أحدث الأفكار والاستكشاف لمسارات الذكاء الاصطناعي + Crypto

المؤلف: Ian@Foresight فنتشرز

Tl; د

بعد أشهر من الخوض في المجال حيث يتم الجمع بين أصول الذكاء الاصطناعي و Crypto ، أصبح فهم هذا الاتجاه أعمق. تقدم هذه المقالة تحليلا مقارنا للمناظر المبكرة والاتجاه الحالي للمسار ، ويمكن لأولئك الذين هم على دراية بالمسار البدء من القسم الثاني. **

• اللامركزيةشبكة طاقة الحوسبة: في مواجهة تحديات الطلب في السوق ، فإن الغرض النهائي من اللامركزية هو خفض التكاليف. تجلب سمات المجتمع والرموز المميزة ل Web3 قيمة لا يمكن تجاهلها ، لكنها لا تزال قيمة مضافة لمسار قوة الحوسبة نفسه ، بدلا من تغيير تخريبي ، وينصب التركيز على إيجاد طريقة للاندماج مع احتياجات المستخدم ، بدلا من الاستخدام الأعمى لشبكة اللامركزية Computing Power كمكمل لعدم وجود قوة حوسبة مركزية.
• سوق الذكاء الاصطناعي: يناقش فكرة سوق الذكاء الاصطناعي المالي الكامل حيث تتم مناقشة القيمة والقيمة الحيوية التي يجلبها المجتمع والرموز. لا يركز هذا السوق فقط على قوة الحوسبة والبيانات الأساسية ، ولكن أيضا على النموذج نفسه والتطبيقات ذات الصلة. أمولة النموذج هي العنصر الأساسي في السوق الذكاء الاصطناعي ، من ناحية ، تجذب المستخدمين للمشاركة مباشرة في عملية خلق القيمة للنماذج الذكاء الاصطناعي ، ومن ناحية أخرى ، تخلق الطلب على قوة الحوسبة الأساسية والبيانات.
• الذكاء الاصطناعي Onchain ، يواجه ZKML التحديات المزدوجة للطلب والعرض ، بينما يوفر OPML حلا أكثر توازنا بين التكلفة والكفاءة. على الرغم من أن OPML هو ابتكار تكنولوجي ، إلا أنه لا يحل بالضرورة التحدي الأساسي الذي تواجهه الذكاء الاصطناعي على السلسلة ، وهو عدم وجود طلب.
• طبقة التطبيق ، معظم مشاريع تطبيقات الذكاء الاصطناعي web3 ساذجة للغاية ، الذكاء الاصطناعي التطبيقات أكثر منطقية لتعزيز تجربة المستخدم وتحسين كفاءة التطوير ، أو كجزء مهم من سوق الذكاء الاصطناعي.

أولا مراجعة المسار الذكاء الاصطناعي

في الأشهر القليلة الماضية ، أجريت بحثا عميقا حول موضوع الذكاء الاصطناعي + crypto ، وبعد بضعة أشهر من هطول الأمطار ، يسعدني أنني اكتسبت نظرة ثاقبة لاتجاه بعض المسارات في مرحلة مبكرة نسبيا ، ولكن يمكنني أيضا أن أرى أن هناك بعض الآراء التي لا تبدو دقيقة الآن.

** هذه المقالة هي فقط عن الآراء ، وليس مقدمة ، ** ستغطي عدة اتجاهات عامة الذكاء الاصطناعي في web3 وتظهر وجهات نظري وتحليلي للمسار من قبل والآن. قد يكون لوجهات النظر المختلفة إلهامات مختلفة ، والتي يمكن رؤيتها جدليا.

دعنا أولا نراجع الاتجاهات الرئيسية لمجموعة تشفير الذكاء الاصطناعي + في النصف الأول من العام:

1.1 قوة الحوسبة الموزعة

في “نظرة عقلانية على اللامركزيةشبكة طاقة الحوسبة” ، استنادا إلى المنطق القائل بأن قوة الحوسبة ستصبح المورد الأكثر قيمة في المستقبل ، يتم تحليل القيمة التي يمكن أن تعطيها العملات المشفرة لشبكة قوة الحوسبة.

