كيف تصبح AIGC محرك إنتاجية Web3: تفسير كامل من الاختراقات التقنية إلى التطبيق التجاري

الذكاء الاصطناعي لإنشاء المحتوى (AIGC) أصبح أحد أدوات الإنتاجية الأكثر ثورية في العصر الرقمي. منذ عام 2022، شهدت صناعة التكنولوجيا العالمية نمواً هائلاً في هذا المجال، مع ظهور العديد من الشركات unicorn وتدفقات تمويل بمليارات الدولارات، مما يؤكد الإمكانات الهائلة لمسار AIGC الجديد. مع التقدم التدريجي لعصر Web3، لا يتحمل AIGC مسؤولية إنتاج المحتوى فحسب، بل يجب أن يصبح محركًا مركزيًا لربط العالم الافتراضي والحقيقي، ودفع ترقية الاقتصاد الرقمي.

وراء انفجار AIGC: تقدم تقني وفرص سوقية تتزامن

لقد ركزت رؤوس الأموال المغامرة في وادي السيليكون على مجال الذكاء الاصطناعي التوليدي، خاصة في مجال الإبداع الفني باستخدام AI. خلال السنوات الماضية، ارتقت العديد من الشركات الناشئة بسرعة لتصبح شركات unicorn، متجاوزة قيمة المليار دولار، وجذبت اهتمام مؤسسات استثمارية رائدة مثل Sequoia وCoatue وLightspeed Venture Partners.

تشكّل موجة AIGC الحالية من ثلاثة عوامل رئيسية: أولاً، استمرارية تطور خوارزميات التعلم العميق التي توفر الدعم التقني؛ ثانيًا، الطلب المتزايد بشكل أسي على المحتوى في مجالات الفيديو القصير، الألعاب، والإعلانات؛ ثالثًا، أن هذا المسار لا يزال في مراحله المبكرة، حيث تسيطر شركات التكنولوجيا الكبرى على جزء من النفوذ، لكن الشركات الناشئة لا تزال تملك فرصًا لتحقيق اختراقات في مجالات متخصصة.

مع دخول عصر Web3.0، ستؤدي دمج الذكاء الاصطناعي، البيانات المرتبطة، والشبكة الدلالية إلى إنشاء شبكة متكاملة بين الإنسان والآلة. الطرق التقليدية لإنتاج المحتوى مثل PGC (المحتوى المهني) وUGC (محتوى المستخدم) لم تعد قادرة على تلبية الطلب المتزايد بسرعة. وُجد AIGC ليكون الركن الثالث لإنتاج المحتوى في العصر الجديد، وسيحدث ثورة في صناعات الفيديو القصير، الألعاب، والإعلانات، ويغير بشكل جذري أنماط السوق الحالية.

فهم AIGC: من معالجة اللغة الطبيعية إلى نظرة شاملة على خوارزميات التوليد

معالجة اللغة الطبيعية: جسر الحوار بين الإنسان والآلة

ظهور معالجة اللغة الطبيعية (NLP) يمثل تحولًا جذريًا في طريقة تفاعل الإنسان مع الحاسوب. فهي تدمج بين اللغويات، علوم الحاسوب، والرياضيات، لتمكين الآلات من فهم اللغة الطبيعية، استخراج المعلومات، الترجمة التلقائية، والتحليل. هذا يمثل قفزة نوعية في تطور AI — قبل ظهور NLP، كان الإنسان يتواصل مع الحاسوب عبر أوامر ثابتة.

تاريخيًا، اقترح آلان تورينج في ورقته عام 1950 “الآلات الذكية والحساب” اختبار تورينج الشهير، الذي يتضمن عنصرين رئيسيين: الترجمة الحاسوبية والمعالجة اللغوية التوليدية. بعد ذلك، انقسم مجال NLP إلى اتجاهين رئيسيين:

فهم اللغة الطبيعية (NLU) يهدف إلى تمكين الحاسوب من فهم اللغة بمستوى بشري. نظرًا لتعدد معاني اللغة، غموضها، واعتمادها على السياق، يواجه الحاسوب تحديات كبيرة في الفهم. تطور NLU مرّ عبر منهجيات قائمة على القواعد، ثم إحصائية، وأخيرًا إلى نماذج تعتمد على التعلم العميق.

