تقرير شامل عن مسار Web3-AI: تحليل عميق للمنطق التكنولوجي، تطبيقات المشهد، والمشاريع الرائدة
مع استمرار تسارع السرد المدعوم بالذكاء الاصطناعي، تتزايد الأضواء المسلطة على هذا المجال. تم إجراء تحليل متعمق للمنطق التقني، وسيناريوهات التطبيق، والمشاريع الممثلة في مجال Web3-AI، لتقديم عرض شامل لكامل هذا المجال واتجاهات تطوره.
١. Web3-AI: تحليل المنطق التكنولوجي وفرص السوق الناشئة
1.1 منطق دمج Web3 و AI: كيف نحدد مسار Web-AI
على مدار العام الماضي، كانت السرديات المدعومة بالذكاء الاصطناعي مزدهرة بشكل استثنائي في صناعة Web3، حيث ظهرت مشاريع الذكاء الاصطناعي كالفطر بعد المطر. على الرغم من وجود العديد من المشاريع التي تتضمن تقنية الذكاء الاصطناعي، إلا أن بعض المشاريع تستخدم الذكاء الاصطناعي فقط في بعض أجزاء منتجاتها، ولا توجد علاقة جوهرية بين الاقتصاد الرمزي الأساسي ومنتجات الذكاء الاصطناعي، وبالتالي فإن هذه المشاريع لا تقع ضمن مناقشة مشاريع Web3-AI في هذه المقالة.
تركز هذه المقالة على استخدام blockchain لحل مشاكل علاقات الإنتاج، ومشاريع AI التي تحل مشاكل الإنتاجية. توفر هذه المشاريع نفسها منتجات AI، وفي نفس الوقت تعتمد على نموذج الاقتصاد Web3 كأداة لعلاقات الإنتاج، حيث يكمل كل منهما الآخر. نصنف هذه المشاريع في مسار Web3-AI. لتسهيل فهم القراء لمسار Web3-AI، سنقوم بتقديم عرض لعملية تطوير AI والتحديات المرتبطة بها، بالإضافة إلى كيف يمكن لدمج Web3 و AI أن يحل المشاكل بشكل مثالي ويخلق سيناريوهات تطبيق جديدة.
1.2 عملية تطوير الذكاء الاصطناعي والتحديات: من جمع البيانات إلى استنتاج النموذج
تكنولوجيا الذكاء الاصطناعي هي تقنية تمكّن الحواسيب من محاكاة وتوسيع وتعزيز الذكاء البشري. إنها تتيح للحواسيب تنفيذ مجموعة متنوعة من المهام المعقدة، من ترجمة اللغات، وتصنيف الصور، إلى التعرف على الوجوه، والقيادة الذاتية، وغيرها من تطبيقات المشهد، فإن الذكاء الاصطناعي يُحدث تغييرًا في طريقة حياتنا وعملنا.
تتضمن عملية تطوير نماذج الذكاء الاصطناعي عادةً الخطوات الرئيسية التالية: جمع البيانات ومعالجة البيانات، اختيار النموذج وضبطه، تدريب النموذج واستنتاجه. على سبيل المثال، لتطوير نموذج لتصنيف صور القطط والكلاب، تحتاج إلى:
جمع البيانات ومعالجة البيانات: جمع مجموعة بيانات تحتوي على صور للقطط والكلاب، يمكن استخدام مجموعة بيانات عامة أو جمع بيانات حقيقية بنفسك. ثم قم بتمييز كل صورة بفئة (قط أو كلب)، وتأكد من أن العلامات دقيقة. تحويل الصور إلى صيغة يمكن للنموذج التعرف عليها، تقسيم مجموعة البيانات إلى مجموعة تدريب ومجموعة تحقق ومجموعة اختبار.
اختيار النموذج وضبطه: اختيار النموذج المناسب، مثل الشبكات العصبية التلافيفية (CNN)، التي تناسب مهام تصنيف الصور. ضبط معلمات النموذج أو الهيكل وفقًا للاحتياجات المختلفة، عمومًا، يمكن تعديل مستويات الشبكة للنموذج حسب تعقيد مهمة الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون المستويات الشبكية السطحية كافية.
تدريب النموذج: يمكن استخدام GPU أو TPU أو مجموعات الحوسبة عالية الأداء لتدريب النموذج، ويؤثر وقت التدريب على تعقيد النموذج وقدرة الحوسبة.
