دمج Web3 و AI: بناء بنية تحتية للإنترنت من الجيل التالي
يعتبر Web3 نموذجًا جديدًا للإنترنت غير مركزي ومفتوح وشفاف، ويتميز بفرص دمج طبيعية مع الذكاء الاصطناعي. في ظل الهيكل التقليدي المركزي، يتم التحكم بشكل صارم في موارد حساب الذكاء الاصطناعي والبيانات، وهناك العديد من التحديات مثل اختناق القدرة الحاسوبية، تسرب الخصوصية، وصندوق خوارزميات مغلق. يعتمد Web3 على التكنولوجيا الموزعة، ويمكن أن يوفر من خلال شبكة مشاركة القدرة الحاسوبية، سوق البيانات المفتوحة، والحوسبة الخاصة، دفعة جديدة لتطوير الذكاء الاصطناعي. في الوقت نفسه، يمكن أن يوفر الذكاء الاصطناعي أيضًا العديد من القدرات لـ Web3، مثل تحسين العقود الذكية، وخوارزميات مكافحة الغش، مما يساعد في بناء بيئته. يعد استكشاف دمج Web3 والذكاء الاصطناعي أمرًا بالغ الأهمية لبناء البنية التحتية للجيل التالي من الإنترنت، وإطلاق قيمة البيانات والقدرة الحاسوبية.
مدعوم بالبيانات: الأساس المتين بين الذكاء الاصطناعي وWeb3
البيانات هي القوة الدافعة الأساسية لتطوير الذكاء الاصطناعي، تمامًا كما أن الوقود هو المحرك. تحتاج نماذج الذكاء الاصطناعي إلى هضم كميات كبيرة من البيانات عالية الجودة للحصول على فهم عميق وقدرة قوية على الاستدلال، حيث لا توفر البيانات فقط أساس التدريب لنماذج التعلم الآلي، بل تحدد أيضًا دقة وموثوقية النموذج.
في نمط الحصول على البيانات واستخدامها بواسطة الذكاء الاصطناعي المركزي التقليدي، توجد المشاكل الرئيسية التالية:
تكلفة الحصول على البيانات مرتفعة، ومن الصعب على الشركات الصغيرة والمتوسطة تحملها
يتم احتكار موارد البيانات من قبل عمالقة التكنولوجيا، مما يؤدي إلى ظهور جزر بيانات.
تواجه خصوصية البيانات الشخصية مخاطر التسرب وسوء الاستخدام
يمكن لـ Web3 حل نقاط الألم في النموذج التقليدي من خلال نموذج بيانات لامركزي جديد:
يمكن للمستخدمين بيع الشبكة غير المستخدمة لشركات الذكاء الاصطناعي، لجمع بيانات الشبكة بشكل لامركزي، وبعد تنظيفها وتحويلها، لتوفير بيانات حقيقية وعالية الجودة لتدريب نماذج الذكاء الاصطناعي.
اعتماد نموذج "label to earn"، من خلال تحفيز العمال العالميين بالمكافآت الرمزية للمشاركة في توضيح البيانات، لتجميع المعرفة الاحترافية العالمية، وتعزيز قدرة تحليل البيانات.
توفر منصة تبادل بيانات البلوكشين بيئة تجارية شفافة ومفتوحة لكلا الطرفين المعنيين بالبيانات، مما يعزز الابتكار ومشاركة البيانات.
ومع ذلك، توجد بعض المشاكل في الحصول على البيانات من العالم الحقيقي، مثل تفاوت جودة البيانات، وصعوبة المعالجة، وعدم كفاية التنوع والتمثيل. قد تكون البيانات الاصطناعية نجم مسار بيانات Web3 في المستقبل. استنادًا إلى تقنية الذكاء الاصطناعي التوليدي والمحاكاة، يمكن للبيانات الاصطناعية محاكاة خصائص البيانات الحقيقية، كإضافة فعالة للبيانات الحقيقية، مما يزيد من كفاءة استخدام البيانات. في مجالات مثل القيادة الذاتية، وتداول الأسواق المالية، وتطوير الألعاب، أظهرت البيانات الاصطناعية بالفعل إمكاناتها الناضجة للتطبيق.
