تقرير شامل عن مسار Web3-AI: تحليل عميق للمنطق التكنولوجي، تطبيقات السيناريو، والمشاريع الرائدة
مع استمرار ارتفاع مستوى السرد القائم على الذكاء الاصطناعي، تركز المزيد من الاهتمام على هذا المجال. تم إجراء تحليل متعمق للمنطق التكنولوجي، سيناريوهات التطبيق، والمشاريع الممثلة في مجال Web3-AI، مما يعرض بشكل شامل المشهد والاتجاهات التنموية في هذا المجال.
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 مشتعلة بشكل استثنائي في صناعة Web3، وظهرت مشاريع الذكاء الاصطناعي كالفطر بعد المطر. على الرغم من وجود العديد من المشاريع التي تتضمن تقنيات الذكاء الاصطناعي، إلا أن بعض المشاريع تستخدم الذكاء الاصطناعي فقط في بعض أجزاء منتجاتها، حيث لا توجد علاقة جوهرية بين الاقتصاد الرمزي الأساسي ومنتجات الذكاء الاصطناعي، وبالتالي لا تندرج هذه المشاريع ضمن مناقشة مشاريع Web3-AI في هذه المقالة.
تتمحور هذه المقالة حول استخدام blockchain لحل مشكلات علاقات الإنتاج، ومشاريع AI التي تعالج مشكلات قوى الإنتاج، حيث تقدم هذه المشاريع نفسها منتجات AI، وتستند إلى نموذج الاقتصاد Web3 كأداة لعلاقات الإنتاج، حيث يكمل أحدهما الآخر. نصنف هذه الأنواع من المشاريع ضمن مسار Web3-AI. من أجل تمكين القراء من فهم أفضل لمسار Web3-AI، سيتم تقديم عملية تطوير AI والتحديات، وكيف يمكن أن يتكامل Web3 و AI بشكل مثالي لحل المشكلات وخلق مشاهد تطبيق جديدة.
1.2 عملية تطوير الذكاء الاصطناعي والتحديات: من جمع البيانات إلى استدلال النموذج
تقنية الذكاء الاصطناعي هي تقنية تسمح للكمبيوتر بمحاكاة وتوسيع وتعزيز الذكاء البشري. إنها تمكن الكمبيوتر من أداء مجموعة متنوعة من المهام المعقدة، بدءًا من ترجمة اللغات، وتصنيف الصور، وصولًا إلى تطبيقات التعرف على الوجه، والقيادة الذاتية، وغيرها، حيث يقوم الذكاء الاصطناعي بتغيير طريقة حياتنا وعملنا.
تتضمن عملية تطوير نماذج الذكاء الاصطناعي عادةً الخطوات الرئيسية التالية: جمع البيانات ومعالجة البيانات، اختيار النموذج وضبطه، تدريب النموذج واستنتاجه. لنأخذ مثالاً بسيطًا، لتطوير نموذج لتصنيف صور القطط والكلاب، ستحتاج إلى:
جمع البيانات ومعالجة البيانات المسبقة: جمع مجموعة بيانات تحتوي على صور للقطط والكلاب، يمكن استخدام مجموعة بيانات عامة أو جمع بيانات حقيقية بنفسك. ثم قم بتسمية الفئة (قطة أو كلب) لكل صورة، مع التأكد من دقة العلامات. تحويل الصور إلى تنسيق يمكن للنموذج التعرف عليه، وتقسيم مجموعة البيانات إلى مجموعة تدريب ومجموعة تحقق ومجموعة اختبار.
اختيار النموذج وضبطه: اختيار نموذج مناسب، مثل الشبكات العصبية التلافيفية (CNN)، والتي تناسب مهام تصنيف الصور. ضبط معلمات النموذج أو الهيكل وفقًا للاحتياجات المختلفة، وعادةً ما يمكن ضبط طبقات الشبكة للنموذج بناءً على تعقيد مهمة الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون الشبكات ذات الطبقات الأقل 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 التي تم تدريب النموذج عليها عادةً بأوزان النموذج، وعملية الاستنتاج تشير إلى استخدام النموذج المدرب مسبقًا للتنبؤ أو تصنيف البيانات الجديدة. في هذه العملية، يمكن استخدام مجموعة الاختبار أو البيانات الجديدة لاختبار فعالية تصنيف النموذج، وغالبًا ما يتم تقييم فعالية النموذج باستخدام مؤشرات مثل الدقة، ومعدل الاسترجاع، وF1-score.