استنتاج النموذج: تُعرف الملفات المدربة للنموذج عادةً بأوزان النموذج، وعملية الاستنتاج تشير إلى استخدام النموذج المدرب مسبقًا للتنبؤ أو تصنيف بيانات جديدة. في هذه العملية، يمكن استخدام مجموعة الاختبار أو بيانات جديدة لاختبار فعالية تصنيف النموذج، وعادةً ما يتم تقييم فعالية النموذج باستخدام مؤشرات مثل الدقة، ومعدل الاسترجاع، وF1-score.
كما هو موضح في الشكل، بعد جمع البيانات ومعالجة البيانات المسبقة، واختيار النموذج وتحسينه، سيتم إجراء الاستدلال على مجموعة الاختبار باستخدام النموذج المدرب للحصول على قيم التنبؤ للقطط والكلاب P (احتمالية)، أي أن النموذج استنتج أنه قطة أو كلب.
يمكن دمج نماذج الذكاء الاصطناعي المدربة بشكل أكبر في مجموعة متنوعة من التطبيقات لأداء مهام مختلفة. في هذا المثال، يمكن دمج نموذج الذكاء الاصطناعي لتصنيف القطط والكلاب في تطبيق الهاتف المحمول، حيث يرفع المستخدم صورة لقط أو كلب، ليحصل على نتائج التصنيف.
ومع ذلك، فإن عملية تطوير الذكاء الاصطناعي المركزية تواجه بعض المشكلات في السيناريوهات التالية:
خصوصية المستخدم: في السيناريوهات المركزية، عادة ما تكون عملية تطوير الذكاء الاصطناعي غير شفافة. قد يتم سرقة بيانات المستخدم دون علمهم واستخدامها في تدريب الذكاء الاصطناعي.
الحصول على بيانات المصدر: قد تواجه الفرق الصغيرة أو الأفراد قيودًا على عدم انفتاح البيانات عند الحصول على بيانات في مجالات معينة (مثل البيانات الطبية).
اختيار النموذج وتحسينه: من الصعب على الفرق الصغيرة الحصول على موارد نماذج محددة أو إنفاق تكاليف كبيرة لتحسين النماذج.
الحصول على قوة الحوسبة: بالنسبة للمطورين الأفراد والفرق الصغيرة، قد تشكل تكاليف شراء وحدات معالجة الرسوميات العالية وتكاليف استئجار قوة الحوسبة السحابية عبئًا اقتصاديًا كبيرًا.
إيرادات أصول الذكاء الاصطناعي: غالبًا ما لا يتمكن عمال توضيح البيانات من الحصول على إيرادات تتناسب مع جهودهم، كما أن نتائج أبحاث مطوري الذكاء الاصطناعي يصعب مطابقتها مع المشترين الذين لديهم طلب.
يمكن التغلب على التحديات الموجودة في مشهد الذكاء الاصطناعي المركزي من خلال دمجه مع Web3، حيث أن Web3 كعلاقة إنتاج جديدة يتكيف بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل قوة إنتاج جديدة، مما يدفع إلى التقدم المتزامن في التكنولوجيا والقدرات الإنتاجية.
1.3 التآزر بين Web3 و AI: تحول الأدوار وتطبيقات مبتكرة
يمكن أن يعزز الجمع بين Web3 و AI سيادة المستخدم، ويوفر منصة تعاون مفتوحة للذكاء الاصطناعي للمستخدمين، مما يُحوّل المستخدمين من مستخدمي الذكاء الاصطناعي في عصر Web2 إلى مشاركين، مما يُمكن الجميع من امتلاك الذكاء الاصطناعي. في الوقت نفسه، يمكن أن يؤدي دمج عالم Web3 مع تقنيات الذكاء الاصطناعي إلى ظهور المزيد من تطبيقات مبتكرة وسيناريوهات لعب.
استنادًا إلى تقنية Web3 ، ستشهد تطوير وتطبيق الذكاء الاصطناعي نظامًا جديدًا للاقتصاد التعاوني. ستُحافظ خصوصية بيانات الأفراد، ويعزز نموذج جمع البيانات تقدم نماذج الذكاء الاصطناعي، وستكون هناك العديد من الموارد المفتوحة للذكاء الاصطناعي المتاحة للاستخدام من قبل المستخدمين، ويمكن الحصول على قوة الحوسبة المشتركة بتكلفة منخفضة. من خلال آلية التعاون اللامركزية ونموذج السوق المفتوح للذكاء الاصطناعي، يمكن تحقيق نظام عادل لتوزيع الدخل، مما يحفز المزيد من الأشخاص على دفع تقدم تقنية الذكاء الاصطناعي.
