مشاريع Web3 التي تعتمد على مفهوم الذكاء الاصطناعي أصبحت هدفًا لجذب الأموال في الأسواق الأولية والثانوية.
تظهر فرص Web3 في صناعة الذكاء الاصطناعي في: استخدام الحوافز الموزعة لتنسيق العرض المحتمل في الذيل الطويل ------ عبر البيانات والتخزين والحوسبة؛ في الوقت نفسه، إنشاء نموذج مفتوح المصدر وسوق لامركزي لوكلاء الذكاء الاصطناعي.
الذكاء الاصطناعي في صناعة Web3 يكمن بشكل رئيسي في التمويل على السلسلة (المدفوعات المشفرة، التداول، تحليل البيانات) بالإضافة إلى المساعدة في التطوير.
يتمثل فائدة AI+Web3 في التكامل بين الاثنين: من المتوقع أن يتصدى Web3 لتركز AI ، ومن المتوقع أن تساعد AI Web3 في كسر الحدود.
على مدى العامين الماضيين، تطور الذكاء الاصطناعي كما لو تم الضغط على زر التسريع، هذه الفراشة التي حركتها Chatgpt لم تفتح فقط عالماً جديداً من الذكاء الاصطناعي التوليدي، بل أثارت أيضاً موجة قوية في Web3 على الضفة الأخرى.
مدعومًا بمفهوم الذكاء الاصطناعي، شهدت أسواق التشفير انخفاضًا ملحوظًا في التمويل. ووفقًا لتقارير وسائل الإعلام، في النصف الأول من عام 2024، تم تمويل 64 مشروعًا في مجال Web3 + AI، حيث حقق نظام التشغيل المعتمد على الذكاء الاصطناعي Zyber365 أعلى مبلغ تمويل في الجولة A والذي بلغ 100 مليون دولار.
شهد السوق الثانوي ازدهارًا أكبر، حيث تظهر البيانات من موقع تجميع التشفير أن القيمة السوقية الإجمالية لقطاع الذكاء الاصطناعي قد وصلت إلى 48.5 مليار دولار في غضون عام ونصف فقط، مع حجم تداول قريب من 8.6 مليار دولار خلال 24 ساعة؛ كانت الفوائد الناتجة عن تقدم تقنيات الذكاء الاصطناعي واضحة، حيث ارتفع متوسط سعر قطاع الذكاء الاصطناعي بنسبة 151% بعد إصدار نموذج OpenAI Sora لتحويل النص إلى فيديو؛ كما أن تأثير الذكاء الاصطناعي يشمل أيضًا أحد قطاعات جذب الأموال في العملات المشفرة، وهو الميم: حيث أصبح ميم كوين GOAT، الذي يمثل المفهوم الأول لوكيل الذكاء الاصطناعي، مشهورًا بسرعة وحقق تقييمًا قدره 1.4 مليار دولار، مما أثار موجة من ميمات الذكاء الاصطناعي.
تعد الأبحاث والمواضيع المتعلقة بـ AI+Web3 أيضًا ساخنة، من AI+Depin إلى AI Memecoin وصولاً إلى AI Agent و AI DAO الحالية، لقد أصبح الشعور بالخوف من الفقدان (FOMO) بالفعل غير قادر على مواكبة سرعة تبديل السرد الجديد.
AI + Web3 ، هذا التركيب من المصطلحات الذي مليء بالمال الساخن والفرص والأحلام المستقبلية ، لا بد أن يُنظر إليه على أنه زواج مُرتب من قبل رأس المال ، ويبدو أننا نجد صعوبة في التمييز تحت هذا الرداء الفخم ، هل هو ملعب المضاربين أم هو ليلة الانفجار في الفجر؟
للإجابة على هذا السؤال، فإن التفكير الذي يعد حاسمًا للطرفين هو: هل سيتحسن الأمر بوجود الآخر؟ هل يمكن الاستفادة من نمط الآخر؟ في هذه المقالة، نحاول أيضًا أن ننظر إلى هذه الصورة من خلال الاستناد إلى جهود السابقين: كيف يمكن أن تلعب Web3 دورًا في جميع جوانب مجموعة تقنيات الذكاء الاصطناعي، وما الذي يمكن أن يضيفه الذكاء الاصطناعي إلى Web3 من حيوية جديدة؟
الجزء 1 ما هي الفرص المتاحة في Web3 تحت حزمة الذكاء الاصطناعي؟
قبل الخوض في هذا الموضوع، نحتاج إلى فهم تقنية نموذج الذكاء الاصطناعي الكبير:
استخدم لغة أكثر بساطة لوصف العملية برمتها: "النموذج الكبير" يشبه دماغ البشر، في المراحل المبكرة، ينتمي هذا الدماغ إلى طفل حديث الولادة يحتاج إلى مراقبة واستيعاب كمية هائلة من المعلومات الخارجية لفهم هذا العالم، وهذه هي مرحلة "جمع البيانات"؛ نظرًا لأن الكمبيوتر لا يمتلك حواس الإنسان مثل الرؤية والسمع، قبل التدريب، يجب تحويل المعلومات الخارجية غير المعلّمة على نطاق واسع من خلال "المعالجة المسبقة" إلى تنسيق معلومات يمكن للكمبيوتر فهمه واستخدامه.