حماية الخصوصية: دور FHE في Web3
في عصر البيانات المدفوعة، أصبحت حماية الخصوصية محور اهتمام عالمي، حيث تعكس القوانين مثل اللائحة العامة لحماية البيانات في الاتحاد الأوروبي (GDPR) الحفاظ الصارم على الخصوصية الشخصية. ومع ذلك، فقد brought هذا أيضًا تحديات: بعض البيانات الحساسة لا يمكن الاستفادة منها بشكل كامل بسبب مخاطر الخصوصية، مما يحد بلا شك من إمكانات ونموذج الذكاء الاصطناعي.
FHE هو التشفير المتجانس الكامل، ويتيح إجراء عمليات حسابية مباشرة على البيانات المشفرة دون الحاجة إلى فك تشفير البيانات، كما أن نتائج العمليات الحسابية تتطابق مع النتائج الناتجة عن إجراء نفس العمليات على البيانات النصية.
توفر FHE حماية قوية لحساب الخصوصية في الذكاء الاصطناعي، مما يسمح لقوة GPU بتنفيذ مهام تدريب النماذج والاستدلال في بيئة لا تلمس البيانات الأصلية. وهذا يمنح شركات الذكاء الاصطناعي ميزة كبيرة. يمكنها فتح خدمات API بأمان مع حماية الأسرار التجارية.
يدعم FHEML معالجة البيانات والنماذج بشكل مشفر طوال دورة تعلم الآلة، مما يضمن أمان المعلومات الحساسة ويمنع مخاطر تسرب البيانات. بهذه الطريقة، يعزز FHEML خصوصية البيانات ويقدم إطار حساب آمناً لتطبيقات الذكاء الاصطناعي.
FHEML هو تكملة لـ ZKML، حيث تُثبت ZKML التنفيذ الصحيح للتعلم الآلي، بينما يُركز FHEML على إجراء الحسابات على البيانات المشفرة للحفاظ على خصوصية البيانات.
ثورة الحوسبة: الحوسبة الذكية في الشبكات اللامركزية
تتضاعف تعقيدات الحسابات في أنظمة الذكاء الاصطناعي الحالية كل 3 أشهر، مما يؤدي إلى زيادة هائلة في الطلب على القوة الحاسوبية، والتي تتجاوز بكثير إمدادات الموارد الحاسوبية الحالية. على سبيل المثال، يتطلب تدريب نموذج لغوي كبير قوة حسابية هائلة، تعادل 355 عامًا من وقت التدريب على جهاز واحد. مثل هذا النقص في القوة الحاسوبية لا يقتصر فقط على تقييد تقدم تكنولوجيا الذكاء الاصطناعي، بل يجعل من النماذج المتقدمة للذكاء الاصطناعي بعيدة المنال بالنسبة لمعظم الباحثين والمطورين.
في الوقت نفسه، معدل استخدام وحدات معالجة الرسوميات العالمية أقل من 40%، بالإضافة إلى تباطؤ تحسين أداء المعالجات الدقيقة، ونقص الرقائق الناتج عن عوامل سلسلة الإمداد والجغرافيا السياسية، كل ذلك جعل مشكلة إمدادات القوة الحاسوبية أكثر حدة. يجد العاملون في مجال الذكاء الاصطناعي أنفسهم في مأزق: إما شراء الأجهزة بأنفسهم، أو استئجار موارد السحابة، وهم في حاجة ماسة إلى طريقة لخدمة الحوسبة حسب الطلب وفعالة من حيث التكلفة.
تعمل شبكة الحوسبة اللامركزية القائمة على الذكاء الاصطناعي على تجميع موارد GPU غير المستخدمة على مستوى العالم، مما يوفر سوق حوسبة اقتصادي وسهل الوصول لشركات الذكاء الاصطناعي. يمكن لجهات طلب الحوسبة نشر مهام حسابية على الشبكة، حيث يقوم العقد الذكي بتوزيع المهام على عُقد المُعدنين التي تساهم بالقوة الحاسوبية، وينفذ المُعدنون المهام ويقدمون النتائج، وبعد التحقق يحصلون على مكافآت نقاط. تعزز هذه الخطة من كفاءة استخدام الموارد وتساهم في حل مشكلة اختناق القوة الحاسوبية في مجالات مثل الذكاء الاصطناعي.
