تقرير شامل عن مسار Web3-AI: تحليل عميق للمنطق التقني، تطبيقات السيناريو والمشاريع الرائدة

مع استمرار تسخين السرد الذكي، تركز المزيد من الانتباه على هذا المجال. تم إجراء تحليل عميق للمنطق التكنولوجي، وسيناريوهات التطبيق، والمشاريع الممثلة في مجال Web3-AI، لتقديم صورة شاملة عن هذا المجال واتجاهات تطوره.

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

1.1 منطق دمج Web3 و AI: كيفية تحديد مجال Web-AI

في العام الماضي، كانت السرديات المدعومة بالذكاء الاصطناعي شديدة الانتشار في صناعة Web3، حيث ظهرت مشاريع الذكاء الاصطناعي مثل الفطر 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، والاقتصاد الرمزي الأساسي ليس له ارتباط جوهري بمنتجات الذكاء الاصطناعي، وبالتالي فإن هذه المشاريع لا تندرج ضمن مناقشة مشاريع Web3-AI في هذه المقالة.

تركز هذه المقالة على المشاريع التي تستخدم blockchain لحل مشاكل علاقات الإنتاج، و AI لحل مشاكل القوى الإنتاجية. هذه المشاريع تقدم منتجات AI، وفي نفس الوقت تستند إلى نموذج الاقتصاد Web3 كأداة لعلاقات الإنتاج، حيث يكمل كل منهما الآخر. نصنف هذه المشاريع ضمن مسار Web3-AI. لتسهيل فهم القراء لمسار Web3-AI، سيتم تقديم شرح لعملية تطوير AI والتحديات التي تواجهها، بالإضافة إلى كيفية دمج Web3 و AI بشكل مثالي لحل المشكلات وخلق سيناريوهات تطبيق جديدة.

1.2 عملية تطوير الذكاء الاصطناعي والتحديات: من جمع البيانات إلى استنتاج النموذج

تكنولوجيا الذكاء الاصطناعي هي تقنية تسمح للكمبيوتر بمحاكاة وتوسيع وتعزيز الذكاء البشري. إنها تمكن الكمبيوتر من تنفيذ مجموعة متنوعة من المهام المعقدة، من ترجمة اللغات وتصنيف الصور إلى التعرف على الوجوه وقيادة السيارات الذاتية، فإن الذكاء الاصطناعي يغير طريقة حياتنا وعملنا.

عادةً ما تتضمن عملية تطوير نماذج الذكاء الاصطناعي الخطوات الرئيسية التالية: جمع البيانات ومعالجة البيانات، اختيار النموذج وتحسينه، تدريب النموذج واستنتاجه. على سبيل المثال البسيط، لتطوير نموذج لتحقيق تصنيف صور القطط والكلاب، تحتاج إلى:

1. جمع البيانات ومعالجة البيانات المسبقة: جمع مجموعة بيانات الصور التي تحتوي على القطط والكلاب، يمكن استخدام مجموعة بيانات عامة أو جمع بيانات حقيقية بنفسك. ثم قم بتسمية كل صورة بفئة ( قطة أو كلب )، تأكد من أن التسميات دقيقة. تحويل الصور إلى تنسيق يمكن للنموذج التعرف عليه، وتقسيم مجموعة البيانات إلى مجموعة تدريب ومجموعة تحقق ومجموعة اختبار.

2. اختيار النموذج وضبطه: اختيار النموذج المناسب، مثل الشبكات العصبية التلافيفية (CNN)، التي تناسب مهام تصنيف الصور. يتم ضبط معلمات النموذج أو هيكله وفقًا للاحتياجات المختلفة، وعادةً ما يمكن تعديل طبقات الشبكة الخاصة بالنموذج بناءً على تعقيد مهمة الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون طبقات الشبكة الأقل عمقًا كافية.

3. تدريب النموذج: يمكن استخدام وحدات معالجة الرسوميات (GPU) أو وحدات معالجة Tensor (TPU) أو تجمعات الحوسبة عالية الأداء لتدريب النموذج، ومدة التدريب تتأثر بتعقيد النموذج وقدرة الحوسبة.

4. استنتاج النموذج: عادةً ما تُعرف الملفات المدربة للنموذج 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، وعادة ما يتم تقييم فعالية النموذج باستخدام مؤشرات مثل الدقة، ومعدل الاستدعاء، ودرجة-F1.

كما هو موضح في الصورة، بعد جمع البيانات ومعالجة البيانات المسبقة، واختيار النموذج وضبطه، وتدريبه، سيتم إجراء استدلال على النموذج المدرب على مجموعة الاختبار للحصول على قيم توقعات القطط والكلاب P(probability)، أي أن النموذج يستنتج احتمال كونه قطة أو كلب.

