تقرير بانورامي عن مسار Web3-AI: تحليل عميق للمنطق التكنولوجي، تطبيقات السيناريو، وأفضل المشاريع

مع استمرار ارتفاع حرارة السرد الذكائي، يتركز المزيد من الاهتمام على هذا المجال. تم إجراء تحليل عميق للمنطق التكنولوجي، وسيناريوهات التطبيق، والمشاريع الممثلة في مجال Web3-AI، لتقديم عرض شامل للبانوراما والاتجاهات التطويرية في هذا المجال.

أ. ويب 3-الذكاء الاصطناعي: تحليل المنطق الفني وفرص السوق الناشئة

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

في العام الماضي، كانت السرديات المعتمدة على الذكاء الاصطناعي شديدة الرواج في صناعة Web3، وظهرت مشاريع الذكاء الاصطناعي كالفطر بعد المطر. على الرغم من أن هناك العديد من المشاريع التي تتعلق بتقنية الذكاء الاصطناعي، إلا أن بعض المشاريع تستخدم الذكاء الاصطناعي فقط في بعض أجزاء منتجاتها، ولا توجد علاقة جوهرية بين الاقتصاديات الرمزية الأساسية ومنتجات الذكاء الاصطناعي، لذا فإن هذه المشاريع لا تدخل في نقاش مشاريع Web3-AI في هذه المقالة.

تركز هذه المقالة على استخدام البلوكشين لحل مشاكل علاقات الإنتاج، ومشاريع الذكاء الاصطناعي لحل مشاكل قوى الإنتاج، حيث تقدم هذه المشاريع نفسها منتجات ذكاء اصطناعي، بينما تعتمد على نموذج اقتصادي Web3 كأداة لعلاقات الإنتاج، وهذان الجانبان يكملان بعضهما البعض. نصنف هذه المشاريع في حلبة Web3-AI. لمساعدة القراء على فهم حلبة Web3-AI بشكل أفضل، سنقوم بتقديم عملية تطوير الذكاء الاصطناعي والتحديات، وكيف يجمع بين Web3 والذكاء الاصطناعي لحل المشاكل وإنشاء سيناريوهات تطبيق جديدة.

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

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

عادةً ما تتضمن عملية تطوير نماذج الذكاء الاصطناعي الخطوات الأساسية التالية: جمع البيانات والمعالجة المسبقة للبيانات، اختيار النموذج وضبطه، تدريب النموذج واستنتاجه. على سبيل المثال البسيط، لتطوير نموذج لتصنيف صور القطط والكلاب، تحتاج إلى:

1. جمع البيانات ومعالجة البيانات: جمع مجموعة بيانات تحتوي على صور للقطط والكلاب، يمكن استخدام مجموعة بيانات مفتوحة أو جمع بيانات حقيقية بنفسك. ثم قم بتسمية كل صورة بفئة (قط أو كلب)، تأكد من أن التسمية دقيقة. تحويل الصور إلى تنسيق يمكن للنموذج التعرف عليه، تقسيم مجموعة البيانات إلى مجموعة التدريب، مجموعة التحقق، ومجموعة الاختبار.

2. اختيار النموذج وتحسينه: اختيار النموذج المناسب، مثل الشبكات العصبية التلافيفية (CNN)، حيث أنها تناسب مهام تصنيف الصور. ضبط معايير أو هيكل النموذج وفقًا للاحتياجات المختلفة، وعادةً ما يمكن تعديل طبقات الشبكة وفقًا لتعقيد مهمة الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون الطبقات الشبكية الأقل عمقًا كافية.

3. تدريب النموذج: يمكن استخدام GPU أو TPU أو تجمعات الحوسبة عالية الأداء لتدريب النموذج، ووقت التدريب يتأثر بتعقيد النموذج وقدرة الحوسبة.