على الرغم من أن شبكة طاقة الحوسبة الموزعة اللامركزية لديها أكبر طلب الذكاء الاصطناعي التدريب على النماذج الكبيرة ، إلا أنها تواجه أيضا أكبر التحديات والاختناقات التقنية. وهذا يشمل الحاجة إلى مزامنة البيانات المعقدة وقضايا تحسين الشبكة. بالإضافة إلى ذلك ، تعد خصوصية البيانات وأمنها أيضا قيودا مهمة. على الرغم من وجود بعض التقنيات الحالية التي يمكن أن توفر حلولا أولية ، إلا أنها لا تزال غير قابلة للتطبيق في مهام التدريب الموزعة على نطاق واسع بسبب النفقات الحسابية والاتصالات الضخمة. من الواضح أن شبكة قوة الحوسبة الموزعة اللامركزية لديها المزيد من الفرص للهبوط في استدلال النموذج ، كما أن المساحة الإضافية التي يمكنها التنبؤ بالمستقبل كبيرة بما يكفي. ومع ذلك ، فإنه يواجه أيضا تحديات مثل تأخير الاتصال وخصوصية البيانات وأمن النموذج. بالمقارنة مع التدريب النموذجي ، فإن الاستدلال له تعقيد حسابي أقل وتفاعل البيانات ، وهو أكثر ملاءمة للإجراء في بيئة موزعة.

1.2 اللامركزية الذكاء الاصطناعي السوق

في “أفضل محاولة لتحقيق اللامركزية الذكاء الاصطناعي السوق” ، يذكر أن سوق اللامركزية الذكاء الاصطناعي الناجح يحتاج إلى الجمع بشكل وثيق بين مزايا الذكاء الاصطناعي و Web3 ، واستخدام القيمة المضافة للتوزيع ، وتأكيد حقوق ملكية الأصول ، وتوزيع الإيرادات ، واللامركزية ، وقوة الحوسبة لإسقاط عتبة التطبيقات الذكاء الاصطناعي ، وتشجيع المطورين على تحميل النماذج ومشاركتها ، وحماية حقوق خصوصية بيانات المستخدمين ، وذلك لبناء منصة تداول ومشاركة موارد الذكاء الاصطناعي صديقة للمطورين تلبي احتياجات المستخدم.

كانت الفكرة في ذلك الوقت (وربما ليست دقيقة تماما الآن) هي أن أسواق الذكاء الاصطناعي القائمة على البيانات لديها إمكانات أكبر بكثير. يحتاج سوق النموذج الميت إلى دعم عدد كبير من النماذج عالية الجودة، لكن المنصة المبكرة تفتقر إلى قاعدة مستخدمين وموارد عالية الجودة، مما يجعل من الصعب جذب نماذج عالية الجودة بسبب عدم كفاية الحوافز لمقدمي النماذج الممتازين؛ في حين أن السوق القائم على البيانات يمكن أن يجمع كمية كبيرة من البيانات والموارد القيمة، وخاصة بيانات المجال الخاص، من خلال اللامركزية والجمع الموزع وتصميم طبقة الحوافز وضمان ملكية البيانات.

تعتمد اللامركزية الذكاء الاصطناعي نجاح السوق على تراكم موارد المستخدم وتأثيرات الشبكة القوية ، حيث يمكن للمستخدمين والمطورين الحصول على قيمة أكبر من السوق مما يمكنهم الحصول عليه خارج السوق. في الأيام الأولى للسوق ، ينصب التركيز على تجميع نماذج عالية الجودة لجذب المستخدمين والاحتفاظ بهم ، ثم الانتقال إلى جذب المزيد من المستخدمين النهائيين والاحتفاظ بهم بعد إنشاء مكتبة من النماذج عالية الجودة وحواجز البيانات.

1.3 ZKML

قبل مناقشة موضوع ZKML على نطاق واسع ، تمت مناقشة قيمة الذكاء الاصطناعي على السلسلة في “الذكاء الاصطناعي + Web3 = ؟”.

دون التضحية باللامركزية وانعدام الثقة ، لدى الذكاء الاصطناعي onchain الفرصة لقيادة عالم web3 إلى “المستوى التالي”. يشبه Web3 الحالي المرحلة المبكرة من Web2 ، ولم يكتسب بعد القدرة على الاعتماد على نطاق أوسع أو إنشاء قيمة أكبر. تم تصميم OnChain الذكاء الاصطناعي لتوفير حل شفاف وغير موثوق به.

1.4 تطبيقات الذكاء الاصطناعي

في “الذكاء الاصطناعي + Crypto Starts to Talk about Web3 Women’s Game-HIM” ، جنبا إلى جنب مع مشروع المحفظة “HIM” ، يتم تحليل قيمة النماذج الكبيرة في تطبيقات web3. بالإضافة إلى النواة الصلبة من البنية التحتية إلى الخوارزميات ، وتطوير LLMs غير الموثوق بها على السلسلة ، هناك اتجاه آخر يتمثل في تخفيف تأثير الصندوق الأسود في عملية الاستدلال في المنتج ، وإيجاد سيناريو مناسب لتنفيذ قدرة الاستدلال القوية للنموذج الكبير.

