تمثل Web3 نموذجًا جديدًا من الإنترنت يتميز باللامركزية والانفتاح والشفافية، ولديها فرصة طبيعية للتكامل مع الذكاء الاصطناعي. في ظل البنية التقليدية المركزية، تخضع موارد حساب الذكاء الاصطناعي والبيانات لرقابة صارمة، مما يواجه تحديات عديدة مثل اختناقات القدرة الحسابية، وتسرب الخصوصية، وصناديق الخوارزميات السوداء. بينما تعتمد Web3 على تقنيات موزعة، يمكنها من خلال مشاركة شبكة القدرة الحسابية، والأسواق المفتوحة للبيانات، والحسابات الخصوصية، أن تضخ طاقة جديدة في تطوير الذكاء الاصطناعي. في الوقت نفسه، يمكن للذكاء الاصطناعي أيضًا أن يوفر العديد من الإمكانيات لـ Web3، مثل تحسين العقود الذكية، وخوارزميات مكافحة الغش، مما يعزز من بناء نظامه البيئي. لذلك، فإن استكشاف تكامل Web3 والذكاء الاصطناعي أمر بالغ الأهمية لبناء البنية التحتية للإنترنت من الجيل التالي، وإطلاق قيمة البيانات والقدرة الحسابية.
البيانات المدفوعة: الأساس المتين لـ AI و Web3
البيانات هي القوة الدافعة الأساسية لتطوير الذكاء الاصطناعي، تمامًا كما هو الحال مع الوقود بالنسبة للمحرك. تحتاج نماذج الذكاء الاصطناعي إلى استيعاب كميات كبيرة من البيانات عالية الجودة من أجل تحقيق فهم عميق وقدرة قوية على الاستدلال، فالبيانات لا توفر فقط الأساس لتدريب نماذج التعلم الآلي، بل تحدد أيضًا دقة وموثوقية النموذج.
في نماذج الحصول على بيانات الذكاء الاصطناعي التقليدية المركزية واستخدامها، توجد العديد من المشاكل الرئيسية التالية:
تكلفة الحصول على البيانات مرتفعة، مما يجعل من الصعب على الشركات الصغيرة والمتوسطة تحملها
يتم احتكار موارد البيانات من قبل عمالقة التكنولوجيا ، مما يؤدي إلى تشكيل جزر بيانات
بيانات الأفراد الشخصية تواجه مخاطر التسرب والإساءة
يمكن لـ Web3 معالجة نقاط الألم في النماذج التقليدية من خلال نموذج بيانات لامركزي جديد:
من خلال طريقة لامركزية لجمع بيانات الشبكة، بعد التنظيف والتحويل، لتوفير بيانات حقيقية وعالية الجودة لتدريب نماذج الذكاء الاصطناعي
اعتماد نموذج "label to earn"، من خلال تحفيز الرموز للعاملين في جميع أنحاء العالم للمشاركة في تعليم البيانات، تجمع المعرفة المهنية العالمية وتعزز قدرة تحليل البيانات.
منصة تبادل بيانات البلوكشين توفر بيئة تداول علنية وشفافة للطرفين المعنيين بالبيانات، مما يشجع على الابتكار ومشاركة البيانات.
على الرغم من ذلك، هناك بعض المشكلات المتعلقة بجمع البيانات في العالم الحقيقي، مثل اختلاف جودة البيانات، وصعوبة المعالجة، ونقص التنوع والتمثيل، وغيرها. قد تكون البيانات التركيبية نجم المستقبل في مجال بيانات Web3. استنادًا إلى تقنيات الذكاء الاصطناعي التوليدي والمحاكاة، يمكن للبيانات التركيبية محاكاة خصائص البيانات الحقيقية، كإضافة فعالة للبيانات الحقيقية، مما يزيد من كفاءة استخدام البيانات. في مجالات مثل القيادة الذاتية، وتداول الأسواق المالية، وتطوير الألعاب، أظهرت البيانات التركيبية بالفعل إمكانات تطبيق ناضجة.
حماية الخصوصية: دور FHE في Web3
في عصر البيانات المدفوعة، أصبحت حماية الخصوصية محور اهتمام عالمي، حيث تعكس القوانين مثل اللائحة العامة لحماية البيانات (GDPR) في الاتحاد الأوروبي الحماية الصارمة للخصوصية الشخصية. ومع ذلك، فإن هذا يجلب أيضًا تحديات: بعض البيانات الحساسة لا يمكن استخدامها بشكل كامل بسبب مخاطر الخصوصية، مما يقيد بلا شك إمكانيات نموذج الذكاء الاصطناعي وقدراته الاستدلالية.
