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

مع استمرار ارتفاع شعبية السرد بالذكاء الاصطناعي، يتركز المزيد من الاهتمام على هذا المجال. تم إجراء تحليل عميق للمنطق التكنولوجي وسيناريوهات التطبيق والمشاريع الممثلة في مجال Web3-AI، لتقديم عرض شامل عن المشهد والاتجاهات التطورية في هذا المجال.

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

1.1 منطق دمج Web3 و AI: كيف نحدد مسار Web-AI

في العام الماضي، كان السرد المدعوم بالذكاء الاصطناعي في صناعة Web3 أكثر شيوعًا بشكل استثنائي، 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 جوانب منتجاتها، ولا توجد علاقة جوهرية بين الاقتصاد الرمزي الأساسي ومنتجات الذكاء الاصطناعي، لذا لا تندرج هذه الأنواع من المشاريع ضمن مناقشة مشاريع Web3-AI في هذه المقالة.

تركز هذه المقالة على استخدام blockchain لحل مشكلات علاقات الإنتاج، ومشاريع AI لحل مشكلات القوة الإنتاجية، حيث تقدم هذه المشاريع نفسها منتجات AI، بينما تعتمد على نموذج الاقتصاد Web3 كأداة لعلاقات الإنتاج، مما يجعل كليهما يكملان بعضهما البعض. نصنف هذه المشاريع في مسار Web3-AI. لتمكين القراء من فهم أفضل لمسار Web3-AI، سيتم تقديم شرح لعملية تطوير AI والتحديات، بالإضافة إلى كيفية دمج Web3 و AI لحل المشكلات بشكل مثالي وخلق سيناريوهات تطبيقية جديدة.

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

تكنولوجيا الذكاء الاصطناعي هي تقنية تسمح للحواسيب بمحاكاة وتوسيع وتعزيز الذكاء البشري. إنها تمكن الحواسيب من تنفيذ مجموعة متنوعة من المهام المعقدة، بدءًا من ترجمة اللغات، وتصنيف الصور، وصولاً إلى التعرف على الوجه، والقيادة الذاتية، وغيرها من تطبيقات، فإن الذكاء الاصطناعي يغير الطريقة التي نعيش ونعمل بها.

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

1. جمع البيانات ومعالجة البيانات المسبقة: جمع مجموعة بيانات الصور التي تحتوي على القطط والكلاب، يمكن استخدام مجموعات البيانات العامة أو جمع بيانات حقيقية بنفسك. ثم قم بتوسيم كل صورة بفئة (قط أو كلب)، تأكد من أن التوسيم دقيق. تحويل الصور إلى تنسيق يمكن للنموذج التعرف عليه، وتقسيم مجموعة البيانات إلى مجموعة تدريب ومجموعة تحقق ومجموعة اختبار.

2. اختيار النموذج وتحسينه: اختيار النموذج المناسب، مثل الشبكات العصبية التلافيفية (CNN)، والذي يعتبر مناسبًا لمهام تصنيف الصور. ضبط معلمات النموذج أو هيكله وفقًا للاحتياجات المختلفة، وعادةً ما يمكن ضبط مستويات الشبكة الخاصة بالنموذج بناءً على تعقيد مهام الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون المستويات الشبكية الأقل عمقًا كافية.

3. تدريب النموذج: يمكن استخدام وحدة معالجة الرسوميات (GPU) أو وحدة معالجة Tensor (TPU) أو مجموعة حسابات عالية الأداء لتدريب النموذج، ويتأثر وقت التدريب بتعقيد النموذج وقدرة الحساب.

4. استنتاج النموذج: تُعرف الملفات المدربة للنموذج عادةً بأوزان النموذج، وعملية الاستنتاج تشير إلى استخدام النموذج المدرب مسبقًا للتنبؤ بالبيانات الجديدة أو تصنيفها. 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 المسبقة، واختيار النموذج وضبطه، ثم التدريب، سيتم استخدام النموذج المدرب لإجراء الاستدلال على مجموعة الاختبار للحصول على قيم التنبؤ للقطط والكلاب P (الاحتمالية)، أي أن النموذج يستنتج ما إذا كان هو قط أو كلب.