بعد إدخال البيانات، يقوم الذكاء الاصطناعي من خلال "التدريب" ببناء نموذج يمتلك القدرة على الفهم والتنبؤ، ويمكن اعتبار ذلك بمثابة عملية فهم وتعلم الطفل للعالم الخارجي تدريجياً. تعتبر معلمات النموذج مثل القدرات اللغوية التي تتعدل باستمرار خلال عملية تعلم الطفل. عندما يبدأ المحتوى التعليمي في التخصص، أو يتم التواصل مع الآخرين للحصول على ردود الفعل والتصحيح، يتم الانتقال إلى مرحلة "الضبط الدقيق" للنموذج الكبير.
يبدأ الأطفال في فهم المعاني والتعبير عن مشاعرهم وأفكارهم بعد أن يكبروا ويتعلموا الكلام، وهذه المرحلة تشبه "الاستدلال" في نماذج الذكاء الاصطناعي الكبيرة، حيث يمكن للنموذج التنبؤ وتحليل إدخالات اللغة والنص الجديدة. يعبر الرضع عن مشاعرهم من خلال القدرة اللغوية، ويصفون الأشياء ويحلون مختلف المشكلات، وهذا مشابه أيضًا لتطبيق نماذج الذكاء الاصطناعي الكبيرة في مرحلة الاستدلال بعد الانتهاء من التدريب واستخدامها في مهام محددة مثل تصنيف الصور والتعرف على الصوت.
ووكيل الذكاء الاصطناعي يقترب أكثر من الشكل التالي للنموذج الكبير - القدرة على تنفيذ المهام بشكل مستقل والسعي نحو أهداف معقدة، حيث يمتلك القدرة على التفكير، بالإضافة إلى القدرة على التذكر والتخطيط، ويمكنه استخدام الأدوات للتفاعل مع العالم.
في الوقت الحالي، وبالنظر إلى نقاط الألم المتعلقة بالذكاء الاصطناعي في مختلف الطبقات، فقد شكلت Web3 حاليًا نظامًا بيئيًا متعدد المستويات ومترابطًا، يغطي جميع مراحل عملية نموذج الذكاء الاصطناعي.
أولاً، الطبقة الأساسية: Airbnb للقوة الحاسوبية والبيانات
قوة التعدين
حاليًا، أحد أعلى التكاليف للذكاء الاصطناعي هو القوة الحاسوبية والطاقة المطلوبة لتدريب النماذج واستنتاج النماذج.
مثال على ذلك هو أن نموذج LLAMA3 من Meta يحتاج إلى 16000 وحدة معالجة رسومية H100 من إنتاج NVIDIA (وهي وحدة معالجة رسومية رائدة مصممة للذكاء الاصطناعي وأعباء العمل الحاسوبية عالية الأداء). يستغرق التدريب 30 يومًا. سعر النسخة بسعة 80 جيجابايت يتراوح بين 30000 إلى 40000 دولار، مما يتطلب استثمارًا في أجهزة الحوسبة (وحدات معالجة رسومية + شرائح الشبكة) يتراوح بين 4 إلى 7 مليارات دولار، وفي الوقت نفسه، يتطلب التدريب الشهري استهلاك 1.6 مليار كيلووات ساعة، وتصل نفقات الطاقة الشهرية إلى نحو 20 مليون دولار.
بالنسبة لفك ضغط قوة الذكاء الاصطناعي، فإنها بالفعل واحدة من أولى المجالات التي تداخلت فيها Web3 و AI ------ DePin (شبكة البنية التحتية الفيزيائية اللامركزية) في الوقت الحالي، قامت إحدى مواقع البيانات بعرض أكثر من 1400 مشروع، من بينها مشاريع تمثيلية لمشاركة قوة GPU تشمل io.net، Aethir، Akash، شبكة Render وغيرها.