توليد اللغة الطبيعية (NLG) يحول البيانات غير اللغوية إلى شكل مفهوم وسلس للبشر، مثل كتابة المقالات، توليد التقارير. تطور NLG من التوصيل البسيط للبيانات، إلى أنماط تعتمد على القوالب، وصولًا إلى أنظمة NLG المتقدمة التي تفهم النية، تأخذ السياق بعين الاعتبار، وتنتج محتوى طبيعيًا وسلسًا.

تم تطبيق تقنيات NLP على أربع مجالات رئيسية: تحليل المشاعر لمساعدة الشركات على فهم الرأي العام بسرعة؛ روبوتات الدردشة مع انتشار المساعدات المنزلية الذكية؛ التعرف على الصوت لتسهيل التفاعل بين الإنسان والآلة؛ والترجمة الآلية التي شهدت تحسينات كبيرة في السنوات الأخيرة، وأصبحت تدعم ترجمة المحتوى المرئي عبر لغات متعددة.

التقدم التقني الأساسي يأتي من تطور الشبكات العصبية. في 2017، قدمت Google نموذج Transformer الذي حل محل شبكات الذاكرة طويلة وقصيرة المدى (LSTM) وRNN، وأصبح الخيار المفضل في NLP. ميزة Transformer في التوازي في التدريب على مجموعات بيانات أكبر، أدى إلى ظهور نماذج مثل BERT وGPT، التي تعتمد على تدريب واسع على مصادر مثل ويكيبيديا وCommon Crawl، ويمكن تعديلها لمهام محددة.

خوارزميات التوليد: من GAN إلى نماذج الانتشار

القيادة الأساسية لـ AIGC تأتي من تطور خوارزميات التوليد. تشمل النماذج السائدة حاليًا: الشبكات التوليدية التنافسية (GAN)، المشفرات التلقائية ذات التوزيع المتغير (VAE)، نماذج التدفق المعياري (NFs)، النماذج التراجعية (AR)، ونماذج الانتشار (Diffusion Models).

الشبكات التوليدية التنافسية (GAN) اقترحها الباحث Ian J. Goodfellow عام 2014، وتتميز بآلية تدريب تنافسية. تتكون من شبكتين: مولد ومميز، حيث يحاول المولد إنتاج بيانات “مزيفة” ومحاولة خداع المميز، الذي يهدف إلى التمييز بين الحقيقي والمزيف. يتطوران معًا حتى يصلان إلى توازن.

ميزة GAN أنها تستطيع نمذجة توزيع البيانات بشكل جيد، دون الحاجة لحساب حدود variational معقدة. لكن، من ناحية أخرى، تدريبها صعب وغير مستقر، ويحتاج المولد والمميز إلى تصميم دقيق لمزامنة التطور، وغالبًا ما تظهر مشكلة “انهيار النموذج” حيث يتوقف المولد عن التعلم ويكرر نفس العينات.

نماذج الانتشار (Diffusion Models) تمثل اتجاهًا جديدًا في خوارزميات التوليد. تعمل بشكل أقرب إلى الإدراك البشري — عبر إضافة ضوضاء غاوس تدريجيًا إلى البيانات أثناء التدريب، ثم تعلم عملية عكسية لاستعادة البيانات. بعد التدريب، يمكن توليد بيانات جديدة عبر تمرير ضوضاء عشوائية من خلال عملية إزالة الضوضاء المدربة.

مقارنة بـ GAN، تتمتع نماذج الانتشار بمزايا عديدة: جودة الصور الناتجة أعلى، ولا تتطلب تدريبًا تنافسيًا، مما يحسن كفاءة التدريب؛ وتتميز بقابلية توسعة عالية وتوازي في الأداء. بفضل هذه المزايا، أصبحت نماذج الانتشار التقنية الرائدة في توليد الصور في الجيل القادم.

على سبيل المثال، نموذج DALL-E يمكنه توليد صور مباشرة من النصوص، وهو إنجاز كان يقتصر سابقًا على البشر. منطق عمل نماذج الانتشار هو: المستخدم يقدم وصفًا نصيًا، والنظام عبر مشفر النصوص يترجم النص إلى فضاء الصورة، ثم عبر نموذج “مسبق” يوجه التشفير إلى مشفر الصورة، وأخيرًا بواسطة مشفر الصورة يُولد بشكل عشوائي تمثيلًا بصريًا يتوافق مع المعنى. هذه العملية تشبه بشكل كبير عملية التخيل البشرية.

