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

مع استمرار ارتفاع درجة حرارة السرد AI، تركز المزيد من الاهتمام على هذا المجال. تم تحليل المنطق التكنولوجي، ومشاهد التطبيق، والمشاريع الممثلة في مجال Web3-AI بشكل عميق، لتقديم عرض شامل لك panorama والميل 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، كانت السرديات المدعومة بالذكاء الاصطناعي تحظى بشعبية كبيرة في صناعة Web3، حيث ظهرت مشاريع الذكاء الاصطناعي كالفطر بعد المطر. على الرغم من وجود العديد من المشاريع التي تتضمن تقنيات الذكاء الاصطناعي، إلا أن بعض هذه المشاريع تستخدم الذكاء الاصطناعي فقط في بعض أجزاء منتجاتها، ولا توجد علاقة جوهرية بين الاقتصاد الرمزي الأساسي ومنتجات الذكاء الاصطناعي، وبالتالي لا تُعتبر هذه المشاريع ضمن مناقشة مشاريع Web3-AI في هذه المقالة.

تركز هذه المقالة على استخدام blockchain لحل مشكلات علاقات الإنتاج، ومشاريع الذكاء الاصطناعي التي تحل مشكلات قوى الإنتاج. هذه المشاريع تقدم منتجات ذكاء اصطناعي، وفي نفس الوقت تستند إلى نماذج الاقتصاد Web3 كأدوات لعلاقات الإنتاج، حيث يكمل كل منهما الآخر. نصنف هذه المشاريع ضمن مسار Web3-AI. من أجل مساعدة القراء على فهم أفضل لمسار Web3-AI، سيتم تقديم عملية تطوير الذكاء الاصطناعي والتحديات التي تواجهها، 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 استدلال النموذج

تكنولوجيا الذكاء الاصطناعي هي تقنية تجعل الكمبيوتر قادرًا على محاكاة وتوسيع وتعزيز الذكاء البشري. يمكنها أن تجعل الكمبيوتر قادرًا على أداء مجموعة متنوعة من المهام المعقدة، من ترجمة اللغات وتصنيف الصور إلى التعرف على الوجه وتطبيقات القيادة الذاتية، الذكاء الاصطناعي يغير طريقة حياتنا وعملنا.

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

1. جمع البيانات ومعالجة البيانات المسبقة: جمع مجموعة بيانات تحتوي على صور للقطط والكلاب، يمكن استخدام مجموعة بيانات عامة أو جمع بيانات حقيقية بنفسك. ثم قم بتصنيف كل صورة (قط أو كلب)، تأكد من أن التصنيفات دقيقة. 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 بناءً على الاحتياجات المختلفة، وعادةً ما يمكن تعديل طبقات الشبكة الخاصة بالنموذج وفقًا لتعقيد مهمة الذكاء الاصطناعي. في هذه الحالة البسيطة للتصنيف، قد تكون الطبقات الشبكية الأكثر سطحية كافية.

3. تدريب النموذج: يمكن استخدام GPU أو TPU أو مجموعات الحوسبة عالية الأداء لتدريب النموذج، حيث يؤثر تعقيد النموذج وقدرة الحوسبة على وقت التدريب.

4. استنتاج النموذج: تُعرف الملفات المدربة جيدًا للنموذج عمومًا بأوزان النموذج، وعملية الاستنتاج تشير إلى استخدام النموذج المدرب مسبقًا للتنبؤ أو تصنيف بيانات جديدة. يمكن استخدام مجموعة الاختبار أو بيانات جديدة لاختبار فعالية تصنيف النموذج، وعادةً 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، سيتم إجراء الاستدلال على مجموعة الاختبار باستخدام النموذج المدرب للحصول على قيم توقعات القطط والكلاب P (الاحتمال)، أي أن النموذج يستنتج احتمال أن يكون كلبًا أو قطة.