تتمثل المنطق الرئيسي في: يسمح النظام للأفراد أو الكيانات التي تمتلك موارد GPU غير المستخدمة بالمساهمة في قدراتهم الحاسوبية بطريقة لامركزية بدون إذن، من خلال سوق عبر الإنترنت يشبه Uber أو Airbnb بين المشترين والبائعين، مما يزيد من استخدام موارد GPU غير المستغلة بشكل كامل، وبالتالي يحصل المستخدمون النهائيون على موارد حوسبة فعالة بتكلفة أقل؛ في الوقت نفسه، تضمن آلية الرهن أنه في حالة حدوث انتهاكات لآلية مراقبة الجودة أو انقطاع الشبكة، يتم فرض عقوبات مناسبة على مقدمي الموارد.
تتميز بما يلي:
تجميع موارد GPU غير المستخدمة: الموردون الرئيسيون هم مشغلو مراكز البيانات المستقلة الصغيرة والمتوسطة من طرف ثالث، وموارد التعدين الزائدة في حقول التعدين، والأجهزة المستخدمة في التعدين بنظام PoS، مثل أجهزة التعدين FileCoin و ETH. يوجد حالياً مشاريع تهدف إلى بدء تشغيل أجهزة ذات عتبة دخول أقل، مثل exolab التي تستخدم أجهزة MacBook و iPhone و iPad المحلية لإنشاء شبكة حسابية لتشغيل استدلال النماذج الكبيرة.
مواجهة سوق الذيل الطويل لقدرة AI الحسابية:
أ. "من الناحية التقنية" فإن سوق القوة الحاسوبية اللامركزية أكثر ملاءمة لخطوات الاستدلال. التدريب يعتمد بشكل أكبر على قدرة معالجة البيانات الناتجة عن حجم مجموعات GPU الضخمة، بينما يكون الأداء الحاسوبي لـ GPU أقل نسبيًا في الاستدلال، مثل Aethir التي تركز على أعمال العرض ذات الكمون المنخفض وتطبيقات الاستدلال بالذكاء الاصطناعي.
b. من جهة الطلب، فإن جهات الطلب ذات القوة الحاسوبية المتوسطة لن تقوم بتدريب نموذج كبير خاص بها، بل ستختار فقط تحسين وتعديل النماذج الكبيرة القليلة الرائدة، وهذه السيناريوهات مناسبة بشكل طبيعي لموارد الحوسبة الموزعة غير المستغلة.
الملكية اللامركزية: المعنى التكنولوجي للبلوكشين هو أن مالكي الموارد يحتفظون دائمًا بالتحكم في مواردهم، مما يسمح لهم بتعديلها بشكل مرن وفقًا للاحتياجات، مع جني الأرباح.
بيانات
البيانات هي أساس الذكاء الاصطناعي. إذا لم تكن هناك بيانات، فإن الحساب سيكون عديم الفائدة تمامًا مثل العشب الطافي، وعلاقة البيانات بالنموذج تشبه المثل الشهير "النفايات في، النفايات خارج"، حيث تحدد كمية البيانات وجودة الإدخال جودة إخراج النموذج النهائي. بالنسبة لتدريب نماذج الذكاء الاصطناعي الحالية، تحدد البيانات قدرة النموذج اللغوية، وقدرته على الفهم، وحتى القيم والمظاهر الإنسانية. حاليًا، تركز صعوبات احتياجات بيانات الذكاء الاصطناعي بشكل أساسي على النقاط الأربع التالية:
جوع البيانات: يعتمد تدريب نماذج الذكاء الاصطناعي على إدخال كميات كبيرة من البيانات. تظهر البيانات العامة أن عدد المعاملات التي تم تدريب GPT-4 من قبل OpenAI قد وصل إلى مستوى تريليون.
جودة البيانات: مع دمج الذكاء الاصطناعي في مختلف الصناعات، تطرح توقيت البيانات، تنوع البيانات، تخصص البيانات في القطاعات، وكذلك مصادر البيانات الناشئة مثل استيعاب المشاعر من وسائل التواصل الاجتماعي متطلبات جديدة لجودتها.
مسائل الخصوصية والامتثال: بدأت البلدان والشركات المختلفة تدرك أهمية مجموعات البيانات عالية الجودة، وتفرض قيودًا على جمع مجموعات البيانات.
تكلفة معالجة البيانات مرتفعة: حجم البيانات كبير، وعملية المعالجة معقدة. تظهر البيانات العامة أن أكثر من 30% من تكلفة البحث والتطوير لشركات الذكاء الاصطناعي مخصصة لجمع البيانات الأساسية ومعالجتها.
