كنموذج جديد للإنترنت اللامركزي والمفتوح والشفاف ، يتمتع Web3 بتآزر طبيعي مع الذكاء الاصطناعي. في ظل البنية المركزية التقليدية ، يتم التحكم بإحكام في موارد الحوسبة والبيانات الذكاء الاصطناعي ، وتواجه العديد من التحديات مثل اختناقات الحوسبة وتسريبات الخصوصية والصناديق السوداء للخوارزميات. من ناحية أخرى ، يعتمد Web3 على التكنولوجيا الموزعة ويضخ حيوية جديدة في تطوير الذكاء الاصطناعي من خلال شبكات الحوسبة المشتركة وأسواق البيانات المفتوحة والحوسبة التي تحافظ على الخصوصية. في الوقت نفسه ، يمكن الذكاء الاصطناعي تمكين بناء نظام Web3 البيئي من خلال تحسين القدرات مثل العقود الذكية وخوارزميات مكافحة الغش. لذلك ، يعد استكشاف التقارب بين Web3 و الذكاء الاصطناعي أمرا بالغ الأهمية لبناء الجيل التالي من البنية التحتية للإنترنت وإطلاق العنان لقيمة البيانات وقوة الحوسبة.

بيانات مدفوعة: أساس قوي للذكاء الاصطناعي والويب 3

البيانات هي القوة الدافعة الأساسية لتطوير الذكاء الاصطناعي، تمامًا مثل وقود المحرك. تحتاج نماذج الذكاء الاصطناعي إلى استيعاب كميات كبيرة من البيانات عالية الجودة من أجل الحصول على فهم عميق وقدرات استدلال قوية. البيانات لا توفر فقط الأساس لتدريب نماذج التعلم الآلي، بل تحدد أيضًا دقتها وموثوقيتها.

في نموذج الحصول على البيانات واستخدامها للذكاء الاصطناعي المركزي التقليدي، ظهرت عدة مشاكل رئيسية:

1. استحواذ البيانات مكلف، مما يجعل من الصعب على الشركات الصغيرة والمتوسطة المشاركة.
2. تحتكر الشركات التكنولوجية موارد البيانات، مكونة الحاجز البياناتي.
3. الخصوصية للبيانات الشخصية معرضة لخطر التسرب والاستخدام السيء.

يوفر Web3 نموذج بيانات متمركز جديد لمعالجة نقاط الألم في النماذج التقليدية:

1. من خلال مشاريع مثل Grass، يمكن للمستخدمين بيع طاقة الشبكة الخاملة لشركات الذكاء الاصطناعي، مما يتيح خدمات خبز البيانات وتنظيفها وتحويلها بشكل لامركزي، وتوفير بيانات حقيقية وعالية الجودة لتدريب نماذج الذكاء الاصطناعي.
2. يستخدم Public AI نموذج "التحديد للكسب" لتحفيز العمال العالميين على المشاركة في تعليق البيانات، وتجميع الحكمة العالمية، وتعزيز قدرات تحليل البيانات.
3. منصات تداول بيانات سلسلة الكتل مثل بروتوكول أوشن وستريمر توفر بيئة تداول مفتوحة وشفافة لكل من عرض البيانات والطلب عنها، مما يعزز الابتكار والمشاركة في مجال البيانات.

بهذه الطرق، لا تقلل Web3 فقط من تكلفة اكتساب البيانات، ولكنها تعزز أيضًا الشفافية والشفافية للبيانات، مما يوفر مصادر بيانات متنوعة وذات جودة عالية أكثر لتدريب نماذج الذكاء الاصطناعي. في الوقت نفسه، من خلال الحوسبة اللامركزية للحفاظ على الخصوصية، يمكن ل Web3 أيضًا حماية خصوصية البيانات الشخصية بشكل أفضل وتحسين أمان وموثوقية استخدام البيانات.

مواصلة استكشاف وممارسة دمج الذكاء الاصطناعي والويب 3 ستوفر أساساً قوياً لبناء جيل جديد من البنية التحتية للإنترنت وفتح قيمة جديدة في البيانات والقوة الحاسوبية.