FHE هو تشفير متجانس بالكامل، يسمح بإجراء عمليات حسابية مباشرة على البيانات المشفرة دون الحاجة إلى فك تشفير البيانات، والنتيجة الحسابية تتفق مع نتيجة إجراء نفس العمليات على البيانات النصية.
تقدم FHE حماية قوية لحساب الخصوصية في الذكاء الاصطناعي، مما يسمح لقوة معالجة GPU بتنفيذ مهام تدريب النماذج والاستدلال في بيئة لا تتصل بالبيانات الأصلية. وهذا يوفر ميزة كبيرة لشركات الذكاء الاصطناعي. يمكنها فتح خدمات API بأمان مع حماية الأسرار التجارية.
يدعم FHEML معالجة البيانات والنماذج بشكل مشفر طوال دورة تعلم الآلة، مما يضمن أمان المعلومات الحساسة ويمنع مخاطر تسرب البيانات. من خلال هذه الطريقة، يعزز FHEML خصوصية البيانات ويوفر إطارًا آمنًا للحساب لتطبيقات الذكاء الاصطناعي.
FHEML هو مكمل لـ ZKML، حيث يثبت ZKML التنفيذ الصحيح للتعلم الآلي، بينما يركز FHEML على إجراء الحسابات على البيانات المشفرة للحفاظ على خصوصية البيانات.
ثورة قوة الحوسبة: الحوسبة بالذكاء الاصطناعي في الشبكات اللامركزية
تتضاعف التعقيدات الحسابية للأنظمة الذكية الحالية كل 3 أشهر، مما يؤدي إلى زيادة هائلة في الطلب على قوة الحوسبة، تفوق بكثير عرض الموارد الحسابية الحالية. على سبيل المثال، يتطلب تدريب نموذج AI كبير قوة حوسبة ضخمة، تعادل 355 عامًا من وقت التدريب على جهاز واحد. هذه النقص في قوة الحوسبة لا يقتصر فقط على تقييد تقدم تقنية الذكاء الاصطناعي، بل يجعل تلك النماذج الذكية المتقدمة بعيدة المنال بالنسبة لمعظم الباحثين والمطورين.
في الوقت نفسه، لا تتجاوز نسبة استخدام وحدات معالجة الرسوميات العالمية 40%، بالإضافة إلى تباطؤ تحسين أداء المعالجات الدقيقة، ونقص الشرائح الناتج عن عوامل سلسلة التوريد والجغرافيا السياسية، مما جعل مشكلة إمدادات القوة الحاسوبية أكثر حدة. يجد محترفو الذكاء الاصطناعي أنفسهم في مأزق: إما شراء الأجهزة بأنفسهم أو استئجار موارد سحابية، وهم في حاجة ماسة إلى طريقة خدمة حوسبة فعالة من حيث التكلفة وعند الطلب.
تقوم شبكة الحوسبة اللامركزية بالذكاء الاصطناعي من خلال تجميع موارد GPU غير المستخدمة على مستوى العالم بتوفير سوق حوسبة اقتصادي وسهل الوصول إلى شركات الذكاء الاصطناعي. يمكن لمستخدمي الحوسبة نشر مهام حسابية على الشبكة، حيث يقوم العقد الذكي بتوزيع المهام على عقد المعدنين الذين يساهمون في الحوسبة، يقوم المعدنون بتنفيذ المهام وتقديم النتائج، وبعد التحقق يحصلون على مكافآت نقاط. تعزز هذه الخطة كفاءة استخدام الموارد وتساعد في حل مشكلة اختناق الحوسبة في مجالات مثل الذكاء الاصطناعي.
بالإضافة إلى شبكة الحوسبة اللامركزية العامة، هناك منصات تركز على تدريب الذكاء الاصطناعي، بالإضافة إلى شبكات حوسبة مخصصة تركز على استدلال الذكاء الاصطناعي.