ثانيا ، تحليل المسار الذكاء الاصطناعي الحالي

2.1 شبكة قوة الحوسبة: هناك مجال كبير للخيال ولكن عتبة عالية

لا يزال المنطق الكبير لشبكة قوة الحوسبة كما هو ، لكنها لا تزال تواجه تحدي الطلب في السوق ، من يحتاج إلى حل أقل كفاءة واستقرارا؟ لذلك ، أعتقد أن النقاط التالية تحتاج إلى معرفة:

** ما هي اللامركزية؟**

إذا سألت أحد مؤسسي شبكة طاقة اللامركزية الآن ، فسوف يخبرك أن شبكة قوة الحوسبة الخاصة بنا يمكن أن تعزز الأمن ومقاومة الهجمات ، وتزيد من الشفافية والثقة ، وتحسن استخدام الموارد ، وخصوصية أفضل للبيانات وتحكم المستخدم ، ومقاومة الرقابة والتدخل …

هذه هي الحس السليم ، وأي مشروع web3 يمكن أن يشارك في مقاومة الرقابة ، والثقة ، والخصوصية ، وما إلى ذلك ، ولكن وجهة نظري هي أن أيا من هذه الأمور. اللامركزية الحوسبة لا تحل شبكات الطاقة بشكل أساسي مشكلة الخصوصية ، وهناك العديد من التناقضات مثل الأمن. لذلك: يجب أن يكون الغرض النهائي من لامركزية شبكة قوة الحوسبة هو خفض التكاليف. كلما ارتفعت درجة اللامركزية ، انخفضت تكلفة استخدام قوة الحوسبة.

لذلك ، في الأساس ، “استخدام قوة الحوسبة الخاملة” هو أكثر من سرد طويل الأجل ، وما إذا كان يمكن إنشاء شبكة طاقة اللامركزية تعتمد إلى حد كبير على ما إذا كان قد اكتشف النقاط التالية:

** القيمة المقدمة من Web3 **

من الواضح أن التصميم الرمزي الذكي وما يترتب عليه من آلية الحوافز / العقاب هي قيمة مضافة قوية يقدمها مجتمع اللامركزية. بالمقارنة مع الإنترنت التقليدية ، لا تعمل الرموز كوسيلة للتبادل فحسب ، بل تكمل أيضا العقود الذكية لتمكين البروتوكولات من تحقيق آليات حوافز وحوكمة أكثر تعقيدا. في الوقت نفسه ، فإن انفتاح وشفافية المعاملات ، وانخفاض التكاليف ، وتحسين الكفاءة كلها تستفيد من القيمة التي تجلبها العملات المشفرة. توفر هذه القيمة الفريدة مزيدا من المرونة ومجالا للابتكار لتحفيز المساهمين.

ولكن في الوقت نفسه ، آمل أيضا أن ينظر إلى هذا “الملاءمة” التي تبدو معقولة بعقلانية ، بالنسبة لشبكة DecentralizationComputing Power ، فإن القيمة التي تجلبها تقنية Web3 و Blockchain ليست سوى “قيمة مضافة” من منظور آخر ، بدلا من تخريب أساسي ، ولا يمكن تغيير وضع العمل الأساسي للشبكة بأكملها واختراق عنق الزجاجة التقني الحالي.

باختصار ، تكمن قيمة web3s هذه في تعزيز جاذبية شبكة اللامركزية ، لكنها لن تغير هيكلها الأساسي أو نموذج التشغيل بالكامل ، وإذا كانت شبكة اللامركزية ستحتل حقا مكانا في الموجة الذكاء الاصطناعي ، فإن قيمة web3 وحدها بعيدة كل البعد عن أن تكون كافية. لذلك ، كما ذكرنا لاحقا ، فإن التكنولوجيا المناسبة تحل المشكلة الصحيحة ، وطريقة اللعب في شبكة اللامركزية Computing Power ليست بأي حال من الأحوال مجرد حل مشكلة النقص في قوة الحوسبة الذكاء الاصطناعي ، ولكن لإعطاء هذا المسار الخامل منذ فترة طويلة طريقة جديدة للعب والتفكير.

