تقرير بانورامي عن مسار Web3-AI: تحليل عميق للمنطق التقني، تطبيقات السيناريو، وأعلى المشاريع

مع استمرار ارتفاع شعبية السرد بالذكاء الاصطناعي، تزايدت الانتباهات على هذا المجال. تم إجراء تحليل عميق للمنطق التكنولوجي، وسيناريوهات التطبيق، والمشاريع الممثلة في مجال ويب 3-الذكاء الاصطناعي، لتقديم عرض شامل لك panorama وتوجهات هذا المجال.

١. Web3-AI: تحليل المنطق التكنولوجي وفرص السوق الناشئة

1.1 منطق دمج Web3 و AI: كيف يمكن تحديد حلبة Web-AI

في العام الماضي، كانت السرديات المدعومة بالذكاء الاصطناعي تتألق بشكل استثنائي في صناعة Web3، وظهرت 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، لذا فإن هذه المشاريع لا تندرج تحت مناقشة مشاريع Web3-AI في هذه المقالة.

تركز هذه المقالة على استخدام blockchain لحل مشاكل العلاقات الإنتاجية، ومشاريع الذكاء الاصطناعي التي تحل مشاكل قوى الإنتاج. توفر هذه المشاريع نفسها منتجات الذكاء الاصطناعي، بينما تعتمد على نموذج الاقتصاد Web3 كأداة للعلاقات الإنتاجية، حيث يكمل كل منهما الآخر. نصنف هذه المشاريع ضمن مسار Web3-AI. لتسهيل فهم القراء لمسار Web3-AI، سيتم توضيح عملية تطوير الذكاء الاصطناعي والتحديات المتعلقة بها، وكيف يمكن دمج Web3 وAI بشكل مثالي لحل المشكلات وخلق سيناريوهات تطبيقية جديدة.

1.2 عملية تطوير الذكاء الاصطناعي والتحديات: من جمع البيانات إلى استدلال النماذج

تكنولوجيا الذكاء الاصطناعي هي تقنية تسمح لأجهزة الكمبيوتر بمحاكاة وتوسيع وتعزيز الذكاء البشري. يمكن أن تمكن أجهزة الكمبيوتر من أداء مجموعة متنوعة من المهام المعقدة، بدءًا من ترجمة اللغات وتصنيف الصور وصولاً إلى التعرف على الوجه، والقيادة الذاتية، وغيرها من تطبيقات السيناريوهات، الذكاء الاصطناعي يغير الطريقة التي نعيش ونعمل بها.

تتضمن عملية تطوير نماذج الذكاء الاصطناعي عادةً الخطوات الأساسية التالية: جمع البيانات ومعالجة البيانات، اختيار النموذج وضبطه، تدريب النموذج واستنتاجه. على سبيل المثال، لتطوير نموذج يحقق تصنيف صور القطط والكلاب، تحتاج إلى:

1. جمع البيانات ومعالجة البيانات: جمع مجموعة بيانات صور تحتوي على قطط وكلاب، يمكن استخدام مجموعة بيانات عامة أو جمع بيانات حقيقية بنفسك. ثم قم بتوسيم كل صورة بفئة (قطة أو كلب)، تأكد من دقة العلامات. تحويل الصور إلى تنسيق يمكن للنموذج التعرف عليه، تقسيم مجموعة البيانات إلى مجموعة تدريب ومجموعة تحقق ومجموعة اختبار.

2. اختيار النماذج وضبطها: اختيار النموذج المناسب، مثل الشبكات العصبية التلافيفية (CNN)، هو الأكثر ملاءمة لمهام تصنيف الصور. يتم ضبط معلمات أو هيكل النموذج وفقًا للاحتياجات المختلفة، وعادةً ما يمكن تعديل طبقات الشبكة الخاصة بالنموذج حسب تعقيد مهمة الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون الطبقات الشبكية الأقل عمقًا كافية.

3. تدريب النموذج: يمكن استخدام وحدة معالجة الرسوميات (GPU) أو وحدة معالجةTensor (TPU) أو مجموعة حوسبة عالية الأداء لتدريب النموذج، ويؤثر الوقت المستغرق في التدريب على تعقيد النموذج وقدرة الحوسبة.