توفر شبكة الحوسبة اللامركزية سوقًا عادلًا وشفافًا للقوة الحاسوبية، مما يكسر الاحتكار، ويخفض من عتبات الدخول للتطبيقات، ويزيد من كفاءة استخدام القوة الحاسوبية. في نظام الإيكولوجيا web3، ستلعب شبكة الحوسبة اللامركزية دورًا حاسمًا، مما يجذب المزيد من التطبيقات اللامركزية المبتكرة للانضمام، لدفع تطوير وتطبيق تقنيات الذكاء الاصطناعي معًا.
DePIN: تمكين Web3 للذكاء الاصطناعي على الحافة
تخيّل أن هاتفك المحمول، وساعتك الذكية، وحتى الأجهزة الذكية في منزلك، تمتلك القدرة على تشغيل الذكاء الاصطناعي - هذه هي جاذبية الذكاء الاصطناعي على الحافة. إنه يجعل الحساب يحدث في مصدر إنتاج البيانات، مما يحقق تأخيراً منخفضاً، ومعالجة في الوقت الحقيقي، مع حماية خصوصية المستخدم. لقد تم تطبيق تقنية الذكاء الاصطناعي على الحافة في مجالات حيوية مثل القيادة الذاتية.
في مجال Web3، لدينا اسم أكثر ألفة - DePIN. يؤكد Web3 على اللامركزية وحقوق ملكية بيانات المستخدم، بينما يعزز DePIN حماية خصوصية المستخدم من خلال معالجة البيانات محليًا، مما يقلل من مخاطر تسرب البيانات؛ يمكن لآلية الاقتصاد الرمزي الأصلية لـ Web3 تحفيز عقد DePIN على تقديم موارد الحوسبة، مما يبني نظامًا بيئيًا مستدامًا.
تتطور DePIN حاليًا بسرعة في نظام بيئي معين لسلسلة الكتل العامة، مما يجعلها واحدة من المنصات المفضلة لنشر المشاريع. توفر TPS العالي، وانخفاض رسوم المعاملات، والابتكارات التقنية في هذه السلسلة العامة دعمًا قويًا لمشاريع DePIN. حاليًا، تتجاوز القيمة السوقية لمشاريع DePIN على هذه السلسلة العامة 10 مليارات دولار، وقد حققت بعض المشاريع المعروفة تقدمًا ملحوظًا.
IMO: إطلاق نموذج جديد لنماذج الذكاء الاصطناعي
تم اقتراح مفهوم IMO من قبل بروتوكول معين، لتوكن نموذج الذكاء الاصطناعي.
في النموذج التقليدي، بسبب عدم وجود آلية لمشاركة العائدات، بمجرد تطوير نموذج الذكاء الاصطناعي وإدخاله إلى السوق، غالبًا ما يجد المطورون صعوبة في الحصول على عائدات مستمرة من الاستخدام اللاحق للنموذج، خاصةً عندما يتم دمج النموذج في منتجات وخدمات أخرى، يصبح من الصعب على المبدعين الأصليين تتبع الاستخدام، ناهيك عن الحصول على عائدات منه. علاوة على ذلك، غالبًا ما تفتقر أداء نموذج الذكاء الاصطناعي وفعاليته إلى الشفافية، مما يجعل من الصعب على المستثمرين المحتملين والمستخدمين تقييم قيمته الحقيقية، مما يحد من قبول السوق للنموذج وإمكاناته التجارية.
يوفر IMO طريقة جديدة تمامًا لدعم التمويل ومشاركة القيمة لنماذج الذكاء الاصطناعي مفتوحة المصدر، حيث يمكن للمستثمرين شراء رموز IMO ومشاركة العوائد الناتجة عن النموذج فيما بعد. تستخدم بروتوكول معين معيارين من ERC، مع دمج Oracle الذكاء الاصطناعي (Onchain AI Oracle) وتقنية OPML لضمان مصداقية نماذج الذكاء الاصطناعي وتمكين حاملي الرموز من مشاركة العوائد.
نموذج IMO يعزز الشفافية والثقة، ويشجع التعاون المفتوح، ويتكيف مع اتجاهات سوق التشفير، ويعطي دفعة للتنمية المستدامة لتقنية الذكاء الاصطناعي. لا يزال نموذج IMO في مرحلة التجريب الأولي، ولكن مع زيادة قبول السوق وتوسع نطاق المشاركة، فإن ابتكاره وقيمته المحتملة تستحق توقعاتنا.