قد يكون مثل تعدين أسرى الحرب أو تعدين التخزين ، وتحقيق الدخل من قوة الحوسبة كأصل. في هذا النموذج ، يمكن لمقدمي قوة الحوسبة كسب الرموز كمكافأة من خلال المساهمة بموارد الحوسبة الخاصة بهم. النداء هو أنه يوفر وسيلة لتحويل موارد الحوسبة مباشرة إلى مكاسب اقتصادية ، وبالتالي تحفيز المزيد من المشاركين للانضمام إلى الشبكة. قد يعتمد أيضا على web3 لإنشاء سوق يستهلك قوة الحوسبة ، وفتح نقطة طلب يمكنها قبول قوة حوسبة غير مستقرة وأبطأ من خلال تمويل المنبع من قوة الحوسبة (مثل النماذج).

تريد أن تفهم كيفية الجمع بين الاحتياجات الفعلية للمستخدمين ، بعد كل شيء ، فإن احتياجات المستخدمين والمشاركين ليست بالضرورة مجرد قوة حوسبة فعالة ، “يمكن كسب المال” هي دائما واحدة من أكثر الدوافع إقناعا.

** القدرة التنافسية الأساسية لشبكة طاقة اللامركزية هي السعر **

إذا كان يجب علينا مناقشة اللامركزيةقوة الحوسبة من حيث القيمة الفعلية ، فإن أكبر مساحة خيال جلبها web3 هي تكلفة قوة الحوسبة التي لديها الفرصة لمزيد من الضغط.

كلما زادت اللامركزية في Computing PowerNode ، انخفض السعر لكل وحدة قوة حوسبة. يمكن استنتاجه من الاتجاهات التالية:

1. إدخال الرموز المميزة ، والدفع لمزودي NodeComputing Power من النقد إلى الرمز المميز الأصلي للبروتوكول ، مما يؤدي إلى انخفاض تكاليف التشغيل بشكل أساسي ؛
2. يساهم الوصول غير المصرح به والتأثير المجتمعي القوي ل web3 بشكل مباشر في تحسين التكلفة الذي يحركه السوق ، ويمكن لمزيد من المستخدمين الأفراد والشركات الصغيرة استخدام موارد الأجهزة الحالية للانضمام إلى الشبكة ، وزيادة إمدادات قوة الحوسبة ، وانخفاض سعر العرض لقوة الحوسبة في السوق. في إطار نموذج الحكم الذاتي وإدارة المجتمع.
3. سيؤدي سوق طاقة الحوسبة المفتوح الذي أنشأه البروتوكول إلى إسقاط لعبة الأسعار لمزودي طاقة الحوسبة ، وبالتالي تقليل التكاليف بشكل أكبر.

** الحالة: ChainML **

ببساطة: ChainML هي منصة اللامركزية التي توفر قوة الحوسبة للاستدلال والصقل. على المدى القصير ، ستنفذ chainml مجلس إطار عمل وكيل الذكاء الاصطناعي مفتوح المصدر ، والذي سيجلب نمو الطلب إلى شبكة الحوسبة اللامركزية من خلال محاولة المجلس (روبوت محادثة يمكن دمجه في تطبيقات مختلفة). على المدى الطويل ، ستكون chainml منصة الذكاء الاصطناعي + web3 كاملة (والتي سيتم تحليلها بالتفصيل لاحقا) ، بما في ذلك سوق النماذج وسوق طاقة الحوسبة.

أعتقد أن تخطيط المسار التقني ل ChainML معقول للغاية ، وهم يفكرون بوضوح شديد في المشكلات المذكورة من قبل ، يجب ألا يكون الغرض من اللامركزية Computing Power هو توفير مصدر طاقة حوسبة كاف لصناعة الذكاء الاصطناعي على قدم المساواة مع قوة الحوسبة المركزية ، ولكن لخفض التكلفة تدريجيا للسماح للطالب المناسب بقبول مصدر طاقة الحوسبة الأقل جودة. لذلك ، من Computing Power DecentralizationComputing PowerNode منظور مسار المنتج ، يجب أن تبدأ من الطريقة المركزية ، وتشغيل رابط المنتج في المرحلة المبكرة ، والبدء في تجميع العملاء من خلال قدرات BD القوية ، وتوسيع السوق وتأسيسه ، ثم تفريق مزودي طاقة الحوسبة المركزية تدريجيا إلى الشركات الأصغر بتكلفة أعلى ، وأخيرا طرح Computing PowerNode على نطاق واسع. هذه هي فكرة فرق تسد.

من منظور تخطيط جانب الطلب ، قامت ChainML ببناء MVP لبروتوكول البنية التحتية المركزية ، ومفهوم التصميم محمول. لقد قمنا بتشغيل النظام مع العملاء منذ فبراير من هذا العام ونستخدمه في الإنتاج منذ أبريل من هذا العام. يعمل حاليا على Google Cloud ، ولكن استنادا إلى Kubernetes وتقنيات المصدر المفتوح الأخرى ، من السهل نقله إلى بيئات أخرى (AWS و Azure و Coreweave وما إلى ذلك). سيتبع ذلك لامركزية البروتوكول ، واللامركزية إلى السحب المتخصصة ، وأخيرا عمال المناجم الذين يوفرون قوة الحوسبة.

