AI+Web3: الأبراج والساحات

ليرة تركية ؛ د

1. تعتبر مشاريع Web3 التي تتعلق بمفهوم الذكاء الاصطناعي أهداف جذب للسيولة في السوقين الأول والثاني.

2. تظهر الفرص في صناعة الذكاء الاصطناعي في Web3 من خلال: استخدام الحوافز الموزعة لتنسيق العرض المحتمل في ذيل طويل------ عبر البيانات والتخزين والحوسبة؛ وفي الوقت نفسه، إنشاء نموذج مفتوح المصدر بالإضافة إلى سوق لامركزي لوكلاء الذكاء الاصطناعي.

3. تستخدم الذكاء الاصطناعي في صناعة Web3 بشكل رئيسي في التمويل على السلسلة (المدفوعات المشفرة، التداول، تحليل البيانات) وكذلك في دعم التطوير.

4. تظهر فائدة AI+Web3 في التكامل بين الاثنين: من المتوقع أن يتصدى Web3 لتركز AI، ومن المتوقع أن تساعد AI Web3 في كسر الحواجز.

مقدمة

في العامين الماضيين، تطور الذكاء الاصطناعي كما لو كان قد تم الضغط على زر التسريع، وقد أطلقت جناح الفراشة الذي أثارته Chatgpt عالمًا جديدًا من الذكاء الاصطناعي التوليدي، كما أثار أيضًا تيارات في الجانب الآخر من Web3.

بفضل مفهوم الذكاء الاصطناعي، شهدت تمويلات سوق العملات المشفرة التي تشهد تباطؤًا انتعاشًا ملحوظًا. ووفقًا لإحصائيات وسائل الإعلام، أكمل 64 مشروعًا في مجال Web3+AI التمويل في النصف الأول من عام 2024، حيث حقق نظام التشغيل المعتمد على الذكاء الاصطناعي Zyber365 أعلى مبلغ تمويل في الجولة A بلغ 100 مليون دولار.

سوق الثانوية أكثر ازدهارًا، حيث تُظهر بيانات موقع Coingecko المتخصص في العملات المشفرة أن القيمة السوقية الإجمالية لقطاع الذكاء الاصطناعي قد بلغت 48.5 مليار دولار في غضون أكثر من عام بقليل، مع حجم تداول يبلغ قريبًا من 8.6 مليار دولار خلال 24 ساعة؛ الفوائد الناتجة عن تقدم التكنولوجيا الرئيسية في الذكاء الاصطناعي واضحة، حيث ارتفع متوسط سعر قطاع الذكاء الاصطناعي بنسبة 151% بعد إصدار نموذج Sora لتحويل النص إلى فيديو من قبل إحدى الشركات؛ التأثيرات الناتجة عن الذكاء الاصطناعي امتدت أيضًا إلى أحد قطاعات جذب الأموال في العملات المشفرة، الميم: حيث أصبح أول مفهوم لميم كوين AI Agent------GOAT مشهورًا بسرعة وحقق تقييمًا قدره 1.4 مليار دولار، مما أثار حماسًا كبيرًا لميم الذكاء الاصطناعي.

تُعَدُّ الأبحاث والمواضيع المتعلقة بـ AI+Web3 أيضًا في غاية النشاط، من AI+Depin إلى AI Memecoin ثم إلى AI Agent و AI DAO الحالية، لقد أصبح شعور FOMO بالفعل غير قادر على مواكبة سرعة تبديل السرد الجديد.

الذكاء الاصطناعي + الويب 3، هذا التركيب المليء بالمال الساخن، والفرص، وأحلام المستقبل، لا مفر من أن يُنظر إليه كزواج مُرتب من قبل رأس المال، يبدو أننا نواجه صعوبة في التمييز بين ما إذا كان هذا هو ساحة المضاربين تحت هذه العباءة الفاخرة، أم أنه ليلة انفجار الفجر؟

للإجابة على هذا السؤال، فإن التفكير الذي يعد حاسمًا لكلا الطرفين هو: هل سيكون وجود الآخر أفضل؟ هل يمكن الاستفادة من نموذج الآخر؟ في هذه المقالة، نحاول أيضًا النظر إلى هذا النمط من خلال الاستفادة من إنجازات السابقين: كيف يمكن لـ Web3 أن تلعب دورًا في جميع جوانب تكنولوجيا الذكاء الاصطناعي، وماذا يمكن أن يجلب الذكاء الاصطناعي لـ Web3 من حيوية جديدة؟

! الذكاء الاصطناعي+Web3: الأبراج والساحات

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

قبل الخوض في هذا الموضوع، نحتاج إلى فهم تقنية نموذج الذكاء الاصطناعي الكبير:

استخدم لغة أكثر بساطة لوصف العملية بأكملها: "النموذج الكبير" يشبه دماغ الإنسان، في المراحل المبكرة، يكون هذا الدماغ ملكًا لطفل حديث الولادة، يحتاج إلى مراقبة واستيعاب كميات هائلة من المعلومات المحيطة لفهم هذا العالم، هذه هي مرحلة "جمع البيانات"؛ نظرًا لأن الكمبيوتر لا يمتلك حواس الإنسان مثل البصر والسمع، قبل التدريب، يجب تحويل المعلومات الضخمة غير المعلّمة من العالم الخارجي من خلال "المعالجة المسبقة" إلى تنسيق معلومات يمكن للكمبيوتر فهمه واستخدامه.

