دمج الذكاء الاصطناعي مع تكنولوجيا البلوكتشين: من البنية التحتية إلى التطبيقات

تطور قطاع الذكاء الاصطناعي ( AI ) بسرعة في السنوات الأخيرة، ويعتبر القوة الدافعة الرئيسية وراء الجولة الجديدة من الثورة الصناعية. أدت ظهور نماذج اللغة الكبيرة إلى تحسين كفاءة العمل في جميع القطاعات، حيث قدرت شركة بوسطن الاستشارية أن GPT قد زاد من كفاءة العمل الإجمالية في الولايات المتحدة بنسبة حوالي 20%. في الوقت نفسه، يُعتبر القدرة على تعميم النماذج الكبيرة نموذج تصميم برمجي جديد، حيث يعتمد تصميم البرمجيات الآن بشكل أكبر على إطار نموذج كبير مُعمم لدعم إدخالات وإخراجات متعددة الوسائط. جلبت تقنيات التعلم العميق جولة جديدة من الرخاء لقطاع الذكاء الاصطناعي، وقد امتدت هذه الموجة إلى قطاع العملات المشفرة.

ستتناول هذه المقالة بالتفصيل تاريخ تطور صناعة الذكاء الاصطناعي، وتصنيفات التكنولوجيا، وتأثير التعلم العميق على هذه الصناعة. سنقوم بتحليل شامل لحلقات سلسلة صناعة التعلم العميق، بما في ذلك وحدات المعالجة الرسومية، والحوسبة السحابية، ومصادر البيانات، والأجهزة الطرفية، وسنستعرض حالة تطورها واتجاهاتها. بعد ذلك، سنستكشف جوهريًا العلاقة بين العملات المشفرة وصناعة الذكاء الاصطناعي، وسنقوم بتنظيم مشهد سلسلة صناعة الذكاء الاصطناعي المرتبطة بالعملات المشفرة.

! علم الوافد الجديد 丨 الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة

تاريخ تطور صناعة الذكاء الاصطناعي

بدأت صناعة الذكاء الاصطناعي في خمسينيات القرن العشرين. لتحقيق رؤية الذكاء الاصطناعي، طورت الأوساط الأكاديمية والصناعية أنواعًا مختلفة من المدارس في سياقات زمنية مختلفة. تعتمد تقنيات الذكاء الاصطناعي الحديثة بشكل أساسي على "تعلم الآلة"، حيث تتمثل الفكرة الأساسية في جعل الآلات تقودها البيانات، وتكرار المهام لتحسين أداء النظام. تشمل الخطوات الرئيسية إدخال البيانات إلى الخوارزمية، تدريب النموذج، اختبار النشر، وأخيرًا تحقيق التنبؤ الآلي.

تتضمن التعلم الآلي حاليًا ثلاث مدارس رئيسية: الترابطية، الرمزية والسلوكية، والتي تحاكي على التوالي النظام العصبي البشري، التفكير والسلوك. تحتل الترابطية، الممثلة بالشبكات العصبية، موقع الصدارة، وتعرف أيضًا بالتعلم العميق. تتضمن هيكلية الشبكات العصبية طبقة إدخال، طبقة إخراج والعديد من الطبقات المخفية، مع زيادة عدد الطبقات وعدد المعلمات (، يمكنها تكييف المهام العامة الأكثر تعقيدًا. من خلال تعديل المعلمات عن طريق إدخال البيانات باستمرار، نصل في النهاية إلى الحالة المثلى، وهذا هو مصدر "العمق".

! [الوافد الجديد Science Popular 丨الذكاء الاصطناعي x Crypto: من الصفر إلى الذروة])https://img-cdn.gateio.im/webp-social/moments-c50ee5a87373c6cd6c4dc63adc2cf47c.webp019283746574839201

شهدت تقنيات التعلم العميق عدة تطورات، من الشبكات العصبية الأولى، إلى الشبكات العصبية ذات التغذية الأمامية، والشبكات العصبية التكرارية، والشبكات العصبية الالتفافية، والشبكات التنافسية، وأخيراً تطورت إلى النماذج الكبيرة الحديثة مثل تقنية Transformer المستخدمة في GPT وغيرها. من خلال إضافة المحولات، يمكن لـ Transformer ترميز البيانات متعددة الأنماط ( مثل الصوت والفيديو والصور وغيرها ) إلى تمثيلات رقمية مقابلة، وبالتالي تحقيق التوافق مع أي نوع من البيانات.

شهد تطوير الذكاء الاصطناعي ثلاث موجات تكنولوجية:

1. الستينيات من القرن العشرين: أحدثت الموجة الأولى التي أثارها الأسلوب الرمزي، حلاً لمشكلة معالجة اللغة الطبيعية العامة والحوار بين الإنسان والآلة. في نفس الوقت، وُلدت أنظمة الخبراء.