4. استنتاج النموذج: تُعرف الملفات المدربة مسبقًا للنموذج عادةً بأوزان النموذج، وعملية الاستنتاج تشير إلى استخدام النموذج المدرب مسبقًا لتوقع أو تصنيف بيانات جديدة. في هذه العملية، يمكن استخدام مجموعة الاختبار أو بيانات جديدة لاختبار فعالية تصنيف النموذج، وعادةً ما يتم تقييم فعالية النموذج باستخدام مؤشرات مثل الدقة، واسترجاع البيانات، ودرجة F1.

كما هو موضح في الشكل، بعد جمع البيانات ومعالجة البيانات المسبقة، واختيار النموذج وضبطه، وتدريبه، سيتم إجراء الاستدلال على مجموعة الاختبار باستخدام النموذج المدرب الذي سيعطي قيم توقعات للقطط والكلاب P (الاحتمالية)، أي أن النموذج يستنتج ما إذا كان هو قطة 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 موبايل، حيث يقوم المستخدم بتحميل صورة لقط أو كلب، وسيحصل على نتيجة التصنيف.

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

خصوصية المستخدم: في السيناريوهات المركزية، عادة ما تكون عملية تطوير الذكاء الاصطناعي غير شفافة. قد يتم سرقة بيانات المستخدم واستخدامها لتدريب الذكاء الاصطناعي دون علمهم.

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

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

الحصول على القدرة الحاسوبية: بالنسبة للمطورين الأفراد والفرق الصغيرة، قد تشكل تكاليف شراء وحدات معالجة الرسوميات المرتفعة وإيجارات القدرة الحاسوبية السحابية عبئًا ماليًا كبيرًا.

دخل أصول الذكاء الاصطناعي: غالبًا ما لا يستطيع عمال وضع العلامات على البيانات الحصول على دخل يتناسب مع جهودهم، كما أن نتائج أبحاث مطوري الذكاء الاصطناعي يصعب مطابقتها مع المشترين الذين لديهم طلب.

يمكن التغلب على التحديات الموجودة في مشهد الذكاء الاصطناعي المركزي من خلال دمجه مع Web3، حيث أن Web3، كعلاقة إنتاج جديدة، يتكيف بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل قوة إنتاجية جديدة، مما يدفع التقدم التكنولوجي وقدرات الإنتاج في نفس الوقت.

1.3 تأثير التعاون بين Web3 و AI: تحول الأدوار والتطبيقات المبتكرة

يمكن أن يعزز دمج Web3 و AI سيادة المستخدم، ويوفر منصة تعاونية مفتوحة للذكاء الاصطناعي، مما يحول المستخدمين من مستخدمي الذكاء الاصطناعي في عصر Web2 إلى مشاركين، ويخلق ذكاءً اصطناعيًا يمكن للجميع امتلاكه. في الوقت نفسه، فإن دمج عالم Web3 مع تقنية الذكاء الاصطناعي يمكن أن يولد المزيد من سيناريوهات التطبيق المبتكرة وطرق اللعب.

استنادًا إلى تقنية Web3، سيشهد تطوير الذكاء الاصطناعي وتطبيقاته نظامًا جديدًا من الاقتصاد التعاوني. يمكن ضمان خصوصية بيانات الأفراد، ويعزز نموذج جمع البيانات من 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 اللامركزية لجمع البيانات وسوق الذكاء الاصطناعي المفتوح، يمكن تحقيق نظام توزيع الدخل العادل، مما يحفز المزيد من الأشخاص على دفع تقدم تقنية الذكاء الاصطناعي.

في مشهد Web3، يمكن لـ AI أن تُحدث تأثيرًا إيجابيًا في مجالات متعددة. على سبيل المثال، يمكن دمج نماذج AI في العقود الذكية، مما يعزز كفاءة العمل في سيناريوهات تطبيقية مختلفة، مثل تحليل السوق، واختبار الأمان، والتجمعات الاجتماعية، وغيرها من الوظائف المتعددة. لا يتيح AI التوليدي للمستخدمين فقط تجربة دور "الفنان"، مثل إنشاء NFT الخاص بهم باستخدام تقنية AI، بل يمكنه أيضًا خلق مشاهد ألعاب متنوعة وتجارب تفاعلية مثيرة في GameFi. توفر البنية التحتية الغنية تجربة تطوير سلسة، سواء كان الخبراء في AI أو المبتدئين الذين يرغبون في دخول مجال AI، يمكنهم العثور على مدخل مناسب في هذا العالم.