بعد إدخال البيانات، يقوم الذكاء الاصطناعي من خلال "التدريب" ببناء نموذج يمتلك القدرة على الفهم والتنبؤ، ويمكن اعتباره كعملية فهم وتعلم تدريجي للطفل عن العالم الخارجي، حيث تعتبر معلمات النموذج كقدرة الطفل اللغوية التي تتعدل باستمرار خلال عملية التعلم. عندما يبدأ المحتوى التعليمي في الانقسام إلى مجالات، أو يتم التواصل مع الآخرين للحصول على ردود فعل وتصحيحات، يدخل ذلك في مرحلة "التعديل الدقيق" للنموذج الكبير.

عندما يكبر الأطفال تدريجياً ويتعلمون الكلام، يمكنهم فهم المعاني والتعبير عن مشاعرهم وأفكارهم في محادثات جديدة. هذه المرحلة مشابهة لـ "الاستدلال" في نماذج الذكاء الاصطناعي الكبيرة، حيث يمكن للنموذج التنبؤ وتحليل المدخلات اللغوية والنصية الجديدة. يعبر الرضع عن مشاعرهم وقدرتهم اللغوية، ويصفون الأشياء، ويحلّون مشكلات متنوعة، وهذا يشبه أيضاً تطبيق نماذج الذكاء الاصطناعي الكبيرة في مرحلة الاستدلال بعد إكمال التدريب واستخدامها في مهام محددة، مثل تصنيف الصور، والتعرف على الصوت، وغيرها.

ووكيل الذكاء الاصطناعي يقترب أكثر من الشكل التالي للنموذج الكبير ------ القدرة على تنفيذ المهام بشكل مستقل والسعي لتحقيق أهداف معقدة، حيث لا يمتلك فقط القدرة على التفكير، بل يمكنه أيضًا التذكر والتخطيط، وقادر على استخدام الأدوات والتفاعل مع العالم.

في الوقت الحالي، فيما يتعلق بنقاط الألم في الذكاء الاصطناعي عبر مختلف الطبقات، بدأت Web3 في تشكيل نظام بيئي متعدد المستويات ومتصل ببعضه البعض، يشمل جميع مراحل عملية نموذج الذكاء الاصطناعي.

! الذكاء الاصطناعي+Web3: الأبراج والمربعات

المستوى الأساسي: Airbnb للقوة الحسابية والبيانات

▎قوة الحوسبة

حاليًا، واحدة من أعلى تكاليف الذكاء الاصطناعي هي القدرة الحاسوبية والطاقة المطلوبة لتدريب النماذج واستنتاج النماذج.

مثال على ذلك هو أن LLAMA3 من شركة معينة يحتاج إلى 16000 من وحدات معالجة الرسومات H100 التي تنتجها نفس الشركة (وهي وحدة معالجة رسومات رائدة مصممة لتحمل عبء العمل الخاص بالذكاء الاصطناعي والحوسبة عالية الأداء). يستغرق التدريب 30 يومًا. يتراوح سعر النسخة 80 جيجابايت من وحدة المعالجة المركزية بين 30000 و 40000 دولار، مما يتطلب استثمارًا قدره 4-7 مليار دولار في أجهزة الحوسبة (وحدات معالجة الرسومات + شرائح الشبكة)، وفي نفس الوقت، يتطلب التدريب الشهري استهلاك 1.6 مليار كيلووات ساعة، مما يجعل نفقات الطاقة تقارب 20 مليون دولار شهريًا.

بالنسبة لفك الضغط عن قوة الذكاء الاصطناعي، فإنها تمثل بالفعل أول مجال يتقاطع فيه Web3 مع الذكاء الاصطناعي ------ DePin (شبكة البنية التحتية المادية اللامركزية) حاليًا، قامت موقع بيانات DePin Ninja بعرض أكثر من 1400 مشروع، من بينها مشاريع تمثل مشاركة قوة GPU مثل io.net و Aethir و Akash و Render Network وغيرها.