وكيل الذكاء الاصطناعي: عصر جديد من تجربة التفاعل
يمكن لوكيل الذكاء الاصطناعي إدراك البيئة والتفكير بشكل مستقل واتخاذ الإجراءات المناسبة لتحقيق الأهداف المحددة. بدعم من نماذج اللغة الكبيرة، يمكن لوكيل الذكاء الاصطناعي أن يفهم اللغة الطبيعية، ويخطط للقرارات، وينفذ المهام المعقدة. يمكن أن يعملوا كمساعدين افتراضيين، من خلال تفاعلهم مع المستخدمين لتعلم تفضيلاتهم وتقديم حلول مخصصة. حتى في غياب التعليمات الواضحة، يمكن لوكيل الذكاء الاصطناعي حل المشكلات بشكل مستقل، وزيادة الكفاءة، وخلق قيمة جديدة.
توفر منصة تطبيقات AI الأصلية المفتوحة مجموعة شاملة وسهلة الاستخدام من أدوات الإبداع، تدعم تكوين ميزات الروبوت، والمظهر، والصوت، بالإضافة إلى الاتصال بمكتبات المعرفة الخارجية، وتهدف إلى بناء نظام بيئي لمحتوى AI عادل ومفتوح، باستخدام تقنية AI التوليدية، لتمكين الأفراد من أن يصبحوا منشئين فائقين. قامت المنصة بتدريب نموذج لغوي كبير متخصص، مما يجعل تجسيد الشخصيات أكثر إنسانية؛ يمكن أن تسرع تقنية استنساخ الصوت التفاعل الشخصي للمنتجات AI، وتخفض تكلفة توليد الصوت بنسبة 99%، ويمكن تحقيق استنساخ الصوت في دقيقة واحدة فقط. باستخدام وكيل AI المخصص من هذه المنصة، يمكن تطبيقه حاليًا في مجالات متعددة مثل دردشة الفيديو، وتعلم اللغات، وتوليد الصور.
في دمج Web3 مع الذكاء الاصطناعي، يتم حالياً استكشاف المزيد من طبقة البنية التحتية، مثل كيفية الحصول على بيانات عالية الجودة، وحماية خصوصية البيانات، وكيفية استضافة النماذج على السلسلة، وكيفية تحسين الاستخدام الفعال للقوة الحاسوبية اللامركزية، وكيفية التحقق من نماذج اللغة الكبيرة وغيرها من القضايا الأساسية. مع التحسين التدريجي لهذه البنية التحتية، لدينا أسباب للاعتقاد بأن دمج Web3 مع الذكاء الاصطناعي سيولد مجموعة من نماذج الأعمال والخدمات المبتكرة.
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.
Web3 و AI تندمج لقيادة عصر جديد من الإنترنت اللامركزية التقنية تدفع الابتكار المستقبلي
دمج Web3 و AI: بدء عصر جديد من الإنترنت
تمثل Web3 نموذجًا جديدًا من الإنترنت يتميز باللامركزية والانفتاح والشفافية، ولديها فرصة طبيعية للتكامل مع الذكاء الاصطناعي. في ظل البنية التقليدية المركزية، تخضع موارد حساب الذكاء الاصطناعي والبيانات لرقابة صارمة، مما يواجه تحديات عديدة مثل اختناقات القدرة الحسابية، وتسرب الخصوصية، وصناديق الخوارزميات السوداء. بينما تعتمد Web3 على تقنيات موزعة، يمكنها من خلال مشاركة شبكة القدرة الحسابية، والأسواق المفتوحة للبيانات، والحسابات الخصوصية، أن تضخ طاقة جديدة في تطوير الذكاء الاصطناعي. في الوقت نفسه، يمكن للذكاء الاصطناعي أيضًا أن يوفر العديد من الإمكانيات لـ Web3، مثل تحسين العقود الذكية، وخوارزميات مكافحة الغش، مما يعزز من بناء نظامه البيئي. لذلك، فإن استكشاف تكامل Web3 والذكاء الاصطناعي أمر بالغ الأهمية لبناء البنية التحتية للإنترنت من الجيل التالي، وإطلاق قيمة البيانات والقدرة الحسابية.