**2.2 سوق الذكاء الاصطناعي: مساحة أكبر للخيال **

يسمى هذا القطاع الذكاء الاصطناعي markerplace ، مما يحد إلى حد ما من مساحة الخيال. بالمعنى الدقيق للكلمة ، يجب أن يكون “السوق الذكاء الاصطناعي” مع مساحة خيال حقيقية منصة وسيطة تمول الرابط الكامل للنموذج ، وتغطي من قوة الحوسبة الأساسية والبيانات إلى النموذج نفسه والتطبيقات ذات الصلة. كما ذكرنا سابقا اللامركزيةقوة الحوسبة ، كان التناقض الرئيسي في المرحلة المبكرة هو كيفية خلق الطلب ، وسوق الحلقة المغلقة التي تمول الرابط الكامل الذكاء الاصطناعي لديه الفرصة لولادة هذا النوع من الطلب.

شيء من هذا القبيل:**

يعتمد السوق الذكاء الاصطناعي الذي تدعمه web3 على قوة الحوسبة والبيانات ، وجذب المطورين لبناء أو صقل النماذج من خلال بيانات أكثر قيمة ، ثم تطوير التطبيقات المقابلة القائمة على النماذج ، والتي تخلق طلبا على قوة الحوسبة أثناء تطوير واستخدام هذه التطبيقات والنماذج. في ظل حافز Token والمجتمع ، فإن مهام جمع البيانات في الوقت الفعلي القائمة على المكافآت أو الحوافز الطبيعية للمساهمة بالبيانات لديها الفرصة لتوسيع وتوسيع المزايا الفريدة لطبقة البيانات في هذا السوق. في الوقت نفسه ، تقوم شعبية التطبيقات أيضا بإرجاع بيانات أكثر قيمة إلى طبقة البيانات.

المجتمع

بالإضافة إلى القيمة التي يجلبها الرمز المميز المذكور سابقا ، يعد المجتمع بلا شك أحد أكبر المكاسب التي حققتها web3 وهو القوة الدافعة الأساسية لتطوير النظام الأساسي. على سبيل المثال ، يعد تحقيق تنوع البيانات ميزة لهذه المنصات ، وهو أمر ضروري لبناء نماذج الذكاء الاصطناعي دقيقة وغير متحيزة ، وهو أيضا عنق الزجاجة في الاتجاه الحالي للبيانات.

أعتقد أن جوهر النظام الأساسي بأكمله هو النموذج ، وقد أدركنا في وقت مبكر أن نجاح سوق الذكاء الاصطناعي يعتمد على وجود نماذج عالية الجودة ، وما هو الحافز الذي يجب على المطورين تقديم نماذج على منصة اللامركزية؟ ولكن يبدو أيضا أننا نسينا التفكير في مشكلة ما ، فالبنية التحتية للتهجئة ليست صعبة مثل المنصات التقليدية ، ومجتمعات مطوري التهجئة ليست ناضجة مثل المنصات التقليدية ، ولا تتمتع سمعة التهجئة بميزة المحرك الأول للمنصات التقليدية ، لذلك بالمقارنة مع قاعدة المستخدمين الضخمة والبنية التحتية الناضجة لمنصات الذكاء الاصطناعي التقليدية ، لا يمكن لمشاريع web3 التجاوز إلا في الزوايا.

قد تكمن الإجابة في ** الذكاء الاصطناعي نموذج الأمولة **

• يمكن التعامل مع النماذج كسلعة، ويمكن أن تكون معاملة النماذج الذكاء الاصطناعي كأصول قابلة للاستثمار ابتكارا مثيرا للاهتمام في أسواق Web3 واللامركزية. يتيح هذا السوق للمستخدمين المشاركة المباشرة والاستفادة من عملية خلق القيمة لنماذج الذكاء الاصطناعي. وتشجع هذه الآلية أيضا على السعي إلى تقديم نماذج ومساهمات أعلى جودة للمجتمع، حيث ترتبط فوائد المستخدم ارتباطا مباشرا بأداء النموذج وتطبيقه؛
• يمكن للمستخدمين الاستثمار من خلال تخزين النموذج ، ويتم تقديم آلية مشاركة الإيرادات لتحفيز المستخدمين على اختيار ودعم النماذج المحتملة من ناحية ، مما يوفر حوافز اقتصادية لمطوري النماذج لإنشاء نماذج أفضل. من ناحية أخرى ، فإن المعيار الأكثر بديهية للمخزنين للحكم على نموذج (خاصة بالنسبة لنماذج توليد الصور) هو إجراء قياسات متعددة ، مما يوفر طلبا على اللامركزيةقوة الحوسبة للمنصة ، والتي قد تكون أيضا إحدى الطرق للخروج من المذكور سابقا “من يريد استخدام قوة حوسبة أقل كفاءة وأكثر استقرارا؟”

