تقرير شامل عن مجال Web3-AI: تحليل عميق للمنطق الفني، تطبيقات السيناريو، وأفضل المشاريع

مع استمرار ارتفاع حرارة السرد الذكي، يتركز المزيد من الاهتمام على هذا المجال. لقد قمنا بتحليل عميق للمنطق التكنولوجي و سيناريوهات التطبيق والمشاريع الممثلة في مجال Web3-AI، لتقديم عرض شامل لكافة جوانب هذا المجال واتجاهات تطوره.

١. ويب 3-الذكاء الاصطناعي: تحليل المنطق التكنولوجي وفرص السوق الناشئة

1.1 منطق دمج Web3 و الذكاء الاصطناعي: كيف نحدد حلبة Web-AI

خلال العام الماضي، كانت السرديات المعتمدة على الذكاء الاصطناعي رائجة للغاية في صناعة Web3، حيث ظهرت مشاريع الذكاء الاصطناعي كالفطر بعد المطر. على الرغم من وجود العديد من المشاريع التي تنطوي على تقنيات الذكاء الاصطناعي، إلا أن بعض المشاريع تستخدم الذكاء الاصطناعي فقط في بعض أجزاء منتجاتها، حيث لا توجد علاقة جوهرية بين الاقتصاد الرمزي الأساسي ومنتجات الذكاء الاصطناعي، وبالتالي لا تُعتبر هذه المشاريع ضمن مناقشة مشاريع Web3-AI في هذه المقالة.

تركز هذه المقالة على استخدام blockchain لحل مشكلات علاقات الإنتاج، ومشاريع AI التي تحل مشكلات القوى الإنتاجية، حيث تقدم هذه المشاريع منتجات AI، وفي الوقت نفسه تستند إلى نموذج الاقتصاد Web3 كأداة لعلاقات الإنتاج، حيث يكمل كل منهما الآخر. نصنف هذه المشاريع ضمن مسار Web3-AI. لمساعدة القراء على فهم مسار Web3-AI بشكل أفضل، سنقوم بتقديم عملية تطوير AI والتحديات، وكيف يمكن أن يجمع Web3 و AI بشكل مثالي لحل المشكلات وخلق سيناريوهات تطبيقية جديدة.

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

تقنية الذكاء الاصطناعي هي تقنية تتيح للكمبيوتر محاكاة وتوسيع وتعزيز الذكاء البشري. إنها تمكن الكمبيوتر من تنفيذ مجموعة متنوعة من المهام المعقدة، بدءًا من ترجمة اللغات وتصنيف الصور وصولاً إلى التعرف على الوجوه وقيادة السيارات ذاتيًا، الذكاء الاصطناعي يغير طريقة حياتنا وعملنا.

تتضمن عملية تطوير نماذج الذكاء الاصطناعي عادةً الخطوات الأساسية التالية: جمع البيانات ومعالجة البيانات، اختيار النموذج وضبطه، تدريب النموذج واستنتاجه. على سبيل المثال، إذا كنت ترغب في تطوير نموذج لتصنيف صور القطط والكلاب، ستحتاج إلى:

1. جمع البيانات ومعالجة البيانات: جمع مجموعة بيانات صور تحتوي على قطط وكلاب، يمكن استخدام مجموعة بيانات عامة أو جمع بيانات حقيقية بنفسك. ثم قم بتسمية كل صورة بفئة (قط أو كلب)، تأكد من دقة التسمية. تحويل الصور إلى تنسيق يمكن للنموذج التعرف عليه، وتقسيم مجموعة البيانات إلى مجموعة التدريب، مجموعة التحقق، ومجموعة الاختبار.

2. اختيار النموذج وضبطه: اختيار النموذج المناسب، مثل الشبكات العصبية التلافيفية (CNN)، التي تناسب مهام تصنيف الصور. ضبط معلمات النموذج أو هيكله بناءً على الاحتياجات المختلفة، وعادةً ما يمكن تعديل طبقات الشبكة للنموذج بناءً على تعقيد مهمة الذكاء الاصطناعي. في هذا المثال البسيط للتصنيف، قد تكون طبقات الشبكة القليلة كافية.