بالإضافة إلى الشبكات العامة اللامركزية للحوسبة، هناك منصات تركز على تدريب الذكاء الاصطناعي، وشبكات حوسبة مخصصة تركز على استدلال الذكاء الاصطناعي.
توفر شبكة الحوسبة اللامركزية سوقًا عادلًا وشفافًا للحوسبة، يكسر الاحتكار، ويقلل من متطلبات الدخول، ويزيد من كفاءة استخدام الحوسبة. في نظام الويب 3، ستلعب شبكة الحوسبة اللامركزية دورًا حاسمًا، مما يجذب المزيد من التطبيقات المبتكرة للانضمام، ويدفع معًا لتطوير وتطبيق تكنولوجيا الذكاء الاصطناعي.
DePIN: تمكين Web3 للذكاء الاصطناعي الحدي
تخيل أن هاتفك المحمول، وساعتك الذكية، وحتى الأجهزة الذكية في منزلك، جميعها تتمتع بقدرة على تشغيل الذكاء الاصطناعي - هذه هي جاذبية الذكاء الاصطناعي الحدي. إنه يجعل الحوسبة تحدث في مصدر إنتاج البيانات، مما يحقق زمن انتقال منخفض ومعالجة في الوقت الحقيقي، بينما يحمي خصوصية المستخدمين. لقد تم تطبيق تقنية الذكاء الاصطناعي الحدي في مجالات حيوية مثل القيادة الذاتية.
في مجال Web3، لدينا اسم أكثر دراية - DePIN. يؤكد Web3 على اللامركزية وحقوق ملكية بيانات المستخدمين، ومن خلال معالجة البيانات محليًا، يمكن لـ DePIN تعزيز حماية خصوصية المستخدم وتقليل مخاطر تسرب البيانات؛ يمكن لآلية الاقتصاد القائم على الرموز الأصلية لـ Web3 أن تحفز عقد DePIN على توفير موارد الحوسبة، لبناء نظام بيئي مستدام.
تتطور DePIN حاليًا بسرعة في نظام بيئي لسلسلة عامة معينة، لتصبح واحدة من منصات السلسلة العامة المفضلة لنشر المشاريع. توفر TPS العالية، وانخفاض رسوم المعاملات، والابتكار التكنولوجي في هذه السلسلة العامة دعمًا قويًا لمشاريع DePIN. حاليًا، تتجاوز القيمة السوقية لمشاريع DePIN على هذه السلسلة العامة 10 مليارات دولار، وقد حققت العديد من المشاريع المعروفة تقدمًا ملحوظًا.
IMO: إطلاق نموذج جديد لنموذج الذكاء الاصطناعي
تم اقتراح مفهوم IMO من قبل بروتوكول معين، حيث يتم توكن نموذج الذكاء الاصطناعي.
في النموذج التقليدي، بسبب غياب آلية مشاركة العائدات، بمجرد تطوير نموذج الذكاء الاصطناعي وإدخاله إلى السوق، غالبًا ما يجد المطورون صعوبة في تحقيق إيرادات مستمرة من الاستخدام اللاحق للنموذج، خاصة عندما يتم دمج النموذج في منتجات وخدمات أخرى، يصبح من الصعب على المنشئين الأصليين تتبع الاستخدام، ناهيك عن تحقيق الإيرادات من ذلك. بالإضافة إلى ذلك، غالبًا ما تفتقر أداء النموذج ونتائجه إلى الشفافية، مما يجعل من الصعب على المستثمرين المحتملين والمستخدمين تقييم قيمته الحقيقية، مما يحد من الاعتراف السوقي للنموذج وإمكاناته التجارية.