2. 1997: آي بي إم ديب بلو يهزم بطل الشطرنج، مما يدل على أن تقنية الذكاء الاصطناعي شهدت ذروتها الثانية.

3. منذ عام 2006 حتى الآن: قدم ثلاثة عمالقة في التعلم العميق مفهوم التعلم العميق، وتطورت الخوارزميات تدريجياً، مما شكل الموجة التقنية الثالثة، وهي أيضاً فترة الازدهار للاتصالية.

في السنوات الأخيرة، ظهرت العديد من الأحداث البارزة في مجال الذكاء الاصطناعي، بما في ذلك:

• 2014: قدم Goodfellow شبكة الخصومة التوليدية GAN(
• 2015: تأسيس OpenAI
• 2016: ألفا غو تتغلب على لي شيدو
• 2017: نشرت Google ورقة بحثية عن خوارزمية Transformer
• 2018: أصدرت OpenAI GPT
• 2020: أصدرت OpenAI GPT-3
• 2023: تم إطلاق ChatGPT المعتمد على GPT-4 وانتشر بسرعة

! [علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة])https://img-cdn.gateio.im/webp-social/moments-0c9bdea33a39a2c07d1f06760ed7e804.webp(

سلسلة صناعة التعلم العميق

تستخدم النماذج اللغوية الكبيرة الحالية بشكل رئيسي طرق التعلم العميق المعتمدة على الشبكات العصبية. وقد أثار نموذج GPT، الذي يمثل النماذج الكبيرة، جولة جديدة من الحماس في مجال الذكاء الاصطناعي، مما أدى إلى زيادة كبيرة في الطلب على البيانات وقوة الحوسبة في السوق. سنركز على استكشاف تكوين سلسلة الصناعة لخوارزميات التعلم العميق، وكذلك الحالة الحالية للعلاقات بين العرض والطلب والاتجاهات المستقبلية للتطوير.

تدريب نماذج اللغة الكبيرة القائمة على تقنية Transformer ) LLMs ( ينقسم بشكل رئيسي إلى ثلاث خطوات:

1. التدريب المسبق: إدخال أزواج بيانات كبيرة للبحث عن أفضل معلمات الخلايا العصبية. هذه المرحلة تتطلب أكبر قدر من قوة الحوسبة، وتحتاج إلى تكرار المحاولة مع معلمات مختلفة.

2. التعديل الدقيق: استخدام كمية صغيرة ولكن ذات جودة عالية من البيانات للتدريب، لتحسين جودة مخرجات النموذج.

3. التعلم المعزز: بناء نموذج مكافأة لترتيب نتائج الإخراج، لاستخدامه في التكرار التلقائي لبرامح النموذج الكبير. أحيانًا يكون من الضروري أيضًا مشاركة الإنسان في التقييم.

أداء النموذج يتحدد بشكل رئيسي بعدد المعلمات، وكمية وجودة البيانات، وثلاثة عوامل هي القدرة الحاسوبية. كلما زاد عدد المعلمات، زادت قدرة النموذج على التعميم. وفقًا لقواعد التجربة، يتطلب تدريب نموذج كبير مسبقًا حوالي 6np Flops من كمية الحساب حيث n هو عدد التوكنات، وp هو عدد المعلمات ).

في المراحل المبكرة، كانت تدريبات الذكاء الاصطناعي تعتمد بشكل أساسي على وحدة المعالجة المركزية لتوفير قوة الحوسبة، ثم بدأت تدريجياً في التحول إلى وحدات معالجة الرسوميات، مثل شرائح NVIDIA A100 و H100. تقوم وحدات معالجة الرسوميات بإجراء العمليات العائمة من خلال وحدات Tensor Core، وتعتبر بيانات Flops بدقة FP16/FP32 مؤشراً هاماً على أداء الشرائح.

خذ GPT-3 كمثال، حيث يحتوي على 175 مليار معلمة و 180 مليار توكن من بيانات التدريب. تتطلب عملية التدريب المسبق حوالي 3.15*10^22 فلوب، حتى مع استخدام أحدث شرائح GPU، سيستغرق الأمر مئات الأيام. مع توسع حجم النموذج، تزداد الحاجة إلى قوة الحوسبة بشكل متزايد.

خلال عملية تدريب النموذج، تواجه تخزين البيانات أيضًا تحديات. نظرًا لحدود ذاكرة GPU، هناك حاجة لنقل البيانات بشكل متكرر بين القرص الصلب والذاكرة، مما يجعل عرض النطاق الترددي للرقائق عاملًا حاسمًا. أثناء التدريب المتوازي مع عدة GPUs، تكون سرعة نقل البيانات بين الرقائق أيضًا مهمة جدًا. لذلك، فإن قدرة الحساب للرقائق ليست العقبة الوحيدة، بل إن عرض النطاق الترددي للذاكرة غالبًا ما يكون أكثر أهمية.