يمكن دمج نموذج AI المدرب بشكل أكبر في تطبيقات مختلفة لأداء مهام مختلفة. في هذا المثال، يمكن دمج نموذج AI لتصنيف القطط والكلاب في تطبيق الهاتف المحمول، حيث يمكن للمستخدمين رفع 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، عادةً ما تكون عملية تطوير الذكاء الاصطناعي غير شفافة. قد يتم سرقة بيانات المستخدم دون علمه واستخدامها في تدريب الذكاء الاصطناعي.

مصدر البيانات: قد تواجه الفرق الصغيرة أو الأفراد قيودًا في الحصول على البيانات في مجالات معينة (مثل بيانات الطب) عندما تكون البيانات غير متاحة كمصدر مفتوح.

اختيار النموذج وضبطه: بالنسبة للفرق الصغيرة، من الصعب الحصول على موارد نموذجية في مجالات معينة أو إنفاق تكلفة كبيرة لضبط النموذج.

الحصول على قوة الحوسبة: بالنسبة للمطورين الأفراد والفرق الصغيرة، قد تشكل تكاليف شراء وحدات معالجة الرسوميات العالية وتأجير قوة الحوسبة عبر السحابة عبئًا اقتصاديًا كبيرًا.

دخل الأصول الذكية: غالبًا ما لا يتمكن العاملون في مجال تعليم البيانات من الحصول على دخل يتناسب مع ما يقدمونه، كما أن نتائج أبحاث مطوري الذكاء الاصطناعي يصعب مطابقتها مع المشترين الذين لديهم طلب.

تحديات وجود الذكاء الاصطناعي في السيناريو المركزي يمكن معالجتها من خلال دمج Web3، حيث أن Web3 كعلاقة إنتاج جديدة تتناسب بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل قوة إنتاج جديدة، مما يعزز التقدم التكنولوجي والقدرة الإنتاجية في الوقت نفسه.

1.3 تأثير التآزر بين Web3 و AI: تحول الأدوار وتطبيقات الابتكار

يمكن أن يؤدي دمج Web3 مع الذكاء الاصطناعي إلى تعزيز سيادة المستخدم، وتوفير منصة تعاون مفتوحة للذكاء الاصطناعي، مما يتيح للمستخدمين الانتقال من مستخدمي الذكاء الاصطناعي في عصر Web2 إلى المشاركين، وإنشاء ذكاء اصطناعي يمتلكه الجميع. في الوقت نفسه، يمكن أن يؤدي اندماج عالم Web3 مع تقنيات الذكاء الاصطناعي إلى ظهور المزيد من تطبيقات المشهد والطرق المبتكرة.

استنادًا إلى تكنولوجيا Web3 ، ستشهد تطوير وتطبيق الذكاء الاصطناعي نظامًا جديدًا من الاقتصاد التعاوني. يمكن ضمان خصوصية بيانات الأشخاص ، ويعزز نموذج جماعية 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 جماعية لامركزية للتعاون 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 أن يكون للذكاء الاصطناعي تأثير إيجابي في عدة مجالات. على سبيل المثال، يمكن دمج نماذج الذكاء الاصطناعي في العقود الذكية، مما يعزز كفاءة العمل في تطبيقات مختلفة مثل تحليل السوق، والكشف عن الأمان، والتجمعات الاجتماعية، وغيرها من الوظائف المتنوعة. يمكن للذكاء الاصطناعي التوليدي أن يمكّن المستخدمين من تجربة دور "الفنان"، مثل استخدام تقنيات الذكاء الاصطناعي لإنشاء NFT الخاصة بهم، ويمكن أيضًا أن يخلق مشاهد ألعاب متنوعة وتجارب تفاعلية مثيرة في GameFi. توفر البنية التحتية الغنية تجربة تطوير سلسة، سواء كان الخبراء في الذكاء الاصطناعي أو المبتدئين الذين يرغبون في دخول مجال الذكاء الاصطناعي يمكنهم العثور على مدخل مناسب في هذا العالم.