2.3 الذكاء الاصطناعي Onchain: تجاوز OPML في الزوايا؟

** ZKML: الطلب والعرض على حد سواء نهاية الرعد **

ما هو مؤكد هو أن الذكاء الاصطناعي على السلسلة يجب أن يكون اتجاها مليئا بالخيال ويستحق البحث المتعمق. يمكن أن تحقق الاختراقات في الذكاء الاصطناعي على السلسلة قيمة غير مسبوقة ل web3. ولكن في الوقت نفسه ، فإن العتبة الأكاديمية العالية للغاية ل ZKML ومتطلبات البنية التحتية الأساسية ليست مناسبة بالفعل لمعظم الشركات الناشئة. لا تحتاج معظم المشاريع بالضرورة إلى دمج دعم LLMs غير الموثوق به لتحقيق اختراق في قيمتها الخاصة.

ومع ذلك ، لا يلزم نقل جميع نماذج الذكاء الاصطناعي على السلسلة لاستخدام ZK لغير موثوق به ، تماما كما لا يهتم معظم الأشخاص بكيفية استنتاج chatbot حول الاستعلامات وإعطاء النتائج ، ولا يهتمون بما إذا كان الانتشار المستقر المستخدم هو إصدار معين من بنية النموذج أو إعدادات معلمة محددة. في معظم السيناريوهات ، يركز معظم المستخدمين على ما إذا كان النموذج يمكن أن يعطي مخرجات مرضية ، بدلا من ما إذا كانت عملية الاستدلال غير موثوقة أو شفافة.

إذا كان الإثبات لا يجلب نفقات عامة مائة ضعف أو تكلفة استدلال أعلى ، فربما لا يزال لدى ZKML القوة للقتال ، ولكن في مواجهة ارتفاع تكاليف الاستدلال على السلسلة وارتفاع التكاليف ، فإن أي طالب لديه سبب للتشكيك في ضرورة الذكاء الاصطناعي Onchain.

من جانب الطلب

ما يهتم به المستخدم هو ما إذا كانت النتيجة التي قدمها النموذج منطقية ، طالما أن النتيجة معقولة ، يمكن القول إن عدم الثقة التي جلبها ZKML لا قيمة لها.

• إذا كان روبوت التداول القائم على الشبكة العصبية يجلب عائدا مائة ضعف للمستخدمين في كل دورة ، فمن سيتساءل عما إذا كانت الخوارزمية مركزية أو يمكن التحقق منها؟
• وبالمثل ، إذا بدأ روبوت التداول في خسارة الأموال للمستخدمين ، فيجب على فريق المشروع التفكير أكثر في كيفية تحسين قدرات النموذج بدلا من إنفاق الطاقة ورأس المال على جعل النموذج قابلا للتحقق. هذا هو التناقض في متطلبات ZKML ، وبعبارة أخرى ، فإن التحقق من النموذج لا يحل بشكل أساسي شكوك الناس حول الذكاء الاصطناعي في العديد من السيناريوهات ، وهو نوع من التناقض.

من جانب العرض

هناك طريق طويل لنقطعه لتطوير نموذج إثبات يكفي لدعم نموذج أوراكل الكبير ، وانطلاقا من المحاولات الحالية للمشروع الرئيسي ، يكاد يكون من المستحيل رؤية اليوم الذي سيتم فيه وضع النموذج الكبير على السلسلة.

بالإشارة إلى مقالتنا السابقة حول ZKML ، من وجهة نظر فنية ، فإن الهدف من ZKML هو تحويل الشبكات العصبية إلى دوائر ZK ، والصعوبات هي:

1. دوائر ZK لا تدعم أرقام الفاصلة العائمة.
2. يصعب تحويل الشبكات العصبية واسعة النطاق.