كما هو موضح في الصورة، بعد جمع البيانات ومعالجة البيانات الأولية، واختيار النموذج وضبطه، ثم التدريب، سيتم إجراء الاستدلال على النموذج المدرب على مجموعة الاختبار للحصول على قيم توقعات القطط والكلاب P (الاحتمالية)، أي احتمال أن النموذج يستنتج أنه قط أو كلب.
يمكن دمج نماذج الذكاء الاصطناعي المدربة بشكل أكبر في تطبيقات مختلفة لأداء مهام متنوعة. في هذا المثال، يمكن دمج نموذج الذكاء الاصطناعي لتصنيف القطط والكلاب في تطبيق على الهاتف المحمول، حيث يقوم المستخدم بتحميل صورة لقطة أو كلب، ويمكنه الحصول على نتائج التصنيف.
ومع ذلك، توجد بعض المشاكل في عملية تطوير الذكاء الاصطناعي المركزية في السيناريوهات التالية:
خصوصية المستخدم: في السيناريوهات المركزية، عادة ما تكون عملية تطوير الذكاء الاصطناعي غير شفافة. قد يتم سرقة بيانات المستخدمين دون علمهم واستخدامها في تدريب الذكاء الاصطناعي.
مصدر البيانات: قد تواجه الفرق الصغيرة أو الأفراد قيودًا على عدم انفتاح البيانات عند الحصول على بيانات في مجالات معينة (مثل البيانات الطبية).
اختيار النموذج وضبطه: بالنسبة للفرق الصغيرة، من الصعب الحصول على موارد نموذج محددة أو إنفاق تكاليف كبيرة لضبط النموذج.
الحصول على القوة الحسابية: قد تشكل تكاليف شراء وحدات معالجة الرسوميات المرتفعة وإيجار القوة الحسابية في السحاب عبئًا ماليًا كبيرًا على المطورين الأفراد والفرق الصغيرة.
إيرادات الأصول الذكية: غالبًا ما يعاني العاملون في مجال وضع العلامات على البيانات من عدم الحصول على دخل يتناسب 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 الدمج مع Web3، حيث أن Web3 كعلاقة إنتاج جديدة تتكيف بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل قوة إنتاج جديدة، مما يعزز التقدم التكنولوجي وقدرة الإنتاج في نفس الوقت.
1.3 التآزر بين Web3 و AI: تحول الأدوار والتطبيقات الابتكارية
يمكن أن يعزز دمج Web3 مع AI سيادة المستخدم، ويوفر للمستخدمين منصة مفتوحة للتعاون في AI، مما يحول المستخدمين من مستخدمي AI في عصر Web2 إلى مشاركين، لإنشاء AI يمكن للجميع امتلاكه. في نفس الوقت، فإن اندماج عالم Web3 مع تقنيات AI يمكن أن يولد المزيد من السيناريوهات التطبيقية المبتكرة والأساليب.
بناءً على تقنية Web3، سيشهد تطوير وتطبيق الذكاء الاصطناعي نظامًا جديدًا من الاقتصاد التعاوني. يمكن ضمان خصوصية بيانات الناس، وتعزز نماذج البيانات الجماعية تقدم نماذج الذكاء الاصطناعي، وتتوفر العديد من موارد الذكاء الاصطناعي مفتوحة المصدر للاستخدام من قبل المستخدمين، ويمكن الحصول على قوة الحوسبة المشتركة بتكلفة منخفضة. من خلال آلية التعاون الجماعي اللامركزية وسوق الذكاء الاصطناعي المفتوح، يمكن تحقيق نظام توزيع عادل للإيرادات، مما يحفز المزيد من الأشخاص على دفع تقدم تقنية الذكاء الاصطناعي.
في مشهد Web3، يمكن أن تؤثر الذكاء الاصطناعي بشكل إيجابي في مجالات متعددة. على سبيل المثال، يمكن دمج نماذج الذكاء الاصطناعي في العقود الذكية، مما يعزز كفاءة العمل في مختلف سيناريوهات التطبيقات، مثل تحليل السوق، والكشف عن الأمان، والتجمعات الاجتماعية، وغيرها من الوظائف المتنوعة. لا يتيح الذكاء الاصطناعي التوليدي للمستخدمين فقط تجربة دور "الفنان"، مثل استخدام تقنيات الذكاء الاصطناعي لإنشاء NFT الخاصة بهم، بل يمكنه أيضًا خلق مشاهد ألعاب متنوعة وتجارب تفاعلية مثيرة في GameFi. توفر البنية التحتية الغنية تجربة تطوير سلسة، سواء كان خبراء الذكاء الاصطناعي أو المبتدئين الذين يرغبون في دخول مجال الذكاء الاصطناعي، يمكنهم العثور على مدخل مناسب في هذا العالم.