المشفر النصي السائد حاليًا هو نموذج CLIP من OpenAI، الذي تم تدريبه على 4 مليارات زوج من الصور والنصوص عالية الجودة. يطرح ذلك تحديًا عميقًا: مجموعات البيانات النصية-الصورية عالية الجودة غالبًا باللغة الإنجليزية فقط، بينما أنظمة AIGC بلغات أخرى غالبًا تحتاج إلى ترجمة مسبقة، وهو ما يشتمل على فهم دلالي، فروقات ثقافية، وتعقيدات أخرى، مما يصعب تحقيق دقة عالية.

الحوسبة: البنية التحتية لـ AIGC

بالإضافة إلى الابتكار في الخوارزميات، تعتبر القدرة الحاسوبية والبنية التحتية من العناصر الأساسية. تدريب واستنتاج AIGC يتطلبان قدرًا هائلًا من الحسابات، ولا يمكن للحواسيب العادية تلبية ذلك. الحل الحالي هو استخدام مجموعات حوسبة مكونة من وحدات GPU عالية الأداء مثل NVIDIA A100. على سبيل المثال، يعتمد تشغيل Stable Diffusion على 4000 وحدة GPU من نوع A100، وتكلفته التشغيلية تتجاوز 50 مليون دولار. مع توسع تطبيقات AIGC، ستزداد الحاجة إلى القدرة الحاسوبية، وقد تتيح السياسات التصديرية الحالية لبعض الشركات المحلية فرصة سوقية إضافية.

النصوص، الصور، الفيديو، الكود: كيف يعيد AIGC تشكيل إنتاج المحتوى

الإبداع النصي: رائد التحول التجاري

تطبيقات AIGC في مجال النصوص أصبحت ناضجة تجاريًا. Jasper هو مثال نموذجي — تأسست في 2021، حصلت خلال عامين على تمويل بقيمة 125 مليون دولار، وتجاوزت قيمتها 1.5 مليار دولار، وتخدم أكثر من 70 ألف عميل، من بينهم Airbnb وIBM.

الوظيفة الأساسية لـ Jasper هي مساعدة المستخدمين على توليد أنواع مختلفة من المحتوى بسرعة باستخدام AI: مقالات مدونة محسنة لتحسين محركات البحث، منشورات وسائل التواصل الاجتماعي، نصوص إعلانية، رسائل تسويقية، وغيرها. يكفي أن يدخل المستخدم وصفًا موجزًا ومتطلبات، ليقوم النظام بجمع البيانات ذات الصلة وبتوليف المحتوى وفقًا للأوامر. وفقًا للمعلومات الرسمية، حققت Jasper إيرادات بقيمة 40 مليون دولار في 2021، مع تقديرات تصل إلى 90 مليون دولار.

هذه الشركات تقدم خدمات AIGC غالبًا بنموذج SaaS، وتوفر مئات القوالب للمحتوى لزيادة كفاءة الإنتاج بشكل كبير.

الإبداع التصويري: ديمقراطية الفن

ظهور منصات مثل MidJourney وDALL-E قلل بشكل كبير من عتبة إنشاء الفن الرقمي. يكفي أن يدخل المستخدم وصفًا نصيًا، ليقوم النظام تلقائيًا بإنشاء صورة أصلية. المنطق وراء ذلك هو: عبر NLP، يتعرف النظام على دلالات النص، ويحولها إلى لغة حاسوبية، ويجمعها مع مجموعات البيانات (غالبًا من مواد خاصة أو من الإنترنت ذات حقوق ملكية)، ليخلق عملًا فنيًا جديدًا.

نظرًا لأن الصور الناتجة تعتبر من إبداع الذكاء الاصطناعي، فهي تتجنب قضايا حقوق النشر، وتُستخدم على نطاق واسع في وسائل الإعلام، والمنصات الاجتماعية، وإنتاج المحتوى. بعض منشئي مجموعات البيانات أصبحوا يستخدمون AIGC لإنشاء مواد وتحقيق أرباح عبر الجمهور الخاص.