يمكن دمج نموذج الذكاء الاصطناعي المدرب بشكل أكبر في تطبيقات متنوعة، لتنفيذ مهام مختلفة. في هذا المثال، يمكن دمج نموذج الذكاء الاصطناعي لتصنيف القطط والكلاب في تطبيق موبايل، حيث يمكن للمستخدمين رفع صور للقطط أو الكلاب للحصول على نتائج التصنيف.

ومع ذلك، توجد بعض المشكلات 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 علمهم واستخدامها في تدريب الذكاء الاصطناعي.

مصدر البيانات: قد تواجه الفرق الصغيرة أو الأفراد قيودًا في الحصول على البيانات في مجالات معينة (مثل البيانات الطبية) بسبب عدم توفر البيانات كمصدر مفتوح.

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

الحصول على القدرة الحاسوبية: بالنسبة للمطورين الأفراد والفرق الصغيرة، فإن التكلفة العالية لشراء وحدات معالجة الرسوميات وأجر استئجار القدرة الحاسوبية السحابية قد تشكل عبئًا ماليًا كبيرًا.

دخل الأصول الذكية: غالبًا ما لا يتمكن العاملون في تصنيف البيانات من الحصول على دخل يتناسب مع جهودهم، كما أن نتائج أبحاث مطوري الذكاء الاصطناعي يصعب مطابقتها مع المشترين ذوي الطلب.

يمكن معالجة التحديات الموجودة في سيناريوهات الذكاء الاصطناعي المركزي من خلال دمجها مع Web3، حيث أن Web3 كعلاقة إنتاج جديدة تتناسب بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل قوة إنتاجية جديدة، مما يعزز التقدم التكنولوجي وقدرات الإنتاج في نفس الوقت.

1.3 الويب 3.0 وتأثير الذكاء الاصطناعي: تحول الأدوار والتطبيقات الابتكارية

يمكن أن يعزز دمج Web3 و AI سيادة المستخدم، ويوفر للمستخدمين منصة مفتوحة للتعاون في AI، مما يسمح للمستخدمين بالتحول من مستخدمين للـ AI في عصر Web2 إلى مشاركين، وخلق AI يمكن للجميع امتلاكه. في الوقت نفسه، فإن اندماج عالم Web3 مع تقنيات AI يمكن أن يخلق المزيد من مشاهد التطبيقات والطرق المبتكرة.

استنادًا إلى تقنية Web3 ، ستشهد تطوير وتطبيق الذكاء الاصطناعي نظامًا جديدًا تمامًا للاقتصاد التعاوني. يمكن ضمان خصوصية بيانات الأشخاص ، ويعزز نموذج البيانات الجماعية تقدم نماذج الذكاء الاصطناعي ، وتتوفر العديد من الموارد مفتوحة المصدر للذكاء الاصطناعي للاستخدام من قبل المستخدمين ، ويمكن الحصول على قوة الحوسبة المشتركة بتكلفة منخفضة. من خلال آلية التعاون الجماعي اللامركزية والسوق المفتوحة للذكاء الاصطناعي ، يمكن تحقيق نظام عادل لتوزيع الدخل ، مما يحفز المزيد من الناس لدفع 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 سيناريوهات تطبيق مختلفة، مثل تحليل السوق، واختبار الأمان، والتجميع الاجتماعي، وغيرها من الوظائف المتنوعة. لا يتيح الذكاء الاصطناعي التوليدي للمستخدمين تجربة دور "الفنان" فحسب، مثل استخدام تقنيات الذكاء الاصطناعي لإنشاء NFT الخاصة بهم، بل يمكنه أيضًا خلق مشاهد ألعاب متنوعة وتجارب تفاعلية ممتعة في GameFi. توفر البنية التحتية الغنية تجربة تطوير سلسة، حيث يمكن لكل من خبراء الذكاء الاصطناعي والمبتدئين الذين يرغبون في دخول مجال الذكاء الاصطناعي العثور على مدخل مناسب في هذا العالم.