٢. تفسير خريطة مشروع Web3-AI والهيكل
لقد قمنا بدراسة 41 مشروعًا في مجال Web3-AI، وقمنا بتقسيم هذه المشاريع إلى مستويات مختلفة. منطق تقسيم كل مستوى موضح في الشكل أدناه، بما في ذلك مستوى البنية التحتية، المستوى الوسيط، ومستوى التطبيق، وكل مستوى مقسم إلى قطاعات مختلفة. في الفصل التالي، سنقوم بإجراء تحليل عميق لبعض المشاريع الممثلة.
تشمل طبقة البنية التحتية الموارد الحاسوبية والهياكل التقنية التي تدعم تشغيل دورة حياة الذكاء الاصطناعي بالكامل، بينما تشمل الطبقة الوسطى إدارة البيانات وتطوير النماذج وخدمات التحقق والاستدلال التي تربط بين البنية التحتية والتطبيقات، وتركز الطبقة التطبيقية على مجموعة متنوعة من التطبيقات والحلول التي تستهدف المستخدمين مباشرة.
طبقة البنية التحتية:
تعد طبقة البنية التحتية أساس دورة حياة الذكاء الاصطناعي، حيث يتم تصنيف القدرة الحاسوبية، و AI Chain، ومنصة التطوير كجزء من طبقة البنية التحتية. فقط بدعم هذه البنية التحتية يمكن تحقيق تدريب واستدلال نماذج الذكاء الاصطناعي، وتقديم تطبيقات ذكاء اصطناعي قوية وعملية للمستخدمين.
شبكة حوسبة لامركزية: يمكن أن توفر قوة حسابية موزعة لتدريب نماذج الذكاء الاصطناعي، مما يضمن استخدام موارد حسابية فعالة واقتصادية. تقدم بعض المشاريع سوقًا لامركزيًا للقوة الحاسوبية، حيث يمكن للمستخدمين استئجار القوة الحاسوبية بتكلفة منخفضة أو مشاركة القوة الحاسوبية للحصول على الأرباح، ومن المشاريع الممثلة IO.NET وHyperbolic. بالإضافة إلى ذلك، نشأت بعض المشاريع بأفكار جديدة، مثل Compute Labs، التي اقترحت بروتوكولًا قائمًا على الرموز، حيث يمكن للمستخدمين من خلال شراء NFT يمثل وحدة معالجة الرسوميات (GPU) المشاركة بطرق مختلفة في استئجار القوة الحاسوبية للحصول على الأرباح.
AI Chain: استخدام blockchain كأساس لدورة حياة AI، لتحقيق التفاعل السلس بين موارد AI على السلسلة وخارجها، وتعزيز تطوير النظام البيئي للصناعة. يمكن للسوق اللامركزي على السلسلة تداول أصول AI مثل البيانات، والنماذج، والوكلاء، وما إلى ذلك، وتوفير إطار تطوير AI وأدوات التطوير المصاحبة، ومن المشاريع الممثلة مثل Sahara AI. يمكن لـ AI Chain أيضًا تعزيز التقدم التكنولوجي لـ AI في مجالات مختلفة، مثل Bittensor من خلال آلية تحفيز الشبكات الفرعية المبتكرة لتعزيز تنافس الشبكات الفرعية من أنواع AI المختلفة.
منصة التطوير: تقدم بعض المشاريع منصة تطوير وكيل الذكاء الاصطناعي، ويمكنها أيضًا تنفيذ تداولات وكيل الذكاء الاصطناعي، مثل Fetch.ai و ChainML. تساعد الأدوات الشاملة المطورين على إنشاء وتدريب ونشر نماذج الذكاء الاصطناعي بشكل أكثر سهولة، ومن المشاريع الممثلة Nimble. تعزز هذه البنية التحتية من الاستخدام الواسع لتقنية الذكاء الاصطناعي في نظام Web3 البيئي.