مؤخرًا، أبرمت شركة OpenAI تعاونًا استراتيجيًا مع Shutterstock، أحد أكبر مزودي الصور ذات حقوق النشر، لبيع الصور التي تم إنشاؤها بواسطة DALL-E بشكل حصري، مما يدل على انتقال توليد الصور بالذكاء الاصطناعي من الاستخدامات الهامشية إلى التطبيقات التجارية السائدة.

بالإضافة إلى الرسم، يدعم AIGC أيضًا تحويل النص إلى صورة والعكس، وهو ذو قيمة عملية في مجالات مثل براءات الاختراع، الوثائق التقنية.

إنتاج الفيديو: من الفيديو القصير إلى الطويل

تُظهر تطبيقات AIGC في مجال الفيديو إمكانات أكبر بكثير. نموذج Phenaki من Google يمكنه توليد فيديوهات ذات مدة متغيرة استنادًا إلى النص، مقارنة بـ Imagen Video المخصص للفيديو القصير، يركز Phenaki على إنتاج فيديوهات طويلة، وفي بعض العروض، يمكن خلال دقائق قليلة إنتاج فيديو منطقي مترابط من نص مكون من مئات الكلمات.

تتضمن تطبيقات هذه التقنية توليد ممثلين افتراضيين لأداء تلقائي، حيث تتفوق على مجرد قراءة شخصية افتراضية، من حيث انتقال الكاميرا، التعبيرات، والحركات بشكل طبيعي. في المستقبل، يمكن أن تُستخدم في تغطية الأحداث الرياضية، التقارير المالية، وغيرها من المجالات، عبر توليد فيديوهات قصيرة مباشرة من النصوص، مع شخصيات افتراضية لتحقيق بث تلقائي كامل.

توليف الصوت: من المساعد إلى أداة إبداعية

تطبيقات الصوت في AIGC أصبحت جزءًا من الحياة اليومية. يمكن أن تتغير أصوات التنبيهات في الهواتف بين نجوم أو شخصيات كرتونية، عبر مكتبات صوتية مسجلة مسبقًا، وتدريب متكرر لتمكين النظام من التعبير عن أي محتوى باستخدام صوت معين. يمكن للمستخدمين أيضًا تسجيل حزم صوتية شخصية عبر تطبيقات مثل 高德地图.

وفي عمق أكثر، يُستخدم AIGC في مجال الشخصيات الافتراضية، حيث لا يقتصر الأمر على توليد أصوات الشخصيات الافتراضية، بل يمتد إلى إنتاج محتوى تعبيراتها، مما يمنح الشخصيات الافتراضية قدرات تعبيرية وشخصية قريبة من البشر.

تطوير الألعاب: اختراق في توليد المحتوى والتكلفة

تطبيقات AIGC في تطوير الألعاب تنقسم إلى اتجاهين: الأول، الاستخدام في بناء المشاهد والقصص تلقائيًا. الألعاب ذات العالم المفتوح تزداد شعبية، عبر توليد سريع للمشاهد والـNPC، مما يعزز الكفاءة ويخفض التكاليف. الثاني، توفير أدوات إبداعية للاعبين، لتمكينهم من إنشاء شخصيات افتراضية واستخدامها في أنشطة مثل جمع الموارد داخل اللعبة.

ألعاب مثل Delysium بدأت في إدخال هذه الوظائف، مما يشير إلى أن الألعاب ذات العالم المفتوح قد تقدم قصصًا وشخصيات فريدة لكل لاعب، مما يخلق تجارب غامرة جديدة.

توليد الكود: المساعد الذكي للمطورين

GitHub Copilot هو أداة توليد الكود المدعومة من GitHub وOpenAI، يمكنها اقتراح أكواد للمطورين استنادًا إلى تسميات أو سياق الكود أثناء التحرير. تعتمد على تدريب على مئات المليارات من الأسطر من الكود المفتوح على GitHub، وتدعم معظم لغات البرمجة، وأصبحت أداة مهمة لزيادة الإنتاجية.

التحديات الأساسية لـ AIGC والقيود التقنية

على الرغم من أن AIGC حققت تطبيقات تجارية في العديد من المجالات، إلا أن الدقة والجودة لا تزال تواجه تحديات واضحة. في توليد الصور، تظهر نتائج جيدة بشكل خاص في المحتوى ثنائي الأبعاد والخيالي، لكن في المشاهد الواقعية ذات التفاصيل الغنية، غالبًا ما تكون النتائج غير مرضية. المشاكل الشائعة تشمل:

عدم دقة التفاصيل: الصور المولدة لا تزال تفتقر إلى دقة التفاصيل الدقيقة مثل العيون، الأصابع، وغيرها، مما يعكس ضعف قدرة AIGC على التحكم في اللمسات الدقيقة.