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

4. استدلال النموذج: تُعرف الملفات التي تم تدريب النموذج عليها عادةً بأوزان النموذج، وعملية الاستدلال تشير إلى استخدام النموذج المدرب مسبقًا للتنبؤ أو تصنيف البيانات الجديدة. في هذه العملية، يمكن استخدام مجموعة الاختبار أو البيانات الجديدة لاختبار فعالية تصنيف النموذج، وعادةً ما يتم تقييم فعالية النموذج باستخدام مؤشرات مثل الدقة، معدل الاسترجاع، وF1-score.

كما هو موضح في الصورة، بعد جمع البيانات ومعالجتها مسبقًا، واختيار النموذج وضبطه، ثم التدريب، يتم إجراء الاستدلال على مجموعة الاختبار باستخدام النموذج المدرب، مما يؤدي إلى الحصول على قيم التنبؤ للقطط والكلاب P (احتمال)، أي احتمال أن يستنتج النموذج أنه قطة أو كلب.

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

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

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

الحصول على مصادر البيانات: قد يواجه فريق صغير أو فرد قيودًا على البيانات غير المفتوحة عند الحصول على بيانات في مجالات معينة (مثل البيانات الطبية).

اختيار النموذج وضبطه: من الصعب على الفرق الصغيرة الحصول على موارد نماذج محددة أو إنفاق تكاليف كبيرة لضبط النموذج.

الحصول على قوة الحوسبة: بالنسبة للمطورين الأفراد والفرق الصغيرة، فإن التكاليف العالية لشراء وحدات معالجة الرسوميات ورسوم استئجار قوة الحوسبة السحابية قد تشكل عبئًا ماليًا كبيرًا.

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

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

1.3 التآزر بين Web3 و AI: تحول الأدوار والتطبيقات المبتكرة

يمكن أن يعزز دمج Web3 و AI سيادة المستخدم، ويوفر منصة تعاون مفتوحة للذكاء الاصطناعي، مما يسمح للمستخدمين بالتغيير من مستخدمين للذكاء الاصطناعي في عصر Web2 إلى مشاركين، وإنشاء ذكاء اصطناعي يمكن للجميع امتلاكه. في الوقت نفسه، يمكن أن تؤدي融合 عالم Web3 مع تقنيات الذكاء الاصطناعي إلى خلق المزيد من تطبيقات مبتكرة وأشكال جديدة من اللعب.

استنادًا إلى تقنية Web3، ستشهد تطوير وتطبيق الذكاء الاصطناعي نظامًا جديدًا للاقتصاد التعاوني. يمكن ضمان خصوصية بيانات الأفراد، وتساعد نماذج البيانات الجماعية في تقدم نماذج الذكاء الاصطناعي، والعديد من موارد الذكاء الاصطناعي مفتوحة المصدر متاحة للاستخدام من قبل المستخدمين، ويمكن الحصول على قوة الحوسبة المشتركة بتكلفة منخفضة. من خلال آلية التعاون الجماعي اللامركزية وسوق الذكاء الاصطناعي المفتوحة، يمكن تحقيق نظام عادل لتوزيع الدخل، مما يحفز المزيد من الأشخاص على دفع تقدم تكنولوجيا الذكاء الاصطناعي.

في مشهد Web3، يمكن أن تؤثر الذكاء الاصطناعي بشكل إيجابي في مجالات متعددة. على سبيل المثال، يمكن دمج نماذج الذكاء الاصطناعي في العقود الذكية، مما يعزز كفاءة العمل في سيناريوهات تطبيقية مختلفة، مثل تحليل السوق، واختبار الأمان، والتجمعات الاجتماعية، وغيرها من الوظائف المتعددة. يمكن للذكاء الاصطناعي التوليدي أن يتيح للمستخدمين تجربة دور "الفنان"، مثل استخدام تقنيات الذكاء الاصطناعي لإنشاء NFT الخاصة بهم، ويمكن أيضًا خلق مشاهد لعب 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، يمكنهم جميعًا العثور على مدخل مناسب في هذا العالم.

