دمج Web3 و AI: بناء بنية الإنترنت التحتية للجيل التالي
تعتبر Web3 كنوع من الإنترنت الجديد الذي يتميز باللامركزية والانفتاح والشفافية، لديها فرصة طبيعية للاندماج مع الذكاء الاصطناعي. في الإطار التقليدي المركزي، يتم التحكم بدقة في حسابات الذكاء الاصطناعي وموارد البيانات، مما يؤدي إلى وجود تحديات عديدة مثل اختناقات القدرة الحاسوبية، وإفشاء الخصوصية، وصناديق البيانات السوداء. بينما تستند Web3 إلى التقنيات الموزعة، يمكنها من خلال مشاركة شبكة القدرة الحاسوبية، وسوق البيانات المفتوحة، والحسابات الخاصة، أن تضخ قوة 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 يساعد على بناء بيئتها. لذلك، فإن استكشاف دمج Web3 مع الذكاء الاصطناعي يعد أمرًا بالغ الأهمية لبناء بنية تحتية للإنترنت من الجيل التالي، وإطلاق قيمة البيانات والقدرة الحاسوبية.
مدعوم بالبيانات: الأساس المتين للذكاء الاصطناعي وWeb3
البيانات هي القوة الدافعة الأساسية لتطور الذكاء الاصطناعي، تمامًا كما هو الحال مع الوقود للمحرك. تحتاج نماذج الذكاء الاصطناعي إلى استيعاب كميات كبيرة من البيانات عالية الجودة للحصول على فهم عميق وقدرة استدلال قوية، فالبيانات لا توفر فقط الأساس للتدريب لنماذج التعلم الآلي، بل تحدد أيضًا دقة وموثوقية النماذج.
في نمط الحصول على البيانات واستخدامها في الذكاء الاصطناعي المركزي التقليدي، توجد عدة مشكلات رئيسية:
تكلفة الحصول على البيانات مرتفعة، مما يجعل من الصعب على الشركات الصغيرة والمتوسطة تحملها
تسيطر عمالقة التكنولوجيا على موارد البيانات ، مما يؤدي إلى إنشاء جزر بيانات
تواجه خصوصية البيانات الشخصية مخاطر التسرب والإساءة
يمكن لـ Web3 حل نقاط الألم في النماذج التقليدية من خلال نموذج بيانات لامركزي جديد:
يمكن للمستخدمين بيع الشبكة غير المستخدمة لشركات الذكاء الاصطناعي، لجمع بيانات الشبكة بشكل لامركزي، وبعد التنظيف والتحويل، لتوفير بيانات حقيقية وعالية الجودة لتدريب نماذج الذكاء الاصطناعي.
اعتماد نموذج "label to earn"، من خلال تحفيز العمال العالميين بالرموز للمشاركة في وضع علامات البيانات، وجمع المعرفة المهنية العالمية، وتعزيز قدرة تحليل البيانات.
توفر منصة تبادل بيانات البلوكشين بيئة تداول علنية وشفافة لطرفي العرض والطلب على البيانات، مما يحفز الابتكار ومشاركة البيانات.
ومع ذلك، توجد بعض المشكلات في جمع البيانات من العالم الحقيقي، مثل جودة البيانات غير المتساوية، وصعوبة المعالجة، ونقص التنوع والتمثيل. قد تكون البيانات التركيبية هي النجم المستقبلي في مجال بيانات Web3. بناءً على تقنية الذكاء الاصطناعي التوليدي والمحاكاة، يمكن للبيانات التركيبية محاكاة خصائص البيانات الحقيقية، كملحق فعال للبيانات الحقيقية، مما يزيد من كفاءة استخدام البيانات. في مجالات مثل القيادة الذاتية، وتداول الأسواق المالية، وتطوير الألعاب، أظهرت البيانات التركيبية بالفعل إمكانيات تطبيق ناضجة.