المنطق الرئيسي يكمن في: أن المنصة تسمح للأفراد أو الكيانات الذين يمتلكون موارد GPU غير المستغلة بالمساهمة في قدراتهم الحسابية بطريقة لامركزية دون الحاجة إلى إذن، من خلال سوق على الإنترنت مشابه لمنصات سيارات الأجرة أو منصات الإقامة، مما يزيد من استخدام موارد GPU التي لم يتم استغلالها بشكل كامل، وبالتالي يحصل المستخدمون النهائيون على موارد حسابية فعالة بتكلفة منخفضة؛ في نفس الوقت، تضمن آلية الرهن أنه في حالة حدوث انتهاكات لآلية التحكم في الجودة أو انقطاع الشبكة، فإن مقدمي الموارد سيتعرضون لعقوبات مناسبة.

تتميز بما يلي:

• تجميع موارد GPU غير المستخدمة: يتمثل المورد الرئيسي في موارد القوة الحسابية الزائدة لمشغلي مراكز البيانات المستقلة الصغيرة والمتوسطة، ومزارع التعدين، وما إلى ذلك، مع آلية توافقية هي PoS، مثل أجهزة تعدين FileCoin و ETH. حاليًا، هناك أيضًا مشاريع تهدف إلى بدء استخدام أجهزة ذات عتبة دخول أقل، مثل exolab التي تستخدم أجهزة MacBook و iPhone و iPad المحلية لإنشاء شبكة حسابية لتشغيل استنتاج النماذج الكبيرة.

• مواجهة سوق الذيل الطويل لقوة الحوسبة للذكاء الاصطناعي:

a. من الناحية التقنية، فإن سوق القوة الحاسوبية اللامركزية أكثر ملاءمة لخطوات الاستدلال. يعتمد التدريب بشكل أكبر على قدرة معالجة البيانات الناتجة عن حجم مجموعات GPU الكبيرة جدًا، في حين أن الاستدلال يتطلب أداءً أقل نسبيًا من GPU، مثل Aethir التي تركز على العمل في مجال العرض منخفض الكمون وتطبيقات الاستدلال بالذكاء الاصطناعي.

b. من ناحية الطلب، فإن الجهات ذات القدرة الحاسوبية المتوسطة لن تدرب نماذجها الكبيرة بشكل منفصل، بل ستختار فقط تحسين وتعديل النماذج الكبيرة القليلة الرائدة، وهذه السيناريوهات تتناسب بشكل طبيعي مع موارد الحوسبة الموزعة غير المستخدمة.

• الملكية اللامركزية: المعنى التكنولوجي للبلوك تشين هو أن مالكي الموارد يحتفظون دائمًا بالسيطرة على مواردهم، ويقومون بتعديلها بمرونة وفقًا للاحتياجات، وفي نفس الوقت يحصلون على الأرباح.

▎البيانات

البيانات هي أساس الذكاء الاصطناعي. إذا لم توجد بيانات، فإن الحسابات ستكون بلا فائدة مثل الطفو على سطح الماء، وعلاقة البيانات بالنموذج تشبه المثل القائل "المدخلات الرديئة تؤدي إلى مخرجات رديئة"، حيث تحدد كمية البيانات وجودة المدخلات جودة المخرجات النهائية للنموذج. بالنسبة لتدريب نماذج الذكاء الاصطناعي الحالية، تحدد البيانات قدرة النموذج اللغوية، والقدرة على الفهم، وحتى القيم والمظهر الإنساني. في الوقت الحالي، تتركز صعوبات الطلب على البيانات في الذكاء الاصطناعي على الجوانب الأربعة التالية:

• جوع البيانات: يعتمد تدريب نماذج الذكاء الاصطناعي على إدخال كميات هائلة من البيانات. تظهر المعلومات العامة أن إحدى الشركات قد وصلت إلى تريليونات من المعلمات عند تدريب GPT-4.

• جودة البيانات: مع دمج الذكاء الاصطناعي مع مختلف الصناعات، تطرح متطلبات جديدة لجودة البيانات مثل توقيت البيانات، تنوع البيانات، تخصص البيانات العمودية، واستخدام مصادر البيانات الناشئة مثل مشاعر وسائل التواصل الاجتماعي.

• مسائل الخصوصية والامتثال: بدأت الدول والشركات تدريجيًا في إدراك أهمية مجموعات البيانات عالية الجودة، وتقوم بفرض قيود على جمع بيانات المجموعات.

• تكلفة معالجة البيانات مرتفعة: حجم البيانات كبير، وعملية المعالجة معقدة. تظهر البيانات العامة أن أكثر من 30% من تكلفة البحث والتطوير لشركات الذكاء الاصطناعي تُستخدم لجمع البيانات الأساسية ومعالجتها.

