تقرير شامل عن مسار Web3-AI: تحليل عميق للمنطق التكنولوجي، تطبيقات السيناريو، والمشاريع الرائدة

مع استمرار ارتفاع درجة حرارة السرد بالذكاء الاصطناعي، يتزايد التركيز على هذا المجال. تم تحليل المنطق التكنولوجي، وسيناريوهات التطبيق، والمشاريع الممثلة في مجال Web3-AI بشكل عميق، لتقديم عرض شامل لمشهد هذا المجال واتجاهات تطوره.

1. Web3-AI: تحليل المنطق التكنولوجي وفرص السوق الناشئة

1.1 منطق دمج Web3 و AI: كيف يتم تحديد مسار Web-AI

على مدار العام الماضي، كانت السردية القائمة على الذكاء الاصطناعي في صناعة Web3 شديدة الشعبية، حيث ظهرت مشاريع الذكاء الاصطناعي كالفطر بعد المطر. على الرغم من وجود العديد من المشاريع التي تتعلق بتقنية الذكاء الاصطناعي، إلا أن بعض المشاريع تستخدم الذكاء الاصطناعي فقط في بعض أجزاء منتجها، ولا توجد علاقة جوهرية بين الاقتصاد الرمزي الأساسي ومنتجات الذكاء الاصطناعي، لذلك لا تندرج هذه المشاريع في مناقشة مشاريع Web3-AI في هذه المقالة.

تركز هذه المقالة على المشاريع التي تستخدم blockchain لحل مشكلات العلاقات الإنتاجية و AI لحل مشكلات الإنتاجية، حيث توفر هذه المشاريع نفسها منتجات AI، وتستند إلى نموذج الاقتصاد Web3 كأداة للعلاقات الإنتاجية، حيث يكمل كل منهما الآخر. نقوم بتصنيف هذه المشاريع ضمن مسار Web3-AI. لتسهيل فهم القراء لمسار Web3-AI، سيتم توضيح عملية تطوير AI والتحديات، وكيفية دمج Web3 و AI بشكل مثالي لحل المشكلات وخلق سيناريوهات تطبيقية جديدة.

1.2 عملية تطوير الذكاء الاصطناعي والتحديات: من جمع البيانات إلى استنتاج النموذج

تكنولوجيا الذكاء الاصطناعي هي تقنية تمكن الحواسيب من محاكاة وتوسيع وتعزيز الذكاء البشري. إنها قادرة على تمكين الحواسيب من تنفيذ مجموعة متنوعة من المهام المعقدة، بدءًا من ترجمة اللغات وتصنيف الصور وصولاً إلى التعرف على الوجوه وقيادة السيارات بشكل ذاتي، الذكاء الاصطناعي يغير الطريقة التي نعيش ونعمل بها.

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

1. جمع البيانات ومعالجة البيانات المسبقة: جمع مجموعة بيانات تحتوي على صور للقطط والكلاب، يمكن استخدام مجموعات البيانات العامة أو جمع بيانات حقيقية بنفسك. ثم قم بتسمية الفئة (قط أو كلب) لكل صورة، تأكد من أن التسمية دقيقة. تحويل الصور إلى تنسيق يمكن للنموذج التعرف عليه، وتقسيم مجموعة البيانات إلى مجموعة تدريب، مجموعة تحقق، ومجموعة اختبار.

2. اختيار النموذج وتحسينه: اختيار النموذج المناسب، مثل الشبكات العصبية التلافيفية (CNN)، مناسب جداً لمهام تصنيف الصور. تعديل معلمات النموذج أو الهيكل وفقًا للاحتياجات المختلفة، بشكل عام، يمكن ضبط مستويات الشبكة للنموذج وفقًا لتعقيد مهمة الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون مستويات الشبكة الأقل عمقًا كافية.

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

4. استنتاج النموذج: تُعرف الملفات التي تم تدريب النموذج عليها عادةً بأوزان النموذج، وعملية الاستنتاج تشير إلى استخدام النموذج المدرب مسبقًا للتنبؤ أو تصنيف بيانات جديدة. في هذه العملية يمكن استخدام مجموعة الاختبار أو بيانات جديدة لاختبار فعالية تصنيف النموذج، وعادةً ما يتم استخدام مؤشرات مثل الدقة، ومعدل الاسترجاع، وF1-score لتقييم فعالية النموذج.