تقدم IMO طريقة جديدة تمامًا لدعم التمويل ومشاركة القيمة لنماذج الذكاء الاصطناعي مفتوحة المصدر، حيث يمكن للمستثمرين شراء رموز IMO ومشاركة العوائد الناتجة عن النموذج لاحقًا. يستخدم بروتوكول معين معيارين من ERC، ويجمع بين تقنية الذكاء الاصطناعي oracle و OPML لضمان صحة نموذج الذكاء الاصطناعي وتمكين حاملي الرموز من مشاركة العوائد.
نموذج IMO عزز الشفافية والثقة، وشجع التعاون المفتوح، وتكيف مع اتجاهات سوق العملات المشفرة، وضخ طاقة جديدة في التنمية المستدامة لتقنية الذكاء الاصطناعي. لا يزال نموذج IMO في مرحلة المحاولة الأولية، ولكن مع زيادة قبول السوق وتوسع نطاق المشاركة، فإن ابتكاره وقيمته المحتملة تستحق توقعاتنا.
وكيل الذكاء الاصطناعي: عصر جديد من تجربة التفاعل
يمكن لوكيل الذكاء الاصطناعي استشعار البيئة والتفكير بشكل مستقل واتخاذ الإجراءات المناسبة لتحقيق الأهداف المحددة. بدعم من نماذج اللغة الكبيرة، يمكن لوكيل الذكاء الاصطناعي أن يفهم اللغة الطبيعية، ويخطط للقرارات، وينفذ المهام المعقدة. يمكن أن تعمل كأ assistants افتراضية، من خلال التفاعل مع المستخدمين لتعلم تفضيلاتهم وتقديم حلول مخصصة. حتى في غياب التعليمات الواضحة، يمكن لوكيل الذكاء الاصطناعي أيضًا حل المشكلات بشكل مستقل، وزيادة الكفاءة، وخلق قيمة جديدة.
تقدم منصة تطبيقات الذكاء الاصطناعي الأصلية المفتوحة مجموعة شاملة وسهلة الاستخدام من أدوات الإبداع، تدعم المستخدمين في تكوين وظائف الروبوتات، والمظهر، والصوت، بالإضافة إلى الاتصال بمستودعات المعرفة الخارجية، وتهدف إلى إنشاء نظام بيئي لمحتوى الذكاء الاصطناعي يكون منصفًا ومفتوحًا، مع الاستفادة من تقنية الذكاء الاصطناعي التوليدي، لتمكين الأفراد من أن يصبحوا مبدعين خارقين. قامت هذه المنصة بتدريب نماذج لغوية كبيرة متخصصة، مما يجعل تجارب تمثيل الأدوار أكثر إنسانية؛ كما أن تقنية استنساخ الصوت يمكن أن تسرع من التفاعل الشخصي مع منتجات الذكاء الاصطناعي، مما يقلل من تكلفة توليد الصوت بنسبة 99%، ويمكن تنفيذ استنساخ الصوت في دقيقة واحدة فقط. باستخدام وكيل الذكاء الاصطناعي المخصص من هذه المنصة، يمكن الآن تطبيقه في مجالات متعددة مثل المحادثة عبر الفيديو، وتعلم اللغات، وتوليد الصور.
في دمج Web3 و AI، يتم حالياً استكشاف المزيد حول طبقة البنية التحتية، كيف يمكن الحصول على بيانات عالية الجودة، حماية خصوصية البيانات، كيفية استضافة النماذج على السلسلة، كيفية تحسين الاستخدام الفعال للقوة الحاسوبية اللامركزية، وكيفية التحقق من نماذج اللغة الكبيرة وغيرها من القضايا الرئيسية. مع التحسين التدريجي لهذه البنية التحتية، لدينا سبب للاعتقاد بأن دمج Web3 و AI سوف يفرز مجموعة من نماذج الأعمال والخدمات المبتكرة.
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 21
أعجبني
21
5
إعادة النشر
مشاركة
تعليق
0/400
EyeOfTheTokenStorm
· 07-08 09:16
底部开始筑底了 市场周期到了 ارتفاع期 建议现在 ادخل مركز囤货
شاهد النسخة الأصليةرد0
ProxyCollector
· 07-06 07:16
يبدو أنهم يتحدثون مرة أخرى عن تلك المفاهيم المتداولة.