٢- مشروع Web3-AI وتصميمه المعماري

لقد قمنا بدراسة 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 الأوسط، ومستوى التطبيقات، حيث يتم تقسيم كل مستوى إلى أقسام مختلفة. في الفصل التالي، سنقوم بتحليل بعض المشاريع الممثلة بعمق.

تشمل طبقة البنية التحتية موارد الحوسبة 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 الطبقة التطبيقية على مجموعة متنوعة من التطبيقات والحلول الموجهة مباشرة للمستخدم.

طبقة البنية التحتية:

طبقة البنية التحتية هي الأساس لدورة حياة الذكاء الاصطناعي، حيث يتم تصنيف القدرة الحاسوبية و AI Chain ومنصة التطوير كطبقة بنية تحتية. إنه بدعم من هذه البنية التحتية يمكن تحقيق تدريب نماذج الذكاء الاصطناعي واستنتاجها، 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 سوقًا لقوة الحوسبة اللامركزية، حيث يمكن للمستخدمين استئجار قوة الحوسبة بتكلفة منخفضة أو مشاركة قوة الحوسبة لتحقيق الأرباح، ومن المشاريع التي تمثل ذلك IO.NET و Hyperbolic. بالإضافة إلى ذلك، ظهرت بعض المشاريع بأفكار جديدة، مثل Compute Labs، التي اقترحت بروتوكولًا رمزيًا، حيث يمكن للمستخدمين من خلال شراء NFT يمثل كيان GPU، المشاركة بطرق مختلفة في استئجار قوة الحوسبة لتحقيق الأرباح.

• AI Chain: استخدام البلوكشين كأساس لدورة حياة الذكاء الاصطناعي، لتحقيق التفاعل السلس بين موارد الذكاء الاصطناعي على السلسلة وخارجها، وتعزيز تطوير النظام البيئي الصناعي. يمكن للسوق اللامركزي للذكاء الاصطناعي على السلسلة تداول أصول الذكاء الاصطناعي مثل البيانات والنماذج والوكلاء، وتوفير إطار تطوير الذكاء الاصطناعي وأدوات التطوير المصاحبة، ومن المشاريع الممثلة مثل Sahara AI. يمكن أن يعزز AI Chain أيضًا التقدم التكنولوجي في مجالات مختلفة من الذكاء الاصطناعي، مثل Bittensor من خلال آلية تحفيز الشبكات الفرعية المبتكرة لتعزيز المنافسة بين أنواع مختلفة من الشبكات الفرعية للذكاء الاصطناعي.

• منصة التطوير: تقدم بعض المشاريع منصة لتطوير وكلاء الذكاء الاصطناعي، ويمكنها أيضًا تنفيذ تداول وكلاء الذكاء الاصطناعي، مثل Fetch.ai و ChainML وغيرها. تساعد الأدوات الشاملة المطورين في إنشاء وتدريب ونشر نماذج الذكاء الاصطناعي بسهولة أكبر، ومن المشاريع الممثلة Nimble. تعزز هذه البنية التحتية التطبيق 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 تقنية Web3.

• البيانات: جودة البيانات وكميتها هما العاملان الرئيسيان المؤثران على فعالية تدريب النموذج. في عالم Web3، يمكن تحسين استخدام الموارد وتقليل تكاليف البيانات من خلال البيانات الجماعية والمعالجة التعاونية للبيانات. يمكن للمستخدمين امتلاك حقوق البيانات الخاصة بهم، وبيع بياناتهم في ظل حماية الخصوصية، لتجنب سرقتها من قبل تجار غير أخلاقيين وتحقيق أرباح كبيرة. بالنسبة لمستخدمي البيانات، توفر هذه المنصات خيارات واسعة وتكاليف منخفضة للغاية. من المشاريع الممثلة، يستخدم Grass عرض النطاق الترددي للمستخدمين لجمع بيانات الويب، بينما يجمع xData المعلومات الإعلامية من خلال مكونات إضافية سهلة الاستخدام، ويدعم رفع المستخدمين لمعلومات التغريد.