ومع ذلك، تواجه جمع البيانات في العالم الحقيقي تحديات مثل جودة البيانات غير المتسقة وتعقيد معالجة البيانات العالي وعدم تنوع البيانات وتمثيلها بشكل كافي. في مجال بيانات Web3، يمكن أن تكون البيانات الاصطناعية نجمة صاعدة. بناءً على تقنية الذكاء الاصطناعي التكراري والمحاكاة، يمكن للبيانات الاصطناعية أن تحاكي سمات البيانات الحقيقية، وتكمل بشكل فعال وتحسن كفاءة استخدام البيانات. في مجالات مثل القيادة الذاتية، تداول الأسواق المالية، وتطوير الألعاب، أظهرت البيانات الاصطناعية إمكاناتها لتطبيقات ناضجة.

حماية الخصوصية: دور FHE في Web3

في عصر يعتمد على البيانات، أصبح حماية الخصوصية محوراً عالمياً، وإقرار لائحة الاتحاد الأوروبي لحماية البيانات العامة (GDPR) يعكس الحماية الصارمة للخصوصية الفردية. ومع ذلك، فإن هذا يشكل تحديات: بعض البيانات الحساسة لا يمكن استخدامها بشكل كامل بسبب مخاطر الخصوصية، مما يحد بلا شك من الإمكانيات وقدرات الاستنتاج لنماذج الذكاء الاصطناعي.

التشفير الكلي الجبري (FHE) يسمح بحساب البيانات المشفرة مباشرة دون فك تشفير البيانات، ونتيجة العملية متسقة مع نتيجة نفس العملية على البيانات النصية العادية. يوفر التشفير الكلي الجبري حماية قوية لخصوصية الذكاء الاصطناعي، مما يتيح لقوة حوسبة وحدة المعالجة الرسومية أداء مهام تدريب النماذج والاستدلال بدون الوصول إلى البيانات الخام. وهذا يمثل ميزة كبيرة لشركات الذكاء الاصطناعي، حيث يمكنهم فتح خدمات واجهة برمجة تطبيقات بأمان مع حماية أسرار التجارة.

يدعم آلة التشفير الكاملة الهومومورفية لتعلم الآلة (FHEML) تشفير البيانات والنماذج طوال دورة حياة تعلم الآلة، مما يضمن أمان المعلومات الحساسة ويمنع تسرب البيانات. وبهذه الطريقة، تعزز FHEML خصوصية البيانات وتوفر إطار حوسبة آمن لتطبيقات الذكاء الاصطناعي.

يكمل FHEML ZKML (تعلم الآلة بدون معرفة)، حيث يثبت ZKML التنفيذ الصحيح لتعلم الآلة، بينما يؤكد FHEML الحساب على البيانات المشفرة للحفاظ على خصوصية البيانات.

الثورة الحوسبة: الحوسبة الذكية في الويب اللامركزي

تتضاعف تعقيدات الحوسبة لأنظمة الذكاء الاصطناعي الحالية كل ثلاثة أشهر، مما يؤدي إلى زيادة كبيرة في الطلب على قوة الحوسبة التي تفوق بكثير إمدادات الموارد الحوسبية القائمة. على سبيل المثال، تتطلب تدريب نموذج GPT-3 الخاص بـ OpenAI قدرًا هائلًا من قوة الحوسبة، يعادل 355 عامًا من التدريب على جهاز واحد. هذا النقص في قوة الحوسبة لا يقتصر فقط على تقدم تقنية الذكاء الاصطناعي، ولكنه أيضًا يجعل النماذج المتقدمة للذكاء الاصطناعي غير متاحة لمعظم الباحثين والمطورين.

بالإضافة إلى ذلك، استخدام وحدة معالجة الرسومات العالمية بنسبة أقل من 40٪، إلى جانب تباطؤ في أداء المعالجات الصغيرة، وقضايا سلسلة التوريد، ونقص الرقائق بسبب العوامل الجيوسياسية، وزاد من تفاقم المشكلة المتعلقة بتوفير قدرة الحوسبة. يواجه ممارسو الذكاء الاصطناعي مأزقًا: إما شراء الأجهزة الأساسية أو استئجار موارد السحابة، ويحتاجون بشكل ملح إلى نموذج خدمة حوسبة عند الطلب وفعال من حيث التكلفة.