حماية الخصوصية: دور FHE في Web3
في عصر البيانات المدفوعة، أصبحت حماية الخصوصية محور اهتمام عالمي، وتظهر القوانين مثل اللائحة العامة لحماية البيانات (GDPR) في الاتحاد الأوروبي الحماية الصارمة للخصوصية الشخصية. ومع ذلك، فقد جلب ذلك أيضًا تحديات: بعض البيانات الحساسة لا يمكن الاستفادة منها بالكامل بسبب مخاطر الخصوصية، وهذا بالتأكيد يحد من إمكانيات ونماذج الذكاء الاصطناعي.
FHE هو التشفير المتجانس الكامل، الذي يسمح بإجراء عمليات حسابية مباشرة على البيانات المشفرة دون الحاجة إلى فك تشفير البيانات، وأن تكون نتائج الحساب متطابقة مع النتائج التي تم الحصول عليها عند إجراء نفس العمليات على البيانات النصية.
يوفر FHE حماية قوية للحوسبة الخصوصية للذكاء الاصطناعي، مما يسمح لقدرة GPU الحاسوبية بتنفيذ مهام تدريب النماذج والاستدلال في بيئة لا تمس البيانات الأصلية. وهذا يجلب مزايا 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. بهذه الطريقة، يعزز FHEML خصوصية البيانات ويوفر إطار حساب آمن لتطبيقات الذكاء الاصطناعي.
FHEML هو إضافة إلى ZKML، حيث يثبت ZKML التنفيذ الصحيح لتعلم الآلة، بينما يركز FHEML على إجراء العمليات الحسابية على البيانات المشفرة للحفاظ على خصوصية البيانات.
ثورة قوة الحوسبة: الحوسبة الذكية في الشبكات اللامركزية
تتضاعف تعقيدات الحساب في أنظمة الذكاء الاصطناعي الحالية كل 3 أشهر، مما يؤدي إلى زيادة هائلة في الطلب على القدرة الحاسوبية، والتي تتجاوز بكثير إمدادات الموارد الحاسوبية الحالية. على سبيل المثال، يتطلب تدريب نموذج GPT-3 قدرة حاسوبية هائلة، تعادل 355 عامًا من وقت التدريب على جهاز واحد. إن نقص القدرة الحاسوبية هذا لا يقتصر فقط على تقييد تقدم تكنولوجيا الذكاء الاصطناعي، بل يجعل هذه النماذج المتقدمة بعيدة المنال بالنسبة لمعظم الباحثين والمطورين.
في الوقت نفسه، فإن معدل استخدام وحدات معالجة الرسوميات (GPU) العالمية أقل من 40%، بالإضافة إلى تباطؤ تحسين أداء وحدات المعالجة الدقيقة، ونقص الشرائح بسبب عوامل سلسلة الإمداد والجغرافيا السياسية، كل ذلك يجعل مشكلة إمداد القوة الحاسوبية أكثر حدة. يجد العاملون في مجال الذكاء الاصطناعي أنفسهم في مأزق: إما شراء الأجهزة بأنفسهم، أو استئجار موارد سحابية، وهم في حاجة ماسة إلى طريقة خدمة حاسوبية فعالة من حيث التكلفة حسب الطلب.
شبكة قوة الحوسبة اللامركزية القائمة على الذكاء الاصطناعي على منصة blockchain معينة، من خلال تجميع موارد GPU غير المستخدمة على مستوى العالم، توفر سوق قوة حوسبة اقتصادي وسهل الوصول لشركات الذكاء الاصطناعي. يمكن لمطالبي قوة الحوسبة نشر مهام حسابية على الشبكة، حيث توزع العقود الذكية المهام على العقد المعدنية التي تساهم في قوة الحوسبة، وتنفيذ المهام وتقديم النتائج، وبعد التحقق منها يحصلون على مكافآت نقاط. هذه الخطة تعزز كفاءة استخدام الموارد، وتساعد في حل مشكلة عنق الزجاجة في قوة الحوسبة في مجالات مثل الذكاء الاصطناعي.