حالياً، تظهر حلول الويب 3 في الجوانب الأربعة التالية:

1. جمع البيانات: البيانات التي يمكن الحصول عليها مجانًا من العالم الحقيقي تنفد بسرعة، حيث تتزايد نفقات الشركات التي تعمل في مجال الذكاء الاصطناعي سنويًا. ولكن في الوقت نفسه، فإن هذه النفقات ليست في صالح المساهمين الحقيقيين في البيانات، حيث تستفيد المنصات بالكامل من القيمة التي تخلقها البيانات، مثل إحدى منصات التواصل الاجتماعي التي حققت إيرادات إجمالية قدرها 203 مليون دولار من خلال اتفاقية ترخيص البيانات مع شركات الذكاء الاصطناعي.

إن رؤية Web3 هي أن يتمكن المستخدمون الذين يساهمون حقًا من المشاركة في خلق القيمة الناتجة عن البيانات ، وكذلك الحصول على بيانات أكثر خصوصية وقيمة بتكاليف منخفضة من خلال الشبكة الموزعة وآليات التحفيز.

• Grass هو طبقة بيانات وشبكة لامركزية، يمكن للمستخدمين من خلال تشغيل عقد Grass، المساهمة في عرض النطاق الترددي غير المستخدم وتدفق الترحيل لالتقاط البيانات في الوقت الفعلي من الإنترنت بأكمله، والحصول على مكافآت رمزية؛

• قدمت Vana مفهوم فريد لحوض السيولة للبيانات (DLP)، حيث يمكن للمستخدمين رفع بياناتهم الشخصية (مثل سجلات التسوق، عادات التصفح، أنشطة وسائل التواصل الاجتماعي، إلخ) إلى DLP معين، واختيار مرونة ما إذا كانوا سيفوضون هذه البيانات لاستخدامها من قبل طرف ثالث معين؛

• في PublicAI، يمكن للمستخدمين استخدام #AI 或#Web3 كعلامة تصنيف على منصة اجتماعية معينة و@PublicAI لجمع البيانات.

2. معالجة البيانات: في عملية معالجة البيانات الخاصة بـ AI، نظرًا لأن البيانات التي يتم جمعها عادة ما تكون صاخبة وتحتوي على أخطاء، يجب تنظيفها وتحويلها إلى صيغة قابلة للاستخدام قبل تدريب النموذج، مما يتضمن مهام متكررة للتوحيد والترشيح ومعالجة القيم المفقودة. هذه المرحلة هي واحدة من القليل من المراحل اليدوية في صناعة الذكاء الاصطناعي، وقد ظهرت صناعة تسمى "مُعلِّمي البيانات". مع زيادة متطلبات جودة البيانات للنموذج، ارتفعت أيضًا عتبة دخول مُعلِّمي البيانات، وهذه المهمة مناسبة بشكل طبيعي لآلية التحفيز اللامركزية في Web3.

• في الوقت الحالي، تفكر Grass و OpenLayer في إضافة مرحلة التوصيف البياني هذه.

• قدمت Synesis مفهوم "Train2earn"، مع التركيز على جودة البيانات، حيث يمكن للمستخدمين الحصول على مكافآت من خلال تقديم بيانات مصنفة أو تعليقات أو أشكال أخرى من المدخلات.

• مشروع وضع علامات البيانات Sapien يقوم بتحويل مهام الوسم إلى لعبة، ويتيح للمستخدمين رهن النقاط لكسب المزيد من النقاط.

3، خصوصية البيانات والأمان: من الضروري توضيح أن خصوصية البيانات والأمان هما مفهومين مختلفين. تتعلق خصوصية البيانات بمعالجة البيانات الحساسة، بينما يحمي الأمان المعلومات من الوصول غير المصرح به، والتدمير، والسرقة. ومن ثم، تظهر مزايا تقنيات الخصوصية في Web3 وسيناريوهات التطبيق المحتملة في جانبين: (1) تدريب البيانات الحساسة؛ (2) التعاون في البيانات: يمكن لعدة مالكي بيانات المشاركة بشكل مشترك في تدريب الذكاء الاصطناعي دون الحاجة إلى مشاركة بياناتهم الأصلية.

تتضمن تقنيات الخصوصية الشائعة في Web3 الحالية ما يلي:

• بيئة التنفيذ الموثوقة ( TEE )، مثل بروتوكول سوبر؛

• التشفير المتجانس الكامل (FHE)، مثل BasedAI، Fhenix.io أو Inco Network؛

• تقنية الإثبات الصفرية (zk)، مثل بروتوكول Reclaim الذي يستخدم تقنية zkTLS، تولد إثباتات صفرية لحركة HTTPS، مما يسمح للمستخدمين باستيراد الأنشطة والسمعة وبيانات الهوية من مواقع خارجية بأمان، دون الحاجة إلى كشف المعلومات الحساسة.

ومع ذلك، لا يزال هذا المجال في مرحلة مبكرة، حيث لا يزال معظم المشاريع في مرحلة الاستكشاف، وتتمثل إحدى المشاكل الحالية في تكاليف الحوسبة.