شاهد النسخة الأصليةرد0
BlockchainRetirementHome
· 07-06 07:13
جاء من يخدع المستثمرين بإعادة طهي الأرز البارد
شاهد النسخة الأصليةرد0
ForkYouPayMe
· 07-06 07:13
مرة أخرى نرى أحلام الويب 3 للذكاء الاصطناعي المتكررة.
شاهد النسخة الأصليةرد0
staking_gramps
· 07-06 06:48
هل يمكن خداع الناس بهذا الشيء؟ حتى الكلاب لا تلعب به.
Web3 و AI: خمسة اتجاهات لبناء بنية تحتية للإنترنت من الجيل التالي
دمج Web3 و AI: بناء بنية تحتية للإنترنت من الجيل التالي
يعتبر Web3 نموذجًا جديدًا للإنترنت غير مركزي ومفتوح وشفاف، ويتميز بفرص دمج طبيعية مع الذكاء الاصطناعي. في ظل الهيكل التقليدي المركزي، يتم التحكم بشكل صارم في موارد حساب الذكاء الاصطناعي والبيانات، وهناك العديد من التحديات مثل اختناق القدرة الحاسوبية، تسرب الخصوصية، وصندوق خوارزميات مغلق. يعتمد Web3 على التكنولوجيا الموزعة، ويمكن أن يوفر من خلال شبكة مشاركة القدرة الحاسوبية، سوق البيانات المفتوحة، والحوسبة الخاصة، دفعة جديدة لتطوير الذكاء الاصطناعي. في الوقت نفسه، يمكن أن يوفر الذكاء الاصطناعي أيضًا العديد من القدرات لـ Web3، مثل تحسين العقود الذكية، وخوارزميات مكافحة الغش، مما يساعد في بناء بيئته. يعد استكشاف دمج Web3 والذكاء الاصطناعي أمرًا بالغ الأهمية لبناء البنية التحتية للجيل التالي من الإنترنت، وإطلاق قيمة البيانات والقدرة الحاسوبية.
مدعوم بالبيانات: الأساس المتين بين الذكاء الاصطناعي وWeb3
البيانات هي القوة الدافعة الأساسية لتطوير الذكاء الاصطناعي، تمامًا كما أن الوقود هو المحرك. تحتاج نماذج الذكاء الاصطناعي إلى هضم كميات كبيرة من البيانات عالية الجودة للحصول على فهم عميق وقدرة قوية على الاستدلال، حيث لا توفر البيانات فقط أساس التدريب لنماذج التعلم الآلي، بل تحدد أيضًا دقة وموثوقية النموذج.
في نمط الحصول على البيانات واستخدامها بواسطة الذكاء الاصطناعي المركزي التقليدي، توجد المشاكل الرئيسية التالية:
يمكن لـ Web3 حل نقاط الألم في النموذج التقليدي من خلال نموذج بيانات لامركزي جديد:
ومع ذلك، توجد بعض المشاكل في الحصول على البيانات من العالم الحقيقي، مثل تفاوت جودة البيانات، وصعوبة المعالجة، وعدم كفاية التنوع والتمثيل. قد تكون البيانات الاصطناعية نجم مسار بيانات Web3 في المستقبل. استنادًا إلى تقنية الذكاء الاصطناعي التوليدي والمحاكاة، يمكن للبيانات الاصطناعية محاكاة خصائص البيانات الحقيقية، كإضافة فعالة للبيانات الحقيقية، مما يزيد من كفاءة استخدام البيانات. في مجالات مثل القيادة الذاتية، وتداول الأسواق المالية، وتطوير الألعاب، أظهرت البيانات الاصطناعية بالفعل إمكاناتها الناضجة للتطبيق.