في مشهد Web3، يمكن أن يكون لـ AI تأثير إيجابي في مجالات متعددة. على سبيل المثال، يمكن دمج نماذج AI في العقود الذكية، مما يعزز من كفاءة العمل في سيناريوهات تطبيقية مختلفة، مثل تحليل السوق، الفحص الأمني، التجمعات الاجتماعية وغيرها من الوظائف المتنوعة. يمكن لـ AI التوليدي أن يجعل المستخدمين يشعرون بدور "الفنان"، مثل استخدام تقنية AI لإنشاء NFT الخاصة بهم، كما يمكن أن يخلق مشاهد ألعاب متنوعة وتجارب تفاعلية ممتعة في GameFi. توفر البنية التحتية الغنية تجربة تطوير سلسة، سواء لمتخصصي AI أو للمبتدئين الذين يرغبون في دخول مجال AI، حيث يمكنهم العثور على مدخل مناسب في هذا العالم.
ثانياً، خريطة مشروع Web3-AI والهيكل المعماري
لقد قمنا بدراسة 41 مشروعًا في مجال Web3-AI وقمنا بتقسيم هذه المشاريع إلى مستويات مختلفة. منطق تقسيم كل مستوى موضح في الشكل أدناه، ويشمل مستوى البنية التحتية، والمستوى الوسيط، ومستوى التطبيقات، حيث ينقسم كل مستوى إلى قطاعات مختلفة. في الفصل التالي، سنقوم بإجراء تحليل عميق لبعض المشاريع التمثيلية.
تغطي طبقة البنية التحتية الموارد الحاسوبية والهياكل التقنية التي تدعم تشغيل دورة حياة الذكاء الاصطناعي بالكامل، بينما تشمل الطبقة الوسطى إدارة البيانات وخدمات تطوير النماذج والتحقق من الاستدلال التي تربط البنية التحتية بالتطبيقات، وتركز الطبقة التطبيقية على أنواع التطبيقات والحلول الموجهة مباشرةً للمستخدمين.
طبقة البنية التحتية:
طبقة البنية التحتية هي أساس دورة حياة الذكاء الاصطناعي، ويصنف هذا المقال قوة الحوسبة و AI Chain ومنصة التطوير كطبقة بنية تحتية. بفضل دعم هذه البنية التحتية، يمكن تدريب نماذج الذكاء الاصطناعي واستنتاجها، وتقديم تطبيقات ذكاء اصطناعي قوية وعملية للمستخدمين.
شبكة حسابات لامركزية: يمكن أن توفر قوة حوسبة موزعة لتدريب نماذج الذكاء الاصطناعي، مما يضمن استخدام موارد حسابية فعالة واقتصادية. بعض المشاريع توفر سوقًا لامركزيًا للحوسبة، حيث يمكن للمستخدمين استئجار قوة الحوسبة بتكلفة منخفضة أو مشاركة القوة للحصول على عائدات، ومن المشاريع الممثلة IO.NET و Hyperbolic. بالإضافة إلى ذلك، استنبطت بعض المشاريع طرق لعب جديدة، مثل Compute Labs، التي اقترحت بروتوكولًا موحدًا، حيث يمكن للمستخدمين من خلال شراء NFT تمثل كيان GPU المشاركة بطرق مختلفة في تأجير القوة للحصول على عائدات.
AI Chain: يستخدم blockchain كأساس لدورة حياة الذكاء الاصطناعي، لتحقيق تفاعل سلس بين موارد الذكاء الاصطناعي على السلسلة وخارجها، مما يعزز تطوير النظام البيئي في الصناعة. يمكن لسوق الذكاء الاصطناعي اللامركزي على السلسلة تداول أصول الذكاء الاصطناعي مثل البيانات والنماذج والوكلاء، ويقدم إطار عمل لتطوير الذكاء الاصطناعي وأدوات تطوير مصاحبة، مثل مشروع Sahara AI. يمكن أن يعزز AI Chain أيضًا التقدم في تقنيات الذكاء الاصطناعي في مجالات مختلفة، مثل Bittensor التي تعزز المنافسة بين أنواع مختلفة من الشبكات الفرعية من خلال آلية تحفيز مبتكرة.
منصة التطوير: بعض المشاريع تقدم منصة تطوير وكلاء الذكاء الاصطناعي، ويمكنها أيضًا تنفيذ تداول وكلاء الذكاء الاصطناعي، مثل Fetch.ai و ChainML وغيرها. أدوات شاملة تساعد المطورين على إنشاء وتدريب ونشر نماذج الذكاء الاصطناعي بشكل أكثر سهولة، مثل مشروع Nimble. هذه البنية التحتية تعزز الاستخدام الواسع لتقنية الذكاء الاصطناعي في نظام Web3 البيئي.