من التقدم الحالي:

1. تدعم أحدث مكتبة ZKML بعض الشبكات العصبية البسيطة ZK ، والتي يقال إنها قادرة على ربط نماذج الانحدار الخطي الأساسية. ولكن هناك عدد قليل جدا من العروض التوضيحية في الوجود.
2. من الناحية النظرية ، يمكن أن يدعم الحد الأقصى ** المعلمة ~ 100M ، لكنه موجود فقط من الناحية النظرية. **

لم يلب تقدم تطوير ZKML ** التوقعات ** ، انطلاقا من التقدم الحالي لمختبر معامل مشروع رأس المسار وإثبات الإثبات الصادر عن EZKL ، يمكن تحويل بعض النماذج البسيطة إلى دوائر ZK لعمل نموذج على السلسلة أو براهين الاستدلال على السلسلة. لكن هذا أبعد ما يكون عن قيمة ZKML وليس حدثا قريبا ، ولا يبدو أن عنق الزجاجة للتكنولوجيا لديه الدافع الأساسي للاختراق ، فالمسار الذي يعاني من نقص خطير في الطلب غير قادر بشكل أساسي على جذب انتباه المجتمع الأكاديمي ، مما يعني أنه من الصعب جعل poc ممتازا لجذب / تلبية الطلب المتبقي ، والذي قد يكون أيضا دوامة الموت التي تقتل ZKML.

** OPML: الانتقال أم نهاية اللعبة؟

الفرق بين OPML و ZKML هو أن ZKML يثبت عملية الاستدلال الكاملة ، بينما يعيد OPML تنفيذ جزء من عملية الاستدلال عند الطعن في الاستدلال. من الواضح أن أكبر مشكلة يحلها OPML هي التكلفة العالية / النفقات العامة ، وهو تحسين عملي للغاية.

بصفته رائدا في OPML ، أعطى فريق HyperOracle البنية وعملية التقدم من مرحلة واحدة إلى مرحلة متعددة opML في “opML هو كل ما تحتاجه: تشغيل نموذج 13B ML في Ethereum”:

• بناء جهاز افتراضي للتنفيذ خارج السلسلة والتحقق من الصحة على السلسلة، وضمان التكافؤ بين الأجهزة الظاهرية غير المتصلة بالإنترنت والأجهزة الظاهرية المنفذة في العقود الذكية على السلسلة.
• من أجل ضمان كفاءة الاستدلال لنموذج الذكاء الاصطناعي في VM ، تم تنفيذ مكتبة DNN خفيفة الوزن مصممة خصيصا (لا تعتمد على أطر التعلم الآلي الشائعة مثل Tensorflow أو PyTorch) ، وقدم الفريق أيضا نصا يمكنه تحويل نماذج Tensorflow و PyTorch إلى هذه المكتبة خفيفة الوزن.
• تجميع رمز الاستدلال نموذج الذكاء الاصطناعي في تعليمات برنامج VM من خلال التحويل البرمجي المتبادل.
• تتم إدارة صور VM من خلال شجرة Merkle. سيتم تحميل جذر Merkle فقط، الذي يمثل حالة الجهاز الظاهري، إلى العقد الذكي على السلسلة.

ومع ذلك ، فمن الواضح أن العيب الرئيسي في هذا التصميم هو أنه يجب إجراء جميع العمليات الحسابية في جهاز افتراضي ، مما يمنع استخدام تسريع GPU / TPU والمعالجة المتوازية ، مما يحد من الكفاءة. ومن هنا جاء إدخال opML متعدد المراحل.

• فقط في المرحلة النهائية ، يتم إجراء الحساب في الجهاز الظاهري.
• في مراحل أخرى ، يتم حساب انتقالات الحالة في بيئة أصلية ، والتي تستفيد من قدرات وحدة المعالجة المركزية ووحدة معالجة الرسومات ووحدة المعالجة المؤقتة على سبيل المثال ، وتدعم المعالجة المتوازية. هذا يقلل من الاعتماد على الأجهزة الظاهرية ويحسن بشكل كبير أداء التنفيذ إلى مستوى مماثل للبيئات الأصلية.

مرجع:

لنكن واقعيين

هناك وجهة نظر مفادها أن OPML هو انتقال قبل تحقيق ZKML الكامل ، ولكن من الواقعي القول إنه من الأفضل اعتباره نوعا من الذكاء الاصطناعي Onchain بناء على هيكل التكلفة وتوقعات الهبوط للمقايضة ، ربما لن يأتي يوم الإدراك الكامل ل ZKML أبدا ، على الأقل أنا متشائم بشأن هذا ، ثم سيتعين على ضجيج Onchain الذكاء الاصطناعي في النهاية مواجهة الهبوط والتكلفة الأكثر واقعية ، ثم قد يكون OPML Onchain أفضل ممارسات الذكاء الاصطناعي ، تماما مثل بيئة OP و ZK ، لم تكن أبدا علاقة بديلة.

