الذكاء الاصطناعي + ويب 3: الأبراج والساحات

مقدمة

في العامين الماضيين، تسارعت وتيرة تطوير الذكاء الاصطناعي بشكل ملحوظ. لم تفتح موجة الذكاء الاصطناعي التوليدي التي أطلقها ChatGPT فقط أبواب عالم جديد، بل أثارت أيضًا دوامات في مجال Web3.

تحت ضغط مفهوم الذكاء الاصطناعي، شهدت أنشطة التمويل في سوق التشفير انتعاشًا ملحوظًا. وفقًا للإحصاءات، أكمل 64 مشروعًا في مجال Web3 + AI التمويل خلال النصف الأول من عام 2024، حيث سجل نظام التشغيل القائم على الذكاء الاصطناعي Zyber365 أعلى رقم قياسي في جولة التمويل من الفئة A بقيمة 100 مليون دولار.

سوق الأسهم الثانوية أكثر نشاطًا، حيث تُظهر بيانات مواقع تجميع العملات المشفرة أن القيمة السوقية الإجمالية لقطاع الذكاء الاصطناعي قد بلغت 48.5 مليار دولار خلال أكثر من عام بقليل، وحجم التداول خلال 24 ساعة يقترب من 8.6 مليار دولار. لقد جلبت التقدمات الواضحة في تقنيات الذكاء الاصطناعي فوائد ملحوظة، حيث بعد إصدار نموذج تحويل النص إلى فيديو Sora من OpenAI، ارتفع متوسط سعر قطاع الذكاء الاصطناعي بنسبة 151%. كما أن تأثير الذكاء الاصطناعي قد انتشر إلى قطاع العملات المشفرة الجاذبة للمال، حيث أصبحت عملة MemeCoin - GOAT، التي تمثل مفهوم وكيل الذكاء الاصطناعي الأول، مشهورة بسرعة وحصلت على تقييم قدره 1.4 مليار دولار، مما أدى إلى إثارة موجة من محتوى Meme المتعلق بالذكاء الاصطناعي.

تتزايد الأبحاث والنقاشات حول AI+Web3 بنفس الحماس، من AI+Depin إلى AI Memecoin ثم إلى AI Agent وAI DAO الحالية، حيث تظهر مفاهيم جديدة باستمرار.

الذكاء الاصطناعي + Web3، هذا المزيج المليء بالأموال الساخنة، ونقاط الازدهار، وتخيلات المستقبل، لا مفر من أن يُنظر إليه على أنه زواج يتم بين رأس المال. من الصعب علينا أن نميز تحت هذا المظهر الرائع، هل هو احتفال المضاربين، أم بداية عصر جديد.

للإجابة على هذا السؤال، يكمن المفتاح في التفكير فيما إذا كان يمكن للطرفين تعزيز بعضهما البعض. تحاول هذه المقالة فحص هذا النمط: كيف يمكن لـ Web3 أن تلعب دورًا في جميع مراحل تقنية AI، وما الفرص الجديدة التي يمكن أن تقدمها AI لـ Web3؟

! الذكاء الاصطناعي+Web3: الأبراج والساحات

الجزء 1 ما هي الفرص في Web3 تحت كومة الذكاء الاصطناعي؟

قبل بدء المناقشة، نحتاج إلى فهم تقنية نموذج الذكاء الاصطناعي الكبير:

يمكن مقارنة نماذج الذكاء الاصطناعي الكبيرة بدماغ الإنسان، في البداية تحتاج مثل الطفل إلى استيعاب كميات هائلة من المعلومات الخارجية لفهم العالم، وهذه هي مرحلة "جمع" البيانات. نظرًا لأن الكمبيوتر لا يمتلك حواس الإنسان، يجب "معالجة" المعلومات غير المعلومة إلى تنسيق قابل للاستخدام قبل التدريب.

بعد إدخال البيانات، تقوم الذكاء الاصطناعي ببناء نموذج يمتلك القدرة على الفهم والتنبؤ من خلال "التدريب"، مشابهًا لعملية تعلم الرضع لفهم العالم الخارجي. عندما يتم تصنيف محتوى التعلم أو الحصول على ملاحظات من خلال التواصل وتصحيحها، يدخل ذلك في مرحلة "التعديل الدقيق".

يمكن للأطفال أن يفهموا ويعبروا عن أفكارهم في المحادثات عندما يكبرون، مشابهًا لمرحلة "الاستدلال" في نماذج الذكاء الاصطناعي الكبيرة، حيث يمكنهم توقع وتحليل المدخلات الجديدة. تعبر الذكاء الاصطناعي من خلال القدرة اللغوية عن المشاعر، وتصف الأشياء، وتحل المشكلات، مشابهاً لتطبيق النماذج الكبيرة في مهام محددة مثل تصنيف الصور والتعرف على الصوت بعد التدريب.

وكيل الذكاء الاصطناعي أقرب إلى الشكل التالي للنموذج الكبير - قادر على تنفيذ المهام بشكل مستقل والسعي وراء أهداف معقدة، لا يمتلك فقط القدرة على التفكير، بل يمكنه أيضًا التذكر والتخطيط، ويستطيع استخدام الأدوات للتفاعل مع العالم.

حاليًا، تم تشكيل نظام بيئي متعدد المستويات ومترابط في Web3 استجابة لنقاط الألم في جميع طبقات الذكاء الاصطناعي، والذي يغطي جميع مراحل عملية نموذج الذكاء الاصطناعي.

! الذكاء الاصطناعي+Web3: الأبراج والمربعات

واحد، الطبقة الأساسية: قوة الحوسبة وبيانات Airbnb

قوة الحوسبة

في الوقت الحالي، أحد التكاليف الرئيسية للذكاء الاصطناعي هو القدرة الحاسوبية والطاقة اللازمة لتدريب ونماذج الاستدلال.

على سبيل المثال، يحتاج LLAMA3 من Meta إلى 16000 وحدة معالجة رسومات NVIDIA H100 لمدة 30 يومًا لإكمال التدريب. سعر وحدة H100 بسعة 80 جيجابايت يتراوح بين 30,000 إلى 40,000 دولار أمريكي، مما يتطلب استثمارًا في المعدات يتراوح بين 400 إلى 700 مليون دولار أمريكي، بالإضافة إلى استهلاك 1.6 مليار كيلووات ساعة من الطاقة شهريًا، مما يؤدي إلى نفقات طاقة تقارب 20 مليون دولار أمريكي.

لتخفيف الضغط على قوة الحوسبة للذكاء الاصطناعي، أصبحت شبكة DePin( للبنية التحتية الفيزيائية اللامركزية) واحدة من أولى المجالات التي تتقاطع مع الذكاء الاصطناعي في Web3. لقد قام موقع DePin Ninja للبيانات بإدراج أكثر من 1400 مشروع، ومن بين المشاريع الممثلة في مشاركة قوة GPU تشمل io.net، Aethir، Akash، شبكة Render وغيرها.

المنطق الرئيسي هو: يسمح النظام لمالكي موارد GPU غير المستخدمة بالمساهمة في قوة الحوسبة بطريقة غير مركزية، مما يزيد من كفاءة استخدام الموارد من خلال سوق عبر الإنترنت يشبه أوبر أو إير بي إن بي، ويستفيد المستخدمون النهائيون من موارد حوسبة فعالة بتكلفة أقل؛ بينما تضمن آلية الرهن معاقبة المخالفين.

تشمل الميزات:

• تجميع موارد GPU غير المستخدمة: تأتي بشكل رئيسي من قوة الحوسبة الزائدة من مراكز البيانات الصغيرة والمتوسطة، ومزارع التعدين الكrypto، وأجهزة التعدين المستخدمة في آلية إجماع PoS. بعض المشاريع مثل exolab تستخدم أيضًا أجهزة محلية مثل MacBook و iPhone لإنشاء شبكة قوة استدلال.

• موجه نحو سوق قوة الحوسبة الطويلة الذيل للذكاء الاصطناعي: أ. الجانب التقني: أكثر ملاءمة لخطوات الاستنتاج. التدريب يعتمد على تجمعات GPU كبيرة جداً، بينما الاستنتاج يتطلب أداء GPU أقل. ب. جانب الطلب: تركز الجهات ذات القوة الحاسوبية المتوسطة والصغيرة بشكل كبير على تحسين النماذج الكبيرة وضبطها، مما يجعلها مناسبة بشكل طبيعي لقوة الحوسبة الموزعة غير المستخدمة.

• الملكية اللامركزية: تضمن تقنية blockchain أن يحتفظ مالكو الموارد بالتحكم، ويقومون بتعديل مرونة وتحقيق الأرباح.

البيانات

البيانات هي حجر الزاوية للذكاء الاصطناعي. بدون بيانات، تصبح الحسابات بلا معنى، وجودة البيانات تحدد جودة مخرجات النموذج. بالنسبة لتدريب النماذج الحالية للذكاء الاصطناعي، تحدد البيانات القدرة اللغوية، والقدرة على الفهم، والقيم، وأداء الإنسانية. في الوقت الحالي، تتمثل أزمة احتياجات البيانات للذكاء الاصطناعي بشكل رئيسي في:

• جوع البيانات: تعتمد نماذج الذكاء الاصطناعي على إدخال كميات هائلة من البيانات. بلغ عدد معلمات تدريب GPT-4 من OpenAI تريليونات.

• جودة البيانات: مع دمج الذكاء الاصطناعي مع مختلف الصناعات، ازدادت المتطلبات بشأن توقيت البيانات، تنوعها، احترافيتها، ومصادر البيانات الناشئة مثل مشاعر وسائل التواصل الاجتماعي.

• الخصوصية والامتثال: بدأت الدول والشركات تدريجياً في تقييد جمع مجموعات البيانات.

• تكلفة معالجة البيانات مرتفعة: حجم البيانات كبير، والمعالجة معقدة. تستثمر شركات الذكاء الاصطناعي أكثر من 30% من تكلفة البحث والتطوير في جمع ومعالجة البيانات الأساسية.

تتمثل حلول Web3 بشكل رئيسي في:

1. جمع البيانات: السماح للمساهمين الحقيقيين بالمشاركة في خلق القيمة، والحصول على بيانات أكثر خصوصية وذات قيمة بتكلفة منخفضة من خلال شبكة موزعة وآلية تحفيز.

   • Grass: طبقة بيانات وشبكة لامركزية، يقوم المستخدمون بتشغيل العقدة للمساهمة في عرض النطاق الترددي لالتقاط البيانات في الوقت الحقيقي والحصول على مكافآت.
   • Vana: تقديم مفهوم تجمع سيولة البيانات (DLP)، حيث يمكن للمستخدمين رفع البيانات الخاصة بهم ومنح إذن مرن للأطراف الثالثة للاستخدام.
   • PublicAI: يمكن للمستخدمين استخدام #AI或# علامة Web3 على X و@PublicAI لجمع البيانات.

2. معالجة البيانات: هناك عدد قليل من الخطوات اليدوية في صناعة الذكاء الاصطناعي، مما يجعلها مناسبة لآلية التحفيز اللامركزية في Web3.

   • تعتبر Grass و OpenLayer الانضمام إلى مرحلة وضع العلامات على البيانات.
   • قدمت Synesis مفهوم "Train2earn"، الذي يكافئ تقديم بيانات توضيحية عالية الجودة.
   • سيقوم Sapien بتحويل مهام العلامات إلى لعبة، حيث يقوم المستخدمون بربط النقاط لكسب المزيد من النقاط.

3. خصوصية البيانات والأمان: تتجلى مزايا تقنيات الخصوصية في Web3 في تدريب البيانات الحساسة والتعاون متعدد الأطراف في البيانات.

التقنيات الرئيسية للخصوصية تشمل:

• البيئة التنفيذية الموثوقة(TEE)، مثل بروتوكول سوبر
• التشفير المتجانس بالكامل ( FHE )، مثل BasedAI، Fhenix.io، Inco Network
• تقنية المعرفة الصفرية (zk)، مثل بروتوكول Reclaim الذي يستخدم تقنية zkTLS

لا تزال في مرحلة مبكرة، وتواجه تحديات مثل ارتفاع تكاليف الحساب.

4. تخزين البيانات: حل مشكلة تخزين بيانات الذكاء الاصطناعي على السلسلة وتوليد نماذج اللغة الكبيرة.

   • 0g.AI: حل تخزين مركزي مصمم لتلبية متطلبات الأداء العالي للذكاء الاصطناعي، يدعم تحميل وتنزيل مجموعات بيانات كبيرة بسرعة قريبة من 5 جيجابايت/ثانية.

٢. البرمجيات الوسيطة: تدريب النموذج واستنتاجه

نموذج السوق اللامركزي المفتوح المصدر

يقدم Web3 إمكانية سوق النماذج اللامركزية مفتوحة المصدر، من خلال توكين يتم الاحتفاظ بجزء من الرموز لفريق العمل، وتوجيه جزء من الإيرادات المستقبلية للنموذج نحو حاملي الرموز.

• Bittensor: إنشاء سوق نموذج P2P مفتوح المصدر يتكون من عدة "شبكات فرعية"، حيث يتنافس مزودو الموارد لتلبية أهداف الشبكة الفرعية.
• ORA: إدخال مفهوم إصدار النموذج الأولي (IMO)، وتوكن نموذج الذكاء الاصطناعي.
• Sentient: منصة AGI لامركزية، تحفز التعاون لبناء نماذج ذكاء اصطناعي وتكافئ المساهمين.
• Spectral Nova: يركز على إنشاء وتطبيق نماذج الذكاء الاصطناعي وتعلم الآلة.

الاستدلال القابل للتحقق

بالنسبة لمشكلة "الصندوق الأسود" في استنتاج الذكاء الاصطناعي، فإن الحل القياسي في Web3 هو مقارنة نتائج العمليات المتكررة من قبل عدة مُحققين، ولكن يواجه تحديات تكاليف مرتفعة.

الخطة الأكثر تفاؤلاً هي تنفيذ إثبات ZK لحساب استنتاجات الذكاء الاصطناعي خارج السلسلة، والتحقق من الحساب على السلسلة. المزايا الرئيسية:

• القابلية للتوسع: تأكيد سريع للعمليات الحسابية الكبيرة خارج السلسلة.
• حماية الخصوصية: حماية البيانات وتفاصيل النموذج.
• لا حاجة إلى الثقة: لا داعي للاعتماد على جهة مركزية لتأكيد الحساب.
• تكامل Web2: يساعد في زيادة معدل اعتماد Web3.

التقنيات القابلة للتحقق الحالية تشمل:

• zkML: يجمع بين الإثباتات ذات المعرفة الصفرية وتعلم الآلة، مثل موثّق الذكاء الاصطناعي الذي أطلقته Modulus Labs بناءً على ZKML.
• opML: استخدام مبدأ التجميع المتفائل لتحسين كفاءة حساب ML.
• TeeML: تنفيذ حسابات ML بأمان باستخدام بيئة تنفيذ موثوقة.

ثلاثة، الطبقة التطبيقية: وكيل الذكاء الاصطناعي

تركز التطورات الحالية في الذكاء الاصطناعي على الانتقال من قدرات النماذج إلى وكيل الذكاء الاصطناعي. تعرف OpenAI وكيل الذكاء الاصطناعي بأنه: نظام مدفوع بواسطة LLM، لديه القدرة على الفهم الذاتي والإدراك والتخطيط والذاكرة واستخدام الأدوات، ويمكنه تنفيذ المهام المعقدة بشكل تلقائي.

يمكن أن يوفر Web3 للوكيل:

اللامركزية

تتميز خصائص Web3 بأنظمة الوكلاء بأنها أكثر لامركزية واستقلالية، من خلال آليات مثل PoS و DPoS لإنشاء آليات تحفيزية وعقابية تعزز الديمقراطية، مثل GaiaNet و Theoriq و HajimeAI.

البداية الباردة

تساعد Web3 مشروع AI Agent المحتمل في الحصول على تمويل مبكر.

• أطلقت Virtual Protocol منصة إنشاء وكيل الذكاء الاصطناعي وإصدار الرموز fun.virtuals.
• Spectral قدّمت فكرة دعم إصدار أصول وكيل الذكاء الاصطناعي على السلسلة IAO(Initial Agent Offering).

الجزء 2 كيف يمكن للذكاء الاصطناعي تعزيز Web3؟

تأثير الذكاء الاصطناعي على مشاريع Web3 ملحوظ، من خلال تحسين العمليات على السلسلة ( مثل تنفيذ العقود الذكية، تحسين السيولة، واتخاذ قرارات الحوكمة المدفوعة بالذكاء الاصطناعي )، تستفيد blockchain، مما يوفر رؤى مدفوعة بالبيانات، ويزيد من أمان السلسلة، ويضع الأساس لتطبيقات Web3 الجديدة.

! الذكاء الاصطناعي+Web3: الأبراج والمربعات

واحد، الذكاء الاصطناعي والتمويل على السلسلة

الذكاء الاصطناعي والاقتصاد المشفر

أعلن الرئيس التنفيذي لشركة Coinbase عن تنفيذ أول صفقة تشفير بين الذكاء الاصطناعي على شبكة Base، حيث يمكن لوكيل الذكاء الاصطناعي استخدام الدولار الأمريكي للت交易 مع البشر أو التجار أو الذكاء الاصطناعي الآخر.

عرض بروتوكول Virtuals Luna تنفيذ المعاملات على السلسلة بشكل مستقل بواسطة وكيل الذكاء الاصطناعي، حيث يُعتبر وكيل الذكاء الاصطناعي مستقبل التمويل على السلسلة. تشمل السيناريوهات المحتملة:

1. جمع المعلومات والتنبؤ: جمع إعلانات البورصة، معلومات المشاريع، المخاطر العامة، إلخ، وتحليل وتقييم الأساسيات المالية للأصول، وظروف السوق، والتنبؤ بالاتجاهات والمخاطر.

2. إدارة الأصول: توفير أهداف الاستثمار، تحسين محفظة الأصول، تنفيذ المعاملات تلقائيًا.

3. تجربة مالية: اختر أسرع طريقة للتداول على السلسلة، وأتمتة التداول عبر السلاسل، وضبط رسوم الغاز، وما إلى ذلك، لتقليل عتبة التكلفة والأنشطة المالية على السلسلة.

حاليًا، تحاول محفظة AI Agent Bitte، وبروتوكول التفاعل AI Wayfinder، الاتصال بواجهة برمجة التطبيقات لنموذج OpenAI، مما يسمح للمستخدمين بإصدار أوامر Agent لإجراء العمليات على السلسلة من خلال واجهة الدردشة. تدعم منصة Agent اللامركزية Morpheus تطوير هذه الأنواع من Agents، وأظهرت Biconomy أن Agent AI يمكنه إجراء عمليات swap دون الحاجة إلى أذونات كاملة للمحفظة.

الذكاء الاصطناعي وأمان المعاملات على السلسلة

يمكن لتقنية الذكاء الاصطناعي تعزيز أمان المعاملات على السلسلة وحماية الخصوصية، تشمل السيناريوهات المحتملة:

• مراقبة التداول: مراقبة الأنشطة غير العادية في الوقت الفعلي، وتقديم التنبيهات.
• تحليل المخاطر: تحليل سلوك تداول العملاء، وتقييم المخاطر.

مثل منصة Web3 الأمنية SeQure التي تستخدم الذكاء الاصطناعي للكشف عن الهجمات والاحتيال وتسريبات البيانات، وتوفر المراقبة والتنبيهات في الوقت الحقيقي. توجد أدوات مشابهة مثل Sentinel المدعومة بالذكاء الاصطناعي.

٢. الذكاء الاصطناعي والبنية التحتية على السلسلة

الذكاء الاصطناعي وبيانات سلسلة الكتل

تلعب تقنية الذكاء الاصطناعي دورًا مهمًا في جمع وتحليل البيانات على السلسلة، مثل:

• تحليلات Web3: منصة تحليل قائمة على الذكاء الاصطناعي، تستخدم خوارزميات التعلم الآلي والتنقيب عن البيانات لتحليل البيانات على السلسلة.
• MinMax AI: يقدم أدوات تحليل البيانات على السلسلة المعتمدة على الذكاء الاصطناعي، لاكتشاف فرص السوق والاتجاهات.
• كايتو: منصة بحث Web3 المبنية على LLM.
• متابعة: دمج ChatGPT، وتكامل معلومات المنصات المختلفة.

يمكن استخدام الذكاء الاصطناعي أيضًا في الأوراق المالية، مثل Upshot التي تستخدم الذكاء الاصطناعي لتقديم بيانات تسعير دقيقة لـ NFT.

الذكاء الاصطناعي والتطوير&التدقيق

يمكن للذكاء الاصطناعي تحسين كفاءة تطوير Web3 وتقليل عتبة البرمجة. تشمل السيناريوهات المحتملة: توليد كود تلقائي، اختبار تحقق العقود الذكية، نشر وصيانة تطبيقات DApp، إكمال الكود الذكي، والإجابة على مشكلات التطوير.

توجد حاليًا منصات رمزية لتشغيل بنقرة واحدة مثل Clanker، ومنصات تطوير العقود مثل Spectral تقدم وظيفة إنشاء ونشر العقود الذكية بنقرة واحدة.

في مجال التدقيق، تستخدم منصة تدقيق Web3 Fuzzland الذكاء الاصطناعي لمساعدتها في فحص ثغرات الشيفرة، وتقدم تفسيرات بلغة طبيعية.

ثلاثة، الذكاء الاصطناعي و