الطبقة الوسطى:
هذه الطبقة تتعلق ببيانات الذكاء الاصطناعي والنماذج والاستدلال والتحقق، واستخدام تقنية Web3 يمكن أن يحقق كفاءة أعلى في العمل.
البيانات: تعتبر جودة وكمية البيانات من العوامل الرئيسية التي تؤثر على فعالية تدريب النموذج. في عالم Web3، يمكن تحسين استخدام الموارد وتقليل تكاليف البيانات من خلال بيانات الحشود ومعالجة البيانات التعاونية. يمكن للمستخدمين امتلاك حقوق بياناتهم، وبيع بياناتهم في ظل حماية الخصوصية، لتجنب سرقة البيانات من قبل تجار غير أخلاقيين وتحقيق أرباح كبيرة. بالنسبة لجهات الطلب على البيانات، توفر هذه المنصات مجموعة واسعة من الخيارات وتكاليف منخفضة للغاية. تشمل المشاريع الممثلة مثل Grass التي تستخدم عرض النطاق الترددي للمستخدمين لجمع بيانات الويب، وxData التي تجمع معلومات الوسائط من خلال مكونات إضافية سهلة الاستخدام، وتدعم رفع معلومات التغريدات من قبل المستخدمين.
بالإضافة إلى ذلك، تسمح بعض المنصات للخبراء في المجالات أو المستخدمين العاديين بتنفيذ مهام معالجة البيانات المسبقة، مثل وضع علامات على الصور وتصنيف البيانات، وهذه المهام قد تتطلب معرفة متخصصة في معالجة بيانات المهام المالية والقانونية، حيث يمكن للمستخدمين تحويل مهاراتهم إلى رموز، مما يتيح التعاون في معالجة البيانات المسبقة من خلال الحشد. تمثل مثل سوق الذكاء الاصطناعي Sahara AI، التي تحتوي على مهام بيانات من مجالات مختلفة، ويمكن أن تغطي سيناريوهات بيانات متعددة المجالات؛ بينما يقوم بروتوكول AIT بوضع علامات على البيانات من خلال التعاون بين الإنسان والآلة.
النموذج: في عملية تطوير الذكاء الاصطناعي التي تم ذكرها سابقًا، تحتاج أنواع مختلفة من المتطلبات إلى مطابقة النموذج المناسب. النماذج الشائعة المستخدمة في مهام الصور مثل CNN و GAN، بينما يمكن اختيار سلسلة Yolo لمهام الكشف عن الأهداف، أما بالنسبة لمهام النصوص، فالنماذج الشائعة تشمل RNN و Transformer، بالطبع هناك أيضًا بعض النماذج الكبيرة المحددة أو العامة. تختلف أعماق النماذج المطلوبة حسب تعقيد المهام المختلفة، وأحيانًا يتطلب الأمر ضبط النموذج.
تدعم بعض المشاريع المستخدمين في تقديم أنواع مختلفة من النماذج أو التعاون في تدريب النماذج عبر الحشد، مثل Sentient التي من خلال تصميمها المعياري، تسمح للمستخدمين بوضع بيانات النماذج الموثوقة في طبقة التخزين وطبقة التوزيع لتحسين النماذج، وتوفر أدوات تطوير Sahara AI خوارزميات AI متقدمة وإطار عمل حسابي، ولديها القدرة على التدريب التعاوني.
الاستدلال والتحقق: بعد تدريب النموذج، سيتم إنشاء ملفات أوزان النموذج، والتي يمكن استخدامها مباشرة في التصنيف أو التنبؤ أو مهام محددة أخرى، وتسمى هذه العملية الاستدلال. عادة ما يصاحب عملية الاستدلال آلية تحقق للتحقق من صحة مصدر نموذج الاستدلال وما إذا كان هناك سلوك ضار. يمكن أن يتكامل استدلال Web3 عادة في العقود الذكية، من خلال استدعاء النموذج للقيام بالاستدلال، وتشمل طرق التحقق الشائعة تقنيات مثل ZKML و OPML و TEE. تشمل المشاريع الممثلة مثل Oracle AI على سلسلة ORA (OAO)، التي قدمت OPML كطبقة قابلة للتحقق ل Oracle AI، كما تم ذكر أبحاثهم حول ZKML و opp/ai (دمج ZKML مع OPML) في الموقع الرسمي لـ ORA.