بالإضافة إلى الشبكات العامة للحوسبة اللامركزية، هناك منصات تركز على تدريب الذكاء الاصطناعي، بالإضافة إلى شبكات حوسبة مخصصة تركز على استدلال الذكاء الاصطناعي.
توفر شبكة الحوسبة اللامركزية سوق حوسبة عادل وشفاف، مما يكسر الاحتكار، ويخفض من عتبة الدخول للتطبيقات، ويزيد من كفاءة استخدام الحوسبة. في نظام الإيكولوجيا web3، ستلعب شبكة الحوسبة اللامركزية دورًا رئيسيًا، مما يجذب المزيد من التطبيقات اللامركزية المبتكرة للانضمام، لدفع تطوير وتطبيق تقنيات الذكاء الاصطناعي معًا.
DePIN: تمكين Edge AI بواسطة Web3
تخيل أن هاتفك المحمول، وساعتك الذكية، وحتى الأجهزة الذكية في منزلك، تمتلك القدرة على تشغيل الذكاء الاصطناعي - هذه هي جاذبية Edge AI. إنها تجعل الحوسبة تحدث في مصدر إنتاج البيانات، مما يحقق انخفاض التأخير، والمعالجة في الوقت الفعلي، بينما تحمي خصوصية المستخدم. لقد تم تطبيق تقنية Edge AI بالفعل في مجالات حيوية مثل القيادة الذاتية.
في مجال Web3، لدينا اسم أكثر شهرة - DePIN. يركز Web3 على اللامركزية وحقوق ملكية بيانات المستخدم، يمكن لـ DePIN من خلال معالجة البيانات محليًا تعزيز حماية خصوصية المستخدم وتقليل مخاطر تسرب البيانات؛ آلية اقتصاد الرموز الأصلية في Web3 يمكن أن تحفز عقد DePIN على تقديم موارد الحوسبة، وبناء نظام بيئي مستدام.
تتطور DePIN حاليًا بسرعة في نظام بيئي معين من سلسلة الكتل العامة، لتصبح واحدة من المنصات المفضلة لنشر المشاريع. توفر TPS العالية، والرسوم التجارية المنخفضة، والابتكارات التقنية لهذه السلسلة العامة دعمًا قويًا لمشاريع DePIN. حاليًا، تجاوزت القيمة السوقية لمشاريع DePIN على هذه السلسلة العامة 10 مليارات دولار، وقد حققت بعض المشاريع المعروفة تقدمًا ملحوظًا.
IMO: إطلاق نموذج جديد لنموذج الذكاء الاصطناعي
تم تقديم مفهوم IMO لأول مرة من قبل بروتوكول ما، حيث يتم توكيلي نموذج الذكاء الاصطناعي.
في النموذج التقليدي، بسبب عدم وجود آلية مشاركة الأرباح، بمجرد تطوير نموذج الذكاء الاصطناعي وإطلاقه في السوق، غالباً ما يواجه المطورون صعوبة في الحصول على عوائد مستمرة من الاستخدام اللاحق للنموذج، خاصة عندما يتم دمج النموذج في منتجات وخدمات أخرى، يصبح من الصعب على المبدعين الأصليين تتبع الاستخدام، ناهيك عن الحصول على الأرباح. بالإضافة إلى ذلك، غالبًا ما تفتقر أداء نموذج الذكاء الاصطناعي وفعاليته إلى الشفافية، مما يجعل من الصعب على المستثمرين والمستخدمين المحتملين تقييم قيمته الحقيقية، مما يحد من اعتراف السوق بالنموذج 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 لاحقًا. تستخدم بروتوكول معين معيارين من ERC، وتجمع بين تقنية الذكاء الاصطناعي Oracle وتقنية OPML لضمان مصداقية نموذج الذكاء الاصطناعي وتمكين حاملي الرموز من مشاركة العوائد.