حاليًا، يتمثل حل web3 في أربعة جوانب:
1، جمع البيانات: القدرة على توفير بيانات العالم الحقيقي التي تم جمعها مجانًا تتناقص بسرعة، وتزداد مصاريف شركات الذكاء الاصطناعي في دفع ثمن البيانات عامًا بعد عام. ولكن في الوقت نفسه، فإن هذه النفقات لم تعود بالنفع على المساهمين الحقيقيين في البيانات، حيث تستفيد المنصات بالكامل من القيمة التي تخلقها البيانات، مثل إحدى منصات التواصل الاجتماعي التي حققت عائدات تصل إلى 203 ملايين دولار من خلال توقيع اتفاقية ترخيص بيانات مع شركات الذكاء الاصطناعي.
إن رؤية Web3 هي تمكين المستخدمين الذين يساهمون بشكل حقيقي في المشاركة في خلق القيمة الناتجة عن البيانات، وكذلك الحصول على بيانات أكثر خصوصية وقيمة بتكاليف منخفضة من خلال الشبكات الموزعة وآليات التحفيز.
Grass هو طبقة بيانات وشبكة لامركزية، يمكن للمستخدمين من خلال تشغيل عقد Grass المساهمة في النطاق الترددي الفارغ وتدفق الوسائط لاستقطاب البيانات الحية من جميع أنحاء الإنترنت، والحصول على مكافآت رمزية؛
Vana قد أدخلت مفهوم فريد يسمى بركة سيولة البيانات (DLP)، حيث يمكن للمستخدمين رفع بياناتهم الخاصة (مثل سجلات الشراء، عادات التصفح، أنشطة وسائل التواصل الاجتماعي، إلخ) إلى DLP معين، واختيار ما إذا كانوا يرغبون في منح تفويض لاستخدام هذه البيانات لطرف ثالث معين؛
في PublicAI، يمكن للمستخدمين استخدام #AI 或#Web3 كعلامة تصنيف على X و@PublicAI لجمع البيانات.
معالجة البيانات: في عملية معالجة البيانات الخاصة بالذكاء الاصطناعي، نظرًا لأن البيانات المجمعة عادة ما تكون صاخبة وتحتوي على أخطاء، يجب تنظيفها وتحويلها إلى تنسيق قابل للاستخدام قبل تدريب النموذج، مما يتضمن مهام متكررة تتعلق بالتوحيد والترشيح ومعالجة القيم المفقودة. هذه المرحلة هي واحدة من القلائل في صناعة الذكاء الاصطناعي التي تتطلب تدخلًا يدويًا، وقد نشأ عنها صناعة مختصي وضع العلامات على البيانات، ومع زيادة متطلبات جودة البيانات للنموذج، يرتفع مستوى الدخول لمختصي وضع العلامات، وهذه المهمة تناسب بشكل طبيعي آلية التحفيز اللامركزية في Web3.
في الوقت الحالي، تفكر Grass و OpenLayer في إضافة مرحلة التسمية البيانية هذه.
قدمت Synesis مفهوم "Train2earn"، مع التركيز على جودة البيانات، حيث يمكن للمستخدمين الحصول على مكافآت من خلال تقديم بيانات معلمة، تعليقات أو أشكال أخرى من المدخلات.
مشروع تصنيف البيانات Sapien يقوم بتحويل مهام التوسيم إلى لعبة، ويسمح للمستخدمين برهن النقاط لكسب المزيد من النقاط.
خصوصية البيانات والأمان: من الضروري توضيح أن خصوصية البيانات والأمان هما مفهومين مختلفين. تتعلق خصوصية البيانات بمعالجة البيانات الحساسة، بينما يحمي أمان البيانات المعلومات من الوصول غير المصرح به، والتدمير، والسرقة. وبالتالي، فإن مزايا تقنيات الخصوصية في Web3 وسيناريوهات التطبيق المحتملة تظهر في جانبين: (1) تدريب البيانات الحساسة؛ (2) التعاون في البيانات: يمكن لعدة مالكين للبيانات المشاركة في تدريب الذكاء الاصطناعي مع عدم الحاجة لمشاركة بياناتهم الأصلية.
تشمل تقنيات الخصوصية الشائعة في Web3 الحالية ما يلي:
بيئات التنفيذ الموثوقة ( TEE )، مثل بروتوكول سوبر؛
التشفير المتجانس الكامل (FHE)، مثل BasedAI و Fhenix.io أو Inco Network؛
تقنية المعرفة الصفرية (zk)، مثل بروتوكول Reclaim الذي يستخدم تقنية zkTLS، تولد إثباتات المعرفة الصفرية لحركة مرور HTTPS، مما يسمح للمستخدمين باستيراد الأنشطة والسمعة وبيانات الهوية من مواقع خارجية بشكل آمن، دون الحاجة إلى الكشف عن المعلومات الحساسة.