يمكن دمج نموذج الذكاء الاصطناعي المدرب بشكل أكبر في تطبيقات مختلفة، لأداء مهام مختلفة. في هذا المثال، يمكن دمج نموذج ذكاء اصطناعي لتصنيف القطط والكلاب في تطبيق جوال، حيث يقوم المستخدم بتحميل صورة لقطة أو كلب، ويمكنه الحصول على نتيجة 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 واستخدامها في تدريب الذكاء الاصطناعي دون علمهم.

مصدر البيانات: قد تواجه الفرق الصغيرة أو الأفراد قيودًا على عدم فتح البيانات عند الحصول على بيانات في مجالات معينة مثل البيانات الطبية (.

اختيار النموذج وتحسينه: من الصعب على الفرق الصغيرة الحصول على موارد نموذج معينة في مجال معين أو إنفاق تكاليف كبيرة لتحسين النموذج.

الحصول على القوة الحاسوبية: بالنسبة للمطورين الأفراد والفرق الصغيرة، قد تمثل التكاليف العالية لشراء وحدات معالجة الرسومات ورسوم استئجار القوة الحاسوبية في السحابة عبئًا اقتصاديًا كبيرًا.

إيرادات الأصول الذكية: غالبًا ما لا يستطيع عمال تصنيف البيانات الحصول على دخل يتناسب مع جهودهم، كما أن نتائج أبحاث مطوري الذكاء الاصطناعي يصعب مطابقتها مع المشترين الذين لديهم احتياجات.

يمكن التغلب على التحديات الموجودة في مشهد الذكاء الاصطناعي المركزي من خلال دمجها مع Web3، حيث يعد Web3 نوعًا جديدًا من العلاقات الإنتاجية، ويتكيف بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل قوى الإنتاج الجديدة، مما يعزز التقدم المتزامن للتكنولوجيا والقدرات الإنتاجية.

) 1.3 التآزر بين Web3 و AI: تحول الأدوار والتطبيقات المبتكرة

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

استنادًا إلى تقنية Web3، ستشهد تطوير وتطبيق الذكاء الاصطناعي نظامًا جديدًا للاقتصاد التعاوني. يمكن ضمان خصوصية بيانات الناس، ويعزز نموذج البيانات المجمعة تقدم نماذج الذكاء الاصطناعي، والموارد العديدة مفتوحة المصدر للذكاء الاصطناعي متاحة للاستخدام من قبل المستخدمين، ويمكن الحصول على القدرة الحاسوبية المشتركة بتكلفة منخفضة. من خلال آلية التعاقد التعاوني اللامركزية وسوق الذكاء الاصطناعي المفتوح، يمكن تحقيق نظام عادل لتوزيع الدخل، مما يحفز المزيد من الناس على دفع تقدم تقنية الذكاء الاصطناعي.

في سيناريوهات Web3، يمكن أن تؤثر الذكاء الاصطناعي بشكل إيجابي في عدة مجالات. على سبيل المثال، يمكن دمج نماذج الذكاء الاصطناعي في العقود الذكية، مما يعزز كفاءة العمل في مختلف التطبيقات، مثل تحليل السوق، وفحص الأمان، والتجمعات الاجتماعية وغيرها من الوظائف المتعددة. يمكن أن تتيح الذكاء الاصطناعي التوليدي للمستخدمين تجربة دور "الفنان"، مثل استخدام تقنيات الذكاء الاصطناعي لإنشاء NFT الخاصة بهم، كما يمكن أن تخلق مشاهد ألعاب متنوعة وتجارب تفاعلية ممتعة في GameFi. توفر البنية التحتية الغنية تجربة تطوير سلسة، سواء كان خبير ذكاء اصطناعي أو مبتدئ يريد دخول مجال الذكاء الاصطناعي يمكنه العثور على المدخل المناسب في هذا العالم.

٢. تفسير خريطة وهيكل مشروع Web3-AI

لقد قمنا بدراسة 41 مشروعًا في مجال Web3-AI، وقمنا بتقسيم هذه المشاريع إلى مستويات مختلفة. منطق تقسيم كل مستوى موضح في الصورة أدناه، بما في ذلك مستوى البنية التحتية، والمستوى الأوسط، ومستوى التطبيقات، حيث يتم تقسيم كل مستوى إلى قطاعات مختلفة. في الفصل التالي، سنقوم بإجراء تحليل عميق لبعض المشاريع الممثلة.

تغطي طبقة البنية التحتية الموارد الحاسوبية والهندسة المعمارية التقنية التي تدعم تشغيل دورة حياة الذكاء الاصطناعي بالكامل، بينما تشمل الطبقة الوسطى إدارة البيانات، وتطوير النماذج وخدمات التحقق من الاستدلال التي تربط البنية التحتية بالتطبيقات، وتركز الطبقة التطبيقية على مجموعة متنوعة من التطبيقات والحلول الموجهة مباشرة للمستخدم.