كما هو موضح في الشكل، بعد جمع البيانات ومعالجة البيانات المسبقة، واختيار النموذج وضبطه، وتدريبه، سيتم استنتاج قيم التنبؤ للقطط والكلاب P (الاحتمالية) من النموذج المدرب على مجموعة الاختبار، أي الاحتمالية التي يستنتجها النموذج أنها قطة أو كلب.

يمكن دمج نموذج الذكاء الاصطناعي المدرب بشكل أكبر في تطبيقات مختلفة لأداء مهام متنوعة. في هذا المثال، يمكن دمج نموذج الذكاء الاصطناعي لتصنيف القطط والكلاب في تطبيق الهاتف المحمول، حيث يقوم المستخدم بتحميل صورة لقطة أو كلب، ويمكنه الحصول على نتيجة التصنيف.

ومع ذلك، توجد بعض المشكلات في عملية تطوير الذكاء الاصطناعي المركزية في السيناريوهات التالية:

خصوصية المستخدم: في السيناريوهات المركزية، عادة ما تكون عملية تطوير الذكاء الاصطناعي غير شفافة. قد يتم سرقة بيانات المستخدمين دون علمهم واستخدامها في تدريب الذكاء الاصطناعي.

مصدر البيانات: قد يواجه فريق صغير أو فرد عند الحصول على بيانات في مجالات محددة (مثل بيانات الطب) قيودًا على عدم فتح مصدر البيانات.

اختيار النموذج وتحسينه: من الصعب على الفرق الصغيرة الحصول على موارد نموذجية في مجالات محددة أو إنفاق تكاليف كبيرة لتحسين النموذج.

الحصول على قوة الحوسبة: بالنسبة للمطورين الأفراد والفرق الصغيرة، قد تشكل تكاليف شراء وحدات معالجة الرسومات المرتفعة ورسوم استئجار قوة الحوسبة السحابية عبئًا اقتصاديًا كبيرًا.

دخل الأصول الذكية: غالبًا ما لا يتمكن العاملون في مجال تحديد البيانات من الحصول على دخل يتناسب مع ما يبذلونه من جهد، كما أن نتائج أبحاث مطوري الذكاء الاصطناعي يصعب مطابقتها مع المشترين الذين يحتاجون إليها.

يمكن التغلب على التحديات الموجودة في مشهد الذكاء الاصطناعي المركزي من خلال دمجها مع Web3، حيث أن Web3 كعلاقة إنتاج جديدة، يتكيف بشكل طبيعي مع الذكاء الاصطناعي الذي يمثل قوة إنتاج جديدة، مما يعزز التقدم التكنولوجي وقدرات الإنتاج في الوقت نفسه.

1.3 التآزر بين Web3 و AI: تحول الأدوار والتطبيقات المبتكرة

يمكن أن يعزز دمج Web3 و AI سيادة المستخدمين، ويوفر منصة تعاون مفتوحة للذكاء الاصطناعي، مما يسمح للمستخدمين بالتحول من مستخدمي الذكاء الاصطناعي في عصر Web2 إلى مشاركين، لخلق ذكاء اصطناعي يمكن للجميع امتلاكه. في الوقت نفسه، يمكن أن يؤدي ت融合 عالم Web3 مع تكنولوجيا الذكاء الاصطناعي إلى ظهور المزيد من التطبيقات والمزايا المبتكرة.

استنادًا إلى تقنية Web3، سيشهد تطوير وتطبيق الذكاء الاصطناعي نظامًا جديدًا من الاقتصاد التعاوني. يمكن ضمان خصوصية بيانات الأفراد، ويعزز نموذج جمع البيانات تقدم نماذج الذكاء الاصطناعي، والعديد من موارد الذكاء الاصطناعي مفتوحة المصدر متاحة للاستخدام من قبل المستخدمين، ويمكن الحصول على قوة الحوسبة المشتركة بتكاليف منخفضة. من خلال آلية التعاونية اللامركزية ونموذج السوق المفتوح للذكاء الاصطناعي، يمكن تحقيق نظام عادل لتوزيع الدخل، مما يحفز المزيد من الناس لدفع تقدم تقنية 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 لزيادة كفاءة العمل في سيناريوهات تطبيقية مختلفة، مثل تحليل السوق، واكتشاف الأمن، وتجمعات التواصل الاجتماعي، وغيرها من الوظائف. يمكن للذكاء الاصطناعي التوليدي أن يجعل المستخدمين يشعرون بدور "الفنان"، مثل استخدام تقنيات الذكاء الاصطناعي لإنشاء NFT الخاصة بهم، ويمكنه أيضًا خلق مشاهد ألعاب متنوعة وتجارب تفاعلية ممتعة في GameFi. توفر البنية التحتية الغنية تجربة تطوير سلسة، سواء كان خبيرًا في الذكاء الاصطناعي أو مبتدئًا يرغب في دخول مجال الذكاء الاصطناعي، يمكن للجميع العثور على مدخل مناسب في هذا العالم.