ومع ذلك، لا يزال هذا المجال في مرحلة مبكرة، حيث لا تزال معظم المشاريع قيد الاستكشاف، وأحد القضايا الحالية هو أن تكلفة الحوسبة مرتفعة للغاية، وبعض الأمثلة هي:
إطار zkML
شاهد النسخة الأصلية
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
تسجيلات الإعجاب 8
أعجبني
8
5
مشاركة
تعليق
0/400
MEVHunterLucky
· منذ 59 د
موجة أخرى قادمة، هناك الكثير من المفاهيم المتعلقة بالذكاء الاصطناعي.
دمج الذكاء الاصطناعي وWeb3: السوق المفتوحة وت co-creation القيمة
الذكاء الاصطناعي + ويب 3: الأبراج والساحات
TL; د
مشاريع Web3 التي تعتمد على مفهوم الذكاء الاصطناعي أصبحت هدفًا لجذب الأموال في الأسواق الأولية والثانوية.
تظهر فرص Web3 في صناعة الذكاء الاصطناعي في: استخدام الحوافز الموزعة لتنسيق العرض المحتمل في الذيل الطويل ------ عبر البيانات والتخزين والحوسبة؛ في الوقت نفسه، إنشاء نموذج مفتوح المصدر وسوق لامركزي لوكلاء الذكاء الاصطناعي.
الذكاء الاصطناعي في صناعة Web3 يكمن بشكل رئيسي في التمويل على السلسلة (المدفوعات المشفرة، التداول، تحليل البيانات) بالإضافة إلى المساعدة في التطوير.
يتمثل فائدة AI+Web3 في التكامل بين الاثنين: من المتوقع أن يتصدى Web3 لتركز AI ، ومن المتوقع أن تساعد AI Web3 في كسر الحدود.
! الذكاء الاصطناعي+Web3: الأبراج والساحات
المقدمة
على مدى العامين الماضيين، تطور الذكاء الاصطناعي كما لو تم الضغط على زر التسريع، هذه الفراشة التي حركتها Chatgpt لم تفتح فقط عالماً جديداً من الذكاء الاصطناعي التوليدي، بل أثارت أيضاً موجة قوية في Web3 على الضفة الأخرى.
مدعومًا بمفهوم الذكاء الاصطناعي، شهدت أسواق التشفير انخفاضًا ملحوظًا في التمويل. ووفقًا لتقارير وسائل الإعلام، في النصف الأول من عام 2024، تم تمويل 64 مشروعًا في مجال Web3 + AI، حيث حقق نظام التشغيل المعتمد على الذكاء الاصطناعي Zyber365 أعلى مبلغ تمويل في الجولة A والذي بلغ 100 مليون دولار.
شهد السوق الثانوي ازدهارًا أكبر، حيث تظهر البيانات من موقع تجميع التشفير أن القيمة السوقية الإجمالية لقطاع الذكاء الاصطناعي قد وصلت إلى 48.5 مليار دولار في غضون عام ونصف فقط، مع حجم تداول قريب من 8.6 مليار دولار خلال 24 ساعة؛ كانت الفوائد الناتجة عن تقدم تقنيات الذكاء الاصطناعي واضحة، حيث ارتفع متوسط سعر قطاع الذكاء الاصطناعي بنسبة 151% بعد إصدار نموذج OpenAI Sora لتحويل النص إلى فيديو؛ كما أن تأثير الذكاء الاصطناعي يشمل أيضًا أحد قطاعات جذب الأموال في العملات المشفرة، وهو الميم: حيث أصبح ميم كوين GOAT، الذي يمثل المفهوم الأول لوكيل الذكاء الاصطناعي، مشهورًا بسرعة وحقق تقييمًا قدره 1.4 مليار دولار، مما أثار موجة من ميمات الذكاء الاصطناعي.
تعد الأبحاث والمواضيع المتعلقة بـ AI+Web3 أيضًا ساخنة، من AI+Depin إلى AI Memecoin وصولاً إلى AI Agent و AI DAO الحالية، لقد أصبح الشعور بالخوف من الفقدان (FOMO) بالفعل غير قادر على مواكبة سرعة تبديل السرد الجديد.