٢. تفسير خريطة مشروع ويب 3-الذكاء الاصطناعي والهندسة المعمارية

لقد درسنا بشكل أساسي 41 مشروعًا في مجال Web3-AI ، وقمنا بتقسيم هذه المشاريع إلى مستويات مختلفة. منطق تقسيم كل مستوى موضح في الرسم أدناه ، بما في ذلك مستوى البنية التحتية ، والمستوى الوسيط ، ومستوى التطبيق ، وكل مستوى مقسم أيضًا إلى أقسام مختلفة. في الفصل التالي ، سنقوم بتحليل بعض المشاريع التمثيلية بعمق.

تشمل طبقة البنية التحتية الموارد الحاسوبية وهياكل التكنولوجيا التي تدعم تشغيل دورة حياة الذكاء الاصطناعي بأكملها، بينما تشمل الطبقة الوسطى إدارة البيانات وخدمات تطوير النماذج والتحقق من الاستدلال التي تربط البنية التحتية بالتطبيقات، وتركز الطبقة التطبيقية على مختلف التطبيقات والحلول الموجهة مباشرة للمستخدم.

طبقة البنية التحتية:

طبقة البنية التحتية هي الأساس لدورة حياة الذكاء الاصطناعي، حيث يتم تصنيف قوة الحوسبة، سلسلة الذكاء الاصطناعي ومنصة التطوير كطبقة البنية التحتية. فبدعم هذه البنية التحتية يمكن تحقيق تدريب نماذج الذكاء الاصطناعي واستنتاجها، وتقديم تطبيقات ذكاء اصطناعي قوية وعملية للمستخدمين.

• شبكة الحوسبة اللامركزية: يمكن أن توفر قوة حسابية موزعة لتدريب نماذج الذكاء الاصطناعي، مما يضمن استخدام موارد حسابية فعالة واقتصادية. تقدم بعض المشاريع سوقًا لامركزيًا للقوة الحسابية، حيث يمكن للمستخدمين استئجار القوة الحسابية بتكلفة منخفضة أو مشاركة القوة الحسابية للحصول على عوائد، ومن بين المشاريع الممثلة IO.NET و Hyperbolic. بالإضافة إلى ذلك، ظهرت بعض المشاريع بألعاب جديدة، مثل Compute Labs، التي اقترحت بروتوكولًا رمزيًا، حيث يمكن للمستخدمين من خلال شراء NFT تمثل وحدة معالجة الرسوميات، المشاركة بطرق مختلفة في استئجار القوة الحسابية للحصول على عوائد.

• AI Chain: استخدام البلوكشين كأساس لدورة حياة الذكاء الاصطناعي، لتحقيق التفاعل السلس بين الموارد الذكية 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 عمل لتطوير الذكاء الاصطناعي وأدوات تطوير مصاحبة، ومن المشاريع التي تمثل ذلك مثل Sahara AI. يمكن لـ AI Chain أيضًا تعزيز التقدم في تقنيات الذكاء الاصطناعي في مجالات مختلفة، مثل Bittensor الذي يعزز المنافسة بين أنواع مختلفة من الشبكات الفرعية من خلال آلية تحفيز مبتكرة.

• منصة التطوير: تقدم بعض المشاريع منصة تطوير وكيل AI، ويمكنها أيضًا تنفيذ تداول وكيل AI، مثل Fetch.ai و ChainML وغيرها. تساعد الأدوات الشاملة المطورين على إنشاء وتدريب ونشر نماذج AI بسهولة أكبر، ومن المشاريع الممثلة Nimble. تعزز هذه البنية التحتية من الاستخدام الواسع لتقنية AI في نظام Web3 البيئي.

الطبقة الوسطى:

تشمل هذه الطبقة بيانات الذكاء الاصطناعي، والنماذج، والاستدلال والتحقق، ويمكن تحقيق كفاءة عمل أعلى من خلال استخدام تقنية Web3.

