دمج Web3 والذكاء الاصطناعي: بناء البنية التحتية للإنترنت من الجيل التالي
تعتبر Web3 نموذجاً جديداً للإنترنت لامركزي ومفتوح وشفاف، ولديها فرصة طبيعية للت融合 مع الذكاء الاصطناعي. في إطار الهيكل التقليدي المركزي، تخضع موارد حساب الذكاء الاصطناعي والبيانات لسيطرة صارمة، مما يؤدي إلى تحديات عديدة مثل اختناق القوة الحاسوبية، تسرب الخصوصية، وصناديق السوداء الخوارزمية. بينما تعتمد Web3 على التكنولوجيا الموزعة، يمكن أن تضخ قوة جديدة في تطوير الذكاء الاصطناعي من خلال الشبكات المشاركة للقوة الحاسوبية، أسواق البيانات المفتوحة، وحساب الخصوصية. في الوقت نفسه، يمكن أن يجلب الذكاء الاصطناعي العديد من القدرات لـ Web3، مثل تحسين العقود الذكية، والخوارزميات المضادة للغش، مما يدعم بناء بيئته. إن استكشاف دمج Web3 والذكاء الاصطناعي أمر بالغ الأهمية لبناء بنية تحتية جديدة للإنترنت، وإطلاق قيمة البيانات والقوة الحاسوبية.
مد driven: الأساس المتين للذكاء الاصطناعي وWeb3
تعتبر البيانات القوة الدافعة الأساسية لتطور الذكاء الاصطناعي، تمامًا كما هو الحال مع الوقود لمحرك. تحتاج نماذج الذكاء الاصطناعي إلى معالجة كميات كبيرة من البيانات عالية الجودة للحصول على فهم عميق وقدرة استدلال قوية. لا توفر البيانات فقط الأساس للتدريب على نماذج التعلم الآلي، بل تحدد أيضًا دقة النموذج وموثوقيته.
توجد المشاكل الرئيسية التالية في نماذج الحصول على بيانات الذكاء الاصطناعي التقليدية المركزية واستخدامها:
تكلفة الحصول على البيانات باهظة، مما يجعل من الصعب على الشركات الصغيرة والمتوسطة تحملها
تم احتكار موارد البيانات من قبل عمالقة التكنولوجيا، مما أدى إلى تشكيل جزر بيانات.
تواجه خصوصية البيانات الشخصية مخاطر التسرب والإساءة
يمكن لـ Web3 حل نقاط الألم في النماذج التقليدية من خلال نموذج بيانات لامركزي جديد:
جمع البيانات اللامركزية: يمكن للمستخدمين بيع الشبكات غير المستخدمة لشركات الذكاء الاصطناعي، لجمع بيانات الشبكة، وتوفير بيانات حقيقية وعالية الجودة لتدريب نماذج الذكاء الاصطناعي.
التوسيم اللامركزي للبيانات: اعتماد نموذج "label to earn"، من خلال تحفيز العاملين في جميع أنحاء العالم بالمكافآت الرمزية للمشاركة في التوسيم، وجمع المعرفة المهنية العالمية
منصة تبادل بيانات البلوكشين: تقدم بيئة تداول شفافة ومفتوحة للطرفين المعنيين ببيانات العرض والطلب، وتحفز الابتكار ومشاركة البيانات.
على الرغم من ذلك، لا تزال هناك بعض المشاكل في الحصول على بيانات العالم الحقيقي، مثل تباين جودة البيانات، وصعوبة المعالجة، ونقص التنوع والتمثيل. قد تكون البيانات الاصطناعية هي نجم مسار بيانات الويب 3 في المستقبل. استنادًا إلى تقنية الذكاء الاصطناعي التوليدي والمحاكاة، يمكن للبيانات الاصطناعية محاكاة خصائص البيانات الحقيقية، كإضافة فعالة للبيانات الحقيقية، مما يعزز كفاءة استخدام البيانات. في مجالات مثل القيادة الذاتية، وتداول الأسواق المالية، وتطوير الألعاب، أظهرت البيانات الاصطناعية إمكانات 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، مدى الحرص الشديد على حماية الخصوصية الشخصية. ومع ذلك، فإن هذا الأمر يثير التحديات: بعض البيانات الحساسة لا يمكن الاستفادة منها بشكل كامل بسبب مخاطر الخصوصية، مما يحد من إمكانيات نماذج الذكاء الاصطناعي وقدرتها على الاستدلال.
FHE هو تشفير متجانس كامل، يسمح بإجراء عمليات حسابية مباشرة على البيانات المشفرة دون الحاجة إلى فك تشفير البيانات، كما أن النتائج المحسوبة تتطابق مع النتائج الناتجة عن إجراء نفس العمليات على البيانات النصية.
يوفر FHE حماية قوية لحسابات الخصوصية للذكاء الاصطناعي، مما يسمح لقوة معالجة GPU بتنفيذ مهام تدريب النماذج واستنتاجها في بيئات لا تمس البيانات الأصلية. وهذا يوفر ميزة كبيرة لشركات الذكاء الاصطناعي، حيث يمكنها فتح خدمات API بأمان مع حماية الأسرار التجارية.
يدعم FHEML معالجة البيانات والنماذج بشكل مشفر على مدار دورة تعلم الآلة بأكملها، مما يضمن أمان المعلومات الحساسة ويمنع مخاطر تسرب البيانات. من خلال هذه الطريقة، يعزز FHEML خصوصية البيانات ويقدم إطار عمل آمن للحوسبة لتطبيقات الذكاء الاصطناعي.
FHEML هو تكملة لـ ZKML، حيث يثبت ZKML التنفيذ الصحيح للتعلم الآلي، بينما يركز FHEML على إجراء الحسابات على البيانات المشفرة للحفاظ على خصوصية البيانات.
ثورة قوة الحوسبة: الحوسبة الذكية في الشبكات اللامركزية
تتضاعف تعقيدات حساب النظام AI الحالي كل 3 أشهر، مما يؤدي إلى زيادة كبيرة في طلب قوة الحساب، وهو ما يفوق بكثير إمدادات موارد الحوسبة المتاحة. على سبيل المثال، يتطلب تدريب نموذج GPT-3 قوة حساب هائلة، تعادل 355 عامًا من وقت التدريب على جهاز واحد. مثل هذا النقص في قوة الحساب لا يقتصر فقط على تقييد تقدم تقنية AI، بل يجعل النماذج المتقدمة من AI بعيدة المنال بالنسبة لمعظم الباحثين والمطورين.
في الوقت نفسه، فإن معدل استخدام وحدات معالجة الرسوميات العالمي أقل من 40%، بالإضافة إلى تباطؤ تحسين أداء المعالجات الدقيقة، ونقص الرقائق الناتج عن عوامل سلسلة التوريد والجغرافيا السياسية، كل ذلك يجعل مشكلة إمدادات القوة الحاسوبية أكثر حدة. يجد العاملون في مجال الذكاء الاصطناعي أنفسهم في مأزق: إما شراء الأجهزة بأنفسهم، أو استئجار موارد سحابية، وهم بحاجة ماسة إلى طريقة خدمة حسابية فعالة من حيث التكلفة وعند الطلب.
تقوم شبكة حوسبة الذكاء الاصطناعي اللامركزية بتجميع موارد وحدات معالجة الرسوميات غير المستخدمة على مستوى العالم، مما يوفر سوق حوسبة اقتصادي وسهل الوصول للشركات المعنية بالذكاء الاصطناعي. يمكن لمستخدمي حوسبة الطلب نشر مهام الحوسبة على الشبكة، حيث توزع العقود الذكية المهام على عقد التعدين التي تساهم بالقدرة الحاسوبية. يقوم عمال المناجم بتنفيذ المهام وتقديم النتائج، وبعد التحقق منها يحصلون على مكافآت نقاط. تعزز هذه الخطة كفاءة استخدام الموارد، وتساعد في حل مشاكل اختناق القدرة الحاسوبية في مجالات مثل الذكاء الاصطناعي.
بالإضافة إلى الشبكة العامة لعمليات الحوسبة اللامركزية، هناك أيضًا شبكات حوسبة مخصصة تركز على تدريب الذكاء الاصطناعي واستنتاج الذكاء الاصطناعي.
تقدم شبكة الحوسبة اللامركزية سوقًا عادلًا وشفافًا للحوسبة، مما يكسر الاحتكار، ويقلل من عتبة الدخول للتطبيقات، ويزيد من كفاءة استخدام الحوسبة. في نظام الويب 3، ستلعب شبكة الحوسبة اللامركزية دورًا رئيسيًا في جذب المزيد من تطبيقات dapp المبتكرة، مما يدفع معًا لتطوير وتطبيق تقنيات الذكاء الاصطناعي.
DePIN: تمكين Web3 للذكاء الاصطناعي على الحافة
تخيل أن هاتفك الذكي، وساعتك الذكية، وحتى الأجهزة الذكية في منزلك، جميعها تمتلك القدرة على تشغيل الذكاء الاصطناعي - هذه هي جاذبية الذكاء الاصطناعي على الحافة. إنه يجعل الحوسبة تحدث عند مصدر البيانات، مما يحقق انخفاضًا في زمن الانتظار، ومعالجة في الوقت الحقيقي، بينما يحمي خصوصية المستخدم. لقد تم تطبيق تقنية الذكاء الاصطناعي على الحافة في مجالات حيوية مثل القيادة الذاتية.
في مجال Web3، لدينا اسم أكثر دراية - DePIN. يؤكد Web3 على اللامركزية وحقوق سيادة البيانات للمستخدمين، بينما يعزز DePIN حماية خصوصية المستخدم عن طريق معالجة البيانات محليًا، مما يقلل من مخاطر تسرب البيانات؛ يمكن لآلية الاقتصاد الرمزي الأصلية لـ Web3 تحفيز عقد DePIN على توفير موارد الحوسبة، مما يبني نظامًا بيئيًا مستدامًا.
تتطور DePIN حاليًا بسرعة في نظام بيئي لسلسلة عامة معينة ، لتصبح واحدة من المنصات المفضلة لنشر المشاريع. توفر TPS العالية وتكاليف المعاملات المنخفضة والابتكارات التكنولوجية في هذه السلسلة العامة دعمًا قويًا لمشاريع DePIN. حاليًا ، تتجاوز القيمة السوقية لمشاريع DePIN في هذه السلسلة العامة 10 مليارات دولار ، وقد حققت العديد من المشاريع المعروفة تقدمًا ملحوظًا.
IMO: إطلاق نمط جديد لنماذج الذكاء الاصطناعي
تم اقتراح مفهوم IMO لأول مرة بواسطة بروتوكول معين، والذي يقوم بترميز نماذج الذكاء الاصطناعي.
في النمط التقليدي، بسبب غياب آلية مشاركة العائدات، عندما يتم تطوير نموذج AI وإدخاله إلى السوق، غالباً ما يكون من الصعب على المطورين الحصول على عائدات مستمرة من الاستخدام اللاحق للنموذج، خاصةً عندما يتم دمج النموذج في منتجات وخدمات أخرى، يصبح من الصعب على المبدعين الأصليين تتبع الاستخدام، ناهيك عن الحصول على عائدات منه. بالإضافة إلى ذلك، غالبًا ما تفتقر أداء نموذج AI ونتائجه إلى الشفافية، مما يجعل من الصعب على المستثمرين المحتملين والمستخدمين تقييم قيمته الحقيقية، مما يحد من اعتراف السوق بالنموذج وإمكاناته التجارية.
توفر IMO دعمًا ماليًا جديدًا ونمطًا لمشاركة القيمة لنماذج الذكاء الاصطناعي مفتوحة المصدر، حيث يمكن للمستثمرين شراء رموز IMO ومشاركة العائدات الناتجة عن النموذج لاحقًا. يستخدم بروتوكول معين معيارين ERC، ويجمع بين تقنية الذكاء الاصطناعي Oracle و OPML لضمان صحة نموذج الذكاء الاصطناعي وتمكين حاملي الرموز من مشاركة العائدات.
نموذج IMO يعزز الشفافية والثقة، ويشجع على التعاون المفتوح، ويتكيف مع اتجاهات السوق التشفيرية، ويضخ الطاقة في التنمية المستدامة لتقنية الذكاء الاصطناعي. لا يزال IMO في مرحلة التجريب الأولية، ولكن مع زيادة قبول السوق وتوسع نطاق المشاركة، فإن ابتكاره وقيمته المحتملة تستحق توقعاتنا.
وكيل الذكاء الاصطناعي: عصر جديد لتجربة التفاعل
يمكن لوكيل الذكاء الاصطناعي إدراك البيئة، والتفكير المستقل، واتخاذ الإجراءات المناسبة لتحقيق الأهداف المحددة. بدعم من نماذج اللغة الكبيرة، يمكن لوكيل الذكاء الاصطناعي فهم اللغة الطبيعية، بالإضافة إلى تخطيط القرارات وتنفيذ المهام المعقدة. يمكن أن تعمل كأدوات مساعدة افتراضية، من خلال التفاعل مع المستخدمين وتعلم تفضيلاتهم، وتقديم حلول مخصصة. حتى في غياب التعليمات الواضحة، يمكن لوكيل الذكاء الاصطناعي حل المشكلات بشكل مستقل، وزيادة الكفاءة، وخلق قيمة جديدة.
توفر منصة تطبيقات AI الأصلية المفتوحة مجموعة شاملة وسهلة الاستخدام من أدوات الإبداع، تدعم المستخدمين في تكوين ميزات الروبوتات، المظهر، الصوت، وكذلك الاتصال بقواعد المعرفة الخارجية، وتهدف إلى إنشاء نظام بيئي عادل ومفتوح لمحتوى AI، من خلال الاستفادة من تقنيات AI التوليدية، لتمكين الأفراد ليصبحوا منشئين عظماء. قامت المنصة بتدريب نماذج لغوية كبيرة متخصصة، مما يجعل التفاعل في أدوار الشخصيات أكثر إنسانية؛ يمكن لتقنية استنساخ الصوت تسريع التفاعل الشخصي مع منتجات AI، وتقليل تكاليف توليد الصوت بنسبة 99%، حيث يمكن تنفيذ استنساخ الصوت في دقيقة واحدة فقط. باستخدام AI Agent المخصص من المنصة، يمكن تطبيقه حاليًا في مجالات متعددة مثل الدردشة عبر الفيديو، تعلم اللغات، وتوليد الصور.
في دمج Web3 و AI، يتركز البحث حاليًا بشكل أكبر على مستوى 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 النماذج اللغوية الكبيرة وغيرها من القضايا الرئيسية. مع التحسين التدريجي لهذه البنية التحتية، لدينا أسباب للاعتقاد بأن دمج Web3 و AI سيفضي إلى مجموعة من نماذج الأعمال والخدمات المبتكرة.
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 21
أعجبني
21
6
مشاركة
تعليق
0/400
AirdropHarvester
· 07-22 19:17
أنتم جميعًا تقولون عن اللامركزية، لكن المال كله في جيب CZ.
شاهد النسخة الأصليةرد0
LiquidityOracle
· 07-22 15:56
بدأوا يتحدثون عن web3 مرة أخرى، هل يعني أنهم يضيفون buffs؟
شاهد النسخة الأصليةرد0
BlockchainFries
· 07-22 09:01
يا له من أمر! لا يزال هناك وقت طويل حتى يحدث ذلك بشكل حقيقي.
شاهد النسخة الأصليةرد0
MEVHunterBearish
· 07-19 22:56
يبدو كأنه يُستغل بغباء.
شاهد النسخة الأصليةرد0
OnlyOnMainnet
· 07-19 22:56
تحول الأدوات إلى أشخاص ذكيين ، إنه أمر مثير للاهتمام
شاهد النسخة الأصليةرد0
TrustMeBro
· 07-19 22:32
يبدو الأمر رائعًا، لكنني لا أعلم متى سيصبح واقعًا.
دمج Web3 و AI: بناء بنية تحتية جديدة للإنترنت من الجيل التالي
دمج Web3 والذكاء الاصطناعي: بناء البنية التحتية للإنترنت من الجيل التالي
تعتبر Web3 نموذجاً جديداً للإنترنت لامركزي ومفتوح وشفاف، ولديها فرصة طبيعية للت融合 مع الذكاء الاصطناعي. في إطار الهيكل التقليدي المركزي، تخضع موارد حساب الذكاء الاصطناعي والبيانات لسيطرة صارمة، مما يؤدي إلى تحديات عديدة مثل اختناق القوة الحاسوبية، تسرب الخصوصية، وصناديق السوداء الخوارزمية. بينما تعتمد Web3 على التكنولوجيا الموزعة، يمكن أن تضخ قوة جديدة في تطوير الذكاء الاصطناعي من خلال الشبكات المشاركة للقوة الحاسوبية، أسواق البيانات المفتوحة، وحساب الخصوصية. في الوقت نفسه، يمكن أن يجلب الذكاء الاصطناعي العديد من القدرات لـ Web3، مثل تحسين العقود الذكية، والخوارزميات المضادة للغش، مما يدعم بناء بيئته. إن استكشاف دمج Web3 والذكاء الاصطناعي أمر بالغ الأهمية لبناء بنية تحتية جديدة للإنترنت، وإطلاق قيمة البيانات والقوة الحاسوبية.
مد driven: الأساس المتين للذكاء الاصطناعي وWeb3
تعتبر البيانات القوة الدافعة الأساسية لتطور الذكاء الاصطناعي، تمامًا كما هو الحال مع الوقود لمحرك. تحتاج نماذج الذكاء الاصطناعي إلى معالجة كميات كبيرة من البيانات عالية الجودة للحصول على فهم عميق وقدرة استدلال قوية. لا توفر البيانات فقط الأساس للتدريب على نماذج التعلم الآلي، بل تحدد أيضًا دقة النموذج وموثوقيته.
توجد المشاكل الرئيسية التالية في نماذج الحصول على بيانات الذكاء الاصطناعي التقليدية المركزية واستخدامها:
يمكن لـ Web3 حل نقاط الألم في النماذج التقليدية من خلال نموذج بيانات لامركزي جديد:
على الرغم من ذلك، لا تزال هناك بعض المشاكل في الحصول على بيانات العالم الحقيقي، مثل تباين جودة البيانات، وصعوبة المعالجة، ونقص التنوع والتمثيل. قد تكون البيانات الاصطناعية هي نجم مسار بيانات الويب 3 في المستقبل. استنادًا إلى تقنية الذكاء الاصطناعي التوليدي والمحاكاة، يمكن للبيانات الاصطناعية محاكاة خصائص البيانات الحقيقية، كإضافة فعالة للبيانات الحقيقية، مما يعزز كفاءة استخدام البيانات. في مجالات مثل القيادة الذاتية، وتداول الأسواق المالية، وتطوير الألعاب، أظهرت البيانات الاصطناعية إمكانات 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، مدى الحرص الشديد على حماية الخصوصية الشخصية. ومع ذلك، فإن هذا الأمر يثير التحديات: بعض البيانات الحساسة لا يمكن الاستفادة منها بشكل كامل بسبب مخاطر الخصوصية، مما يحد من إمكانيات نماذج الذكاء الاصطناعي وقدرتها على الاستدلال.
FHE هو تشفير متجانس كامل، يسمح بإجراء عمليات حسابية مباشرة على البيانات المشفرة دون الحاجة إلى فك تشفير البيانات، كما أن النتائج المحسوبة تتطابق مع النتائج الناتجة عن إجراء نفس العمليات على البيانات النصية.
يوفر FHE حماية قوية لحسابات الخصوصية للذكاء الاصطناعي، مما يسمح لقوة معالجة GPU بتنفيذ مهام تدريب النماذج واستنتاجها في بيئات لا تمس البيانات الأصلية. وهذا يوفر ميزة كبيرة لشركات الذكاء الاصطناعي، حيث يمكنها فتح خدمات API بأمان مع حماية الأسرار التجارية.
يدعم FHEML معالجة البيانات والنماذج بشكل مشفر على مدار دورة تعلم الآلة بأكملها، مما يضمن أمان المعلومات الحساسة ويمنع مخاطر تسرب البيانات. من خلال هذه الطريقة، يعزز FHEML خصوصية البيانات ويقدم إطار عمل آمن للحوسبة لتطبيقات الذكاء الاصطناعي.
FHEML هو تكملة لـ ZKML، حيث يثبت ZKML التنفيذ الصحيح للتعلم الآلي، بينما يركز FHEML على إجراء الحسابات على البيانات المشفرة للحفاظ على خصوصية البيانات.
ثورة قوة الحوسبة: الحوسبة الذكية في الشبكات اللامركزية
تتضاعف تعقيدات حساب النظام AI الحالي كل 3 أشهر، مما يؤدي إلى زيادة كبيرة في طلب قوة الحساب، وهو ما يفوق بكثير إمدادات موارد الحوسبة المتاحة. على سبيل المثال، يتطلب تدريب نموذج GPT-3 قوة حساب هائلة، تعادل 355 عامًا من وقت التدريب على جهاز واحد. مثل هذا النقص في قوة الحساب لا يقتصر فقط على تقييد تقدم تقنية AI، بل يجعل النماذج المتقدمة من AI بعيدة المنال بالنسبة لمعظم الباحثين والمطورين.
في الوقت نفسه، فإن معدل استخدام وحدات معالجة الرسوميات العالمي أقل من 40%، بالإضافة إلى تباطؤ تحسين أداء المعالجات الدقيقة، ونقص الرقائق الناتج عن عوامل سلسلة التوريد والجغرافيا السياسية، كل ذلك يجعل مشكلة إمدادات القوة الحاسوبية أكثر حدة. يجد العاملون في مجال الذكاء الاصطناعي أنفسهم في مأزق: إما شراء الأجهزة بأنفسهم، أو استئجار موارد سحابية، وهم بحاجة ماسة إلى طريقة خدمة حسابية فعالة من حيث التكلفة وعند الطلب.
تقوم شبكة حوسبة الذكاء الاصطناعي اللامركزية بتجميع موارد وحدات معالجة الرسوميات غير المستخدمة على مستوى العالم، مما يوفر سوق حوسبة اقتصادي وسهل الوصول للشركات المعنية بالذكاء الاصطناعي. يمكن لمستخدمي حوسبة الطلب نشر مهام الحوسبة على الشبكة، حيث توزع العقود الذكية المهام على عقد التعدين التي تساهم بالقدرة الحاسوبية. يقوم عمال المناجم بتنفيذ المهام وتقديم النتائج، وبعد التحقق منها يحصلون على مكافآت نقاط. تعزز هذه الخطة كفاءة استخدام الموارد، وتساعد في حل مشاكل اختناق القدرة الحاسوبية في مجالات مثل الذكاء الاصطناعي.
بالإضافة إلى الشبكة العامة لعمليات الحوسبة اللامركزية، هناك أيضًا شبكات حوسبة مخصصة تركز على تدريب الذكاء الاصطناعي واستنتاج الذكاء الاصطناعي.
تقدم شبكة الحوسبة اللامركزية سوقًا عادلًا وشفافًا للحوسبة، مما يكسر الاحتكار، ويقلل من عتبة الدخول للتطبيقات، ويزيد من كفاءة استخدام الحوسبة. في نظام الويب 3، ستلعب شبكة الحوسبة اللامركزية دورًا رئيسيًا في جذب المزيد من تطبيقات dapp المبتكرة، مما يدفع معًا لتطوير وتطبيق تقنيات الذكاء الاصطناعي.
DePIN: تمكين Web3 للذكاء الاصطناعي على الحافة
تخيل أن هاتفك الذكي، وساعتك الذكية، وحتى الأجهزة الذكية في منزلك، جميعها تمتلك القدرة على تشغيل الذكاء الاصطناعي - هذه هي جاذبية الذكاء الاصطناعي على الحافة. إنه يجعل الحوسبة تحدث عند مصدر البيانات، مما يحقق انخفاضًا في زمن الانتظار، ومعالجة في الوقت الحقيقي، بينما يحمي خصوصية المستخدم. لقد تم تطبيق تقنية الذكاء الاصطناعي على الحافة في مجالات حيوية مثل القيادة الذاتية.
في مجال Web3، لدينا اسم أكثر دراية - DePIN. يؤكد Web3 على اللامركزية وحقوق سيادة البيانات للمستخدمين، بينما يعزز DePIN حماية خصوصية المستخدم عن طريق معالجة البيانات محليًا، مما يقلل من مخاطر تسرب البيانات؛ يمكن لآلية الاقتصاد الرمزي الأصلية لـ Web3 تحفيز عقد DePIN على توفير موارد الحوسبة، مما يبني نظامًا بيئيًا مستدامًا.
تتطور DePIN حاليًا بسرعة في نظام بيئي لسلسلة عامة معينة ، لتصبح واحدة من المنصات المفضلة لنشر المشاريع. توفر TPS العالية وتكاليف المعاملات المنخفضة والابتكارات التكنولوجية في هذه السلسلة العامة دعمًا قويًا لمشاريع DePIN. حاليًا ، تتجاوز القيمة السوقية لمشاريع DePIN في هذه السلسلة العامة 10 مليارات دولار ، وقد حققت العديد من المشاريع المعروفة تقدمًا ملحوظًا.
IMO: إطلاق نمط جديد لنماذج الذكاء الاصطناعي
تم اقتراح مفهوم IMO لأول مرة بواسطة بروتوكول معين، والذي يقوم بترميز نماذج الذكاء الاصطناعي.
في النمط التقليدي، بسبب غياب آلية مشاركة العائدات، عندما يتم تطوير نموذج AI وإدخاله إلى السوق، غالباً ما يكون من الصعب على المطورين الحصول على عائدات مستمرة من الاستخدام اللاحق للنموذج، خاصةً عندما يتم دمج النموذج في منتجات وخدمات أخرى، يصبح من الصعب على المبدعين الأصليين تتبع الاستخدام، ناهيك عن الحصول على عائدات منه. بالإضافة إلى ذلك، غالبًا ما تفتقر أداء نموذج AI ونتائجه إلى الشفافية، مما يجعل من الصعب على المستثمرين المحتملين والمستخدمين تقييم قيمته الحقيقية، مما يحد من اعتراف السوق بالنموذج وإمكاناته التجارية.
توفر IMO دعمًا ماليًا جديدًا ونمطًا لمشاركة القيمة لنماذج الذكاء الاصطناعي مفتوحة المصدر، حيث يمكن للمستثمرين شراء رموز IMO ومشاركة العائدات الناتجة عن النموذج لاحقًا. يستخدم بروتوكول معين معيارين ERC، ويجمع بين تقنية الذكاء الاصطناعي Oracle و OPML لضمان صحة نموذج الذكاء الاصطناعي وتمكين حاملي الرموز من مشاركة العائدات.
نموذج IMO يعزز الشفافية والثقة، ويشجع على التعاون المفتوح، ويتكيف مع اتجاهات السوق التشفيرية، ويضخ الطاقة في التنمية المستدامة لتقنية الذكاء الاصطناعي. لا يزال IMO في مرحلة التجريب الأولية، ولكن مع زيادة قبول السوق وتوسع نطاق المشاركة، فإن ابتكاره وقيمته المحتملة تستحق توقعاتنا.
وكيل الذكاء الاصطناعي: عصر جديد لتجربة التفاعل
يمكن لوكيل الذكاء الاصطناعي إدراك البيئة، والتفكير المستقل، واتخاذ الإجراءات المناسبة لتحقيق الأهداف المحددة. بدعم من نماذج اللغة الكبيرة، يمكن لوكيل الذكاء الاصطناعي فهم اللغة الطبيعية، بالإضافة إلى تخطيط القرارات وتنفيذ المهام المعقدة. يمكن أن تعمل كأدوات مساعدة افتراضية، من خلال التفاعل مع المستخدمين وتعلم تفضيلاتهم، وتقديم حلول مخصصة. حتى في غياب التعليمات الواضحة، يمكن لوكيل الذكاء الاصطناعي حل المشكلات بشكل مستقل، وزيادة الكفاءة، وخلق قيمة جديدة.
توفر منصة تطبيقات AI الأصلية المفتوحة مجموعة شاملة وسهلة الاستخدام من أدوات الإبداع، تدعم المستخدمين في تكوين ميزات الروبوتات، المظهر، الصوت، وكذلك الاتصال بقواعد المعرفة الخارجية، وتهدف إلى إنشاء نظام بيئي عادل ومفتوح لمحتوى AI، من خلال الاستفادة من تقنيات AI التوليدية، لتمكين الأفراد ليصبحوا منشئين عظماء. قامت المنصة بتدريب نماذج لغوية كبيرة متخصصة، مما يجعل التفاعل في أدوار الشخصيات أكثر إنسانية؛ يمكن لتقنية استنساخ الصوت تسريع التفاعل الشخصي مع منتجات AI، وتقليل تكاليف توليد الصوت بنسبة 99%، حيث يمكن تنفيذ استنساخ الصوت في دقيقة واحدة فقط. باستخدام AI Agent المخصص من المنصة، يمكن تطبيقه حاليًا في مجالات متعددة مثل الدردشة عبر الفيديو، تعلم اللغات، وتوليد الصور.
في دمج Web3 و AI، يتركز البحث حاليًا بشكل أكبر على مستوى 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 النماذج اللغوية الكبيرة وغيرها من القضايا الرئيسية. مع التحسين التدريجي لهذه البنية التحتية، لدينا أسباب للاعتقاد بأن دمج Web3 و AI سيفضي إلى مجموعة من نماذج الأعمال والخدمات المبتكرة.