AI + Web3 ، هذا التركيب من المصطلحات الذي مليء بالمال الساخن والفرص والأحلام المستقبلية ، لا بد أن يُنظر إليه على أنه زواج مُرتب من قبل رأس المال ، ويبدو أننا نجد صعوبة في التمييز تحت هذا الرداء الفخم ، هل هو ملعب المضاربين أم هو ليلة الانفجار في الفجر؟
للإجابة على هذا السؤال، فإن التفكير الذي يعد حاسمًا للطرفين هو: هل سيتحسن الأمر بوجود الآخر؟ هل يمكن الاستفادة من نمط الآخر؟ في هذه المقالة، نحاول أيضًا أن ننظر إلى هذه الصورة من خلال الاستناد إلى جهود السابقين: كيف يمكن أن تلعب Web3 دورًا في جميع جوانب مجموعة تقنيات الذكاء الاصطناعي، وما الذي يمكن أن يضيفه الذكاء الاصطناعي إلى Web3 من حيوية جديدة؟
! الذكاء الاصطناعي+Web3: الأبراج والمربعات
الجزء 1 ما هي الفرص المتاحة في Web3 تحت حزمة الذكاء الاصطناعي؟
قبل الخوض في هذا الموضوع، نحتاج إلى فهم تقنية نموذج الذكاء الاصطناعي الكبير:
استخدم لغة أكثر بساطة لوصف العملية برمتها: "النموذج الكبير" يشبه دماغ البشر، في المراحل المبكرة، ينتمي هذا الدماغ إلى طفل حديث الولادة يحتاج إلى مراقبة واستيعاب كمية هائلة من المعلومات الخارجية لفهم هذا العالم، وهذه هي مرحلة "جمع البيانات"؛ نظرًا لأن الكمبيوتر لا يمتلك حواس الإنسان مثل الرؤية والسمع، قبل التدريب، يجب تحويل المعلومات الخارجية غير المعلّمة على نطاق واسع من خلال "المعالجة المسبقة" إلى تنسيق معلومات يمكن للكمبيوتر فهمه واستخدامه.
بعد إدخال البيانات، يقوم الذكاء الاصطناعي من خلال "التدريب" ببناء نموذج يمتلك القدرة على الفهم والتنبؤ، ويمكن اعتبار ذلك بمثابة عملية فهم وتعلم الطفل للعالم الخارجي تدريجياً. تعتبر معلمات النموذج مثل القدرات اللغوية التي تتعدل باستمرار خلال عملية تعلم الطفل. عندما يبدأ المحتوى التعليمي في التخصص، أو يتم التواصل مع الآخرين للحصول على ردود الفعل والتصحيح، يتم الانتقال إلى مرحلة "الضبط الدقيق" للنموذج الكبير.
يبدأ الأطفال في فهم المعاني والتعبير عن مشاعرهم وأفكارهم بعد أن يكبروا ويتعلموا الكلام، وهذه المرحلة تشبه "الاستدلال" في نماذج الذكاء الاصطناعي الكبيرة، حيث يمكن للنموذج التنبؤ وتحليل إدخالات اللغة والنص الجديدة. يعبر الرضع عن مشاعرهم من خلال القدرة اللغوية، ويصفون الأشياء ويحلون مختلف المشكلات، وهذا مشابه أيضًا لتطبيق نماذج الذكاء الاصطناعي الكبيرة في مرحلة الاستدلال بعد الانتهاء من التدريب واستخدامها في مهام محددة مثل تصنيف الصور والتعرف على الصوت.
ووكيل الذكاء الاصطناعي يقترب أكثر من الشكل التالي للنموذج الكبير - القدرة على تنفيذ المهام بشكل مستقل والسعي نحو أهداف معقدة، حيث يمتلك القدرة على التفكير، بالإضافة إلى القدرة على التذكر والتخطيط، ويمكنه استخدام الأدوات للتفاعل مع العالم.
في الوقت الحالي، وبالنظر إلى نقاط الألم المتعلقة بالذكاء الاصطناعي في مختلف الطبقات، فقد شكلت Web3 حاليًا نظامًا بيئيًا متعدد المستويات ومترابطًا، يغطي جميع مراحل عملية نموذج الذكاء الاصطناعي.
أولاً، الطبقة الأساسية: Airbnb للقوة الحاسوبية والبيانات
قوة التعدين
حاليًا، أحد أعلى التكاليف للذكاء الاصطناعي هو القوة الحاسوبية والطاقة المطلوبة لتدريب النماذج واستنتاج النماذج.