٢. تفسير خريطة وهيكل مشروع Web3-AI الإيكولوجي

لقد قمنا بدراسة 41 مشروعًا في مجال Web3-AI، وقمنا بتقسيم هذه المشاريع إلى مستويات مختلفة. منطق تقسيم كل مستوى موضح في الشكل أدناه، ويشمل مستوى البنية التحتية، والمستوى الوسيط، ومستوى التطبيقات، حيث يتم تقسيم كل مستوى إلى أقسام مختلفة. في الفصل التالي، سنقوم بإجراء تحليل عميق لبعض المشاريع التمثيلية.

تشمل طبقة البنية التحتية الموارد الحاسوبية وهياكل التكنولوجيا التي تدعم تشغيل دورة حياة الذكاء الاصطناعي بالكامل، بينما تشمل الطبقة الوسطى إدارة البيانات وخدمات تطوير النماذج والتحقق من الاستدلال التي تربط البنية التحتية بالتطبيقات، في حين تركز الطبقة التطبيقية على التطبيقات والحلول المختلفة التي تستهدف المستخدمين بشكل مباشر.

طبقة البنية التحتية:

طبقة البنية التحتية هي الأساس لدورة حياة الذكاء الاصطناعي، حيث تصنف هذه المقالة القدرة الحاسوبية، سلسلة الذكاء الاصطناعي ومنصة التطوير كطبقة بنية تحتية. فقط بدعم هذه البنية التحتية يمكن تدريب نماذج الذكاء الاصطناعي واستنتاجها، وتقديم تطبيقات ذكاء اصطناعي قوية وعملية للمستخدمين.

• شبكة الحوسبة اللامركزية: يمكن أن توفر قوة حوسبة موزعة لتدريب نماذج الذكاء الاصطناعي، وتضمن استخدام موارد الحوسبة بكفاءة وبتكلفة اقتصادية. تقدم بعض المشاريع سوقًا لامركزيًا للقوة الحاسوبية، حيث يمكن للمستخدمين استئجار القوة الحاسوبية بتكلفة منخفضة أو مشاركة القوة الحاسوبية لتحقيق الأرباح، ومن المشاريع الممثلة IO.NET و Hyperbolic. بالإضافة إلى ذلك، ظهرت بعض المشاريع بأفكار جديدة، مثل Compute Labs، التي اقترحت بروتوكولًا رمزيًا، حيث يمكن للمستخدمين المشاركة بطرق مختلفة في استئجار القوة الحاسوبية لتحقيق الأرباح من خلال شراء NFT تمثل وحدات معالجة الرسوميات.

• AI Chain：يستخدم البلوكشين كأساس لدورة حياة الذكاء الاصطناعي، مما يحقق التفاعل السلس بين موارد الذكاء الاصطناعي على السلسلة وخارجها، ويعزز تطوير دائرة الصناعة البيئية. يمكن للسوق اللامركزي على السلسلة تداول أصول الذكاء الاصطناعي مثل البيانات والنماذج والوكلاء، كما يوفر إطار تطوير الذكاء الاصطناعي والأدوات الداعمة، ومن المشاريع الممثلة مثل Sahara AI. يمكن أن يعزز AI Chain أيضًا تقدم تكنولوجيا الذكاء الاصطناعي في مجالات مختلفة، مثل Bittensor من خلال آلية تحفيز الشبكات الفرعية المبتكرة لتعزيز تنافس الشبكات الفرعية من أنواع الذكاء الاصطناعي المختلفة.

• منصة التطوير: بعض المشاريع تقدم منصات تطوير الوكلاء الذكيين، ويمكنها أيضًا تنفيذ تداول الوكلاء الذكيين، مثل Fetch.ai و ChainML وغيرها. أدوات شاملة تساعد المطورين على إنشاء وتدريب ونشر نماذج الذكاء الاصطناعي بسهولة أكبر، مثل مشروع Nimble. هذه البنية التحتية تعزز الاستخدام الواسع لتكنولوجيا الذكاء الاصطناعي في نظام Web3 البيئي.