تشمل سلسلة صناعة التعلم العميق المراحل التالية:

1. مزودات الأجهزة GPU: NVIDIA تتمتع بوضع احتكاري في سوق رقائق الذكاء الاصطناعي عالية الأداء. كما أن شركات مثل Google و Intel تعمل على تطوير رقائق الذكاء الاصطناعي الخاصة بها.

2. مقدمو خدمات السحاب: تنقسم بشكل رئيسي إلى ثلاث فئات: مقدمو السحاب التقليديين ( مثل AWS، Google Cloud )، مقدمو خدمات السحاب AI العمودية ( مثل CoreWeave )، ومقدمو خدمات الاستدلال ( مثل Together.ai ).

3. مزود بيانات التدريب: يوفر بيانات ضخمة وعالية الجودة ومحددة للنماذج الكبيرة ونماذج المجالات الرأسية.

4. مزود قاعدة البيانات: يعتمد بشكل رئيسي على قواعد البيانات المتجهة، المستخدمة لتخزين ومعالجة البيانات غير الهيكلية بكفاءة.

5. الأجهزة الطرفية: تشمل أنظمة إمداد الطاقة والتبريد لدعم تشغيل مجموعات الحوسبة الكبيرة.

6. التطبيقات: أنواع مختلفة من تطبيقات الذكاء الاصطناعي المطورة على أساس النماذج الكبيرة، مثل أنظمة الحوار، وأدوات الإبداع، وغيرها.

! علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة

علاقة العملات الرقمية بالذكاء الاصطناعي

تقنية البلوكتشين تعتمد على اللامركزية وعدم الثقة. أنشأ البيتكوين نظام نقل قيمة غير موثوق، بينما حقق الإيثيريوم منصة عقود ذكية لامركزية وغير موثوقة. جوهر الشبكة البلوكتشين هو شبكة قيمة، حيث تعتمد كل معاملة على تحويل قيمة الرموز الأساسية.

تظهر قيمة الشركات في الإنترنت التقليدي بشكل أساسي من خلال التدفق النقدي ونسبة السعر إلى الأرباح. بينما في الإيكولوجيا الخاصة بالبلوكتشين، تحمل الرموز الأصلية ( مثل ETH) قيمة متعددة الأبعاد للشبكة، حيث يمكن أن تحقق عوائد من التخزين، بالإضافة إلى كونها وسيلة لتبادل القيمة، ووسيلة تخزين، ومنتجات استهلاكية للأنشطة الشبكية. تحدد اقتصاديات الرموز القيمة النسبية لمستودعات التسوية في النظام البيئي، وعلى الرغم من صعوبة تسعير كل بُعد بشكل منفصل، إلا أن سعر الرموز يعكس بشكل شامل القيمة متعددة الأبعاد.

تتمثل جاذبية الرمز المميز في إمكانية منح قيمة لأي وظيفة أو فكرة. تعيد اقتصاديات الرموز المميزة تعريف واكتشاف طرق القيمة، وهي ضرورية لجميع الصناعات بما في ذلك الذكاء الاصطناعي. في صناعة الذكاء الاصطناعي، يمكن أن يعيد إصدار الرموز المميزة تشكيل قيمة جميع حلقات سلسلة الصناعة، وتحفيز المزيد من المشاركين على التعمق في المجالات الفرعية. لا يجلب الرمز المميز تدفقًا نقديًا فحسب، بل يمكن أيضًا من خلال تأثيرات التعاون تعزيز قيمة البنية التحتية، وتشكيل نموذج "اتفاقيات سمينة وتطبيقات نحيفة".

تقدم الخصائص غير القابلة للتغيير وغير القابلة للاعتماد لتقنية البلوكتشين معنى عملي لصناعة الذكاء الاصطناعي. يمكن أن تحقق بعض التطبيقات التي تحتاج إلى الثقة، مثل ضمان عدم تسرب الخصوصية عند استخدام بيانات المستخدم. عند نقص إمدادات GPU، يمكن توزيع القدرة الحاسوبية عبر شبكة البلوكتشين؛ وعندما يتم تحديث GPU، يمكن أن تواصل الأجهزة القديمة غير المستخدمة تقديم القيمة. هذه كلها مزايا فريدة لشبكة القيمة العالمية.

! علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة

نظرة عامة على مشاريع سلسلة صناعة الذكاء الاصطناعي في صناعة العملات المشفرة

1. جانب العرض للمعالجات الرسومية:

تشمل المشاريع الرئيسية Render و Golem وغيرها. يعتبر Render مشروع بنية تحتية لامركزية ناضجة نسبياً، ويستهدف بشكل رئيسي مهام مثل تجسيد الفيديو بدلاً من المهام الكبيرة. مع تزايد الطلب على الذكاء الاصطناعي وتطور وحدات معالجة الرسوميات، قد تزداد الحاجة إلى قوة معالجة GPU المشتركة، مما يوفر فرص اكتشاف القيمة لوحدات معالجة الرسوميات غير المستخدمة.

2. عرض النطاق الترددي للأجهزة:

تشمل المشاريع النموذجية مثل Meson Network، التي تهدف إلى إنشاء شبكة لمشاركة النطاق الترددي العالمية. ومع ذلك، قد تكون مشاركة النطاق الترددي طلبًا زائفًا، نظرًا لأن تأخير التخزين المحلي للبيانات أقل بكثير من التخزين الموزع في مجموعات الحوسبة عالية الأداء.

3. البيانات:

تقدم مشاريع مثل EpiK Protocol و Synesis One و Masa خدمات بيانات تدريب الذكاء الاصطناعي. يعتمد Masa على تقنية إثبات المعرفة الصفرية، ويدعم جمع البيانات الخاصة. تتمثل ميزة هذه المشاريع في قدرتها على تحقيق جمع بيانات واسعة النطاق، وتحفيز المستخدمين على المساهمة في البيانات من خلال الرموز.

4. ZKML( التعلم الآلي القائم على المعرفة الصفرية ):

استخدام تقنية الإثبات الصفري لتحقيق حساب الخصوصية والتدريب. تشمل المشاريع الرئيسية Modulus Labs و Giza وغيرها. بعض المشاريع العامة مثل Axiom و Risc Zero تستحق أيضًا الاهتمام.

5. تطبيقات الذكاء الاصطناعي:

الهدف الرئيسي هو دمج قدرات الذكاء الاصطناعي مع تطبيقات البلوكتشين التقليدية، مثل وكيل الذكاء الاصطناعي. Fetch.AI هو مشروع تمثيلي يساعد المستخدمين في اتخاذ قرارات معقدة على السلسلة من خلال الوكلاء الذكيين.

6. البلوكتشين الذكي:

مثل Tensor، Allora، Hypertensor، وغيرها، الشبكات التكيفية التي تم بناؤها خصيصًا لنماذج أو وكلاء الذكاء الاصطناعي. هذه المشاريع عادة ما تعتمد آليات مشابهة للتعلم المعزز، لتحسين معلمات النموذج من خلال مقيمين على البلوكتشين.

! علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة

ملخص

على الرغم من أن التطور الحالي للذكاء الاصطناعي يركز بشكل رئيسي على تقنيات التعلم العميق، إلا أن هناك مسارات تقنية أخرى محتملة في الذكاء الاصطناعي تستحق الاهتمام. على الرغم من أن التعلم العميق قد لا يتمكن من تحقيق الذكاء الاصطناعي العام، إلا أنه تم تطبيقه على نطاق واسع في مجالات مثل أنظمة التوصية، وله قيمة عملية.

تكنولوجيا البلوكتشين وعلوم الاقتصاد الرمزي جلبت تعريفًا جديدًا للقيمة وآليات اكتشاف جديدة لصناعة الذكاء الاصطناعي. يمكن أن تعيد تشكيل قيمة جميع حلقات سلسلة صناعة الذكاء الاصطناعي، وتحفز المزيد من المشاركين، وتحقق تخصيصًا فعالًا للموارد من خلال شبكة قيمة عالمية.

ومع ذلك، لا يزال لشبكة GPU اللامركزية عيوب في عرض النطاق الترددي وأدوات المطورين، وهي حالياً مناسبة بشكل رئيسي لتدريب النماذج الصغيرة غير العاجلة. بالنسبة للشركات الكبيرة والمهام الحرجة، لا تزال منصات خدمات السحابة التقليدية تتمتع بميزة أكبر.

بشكل عام، فإن دمج الذكاء الاصطناعي مع البلوكتشين له فائدة عملية وإمكانيات طويلة الأجل. يمكن أن تعيد اقتصاديات الرموز تشكيل واكتشاف قيمة أوسع، بينما يمكن أن تحل دفاتر السجلات اللامركزية مشكلة الثقة، وتعزز تدفق القيمة واكتشاف القيمة الزائدة على مستوى عالمي. مع تقدم التكنولوجيا وتحسين النظام البيئي، من المتوقع أن يؤدي دمج الذكاء الاصطناعي والبلوكتشين إلى المزيد من الابتكارات والفرص.