طبقة التطبيق:
هذه الطبقة موجهة مباشرة للمستخدمين، حيث تجمع بين الذكاء الاصطناعي و Web3، مما يخلق المزيد من الطرق المثيرة والمبتكرة للعب. تركز هذه المقالة بشكل رئيسي على تنظيم المشاريع في عدة مجالات مثل AIGC (المحتوى الذي تم إنشاؤه بواسطة الذكاء الاصطناعي)، الوكلاء الذكيين وتحليل البيانات.
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 23
أعجبني
23
7
مشاركة
تعليق
0/400
HodlKumamon
· 07-15 14:22
المشاريع كلها في ذكاء اصطناعي، لقد تعبت من مشاهدتها يا مياو~
شاهد النسخة الأصليةرد0
Ser_APY_2000
· 07-15 10:58
هذه الموجة من الويب 3 ودمج الذكاء الاصطناعي جاءت قوية جداً. لا أعلم إذا كانت مجرد ضجة حول الموضوع أم يمكنهم فعل شيء حقيقي.
شاهد النسخة الأصليةرد0
GateUser-40edb63b
· 07-15 06:27
مرة أخرى، هي وثيقة PPT فخ تحتوي على مجموعة من المشاهد
شاهد النسخة الأصليةرد0
LiquidityWhisperer
· 07-13 07:54
趁着AI还火快来 خداع الناس لتحقيق الربح一波 حمقى
شاهد النسخة الأصليةرد0
LayoffMiner
· 07-13 07:52
هنا يتحدث عن من يمكنه التغلب على هوانغ الكبير الذي يبيع بطاقات الرسوم.
شاهد النسخة الأصليةرد0
SleepyArbCat
· 07-13 07:51
呼呼~总算醒了 ai又来 خِداع الناس لتحقيق الربح了嘛
شاهد النسخة الأصليةرد0
DefiEngineerJack
· 07-13 07:33
*اه* دورة جديدة من الضجة حول الويب 3-الذكاء الاصطناعي... يظهر لي الكود الثنائي الفعلي أو أنه مجرد دعاية فارغة
مشهد Web3-AI: تحليل عميق للمنطق التكنولوجي، سيناريوهات التطبيق والمشاريع الرائدة
تقرير شامل عن مسار Web3-AI: تحليل عميق للمنطق التكنولوجي، تطبيقات المشهد، والمشاريع الرائدة
مع استمرار تسارع السرد المدعوم بالذكاء الاصطناعي، تتزايد الأضواء المسلطة على هذا المجال. تم إجراء تحليل متعمق للمنطق التقني، وسيناريوهات التطبيق، والمشاريع الممثلة في مجال Web3-AI، لتقديم عرض شامل لكامل هذا المجال واتجاهات تطوره.
١. Web3-AI: تحليل المنطق التكنولوجي وفرص السوق الناشئة
1.1 منطق دمج Web3 و AI: كيف نحدد مسار Web-AI
على مدار العام الماضي، كانت السرديات المدعومة بالذكاء الاصطناعي مزدهرة بشكل استثنائي في صناعة Web3، حيث ظهرت مشاريع الذكاء الاصطناعي كالفطر بعد المطر. على الرغم من وجود العديد من المشاريع التي تتضمن تقنية الذكاء الاصطناعي، إلا أن بعض المشاريع تستخدم الذكاء الاصطناعي فقط في بعض أجزاء منتجاتها، ولا توجد علاقة جوهرية بين الاقتصاد الرمزي الأساسي ومنتجات الذكاء الاصطناعي، وبالتالي فإن هذه المشاريع لا تقع ضمن مناقشة مشاريع Web3-AI في هذه المقالة.
تركز هذه المقالة على استخدام blockchain لحل مشاكل علاقات الإنتاج، ومشاريع AI التي تحل مشاكل الإنتاجية. توفر هذه المشاريع نفسها منتجات AI، وفي نفس الوقت تعتمد على نموذج الاقتصاد Web3 كأداة لعلاقات الإنتاج، حيث يكمل كل منهما الآخر. نصنف هذه المشاريع في مسار Web3-AI. لتسهيل فهم القراء لمسار Web3-AI، سنقوم بتقديم عرض لعملية تطوير AI والتحديات المرتبطة بها، بالإضافة إلى كيف يمكن لدمج Web3 و AI أن يحل المشاكل بشكل مثالي ويخلق سيناريوهات تطبيق جديدة.