٢. تحليل 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، بما في ذلك مستوى البنية التحتية، والمستوى الوسيط، ومستوى التطبيقات، وكل مستوى مقسم إلى أقسام مختلفة. في الفصل التالي، سنقوم بتحليل بعض المشاريع الممثلة بعمق.

تغطي طبقة البنية التحتية الموارد الحاسوبية والهياكل التكنولوجية 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، وتركز الطبقة التطبيقية على مجموعة متنوعة من التطبيقات والحلول التي تستهدف المستخدمين مباشرة.

طبقة البنية التحتية:

طبقة البنية التحتية هي الأساس لدورة حياة الذكاء الاصطناعي، حيث يتم تصنيف قوة الحوسبة و AI Chain ومنصة التطوير كطبقة بنية تحتية. بفضل دعم هذه البنية التحتية، يمكن تدريب نماذج الذكاء الاصطناعي واستنتاجها، وتقديم تطبيقات ذكاء اصطناعي قوية وعملية للمستخدمين.

• شبكة الحوسبة اللامركزية: يمكن أن توفر قوة معالجة موزعة لتدريب نماذج الذكاء الاصطناعي، مما يضمن استخدام موارد الحوسبة بشكل فعال واقتصادي. تقدم بعض المشاريع سوقًا لقوة المعالجة اللامركزية، حيث يمكن للمستخدمين استئجار القوة الحاسوبية بتكاليف منخفضة أو مشاركة القوة الحاسوبية للحصول على عائدات، ومن بين هذه المشاريع IO.NET و Hyperbolic. بالإضافة إلى ذلك، ظهرت بعض المشاريع بأفكار جديدة، مثل Compute Labs، التي اقترحت بروتوكول توكين، حيث يمكن للمستخدمين المشاركة بطرق مختلفة في استئجار القوة الحاسوبية للحصول على عائدات من خلال شراء NFT تمثل وحدات معالجة الرسوميات.

• AI Chain: استخدام البلوك تشين كأساس لدورة حياة الذكاء الاصطناعي، لتحقيق التفاعل السلس بين موارد الذكاء الاصطناعي على السلسلة وخارجها، وتعزيز تطوير النظام البيئي للصناعة. يمكن للسوق اللامركزي للذكاء الاصطناعي على السلسلة تداول أصول الذكاء الاصطناعي مثل البيانات والنماذج والوكلاء، وتقديم إطار تطوير الذكاء الاصطناعي والأدوات المساعدة للتطوير، ومشاريع تُمثل مثل Sahara AI. يمكن أن تعزز AI Chain أيضًا التقدم التكنولوجي للذكاء الاصطناعي في مجالات مختلفة، مثل Bittensor الذي يعزز المنافسة بين أنواع مختلفة من الشبكات الفرعية من خلال آلية تحفيز مبتكرة.

• منصة التطوير: تقدم بعض المشاريع منصة تطوير وكيل الذكاء الاصطناعي، ويمكنها أيضًا تنفيذ تداول وكيل الذكاء الاصطناعي، مثل Fetch.ai و ChainML وغيرها. تساعد الأدوات الشاملة المطورين على إنشاء وتدريب ونشر نماذج الذكاء الاصطناعي بسهولة، ومن المشاريع الممثلة Nimble. تعزز هذه البنية التحتية الاستخدام الواسع لتقنية الذكاء الاصطناعي في نظام Web3 البيئي.

الطبقة الوسطى:

تتعلق هذه الطبقة ببيانات AI والنماذج بالإضافة إلى الاستدلال والتحقق، ويمكن تحقيق كفاءة عمل أعلى باستخدام تكنولوجيا Web3.