يعتبر IO.net شبكة لامركزية من قوة الحوسبة الذكية القائمة على Solana التي تجمع موارد وحدة المعالجة الرسومية الشاغرة حول العالم وتوفر سوقًا لقوة الحوسبة بأسعار معقولة لشركات الذكاء الاصطناعي. يمكن للكيانات التي تحتاج إلى قوة الحوسبة نشر مهام الحوسبة على الشبكة، وتعيين العقود الذكية المهام إلى عقد المنقب المساهم. يقوم المناقب بأداء المهام، وتقديم النتائج، والحصول على مكافآت عند التحقق الناجح. يعمل نهج IO.net على تحسين كفاءة الموارد والمساعدة في تخفيف Eng bottlenecks في قوة الحوسبة في مجال الذكاء الاصطناعي.

بالإضافة إلى شبكات الحوسبة اللامركزية عامة الغرض، هناك منصات تركز على تدريب الذكاء الاصطناعي، مثل Gensyn و Flock.io، بالإضافة إلى شبكات الحوسبة المتخصصة التي تركز على استنتاج الذكاء الاصطناعي، مثل Ritual و Fetch.ai.

توفر شبكة القدرة الحوسبية اللامركزية سوقًا عادلاً وشفافًا للقدرة الحوسبية، تكسر الاحتكار، تخفض عتبة التطبيق، وتحسن كفاءة الاستخدام. في النظام البيئي Web3، ستلعب شبكة القدرة الحوسبية اللامركزية دورًا رئيسيًا في جذب المزيد من التطبيقات الابتكارية dApps للترويج المشترك لتطوير وتطبيق تقنية الذكاء الاصطناعي.

DePIN: تمكين Web3 للذكاء الاصطناعي على الحافة

تخيل هاتفك الذكي، ساعتك الذكية، أو حتى جهاز منزلك الذكي يتمتع بالقدرة على تشغيل الذكاء الاصطناعي - هذا هو جمال الذكاء الاصطناعي على الحافة. يمكن للذكاء الاصطناعي على الحافة تمكين الحوسبة من الحدوث في مصدر البيانات، مما يمكن من المعالجة بدون تأخير وفي الوقت الفعلي مع حماية خصوصية المستخدم. تُطبق تقنية الذكاء الاصطناعي على الحافة بالفعل في مجالات رئيسية مثل القيادة الذاتية.

في مجال Web3، لدينا اسم أكثر توافقًا - DePIN. يؤكد Web3 على اللامركزية وسيادة بيانات المستخدم، بينما يعزز DePIN حماية خصوصية المستخدم من خلال معالجة البيانات محليًا، مما يقلل من مخاطر انتهاك البيانات. يمكن لاقتصاد الرمز الأصلي لـ Web3 تحفيز عقد DePIN لتوفير موارد الحوسبة وبناء نظام بيئي مستدام.

في الوقت الحالي، يتطور DePIN بسرعة في النظام البيئي Solana وأصبح واحدًا من منصات السلسلة العامة المفضلة لنشر المشاريع. إن الإنتاجية العالية لـ Solana والرسوم المنخفضة للمعاملات والابتكار التكنولوجي يوفرون دعمًا قويًا لمشروع DePIN. حاليًا، تجاوزت قيمة سوق مشاريع DePIN على Solana 10 مليارات دولار، وقد أحرزت مشاريع بارزة مثل شبكة Render وشبكة Helium تقدمًا كبيرًا.

IMO: نموذج جديد لنشر نماذج الذكاء الاصطناعي

تم اقتراح مفهوم IMO (Initial Model Offering) لأول مرة من قبل بروتوكول Ora لتقسيم نماذج الذكاء الاصطناعي إلى عملات مشفرة.

في النموذج التقليدي، بسبب عدم وجود آلية لتقاسم الإيرادات، من الصعب في كثير من الأحيان على المطورين الحصول على فوائد مستمرة من استخدام النموذج الذكي بعد تطويره ووضعه في السوق. خصوصًا عندما يتم دمج النموذج في منتجات وخدمات أخرى، من الصعب على المطور الأصلي تتبع استخدامه وتوليد الإيرادات. بالإضافة إلى ذلك، غالبًا ما يكون هناك نقص في الشفافية بشأن أداء وفعالية النماذج الذكية، مما يجعل من الصعب على المستثمرين المحتملين والمستخدمين تقييم قيمتها الحقيقية، مما يقيد قبول السوق والإمكانات التجارية.