الطبقة الوسطى:

تتعلق هذه الطبقة ببيانات الذكاء الاصطناعي والنماذج بالإضافة إلى الاستدلال والتحقق، ويمكن تحقيق كفاءة عمل أعلى من خلال استخدام تقنيات Web3.

• البيانات: جودة وكمية البيانات هي العوامل الرئيسية التي تؤثر في فعالية تدريب النموذج. في عالم Web3، يمكن تحسين استخدام الموارد وتقليل تكلفة البيانات من خلال جمع البيانات عبر الحشود ومعالجة البيانات التعاونية. يمكن للمستخدمين امتلاك حقوق البيانات، وبيع بياناتهم في ظل حماية الخصوصية، لتجنب سرقة البيانات من قبل التجار السيئين وتحقيق أرباح ضخمة. بالنسبة لطرف الطلب على البيانات، تقدم هذه المنصات خيارات واسعة وتكاليف منخفضة للغاية. تمثل مشاريع 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.

علاوة على ذلك، تسمح بعض المنصات للخبراء في المجالات أو المستخدمين العاديين بتنفيذ مهام معالجة البيانات المسبقة، مثل وضع علامات على الصور، وتصنيف البيانات، حيث قد تتطلب هذه المهام معرفة متخصصة في معالجة بيانات المهام المالية والقانونية، ويمكن للمستخدمين توكين مهاراتهم لتحقيق التعاون الجماعي في معالجة البيانات. تمثل أسواق الذكاء الاصطناعي مثل Sahara AI مهام البيانات في مجالات مختلفة، مما يمكنها من تغطية سيناريوهات بيانات متعددة المجالات؛ بينما يقوم بروتوكول AIT بتعليم البيانات من خلال التعاون بين الإنسان والآلة.

• النموذج: في عملية تطوير الذكاء الاصطناعي المذكورة سابقًا، تحتاج الأنواع المختلفة من المتطلبات إلى مطابقة النموذج المناسب. النماذج الشائعة المستخدمة في مهام الصور مثل CNN و GAN، ويمكن اختيار سلسلة Yolo لمهام الكشف عن الأهداف، بينما النماذج الشائعة في المهام النصية تشمل RNN و Transformer، بالطبع هناك أيضًا بعض النماذج الكبيرة المحددة أو العامة. تختلف العمق المطلوب للنماذج حسب تعقيد المهام المختلفة، وأحيانًا يحتاج الأمر إلى ضبط النماذج.

تدعم بعض المشاريع المستخدمين في تقديم أنواع مختلفة من النماذج أو التعاون في تدريب النماذج من خلال أسلوب الحشد، مثل Sentient التي من خلال تصميمها القابل للتعديل، تتيح للمستخدمين وضع بيانات النموذج الموثوقة في طبقة التخزين وطبقة التوزيع لتحسين النموذج، وتقدم Sahara AI أدوات تطوير مدمجة مع خوارزميات الذكاء الاصطناعي المتقدمة وإطار العمل الحسابي، ولديها القدرة على التدريب التعاوني.

• الاستدلال والتحقق: بعد تدريب النموذج، سيتم إنشاء ملف أوزان النموذج، والذي يمكن استخدامه مباشرة للتصنيف أو التنبؤ أو المهام المحددة الأخرى، وتسمى هذه العملية الاستدلال. عادة ما يصاحب عملية الاستدلال آلية تحقق للتحقق من صحة مصدر نموذج الاستدلال وما إذا كان هناك سلوك ضار أم لا. يمكن دمج استدلال Web3 عادة في العقود الذكية من خلال استدعاء النموذج لإجراء الاستدلال، وتشمل طرق التحقق الشائعة تقنيات مثل ZKML و OPML و TEE. من المشاريع الممثلة مثل ORA على سلسلة AI الخاصة بـ OAO، التي قدمت OPML كطبقة قابلة للتحقق لآلة التنبؤ AI، كما تم الإشارة في الموقع الرسمي لـ ORA إلى أبحاثهم حول ZKML و opp/ai (ZKML بالاقتران مع OPML).

طبقة التطبيق:

تُركز هذه الطبقة بشكل رئيسي على التطبيقات الموجهة مباشرةً للمستخدمين، حيث تجمع بين الذكاء الاصطناعي و Web3، وتخلق