نموذج IMO يعزز الشفافية والثقة، ويشجع التعاون مفتوح المصدر، ويتكيف مع اتجاهات سوق العملات المشفرة، ويضخ الزخم في التنمية المستدامة لتقنية الذكاء الاصطناعي. لا يزال نموذج IMO في مرحلة التجارب الأولية، ولكن مع زيادة قبول السوق وتوسيع نطاق المشاركة، فإن ابتكاره وقيمته المحتملة تستحق انتظارنا.
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 مهام معقدة. يمكن أن تعمل كأدوات مساعدة افتراضية، من خلال التفاعل 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.
تقدم منصة تطبيقات AI الأصلية مجموعة شاملة وسهلة الاستخدام من أدوات الإبداع، تدعم المستخدمين في تكوين ميزات الروبوت، والمظهر، والصوت، بالإضافة إلى الاتصال بمكتبات المعرفة الخارجية، وتهدف إلى إنشاء نظام بيئي مفتوح وعادل لمحتوى AI، من خلال استخدام تقنيات AI التوليدية، وتمكين الأفراد ليصبحوا مبدعين خارقين. تدربت هذه المنصة على نماذج لغوية كبيرة مخصصة، مما يجعل أدوار الشخصيات أكثر إنسانية؛ يمكن لتقنية استنساخ الصوت تسريع التفاعل الشخصي لمنتجات AI، وتقليل تكلفة توليد الصوت بنسبة 99%، حيث يمكن تنفيذ استنساخ الصوت في دقيقة واحدة فقط. باستخدام AI Agent المخصص من هذه المنصة، يمكن تطبيقه حاليًا في مجالات متعددة مثل الدردشة الفيديو، وتعلم اللغات، وتوليد الصور.
في دمج Web3 و AI، هناك حاليا المزيد من الاستكشاف في 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 الرئيسية. مع التحسين التدريجي لهذه البنية التحتية، لدينا سبب للاعتقاد بأن دمج Web3 و AI سيولد مجموعة من نماذج الأعمال والخدمات المبتكرة.
This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.
تسجيلات الإعجاب 9
أعجبني
9
4
مشاركة
تعليق
0/400
HodlKumamon
· 07-09 06:37
نظر الدب إلى بيانات بنية الشبكة، كانت نسبة استخدام قوة الحوسبة الموزعة أعلى بـ 1.8 مرة من المركزية ميا~
شاهد النسخة الأصليةرد0
LiquidityHunter
· 07-08 18:03
حساب توزيع العقدة أقل من 0.23... ماذا نتحدث عن بناء النظام البيئي؟
شاهد النسخة الأصليةرد0
GasWhisperer
· 07-08 17:55
مشاهدة أنماط الميمبول مثل الشعر في الحركة... التحكيم الحسابي هو التأمل الجديد
Web3 و AI: بناء شبكة بيانات و قوة الحوسبة اللامركزية
دمج Web3 و AI: بناء بنية الإنترنت التحتية للجيل التالي
تعتبر Web3 كنوع من الإنترنت الجديد الذي يتميز باللامركزية والانفتاح والشفافية، لديها فرصة طبيعية للاندماج مع الذكاء الاصطناعي. في الإطار التقليدي المركزي، يتم التحكم بدقة في حسابات الذكاء الاصطناعي وموارد البيانات، مما يؤدي إلى وجود تحديات عديدة مثل اختناقات القدرة الحاسوبية، وإفشاء الخصوصية، وصناديق البيانات السوداء. بينما تستند Web3 إلى التقنيات الموزعة، يمكنها من خلال مشاركة شبكة القدرة الحاسوبية، وسوق البيانات المفتوحة، والحسابات الخاصة، أن تضخ قوة 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 يساعد على بناء بيئتها. لذلك، فإن استكشاف دمج Web3 مع الذكاء الاصطناعي يعد أمرًا بالغ الأهمية لبناء بنية تحتية للإنترنت من الجيل التالي، وإطلاق قيمة البيانات والقدرة الحاسوبية.