الطبقة الوسطى:
هذه الطبقة تتعلق ببيانات الذكاء الاصطناعي، والنماذج، وكذلك الاستدلال والتحقق، واستخدام تقنيات Web3 يمكن أن يحقق كفاءة عمل أعلى.
البيانات: تعتبر جودة البيانات وكمية البيانات عوامل رئيسية تؤثر على فعالية تدريب النموذج. في عالم Web3، يمكن تحسين استخدام الموارد وتقليل تكاليف البيانات من خلال بيانات الحشد ومعالجة البيانات التعاونية. يمكن للمستخدمين امتلاك حقوق البيانات الخاصة بهم، وبيع بياناتهم مع حماية الخصوصية، لتجنب سرقة البيانات من قبل تجار غير أخلاقيين واستغلالها لتحقيق أرباح طائلة. بالنسبة لطالبي البيانات، توفر هذه المنصات خيارات واسعة وتكاليف منخفضة للغاية. من المشاريع الممثلة، تستخدم Grass عرض النطاق الترددي للمستخدمين لاستخراج بيانات الويب، بينما تجمع xData معلومات الوسائط من خلال إضافات سهلة الاستخدام وتدعم المستخدمين في رفع معلومات التغريد.
بالإضافة إلى ذلك، تسمح بعض المنصات للخبراء في المجال أو المستخدمين العاديين بتنفيذ مهام معالجة البيانات المسبقة، مثل تعليم الصور وتصنيف البيانات، وهذه المهام قد تتطلب معرفة متخصصة في معالجة البيانات المالية والقانونية، حيث يمكن للمستخدمين تحويل المهارات إلى رموز، مما يحقق التعاون الجماعي في معالجة البيانات المسبقة. تمثل سوق الذكاء الاصطناعي مثل Sahara AI مهام البيانات في مجالات مختلفة، ويمكن أن تغطي سيناريوهات بيانات متعددة المجالات؛ بينما يقوم بروتوكول AIT بتعليم البيانات من خلال التعاون بين الإنسان والآلة.
النموذج: خلال عملية تطوير الذكاء الاصطناعي التي تم ذكرها سابقًا، تحتاج الأنواع المختلفة من المتطلبات إلى مطابقة النموذج المناسب. النماذج الشائعة المستخدمة في مهام الصور مثل CNN و GAN، بينما يمكن اختيار نماذج سلسلة Yolo لمهام اكتشاف الأهداف، والنماذج الشائعة لمهام النصوص مثل RNN و Transformer، بالطبع هناك أيضًا بعض النماذج الكبيرة المحددة أو العامة. تتطلب المهام ذات التعقيد المختلف عمق نماذج مختلف، وأحيانًا تحتاج إلى ضبط النموذج.
تدعم بعض المشاريع المستخدمين في تقديم أنواع مختلفة من النماذج أو التعاون في تدريب النماذج من خلال أسلوب التمويل الجماعي، مثل Sentient التي تتيح من خلال تصميمها القابل للتعديل للمستخدمين وضع بيانات النموذج الموثوقة في طبقة التخزين وطبقة التوزيع لتحسين النموذج، كما أن أدوات التطوير التي توفرها Sahara AI تحتوي على خوارزميات ذكاء اصطناعي متقدمة وإطار عمل حسابي، ولديها القدرة على التدريب التعاوني.
الاستدلال والتحقق: بعد تدريب النموذج، سيتم إنشاء ملفات أوزان النموذج، والتي يمكن استخدامها مباشرة للتصنيف أو التنبؤ أو المهام المحددة الأخرى، وتسمى هذه العملية الاستدلال. غالبًا ما يصاحب عملية الاستدلال آلية تحقق للتحقق مما إذا كان مصدر نموذج الاستدلال صحيحًا، وما إذا كان هناك سلوك خبيث، وغيرها. يمكن أن يتم دمج الاستدلال في Web3 ضمن العقود الذكية، من خلال استدعاء النموذج لإجراء الاستدلال، وتشمل طرق التحقق الشائعة تقنيات مثل ZKML و OPML و TEE. من المشاريع الممثلة مثل أورا Oracle AI على السلسلة (OAO)، التي قدمت OPML كطبقة قابلة للتحقق لـ AI oracle، كما ذكرت الموقع الرسمي لـ أورا أبحاثهم حول ZKML و opp/ai (ZKML مع OPML).