مثال على ذلك هو أن نموذج LLAMA3 من Meta يحتاج إلى 16000 وحدة معالجة رسومية H100 من إنتاج NVIDIA (وهي وحدة معالجة رسومية رائدة مصممة للذكاء الاصطناعي وأعباء العمل الحاسوبية عالية الأداء). يستغرق التدريب 30 يومًا. سعر النسخة بسعة 80 جيجابايت يتراوح بين 30000 إلى 40000 دولار، مما يتطلب استثمارًا في أجهزة الحوسبة (وحدات معالجة رسومية + شرائح الشبكة) يتراوح بين 4 إلى 7 مليارات دولار، وفي الوقت نفسه، يتطلب التدريب الشهري استهلاك 1.6 مليار كيلووات ساعة، وتصل نفقات الطاقة الشهرية إلى نحو 20 مليون دولار.
بالنسبة لفك ضغط قوة الذكاء الاصطناعي، فإنها بالفعل واحدة من أولى المجالات التي تداخلت فيها Web3 و AI ------ DePin (شبكة البنية التحتية الفيزيائية اللامركزية) في الوقت الحالي، قامت إحدى مواقع البيانات بعرض أكثر من 1400 مشروع، من بينها مشاريع تمثيلية لمشاركة قوة GPU تشمل io.net، Aethir، Akash، شبكة Render وغيرها.
تتمثل المنطق الرئيسي في: يسمح النظام للأفراد أو الكيانات التي تمتلك موارد GPU غير المستخدمة بالمساهمة في قدراتهم الحاسوبية بطريقة لامركزية بدون إذن، من خلال سوق عبر الإنترنت يشبه Uber أو Airbnb بين المشترين والبائعين، مما يزيد من استخدام موارد GPU غير المستغلة بشكل كامل، وبالتالي يحصل المستخدمون النهائيون على موارد حوسبة فعالة بتكلفة أقل؛ في الوقت نفسه، تضمن آلية الرهن أنه في حالة حدوث انتهاكات لآلية مراقبة الجودة أو انقطاع الشبكة، يتم فرض عقوبات مناسبة على مقدمي الموارد.
تتميز بما يلي:
تجميع موارد GPU غير المستخدمة: الموردون الرئيسيون هم مشغلو مراكز البيانات المستقلة الصغيرة والمتوسطة من طرف ثالث، وموارد التعدين الزائدة في حقول التعدين، والأجهزة المستخدمة في التعدين بنظام PoS، مثل أجهزة التعدين FileCoin و ETH. يوجد حالياً مشاريع تهدف إلى بدء تشغيل أجهزة ذات عتبة دخول أقل، مثل exolab التي تستخدم أجهزة MacBook و iPhone و iPad المحلية لإنشاء شبكة حسابية لتشغيل استدلال النماذج الكبيرة.
مواجهة سوق الذيل الطويل لقدرة AI الحسابية:
أ. "من الناحية التقنية" فإن سوق القوة الحاسوبية اللامركزية أكثر ملاءمة لخطوات الاستدلال. التدريب يعتمد بشكل أكبر على قدرة معالجة البيانات الناتجة عن حجم مجموعات GPU الضخمة، بينما يكون الأداء الحاسوبي لـ GPU أقل نسبيًا في الاستدلال، مثل Aethir التي تركز على أعمال العرض ذات الكمون المنخفض وتطبيقات الاستدلال بالذكاء الاصطناعي.
b. من جهة الطلب، فإن جهات الطلب ذات القوة الحاسوبية المتوسطة لن تقوم بتدريب نموذج كبير خاص بها، بل ستختار فقط تحسين وتعديل النماذج الكبيرة القليلة الرائدة، وهذه السيناريوهات مناسبة بشكل طبيعي لموارد الحوسبة الموزعة غير المستغلة.
بيانات
البيانات هي أساس الذكاء الاصطناعي. إذا لم تكن هناك بيانات، فإن الحساب سيكون عديم الفائدة تمامًا مثل العشب الطافي، وعلاقة البيانات بالنموذج تشبه المثل الشهير "النفايات في، النفايات خارج"، حيث تحدد كمية البيانات وجودة الإدخال جودة إخراج النموذج النهائي. بالنسبة لتدريب نماذج الذكاء الاصطناعي الحالية، تحدد البيانات قدرة النموذج اللغوية، وقدرته على الفهم، وحتى القيم والمظاهر الإنسانية. حاليًا، تركز صعوبات احتياجات بيانات الذكاء الاصطناعي بشكل أساسي على النقاط الأربع التالية:
جوع البيانات: يعتمد تدريب نماذج الذكاء الاصطناعي على إدخال كميات كبيرة من البيانات. تظهر البيانات العامة أن عدد المعاملات التي تم تدريب GPT-4 من قبل OpenAI قد وصل إلى مستوى تريليون.