مدعوم بالبيانات: الأساس المتين للذكاء الاصطناعي وWeb3
البيانات هي القوة الدافعة الأساسية لتطور الذكاء الاصطناعي، تمامًا كما هو الحال مع الوقود للمحرك. تحتاج نماذج الذكاء الاصطناعي إلى استيعاب كميات كبيرة من البيانات عالية الجودة للحصول على فهم عميق وقدرة استدلال قوية، فالبيانات لا توفر فقط الأساس للتدريب لنماذج التعلم الآلي، بل تحدد أيضًا دقة وموثوقية النماذج.
في نمط الحصول على البيانات واستخدامها في الذكاء الاصطناعي المركزي التقليدي، توجد عدة مشكلات رئيسية:
يمكن لـ Web3 حل نقاط الألم في النماذج التقليدية من خلال نموذج بيانات لامركزي جديد:
ومع ذلك، توجد بعض المشكلات في جمع البيانات من العالم الحقيقي، مثل جودة البيانات غير المتساوية، وصعوبة المعالجة، ونقص التنوع والتمثيل. قد تكون البيانات التركيبية هي النجم المستقبلي في مجال بيانات Web3. بناءً على تقنية الذكاء الاصطناعي التوليدي والمحاكاة، يمكن للبيانات التركيبية محاكاة خصائص البيانات الحقيقية، كملحق فعال للبيانات الحقيقية، مما يزيد من كفاءة استخدام البيانات. في مجالات مثل القيادة الذاتية، وتداول الأسواق المالية، وتطوير الألعاب، أظهرت البيانات التركيبية بالفعل إمكانيات تطبيق ناضجة.
حماية الخصوصية: دور FHE في Web3
في عصر البيانات المدفوعة، أصبحت حماية الخصوصية محور اهتمام عالمي، وتظهر القوانين مثل اللائحة العامة لحماية البيانات (GDPR) في الاتحاد الأوروبي الحماية الصارمة للخصوصية الشخصية. ومع ذلك، فقد جلب ذلك أيضًا تحديات: بعض البيانات الحساسة لا يمكن الاستفادة منها بالكامل بسبب مخاطر الخصوصية، وهذا بالتأكيد يحد من إمكانيات ونماذج الذكاء الاصطناعي.
FHE هو التشفير المتجانس الكامل، الذي يسمح بإجراء عمليات حسابية مباشرة على البيانات المشفرة دون الحاجة إلى فك تشفير البيانات، وأن تكون نتائج الحساب متطابقة مع النتائج التي تم الحصول عليها عند إجراء نفس العمليات على البيانات النصية.
يوفر FHE حماية قوية للحوسبة الخصوصية للذكاء الاصطناعي، مما يسمح لقدرة GPU الحاسوبية بتنفيذ مهام تدريب النماذج والاستدلال في بيئة لا تمس البيانات الأصلية. وهذا يجلب مزايا 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. بهذه الطريقة، يعزز FHEML خصوصية البيانات ويوفر إطار حساب آمن لتطبيقات الذكاء الاصطناعي.
FHEML هو إضافة إلى ZKML، حيث يثبت ZKML التنفيذ الصحيح لتعلم الآلة، بينما يركز FHEML على إجراء العمليات الحسابية على البيانات المشفرة للحفاظ على خصوصية البيانات.
ثورة قوة الحوسبة: الحوسبة الذكية في الشبكات اللامركزية
تتضاعف تعقيدات الحساب في أنظمة الذكاء الاصطناعي الحالية كل 3 أشهر، مما يؤدي إلى زيادة هائلة في الطلب على القدرة الحاسوبية، والتي تتجاوز بكثير إمدادات الموارد الحاسوبية الحالية. على سبيل المثال، يتطلب تدريب نموذج GPT-3 قدرة حاسوبية هائلة، تعادل 355 عامًا من وقت التدريب على جهاز واحد. إن نقص القدرة الحاسوبية هذا لا يقتصر فقط على تقييد تقدم تكنولوجيا الذكاء الاصطناعي، بل يجعل هذه النماذج المتقدمة بعيدة المنال بالنسبة لمعظم الباحثين والمطورين.