طبقة التطبيق:
تستهدف هذه الطبقة بشكل أساسي التطبيقات الموجهة مباشرة للمستخدمين، حيث تجمع بين الذكاء الاصطناعي وWeb3، مما يخلق المزيد من الطرق الممتعة والمبتكرة. يركز هذا المقال بشكل أساسي على تنظيم المشاريع في عدة مجالات مثل AIGC (المحتوى الذي يتم إنشاؤه بواسطة الذكاء الاصطناعي) ووكيل الذكاء الاصطناعي 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 13
أعجبني
13
7
إعادة النشر
مشاركة
تعليق
0/400
MEVSandwichMaker
· منذ 4 س
عاد العنوان الجذاب مرة أخرى! Web3+AI لم يفهموا حتى المفهوم ومع ذلك يقومون بالتحليل.
شاهد النسخة الأصليةرد0
ZKProofster
· منذ 5 س
مه... قطعة أخرى من ضجيج الويب 3-الذكاء الاصطناعي. تقنيًا، 90% من هذه "المشاريع الذكية" تفتقر إلى أي بدائيات تشفير تستحق الذكر.
شاهد النسخة الأصليةرد0
GasWaster
· منذ 5 س
مجرد مخطط بونزي آخر للذكاء الاصطناعي... خسرت ما يكفي من غاز بالفعل بصراحة
شاهد النسخة الأصليةرد0
SolidityStruggler
· منذ 5 س
من يروج لموضوع الذكاء الاصطناعي، كم عددهم الذين يعملون فعلاً في مجال التكنولوجيا؟
شاهد النسخة الأصليةرد0
FlatlineTrader
· منذ 5 س
炒概念的终究翻车 خداع الناس لتحقيق الربح 趁热度全割完就跑
شاهد النسخة الأصليةرد0
BearMarketBard
· منذ 5 س
هل لا يزال اللعب بالبناء بدلاً من الصراخ ai ai كل يوم؟
مشهد Web3-AI: تحليل المنطق التكنولوجي، سيناريوهات التطبيق والمشاريع الرائدة
تقرير شامل عن مسار Web3-AI: تحليل عميق للمنطق التكنولوجي، تطبيقات السيناريو، والمشاريع الرائدة
مع استمرار ارتفاع مستوى السرد القائم على الذكاء الاصطناعي، تركز المزيد من الاهتمام على هذا المجال. تم إجراء تحليل متعمق للمنطق التكنولوجي، سيناريوهات التطبيق، والمشاريع الممثلة في مجال Web3-AI، مما يعرض بشكل شامل المشهد والاتجاهات التنموية في هذا المجال.
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 مشتعلة بشكل استثنائي في صناعة Web3، وظهرت مشاريع الذكاء الاصطناعي كالفطر بعد المطر. على الرغم من وجود العديد من المشاريع التي تتضمن تقنيات الذكاء الاصطناعي، إلا أن بعض المشاريع تستخدم الذكاء الاصطناعي فقط في بعض أجزاء منتجاتها، حيث لا توجد علاقة جوهرية بين الاقتصاد الرمزي الأساسي ومنتجات الذكاء الاصطناعي، وبالتالي لا تندرج هذه المشاريع ضمن مناقشة مشاريع Web3-AI في هذه المقالة.
تتمحور هذه المقالة حول استخدام blockchain لحل مشكلات علاقات الإنتاج، ومشاريع AI التي تعالج مشكلات قوى الإنتاج، حيث تقدم هذه المشاريع نفسها منتجات AI، وتستند إلى نموذج الاقتصاد Web3 كأداة لعلاقات الإنتاج، حيث يكمل أحدهما الآخر. نصنف هذه الأنواع من المشاريع ضمن مسار Web3-AI. من أجل تمكين القراء من فهم أفضل لمسار Web3-AI، سيتم تقديم عملية تطوير AI والتحديات، وكيف يمكن أن يتكامل Web3 و AI بشكل مثالي لحل المشكلات وخلق مشاهد تطبيق جديدة.