البيانات المدفوعة: الأساس المتين لـ AI و Web3
البيانات هي القوة الدافعة الأساسية لتطوير الذكاء الاصطناعي، تمامًا كما هو الحال مع الوقود بالنسبة للمحرك. تحتاج نماذج الذكاء الاصطناعي إلى استيعاب كميات كبيرة من البيانات عالية الجودة من أجل تحقيق فهم عميق وقدرة قوية على الاستدلال، فالبيانات لا توفر فقط الأساس لتدريب نماذج التعلم الآلي، بل تحدد أيضًا دقة وموثوقية النموذج.
في نماذج الحصول على بيانات الذكاء الاصطناعي التقليدية المركزية واستخدامها، توجد العديد من المشاكل الرئيسية التالية:
يمكن لـ Web3 معالجة نقاط الألم في النماذج التقليدية من خلال نموذج بيانات لامركزي جديد:
على الرغم من ذلك، هناك بعض المشكلات المتعلقة بجمع البيانات في العالم الحقيقي، مثل اختلاف جودة البيانات، وصعوبة المعالجة، ونقص التنوع والتمثيل، وغيرها. قد تكون البيانات التركيبية نجم المستقبل في مجال بيانات Web3. استنادًا إلى تقنيات الذكاء الاصطناعي التوليدي والمحاكاة، يمكن للبيانات التركيبية محاكاة خصائص البيانات الحقيقية، كإضافة فعالة للبيانات الحقيقية، مما يزيد من كفاءة استخدام البيانات. في مجالات مثل القيادة الذاتية، وتداول الأسواق المالية، وتطوير الألعاب، أظهرت البيانات التركيبية بالفعل إمكانات تطبيق ناضجة.
حماية الخصوصية: دور FHE في Web3
في عصر البيانات المدفوعة، أصبحت حماية الخصوصية محور اهتمام عالمي، حيث تعكس القوانين مثل اللائحة العامة لحماية البيانات (GDPR) في الاتحاد الأوروبي الحماية الصارمة للخصوصية الشخصية. ومع ذلك، فإن هذا يجلب أيضًا تحديات: بعض البيانات الحساسة لا يمكن استخدامها بشكل كامل بسبب مخاطر الخصوصية، مما يقيد بلا شك إمكانيات نموذج الذكاء الاصطناعي وقدراته الاستدلالية.
FHE هو تشفير متجانس بالكامل، يسمح بإجراء عمليات حسابية مباشرة على البيانات المشفرة دون الحاجة إلى فك تشفير البيانات، والنتيجة الحسابية تتفق مع نتيجة إجراء نفس العمليات على البيانات النصية.
تقدم FHE حماية قوية لحساب الخصوصية في الذكاء الاصطناعي، مما يسمح لقوة معالجة GPU بتنفيذ مهام تدريب النماذج والاستدلال في بيئة لا تتصل بالبيانات الأصلية. وهذا يوفر ميزة كبيرة لشركات الذكاء الاصطناعي. يمكنها فتح خدمات API بأمان مع حماية الأسرار التجارية.
يدعم FHEML معالجة البيانات والنماذج بشكل مشفر طوال دورة تعلم الآلة، مما يضمن أمان المعلومات الحساسة ويمنع مخاطر تسرب البيانات. من خلال هذه الطريقة، يعزز FHEML خصوصية البيانات ويوفر إطارًا آمنًا للحساب لتطبيقات الذكاء الاصطناعي.
FHEML هو مكمل لـ ZKML، حيث يثبت ZKML التنفيذ الصحيح للتعلم الآلي، بينما يركز FHEML على إجراء الحسابات على البيانات المشفرة للحفاظ على خصوصية البيانات.
ثورة قوة الحوسبة: الحوسبة بالذكاء الاصطناعي في الشبكات اللامركزية
تتضاعف التعقيدات الحسابية للأنظمة الذكية الحالية كل 3 أشهر، مما يؤدي إلى زيادة هائلة في الطلب على قوة الحوسبة، تفوق بكثير عرض الموارد الحسابية الحالية. على سبيل المثال، يتطلب تدريب نموذج AI كبير قوة حوسبة ضخمة، تعادل 355 عامًا من وقت التدريب على جهاز واحد. هذه النقص في قوة الحوسبة لا يقتصر فقط على تقييد تقدم تقنية الذكاء الاصطناعي، بل يجعل تلك النماذج الذكية المتقدمة بعيدة المنال بالنسبة لمعظم الباحثين والمطورين.