![تقرير شامل عن مسار Web3-AI: تحليل عميق للمنطق التقني، تطبيقات المشهد والمشاريع الرائدة]###https://img-cdn.gateio.im/webp-social/moments-c10336df2eaf71062b92590bb9d80a4c.webp(

طبقة البنية التحتية:

طبقة البنية التحتية هي أساس دورة حياة الذكاء الاصطناعي، حيث تصنف هذه المقالة قوة الحوسبة، سلسلة الذكاء الاصطناعي ومنصة التطوير كطبقة البنية التحتية. فقط بدعم من هذه البنية التحتية يمكن تحقيق تدريب واستنتاج نماذج الذكاء الاصطناعي، وتقديم تطبيقات ذكاء اصطناعي قوية وعملية للمستخدمين.

• شبكة الحوسبة اللامركزية: يمكن أن توفر قوة حوسبة موزعة لتدريب نماذج الذكاء الاصطناعي، مما يضمن استخدام موارد الحوسبة بكفاءة وبتكلفة اقتصادية. تقدم بعض المشاريع سوقاً لامركزياً للقوة الحوسبية، حيث يمكن للمستخدمين استئجار القوة الحوسبية بتكلفة منخفضة أو مشاركة القوة الحوسبية للحصول على الأرباح، ومن بين هذه المشاريع IO.NET وHyperbolic. بالإضافة إلى ذلك، ظهرت بعض المشاريع بأفكار جديدة، مثل Compute Labs، التي اقترحت بروتوكولات توكن، حيث يمكن للمستخدمين من خلال شراء NFTs تمثل وحدات GPU المشاركة بطرق مختلفة في استئجار القوة الحوسبية للحصول على الأرباح.

• AI Chain: الاستفادة من blockchain كأساس لدورة حياة الذكاء الاصطناعي، لتحقيق تفاعل سلس بين موارد الذكاء الاصطناعي على السلسلة وخارجها، وتعزيز تطوير النظام البيئي الصناعي. يمكن للسوق اللامركزية على السلسلة تداول أصول الذكاء الاصطناعي مثل البيانات، النماذج، الوكلاء، وما إلى ذلك، وتوفير إطار عمل لتطوير الذكاء الاصطناعي وأدوات تطوير داعمة، ومن المشاريع الممثلة Sahara AI. يمكن لـ AI Chain أيضًا تعزيز التقدم التكنولوجي في الذكاء الاصطناعي في مجالات مختلفة، مثل Bittensor من خلال آلية التحفيز المبتكرة للشبكات الفرعية لتعزيز المنافسة بين أنواع مختلفة من الشبكات الفرعية للذكاء الاصطناعي.

• منصة التطوير: تقدم بعض المشاريع منصة لتطوير الوكلاء الذكيين، ويمكن أيضًا تنفيذ تداول الوكلاء الذكيين، مثل Fetch.ai و ChainML وغيرها. تساعد الأدوات الشاملة المطورين على إنشاء وتدريب ونشر نماذج الذكاء الاصطناعي بشكل أكثر سهولة، ومن المشاريع الممثلة مثل Nimble. تعزز هذه البنية التحتية الاستخدام الواسع لتقنية الذكاء الاصطناعي في نظام Web3 البيئي.

الطبقة الوسطى:

تتعلق هذه الطبقة ببيانات الذكاء الاصطناعي، والنماذج، فضلاً عن الاستدلال والتحقق، ويمكن أن تحقق استخدام تقنية Web3 كفاءة عمل أعلى.

• البيانات: جودة البيانات وكميتها هي عوامل رئيسية تؤثر على فعالية تدريب النماذج. في عالم Web3، يمكن تحسين استخدام الموارد وتقليل تكلفة البيانات من خلال بيانات الحشود والمعالجة التعاونية للبيانات. يمكن للمستخدمين امتلاك حقوق البيانات الخاصة بهم، وبيع بياناتهم في ظل حماية الخصوصية، لتجنب سرقة البيانات من قبل تجار غير أخلاقيين وتحقيق أرباح عالية. بالنسبة لطرف طلب البيانات، توفر هذه المنصات خيارات واسعة وتكاليف منخفضة للغاية. تشمل المشاريع الممثلة Grass التي تستخدم عرض النطاق الترددي للمستخدمين لجلب بيانات الويب، وxData التي تجمع المعلومات الإعلامية من خلال ملحق سهل الاستخدام، وتدعم المستخدمين في تحميل معلومات التغريد.