1.2 عملية تطوير الذكاء الاصطناعي والتحديات: من جمع البيانات إلى استدلال النموذج
تقنية الذكاء الاصطناعي هي تقنية تسمح للكمبيوتر بمحاكاة وتوسيع وتعزيز الذكاء البشري. إنها تمكن الكمبيوتر من أداء مجموعة متنوعة من المهام المعقدة، بدءًا من ترجمة اللغات، وتصنيف الصور، وصولًا إلى تطبيقات التعرف على الوجه، والقيادة الذاتية، وغيرها، حيث يقوم الذكاء الاصطناعي بتغيير طريقة حياتنا وعملنا.
تتضمن عملية تطوير نماذج الذكاء الاصطناعي عادةً الخطوات الرئيسية التالية: جمع البيانات ومعالجة البيانات، اختيار النموذج وضبطه، تدريب النموذج واستنتاجه. لنأخذ مثالاً بسيطًا، لتطوير نموذج لتصنيف صور القطط والكلاب، ستحتاج إلى:
جمع البيانات ومعالجة البيانات المسبقة: جمع مجموعة بيانات تحتوي على صور للقطط والكلاب، يمكن استخدام مجموعة بيانات عامة أو جمع بيانات حقيقية بنفسك. ثم قم بتسمية الفئة (قطة أو كلب) لكل صورة، مع التأكد من دقة العلامات. تحويل الصور إلى تنسيق يمكن للنموذج التعرف عليه، وتقسيم مجموعة البيانات إلى مجموعة تدريب ومجموعة تحقق ومجموعة اختبار.
اختيار النموذج وضبطه: اختيار نموذج مناسب، مثل الشبكات العصبية التلافيفية (CNN)، والتي تناسب مهام تصنيف الصور. ضبط معلمات النموذج أو الهيكل وفقًا للاحتياجات المختلفة، وعادةً ما يمكن ضبط طبقات الشبكة للنموذج بناءً على تعقيد مهمة الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون الشبكات ذات الطبقات الأقل 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 التي تم تدريب النموذج عليها عادةً بأوزان النموذج، وعملية الاستنتاج تشير إلى استخدام النموذج المدرب مسبقًا للتنبؤ أو تصنيف البيانات الجديدة. في هذه العملية، يمكن استخدام مجموعة الاختبار أو البيانات الجديدة لاختبار فعالية تصنيف النموذج، وغالبًا ما يتم تقييم فعالية النموذج باستخدام مؤشرات مثل الدقة، ومعدل الاسترجاع، وF1-score.
كما هو موضح في الصورة، بعد جمع البيانات ومعالجة البيانات الأولية، واختيار النموذج وضبطه، ثم التدريب، سيتم إجراء الاستدلال على النموذج المدرب على مجموعة الاختبار للحصول على قيم توقعات القطط والكلاب P (الاحتمالية)، أي احتمال أن النموذج يستنتج أنه قط أو كلب.
يمكن دمج نماذج الذكاء الاصطناعي المدربة بشكل أكبر في تطبيقات مختلفة لأداء مهام متنوعة. في هذا المثال، يمكن دمج نموذج الذكاء الاصطناعي لتصنيف القطط والكلاب في تطبيق على الهاتف المحمول، حيث يقوم المستخدم بتحميل صورة لقطة أو كلب، ويمكنه الحصول على نتائج التصنيف.
ومع ذلك، توجد بعض المشاكل في عملية تطوير الذكاء الاصطناعي المركزية في السيناريوهات التالية:
خصوصية المستخدم: في السيناريوهات المركزية، عادة ما تكون عملية تطوير الذكاء الاصطناعي غير شفافة. قد يتم سرقة بيانات المستخدمين دون علمهم واستخدامها في تدريب الذكاء الاصطناعي.
مصدر البيانات: قد تواجه الفرق الصغيرة أو الأفراد قيودًا على عدم انفتاح البيانات عند الحصول على بيانات في مجالات معينة (مثل البيانات الطبية).
اختيار النموذج وضبطه: بالنسبة للفرق الصغيرة، من الصعب الحصول على موارد نموذج محددة أو إنفاق تكاليف كبيرة لضبط النموذج.
الحصول على القوة الحسابية: قد تشكل تكاليف شراء وحدات معالجة الرسوميات المرتفعة وإيجار القوة الحسابية في السحاب عبئًا ماليًا كبيرًا على المطورين الأفراد والفرق الصغيرة.
إيرادات الأصول الذكية: غالبًا ما يعاني العاملون في مجال وضع العلامات على البيانات من عدم الحصول على دخل يتناسب 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 الدمج مع Web3، حيث أن Web3 كعلاقة إنتاج جديدة تتكيف بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل قوة إنتاج جديدة، مما يعزز التقدم التكنولوجي وقدرة الإنتاج في نفس الوقت.