1.2 عملية تطوير الذكاء الاصطناعي والتحديات: من جمع البيانات إلى استنتاج النموذج
تكنولوجيا الذكاء الاصطناعي هي تقنية تمكّن الحواسيب من محاكاة وتوسيع وتعزيز الذكاء البشري. إنها تتيح للحواسيب تنفيذ مجموعة متنوعة من المهام المعقدة، من ترجمة اللغات، وتصنيف الصور، إلى التعرف على الوجوه، والقيادة الذاتية، وغيرها من تطبيقات المشهد، فإن الذكاء الاصطناعي يُحدث تغييرًا في طريقة حياتنا وعملنا.
تتضمن عملية تطوير نماذج الذكاء الاصطناعي عادةً الخطوات الرئيسية التالية: جمع البيانات ومعالجة البيانات، اختيار النموذج وضبطه، تدريب النموذج واستنتاجه. على سبيل المثال، لتطوير نموذج لتصنيف صور القطط والكلاب، تحتاج إلى:
جمع البيانات ومعالجة البيانات: جمع مجموعة بيانات تحتوي على صور للقطط والكلاب، يمكن استخدام مجموعة بيانات عامة أو جمع بيانات حقيقية بنفسك. ثم قم بتمييز كل صورة بفئة (قط أو كلب)، وتأكد من أن العلامات دقيقة. تحويل الصور إلى صيغة يمكن للنموذج التعرف عليها، تقسيم مجموعة البيانات إلى مجموعة تدريب ومجموعة تحقق ومجموعة اختبار.
اختيار النموذج وضبطه: اختيار النموذج المناسب، مثل الشبكات العصبية التلافيفية (CNN)، التي تناسب مهام تصنيف الصور. ضبط معلمات النموذج أو الهيكل وفقًا للاحتياجات المختلفة، عمومًا، يمكن تعديل مستويات الشبكة للنموذج حسب تعقيد مهمة الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون المستويات الشبكية السطحية كافية.
تدريب النموذج: يمكن استخدام GPU أو TPU أو مجموعات الحوسبة عالية الأداء لتدريب النموذج، ويؤثر وقت التدريب على تعقيد النموذج وقدرة الحوسبة.
استنتاج النموذج: تُعرف الملفات المدربة للنموذج عادةً بأوزان النموذج، وعملية الاستنتاج تشير إلى استخدام النموذج المدرب مسبقًا للتنبؤ أو تصنيف بيانات جديدة. في هذه العملية، يمكن استخدام مجموعة الاختبار أو بيانات جديدة لاختبار فعالية تصنيف النموذج، وعادةً ما يتم تقييم فعالية النموذج باستخدام مؤشرات مثل الدقة، ومعدل الاسترجاع، وF1-score.
كما هو موضح في الشكل، بعد جمع البيانات ومعالجة البيانات المسبقة، واختيار النموذج وتحسينه، سيتم إجراء الاستدلال على مجموعة الاختبار باستخدام النموذج المدرب للحصول على قيم التنبؤ للقطط والكلاب P (احتمالية)، أي أن النموذج استنتج أنه قطة أو كلب.
يمكن دمج نماذج الذكاء الاصطناعي المدربة بشكل أكبر في مجموعة متنوعة من التطبيقات لأداء مهام مختلفة. في هذا المثال، يمكن دمج نموذج الذكاء الاصطناعي لتصنيف القطط والكلاب في تطبيق الهاتف المحمول، حيث يرفع المستخدم صورة لقط أو كلب، ليحصل على نتائج التصنيف.
ومع ذلك، فإن عملية تطوير الذكاء الاصطناعي المركزية تواجه بعض المشكلات في السيناريوهات التالية:
خصوصية المستخدم: في السيناريوهات المركزية، عادة ما تكون عملية تطوير الذكاء الاصطناعي غير شفافة. قد يتم سرقة بيانات المستخدم دون علمهم واستخدامها في تدريب الذكاء الاصطناعي.
الحصول على بيانات المصدر: قد تواجه الفرق الصغيرة أو الأفراد قيودًا على عدم انفتاح البيانات عند الحصول على بيانات في مجالات معينة (مثل البيانات الطبية).
اختيار النموذج وتحسينه: من الصعب على الفرق الصغيرة الحصول على موارد نماذج محددة أو إنفاق تكاليف كبيرة لتحسين النماذج.
الحصول على قوة الحوسبة: بالنسبة للمطورين الأفراد والفرق الصغيرة، قد تشكل تكاليف شراء وحدات معالجة الرسوميات العالية وتكاليف استئجار قوة الحوسبة السحابية عبئًا اقتصاديًا كبيرًا.