في الوقت نفسه، لا تتجاوز نسبة استخدام وحدات معالجة الرسوميات العالمية 40%، بالإضافة إلى تباطؤ تحسين أداء المعالجات الدقيقة، ونقص الشرائح الناتج عن عوامل سلسلة التوريد والجغرافيا السياسية، مما جعل مشكلة إمدادات القوة الحاسوبية أكثر حدة. يجد محترفو الذكاء الاصطناعي أنفسهم في مأزق: إما شراء الأجهزة بأنفسهم أو استئجار موارد سحابية، وهم في حاجة ماسة إلى طريقة خدمة حوسبة فعالة من حيث التكلفة وعند الطلب.
تقوم شبكة الحوسبة اللامركزية بالذكاء الاصطناعي من خلال تجميع موارد GPU غير المستخدمة على مستوى العالم بتوفير سوق حوسبة اقتصادي وسهل الوصول إلى شركات الذكاء الاصطناعي. يمكن لمستخدمي الحوسبة نشر مهام حسابية على الشبكة، حيث يقوم العقد الذكي بتوزيع المهام على عقد المعدنين الذين يساهمون في الحوسبة، يقوم المعدنون بتنفيذ المهام وتقديم النتائج، وبعد التحقق يحصلون على مكافآت نقاط. تعزز هذه الخطة كفاءة استخدام الموارد وتساعد في حل مشكلة اختناق الحوسبة في مجالات مثل الذكاء الاصطناعي.
بالإضافة إلى شبكة الحوسبة اللامركزية العامة، هناك منصات تركز على تدريب الذكاء الاصطناعي، بالإضافة إلى شبكات حوسبة مخصصة تركز على استدلال الذكاء الاصطناعي.
توفر شبكة الحوسبة اللامركزية سوقًا عادلًا وشفافًا للقوة الحاسوبية، مما يكسر الاحتكار، ويخفض من عتبات الدخول للتطبيقات، ويزيد من كفاءة استخدام القوة الحاسوبية. في نظام الإيكولوجيا web3، ستلعب شبكة الحوسبة اللامركزية دورًا حاسمًا، مما يجذب المزيد من التطبيقات اللامركزية المبتكرة للانضمام، لدفع تطوير وتطبيق تقنيات الذكاء الاصطناعي معًا.
DePIN: تمكين Web3 للذكاء الاصطناعي على الحافة
تخيّل أن هاتفك المحمول، وساعتك الذكية، وحتى الأجهزة الذكية في منزلك، تمتلك القدرة على تشغيل الذكاء الاصطناعي - هذه هي جاذبية الذكاء الاصطناعي على الحافة. إنه يجعل الحساب يحدث في مصدر إنتاج البيانات، مما يحقق تأخيراً منخفضاً، ومعالجة في الوقت الحقيقي، مع حماية خصوصية المستخدم. لقد تم تطبيق تقنية الذكاء الاصطناعي على الحافة في مجالات حيوية مثل القيادة الذاتية.
في مجال Web3، لدينا اسم أكثر ألفة - DePIN. يؤكد Web3 على اللامركزية وحقوق ملكية بيانات المستخدم، بينما يعزز DePIN حماية خصوصية المستخدم من خلال معالجة البيانات محليًا، مما يقلل من مخاطر تسرب البيانات؛ يمكن لآلية الاقتصاد الرمزي الأصلية لـ Web3 تحفيز عقد DePIN على تقديم موارد الحوسبة، مما يبني نظامًا بيئيًا مستدامًا.
تتطور DePIN حاليًا بسرعة في نظام بيئي معين لسلسلة الكتل العامة، مما يجعلها واحدة من المنصات المفضلة لنشر المشاريع. توفر TPS العالي، وانخفاض رسوم المعاملات، والابتكارات التقنية في هذه السلسلة العامة دعمًا قويًا لمشاريع DePIN. حاليًا، تتجاوز القيمة السوقية لمشاريع DePIN على هذه السلسلة العامة 10 مليارات دولار، وقد حققت بعض المشاريع المعروفة تقدمًا ملحوظًا.
IMO: إطلاق نموذج جديد لنماذج الذكاء الاصطناعي
تم اقتراح مفهوم IMO من قبل بروتوكول معين، لتوكن نموذج الذكاء الاصطناعي.