1.3 التآزر بين Web3 و AI: تحول الأدوار والتطبيقات الابتكارية
يمكن أن يعزز دمج Web3 مع AI سيادة المستخدم، ويوفر للمستخدمين منصة مفتوحة للتعاون في AI، مما يحول المستخدمين من مستخدمي AI في عصر Web2 إلى مشاركين، لإنشاء AI يمكن للجميع امتلاكه. في نفس الوقت، فإن اندماج عالم Web3 مع تقنيات AI يمكن أن يولد المزيد من السيناريوهات التطبيقية المبتكرة والأساليب.
بناءً على تقنية Web3، سيشهد تطوير وتطبيق الذكاء الاصطناعي نظامًا جديدًا من الاقتصاد التعاوني. يمكن ضمان خصوصية بيانات الناس، وتعزز نماذج البيانات الجماعية تقدم نماذج الذكاء الاصطناعي، وتتوفر العديد من موارد الذكاء الاصطناعي مفتوحة المصدر للاستخدام من قبل المستخدمين، ويمكن الحصول على قوة الحوسبة المشتركة بتكلفة منخفضة. من خلال آلية التعاون الجماعي اللامركزية وسوق الذكاء الاصطناعي المفتوح، يمكن تحقيق نظام توزيع عادل للإيرادات، مما يحفز المزيد من الأشخاص على دفع تقدم تقنية الذكاء الاصطناعي.
في مشهد Web3، يمكن أن تؤثر الذكاء الاصطناعي بشكل إيجابي في مجالات متعددة. على سبيل المثال، يمكن دمج نماذج الذكاء الاصطناعي في العقود الذكية، مما يعزز كفاءة العمل في مختلف سيناريوهات التطبيقات، مثل تحليل السوق، والكشف عن الأمان، والتجمعات الاجتماعية، وغيرها من الوظائف المتنوعة. لا يتيح الذكاء الاصطناعي التوليدي للمستخدمين فقط تجربة دور "الفنان"، مثل استخدام تقنيات الذكاء الاصطناعي لإنشاء NFT الخاصة بهم، بل يمكنه أيضًا خلق مشاهد ألعاب متنوعة وتجارب تفاعلية مثيرة في GameFi. توفر البنية التحتية الغنية تجربة تطوير سلسة، سواء كان خبراء الذكاء الاصطناعي أو المبتدئين الذين يرغبون في دخول مجال الذكاء الاصطناعي، يمكنهم العثور على مدخل مناسب في هذا العالم.
٢. تفسير خريطة مشروع Web3-AI والهيكل
لقد قمنا بدراسة 41 مشروعًا في مجال Web3-AI، وقمنا بتقسيم هذه المشاريع إلى مستويات مختلفة. منطق تقسيم كل مستوى موضح في الشكل أدناه، بما في ذلك مستوى البنية التحتية، المستوى الوسيط، ومستوى التطبيق، وكل مستوى مقسم إلى قطاعات مختلفة. في الفصل التالي، سنقوم بإجراء تحليل عميق لبعض المشاريع الممثلة.
تشمل طبقة البنية التحتية الموارد الحاسوبية والهياكل التقنية التي تدعم تشغيل دورة حياة الذكاء الاصطناعي بالكامل، بينما تشمل الطبقة الوسطى إدارة البيانات وتطوير النماذج وخدمات التحقق والاستدلال التي تربط بين البنية التحتية والتطبيقات، وتركز الطبقة التطبيقية على مجموعة متنوعة من التطبيقات والحلول التي تستهدف المستخدمين مباشرة.
طبقة البنية التحتية:
تعد طبقة البنية التحتية أساس دورة حياة الذكاء الاصطناعي، حيث يتم تصنيف القدرة الحاسوبية، و AI Chain، ومنصة التطوير كجزء من طبقة البنية التحتية. فقط بدعم هذه البنية التحتية يمكن تحقيق تدريب واستدلال نماذج الذكاء الاصطناعي، وتقديم تطبيقات ذكاء اصطناعي قوية وعملية للمستخدمين.