٢- رسم خريطة مشروع Web3-AI البيئي وتفسير الهيكل

لقد قمنا بدراسة 41 مشروعًا في مجال Web3-AI وقمنا بتقسيم هذه المشاريع إلى مستويات مختلفة. منطق تقسيم كل مستوى موضح في الشكل أدناه، ويشمل مستوى البنية التحتية، المستوى الأوسط، ومستوى التطبيقات، وكل مستوى مقسم إلى فئات مختلفة. في الفصل التالي، سنقوم بإجراء تحليل عميق لبعض المشاريع الممثلة.

تشمل طبقة البنية التحتية الموارد الحاسوبية وهندسة التقنية التي تدعم تشغيل دورة حياة الذكاء الاصطناعي بالكامل، بينما تتضمن الطبقة الوسطى إدارة البيانات وخدمات تطوير النماذج والتحقق من الاستدلال التي تربط البنية التحتية بالتطبيقات، وتركز الطبقة التطبيقية على مجموعة متنوعة من التطبيقات والحلول الموجهة مباشرة للمستخدمين.

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 هذه البنية التحتية يمكن تحقيق تدريب ونمذجة الذكاء الاصطناعي، وتقديم تطبيقات ذكاء اصطناعي قوية وعملية للمستخدمين.

• شبكة الحوسبة اللامركزية: يمكن أن توفر قوة حوسبة موزعة لتدريب نماذج AI، مما يضمن استخدام موارد الحوسبة بكفاءة وبشكل اقتصادي. تقدم بعض المشاريع سوقاً للحوسبة اللامركزية، حيث يمكن للمستخدمين استئجار قوة الحوسبة بتكلفة منخفضة أو مشاركة القوة للحصول على عوائد، ومن المشاريع الممثلة IO.NET و Hyperbolic. بالإضافة إلى ذلك، ظهرت بعض المشاريع بأساليب جديدة، مثل Compute Labs، التي اقترحت بروتوكولاً موحداً، حيث يمكن للمستخدمين من خلال شراء NFT تمثل كيان GPU المشاركة بطرق مختلفة في استئجار القوة للحصول على عوائد.

• AI Chain: استخدام blockchain كأساس لدورة حياة الذكاء الاصطناعي، مما يحقق التفاعل السلس بين موارد الذكاء الاصطناعي على السلسلة وخارجها، ويعزز تطور النظام البيئي الصناعي. يمكن للسوق اللامركزي على السلسلة تداول أصول الذكاء الاصطناعي مثل البيانات والنماذج والوكلاء، وتوفير إطار تطوير الذكاء الاصطناعي وأدوات التطوير المناسبة، ومشاريع تمثل مثل Sahara AI. يمكن أن يعزز AI Chain أيضًا تقدم تقنيات الذكاء الاصطناعي في مجالات مختلفة، مثل Bittensor من خلال آلية حوافز الشبكة الفرعية المبتكرة لتعزيز تنافس الشبكات الفرعية للذكاء الاصطناعي المختلفة.

• منصة التطوير: تقدم بعض المشاريع منصة تطوير وكلاء الذكاء الاصطناعي، ويمكن أيضًا تنفيذ تداول وكلاء الذكاء الاصطناعي، مثل Fetch.ai و ChainML وغيرها. تساعد الأدوات الشاملة المطورين على إنشاء وتدريب ونشر نماذج الذكاء الاصطناعي بشكل أكثر سهولة، ومن المشاريع الممثلة Nimble. تعزز هذه البنية التحتية الاستخدام الواسع لتقنية الذكاء الاصطناعي 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 وكمية البيانات هي العوامل الرئيسية التي تؤثر على فعالية تدريب النماذج. في عالم Web3، يمكن تحسين استغلال الموارد وتقليل تكاليف البيانات من خلال جمع البيانات بشكل جماعي ومعالجة البيانات بشكل تعاوني. يمكن للمستخدمين امتلاك حقوق البيانات الخاصة بهم، وبيع بياناتهم في ظل حماية الخصوصية، لتجنب سرقة البيانات من قبل تجار غير نزيهين واستغلالها لتحقيق أرباح عالية. بالنسبة للجهات التي تحتاج البيانات، توفر هذه المنصات خيارات واسعة وتكاليف منخفضة للغاية. من بين المشاريع الممثلة، يستخدم Grass عرض النطاق الترددي للمستخدمين لاستخراج بيانات الويب، وxData يجمع معلومات الوسائط عبر مكونات إضافية سهلة الاستخدام، ويدعم المستخدمين في رفع معلومات التغريد.