انحراف الفهم المكاني: عند وصف عناصر متعددة في النص (مثل “جميلة مع قط فليبيني”)، قد تظهر أخطاء في تحديد المواقع، الأعداد، أو العلاقات المكانية، بسبب أخطاء في فهم المعنى اللغوي.

تفاوت الجودة بين المنصات: حتى مع إدخال النص نفسه، تختلف نتائج التوليد بشكل كبير بين منصات AIGC المختلفة، مما يدل على أن جودة النموذج، البيانات، والتدريب تؤثر بشكل كبير.

الأسباب العميقة لهذه المشاكل تشمل:

1. قيود فهم اللغة: أنظمة NLP الحالية لا تزال تخطئ في فهم العلاقات المكانية المعقدة، مما يؤدي إلى نتائج غير دقيقة عند توليد صور متعددة العناصر.

2. قيود البيانات: غالبًا ما تكون مجموعات البيانات النصية-الصورية عالية الجودة باللغة الإنجليزية فقط، بينما لغات أخرى تتطلب ترجمة، وهو ما يضيف تعقيدات في الفهم الدلالي، الثقافة، والعادات، ويصعب تحقيق دقة عالية. وفقًا لمصادر، حتى مع استخدام أدوات مثل CLIP المفتوحة، فإن النتائج تختلف بشكل كبير حسب لغة البيانات، وحقق فريق أجنبي باستخدام 20 مليار زوج نص-صورة نتائج مماثلة لـ CLIP.

3. اختيار الخوارزمية: نوع خوارزمية التوليد المستخدمة يؤثر بشكل كبير على جودة المحتوى.

4. جودة البيانات: جودة البيانات، التوافق مع المعايير، والتوجه الأسلوبي تؤثر بشكل مباشر على جودة المحتوى الناتج.

لتحقيق تطبيق تجاري فعال لـ AIGC، يتطلب الأمر تحسينات في فهم اللغة، نماذج الترجمة، خوارزميات التوليد، وجودة البيانات بشكل متزامن.

الركائز الثلاثة لتطوير AIGC في المستقبل: النماذج الكبيرة، البيانات الضخمة، القدرة الحاسوبية

بالنظر إلى التحديات التقنية الحالية، أصبح واضحًا أن الاتجاهات الأساسية لتطوير AIGC تشمل:

تحسين النماذج الكبيرة باستمرار

دمج نماذج اللغة الكبيرة مع مجموعات البيانات عالية الجودة أصبح أساسًا لبرمجيات AIGC. على سبيل المثال، نموذج CLIP من OpenAI يعتمد على 4 مليارات زوج من الصور والنصوص. حاليًا، يبحث القطاع عن تطوير نماذج موجهة خصيصًا للغات مختلفة، بحيث تكون أكثر تخصصًا، مما يرفع الدقة ويقلل من تكاليف التدريب.

جمع البيانات الضخمة وإدارتها

جودة البيانات تحدد جودة AIGC ونماذج الأعمال. المستقبل سيركز على بناء مجموعات بيانات ضخمة، متوافقة مع القوانين، وتحتوي على أنماط وأساليب محددة. كما أن بناء مجموعات بيانات عالية الجودة للغات غير الإنجليزية سيكون مهمة رئيسية.

البنية التحتية للقدرة الحاسوبية

القدرة الحاسوبية ستصبح أكثر أهمية في عصر AIGC. ستواصل الشركات استخدام الحوسبة السحابية، وربما تبني مجموعات حوسبة خاصة بها. مع قيود التصدير على شرائح NVIDIA عالية الأداء، قد تتيح السياسات المحلية فرصة سوقية إضافية.

فرص الاستثمار في AIGC: البرمجيات، الأجهزة، ومجموعات البيانات

من منظور استثماري، يمكن تقسيم سلسلة قيمة AIGC إلى ثلاثة مستويات:

البرمجيات: تشمل تقنيات NLP ونماذج التوليد، وتضم شركات مثل Google، Microsoft، iFlytek، وTuring.