على الرغم من أنه لا تنس أن أوجه القصور في المتطلبات السابقة لا تزال موجودة ، إلا أن التحسين القائم على التكلفة والكفاءة في OPML لا يحل بشكل أساسي مشكلة “نظرا لأن المستخدمين يهتمون أكثر بعقلانية النتائج ، فلماذا ينتقلون الذكاء الاصطناعي إلى السلسلة لجعلها غير موثوقة” والشفافية والملكية و Trustless ، هؤلاء الهواة مليئون حقا بالأجراس والصفارات ، لكن هل يهتم المستخدمون حقا؟ في المقابل ، يجب أن يكون تجسيد القيمة في القدرة المنطقية للنموذج.

أعتقد أن هذا النوع من تحسين التكلفة هو محاولة مبتكرة وقوية من الناحية الفنية ، لكنها أكثر من دائرة عرجاء من حيث القيمة ؛ **

ربما يكون مسار Onchain الذكاء الاصطناعي نفسه يحمل مطرقة للعثور على مسمار ، ولكن هذا صحيح أيضا ، فإن تطوير صناعة مبكرة هو الاستمرار في استكشاف المزيج المبتكر من التقنيات عبر المجالات ، والعثور على أفضل نقطة ملاءمة في التشغيل المستمر.

**2.4 طبقة التطبيق: 99٪ من وحوش الخياطة **

يجب أن أقول إن محاولات الذكاء الاصطناعي في طبقة تطبيق web3 تمضي قدما بالفعل ، كما لو كان الجميع fomo ، لكن 99٪ من التكامل لا يزال في حالة تكامل ، وليس هناك حاجة لتعيين مدى قيمة المشروع نفسه من خلال القدرة المنطقية ل gpt.

من طبقة التطبيق ، هناك طريقتان تقريبا للخروج:

تحسين تجربة المستخدم وكفاءة التطوير بمساعدة قدرات الذكاء الاصطناعي: في هذه الحالة ، لن يكون الذكاء الاصطناعي هو أهم ما يميز ، ولكن في كثير من الأحيان كعامل وراء الكواليس ، أو حتى غير مبال بالمستخدمين. مزيج من التشفير يريد أن يكون ساتوشي جدا ، ويدرك نقطة الملاءمة العالية ، والنقطة الأكثر قيمة ، هو استخدام الذكاء الاصطناعي كأداة قيمة الإنتاج من ناحية ، وتحسين الكفاءة والجودة ، من ناحية أخرى ، من خلال القدرة المنطقية الذكاء الاصطناعي لتحسين تجربة لعبة المستخدم ، الذكاء الاصطناعي والتشفير يجلبان قيمة مهمة للغاية ، ولكن بشكل أساسي لا يزالان يستخدمان وسائل استخدام التكنولوجيا ، والميزة الحقيقية وجوهر المشروع لا تزال قدرة الفريق على تطوير الألعاب

إلى جانب سوق الذكاء الاصطناعي ، أصبح جزءا مهما من النظام البيئي بأكمله للمستخدمين.

ثلاثة ، أخيرا …

إذا كان هناك حقا أي شيء يحتاج إلى التأكيد عليه أو تلخيصه: الذكاء الاصطناعي لا يزال أحد أكثر المسارات الجديرة بالملاحظة والأكثر واعدة في web3 ، فلن يتغير هذا المنطق العام.

لكنني أعتقد أن أكثر ما يلفت الانتباه هو طريقة اللعب في السوق الذكاء الاصطناعي ، حيث يتماشى تصميم هذه المنصة أو البنية التحتية بشكل أساسي مع احتياجات خلق القيمة وتلبية مصالح جميع الأطراف ، بشكل مجهري ، بالإضافة إلى النموذج أو قوة الحوسبة نفسها لإنشاء طريقة فريدة لالتقاط قيمة web3 جذابة بما فيه الكفاية ، وفي الوقت نفسه ، يتيح هذا أيضا للمستخدمين المشاركة مباشرة في موجة الذكاء الاصطناعي بطريقة فريدة.

ربما في غضون ثلاثة أشهر سأقلب فكرتي الحالية مرة أخرى ، لذلك:

ما ورد أعلاه هو مجرد رأيي في هذا المسار حقيقي للغاية ، وهو في الحقيقة لا يشكل أي نصيحة استثمارية!

مرجع

“opML هو كل ما تحتاجه: قم بتشغيل نموذج 13B ML في Ethereum”: __Ui5I9gFOy7-da _jI1lgEqtnzSIKcwuBIrk-6YM0Y