بالإضافة إلى ذلك، تسمح بعض المنصات للخبراء في المجالات أو المستخدمين العاديين بتنفيذ مهام معالجة البيانات المسبقة، مثل وضع علامات على الصور وتصنيف البيانات، حيث قد تتطلب هذه المهام معالجة بيانات مالية وقانونية تتطلب معرفة متخصصة، ويمكن للمستخدمين تحويل مهاراتهم إلى رموز، مما يحقق تعاونية جماعية لمعالجة البيانات المسبقة. تمثل أسواق الذكاء الاصطناعي مثل Sahara AI مهام البيانات في مجالات مختلفة، ويمكن أن تغطي سيناريوهات بيانات متعددة المجالات؛ بينما يقوم بروتوكول AIT بوضع علامات على البيانات من خلال التعاون بين الإنسان والآلة.

• النموذج: كما تم الإشارة إليه سابقًا في عملية تطوير الذكاء الاصطناعي، تحتاج أنواع مختلفة من المتطلبات إلى مطابقة نماذج مناسبة، ومن النماذج الشائعة في مهام الصور مثل CNN، GAN، يمكن اختيار سلسلة Yolo لمهام اكتشاف الأهداف، والنماذج الشائعة في المهام النصية هي RNN، Transformer، بالطبع هناك أيضًا بعض النماذج الكبيرة المحددة أو العامة. تختلف عمق النماذج المطلوبة حسب تعقيد المهام، وأحيانًا تحتاج إلى ضبط النموذج.

بعض المشاريع تدعم المستخدمين في تقديم أنواع مختلفة من النماذج أو التعاون في تدريب النماذج من خلال أسلوب الحشد، مثل Sentient التي من خلال تصميمها المعياري، تسمح للمستخدمين بوضع بيانات النماذج الموثوقة في طبقة التخزين وطبقة التوزيع من أجل تحسين النماذج، وأدوات التطوير التي تقدمها Sahara AI تحتوي على خوارزميات AI متقدمة وإطار حسابي، ولها القدرة على التدريب التعاوني.

• الاستدلال والتحقق: بعد تدريب النموذج، سيتم إنشاء ملف أوزان النموذج، والذي يمكن استخدامه مباشرةً للتصنيف أو التنبؤ أو مهام محددة أخرى، تُعرف هذه العملية بالاستدلال. عادةً ما يصاحب عملية الاستدلال آلية للتحقق، للتحقق مما إذا كان مصدر النموذج الاستدلالي صحيحًا، وما إذا كانت هناك سلوكيات ضارة، وما إلى ذلك. يمكن دمج الاستدلال في Web3 ضمن العقود الذكية، من خلال استدعاء النموذج لإجراء الاستدلال، تشمل طرق التحقق الشائعة تقنيات مثل ZKML وOPML وTEE. ومن المشاريع الممثلة Oracle الذكاء الاصطناعي على سلسلة ORA )OAO(، التي أدخلت OPML كطبقة قابلة للتحقق لOracle الذكاء الاصطناعي، وقد ذُكِرَ أيضًا في الموقع الرسمي لـ ORA أبحاثهم حول دمج ZKML وopp/ai)ZKML مع OPML(.

طبقة التطبيق:

تستهدف هذه الطبقة بشكل مباشر تطبيقات المستخدمين، حيث تجمع بين الذكاء الاصطناعي وWeb3، مما يخلق المزيد من اللعبات المثيرة والمبتكرة. يتناول هذا المقال بشكل رئيسي المشاريع في عدة مجالات مثل AIGC)، محتوى مولد بواسطة الذكاء الاصطناعي(، الوكلاء الذكائيون وتحليل البيانات.

• AIGC: يمكن توسيع AIGC إلى NFT والألعاب وغيرها من المجالات في Web3، حيث يمكن للمستخدمين توليد النصوص والصور والصوتيات مباشرة من Prompt) الذي يقدمه المستخدم، ويمكنهم حتى إنشاء طرق لعب مخصصة في الألعاب بناءً على تفضيلاتهم. مشاريع NFT مثل NFPrompt، يمكن للمستخدمين توليد NFT بواسطة AI وتداولها في السوق؛ ألعاب مثل Sleepless، يمكن للمستخدمين تشكيل شخصية رفيقهم الافتراضي من خلال الحوار لتتناسب مع تفضيلاتهم؛

• الوكيل الذكي: يُشير إلى أنظمة الذكاء الاصطناعي التي يمكنها تنفيذ المهام واتخاذ القرارات بشكل مستقل. غالبًا ما تمتلك الوكلاء الذكيون قدرات الإدراك، والاستدلال، والتعلم، والعمل، ويمكنهم تنفيذ مهام معقدة في بيئات متنوعة. من الوكلاء الذكيين الشائعين مثل الترجمة اللغوية، وتعلم اللغة،