دمج وتطور الذكاء الاصطناعي وWeb3: الوضع الراهن، التحديات والآفاق
1. المقدمة: لمحة عامة عن تطور AI + Web3
في السنوات الأخيرة، أثار التقدم السريع في تكنولوجيا الذكاء الاصطناعي (AI ) وتقنية Web3 اهتمامًا واسعًا على مستوى العالم. حقق الذكاء الاصطناعي إنجازات كبيرة في مجالات التعرف على الوجوه ومعالجة اللغة الطبيعية والتعلم الآلي، مما أدى إلى تغيير وابتكار كبيرين في جميع الصناعات. في عام 2023، وصل حجم سوق صناعة الذكاء الاصطناعي إلى 200 مليار دولار، وظهرت شركات متميزة مثل OpenAI وCharacter.AI وMidjourney.
في الوقت نفسه، تعتبر Web3 نموذج شبكة ناشئة، تقوم بتغيير فهم الناس واستخدامهم للإنترنت. تعتمد Web3 على تقنية blockchain اللامركزية، من خلال العقود الذكية، التخزين الموزع والتحقق من الهوية اللامركزية، لتحقيق مشاركة البيانات القابلة للتحكم، والحكم الذاتي للمستخدمين، وإقامة آلية الثقة. الفكرة الأساسية لـ Web3 هي تحرير البيانات من المؤسسات المركزية، ومنح المستخدمين حقوق التحكم في البيانات وحقوق مشاركة القيمة. في الوقت الحالي، وصلت القيمة السوقية لصناعة Web3 إلى 25 تريليون دولار، وظهرت مشاريع مثل Bitcoin، Ethereum، Solana وغيرها.
إن دمج الذكاء الاصطناعي و Web3 هو مجال يولي له المطورون والمستثمرون من الشرق والغرب اهتمامًا مشتركًا، وكيفية دمج هذين العنصرين بشكل جيد هو سؤال يستحق الاستكشاف. ستركز هذه المقالة على تحليل الحالة الحالية لتطوير AI + Web3، واستكشاف القيمة المحتملة والتأثيرات التي يجلبها هذا الاندماج. سنقوم أولاً بتقديم المفاهيم الأساسية للذكاء الاصطناعي و Web3، ثم نبحث في العلاقة بينهما. بعد ذلك، سنحلل حالة المشاريع الحالية لـ AI + Web3، ونناقش بعمق القيود والتحديات التي تواجهها. نأمل أن نقدم مرجعًا ورؤى قيمة للمستثمرين والممارسين.
! [تعميم علم الوافد الجديد 丨 تحليل متعمق: ما نوع الشرر الذي يمكن أن يصطدم به الذكاء الاصطناعي و Web3؟] ](https://img-cdn.gateio.im/webp-social/moments-3a464664dade44c046b5c1451f1cf968.webp)
٢. طرق التفاعل بين الذكاء الاصطناعي وWeb3
تطور الذكاء الاصطناعي وWeb3 يشبه طرفي الميزان، حيث يعزز الذكاء الاصطناعي الإنتاجية، بينما يغير Web3 علاقات الإنتاج. فما الشرارات التي يمكن أن تنجم عن تلاقي هذين الجانبين؟ دعونا نبدأ بتحليل التحديات التي يواجهها كل منهما والمساحات التي يمكن تحسينها، ثم نستكشف كيف يمكنهم مساعدة بعضهم البعض في حل هذه التحديات.
2.1 التحديات التي تواجه صناعة الذكاء الاصطناعي
لفهم التحديات التي تواجه صناعة الذكاء الاصطناعي، يجب أولاً فهم العناصر الثلاثة الأساسية للذكاء الاصطناعي: القدرة الحاسوبية والخوارزميات والبيانات.
القدرة الحاسوبية: تشير إلى القدرة على إجراء حسابات ومعالجة كبيرة النطاق. تتطلب مهام الذكاء الاصطناعي عادةً معالجة كميات هائلة من البيانات وحسابات معقدة، مثل تدريب نماذج الشبكات العصبية العميقة. يمكن أن تسرع القدرة الحاسوبية العالية تدريب النموذج واستنتاجه، مما يحسن أداء وكفاءة أنظمة الذكاء الاصطناعي. في السنوات الأخيرة، ساهم تطوير وحدات معالجة الرسوميات (GPU) والرقائق المخصصة للذكاء الاصطناعي بشكل كبير في تقدم صناعة الذكاء الاصطناعي. تسيطر شركات مثل Nvidia على حصة كبيرة من السوق، وتحصل على أرباح مرتفعة.
الخوارزمية: الجزء الأساسي من نظام الذكاء الاصطناعي، بما في ذلك خوارزميات التعلم الآلي التقليدية وخوارزميات التعلم العميق. إن اختيار وتصميم الخوارزمية أمر بالغ الأهمية لأداء نظام الذكاء الاصطناعي. يمكن أن تحسن الخوارزميات التي يتم تحسينها وابتكارها باستمرار دقة النظام ومرونته وقدرته على التعميم.
البيانات: المهمة الأساسية لنظام الذكاء الاصطناعي هي استخراج الأنماط والقواعد من البيانات من خلال التعلم والتدريب. يمكن أن توفر مجموعة البيانات الغنية معلومات أكثر شمولاً وتنوعًا، مما يساعد النموذج على التعميم بشكل أفضل على البيانات غير المرئية وفهم وحل مشاكل العالم الحقيقي بشكل أفضل.
بعد فهم العناصر الأساسية للذكاء الاصطناعي، دعونا نلقي نظرة على التحديات التي تواجه الذكاء الاصطناعي في هذه المجالات الثلاثة:
فيما يتعلق بالقوة الحاسوبية، تحتاج مهام الذكاء الاصطناعي إلى موارد حسابية كبيرة لتدريب النماذج والاستدلال. إن الحصول على وإدارة قوة حاسوبية كبيرة أمر مكلف ومعقد، وخاصة بالنسبة للشركات الناشئة والمطورين الأفراد.
فيما يتعلق بالخوارزميات، على الرغم من أن التعلم العميق حقق نجاحًا كبيرًا، إلا أنه لا يزال يواجه تحديات. يتطلب تدريب الشبكات العصبية العميقة كميات هائلة من البيانات والموارد الحاسوبية، كما أن بعض المهام تعاني من نقص في تفسير النموذج. تعتبر قوة الخوارزمية وقدرتها على التعميم أيضًا من القضايا المهمة، حيث قد يكون أداء النموذج غير مستقر على البيانات غير المعروفة.
فيما يتعلق بالبيانات، لا يزال الحصول على بيانات عالية الجودة ومتنوعة يواجه تحديات. من الصعب الحصول على بيانات حساسة في مجالات معينة مثل الرعاية الصحية. هناك أيضًا مشاكل في جودة البيانات ودقتها وتوصيفها، حيث أن البيانات غير المكتملة أو المتحيزة قد تؤدي إلى سلوك خاطئ أو انحياز للنماذج. في الوقت نفسه، تعتبر خصوصية البيانات وحمايتها أيضًا اعتبارات مهمة.
بالإضافة إلى ذلك، فإن قابلية تفسير وشفافية نماذج الذكاء الاصطناعي هي أيضًا من القضايا التي تهم الجمهور. بعض التطبيقات مثل المالية، والرعاية الصحية، تتطلب عمليات اتخاذ قرارات يمكن تفسيرها وتتبعها، في حين أن نماذج التعلم العميق الحالية غالبًا ما تفتقر إلى الشفافية.
بالإضافة إلى ذلك، فإن العديد من المشاريع الناشئة في مجال الذكاء الاصطناعي تعاني من عدم وضوح نموذج العمل، مما يجعل العديد من رواد الأعمال في هذا المجال يشعرون بالارتباك.
! [تعميم علم الوافد الجديد 丨 تحليل متعمق: ما نوع الشرر الذي يمكن أن يصطدم به الذكاء الاصطناعي و Web3؟] ](https://img-cdn.gateio.im/webp-social/moments-166b11addde400b95cef849db8a9f96d.webp)
2.2 التحديات التي تواجه صناعة Web3
توجد العديد من التحديات التي تحتاج إلى حل في صناعة الويب 3، سواء كان ذلك في تحليل البيانات، أو تجربة المستخدم، أو ثغرات كود العقود الذكية ومشكلات الأمان، حيث يوجد مجال كبير للتحسين. كأداة لزيادة الإنتاجية، هناك الكثير من الفضاء المحتمل لـ AI في هذه المجالات.
أولاً، تحسين قدرات تحليل البيانات والتنبؤ: إن تطبيق تقنيات الذكاء الاصطناعي في تحليل البيانات والتنبؤ قد أحدث تأثيرًا كبيرًا على صناعة Web3. من خلال التحليل الذكي واستخراج المعلومات القيمة من خلال خوارزميات الذكاء الاصطناعي، يمكن لمنصات Web3 استخراج معلومات قيمة من كميات هائلة من البيانات، مما يؤدي إلى توقعات وقرارات أكثر دقة. وهذا له أهمية كبيرة في تقييم المخاطر، وتنبؤات السوق، وإدارة الأصول في مجال التمويل اللامركزي (DeFi).
ثانيًا، يمكن أن يُحسن الذكاء الاصطناعي تجربة المستخدم والخدمات المخصصة: إن تطبيق تقنيات الذكاء الاصطناعي يمكّن منصات Web3 من تقديم تجربة مستخدم أفضل وخدمات مخصصة. من خلال تحليل بيانات المستخدمين ونمذجةها، يمكن تقديم توصيات مخصصة، وخدمات مخصصة، وتجربة تفاعل ذكية، مما يزيد من مشاركة المستخدمين ورضاهم، ويعزز تطوير نظام Web3 البيئي.
فيما يتعلق بالأمان وحماية الخصوصية، فإن تطبيقات الذكاء الاصطناعي لها تأثير عميق على صناعة Web3. يمكن استخدام تقنيات الذكاء الاصطناعي لاكتشاف والدفاع ضد الهجمات الإلكترونية، والتعرف على السلوكيات الشاذة، وتوفير ضمانات أمان أقوى. في الوقت نفسه، يمكن أيضًا استخدام الذكاء الاصطناعي في حماية خصوصية البيانات، من خلال تقنيات تشفير البيانات والحوسبة السرية، لحماية المعلومات الشخصية للمستخدمين. في مجال تدقيق العقود الذكية، يمكن استخدام تقنيات الذكاء الاصطناعي لأتمتة تدقيق العقود واكتشاف الثغرات، مما يزيد من أمان العقود وموثوقيتها.
يمكن أن نرى أنه بالنسبة للتحديات التي تواجه صناعة Web3 والمساحات المحتملة للتحسين، يمكن للذكاء الاصطناعي أن يشارك ويساهم في العديد من الجوانب.
! [تعميم علم الوافد الجديد 丨 تحليل متعمق: ما نوع الشرر الذي يمكن أن يصطدم به الذكاء الاصطناعي و Web3؟] ](https://img-cdn.gateio.im/webp-social/moments-de2f6c381547c3d62e1f40e50f67e32d.webp)
ثلاثة، تحليل حالة مشروع AI+Web3
تتطرق المشاريع التي تجمع بين الذكاء الاصطناعي وWeb3 إلى جانبين رئيسيين: استخدام تقنية blockchain لتحسين أداء مشاريع الذكاء الاصطناعي، واستخدام تقنية الذكاء الاصطناعي لخدمة تعزيز مشاريع Web3.
حول هذين الجانبين، ظهرت مجموعة كبيرة من المشاريع التي تستكشف هذا الطريق، بما في ذلك Io.net و Gensyn و Ritual وغيرها. بعد ذلك، سنقوم بتحليل الوضع الحالي والتطورات في المسارات الفرعية المختلفة التي تدعم Web3 من خلال الذكاء الاصطناعي و الذكاء الاصطناعي من خلال Web3.
3.1 Web3 يدعم الذكاء الاصطناعي
3.1.1 قوة الحوسبة اللامركزية
أطلقت OpenAI ChatGPT في نهاية عام 2022، مما أثار ضجة في مجال الذكاء الاصطناعي، حيث وصل عدد المستخدمين إلى مليون بعد 5 أيام من الإطلاق، وبلغ عدد المستخدمين النشطين شهرياً 100 مليون خلال شهرين، وفي نوفمبر 2023، بلغ عدد المستخدمين النشطين أسبوعياً 100 مليون. أدت ولادة ChatGPT إلى تحول مجال الذكاء الاصطناعي من قطاع نيش إلى صناعة تحظى باهتمام كبير.
وفقًا لتقرير تريندفورس، يحتاج ChatGPT إلى 30000 وحدة معالجة رسومات NVIDIA A100 للعمل، في حين أن GPT-5 في المستقبل سيحتاج إلى أعداد أكبر من قوة الحوسبة. وقد أدى ذلك أيضًا إلى بدء سباق تسلح بين شركات الذكاء الاصطناعي، حيث أن امتلاك قوة حوسبة كافية هو ما يمكّن من الحفاظ على ميزة في معركة الذكاء الاصطناعي، مما أدى إلى ظهور نقص في وحدات معالجة الرسومات.
قبل ظهور الذكاء الاصطناعي، كانت قاعدة عملاء أكبر مزود لوحدات معالجة الرسوميات، إنفيديا، تتركز في ثلاث خدمات سحابية رئيسية: AWS وAzure وGCP. مع ظهور الذكاء الاصطناعي، ظهر عدد كبير من المشترين الجدد، بما في ذلك الشركات الكبرى مثل ميتا وأوراكل، بالإضافة إلى منصات البيانات وشركات الذكاء الاصطناعي الناشئة الأخرى، التي انضمت جميعها إلى الحرب لتخزين وحدات معالجة الرسوميات لتدريب نماذج الذكاء الاصطناعي.
كما ذكرت شركة Semi Analysis العام الماضي "أغنياء GPU وفقراء GPU"، تمتلك عدد قليل من الشركات أكثر من 20,000 وحدة GPU من نوع A100/H100، حيث يمكن لأعضاء الفريق استخدام من 100 إلى 1000 وحدة GPU للمشاريع. هذه الشركات إما مقدمو خدمات سحابية أو تبني نماذج LLM خاصة بها، بما في ذلك OpenAI وGoogle وMeta وAnthropic وInflection وTesla وOracle وMistral.
ومع ذلك، فإن معظم الشركات تعاني من نقص في وحدات معالجة الرسوميات (GPU)، ولا يمكنها سوى النضال على عدد قليل جداً من وحدات معالجة الرسوميات. لا تقتصر هذه الحالة على الشركات الناشئة، حيث أن بعض الشركات المعروفة في مجال الذكاء الاصطناعي مثل Hugging Face وDatabricks وTogether وحتى Snowflake لديها أقل من 20 ألف وحدة A100/H100. تمتلك هذه الشركات أفضل المواهب التقنية في العالم، لكنها مقيدة بعدد وحدات معالجة الرسوميات المتاحة، مما يجعلها في وضع غير مؤاتٍ في سباق الذكاء الاصطناعي.
هذا النقص لا يقتصر على "فقراء GPU"، وحتى نهاية عام 2023، اضطرت شركة OpenAI الرائدة في مجال الذكاء الاصطناعي إلى إغلاق التسجيل المدفوع لعدة أسابيع بسبب عدم قدرتها على الحصول على ما يكفي من وحدات معالجة الرسوميات، في حين كانت تسعى لشراء المزيد من إمدادات GPU.
من الواضح أن الطلب على وحدات معالجة الرسوميات (GPU) بسبب التطور السريع للذكاء الاصطناعي يعاني من عدم تطابق خطير بين جانب الطلب وجانب العرض، حيث أصبحت مشكلة العرض غير الكافي ملحة.
لحل هذه المشكلة، بدأت بعض مشاريع Web3 في محاولة دمج خصائص تكنولوجيا Web3، لتقديم خدمات قوة حوسبة لامركزية، بما في ذلك Akash وRender وGensyn وغيرها. تتميز هذه المشاريع بأنها تشجع المستخدمين على تقديم قوة معالجة GPU غير المستخدمة من خلال الحوافز الرمزية، لتصبح جانب العرض من القوة الحاسوبية، وتقديم الدعم في قوة الحوسبة لعملاء الذكاء الاصطناعي.
تنقسم صورة جانب العرض بشكل رئيسي إلى ثلاث فئات: مزودي خدمات السحابة، عمال مناجم العملات المشفرة، والشركات.
تشمل مقدمو خدمات السحابية مقدمو خدمات سحابية كبار ( مثل AWS و Azure و GCP ) بالإضافة إلى مقدمي خدمات السحابية GPU ( مثل Coreweave و Lambda و Crusoe وما إلى ذلك )، يمكن للمستخدمين إعادة بيع قوة الحوسبة من مقدمي الخدمات السحابية غير المستخدمة للحصول على دخل. مع تحول عمال المناجم المشفرين من Ethereum من PoW إلى PoS، أصبحت قوة الحوسبة غير المستخدمة من GPU أيضًا موردًا مهمًا محتملًا. بالإضافة إلى ذلك، يمكن للشركات الكبرى مثل Tesla و Meta، التي اشترت كميات كبيرة من GPU بسبب التخطيط الاستراتيجي، استخدام قوة الحوسبة غير المستخدمة من GPU كمورد.
حاليًا، يمكن تقسيم اللاعبين في هذا المجال إلى فئتين: الفئة الأولى تستخدم القوة الحاسوبية اللامركزية لأغراض استدلال الذكاء الاصطناعي، بينما تستخدم الفئة الثانية هذه القوة لتدريب الذكاء الاصطناعي. الفئة الأولى، مثل Render(، تركز على العرض، ولكن يمكن استخدامها أيضًا لتوفير قوة الذكاء الاصطناعي)، مثل Akash و Aethir؛ بينما الفئة الثانية، مثل io.net(، تدعم كل من الاستدلال والتدريب)، وأكبر اختلاف بين الفئتين هو متطلبات القوة الحاسوبية المختلفة.
دعونا نتحدث أولاً عن مشاريع الاستدلال بالذكاء الاصطناعي، حيث تجذب هذه المشاريع المستخدمين للمشاركة في توفير قوة الحوسبة من خلال حوافز رمزية، ثم تقدم خدمات شبكة قوة الحوسبة إلى جانب الطلب، مما يحقق تلاقح العرض والطلب لقوة الحوسبة غير المستخدمة. جوهر هذه المشاريع هو جذب مقدمي الخدمة من خلال آلية الحوافز الرمزية، ثم جذب المستخدمين للاستخدام، مما يحقق بدء تشغيل المشروع وآلية التشغيل الأساسية، وبالتالي توسيع التنمية بشكل أكبر. في هذه الدورة، يحصل جانب العرض على مكافآت رمزية أكثر قيمة، بينما يحصل جانب الطلب على خدمات أرخص وأكثر فعالية من حيث التكلفة، ويحافظ قيمة رموز المشروع على التوافق مع زيادة المشاركين من الجانبين العرض والطلب، ومع ارتفاع سعر الرموز، يتم جذب المزيد من المشاركين والمضاربين، مما يؤدي إلى تشكيل التقاط القيمة.
النوع الآخر هو استخدام قوة الحوسبة اللامركزية في تدريب الذكاء الاصطناعي، مثل Gensyn و io.net(، حيث يدعم كل من تدريب واستدلال الذكاء الاصطناعي). لا تختلف منطق تشغيل هذه المشاريع بشكل جوهري عن مشاريع استدلال الذكاء الاصطناعي، حيث أنها لا تزال تجذب جانب العرض للمشاركة في تقديم قوة الحوسبة من خلال حوافز الرموز، لاستخدام جانب الطلب.
تعتبر io.net شبكة لامركزية للقوة الحاسوبية، حيث يتجاوز عدد وحدات معالجة الرسوميات 500,000، وتظهر أداءً بارزًا، وقد تم دمج قوة Render وFilecoin، مع الاستمرار في تطوير المشاريع البيئية.
تسهل Gensyn تخصيص المهام والمكافآت في التعلم الآلي من خلال العقود الذكية، مما يحقق تدريب الذكاء الاصطناعي. تكلفة تدريب Gensyn للتعلم الآلي حوالي 0.4 دولار في الساعة، وهو أقل بكثير من تكلفة AWS و GCP التي تتجاوز 2 دولار.
تشمل منظومة جينسين أربعة أطراف مشاركة: المقدم، المنفذ، المراقب والمبلغ.
مقدم الطلب: مستخدم الطلبات هو مستهلك للمهام، يقدم المهام التي ستتم معالجتها، ويدفع مقابل مهام تدريب الذكاء الاصطناعي.
المنفذ: تنفيذ مهمة تدريب النموذج، وإنتاج إثبات إتمام المهمة لفحصه من قبل المدققين
المدققون: ربط عملية التدريب غير الحتمية بالحسابات الخطية الحتمية، مقارنة إثبات المنفذين مع العتبة المتوقعة
المبلغ: فحص عمل المدققين، وعند اكتشاف المشاكل، تقديم الاعتراضات للحصول على العوائد
Gensyn تأمل أن تصبح بروتوكول حساب ضخم وفعال من حيث التكلفة موجه لنماذج التعلم العميق على مستوى العالم.
لكن عند النظر إلى هذا المجال، لماذا تختار معظم المشاريع استخدام القوة الحاسوبية اللامركزية للقيام باستنتاجات الذكاء الاصطناعي بدلاً من التدريب؟
هنا نساعد الأصدقاء الذين لا يفهمون تدريب الذكاء الاصطناعي والاستدلال في توضيح الفرق بين الاثنين:
تدريب الذكاء الاصطناعي: إذا اعتبرنا الذكاء الاصطناعي كطالب، فإن التدريب يشبه تقديم كميات كبيرة من المعرفة والأمثلة( أي البيانات)، يتعلم الذكاء الاصطناعي منها. نظرًا لأن عملية التعلم تتطلب فهم وتذكر كميات كبيرة من المعلومات، فإن هذه العملية تحتاج إلى قدر كبير من القدرة الحسابية والوقت.
الذكاء الاصطناعي
شاهد النسخة الأصلية
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
تسجيلات الإعجاب 15
أعجبني
15
5
إعادة النشر
مشاركة
تعليق
0/400
MechanicalMartel
· منذ 1 س
مبالغ فيه، القيمة تصل إلى هذا الحد
شاهد النسخة الأصليةرد0
SmartContractPhobia
· 08-10 10:26
مبهرج للغاية، وراءه كل شيء رأس المال
شاهد النسخة الأصليةرد0
SadMoneyMeow
· 08-10 10:17
المحفظة مرة أخرى ستُجفف.
شاهد النسخة الأصليةرد0
ApeEscapeArtist
· 08-10 10:14
هذا حديث قديم ، فما هي الابتكارات التي تم تحقيقها؟
تحليل دمج الذكاء الاصطناعي وWeb3: الوضع الراهن، التحديات وآفاق التنمية
دمج وتطور الذكاء الاصطناعي وWeb3: الوضع الراهن، التحديات والآفاق
1. المقدمة: لمحة عامة عن تطور AI + Web3
في السنوات الأخيرة، أثار التقدم السريع في تكنولوجيا الذكاء الاصطناعي (AI ) وتقنية Web3 اهتمامًا واسعًا على مستوى العالم. حقق الذكاء الاصطناعي إنجازات كبيرة في مجالات التعرف على الوجوه ومعالجة اللغة الطبيعية والتعلم الآلي، مما أدى إلى تغيير وابتكار كبيرين في جميع الصناعات. في عام 2023، وصل حجم سوق صناعة الذكاء الاصطناعي إلى 200 مليار دولار، وظهرت شركات متميزة مثل OpenAI وCharacter.AI وMidjourney.
في الوقت نفسه، تعتبر Web3 نموذج شبكة ناشئة، تقوم بتغيير فهم الناس واستخدامهم للإنترنت. تعتمد Web3 على تقنية blockchain اللامركزية، من خلال العقود الذكية، التخزين الموزع والتحقق من الهوية اللامركزية، لتحقيق مشاركة البيانات القابلة للتحكم، والحكم الذاتي للمستخدمين، وإقامة آلية الثقة. الفكرة الأساسية لـ Web3 هي تحرير البيانات من المؤسسات المركزية، ومنح المستخدمين حقوق التحكم في البيانات وحقوق مشاركة القيمة. في الوقت الحالي، وصلت القيمة السوقية لصناعة Web3 إلى 25 تريليون دولار، وظهرت مشاريع مثل Bitcoin، Ethereum، Solana وغيرها.
إن دمج الذكاء الاصطناعي و Web3 هو مجال يولي له المطورون والمستثمرون من الشرق والغرب اهتمامًا مشتركًا، وكيفية دمج هذين العنصرين بشكل جيد هو سؤال يستحق الاستكشاف. ستركز هذه المقالة على تحليل الحالة الحالية لتطوير AI + Web3، واستكشاف القيمة المحتملة والتأثيرات التي يجلبها هذا الاندماج. سنقوم أولاً بتقديم المفاهيم الأساسية للذكاء الاصطناعي و Web3، ثم نبحث في العلاقة بينهما. بعد ذلك، سنحلل حالة المشاريع الحالية لـ AI + Web3، ونناقش بعمق القيود والتحديات التي تواجهها. نأمل أن نقدم مرجعًا ورؤى قيمة للمستثمرين والممارسين.
! [تعميم علم الوافد الجديد 丨 تحليل متعمق: ما نوع الشرر الذي يمكن أن يصطدم به الذكاء الاصطناعي و Web3؟] ](https://img-cdn.gateio.im/webp-social/moments-3a464664dade44c046b5c1451f1cf968.webp)
٢. طرق التفاعل بين الذكاء الاصطناعي وWeb3
تطور الذكاء الاصطناعي وWeb3 يشبه طرفي الميزان، حيث يعزز الذكاء الاصطناعي الإنتاجية، بينما يغير Web3 علاقات الإنتاج. فما الشرارات التي يمكن أن تنجم عن تلاقي هذين الجانبين؟ دعونا نبدأ بتحليل التحديات التي يواجهها كل منهما والمساحات التي يمكن تحسينها، ثم نستكشف كيف يمكنهم مساعدة بعضهم البعض في حل هذه التحديات.
2.1 التحديات التي تواجه صناعة الذكاء الاصطناعي
لفهم التحديات التي تواجه صناعة الذكاء الاصطناعي، يجب أولاً فهم العناصر الثلاثة الأساسية للذكاء الاصطناعي: القدرة الحاسوبية والخوارزميات والبيانات.
القدرة الحاسوبية: تشير إلى القدرة على إجراء حسابات ومعالجة كبيرة النطاق. تتطلب مهام الذكاء الاصطناعي عادةً معالجة كميات هائلة من البيانات وحسابات معقدة، مثل تدريب نماذج الشبكات العصبية العميقة. يمكن أن تسرع القدرة الحاسوبية العالية تدريب النموذج واستنتاجه، مما يحسن أداء وكفاءة أنظمة الذكاء الاصطناعي. في السنوات الأخيرة، ساهم تطوير وحدات معالجة الرسوميات (GPU) والرقائق المخصصة للذكاء الاصطناعي بشكل كبير في تقدم صناعة الذكاء الاصطناعي. تسيطر شركات مثل Nvidia على حصة كبيرة من السوق، وتحصل على أرباح مرتفعة.
الخوارزمية: الجزء الأساسي من نظام الذكاء الاصطناعي، بما في ذلك خوارزميات التعلم الآلي التقليدية وخوارزميات التعلم العميق. إن اختيار وتصميم الخوارزمية أمر بالغ الأهمية لأداء نظام الذكاء الاصطناعي. يمكن أن تحسن الخوارزميات التي يتم تحسينها وابتكارها باستمرار دقة النظام ومرونته وقدرته على التعميم.
البيانات: المهمة الأساسية لنظام الذكاء الاصطناعي هي استخراج الأنماط والقواعد من البيانات من خلال التعلم والتدريب. يمكن أن توفر مجموعة البيانات الغنية معلومات أكثر شمولاً وتنوعًا، مما يساعد النموذج على التعميم بشكل أفضل على البيانات غير المرئية وفهم وحل مشاكل العالم الحقيقي بشكل أفضل.
بعد فهم العناصر الأساسية للذكاء الاصطناعي، دعونا نلقي نظرة على التحديات التي تواجه الذكاء الاصطناعي في هذه المجالات الثلاثة:
فيما يتعلق بالقوة الحاسوبية، تحتاج مهام الذكاء الاصطناعي إلى موارد حسابية كبيرة لتدريب النماذج والاستدلال. إن الحصول على وإدارة قوة حاسوبية كبيرة أمر مكلف ومعقد، وخاصة بالنسبة للشركات الناشئة والمطورين الأفراد.
فيما يتعلق بالخوارزميات، على الرغم من أن التعلم العميق حقق نجاحًا كبيرًا، إلا أنه لا يزال يواجه تحديات. يتطلب تدريب الشبكات العصبية العميقة كميات هائلة من البيانات والموارد الحاسوبية، كما أن بعض المهام تعاني من نقص في تفسير النموذج. تعتبر قوة الخوارزمية وقدرتها على التعميم أيضًا من القضايا المهمة، حيث قد يكون أداء النموذج غير مستقر على البيانات غير المعروفة.
فيما يتعلق بالبيانات، لا يزال الحصول على بيانات عالية الجودة ومتنوعة يواجه تحديات. من الصعب الحصول على بيانات حساسة في مجالات معينة مثل الرعاية الصحية. هناك أيضًا مشاكل في جودة البيانات ودقتها وتوصيفها، حيث أن البيانات غير المكتملة أو المتحيزة قد تؤدي إلى سلوك خاطئ أو انحياز للنماذج. في الوقت نفسه، تعتبر خصوصية البيانات وحمايتها أيضًا اعتبارات مهمة.
بالإضافة إلى ذلك، فإن قابلية تفسير وشفافية نماذج الذكاء الاصطناعي هي أيضًا من القضايا التي تهم الجمهور. بعض التطبيقات مثل المالية، والرعاية الصحية، تتطلب عمليات اتخاذ قرارات يمكن تفسيرها وتتبعها، في حين أن نماذج التعلم العميق الحالية غالبًا ما تفتقر إلى الشفافية.
بالإضافة إلى ذلك، فإن العديد من المشاريع الناشئة في مجال الذكاء الاصطناعي تعاني من عدم وضوح نموذج العمل، مما يجعل العديد من رواد الأعمال في هذا المجال يشعرون بالارتباك.
! [تعميم علم الوافد الجديد 丨 تحليل متعمق: ما نوع الشرر الذي يمكن أن يصطدم به الذكاء الاصطناعي و Web3؟] ](https://img-cdn.gateio.im/webp-social/moments-166b11addde400b95cef849db8a9f96d.webp)
2.2 التحديات التي تواجه صناعة Web3
توجد العديد من التحديات التي تحتاج إلى حل في صناعة الويب 3، سواء كان ذلك في تحليل البيانات، أو تجربة المستخدم، أو ثغرات كود العقود الذكية ومشكلات الأمان، حيث يوجد مجال كبير للتحسين. كأداة لزيادة الإنتاجية، هناك الكثير من الفضاء المحتمل لـ AI في هذه المجالات.
أولاً، تحسين قدرات تحليل البيانات والتنبؤ: إن تطبيق تقنيات الذكاء الاصطناعي في تحليل البيانات والتنبؤ قد أحدث تأثيرًا كبيرًا على صناعة Web3. من خلال التحليل الذكي واستخراج المعلومات القيمة من خلال خوارزميات الذكاء الاصطناعي، يمكن لمنصات Web3 استخراج معلومات قيمة من كميات هائلة من البيانات، مما يؤدي إلى توقعات وقرارات أكثر دقة. وهذا له أهمية كبيرة في تقييم المخاطر، وتنبؤات السوق، وإدارة الأصول في مجال التمويل اللامركزي (DeFi).
ثانيًا، يمكن أن يُحسن الذكاء الاصطناعي تجربة المستخدم والخدمات المخصصة: إن تطبيق تقنيات الذكاء الاصطناعي يمكّن منصات Web3 من تقديم تجربة مستخدم أفضل وخدمات مخصصة. من خلال تحليل بيانات المستخدمين ونمذجةها، يمكن تقديم توصيات مخصصة، وخدمات مخصصة، وتجربة تفاعل ذكية، مما يزيد من مشاركة المستخدمين ورضاهم، ويعزز تطوير نظام Web3 البيئي.
فيما يتعلق بالأمان وحماية الخصوصية، فإن تطبيقات الذكاء الاصطناعي لها تأثير عميق على صناعة Web3. يمكن استخدام تقنيات الذكاء الاصطناعي لاكتشاف والدفاع ضد الهجمات الإلكترونية، والتعرف على السلوكيات الشاذة، وتوفير ضمانات أمان أقوى. في الوقت نفسه، يمكن أيضًا استخدام الذكاء الاصطناعي في حماية خصوصية البيانات، من خلال تقنيات تشفير البيانات والحوسبة السرية، لحماية المعلومات الشخصية للمستخدمين. في مجال تدقيق العقود الذكية، يمكن استخدام تقنيات الذكاء الاصطناعي لأتمتة تدقيق العقود واكتشاف الثغرات، مما يزيد من أمان العقود وموثوقيتها.
يمكن أن نرى أنه بالنسبة للتحديات التي تواجه صناعة Web3 والمساحات المحتملة للتحسين، يمكن للذكاء الاصطناعي أن يشارك ويساهم في العديد من الجوانب.
! [تعميم علم الوافد الجديد 丨 تحليل متعمق: ما نوع الشرر الذي يمكن أن يصطدم به الذكاء الاصطناعي و Web3؟] ](https://img-cdn.gateio.im/webp-social/moments-de2f6c381547c3d62e1f40e50f67e32d.webp)
ثلاثة، تحليل حالة مشروع AI+Web3
تتطرق المشاريع التي تجمع بين الذكاء الاصطناعي وWeb3 إلى جانبين رئيسيين: استخدام تقنية blockchain لتحسين أداء مشاريع الذكاء الاصطناعي، واستخدام تقنية الذكاء الاصطناعي لخدمة تعزيز مشاريع Web3.
حول هذين الجانبين، ظهرت مجموعة كبيرة من المشاريع التي تستكشف هذا الطريق، بما في ذلك Io.net و Gensyn و Ritual وغيرها. بعد ذلك، سنقوم بتحليل الوضع الحالي والتطورات في المسارات الفرعية المختلفة التي تدعم Web3 من خلال الذكاء الاصطناعي و الذكاء الاصطناعي من خلال Web3.
3.1 Web3 يدعم الذكاء الاصطناعي
3.1.1 قوة الحوسبة اللامركزية
أطلقت OpenAI ChatGPT في نهاية عام 2022، مما أثار ضجة في مجال الذكاء الاصطناعي، حيث وصل عدد المستخدمين إلى مليون بعد 5 أيام من الإطلاق، وبلغ عدد المستخدمين النشطين شهرياً 100 مليون خلال شهرين، وفي نوفمبر 2023، بلغ عدد المستخدمين النشطين أسبوعياً 100 مليون. أدت ولادة ChatGPT إلى تحول مجال الذكاء الاصطناعي من قطاع نيش إلى صناعة تحظى باهتمام كبير.
وفقًا لتقرير تريندفورس، يحتاج ChatGPT إلى 30000 وحدة معالجة رسومات NVIDIA A100 للعمل، في حين أن GPT-5 في المستقبل سيحتاج إلى أعداد أكبر من قوة الحوسبة. وقد أدى ذلك أيضًا إلى بدء سباق تسلح بين شركات الذكاء الاصطناعي، حيث أن امتلاك قوة حوسبة كافية هو ما يمكّن من الحفاظ على ميزة في معركة الذكاء الاصطناعي، مما أدى إلى ظهور نقص في وحدات معالجة الرسومات.
قبل ظهور الذكاء الاصطناعي، كانت قاعدة عملاء أكبر مزود لوحدات معالجة الرسوميات، إنفيديا، تتركز في ثلاث خدمات سحابية رئيسية: AWS وAzure وGCP. مع ظهور الذكاء الاصطناعي، ظهر عدد كبير من المشترين الجدد، بما في ذلك الشركات الكبرى مثل ميتا وأوراكل، بالإضافة إلى منصات البيانات وشركات الذكاء الاصطناعي الناشئة الأخرى، التي انضمت جميعها إلى الحرب لتخزين وحدات معالجة الرسوميات لتدريب نماذج الذكاء الاصطناعي.
كما ذكرت شركة Semi Analysis العام الماضي "أغنياء GPU وفقراء GPU"، تمتلك عدد قليل من الشركات أكثر من 20,000 وحدة GPU من نوع A100/H100، حيث يمكن لأعضاء الفريق استخدام من 100 إلى 1000 وحدة GPU للمشاريع. هذه الشركات إما مقدمو خدمات سحابية أو تبني نماذج LLM خاصة بها، بما في ذلك OpenAI وGoogle وMeta وAnthropic وInflection وTesla وOracle وMistral.
ومع ذلك، فإن معظم الشركات تعاني من نقص في وحدات معالجة الرسوميات (GPU)، ولا يمكنها سوى النضال على عدد قليل جداً من وحدات معالجة الرسوميات. لا تقتصر هذه الحالة على الشركات الناشئة، حيث أن بعض الشركات المعروفة في مجال الذكاء الاصطناعي مثل Hugging Face وDatabricks وTogether وحتى Snowflake لديها أقل من 20 ألف وحدة A100/H100. تمتلك هذه الشركات أفضل المواهب التقنية في العالم، لكنها مقيدة بعدد وحدات معالجة الرسوميات المتاحة، مما يجعلها في وضع غير مؤاتٍ في سباق الذكاء الاصطناعي.
هذا النقص لا يقتصر على "فقراء GPU"، وحتى نهاية عام 2023، اضطرت شركة OpenAI الرائدة في مجال الذكاء الاصطناعي إلى إغلاق التسجيل المدفوع لعدة أسابيع بسبب عدم قدرتها على الحصول على ما يكفي من وحدات معالجة الرسوميات، في حين كانت تسعى لشراء المزيد من إمدادات GPU.
من الواضح أن الطلب على وحدات معالجة الرسوميات (GPU) بسبب التطور السريع للذكاء الاصطناعي يعاني من عدم تطابق خطير بين جانب الطلب وجانب العرض، حيث أصبحت مشكلة العرض غير الكافي ملحة.
لحل هذه المشكلة، بدأت بعض مشاريع Web3 في محاولة دمج خصائص تكنولوجيا Web3، لتقديم خدمات قوة حوسبة لامركزية، بما في ذلك Akash وRender وGensyn وغيرها. تتميز هذه المشاريع بأنها تشجع المستخدمين على تقديم قوة معالجة GPU غير المستخدمة من خلال الحوافز الرمزية، لتصبح جانب العرض من القوة الحاسوبية، وتقديم الدعم في قوة الحوسبة لعملاء الذكاء الاصطناعي.
تنقسم صورة جانب العرض بشكل رئيسي إلى ثلاث فئات: مزودي خدمات السحابة، عمال مناجم العملات المشفرة، والشركات.
تشمل مقدمو خدمات السحابية مقدمو خدمات سحابية كبار ( مثل AWS و Azure و GCP ) بالإضافة إلى مقدمي خدمات السحابية GPU ( مثل Coreweave و Lambda و Crusoe وما إلى ذلك )، يمكن للمستخدمين إعادة بيع قوة الحوسبة من مقدمي الخدمات السحابية غير المستخدمة للحصول على دخل. مع تحول عمال المناجم المشفرين من Ethereum من PoW إلى PoS، أصبحت قوة الحوسبة غير المستخدمة من GPU أيضًا موردًا مهمًا محتملًا. بالإضافة إلى ذلك، يمكن للشركات الكبرى مثل Tesla و Meta، التي اشترت كميات كبيرة من GPU بسبب التخطيط الاستراتيجي، استخدام قوة الحوسبة غير المستخدمة من GPU كمورد.
حاليًا، يمكن تقسيم اللاعبين في هذا المجال إلى فئتين: الفئة الأولى تستخدم القوة الحاسوبية اللامركزية لأغراض استدلال الذكاء الاصطناعي، بينما تستخدم الفئة الثانية هذه القوة لتدريب الذكاء الاصطناعي. الفئة الأولى، مثل Render(، تركز على العرض، ولكن يمكن استخدامها أيضًا لتوفير قوة الذكاء الاصطناعي)، مثل Akash و Aethir؛ بينما الفئة الثانية، مثل io.net(، تدعم كل من الاستدلال والتدريب)، وأكبر اختلاف بين الفئتين هو متطلبات القوة الحاسوبية المختلفة.
دعونا نتحدث أولاً عن مشاريع الاستدلال بالذكاء الاصطناعي، حيث تجذب هذه المشاريع المستخدمين للمشاركة في توفير قوة الحوسبة من خلال حوافز رمزية، ثم تقدم خدمات شبكة قوة الحوسبة إلى جانب الطلب، مما يحقق تلاقح العرض والطلب لقوة الحوسبة غير المستخدمة. جوهر هذه المشاريع هو جذب مقدمي الخدمة من خلال آلية الحوافز الرمزية، ثم جذب المستخدمين للاستخدام، مما يحقق بدء تشغيل المشروع وآلية التشغيل الأساسية، وبالتالي توسيع التنمية بشكل أكبر. في هذه الدورة، يحصل جانب العرض على مكافآت رمزية أكثر قيمة، بينما يحصل جانب الطلب على خدمات أرخص وأكثر فعالية من حيث التكلفة، ويحافظ قيمة رموز المشروع على التوافق مع زيادة المشاركين من الجانبين العرض والطلب، ومع ارتفاع سعر الرموز، يتم جذب المزيد من المشاركين والمضاربين، مما يؤدي إلى تشكيل التقاط القيمة.
النوع الآخر هو استخدام قوة الحوسبة اللامركزية في تدريب الذكاء الاصطناعي، مثل Gensyn و io.net(، حيث يدعم كل من تدريب واستدلال الذكاء الاصطناعي). لا تختلف منطق تشغيل هذه المشاريع بشكل جوهري عن مشاريع استدلال الذكاء الاصطناعي، حيث أنها لا تزال تجذب جانب العرض للمشاركة في تقديم قوة الحوسبة من خلال حوافز الرموز، لاستخدام جانب الطلب.
تعتبر io.net شبكة لامركزية للقوة الحاسوبية، حيث يتجاوز عدد وحدات معالجة الرسوميات 500,000، وتظهر أداءً بارزًا، وقد تم دمج قوة Render وFilecoin، مع الاستمرار في تطوير المشاريع البيئية.
تسهل Gensyn تخصيص المهام والمكافآت في التعلم الآلي من خلال العقود الذكية، مما يحقق تدريب الذكاء الاصطناعي. تكلفة تدريب Gensyn للتعلم الآلي حوالي 0.4 دولار في الساعة، وهو أقل بكثير من تكلفة AWS و GCP التي تتجاوز 2 دولار.
تشمل منظومة جينسين أربعة أطراف مشاركة: المقدم، المنفذ، المراقب والمبلغ.
Gensyn تأمل أن تصبح بروتوكول حساب ضخم وفعال من حيث التكلفة موجه لنماذج التعلم العميق على مستوى العالم.
لكن عند النظر إلى هذا المجال، لماذا تختار معظم المشاريع استخدام القوة الحاسوبية اللامركزية للقيام باستنتاجات الذكاء الاصطناعي بدلاً من التدريب؟
هنا نساعد الأصدقاء الذين لا يفهمون تدريب الذكاء الاصطناعي والاستدلال في توضيح الفرق بين الاثنين:
تدريب الذكاء الاصطناعي: إذا اعتبرنا الذكاء الاصطناعي كطالب، فإن التدريب يشبه تقديم كميات كبيرة من المعرفة والأمثلة( أي البيانات)، يتعلم الذكاء الاصطناعي منها. نظرًا لأن عملية التعلم تتطلب فهم وتذكر كميات كبيرة من المعلومات، فإن هذه العملية تحتاج إلى قدر كبير من القدرة الحسابية والوقت.
الذكاء الاصطناعي