4. استنتاج النموذج: عادةً ما تُسمى الملفات المدربة للنموذج بأوزان النموذج، وعملية الاستنتاج تشير إلى استخدام النموذج المدرب مسبقًا لتوقع أو تصنيف بيانات جديدة. 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.

بعد جمع البيانات ومعالجة البيانات الأولية، واختيار النموذج وضبطه، وكذلك التدريب، سيتم إجراء الاستدلال على مجموعة الاختبار باستخدام النموذج المدرب للحصول على قيم التنبؤ للقطط والكلاب P (الاحتمالية)، أي الاحتمالية التي يستنتجها النموذج بأنها قطة 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 موبايل، حيث يقوم المستخدم بتحميل صور للقطط أو الكلاب للحصول على نتائج التصنيف.

ومع ذلك، توجد بعض المشاكل في عملية تطوير الذكاء الاصطناعي المركزية في السيناريوهات التالية:

خصوصية المستخدم: في السيناريوهات المركزية، تكون عملية تطوير الذكاء الاصطناعي غالباً غير شفافة. قد يتم سرقة بيانات المستخدم دون علمه واستخدامها في تدريب الذكاء الاصطناعي.

مصادر البيانات: قد يواجه الفرق الصغيرة أو الأفراد قيودًا على عدم فتح 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 القدرة الحاسوبية: بالنسبة للمطورين الأفراد والفرق الصغيرة، قد تمثل تكلفة شراء وحدات معالجة الرسوميات العالية وإيجار القدرة الحاسوبية السحابية عبئاً اقتصادياً كبيراً.

إيرادات الأصول الذكية: غالبًا ما لا يتمكن العاملون في تصنيف البيانات من الحصول على إيرادات تتناسب مع ما يقدمونه، كما يصعب على مطوري الذكاء الاصطناعي مطابقة نتائج أبحاثهم مع المشترين الذين يحتاجون إليها.

التحديات الموجودة في مشهد الذكاء الاصطناعي المركزي يمكن أن تُعالج من خلال دمجها مع Web3، حيث أن Web3 كعلاقة إنتاج جديدة، تتناسب بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل قوة إنتاجية جديدة، مما يدفع التقدم التكنولوجي وقدرات الإنتاج في الوقت نفسه.

1.3 التآزر بين Web3 و AI: تحول الأدوار والتطبيقات المبتكرة

يمكن أن يعزز دمج Web3 و AI سيادة المستخدم، ويوفر منصة تعاون مفتوحة للذكاء الاصطناعي للمستخدمين، مما يسمح لهم بالتحول من مستخدمي الذكاء الاصطناعي في عصر Web2 إلى مشاركين، وخلق ذكاء اصطناعي يمكن للجميع امتلاكه. في الوقت نفسه، يمكن أن يؤدي دمج عالم Web3 مع تقنيات AI إلى ظهور المزيد من سيناريوهات التطبيقات المبتكرة وطرق اللعب.

استنادًا إلى تقنية Web3 ، ستشهد تطوير وتطبيق الذكاء الاصطناعي نظامًا جديدًا من الاقتصاد التعاوني. يمكن ضمان خصوصية بيانات الأفراد ، ويعزز نموذج جمع البيانات 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 الموزعة المفتوحة وسوق الذكاء الاصطناعي المفتوحة ، يمكن تحقيق نظام عادل لتوزيع الدخل ، مما يحفز المزيد من الأشخاص على دفع تقدم تكنولوجيا الذكاء الاصطناعي.

في مشهد Web3، يمكن للذكاء الاصطناعي أن يحدث تأثيرًا إيجابيًا في مجالات متعددة. على سبيل المثال، يمكن دمج نماذج الذكاء الاصطناعي في العقود الذكية، مما يعزز الكفاءة العملية في سيناريوهات تطبيقية مختلفة مثل تحليل السوق، والكشف عن الأمان، وتجمعات التواصل الاجتماعي، 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 خبيرًا في الذكاء الاصطناعي أو مبتدئًا يرغب في دخول مجال الذكاء الاصطناعي، يمكنهم جميعًا العثور على مدخل مناسب في هذا العالم.

٢. تفسير خريطة وهيكل مشروع Web3-AI الإيكولوجي

لقد درسنا بشكل أساسي 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، والمستوى الوسيط، ومستوى التطبيق، حيث يتم تقسيم كل مستوى إلى مجالات 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 وتطوير النماذج وخدمات التحقق والاستدلال التي تربط البنية التحتية بالتطبيقات، وتركز طبقة التطبيقات على مجموعة متنوعة من التطبيقات والحلول الموجهة مباشرة للمستخدم.

طبقة البنية التحتية:

طبقة البنية التحتية هي أساس دورة حياة الذكاء الاصطناعي، حيث يتم تصنيف قوة الحوسبة، سلسلة الذكاء الاصطناعي، ومنصة التطوير كطبقة بنية تحتية. بفضل دعم هذه البنية التحتية، يمكن تدريب نماذج الذكاء الاصطناعي واستنتاجها، وتقديم تطبيقات ذكاء اصطناعي قوية وعملية للمستخدمين.

• شبكة الحوسبة اللامركزية: يمكن أن توفر طاقة حوسبة موزعة لتدريب نماذج الذكاء الاصطناعي، مما يضمن استخدام موارد الحوسبة بكفاءة وبتكلفة منخفضة. تقدم بعض المشاريع سوق طاقة حوسبة لامركزية، حيث يمكن للمستخدمين استئجار طاقة الحوسبة بتكلفة منخفضة أو مشاركة طاقة الحوسبة لتحقيق الأرباح، ومن المشاريع الممثلة IO.NET و Hyperbolic. بالإضافة إلى ذلك، نشأت بعض المشاريع بأفكار جديدة، مثل Compute Labs، التي اقترحت بروتوكول توكين، حيث يمكن للمستخدمين من خلال شراء NFT تمثل كيان GPU، المشاركة بطرق مختلفة في استئجار طاقة الحوسبة لتحقيق الأرباح.

• سلسلة الذكاء الاصطناعي: استخدام blockchain كأساس لدورة حياة الذكاء الاصطناعي، لتحقيق التفاعل السلس بين موارد الذكاء الاصطناعي على السلسلة وخارجها، وتعزيز تطوير النظام البيئي في الصناعة. يمكن للسوق اللامركزي على السلسلة تداول أصول الذكاء الاصطناعي مثل البيانات والنماذج والوكلاء، وتوفير إطار تطوير الذكاء الاصطناعي والأدوات المساعدة في التطوير، مثل مشروع Sahara AI. كما يمكن لسلسلة الذكاء الاصطناعي تعزيز التقدم التكنولوجي في مجالات مختلفة من الذكاء الاصطناعي، مثل Bittensor من خلال آلية تحفيز الشبكات الفرعية المبتكرة لتعزيز تنافس أنواع مختلفة من الشبكات الفرعية للذكاء الاصطناعي.

• منصة التطوير: بعض المشاريع تقدم منصات تطوير وكلاء الذكاء الاصطناعي، كما يمكنها 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، ومن المشاريع الرائدة مثل Nimble. هذه البنية التحتية تعزز من تطبيق تقنيات الذكاء الاصطناعي على نطاق واسع في نظام Web3 البيئي.

الطبقة الوسطى:

تتناول هذه الطبقة بيانات الذكاء الاصطناعي والنماذج وكذلك الاستدلال والتحقق، حيث يمكن تحقيق كفاءة عمل أعلى باستخدام تقنيات Web3.

• البيانات: جودة البيانات وكميتها هما العاملان الرئيسيان اللذان يؤثران على فعالية تدريب النماذج. في عالم Web3، يمكن تحسين استخدام الموارد وتقليل تكاليف البيانات من خلال البيانات الجماعية ومعالجة البيانات التعاونية. يمكن للمستخدمين امتلاك حقوق البيانات الخاصة بهم، وبيع بياناتهم في ظل حماية الخصوصية، لتجنب سرقة البيانات من قبل التجار السيئين وتحقيق أرباح عالية. بالنسبة لمستخدمي البيانات، توفر هذه المنصات مجموعة واسعة من الخيارات وتكاليف منخفضة للغاية. من المشاريع الممثلة مثل Grass التي تستخدم عرض النطاق الترددي للمستخدمين لجمع بيانات الويب، وxData التي تجمع المعلومات الإعلامية من خلال إضافات سهلة الاستخدام، وتدعم المستخدمين في رفع معلومات التغريد.