جودة البيانات: مع دمج الذكاء الاصطناعي في مختلف الصناعات، تطرح توقيت البيانات، تنوع البيانات، تخصص البيانات في القطاعات، وكذلك مصادر البيانات الناشئة مثل استيعاب المشاعر من وسائل التواصل الاجتماعي متطلبات جديدة لجودتها.
مسائل الخصوصية والامتثال: بدأت البلدان والشركات المختلفة تدرك أهمية مجموعات البيانات عالية الجودة، وتفرض قيودًا على جمع مجموعات البيانات.
تكلفة معالجة البيانات مرتفعة: حجم البيانات كبير، وعملية المعالجة معقدة. تظهر البيانات العامة أن أكثر من 30% من تكلفة البحث والتطوير لشركات الذكاء الاصطناعي مخصصة لجمع البيانات الأساسية ومعالجتها.
حاليًا، يتمثل حل web3 في أربعة جوانب:
1، جمع البيانات: القدرة على توفير بيانات العالم الحقيقي التي تم جمعها مجانًا تتناقص بسرعة، وتزداد مصاريف شركات الذكاء الاصطناعي في دفع ثمن البيانات عامًا بعد عام. ولكن في الوقت نفسه، فإن هذه النفقات لم تعود بالنفع على المساهمين الحقيقيين في البيانات، حيث تستفيد المنصات بالكامل من القيمة التي تخلقها البيانات، مثل إحدى منصات التواصل الاجتماعي التي حققت عائدات تصل إلى 203 ملايين دولار من خلال توقيع اتفاقية ترخيص بيانات مع شركات الذكاء الاصطناعي.
إن رؤية Web3 هي تمكين المستخدمين الذين يساهمون بشكل حقيقي في المشاركة في خلق القيمة الناتجة عن البيانات، وكذلك الحصول على بيانات أكثر خصوصية وقيمة بتكاليف منخفضة من خلال الشبكات الموزعة وآليات التحفيز.
Grass هو طبقة بيانات وشبكة لامركزية، يمكن للمستخدمين من خلال تشغيل عقد Grass المساهمة في النطاق الترددي الفارغ وتدفق الوسائط لاستقطاب البيانات الحية من جميع أنحاء الإنترنت، والحصول على مكافآت رمزية؛
Vana قد أدخلت مفهوم فريد يسمى بركة سيولة البيانات (DLP)، حيث يمكن للمستخدمين رفع بياناتهم الخاصة (مثل سجلات الشراء، عادات التصفح، أنشطة وسائل التواصل الاجتماعي، إلخ) إلى DLP معين، واختيار ما إذا كانوا يرغبون في منح تفويض لاستخدام هذه البيانات لطرف ثالث معين؛
في PublicAI، يمكن للمستخدمين استخدام #AI 或#Web3 كعلامة تصنيف على X و@PublicAI لجمع البيانات.
في الوقت الحالي، تفكر Grass و OpenLayer في إضافة مرحلة التسمية البيانية هذه.
قدمت Synesis مفهوم "Train2earn"، مع التركيز على جودة البيانات، حيث يمكن للمستخدمين الحصول على مكافآت من خلال تقديم بيانات معلمة، تعليقات أو أشكال أخرى من المدخلات.
مشروع تصنيف البيانات Sapien يقوم بتحويل مهام التوسيم إلى لعبة، ويسمح للمستخدمين برهن النقاط لكسب المزيد من النقاط.
تشمل تقنيات الخصوصية الشائعة في Web3 الحالية ما يلي:
بيئات التنفيذ الموثوقة ( TEE )، مثل بروتوكول سوبر؛
التشفير المتجانس الكامل (FHE)، مثل BasedAI و Fhenix.io أو Inco Network؛
تقنية المعرفة الصفرية (zk)، مثل بروتوكول Reclaim الذي يستخدم تقنية zkTLS، تولد إثباتات المعرفة الصفرية لحركة مرور HTTPS، مما يسمح للمستخدمين باستيراد الأنشطة والسمعة وبيانات الهوية من مواقع خارجية بشكل آمن، دون الحاجة إلى الكشف عن المعلومات الحساسة.
ومع ذلك، لا يزال هذا المجال في مرحلة مبكرة، حيث لا تزال معظم المشاريع قيد الاستكشاف، وأحد القضايا الحالية هو أن تكلفة الحوسبة مرتفعة للغاية، وبعض الأمثلة هي: