دمج الذكاء الاصطناعي وWeb3: الحالة الراهنة، التحديات وآفاق المستقبل
المقدمة: تطور AI+Web3
في السنوات الأخيرة، أثار التطور السريع لتقنية الذكاء الاصطناعي (AI) وWeb3 اهتمامًا واسعًا على مستوى العالم. يُعتبر الذكاء الاصطناعي تقنية تحاكي وتقلد الذكاء البشري، وقد حقق تقدمًا كبيرًا في مجالات مثل التعرف على الوجوه ومعالجة اللغة الطبيعية وتعلم الآلة، مما جلب تحولات وابتكارات هائلة لمختلف الصناعات.
حجم سوق صناعة الذكاء الاصطناعي بلغ 200 مليار دولار في عام 2023، وظهرت عمالقة الصناعة مثل OpenAI و Character.AI و Midjourney وغيرهم من اللاعبين المتميزين مثل الفطر بعد المطر، مما قاد موجة الذكاء الاصطناعي.
في الوقت نفسه، يعد Web3 نموذجًا شبكيًا ناشئًا، ويقوم تدريجيًا بتغيير فهمنا واستخدامنا للإنترنت. يستند Web3 إلى تقنية blockchain اللامركزية، ومن خلال العقود الذكية، والتخزين الموزع، والتحقق من الهوية اللامركزية، يحقق مشاركة البيانات وقابلية التحكم فيها، واستقلالية المستخدم، وإنشاء آليات الثقة. الفكرة الأساسية لـ Web3 هي تحرير البيانات من أيدي الهيئات المركزية، ومنح المستخدمين السيطرة على البيانات وحق مشاركة قيمة البيانات.
بلغت القيمة السوقية لصناعة Web3 حالياً 25 تريليون، سواء كانت Bitcoin أو Ethereum أو Solana أو لاعبين على مستوى التطبيقات مثل Uniswap و Stepn، فإن السرد والمشاهد الجديدة تتوالى باستمرار، مما يجذب المزيد والمزيد من الناس للانضمام إلى صناعة Web3.
إن دمج الذكاء الاصطناعي وWeb3 هو مجال يهم builders وVC في الشرق والغرب، وكيفية دمج الاثنين بشكل جيد هو سؤال يستحق الاستكشاف.
ستتناول هذه المقالة حالة تطوير AI + Web3، واستكشاف القيمة المحتملة والتأثيرات الناتجة عن هذا الاندماج. سنقوم أولاً بتقديم المفاهيم الأساسية والخصائص لـ AI و Web3، ثم نستكشف العلاقة المتبادلة بينهما. بعد ذلك، سنحلل حالة مشاريع AI + Web3 الحالية، ونتناول بالتفصيل القيود والتحديات التي تواجهها. من خلال هذه الدراسة، نأمل أن نقدم مرجعًا ورؤية قيمة للمستثمرين والمهنيين في الصناعات المعنية.
! [تعميم علم الوافد الجديد 丨 تحليل متعمق: ما نوع الشرر الذي يمكن أن يصطدم به الذكاء الاصطناعي و Web3؟] ](https://img-cdn.gateio.im/webp-social/moments-3a464664dade44c046b5c1451f1cf968.webp)
٢. كيفية تفاعل الذكاء الاصطناعي مع Web3
تطور الذكاء الاصطناعي وWeb3 يشبه جانبي الميزان، حيث أن الذكاء الاصطناعي قد جلب تحسينًا في الإنتاجية، بينما Web3 قد جلب تغييرات في علاقات الإنتاج. فما هي الشرارة التي يمكن أن تتولد من تفاعل الذكاء الاصطناعي وWeb3؟ سنقوم أولاً بتحليل التحديات والمساحات التي يمكن تحسينها التي تواجه كل من صناعة الذكاء الاصطناعي وWeb3، ثم سنناقش كيف يمكن لكل منهما المساعدة في حل هذه التحديات.
2.1 التحديات التي تواجه صناعة الذكاء الاصطناعي
لفهم التحديات التي تواجه صناعة الذكاء الاصطناعي، دعونا أولاً نلقي نظرة على جوهر صناعة الذكاء الاصطناعي. لا يمكن فصل جوهر صناعة الذكاء الاصطناعي عن ثلاثة عناصر رئيسية: القدرة الحاسوبية، والخوارزميات، والبيانات.
القوة الحاسوبية: تشير القوة الحاسوبية إلى القدرة على إجراء عمليات حسابية ومعالجة على نطاق واسع. عادةً ما تتطلب مهام الذكاء الاصطناعي معالجة كميات كبيرة من البيانات وإجراء حسابات معقدة، مثل تدريب نماذج الشبكات العصبية العميقة. يمكن أن تؤدي القدرة الحاسوبية العالية إلى تسريع عملية تدريب النموذج واستنتاجه، مما يعزز أداء وكفاءة أنظمة الذكاء الاصطناعي. في السنوات الأخيرة، مع تطور تقنيات الأجهزة، مثل وحدات معالجة الرسومات (GPU) والرقائق المخصصة للذكاء الاصطناعي (مثل TPU)، كان لتحسين القوة الحاسوبية دور مهم في دفع تطوير صناعة الذكاء الاصطناعي. شركة Nvidia، التي شهدت ارتفاعًا جنونيًا في أسهمها في السنوات الأخيرة، تعتبر واحدة من مزودي وحدات معالجة الرسومات وتمتلك حصة سوقية كبيرة، مما حقق لها أرباحًا مرتفعة.
الخوارزميات: الخوارزميات هي المكون الأساسي لنظام الذكاء الاصطناعي، وهي الطرق الرياضية والإحصائية المستخدمة لحل المشكلات وتنفيذ المهام. يمكن تقسيم خوارزميات الذكاء الاصطناعي إلى خوارزميات التعلم الآلي التقليدية وخوارزميات التعلم العميق، حيث حققت خوارزميات التعلم العميق تقدمًا كبيرًا في السنوات الأخيرة. إن اختيار وتصميم الخوارزميات أمر بالغ الأهمية لأداء نظام الذكاء الاصطناعي وفعاليته. يمكن أن تؤدي الخوارزميات التي يتم تحسينها وابتكارها باستمرار إلى زيادة دقة نظام الذكاء الاصطناعي ومرونته وقدرته على التعميم. ستؤدي الخوارزميات المختلفة إلى نتائج مختلفة، لذا فإن تحسين الخوارزميات يعد أيضًا أمرًا حيويًا لتحقيق نتائج المهام.
البيانات: المهمة الأساسية لنظام الذكاء الاصطناعي هي استخراج الأنماط والقواعد من البيانات من خلال التعلم والتدريب. البيانات هي أساس تدريب وتحسين النماذج، ومن خلال عينات بيانات كبيرة الحجم، يمكن لنظام الذكاء الاصطناعي تعلم نماذج أكثر دقة وذكاء. يمكن لمجموعات البيانات الغنية أن توفر معلومات أكثر شمولاً وتنوعاً، مما يساعد النموذج على التعميم بشكل أفضل على البيانات غير المرئية، مما يساعد نظام الذكاء الاصطناعي على فهم وحل مشكلات العالم الحقيقي بشكل أفضل.
! [تعميم علم الوافد الجديد 丨 تحليل متعمق: ما نوع الشرر الذي يمكن أن يصطدم به الذكاء الاصطناعي و Web3؟] ](https://img-cdn.gateio.im/webp-social/moments-166b11addde400b95cef849db8a9f96d.webp)
بعد فهم العناصر الثلاثة الأساسية للذكاء الاصطناعي الحالي، دعونا نلقي نظرة على الصعوبات والتحديات التي تواجه الذكاء الاصطناعي في هذه الجوانب الثلاثة:
من حيث القدرة الحاسوبية: غالبًا ما تتطلب مهام الذكاء الاصطناعي موارد حسابية كبيرة لتدريب النماذج واستنتاجها، خاصةً بالنسبة لنماذج التعلم العميق. ومع ذلك، فإن الحصول على وإدارة القدرة الحاسوبية على نطاق واسع يعد تحديًا مكلفًا ومعقدًا. تكلفة أجهزة الحوسبة عالية الأداء واستهلاك الطاقة والصيانة كلها مشاكل. خاصةً بالنسبة للشركات الناشئة والمطورين الأفراد، قد يكون من الصعب الحصول على قدرة حاسوبية كافية.
٢. في مجال الخوارزميات: على الرغم من أن خوارزميات التعلم العميق حققت نجاحًا كبيرًا في العديد من المجالات، إلا أنه لا تزال هناك بعض الصعوبات والتحديات. على سبيل المثال، يتطلب تدريب الشبكات العصبية العميقة كميات كبيرة من البيانات والموارد الحسابية، وقد تكون قابلية تفسير النموذج ووضوحه غير كافيين لبعض المهام. بالإضافة إلى ذلك، تعتبر متانة الخوارزمية وقدرتها على التعميم من القضايا الهامة، حيث قد تكون أداء النموذج على البيانات غير المعروفة غير مستقر. من بين العديد من الخوارزميات، يعد العثور على أفضل خوارزمية لتقديم أفضل خدمة عملية مستمرة تحتاج إلى استكشاف.
الجانب البيانات: البيانات هي المحرك الرئيسي للذكاء الاصطناعي، ولكن الحصول على بيانات عالية الجودة ومتنوعة لا يزال يمثل تحديًا. قد يكون من الصعب الحصول على البيانات في بعض المجالات، مثل البيانات الصحية الحساسة في المجال الطبي. بالإضافة إلى ذلك، فإن جودة البيانات ودقتها وتوصيفها تشكل أيضًا مشاكل، حيث قد تؤدي البيانات غير المكتملة أو المتحيزة إلى سلوكيات خاطئة أو انحيازات في النماذج. في الوقت نفسه، تعتبر حماية خصوصية البيانات وأمانها أيضًا من الاعتبارات المهمة.
علاوة على ذلك، توجد مشاكل مثل القابلية للتفسير والشفافية، حيث تعتبر خاصية الصندوق الأسود لنماذج الذكاء الاصطناعي قضية تهم الجمهور. بالنسبة لبعض التطبيقات، مثل المالية والرعاية الصحية والعدالة، تحتاج عملية اتخاذ القرار للنموذج إلى أن تكون قابلة للتفسير وقابلة للتتبع، بينما غالبًا ما تفتقر نماذج التعلم العميق الحالية إلى الشفافية. لا يزال تفسير عملية اتخاذ القرار للنموذج وتقديم تفسيرات موثوقة يمثل تحديًا.
بالإضافة إلى ذلك، فإن العديد من نماذج الأعمال لمشاريع الذكاء الاصطناعي غير واضحة، وهذا يجعل العديد من رواد الأعمال في مجال الذكاء الاصطناعي يشعرون بالارتباك.
2.2 التحديات التي تواجه صناعة Web3
وفيما يتعلق بصناعة Web3، هناك حاليًا العديد من التحديات المختلفة التي تحتاج إلى حل، سواء كان ذلك في تحليل بيانات Web3، أو تجربة المستخدم السيئة للمنتجات المتعلقة بـ Web3، أو مشكلات ثغرات كود العقود الذكية والهجمات الإلكترونية، هناك الكثير من الفرص للتحسين. وكأداة لزيادة الإنتاجية، يوجد لدى الذكاء الاصطناعي أيضًا الكثير من الإمكانيات للاستفادة منها في هذه الجوانب.
أولاً، هناك تحسين في القدرة على تحليل البيانات والتنبؤ: لقد كان لتطبيق تقنية الذكاء الاصطناعي في تحليل البيانات والتنبؤ تأثير كبير على صناعة Web3. من خلال التحليل الذكي والتنقيب باستخدام خوارزميات الذكاء الاصطناعي، يمكن لمنصات Web3 استخراج معلومات قيمة من كميات هائلة من البيانات، وإجراء تنبؤات وقرارات أكثر دقة. وهذا له أهمية كبيرة في مجالات مثل تقييم المخاطر، والتنبؤات السوقية، وإدارة الأصول في مجال التمويل اللامركزي (DeFi).
بالإضافة إلى ذلك، يمكن تحقيق تحسين تجربة المستخدم والخدمات المخصصة: إن تطبيق تقنيات الذكاء الاصطناعي يمكن منصات Web3 من تقديم تجربة مستخدم أفضل وخدمات مخصصة. من خلال تحليل بيانات المستخدمين ونمذجتها، يمكن لمنصات Web3 تقديم توصيات مخصصة، وخدمات مخصصة، وتجارب تفاعلية ذكية للمستخدمين. يساعد ذلك في زيادة مشاركة المستخدمين ورضاهم، مما يعزز تطوير نظام Web3 البيئي، على سبيل المثال، يتم استخدام العديد من بروتوكولات Web3 أدوات الذكاء الاصطناعي مثل ChatGPT لتقديم خدمة أفضل للمستخدمين.
فيما يتعلق بالأمان وحماية الخصوصية، فإن تطبيقات الذكاء الاصطناعي لها تأثير عميق أيضًا على صناعة Web3. يمكن استخدام تقنيات الذكاء الاصطناعي للكشف عن الهجمات الإلكترونية والدفاع عنها، والتعرف على السلوكيات الشاذة، وتوفير حماية أمان أقوى. في الوقت نفسه، يمكن أيضًا تطبيق الذكاء الاصطناعي في حماية خصوصية البيانات، من خلال تقنيات مثل تشفير البيانات والحوسبة الخصوصية، لحماية المعلومات الشخصية للمستخدمين على منصات Web3. في مجال تدقيق العقود الذكية، نظرًا لأن عملية كتابة العقود الذكية وتدقيقها قد تحتوي على ثغرات ومخاطر أمنية، يمكن استخدام تقنيات الذكاء الاصطناعي لأتمتة تدقيق العقود واكتشاف الثغرات، مما يعزز أمان وموثوقية العقود.
من الواضح أن الذكاء الاصطناعي يمكن أن يشارك ويساهم في العديد من الجوانب المتعلقة بالتحديات والفرص المحتملة التي تواجه صناعة Web3.
! [تعميم علم الوافد الجديد 丨 تحليل متعمق: ما نوع الشرر الذي يمكن أن يصطدم به الذكاء الاصطناعي و Web3؟] ](https://img-cdn.gateio.im/webp-social/moments-de2f6c381547c3d62e1f40e50f67e32d.webp)
3. تحليل حالة مشاريع AI + Web3
تتوجه المشاريع التي تجمع بين الذكاء الاصطناعي وWeb3 بشكل أساسي من جانبين كبيرين، وهما استخدام تقنية blockchain لتحسين أداء مشاريع الذكاء الاصطناعي، واستخدام تقنية الذكاء الاصطناعي لخدمة تحسين مشاريع Web3.
تدور حول جانبين، ظهرت مجموعة كبيرة من المشاريع التي تستكشف هذا الطريق، بما في ذلك Io.net و Gensyn و Ritual وغيرها من المشاريع المتنوعة، وفيما يلي ستحلل هذه المقالة الوضع الحالي وتطورات المسارات الفرعية المختلفة التي يدعم فيها الذكاء الاصطناعي Web3 ويدعم Web3 الذكاء الاصطناعي.
3.1 Web3 يدعم الذكاء الاصطناعي
3.1.1 قوة حوسبة لامركزية
بعد إطلاق OpenAI لـ ChatGPT في نهاية عام 2022، انفجرت ضجة الذكاء الاصطناعي، حيث وصل عدد المستخدمين إلى مليون في غضون 5 أيام فقط، بينما استغرق الأمر حوالي شهرين ونصف لـ Instagram للوصول إلى مليون تحميل. بعد ذلك، حقق ChatGPT أيضًا نجاحًا كبيرًا، حيث وصلت عدد المستخدمين النشطين شهريًا إلى 100 مليون في غضون شهرين، وبحلول نوفمبر 2023، بلغ عدد المستخدمين النشطين أسبوعيًا 100 مليون. مع ظهور ChatGPT، انفجر مجال الذكاء الاصطناعي بسرعة من مجال نيش إلى صناعة تحظى باهتمام كبير.
وفقًا لتقرير Trendforce، يحتاج ChatGPT إلى 30000 وحدة معالجة رسومات NVIDIA A100 لتشغيله، بينما سيحتاج GPT-5 في المستقبل إلى أعداد أكبر من القدرة الحاسوبية. وهذا أيضًا أدى إلى بدء سباق تسلح بين شركات الذكاء الاصطناعي، حيث أن القدرة على التحكم في كمية كافية من القدرة الحاسوبية هي التي تحدد ما إذا كان لديك القوة والميزة الكافية في حرب الذكاء الاصطناعي، وهذا هو السبب في ظهور ظاهرة نقص وحدات معالجة الرسومات.
قبل صعود الذكاء الاصطناعي، كان العملاء الرئيسيون لمزود GPU الرائد NVIDIA يتركزون في ثلاث خدمات سحابية رئيسية: AWS وAzure وGCP. مع ظهور الذكاء الاصطناعي، ظهر عدد كبير من المشترين الجدد، بما في ذلك الشركات الكبرى مثل Meta وOracle وغيرها من منصات البيانات وشركات الذكاء الاصطناعي الناشئة، التي انضمت إلى حرب تخزين GPU لتدريب نماذج الذكاء الاصطناعي. زادت شركات التكنولوجيا الكبرى مثل Meta وTesla بشكل كبير من كمية الشراء لنماذج الذكاء الاصطناعي المخصصة والبحوث الداخلية. كما اشترت شركات نماذج الأساس مثل Anthropic ومنصات البيانات مثل Snowflake وDatabricks المزيد من GPU لمساعدة العملاء في تقديم خدمات الذكاء الاصطناعي.
كما ذكرت Semi Analysis العام الماضي "الأغنياء في وحدات معالجة الرسوميات والفقراء في وحدات معالجة الرسوميات"، تمتلك عدد قليل من الشركات أكثر من 20000 وحدة معالجة رسومية A100/H100، ويمكن لأعضاء الفريق استخدام من 100 إلى 1000 وحدة معالجة رسومية للمشاريع. هذه الشركات إما مزودو سحاب أو يمتلكون LLM خاص بهم، بما في ذلك OpenAI وGoogle وMeta وAnthropic وInflection وTesla وOracle وMistral.
ومع ذلك، فإن معظم الشركات تعاني من نقص في وحدات معالجة الرسوميات (GPU)، ولا يمكنها إلا أن تكافح مع عدد أقل بكثير من وحدات معالجة الرسوميات، مما يتطلب منها إنفاق الكثير من الوقت والجهد على أمور يصعب دفعها لتطوير النظام البيئي. ولا تقتصر هذه الحالة على الشركات الناشئة. بعض من أشهر شركات الذكاء الاصطناعي - Hugging Face و Databricks (MosaicML) و Together وحتى Snowflake لديها أقل من 20K من A100/H100. تمتلك هذه الشركات أفضل المواهب التقنية في العالم، لكنها مقيدة بعدد وحدات معالجة الرسوميات المتاحة، مما يضعها في وضع غير مواتٍ مقارنة بالشركات الكبيرة في سباق الذكاء الاصطناعي.
هذا النقص لا يقتصر على "فقراء GPU"، حتى في نهاية عام 2023، اضطرت OpenAI، الرائدة في مجال الذكاء الاصطناعي، إلى إغلاق التسجيل المدفوع لأسابيع بسبب عدم قدرتها على الحصول على ما يكفي من وحدات معالجة الرسوميات، بينما كانت تسعى لشراء المزيد من إمدادات GPU.
يمكن أن نرى أن الطلب على وحدات معالجة الرسوميات (GPU) قد شهد عدم تطابق خطير بين العرض والطلب بسبب التطور السريع للذكاء الاصطناعي، مما يجعل مشكلة نقص المعروض ملحة.
لحل هذه المشكلة، بدأت بعض مشاريع Web3 في محاولة دمج الخصائص التقنية لـ Web3، وتقديم خدمات قوة الحوسبة اللامركزية، بما في ذلك Akash و Render و Gensyn وغيرها. النقطة المشتركة بين هذه المشاريع هي أنها تحفز المستخدمين على توفير قوة الحوسبة GPU الفائضة من خلال الرموز، لتصبح جانب العرض للقوة الحوسبية، من أجل
شاهد النسخة الأصلية
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.
حالة دمج الذكاء الاصطناعي وWeb3، والتحديات، والاتجاهات المستقبلية للتنمية
دمج الذكاء الاصطناعي وWeb3: الحالة الراهنة، التحديات وآفاق المستقبل
المقدمة: تطور AI+Web3
في السنوات الأخيرة، أثار التطور السريع لتقنية الذكاء الاصطناعي (AI) وWeb3 اهتمامًا واسعًا على مستوى العالم. يُعتبر الذكاء الاصطناعي تقنية تحاكي وتقلد الذكاء البشري، وقد حقق تقدمًا كبيرًا في مجالات مثل التعرف على الوجوه ومعالجة اللغة الطبيعية وتعلم الآلة، مما جلب تحولات وابتكارات هائلة لمختلف الصناعات.
حجم سوق صناعة الذكاء الاصطناعي بلغ 200 مليار دولار في عام 2023، وظهرت عمالقة الصناعة مثل OpenAI و Character.AI و Midjourney وغيرهم من اللاعبين المتميزين مثل الفطر بعد المطر، مما قاد موجة الذكاء الاصطناعي.
في الوقت نفسه، يعد Web3 نموذجًا شبكيًا ناشئًا، ويقوم تدريجيًا بتغيير فهمنا واستخدامنا للإنترنت. يستند Web3 إلى تقنية blockchain اللامركزية، ومن خلال العقود الذكية، والتخزين الموزع، والتحقق من الهوية اللامركزية، يحقق مشاركة البيانات وقابلية التحكم فيها، واستقلالية المستخدم، وإنشاء آليات الثقة. الفكرة الأساسية لـ Web3 هي تحرير البيانات من أيدي الهيئات المركزية، ومنح المستخدمين السيطرة على البيانات وحق مشاركة قيمة البيانات.
بلغت القيمة السوقية لصناعة Web3 حالياً 25 تريليون، سواء كانت Bitcoin أو Ethereum أو Solana أو لاعبين على مستوى التطبيقات مثل Uniswap و Stepn، فإن السرد والمشاهد الجديدة تتوالى باستمرار، مما يجذب المزيد والمزيد من الناس للانضمام إلى صناعة Web3.
إن دمج الذكاء الاصطناعي وWeb3 هو مجال يهم builders وVC في الشرق والغرب، وكيفية دمج الاثنين بشكل جيد هو سؤال يستحق الاستكشاف.
ستتناول هذه المقالة حالة تطوير AI + Web3، واستكشاف القيمة المحتملة والتأثيرات الناتجة عن هذا الاندماج. سنقوم أولاً بتقديم المفاهيم الأساسية والخصائص لـ AI و Web3، ثم نستكشف العلاقة المتبادلة بينهما. بعد ذلك، سنحلل حالة مشاريع AI + Web3 الحالية، ونتناول بالتفصيل القيود والتحديات التي تواجهها. من خلال هذه الدراسة، نأمل أن نقدم مرجعًا ورؤية قيمة للمستثمرين والمهنيين في الصناعات المعنية.
! [تعميم علم الوافد الجديد 丨 تحليل متعمق: ما نوع الشرر الذي يمكن أن يصطدم به الذكاء الاصطناعي و Web3؟] ](https://img-cdn.gateio.im/webp-social/moments-3a464664dade44c046b5c1451f1cf968.webp)
٢. كيفية تفاعل الذكاء الاصطناعي مع Web3
تطور الذكاء الاصطناعي وWeb3 يشبه جانبي الميزان، حيث أن الذكاء الاصطناعي قد جلب تحسينًا في الإنتاجية، بينما Web3 قد جلب تغييرات في علاقات الإنتاج. فما هي الشرارة التي يمكن أن تتولد من تفاعل الذكاء الاصطناعي وWeb3؟ سنقوم أولاً بتحليل التحديات والمساحات التي يمكن تحسينها التي تواجه كل من صناعة الذكاء الاصطناعي وWeb3، ثم سنناقش كيف يمكن لكل منهما المساعدة في حل هذه التحديات.
2.1 التحديات التي تواجه صناعة الذكاء الاصطناعي
لفهم التحديات التي تواجه صناعة الذكاء الاصطناعي، دعونا أولاً نلقي نظرة على جوهر صناعة الذكاء الاصطناعي. لا يمكن فصل جوهر صناعة الذكاء الاصطناعي عن ثلاثة عناصر رئيسية: القدرة الحاسوبية، والخوارزميات، والبيانات.
القوة الحاسوبية: تشير القوة الحاسوبية إلى القدرة على إجراء عمليات حسابية ومعالجة على نطاق واسع. عادةً ما تتطلب مهام الذكاء الاصطناعي معالجة كميات كبيرة من البيانات وإجراء حسابات معقدة، مثل تدريب نماذج الشبكات العصبية العميقة. يمكن أن تؤدي القدرة الحاسوبية العالية إلى تسريع عملية تدريب النموذج واستنتاجه، مما يعزز أداء وكفاءة أنظمة الذكاء الاصطناعي. في السنوات الأخيرة، مع تطور تقنيات الأجهزة، مثل وحدات معالجة الرسومات (GPU) والرقائق المخصصة للذكاء الاصطناعي (مثل TPU)، كان لتحسين القوة الحاسوبية دور مهم في دفع تطوير صناعة الذكاء الاصطناعي. شركة Nvidia، التي شهدت ارتفاعًا جنونيًا في أسهمها في السنوات الأخيرة، تعتبر واحدة من مزودي وحدات معالجة الرسومات وتمتلك حصة سوقية كبيرة، مما حقق لها أرباحًا مرتفعة.
الخوارزميات: الخوارزميات هي المكون الأساسي لنظام الذكاء الاصطناعي، وهي الطرق الرياضية والإحصائية المستخدمة لحل المشكلات وتنفيذ المهام. يمكن تقسيم خوارزميات الذكاء الاصطناعي إلى خوارزميات التعلم الآلي التقليدية وخوارزميات التعلم العميق، حيث حققت خوارزميات التعلم العميق تقدمًا كبيرًا في السنوات الأخيرة. إن اختيار وتصميم الخوارزميات أمر بالغ الأهمية لأداء نظام الذكاء الاصطناعي وفعاليته. يمكن أن تؤدي الخوارزميات التي يتم تحسينها وابتكارها باستمرار إلى زيادة دقة نظام الذكاء الاصطناعي ومرونته وقدرته على التعميم. ستؤدي الخوارزميات المختلفة إلى نتائج مختلفة، لذا فإن تحسين الخوارزميات يعد أيضًا أمرًا حيويًا لتحقيق نتائج المهام.
البيانات: المهمة الأساسية لنظام الذكاء الاصطناعي هي استخراج الأنماط والقواعد من البيانات من خلال التعلم والتدريب. البيانات هي أساس تدريب وتحسين النماذج، ومن خلال عينات بيانات كبيرة الحجم، يمكن لنظام الذكاء الاصطناعي تعلم نماذج أكثر دقة وذكاء. يمكن لمجموعات البيانات الغنية أن توفر معلومات أكثر شمولاً وتنوعاً، مما يساعد النموذج على التعميم بشكل أفضل على البيانات غير المرئية، مما يساعد نظام الذكاء الاصطناعي على فهم وحل مشكلات العالم الحقيقي بشكل أفضل.
! [تعميم علم الوافد الجديد 丨 تحليل متعمق: ما نوع الشرر الذي يمكن أن يصطدم به الذكاء الاصطناعي و Web3؟] ](https://img-cdn.gateio.im/webp-social/moments-166b11addde400b95cef849db8a9f96d.webp)
بعد فهم العناصر الثلاثة الأساسية للذكاء الاصطناعي الحالي، دعونا نلقي نظرة على الصعوبات والتحديات التي تواجه الذكاء الاصطناعي في هذه الجوانب الثلاثة:
٢. في مجال الخوارزميات: على الرغم من أن خوارزميات التعلم العميق حققت نجاحًا كبيرًا في العديد من المجالات، إلا أنه لا تزال هناك بعض الصعوبات والتحديات. على سبيل المثال، يتطلب تدريب الشبكات العصبية العميقة كميات كبيرة من البيانات والموارد الحسابية، وقد تكون قابلية تفسير النموذج ووضوحه غير كافيين لبعض المهام. بالإضافة إلى ذلك، تعتبر متانة الخوارزمية وقدرتها على التعميم من القضايا الهامة، حيث قد تكون أداء النموذج على البيانات غير المعروفة غير مستقر. من بين العديد من الخوارزميات، يعد العثور على أفضل خوارزمية لتقديم أفضل خدمة عملية مستمرة تحتاج إلى استكشاف.
علاوة على ذلك، توجد مشاكل مثل القابلية للتفسير والشفافية، حيث تعتبر خاصية الصندوق الأسود لنماذج الذكاء الاصطناعي قضية تهم الجمهور. بالنسبة لبعض التطبيقات، مثل المالية والرعاية الصحية والعدالة، تحتاج عملية اتخاذ القرار للنموذج إلى أن تكون قابلة للتفسير وقابلة للتتبع، بينما غالبًا ما تفتقر نماذج التعلم العميق الحالية إلى الشفافية. لا يزال تفسير عملية اتخاذ القرار للنموذج وتقديم تفسيرات موثوقة يمثل تحديًا.
بالإضافة إلى ذلك، فإن العديد من نماذج الأعمال لمشاريع الذكاء الاصطناعي غير واضحة، وهذا يجعل العديد من رواد الأعمال في مجال الذكاء الاصطناعي يشعرون بالارتباك.
2.2 التحديات التي تواجه صناعة Web3
وفيما يتعلق بصناعة Web3، هناك حاليًا العديد من التحديات المختلفة التي تحتاج إلى حل، سواء كان ذلك في تحليل بيانات Web3، أو تجربة المستخدم السيئة للمنتجات المتعلقة بـ Web3، أو مشكلات ثغرات كود العقود الذكية والهجمات الإلكترونية، هناك الكثير من الفرص للتحسين. وكأداة لزيادة الإنتاجية، يوجد لدى الذكاء الاصطناعي أيضًا الكثير من الإمكانيات للاستفادة منها في هذه الجوانب.
أولاً، هناك تحسين في القدرة على تحليل البيانات والتنبؤ: لقد كان لتطبيق تقنية الذكاء الاصطناعي في تحليل البيانات والتنبؤ تأثير كبير على صناعة Web3. من خلال التحليل الذكي والتنقيب باستخدام خوارزميات الذكاء الاصطناعي، يمكن لمنصات Web3 استخراج معلومات قيمة من كميات هائلة من البيانات، وإجراء تنبؤات وقرارات أكثر دقة. وهذا له أهمية كبيرة في مجالات مثل تقييم المخاطر، والتنبؤات السوقية، وإدارة الأصول في مجال التمويل اللامركزي (DeFi).
بالإضافة إلى ذلك، يمكن تحقيق تحسين تجربة المستخدم والخدمات المخصصة: إن تطبيق تقنيات الذكاء الاصطناعي يمكن منصات Web3 من تقديم تجربة مستخدم أفضل وخدمات مخصصة. من خلال تحليل بيانات المستخدمين ونمذجتها، يمكن لمنصات Web3 تقديم توصيات مخصصة، وخدمات مخصصة، وتجارب تفاعلية ذكية للمستخدمين. يساعد ذلك في زيادة مشاركة المستخدمين ورضاهم، مما يعزز تطوير نظام Web3 البيئي، على سبيل المثال، يتم استخدام العديد من بروتوكولات Web3 أدوات الذكاء الاصطناعي مثل ChatGPT لتقديم خدمة أفضل للمستخدمين.
فيما يتعلق بالأمان وحماية الخصوصية، فإن تطبيقات الذكاء الاصطناعي لها تأثير عميق أيضًا على صناعة Web3. يمكن استخدام تقنيات الذكاء الاصطناعي للكشف عن الهجمات الإلكترونية والدفاع عنها، والتعرف على السلوكيات الشاذة، وتوفير حماية أمان أقوى. في الوقت نفسه، يمكن أيضًا تطبيق الذكاء الاصطناعي في حماية خصوصية البيانات، من خلال تقنيات مثل تشفير البيانات والحوسبة الخصوصية، لحماية المعلومات الشخصية للمستخدمين على منصات Web3. في مجال تدقيق العقود الذكية، نظرًا لأن عملية كتابة العقود الذكية وتدقيقها قد تحتوي على ثغرات ومخاطر أمنية، يمكن استخدام تقنيات الذكاء الاصطناعي لأتمتة تدقيق العقود واكتشاف الثغرات، مما يعزز أمان وموثوقية العقود.
من الواضح أن الذكاء الاصطناعي يمكن أن يشارك ويساهم في العديد من الجوانب المتعلقة بالتحديات والفرص المحتملة التي تواجه صناعة Web3.
! [تعميم علم الوافد الجديد 丨 تحليل متعمق: ما نوع الشرر الذي يمكن أن يصطدم به الذكاء الاصطناعي و Web3؟] ](https://img-cdn.gateio.im/webp-social/moments-de2f6c381547c3d62e1f40e50f67e32d.webp)
3. تحليل حالة مشاريع AI + Web3
تتوجه المشاريع التي تجمع بين الذكاء الاصطناعي وWeb3 بشكل أساسي من جانبين كبيرين، وهما استخدام تقنية blockchain لتحسين أداء مشاريع الذكاء الاصطناعي، واستخدام تقنية الذكاء الاصطناعي لخدمة تحسين مشاريع Web3.
تدور حول جانبين، ظهرت مجموعة كبيرة من المشاريع التي تستكشف هذا الطريق، بما في ذلك Io.net و Gensyn و Ritual وغيرها من المشاريع المتنوعة، وفيما يلي ستحلل هذه المقالة الوضع الحالي وتطورات المسارات الفرعية المختلفة التي يدعم فيها الذكاء الاصطناعي Web3 ويدعم Web3 الذكاء الاصطناعي.
3.1 Web3 يدعم الذكاء الاصطناعي
3.1.1 قوة حوسبة لامركزية
بعد إطلاق OpenAI لـ ChatGPT في نهاية عام 2022، انفجرت ضجة الذكاء الاصطناعي، حيث وصل عدد المستخدمين إلى مليون في غضون 5 أيام فقط، بينما استغرق الأمر حوالي شهرين ونصف لـ Instagram للوصول إلى مليون تحميل. بعد ذلك، حقق ChatGPT أيضًا نجاحًا كبيرًا، حيث وصلت عدد المستخدمين النشطين شهريًا إلى 100 مليون في غضون شهرين، وبحلول نوفمبر 2023، بلغ عدد المستخدمين النشطين أسبوعيًا 100 مليون. مع ظهور ChatGPT، انفجر مجال الذكاء الاصطناعي بسرعة من مجال نيش إلى صناعة تحظى باهتمام كبير.
وفقًا لتقرير Trendforce، يحتاج ChatGPT إلى 30000 وحدة معالجة رسومات NVIDIA A100 لتشغيله، بينما سيحتاج GPT-5 في المستقبل إلى أعداد أكبر من القدرة الحاسوبية. وهذا أيضًا أدى إلى بدء سباق تسلح بين شركات الذكاء الاصطناعي، حيث أن القدرة على التحكم في كمية كافية من القدرة الحاسوبية هي التي تحدد ما إذا كان لديك القوة والميزة الكافية في حرب الذكاء الاصطناعي، وهذا هو السبب في ظهور ظاهرة نقص وحدات معالجة الرسومات.
قبل صعود الذكاء الاصطناعي، كان العملاء الرئيسيون لمزود GPU الرائد NVIDIA يتركزون في ثلاث خدمات سحابية رئيسية: AWS وAzure وGCP. مع ظهور الذكاء الاصطناعي، ظهر عدد كبير من المشترين الجدد، بما في ذلك الشركات الكبرى مثل Meta وOracle وغيرها من منصات البيانات وشركات الذكاء الاصطناعي الناشئة، التي انضمت إلى حرب تخزين GPU لتدريب نماذج الذكاء الاصطناعي. زادت شركات التكنولوجيا الكبرى مثل Meta وTesla بشكل كبير من كمية الشراء لنماذج الذكاء الاصطناعي المخصصة والبحوث الداخلية. كما اشترت شركات نماذج الأساس مثل Anthropic ومنصات البيانات مثل Snowflake وDatabricks المزيد من GPU لمساعدة العملاء في تقديم خدمات الذكاء الاصطناعي.
كما ذكرت Semi Analysis العام الماضي "الأغنياء في وحدات معالجة الرسوميات والفقراء في وحدات معالجة الرسوميات"، تمتلك عدد قليل من الشركات أكثر من 20000 وحدة معالجة رسومية A100/H100، ويمكن لأعضاء الفريق استخدام من 100 إلى 1000 وحدة معالجة رسومية للمشاريع. هذه الشركات إما مزودو سحاب أو يمتلكون LLM خاص بهم، بما في ذلك OpenAI وGoogle وMeta وAnthropic وInflection وTesla وOracle وMistral.
ومع ذلك، فإن معظم الشركات تعاني من نقص في وحدات معالجة الرسوميات (GPU)، ولا يمكنها إلا أن تكافح مع عدد أقل بكثير من وحدات معالجة الرسوميات، مما يتطلب منها إنفاق الكثير من الوقت والجهد على أمور يصعب دفعها لتطوير النظام البيئي. ولا تقتصر هذه الحالة على الشركات الناشئة. بعض من أشهر شركات الذكاء الاصطناعي - Hugging Face و Databricks (MosaicML) و Together وحتى Snowflake لديها أقل من 20K من A100/H100. تمتلك هذه الشركات أفضل المواهب التقنية في العالم، لكنها مقيدة بعدد وحدات معالجة الرسوميات المتاحة، مما يضعها في وضع غير مواتٍ مقارنة بالشركات الكبيرة في سباق الذكاء الاصطناعي.
هذا النقص لا يقتصر على "فقراء GPU"، حتى في نهاية عام 2023، اضطرت OpenAI، الرائدة في مجال الذكاء الاصطناعي، إلى إغلاق التسجيل المدفوع لأسابيع بسبب عدم قدرتها على الحصول على ما يكفي من وحدات معالجة الرسوميات، بينما كانت تسعى لشراء المزيد من إمدادات GPU.
يمكن أن نرى أن الطلب على وحدات معالجة الرسوميات (GPU) قد شهد عدم تطابق خطير بين العرض والطلب بسبب التطور السريع للذكاء الاصطناعي، مما يجعل مشكلة نقص المعروض ملحة.
لحل هذه المشكلة، بدأت بعض مشاريع Web3 في محاولة دمج الخصائص التقنية لـ Web3، وتقديم خدمات قوة الحوسبة اللامركزية، بما في ذلك Akash و Render و Gensyn وغيرها. النقطة المشتركة بين هذه المشاريع هي أنها تحفز المستخدمين على توفير قوة الحوسبة GPU الفائضة من خلال الرموز، لتصبح جانب العرض للقوة الحوسبية، من أجل