في الوقت نفسه، فإن معدل استخدام وحدات معالجة الرسوميات (GPU) العالمية أقل من 40%، بالإضافة إلى تباطؤ تحسين أداء وحدات المعالجة الدقيقة، ونقص الشرائح بسبب عوامل سلسلة الإمداد والجغرافيا السياسية، كل ذلك يجعل مشكلة إمداد القوة الحاسوبية أكثر حدة. يجد العاملون في مجال الذكاء الاصطناعي أنفسهم في مأزق: إما شراء الأجهزة بأنفسهم، أو استئجار موارد سحابية، وهم في حاجة ماسة إلى طريقة خدمة حاسوبية فعالة من حيث التكلفة حسب الطلب.
شبكة قوة الحوسبة اللامركزية القائمة على الذكاء الاصطناعي على منصة blockchain معينة، من خلال تجميع موارد GPU غير المستخدمة على مستوى العالم، توفر سوق قوة حوسبة اقتصادي وسهل الوصول لشركات الذكاء الاصطناعي. يمكن لمطالبي قوة الحوسبة نشر مهام حسابية على الشبكة، حيث توزع العقود الذكية المهام على العقد المعدنية التي تساهم في قوة الحوسبة، وتنفيذ المهام وتقديم النتائج، وبعد التحقق منها يحصلون على مكافآت نقاط. هذه الخطة تعزز كفاءة استخدام الموارد، وتساعد في حل مشكلة عنق الزجاجة في قوة الحوسبة في مجالات مثل الذكاء الاصطناعي.
بالإضافة إلى الشبكات العامة للحوسبة اللامركزية، هناك منصات تركز على تدريب الذكاء الاصطناعي، بالإضافة إلى شبكات حوسبة مخصصة تركز على استدلال الذكاء الاصطناعي.
توفر شبكة الحوسبة اللامركزية سوق حوسبة عادل وشفاف، مما يكسر الاحتكار، ويخفض من عتبة الدخول للتطبيقات، ويزيد من كفاءة استخدام الحوسبة. في نظام الإيكولوجيا web3، ستلعب شبكة الحوسبة اللامركزية دورًا رئيسيًا، مما يجذب المزيد من التطبيقات اللامركزية المبتكرة للانضمام، لدفع تطوير وتطبيق تقنيات الذكاء الاصطناعي معًا.
DePIN: تمكين Edge AI بواسطة Web3
تخيل أن هاتفك المحمول، وساعتك الذكية، وحتى الأجهزة الذكية في منزلك، تمتلك القدرة على تشغيل الذكاء الاصطناعي - هذه هي جاذبية Edge AI. إنها تجعل الحوسبة تحدث في مصدر إنتاج البيانات، مما يحقق انخفاض التأخير، والمعالجة في الوقت الفعلي، بينما تحمي خصوصية المستخدم. لقد تم تطبيق تقنية Edge AI بالفعل في مجالات حيوية مثل القيادة الذاتية.
في مجال Web3، لدينا اسم أكثر شهرة - DePIN. يركز Web3 على اللامركزية وحقوق ملكية بيانات المستخدم، يمكن لـ DePIN من خلال معالجة البيانات محليًا تعزيز حماية خصوصية المستخدم وتقليل مخاطر تسرب البيانات؛ آلية اقتصاد الرموز الأصلية في Web3 يمكن أن تحفز عقد DePIN على تقديم موارد الحوسبة، وبناء نظام بيئي مستدام.