تقدم IMO نهجًا جديدًا لتمويل النماذج الذكية مفتوحة المصدر وتقاسم القيمة. يمكن للمستثمرين شراء رموز IMO والحصول على جزء من الإيرادات التي تولدها النموذج. يستفيد بروتوكول Oracle من معايير ERC-7641 و ERC-7007، بالاشتراك مع تقنيات Onchain AI Oracle و OPML، لضمان صحة النماذج الذكية وتمكين حاملي الرموز من المشاركة في العائد.

يعزز نموذج IMO الشفافية والثقة، ويشجع على التعاون مفتوح المصدر، وهو متوافق مع اتجاهات سوق العملات المشفرة، ويضفي دفعًا على التنمية المستدامة لتكنولوجيا الذكاء الاصطناعي. على الرغم من أن نموذج IMO لا يزال في مرحلة التجربة الأولية، إلا أن ابتكاره وقيمته الإمكانية تستحق الانتظار مع توسع قبول السوق والمشاركة.

وكيل الذكاء الاصطناعي: عصر جديد من التجارب التفاعلية

يمكن لوكلاء الذكاء الاصطناعي أن يدركوا البيئة، ويفكروا بشكل مستقل، ويتخذوا إجراءات مناسبة لتحقيق الأهداف المحددة. مدعومة بنماذج لغوية كبيرة، يمكن لوكلاء الذكاء الاصطناعي ألا يفهموا اللغة الطبيعية فقط، ولكن يمكنهم أيضًا التخطيط واتخاذ القرارات وتنفيذ المهام المعقدة. يمكنهم العمل كمساعدين افتراضيين يتعلمون تفضيلات المستخدم ويقدمون حلولًا مخصصة من خلال التفاعل. حتى بدون تعليمات صريحة، يمكن لوكلاء الذكاء الاصطناعي حل المشكلات بشكل مستقل، وتحسين الكفاءة، وخلق قيمة جديدة.

Myshell عبارة عن منصة تطبيقات مفتوحة الذكاء الاصطناعي أصلية توفر مجموعة أدوات شاملة وسهلة الاستخدام لتكوين وظائف الروبوت والمظهر والصوت والاتصال بقواعد المعرفة الخارجية. وهي ملتزمة بإنشاء نظام بيئي عادل ومفتوح لمحتوى الذكاء الاصطناعي ، باستخدام تقنية الذكاء الاصطناعي التوليدية لتمكين الأفراد من أن يصبحوا مبدعين فائقين. قامت Myshell بتدريب نماذج لغوية كبيرة متخصصة لجعل لعب الأدوار أكثر إنسانية. يمكن لتقنية استنساخ الصوت الخاصة بها تسريع تفاعل منتجات الذكاء الاصطناعي الشخصية ، وتقليل تكلفة تركيب الكلام بنسبة 99٪ ، ولا يستغرق استنساخ الصوت سوى 1 دقيقة. يمكن حاليا تطبيق وكلاء الذكاء الاصطناعي المخصصة التي تم إنشاؤها باستخدام Myshell في مجموعة متنوعة من المجالات ، بما في ذلك دردشة الفيديو وتعلم اللغة وإنشاء الصور.

في تقارب Web3 و AI ، يكمن التركيز الحالي أساساً على استكشاف طبقة البنية التحتية لحل مشاكل رئيسية مثل الحصول على بيانات عالية الجودة وحماية خصوصية البيانات ووضع النماذج على السلسلة وتحسين الاستخدام الفعال لقوة الحوسبة اللامركزية والتحقق من نماذج اللغة الكبيرة. مع نضوج هذه المكونات الأساسية للبنية التحتية ، هناك سبب للاعتقاد بأن تقارب Web3 و AI سيؤدي إلى مجموعة من النماذج الأعمال والخدمات المبتكرة.

بيان:

1. تم نقل هذه المقالة من [Gateمرآة]. جميع حقوق الطبع والنشر تنتمي إلى الكاتب الأصلي [BadBot]. إذا كان لديك أي اعتراض على إعادة الطبع، يرجى التواصل مع البوابة تعلمفريق وسوف يتعاملون معها على الفور.
2. تنويه: الآراء والآراء المعبر عنها في هذه المقالة هي فقط تلك الخاصة بالكاتب ولا تشكل أي نصيحة استثمارية.
3. تمت ترجمة هذه المقالة من قبل فريق Gate Learn. ما لم ينص على خلاف ذلك، يُحظر استنساخ أو توزيع أو سرقة المقالات المترجمة.