيقات الجديدة

يمكن أن يعزز الجمع بين Web3 و AI سيادة المستخدم، ويوفر منصة تعاون مفتوحة للذكاء الاصطناعي، مما يسمح للمستخدمين بالتحول من مستخدمي الذكاء الاصطناعي في عصر Web2 إلى مشاركين، وخلق ذكاء اصطناعي يمكن للجميع امتلاكه. في الوقت نفسه، يمكن أن يؤدي اندماج عالم Web3 مع تقنيات الذكاء الاصطناعي إلى توليد المزيد من التطبيقات المبتكرة وطرق اللعب.

استنادًا إلى تقنية Web3 ، سيشهد تطوير واستخدام الذكاء الاصطناعي نظامًا اقتصاديًا تعاونيًا جديدًا. يمكن ضمان خصوصية بيانات الأفراد ، وتعزز أنماط جمع البيانات الجماعي تقدم نماذج الذكاء الاصطناعي ، والعديد من الموارد المفتوحة للذكاء الاصطناعي متاحة للاستخدام من قبل المستخدمين ، ويمكن الحصول على القدرة الحاسوبية المشتركة بتكاليف منخفضة. من خلال آلية تعاون جمع البيانات اللامركزية وسوق الذكاء الاصطناعي المفتوح ، يمكن تحقيق نظام توزيع عادل للدخل ، مما يحفز المزيد من الناس على دفع تقدم تقنية الذكاء الاصطناعي.

في سيناريوهات Web3، يمكن أن تؤثر الذكاء الاصطناعي بشكل إيجابي عبر عدة مجالات. على سبيل المثال، يمكن دمج نماذج الذكاء الاصطناعي في العقود الذكية، مما يعزز كفاءة العمل في سيناريوهات تطبيقية مختلفة، مثل تحليل السوق، والكشف عن الأمان، والتجمعات الاجتماعية وغيرها من الوظائف المتنوعة. لا يتيح الذكاء الاصطناعي التوليدي للمستخدمين تجربة دور "الفنان" فقط، مثل استخدام تقنيات الذكاء الاصطناعي لإنشاء NFT الخاصة بهم، بل يمكنه أيضًا خلق مشاهد ألعاب متنوعة وتجارب تفاعلية مثيرة في GameFi. توفر البنية التحتية الغنية تجربة تطوير سلسة، حيث يمكن لكل من خبراء الذكاء الاصطناعي والمبتدئين الذين يرغبون في دخول مجال الذكاء الاصطناعي العثور على المدخل المناسب في هذا العالم.

ثانياً، تفسير خريطة وهيكل مشروع Web3-AI الإيكولوجي

لقد درسنا بشكل أساسي 41 مشروعًا في مجال Web3-AI وقمنا بتقسيم هذه المشاريع إلى مستويات مختلفة. يتم توضيح منطق تقسيم كل مستوى في الشكل أدناه، بما في ذلك مستوى البنية التحتية، والمستوى الوسيط، ومستوى التطبيق، حيث ينقسم كل مستوى إلى عدة أقسام. في الفصل التالي، سنقوم بإجراء تحليل عميق لبعض المشاريع التمثيلية.

تشمل طبقة البنية التحتية الموارد الحاسوبية والهندسة التقنية التي تدعم تشغيل دورة حياة الذكاء الاصطناعي بالكامل، بينما تتضمن الطبقة الوسطى إدارة البيانات وتطوير النماذج وخدمات التحقق والاستدلال التي تربط بين البنية التحتية والتطبيقات، وتتركز الطبقة التطبيقية على التطبيقات والحلول المختلفة التي تستهدف المستخدمين مباشرة.

طبقة البنية التحتية:

طبقة البنية التحتية هي أساس دورة حياة الذكاء الاصطناعي، حيث تصنف هذه المقالة قوة الحوسبة، سلسلة الذكاء الاصطناعي ومنصة التطوير كطبقة البنية التحتية. بدعم هذه البنية التحتية، يمكن تحقيق تدريب ونمذجة الذكاء الاصطناعي، وتقديم تطبيقات الذكاء الاصطناعي القوية والعملية للمستخدمين.

• شبكة الحوسبة اللامركزية: يمكن أن توفر قوة حوسبة موزعة لتدريب نماذج الذكاء الاصطناعي، مما يضمن استخدام موارد الحوسبة بشكل فعال واقتصادي. تقدم بعض المشاريع سوقًا لامركزيًا للقوة الحاسوبية، حيث يمكن للمستخدمين استئجار القوة الحاسوبية بتكاليف منخفضة أو مشاركة القوة الحاسوبية للحصول على أرباح، ومن المشاريع الممثلة IO.NET و Hyperbolic. بالإضافة إلى ذلك، ظهرت بعض المشاريع بأساليب جديدة للعب، مثل Compute Labs، التي اقترحت بروتوكول توكين، حيث يمكن للمستخدمين المشاركة بطرق مختلفة في تأجير القوة الحاسوبية للحصول على أرباح من خلال شراء NFT يمثل وحدات معالجة الرسوميات.

• AI Chain: استخدام blockchain كأساس لدورة حياة الذكاء الاصطناعي، لتحقيق التفاعل السلس بين موارد الذكاء الاصطناعي على السلسلة وخارجها، وتعزيز تطوير النظام البيئي الصناعي. يمكن للسوق اللامركزي للذكاء الاصطناعي على السلسلة تداول أصول الذكاء الاصطناعي مثل البيانات والنماذج والوكلاء، وتوفير إطار عمل لتطوير الذكاء الاصطناعي والأدوات المساعدة. المشاريع الممثلة مثل Sahara AI. يمكن أن يعزز AI Chain أيضًا تقدم تقنيات الذكاء الاصطناعي في مجالات مختلفة، مثل Bittensor من خلال آلية التحفيز المبتكرة للشبكات الفرعية لتعزيز المنافسة بين الأنواع المختلفة من الذكاء الاصطناعي.