علاوة على ذلك، تسمح بعض المنصات للخبراء في المجال أو المستخدمين العاديين بتنفيذ مهام معالجة البيانات المسبقة، مثل وضع العلامات على الصور وتصنيف البيانات، والتي قد تتطلب معالجة بيانات مهام مالية وقانونية تتطلب معرفة متخصصة، ويمكن للمستخدمين توكين مهاراتهم لتحقيق تعاون جماعي في معالجة البيانات المسبقة. تمثل أسواق الذكاء الاصطناعي مثل Sahara AI مهام بيانات في مجالات مختلفة، ويمكن أن تغطي سيناريوهات بيانات متعددة المجالات؛ بينما تقوم AIT Protocolt بوضع العلامات على البيانات من خلال أسلوب التعاون بين الإنسان والآلة.

• النموذج: خلال عملية تطوير الذكاء الاصطناعي المذكورة سابقًا، تحتاج أنواع مختلفة من المتطلبات إلى مطابقة النماذج المناسبة. النماذج الشائعة المستخدمة في مهام الصور مثل CNN و GAN، ويمكن اختيار سلسلة Yolo لمهام الكشف عن الأهداف. أما بالنسبة لمهام النصوص، فالنماذج الشائعة تشمل RNN و Transformer، وبالطبع هناك بعض النماذج العامة أو المحددة. تحتاج المهام المعقدة المختلفة إلى عمق نماذج مختلف، وأحيانًا يتطلب الأمر ضبط النماذج.

بعض المشاريع تدعم المستخدمين لتقديم أنواع مختلفة من النماذج أو التعاون في تدريب النماذج من خلال أسلوب الحشد، مثل Sentient التي تسمح بتصميمها المودولاري، حيث يمكن للمستخدمين وضع بيانات النماذج الموثوقة في طبقة التخزين وطبقة التوزيع لتحسين النماذج، وأدوات التطوير المقدمة من Sahara AI تحتوي على خوارزميات AI متقدمة وإطار حسابي، ولديها القدرة على التدريب التعاوني.

• الاستنتاج والتحقق: بعد تدريب النموذج، سيتم إنشاء ملف أوزان النموذج، والذي يمكن استخدامه مباشرة للتصنيف أو التنبؤ أو المهام المحددة الأخرى، وتسمى هذه العملية الاستنتاج. عادةً ما يرتبط عملية الاستنتاج بآلية تحقق، للتحقق مما إذا كان مصدر نموذج الاستنتاج صحيحًا، وما إذا كانت هناك سلوكيات ضارة، إلخ. يمكن دمج استنتاج Web3 عادةً في العقود الذكية، من خلال استدعاء النموذج لإجراء الاستنتاج، تشمل طرق التحقق الشائعة تقنيات مثل ZKML و OPML و TEE. المشاريع الممثلة مثل Oracle AI على سلسلة ORA (OAO)، أدخلت OPML كطبقة قابلة للتحقق ل Oracle AI، وقد ذكر موقع ORA الرسمي أيضًا أبحاثهم حول ZKML و opp/ai (ZKML مع OPML).

طبقة التطبيقات:

هذه الطبقة تركز بشكل أساسي على التطبيقات الموجهة مباشرة للمستخدم، تجمع بين الذكاء الاصطناعي و Web3، وتخلق المزيد من الطرق المثيرة والمبتكرة. يركز هذا المقال بشكل أساسي على مشاريع AIGC (محتوى تم إنشاؤه بواسطة الذكاء الاصطناعي)، الوكلاء الذكائيين وتحليل البيانات.

• AIGC: من خلال AIGC