شبكة حوسبة لامركزية: يمكن أن توفر قوة حسابية موزعة لتدريب نماذج الذكاء الاصطناعي، مما يضمن استخدام موارد حسابية فعالة واقتصادية. تقدم بعض المشاريع سوقًا لامركزيًا للقوة الحاسوبية، حيث يمكن للمستخدمين استئجار القوة الحاسوبية بتكلفة منخفضة أو مشاركة القوة الحاسوبية للحصول على الأرباح، ومن المشاريع الممثلة IO.NET وHyperbolic. بالإضافة إلى ذلك، نشأت بعض المشاريع بأفكار جديدة، مثل Compute Labs، التي اقترحت بروتوكولًا قائمًا على الرموز، حيث يمكن للمستخدمين من خلال شراء NFT يمثل وحدة معالجة الرسوميات (GPU) المشاركة بطرق مختلفة في استئجار القوة الحاسوبية للحصول على الأرباح.
AI Chain: استخدام blockchain كأساس لدورة حياة AI، لتحقيق التفاعل السلس بين موارد AI على السلسلة وخارجها، وتعزيز تطوير النظام البيئي للصناعة. يمكن للسوق اللامركزي على السلسلة تداول أصول AI مثل البيانات، والنماذج، والوكلاء، وما إلى ذلك، وتوفير إطار تطوير AI وأدوات التطوير المصاحبة، ومن المشاريع الممثلة مثل Sahara AI. يمكن لـ AI Chain أيضًا تعزيز التقدم التكنولوجي لـ AI في مجالات مختلفة، مثل Bittensor من خلال آلية تحفيز الشبكات الفرعية المبتكرة لتعزيز تنافس الشبكات الفرعية من أنواع AI المختلفة.
منصة التطوير: تقدم بعض المشاريع منصة تطوير وكيل الذكاء الاصطناعي، ويمكنها أيضًا تنفيذ تداولات وكيل الذكاء الاصطناعي، مثل Fetch.ai و ChainML. تساعد الأدوات الشاملة المطورين على إنشاء وتدريب ونشر نماذج الذكاء الاصطناعي بشكل أكثر سهولة، ومن المشاريع الممثلة Nimble. تعزز هذه البنية التحتية من الاستخدام الواسع لتقنية الذكاء الاصطناعي في نظام Web3 البيئي.
الطبقة الوسطى:
هذه الطبقة تتعلق ببيانات الذكاء الاصطناعي، والنماذج، وكذلك الاستدلال والتحقق، واستخدام تقنيات Web3 يمكن أن يحقق كفاءة عمل أعلى.
بالإضافة إلى ذلك، تسمح بعض المنصات للخبراء في المجال أو المستخدمين العاديين بتنفيذ مهام معالجة البيانات المسبقة، مثل تعليم الصور وتصنيف البيانات، وهذه المهام قد تتطلب معرفة متخصصة في معالجة البيانات المالية والقانونية، حيث يمكن للمستخدمين تحويل المهارات إلى رموز، مما يحقق التعاون الجماعي في معالجة البيانات المسبقة. تمثل سوق الذكاء الاصطناعي مثل Sahara AI مهام البيانات في مجالات مختلفة، ويمكن أن تغطي سيناريوهات بيانات متعددة المجالات؛ بينما يقوم بروتوكول AIT بتعليم البيانات من خلال التعاون بين الإنسان والآلة.
تدعم بعض المشاريع المستخدمين في تقديم أنواع مختلفة من النماذج أو التعاون في تدريب النماذج من خلال أسلوب التمويل الجماعي، مثل Sentient التي تتيح من خلال تصميمها القابل للتعديل للمستخدمين وضع بيانات النموذج الموثوقة في طبقة التخزين وطبقة التوزيع لتحسين النموذج، كما أن أدوات التطوير التي توفرها Sahara AI تحتوي على خوارزميات ذكاء اصطناعي متقدمة وإطار عمل حسابي، ولديها القدرة على التدريب التعاوني.
طبقة التطبيق:
تستهدف هذه الطبقة بشكل أساسي التطبيقات الموجهة مباشرة للمستخدمين، حيث تجمع بين الذكاء الاصطناعي وWeb3، مما يخلق المزيد من الطرق الممتعة والمبتكرة. يركز هذا المقال بشكل أساسي على تنظيم المشاريع في عدة مجالات مثل AIGC (المحتوى الذي يتم إنشاؤه بواسطة الذكاء الاصطناعي) ووكيل الذكاء الاصطناعي وتحليل البيانات.