• البيانات: جودة وكمية البيانات هي عوامل رئيسية تؤثر على فعالية تدريب النموذج. في عالم Web3، يمكن من خلال البيانات الجماعية ومعالجة البيانات التعاونية تحسين استخدام الموارد وتقليل تكلفة البيانات. يمكن للمستخدمين امتلاك حقوق البيانات الخاصة بهم، وبيع بياناتهم في ظل حماية الخصوصية، لتجنب سرقة البيانات من قبل التجار السيئين وجني أرباح كبيرة. بالنسبة لمستخدمي البيانات، توفر هذه المنصات مجموعة واسعة من الخيارات وتكاليف منخفضة للغاية. من المشاريع الممثلة مثل Grass التي تستخدم عرض النطاق الترددي للمستخدمين لجمع بيانات الويب، وxData التي تجمع المعلومات الإعلامية من خلال مكونات إضافية سهلة الاستخدام، وتدعم المستخدمين في تحميل معلومات التغريدات.

علاوة على ذلك، تسمح بعض المنصات للخبراء في مجالات معينة أو المستخدمين العاديين بتنفيذ مهام معالجة البيانات المسبقة، مثل وضع علامات على الصور وتصنيف البيانات، وهذه المهام قد تتطلب معرفة متخصصة في معالجة بيانات المالية والقانونية، يمكن للمستخدمين تحويل مهاراتهم إلى رموز لتحقيق التعاون في معالجة البيانات. تمثل سوق الذكاء الاصطناعي مثل Sahara AI، التي تحتوي على مهام بيانات من مجالات مختلفة، والتي يمكن أن تغطي سيناريوهات بيانات متعددة المجالات؛ بينما يقوم بروتوكول AIT بتسمية البيانات من خلال التعاون بين الإنسان والآلة.

• النموذج: في عملية تطوير الذكاء الاصطناعي التي تم الإشارة إليها سابقًا، تحتاج الأنواع المختلفة من المتطلبات إلى مطابقة النموذج المناسب. النماذج المستخدمة بشكل شائع في مهام الصور مثل CNN وGAN، ويمكن اختيار سلسلة Yolo لمهام الكشف عن الأهداف، والنماذج الشائعة لمهام النصوص مثل RNN وTransformer، وبالطبع هناك أيضًا بعض النماذج الكبيرة المحددة أو العامة. تتطلب المهام ذات التعقيد المختلف أعماق نماذج مختلفة، وأحيانًا تحتاج إلى ضبط النموذج.

بعض المشاريع تدعم المستخدمين في تقديم أنواع مختلفة من النماذج أو التعاون في تدريب النماذج من خلال أسلوب الحشد، مثل Sentient التي من خلال تصميمها المعياري، تسمح للمستخدمين بوضع بيانات النماذج الموثوقة في طبقة التخزين وطبقة التوزيع من أجل تحسين النماذج، كما أن أدوات التطوير المقدمة من Sahara AI تحتوي على خوارزميات ذكاء اصطناعي متقدمة وإطار عمل حسابي، ولها قدرة على التدريب التعاوني.

• الاستدلال والتحقق: بعد تدريب النموذج، سيتم إنشاء ملفات أوزان النموذج، والتي يمكن استخدامها للتصنيف أو التنبؤ أو المهام المحددة الأخرى، وتعرف هذه العملية باسم الاستدلال. عادةً ما يصاحب عملية الاستدلال آلية للتحقق، للتحقق من صحة مصدر نموذج الاستدلال وما إذا كان هناك سلوك ضار. يمكن دمج استدلال Web3 عادةً 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، التي تقدم Oracle AI على السلسلة (OAO)، حيث تم إدخال OPML كطبقة قابلة للتحقق لـ Oracle AI، كما تم الإشارة في الموقع الرسمي لـ ORA إلى أبحاثهم حول ZKML و opp/ai (ZKML مدمجة مع OPML).

طبقة التطبيقات:

هذه الطبقة موجهة بشكل مباشر نحو التطبيقات المستخدمة من قبل المستخدمين، وتجمع بين الذكاء الاصطناعي وWeb3، مما يخلق المزيد من طرق اللعب المثيرة والمبتكرة. يتناول هذا المقال بشكل رئيسي مشاريع AIGC (المحتوى الذي تم إنشاؤه بواسطة الذكاء الاصطناعي)، الوكلاء الذكائيين وتحليل البيانات.

• AIGC: من خلال AIGC يمكن