بالإضافة إلى ذلك، تسمح بعض المنصات لخبراء المجالات أو المستخدمين العاديين بتنفيذ مهام معالجة البيانات مثل وسم الصور وتصنيف البيانات، وهذه المهام قد تتطلب المعرفة المهنية في معالجة بيانات المهام المالية والقانونية، حيث يمكن للمستخدمين تحويل المهارات إلى رموز، مما يحقق التعاون الجماعي في معالجة البيانات. ومن الأمثلة على ذلك سوق AI مثل Sahara AI، الذي يحتوي على مهام بيانات من مجالات مختلفة، ويمكنه تغطية سيناريوهات بيانات متعددة المجالات؛ بينما يقوم بروتوكول AIT بوسم البيانات من خلال التعاون بين الإنسان والآلة.

• النموذج: في عملية تطوير الذكاء الاصطناعي التي تم ذكرها سابقًا، تحتاج أنواع مختلفة من المتطلبات إلى مطابقة نماذج مناسبة. من النماذج الشائعة المستخدمة في مهام الصور مثل CNN و GAN، بينما يمكن اختيار سلسلة Yolo لمهام اكتشاف الأهداف. وفي مهام النصوص، توجد نماذج شائعة مثل RNN و Transformer، بالطبع هناك أيضًا بعض النماذج الكبيرة المحددة أو العامة. تختلف عمق النماذج المطلوبة حسب تعقيد المهام المختلفة، وأحيانًا تحتاج إلى ضبط النموذج.

بعض المشاريع تدعم المستخدمين في تقديم أنواع مختلفة من النماذج أو التعاون في تدريب النماذج عن طريق الحشد، مثل Sentient التي من خلال تصميمها المعياري، تسمح للمستخدمين بوضع بيانات نماذج موثوقة في طبقة التخزين وطبقة التوزيع لتحسين النماذج، وأدوات التطوير التي تقدمها Sahara AI تحتوي على خوارزميات الذكاء الاصطناعي المتقدمة وإطارات الحساب، ولديها القدرة على التدريب التعاوني.

• الاستدلال والتحقق: بعد تدريب النموذج، يتم إنشاء ملف أوزان النموذج، والذي يمكن استخدامه مباشرة للتصنيف أو التنبؤ أو مهام محددة أخرى، وتسمى هذه العملية الاستدلال. عادة ما يرافق عملية الاستدلال آلية تحقق للتحقق مما إذا كان مصدر نموذج الاستدلال صحيحًا، وما إذا كانت هناك سلوكيات ضارة وما إلى ذلك. عادةً ما يمكن دمج استدلال Web3 في العقود الذكية، من خلال استدعاء النموذج لإجراء الاستدلال، تشمل طرق التحقق الشائعة تقنيات مثل ZKML و OPML و TEE. المشاريع الممثلة مثل Oracle AI على سلسلة ORA (OAO) ، قدمت OPML كطبقة قابلة للتحقق لـ AI Oracle، كما ذكرت الموقع الرسمي لـ ORA أبحاثهم حول ZKML و opp/ai (ZKML مع OPML).

طبقة التطبيق:

هذه الطبقة موجهة بشكل مباشر نحو تطبيقات المستخدمين، حيث تجمع بين الذكاء الاصطناعي وWeb3، مما يخلق المزيد من الطرق المثيرة والمبتكرة للعب. يركز هذا المقال بشكل رئيسي على تنظيم مشاريع AIGC (المحتوى المنتج بواسطة الذكاء الاصطناعي)، ووكيل الذكاء الاصطناعي، وتحليل البيانات.

• AIGC: يمكن من خلال AIGC التوسع إلى NFT والألعاب وغيرها من المجالات في Web3، حيث يمكن للمستخدمين إنشاء نصوص وصور وصوتيات مباشرة من خلال Prompt (الكلمات المفتاحية التي يقدمها المستخدم)، ويمكنهم حتى إنشاء محتوى مخصص في الألعاب حسب تفضيلاتهم.