إيرادات أصول الذكاء الاصطناعي: غالبًا ما لا يتمكن عمال توضيح البيانات من الحصول على إيرادات تتناسب مع جهودهم، كما أن نتائج أبحاث مطوري الذكاء الاصطناعي يصعب مطابقتها مع المشترين الذين لديهم طلب.
يمكن التغلب على التحديات الموجودة في مشهد الذكاء الاصطناعي المركزي من خلال دمجه مع Web3، حيث أن Web3 كعلاقة إنتاج جديدة يتكيف بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل قوة إنتاج جديدة، مما يدفع إلى التقدم المتزامن في التكنولوجيا والقدرات الإنتاجية.
1.3 التآزر بين Web3 و AI: تحول الأدوار وتطبيقات مبتكرة
يمكن أن يعزز الجمع بين Web3 و AI سيادة المستخدم، ويوفر منصة تعاون مفتوحة للذكاء الاصطناعي للمستخدمين، مما يُحوّل المستخدمين من مستخدمي الذكاء الاصطناعي في عصر Web2 إلى مشاركين، مما يُمكن الجميع من امتلاك الذكاء الاصطناعي. في الوقت نفسه، يمكن أن يؤدي دمج عالم Web3 مع تقنيات الذكاء الاصطناعي إلى ظهور المزيد من تطبيقات مبتكرة وسيناريوهات لعب.
استنادًا إلى تقنية Web3 ، ستشهد تطوير وتطبيق الذكاء الاصطناعي نظامًا جديدًا للاقتصاد التعاوني. ستُحافظ خصوصية بيانات الأفراد، ويعزز نموذج جمع البيانات تقدم نماذج الذكاء الاصطناعي، وستكون هناك العديد من الموارد المفتوحة للذكاء الاصطناعي المتاحة للاستخدام من قبل المستخدمين، ويمكن الحصول على قوة الحوسبة المشتركة بتكلفة منخفضة. من خلال آلية التعاون اللامركزية ونموذج السوق المفتوح للذكاء الاصطناعي، يمكن تحقيق نظام عادل لتوزيع الدخل، مما يحفز المزيد من الأشخاص على دفع تقدم تقنية الذكاء الاصطناعي.
في مشهد Web3، يمكن أن يكون لـ AI تأثير إيجابي في مجالات متعددة. على سبيل المثال، يمكن دمج نماذج AI في العقود الذكية، مما يعزز من كفاءة العمل في سيناريوهات تطبيقية مختلفة، مثل تحليل السوق، الفحص الأمني، التجمعات الاجتماعية وغيرها من الوظائف المتنوعة. يمكن لـ AI التوليدي أن يجعل المستخدمين يشعرون بدور "الفنان"، مثل استخدام تقنية AI لإنشاء NFT الخاصة بهم، كما يمكن أن يخلق مشاهد ألعاب متنوعة وتجارب تفاعلية ممتعة في GameFi. توفر البنية التحتية الغنية تجربة تطوير سلسة، سواء لمتخصصي AI أو للمبتدئين الذين يرغبون في دخول مجال AI، حيث يمكنهم العثور على مدخل مناسب في هذا العالم.
ثانياً، خريطة مشروع Web3-AI والهيكل المعماري
لقد قمنا بدراسة 41 مشروعًا في مجال Web3-AI وقمنا بتقسيم هذه المشاريع إلى مستويات مختلفة. منطق تقسيم كل مستوى موضح في الشكل أدناه، ويشمل مستوى البنية التحتية، والمستوى الوسيط، ومستوى التطبيقات، حيث ينقسم كل مستوى إلى قطاعات مختلفة. في الفصل التالي، سنقوم بإجراء تحليل عميق لبعض المشاريع التمثيلية.
تغطي طبقة البنية التحتية الموارد الحاسوبية والهياكل التقنية التي تدعم تشغيل دورة حياة الذكاء الاصطناعي بالكامل، بينما تشمل الطبقة الوسطى إدارة البيانات وخدمات تطوير النماذج والتحقق من الاستدلال التي تربط البنية التحتية بالتطبيقات، وتركز الطبقة التطبيقية على أنواع التطبيقات والحلول الموجهة مباشرةً للمستخدمين.
طبقة البنية التحتية:
طبقة البنية التحتية هي أساس دورة حياة الذكاء الاصطناعي، ويصنف هذا المقال قوة الحوسبة و AI Chain ومنصة التطوير كطبقة بنية تحتية. بفضل دعم هذه البنية التحتية، يمكن تدريب نماذج الذكاء الاصطناعي واستنتاجها، وتقديم تطبيقات ذكاء اصطناعي قوية وعملية للمستخدمين.