• البيانات: جودة وكمية البيانات هي العوامل الرئيسية التي تؤثر على فعالية تدريب النموذج. في عالم Web3، يمكن من خلال جمع البيانات بشكل جماعي ومعالجة البيانات التعاونية تحسين استخدام الموارد وتقليل تكاليف البيانات. يمكن للمستخدمين امتلاك حقوق بياناتهم، وبيع بياناتهم في ظل حماية الخصوصية، لتجنب سرقة البيانات من قبل التجار السيئين وتحقيق أرباح عالية. بالنسبة لمتطلبات البيانات، توفر هذه المنصات مجموعة واسعة من الخيارات وتكاليف منخفضة للغاية. من المشاريع الممثلة مثل Grass التي تستخدم عرض النطاق الترددي للمستخدمين لجمع بيانات الويب، وxData التي تجمع معلومات الوسائط من خلال ملحقات سهلة الاستخدام، وتدعم المستخدمين في تحميل معلومات التغريدات.

بالإضافة إلى ذلك، تسمح بعض المنصات للخبراء في المجالات أو المستخدمين العاديين بتنفيذ مهام معالجة البيانات مثل وضع علامات على الصور وتصنيف البيانات، وهي مهام قد تتطلب معرفة متخصصة في معالجة البيانات المالية والقانونية، حيث يمكن للمستخدمين توكين مهاراتهم لتحقيق التعاون في معالجة البيانات. تمثل سوق الذكاء الاصطناعي مثل Sahara AI، التي تحتوي على مهام بيانات من مجالات مختلفة، وتغطي سيناريوهات بيانات متعددة المجالات؛ بينما يقوم بروتوكول AIT بوضع علامات على البيانات من خلال التعاون بين الإنسان والآلة.

• النموذج: في عملية تطوير الذكاء الاصطناعي التي تم ذكرها سابقًا، تحتاج أنواع مختلفة من المتطلبات إلى مطابقة النموذج المناسب. النماذج المستخدمة بشكل شائع في مهام الصور مثل CNN و GAN، بينما يمكن اختيار سلسلة Yolo لمهام الكشف عن الأهداف. أما بالنسبة لمهام النصوص، فإن النماذج الشائعة هي RNN و Transformer، بالطبع هناك أيضًا بعض النماذج الكبيرة المحددة أو العامة. تتطلب المهام ذات التعقيد المختلف عمقًا مختلفًا من النماذج، وأحيانًا يتطلب الأمر ضبط النماذج.

بعض المشاريع تدعم المستخدمين لتقديم أنواع مختلفة من النماذج أو التعاون في تدريب النماذج عبر أسلوب الحشود، مثل Sentient التي تسمح بتصميمها المعياري للمستخدمين بوضع بيانات النموذج الموثوقة في طبقة التخزين، وطبقة التوزيع من أجل تحسين النموذج، وأدوات التطوير التي تقدمها Sahara AI تحتوي على خوارزميات الذكاء الاصطناعي المتقدمة وإطار العمل الحاسوبي، ولديها القدرة على التدريب التعاوني.

• الاستدلال والتحقق: بعد تدريب النموذج، سيتم إنشاء ملفات أوزان النموذج، والتي يمكن استخدامها مباشرة للتصنيف أو التنبؤ أو مهام محددة أخرى، وتسمى هذه العملية الاستدلال. عادة ما تصاحب عملية الاستدلال آلية تحقق، للتحقق من صحة مصدر النموذج الاستدلالي، وما إذا كانت هناك سلوكيات خبيثة، وما إلى ذلك. يمكن دمج الاستدلال في Web3 في العقود الذكية، من خلال استدعاء النموذج لإجراء الاستدلال، وتشمل طرق التحقق الشائعة تقنيات مثل ZKML و OPML و TEE. المشاريع الممثلة مثل أورا Chain AI Oracle (OAO) ، أدخلت OPML كطبقة قابلة للتحقق لـ AI Oracle، وتم الإشارة أيضا في الموقع الرسمي لـ ORA إلى أبحاثهم حول ZKML و opp/ai (دمج ZKML مع OPML).

طبقة التطبيق:

هذه الطبقة موجهة بالأساس نحو تطبيقات المستخدمين، حيث تجمع بين الذكاء الاصطناعي و Web3، مما يخلق