الخوارزميات والنماذج: تشمل شركات مثل Meta، Baidu، BlueFocus، Visual China، Kunlun Wanwei. تملك هذه الشركات إما خوارزميات متقدمة أو موارد مواد وبيانات عالية الجودة.

الأجهزة: تشمل شركات مثل Lanke Technology، ZTE، NewEase، Tianfuzhi، Baoxin Software، Zhongji Xuchuang، التي توفر شرائح الحوسبة والبنية التحتية اللازمة لتشغيل AIGC.

البيانات: مجموعات البيانات عالية الجودة تحدد قدرة AIGC على تلبية متطلبات المحتوى في الميتافيرس وWeb3. الطلب على البيانات الملتزمة، عالية الجودة، والمتوافقة سيتزايد بسرعة، مما يفتح فرصًا استثمارية جديدة.

مراحل وتطلعات مستقبل AIGC

يعتقد الخبراء أن AIGC سيمر بثلاث مراحل رئيسية:

مرحلة المساعد: حيث يُستخدم AIGC كأداة مساعدة لتحسين إنتاج المحتوى وزيادة الكفاءة.

مرحلة التعاون: يظهر AIGC بشكل شخصيات افتراضية، ويتعايش مع البشر، ويصبح التعاون بين الإنسان والآلة هو القاعدة.

مرحلة الإبداع المستقل: حيث يُنتج AIGC محتوى عالي الجودة ودقيق بشكل مستقل، ويصبح كيانًا إبداعيًا مستقلًا.

مع تقدم هذه المراحل، من المتوقع أن يُحدث AIGC ثورة في نماذج إنتاج المحتوى الحالية، مع قدرة على إنتاج محتوى أصلي عالي الجودة بسرعة تصل إلى عشرات أو مئات الأضعاف بتكلفة أقل بكثير.

المخاطر والتحديات التنظيمية في التطور

يترافق النمو السريع لـ AIGC مع مخاطر عديدة:

مخاطر الابتكار التقني: قد يتأخر تطور تقنيات AIGC، خاصة في البنية التحتية الأساسية مثل الحواسيب الفائقة وشرائح الحوسبة، مما يحد من سرعة النمو.

مخاطر السياسات والتنظيم: لا تزال AIGC في مراحله المبكرة، ومن غير الواضح ما إذا كانت الدول ستصدر قوانين تتعلق بحقوق الملكية الفكرية، الأخلاقيات، والتنظيمات المتعلقة بنتاجات AIGC. هذا الفراغ القانوني يحمل مخاطر، ويبرز الحاجة إلى بناء نظام حوكمة بيانات منظم.

بالنظر إلى الثغرات القانونية الحالية، وعدم حل قضايا الأخلاق والإبداع بشكل كامل، فإن البيانات عالية الجودة والمتوافقة ستظل ضرورية لتدريب النماذج وإنتاج المحتوى. على شركات AIGC أن توازن بين التقدم التقني وإدارة البيانات والامتثال القانوني.

الخلاصة: مستقبل دمج AIGC مع Web3

تطور طرق إنتاج المحتوى من PGC إلى UGC ثم إلى AIGC يعكس استمرار التقدم. لن يقتصر AIGC على تجاوز حدود الإبداع البشري، بل سيصبح أداة رئيسية لدفع تطور Web3. عندما تتحد النماذج الكبيرة، البيانات الضخمة، والقدرة الحاسوبية بشكل كامل، سيعيد AIGC تشكيل منظومة المحتوى، ويدفع البشرية نحو عصر الميتافيرس الحقيقي.

بالنسبة للمستثمرين، فإن استراتيجيات توزيع البرمجيات، الأجهزة، ومجموعات البيانات أصبحت الركيزة الأساسية لاغتنام فرص AIGC. ولرواد الأعمال، لا تزال الابتكارات التطبيقية المتخصصة والمتنوعة فرصة واسعة للنمو. وللمستخدمين العاديين، يتكامل AIGC تدريجيًا في حياتهم اليومية وأعمالهم الإبداعية، ليصبح أداة ضرورية لزيادة الإنتاجية.

على مدى السنوات العشر القادمة، مدى تفاعل AIGC مع Web3، وتقنيات البلوك تشين، والأشخاص الافتراضيين، سيحدد مسار تطور الاقتصاد الرقمي بأكمله.