• منصة التطوير: تقدم بعض المشاريع منصة تطوير وكيل AI، ويمكنها أيضًا تنفيذ تداول الوكلاء AI، مثل Fetch.ai و ChainML وغيرها. أدوات شاملة تساعد المطورين على إنشاء وتدريب ونشر نماذج AI بشكل أكثر سهولة، وتمثل المشاريع مثل Nimble. تسهل هذه البنية التحتية الاستخدام الواسع لتقنية AI في نظام Web3 البيئي.

الطبقة الوسطى:

تتعلق هذه الطبقة ببيانات الذكاء الاصطناعي والنماذج والاستدلال والتحقق، ويمكن أن تحقق تقنيات Web3 كفاءة عمل أعلى.

• البيانات: جودة البيانات وكميتها هي العوامل الرئيسية التي تؤثر على فعالية تدريب النموذج. في عالم Web3، يمكن تحسين استخدام الموارد وتقليل تكلفة البيانات من خلال بيانات الحشود والمعالجة التعاونية للبيانات. يمكن للمستخدمين امتلاك حقوق البيانات الخاصة بهم، وبيع بياناتهم في ظل حماية الخصوصية، لتجنب سرقة البيانات من قبل تجار غير صالحين وتحقيق أرباح كبيرة. بالنسبة لمتطلبات البيانات، توفر هذه المنصات مجموعة واسعة من الخيارات وتكاليف منخفضة للغاية. تمثل مشاريع مثل Grass التي تستفيد من نطاق المستخدمين لالتقاط بيانات الويب، وxData التي تجمع المعلومات الإعلامية من خلال ملحقات سهلة الاستخدام، وتدعم المستخدمين في رفع معلومات التغريد.

علاوة على ذلك، تسمح بعض المنصات للخبراء في المجال أو المستخدمين العاديين بتنفيذ مهام معالجة البيانات مثل وضع العلامات على الصور وتصنيف البيانات، حيث قد تتطلب هذه المهام معالجة بيانات تتعلق بالمعرفة المتخصصة في الأمور المالية والقانونية، ويمكن للمستخدمين تحويل المهارات إلى رموز لتحقيق التعاون الجماعي في معالجة البيانات. تمثل سوق الذكاء الاصطناعي مثل Sahara AI المهام المتعلقة بالبيانات في مجالات مختلفة، ويمكن أن تغطي سيناريوهات البيانات متعددة المجالات؛ بينما يقوم بروتوكول AIT بتصنيف البيانات من خلال التعاون بين الإنسان والآلة.

• النموذج: كما تم الإشارة سابقًا في عملية تطوير الذكاء الاصطناعي، تحتاج الأنواع المختلفة من المتطلبات إلى مطابقة النموذج المناسب. النماذج المستخدمة في مهام الصور مثل CNN و GAN، ويمكن اختيار سلسلة Yolo لمهام الكشف عن الأهداف، والنماذج الشائعة لمهام النصوص مثل RNN و Transformer، بالطبع هناك أيضًا بعض النماذج الكبيرة المحددة أو العامة. تحتاج المهام ذات التعقيد المختلف إلى عمق نماذج مختلف، وأحيانًا تحتاج إلى ضبط النموذج.

تدعم بعض المشاريع المستخدمين في تقديم أنواع مختلفة من النماذج أو التعاون في تدريب النماذج من خلال أسلوب الحشد، مثل Sentient التي من خلال تصميمها القابل للتعديل، تسمح للمستخدمين بوضع بيانات النموذج الموثوقة في طبقة التخزين وطبقة التوزيع من أجل تحسين النموذج، كما أن الأدوات التطويرية التي تقدمها Sahara AI تحتوي على خوارزميات ذكاء اصطناعي متقدمة وإطار عمل حسابي، ولديها القدرة على التدريب التعاوني.

• الاستدلال والتحقق: بعد تدريب النموذج، يتم إنشاء ملفات أوزان النموذج، والتي يمكن استخدامها مباشرة للتصنيف أو التنبؤ أو مهام محددة أخرى، وتسمى هذه العملية الاستدلال. عادةً ما تكون عملية الاستدلال مصحوبة بآلية تحقق، للتحقق من صحة مصدر نموذج الاستدلال، وما إذا كان هناك أي سلوك ضار. يمكن دمج استدلال Web3 عادةً في العقود الذكية، من خلال استدعاء النموذج لتنفيذ الاستدلال، تشمل طرق التحقق الشائعة تقنيات مثل ZKML و OPML و TEE. المشاريع الممثلة مثل ORA على سلاسل الذكاء الاصطناعي (OAO) ، قدمت OPML كطبقة قابلة للتحقق ل Oracle AI، وذكرت أيضًا على الموقع الرسمي لـ ORA أبحاثهم حول ZKML و opp/ai (ZKML بالاقتران مع OPML).

طبقة التطبيق:

هذه الطبقة موجهة مباشرة لمستخدمي التطبيقات، حيث تجمع بين الذكاء الاصطناعي وWeb3، مما يخلق المزيد من الألعاب المثيرة والمبتكرة. تركز هذه المقالة بشكل رئيسي على مشاريع AIGC (المحتوى الذي تم إنشاؤه بالذكاء الاصطناعي)، والوكيل الذكي، وتحليل البيانات.

• AIGC: يمكن توسيعها من خلال AIGC