بالإضافة إلى ذلك، تسمح بعض المنصات للخبراء في المجالات أو المستخدمين العاديين بتنفيذ مهام معالجة البيانات المسبقة، مثل تسمية الصور وتصنيف البيانات، وهذه المهام قد تتطلب معرفة متخصصة في معالجة بيانات المهام المالية والقانونية، حيث يمكن للمستخدمين تحويل المهارات إلى رموز، مما يحقق التعاون الجماعي في معالجة البيانات. تمثل سوق الذكاء الاصطناعي مثل Sahara AI، التي تحتوي على مهام بيانات في مجالات مختلفة، ويمكن أن تغطي سيناريوهات بيانات متعددة المجالات؛ بينما يقوم بروتوكول AIT بتسمية البيانات من خلال طريقة التعاون بين الإنسان والآلة.

• النموذج: خلال عملية تطوير الذكاء الاصطناعي التي تم ذكرها سابقًا، تحتاج أنواع مختلفة من المتطلبات إلى مطابقة النماذج المناسبة. النماذج الشائعة في مهام الصور مثل CNN وGAN، ومهام الكشف عن الأهداف يمكن اختيار سلسلة Yolo، والنماذج الشائعة في مهام النصوص مثل RNN وTransformer، وبالطبع هناك أيضًا بعض النماذج الكبيرة المحددة أو العامة. تختلف العمق المطلوب للنماذج حسب تعقيد المهام المختلفة، وفي بعض الأحيان تحتاج إلى ضبط النموذج.

تدعم بعض المشاريع المستخدمين لتقديم أنواع مختلفة من النماذج أو التعاون في تدريب النماذج من خلال أسلوب الإشراك الجماعي، مثل Sentient التي تسمح بتصميم نماذج معيارية، مما يتيح للمستخدمين وضع بيانات النموذج الموثوقة في طبقة التخزين وطبقة التوزيع لتحسين النموذج، كما توفر أدوات التطوير التي تقدمها Sahara AI خوارزميات ذكاء اصطناعي متقدمة وإطار عمل حسابي، ولديها القدرة على التدريب التعاوني.

• الاستدلال والتحقق: بعد تدريب النموذج، سيتم إنشاء ملف أوزان النموذج، والذي يمكن استخدامه مباشرة للتصنيف أو التنبؤ أو المهام المحددة الأخرى، وتسمى هذه العملية الاستدلال. عادةً ما يكون هناك آلية للتحقق مصاحبة لعملية الاستدلال، للتحقق من صحة مصدر نموذج الاستدلال وما إذا كان هناك سلوك ضار، وما إلى ذلك. يمكن دمج الاستدلال في Web3 داخل العقود الذكية، من خلال استدعاء النموذج لإجراء الاستدلال، تشمل طرق التحقق الشائعة تقنيات مثل ZKML و OPML و TEE. من المشاريع الممثلة مثل أورا على سلسلة AI Oracle (OAO)، حيث تم إدخال OPML كطبقة قابلة للتحقق لـ AI Oracle، كما تم الإشارة في الموقع الرسمي لأورا إلى أبحاثهم حول ZKML و opp/ai (دمج ZKML مع OPML).

طبقة التطبيق:

تستهدف هذه الطبقة بشكل مباشر التطبيقات الموجهة للمستخدمين، حيث تجمع بين الذكاء الاصطناعي وWeb3، مما يخلق المزيد من الطرق الممتعة والمبتكرة للعب. يركز هذا المقال بشكل أساسي على تنظيم المشاريع في عدة مجالات، بما في ذلك AIGC (المحتوى الذي يتم إنشاؤه بواسطة الذكاء الاصطناعي)، وكلاء الذكاء الاصطناعي، وتحليل البيانات.

• AIGC: من خلال AIGC