شبكة حسابات لامركزية: يمكن أن توفر قوة حوسبة موزعة لتدريب نماذج الذكاء الاصطناعي، مما يضمن استخدام موارد حسابية فعالة واقتصادية. بعض المشاريع توفر سوقًا لامركزيًا للحوسبة، حيث يمكن للمستخدمين استئجار قوة الحوسبة بتكلفة منخفضة أو مشاركة القوة للحصول على عائدات، ومن المشاريع الممثلة IO.NET و Hyperbolic. بالإضافة إلى ذلك، استنبطت بعض المشاريع طرق لعب جديدة، مثل Compute Labs، التي اقترحت بروتوكولًا موحدًا، حيث يمكن للمستخدمين من خلال شراء NFT تمثل كيان GPU المشاركة بطرق مختلفة في تأجير القوة للحصول على عائدات.
AI Chain: يستخدم blockchain كأساس لدورة حياة الذكاء الاصطناعي، لتحقيق تفاعل سلس بين موارد الذكاء الاصطناعي على السلسلة وخارجها، مما يعزز تطوير النظام البيئي في الصناعة. يمكن لسوق الذكاء الاصطناعي اللامركزي على السلسلة تداول أصول الذكاء الاصطناعي مثل البيانات والنماذج والوكلاء، ويقدم إطار عمل لتطوير الذكاء الاصطناعي وأدوات تطوير مصاحبة، مثل مشروع Sahara AI. يمكن أن يعزز AI Chain أيضًا التقدم في تقنيات الذكاء الاصطناعي في مجالات مختلفة، مثل Bittensor التي تعزز المنافسة بين أنواع مختلفة من الشبكات الفرعية من خلال آلية تحفيز مبتكرة.
منصة التطوير: بعض المشاريع تقدم منصة تطوير وكلاء الذكاء الاصطناعي، ويمكنها أيضًا تنفيذ تداول وكلاء الذكاء الاصطناعي، مثل Fetch.ai و ChainML وغيرها. أدوات شاملة تساعد المطورين على إنشاء وتدريب ونشر نماذج الذكاء الاصطناعي بشكل أكثر سهولة، مثل مشروع Nimble. هذه البنية التحتية تعزز الاستخدام الواسع لتقنية الذكاء الاصطناعي في نظام Web3 البيئي.
الطبقة الوسطى:
هذه الطبقة تتعلق ببيانات الذكاء الاصطناعي والنماذج والاستدلال والتحقق، واستخدام تقنية Web3 يمكن أن يحقق كفاءة أعلى في العمل.
بالإضافة إلى ذلك، تسمح بعض المنصات للخبراء في المجالات أو المستخدمين العاديين بتنفيذ مهام معالجة البيانات المسبقة، مثل وضع علامات على الصور وتصنيف البيانات، وهذه المهام قد تتطلب معرفة متخصصة في معالجة بيانات المهام المالية والقانونية، حيث يمكن للمستخدمين تحويل مهاراتهم إلى رموز، مما يتيح التعاون في معالجة البيانات المسبقة من خلال الحشد. تمثل مثل سوق الذكاء الاصطناعي Sahara AI، التي تحتوي على مهام بيانات من مجالات مختلفة، ويمكن أن تغطي سيناريوهات بيانات متعددة المجالات؛ بينما يقوم بروتوكول AIT بوضع علامات على البيانات من خلال التعاون بين الإنسان والآلة.
تدعم بعض المشاريع المستخدمين في تقديم أنواع مختلفة من النماذج أو التعاون في تدريب النماذج عبر الحشد، مثل Sentient التي من خلال تصميمها المعياري، تسمح للمستخدمين بوضع بيانات النماذج الموثوقة في طبقة التخزين وطبقة التوزيع لتحسين النماذج، وتوفر أدوات تطوير Sahara AI خوارزميات AI متقدمة وإطار عمل حسابي، ولديها القدرة على التدريب التعاوني.
طبقة التطبيق:
هذه الطبقة موجهة مباشرة للمستخدمين، حيث تجمع بين الذكاء الاصطناعي و Web3، مما يخلق المزيد من الطرق المثيرة والمبتكرة للعب. تركز هذه المقالة بشكل رئيسي على تنظيم المشاريع في عدة مجالات مثل AIGC (المحتوى الذي تم إنشاؤه بواسطة الذكاء الاصطناعي)، الوكلاء الذكيين وتحليل البيانات.