تتطور DePIN حاليًا بسرعة في نظام بيئي معين من سلسلة الكتل العامة، لتصبح واحدة من المنصات المفضلة لنشر المشاريع. توفر TPS العالية، والرسوم التجارية المنخفضة، والابتكارات التقنية لهذه السلسلة العامة دعمًا قويًا لمشاريع DePIN. حاليًا، تجاوزت القيمة السوقية لمشاريع DePIN على هذه السلسلة العامة 10 مليارات دولار، وقد حققت بعض المشاريع المعروفة تقدمًا ملحوظًا.
IMO: إطلاق نموذج جديد لنموذج الذكاء الاصطناعي
تم تقديم مفهوم IMO لأول مرة من قبل بروتوكول ما، حيث يتم توكيلي نموذج الذكاء الاصطناعي.
في النموذج التقليدي، بسبب عدم وجود آلية مشاركة الأرباح، بمجرد تطوير نموذج الذكاء الاصطناعي وإطلاقه في السوق، غالباً ما يواجه المطورون صعوبة في الحصول على عوائد مستمرة من الاستخدام اللاحق للنموذج، خاصة عندما يتم دمج النموذج في منتجات وخدمات أخرى، يصبح من الصعب على المبدعين الأصليين تتبع الاستخدام، ناهيك عن الحصول على الأرباح. بالإضافة إلى ذلك، غالبًا ما تفتقر أداء نموذج الذكاء الاصطناعي وفعاليته إلى الشفافية، مما يجعل من الصعب على المستثمرين والمستخدمين المحتملين تقييم قيمته الحقيقية، مما يحد من اعتراف السوق بالنموذج 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 لاحقًا. تستخدم بروتوكول معين معيارين من ERC، وتجمع بين تقنية الذكاء الاصطناعي Oracle وتقنية OPML لضمان مصداقية نموذج الذكاء الاصطناعي وتمكين حاملي الرموز من مشاركة العوائد.
نموذج IMO يعزز الشفافية والثقة، ويشجع التعاون مفتوح المصدر، ويتكيف مع اتجاهات سوق العملات المشفرة، ويضخ الزخم في التنمية المستدامة لتقنية الذكاء الاصطناعي. لا يزال نموذج IMO في مرحلة التجارب الأولية، ولكن مع زيادة قبول السوق وتوسيع نطاق المشاركة، فإن ابتكاره وقيمته المحتملة تستحق انتظارنا.
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 مهام معقدة. يمكن أن تعمل كأدوات مساعدة افتراضية، من خلال التفاعل 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.
تقدم منصة تطبيقات AI الأصلية مجموعة شاملة وسهلة الاستخدام من أدوات الإبداع، تدعم المستخدمين في تكوين ميزات الروبوت، والمظهر، والصوت، بالإضافة إلى الاتصال بمكتبات المعرفة الخارجية، وتهدف إلى إنشاء نظام بيئي مفتوح وعادل لمحتوى AI، من خلال استخدام تقنيات AI التوليدية، وتمكين الأفراد ليصبحوا مبدعين خارقين. تدربت هذه المنصة على نماذج لغوية كبيرة مخصصة، مما يجعل أدوار الشخصيات أكثر إنسانية؛ يمكن لتقنية استنساخ الصوت تسريع التفاعل الشخصي لمنتجات AI، وتقليل تكلفة توليد الصوت بنسبة 99%، حيث يمكن تنفيذ استنساخ الصوت في دقيقة واحدة فقط. باستخدام AI Agent المخصص من هذه المنصة، يمكن تطبيقه حاليًا في مجالات متعددة مثل الدردشة الفيديو، وتعلم اللغات، وتوليد الصور.
في دمج Web3 و AI، هناك حاليا المزيد من الاستكشاف في 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 الرئيسية. مع التحسين التدريجي لهذه البنية التحتية، لدينا سبب للاعتقاد بأن دمج Web3 و AI سيولد مجموعة من نماذج الأعمال والخدمات المبتكرة.