في النموذج التقليدي، بسبب عدم وجود آلية لمشاركة العائدات، بمجرد تطوير نموذج الذكاء الاصطناعي وإدخاله إلى السوق، غالبًا ما يجد المطورون صعوبة في الحصول على عائدات مستمرة من الاستخدام اللاحق للنموذج، خاصةً عندما يتم دمج النموذج في منتجات وخدمات أخرى، يصبح من الصعب على المبدعين الأصليين تتبع الاستخدام، ناهيك عن الحصول على عائدات منه. علاوة على ذلك، غالبًا ما تفتقر أداء نموذج الذكاء الاصطناعي وفعاليته إلى الشفافية، مما يجعل من الصعب على المستثمرين المحتملين والمستخدمين تقييم قيمته الحقيقية، مما يحد من قبول السوق للنموذج وإمكاناته التجارية.
يوفر IMO طريقة جديدة تمامًا لدعم التمويل ومشاركة القيمة لنماذج الذكاء الاصطناعي مفتوحة المصدر، حيث يمكن للمستثمرين شراء رموز IMO ومشاركة العوائد الناتجة عن النموذج فيما بعد. تستخدم بروتوكول معين معيارين من ERC، مع دمج Oracle الذكاء الاصطناعي (Onchain AI Oracle) وتقنية OPML لضمان مصداقية نماذج الذكاء الاصطناعي وتمكين حاملي الرموز من مشاركة العوائد.
نموذج IMO يعزز الشفافية والثقة، ويشجع التعاون المفتوح، ويتكيف مع اتجاهات سوق التشفير، ويعطي دفعة للتنمية المستدامة لتقنية الذكاء الاصطناعي. لا يزال نموذج IMO في مرحلة التجريب الأولي، ولكن مع زيادة قبول السوق وتوسع نطاق المشاركة، فإن ابتكاره وقيمته المحتملة تستحق توقعاتنا.
وكيل الذكاء الاصطناعي: عصر جديد من تجربة التفاعل
يمكن لوكيل الذكاء الاصطناعي إدراك البيئة والتفكير بشكل مستقل واتخاذ الإجراءات المناسبة لتحقيق الأهداف المحددة. بدعم من نماذج اللغة الكبيرة، يمكن لوكيل الذكاء الاصطناعي أن يفهم اللغة الطبيعية، ويخطط للقرارات، وينفذ المهام المعقدة. يمكن أن يعملوا كمساعدين افتراضيين، من خلال تفاعلهم مع المستخدمين لتعلم تفضيلاتهم وتقديم حلول مخصصة. حتى في غياب التعليمات الواضحة، يمكن لوكيل الذكاء الاصطناعي حل المشكلات بشكل مستقل، وزيادة الكفاءة، وخلق قيمة جديدة.
توفر منصة تطبيقات AI الأصلية المفتوحة مجموعة شاملة وسهلة الاستخدام من أدوات الإبداع، تدعم تكوين ميزات الروبوت، والمظهر، والصوت، بالإضافة إلى الاتصال بمكتبات المعرفة الخارجية، وتهدف إلى بناء نظام بيئي لمحتوى AI عادل ومفتوح، باستخدام تقنية AI التوليدية، لتمكين الأفراد من أن يصبحوا منشئين فائقين. قامت المنصة بتدريب نموذج لغوي كبير متخصص، مما يجعل تجسيد الشخصيات أكثر إنسانية؛ يمكن أن تسرع تقنية استنساخ الصوت التفاعل الشخصي للمنتجات AI، وتخفض تكلفة توليد الصوت بنسبة 99%، ويمكن تحقيق استنساخ الصوت في دقيقة واحدة فقط. باستخدام وكيل AI المخصص من هذه المنصة، يمكن تطبيقه حاليًا في مجالات متعددة مثل دردشة الفيديو، وتعلم اللغات، وتوليد الصور.
في دمج Web3 مع الذكاء الاصطناعي، يتم حالياً استكشاف المزيد من طبقة البنية التحتية، مثل كيفية الحصول على بيانات عالية الجودة، وحماية خصوصية البيانات، وكيفية استضافة النماذج على السلسلة، وكيفية تحسين الاستخدام الفعال للقوة الحاسوبية اللامركزية، وكيفية التحقق من نماذج اللغة الكبيرة وغيرها من القضايا الأساسية. مع التحسين التدريجي لهذه البنية التحتية، لدينا أسباب للاعتقاد بأن دمج Web3 مع الذكاء الاصطناعي سيولد مجموعة من نماذج الأعمال والخدمات المبتكرة.