حماية الخصوصية: دور FHE في Web3
في عصر البيانات المدفوعة، أصبحت حماية الخصوصية محور اهتمام عالمي، حيث تعكس القوانين مثل اللائحة العامة لحماية البيانات في الاتحاد الأوروبي (GDPR) الحفاظ الصارم على الخصوصية الشخصية. ومع ذلك، فقد brought هذا أيضًا تحديات: بعض البيانات الحساسة لا يمكن الاستفادة منها بشكل كامل بسبب مخاطر الخصوصية، مما يحد بلا شك من إمكانات ونموذج الذكاء الاصطناعي.
FHE هو التشفير المتجانس الكامل، ويتيح إجراء عمليات حسابية مباشرة على البيانات المشفرة دون الحاجة إلى فك تشفير البيانات، كما أن نتائج العمليات الحسابية تتطابق مع النتائج الناتجة عن إجراء نفس العمليات على البيانات النصية.
توفر FHE حماية قوية لحساب الخصوصية في الذكاء الاصطناعي، مما يسمح لقوة GPU بتنفيذ مهام تدريب النماذج والاستدلال في بيئة لا تلمس البيانات الأصلية. وهذا يمنح شركات الذكاء الاصطناعي ميزة كبيرة. يمكنها فتح خدمات API بأمان مع حماية الأسرار التجارية.
يدعم FHEML معالجة البيانات والنماذج بشكل مشفر طوال دورة تعلم الآلة، مما يضمن أمان المعلومات الحساسة ويمنع مخاطر تسرب البيانات. بهذه الطريقة، يعزز FHEML خصوصية البيانات ويقدم إطار حساب آمناً لتطبيقات الذكاء الاصطناعي.
FHEML هو تكملة لـ ZKML، حيث تُثبت ZKML التنفيذ الصحيح للتعلم الآلي، بينما يُركز FHEML على إجراء الحسابات على البيانات المشفرة للحفاظ على خصوصية البيانات.
ثورة الحوسبة: الحوسبة الذكية في الشبكات اللامركزية
تتضاعف تعقيدات الحسابات في أنظمة الذكاء الاصطناعي الحالية كل 3 أشهر، مما يؤدي إلى زيادة هائلة في الطلب على القوة الحاسوبية، والتي تتجاوز بكثير إمدادات الموارد الحاسوبية الحالية. على سبيل المثال، يتطلب تدريب نموذج لغوي كبير قوة حسابية هائلة، تعادل 355 عامًا من وقت التدريب على جهاز واحد. مثل هذا النقص في القوة الحاسوبية لا يقتصر فقط على تقييد تقدم تكنولوجيا الذكاء الاصطناعي، بل يجعل من النماذج المتقدمة للذكاء الاصطناعي بعيدة المنال بالنسبة لمعظم الباحثين والمطورين.
في الوقت نفسه، معدل استخدام وحدات معالجة الرسوميات العالمية أقل من 40%، بالإضافة إلى تباطؤ تحسين أداء المعالجات الدقيقة، ونقص الرقائق الناتج عن عوامل سلسلة الإمداد والجغرافيا السياسية، كل ذلك جعل مشكلة إمدادات القوة الحاسوبية أكثر حدة. يجد العاملون في مجال الذكاء الاصطناعي أنفسهم في مأزق: إما شراء الأجهزة بأنفسهم، أو استئجار موارد السحابة، وهم في حاجة ماسة إلى طريقة لخدمة الحوسبة حسب الطلب وفعالة من حيث التكلفة.
تعمل شبكة الحوسبة اللامركزية القائمة على الذكاء الاصطناعي على تجميع موارد GPU غير المستخدمة على مستوى العالم، مما يوفر سوق حوسبة اقتصادي وسهل الوصول لشركات الذكاء الاصطناعي. يمكن لجهات طلب الحوسبة نشر مهام حسابية على الشبكة، حيث يقوم العقد الذكي بتوزيع المهام على عُقد المُعدنين التي تساهم بالقوة الحاسوبية، وينفذ المُعدنون المهام ويقدمون النتائج، وبعد التحقق يحصلون على مكافآت نقاط. تعزز هذه الخطة من كفاءة استخدام الموارد وتساهم في حل مشكلة اختناق القوة الحاسوبية في مجالات مثل الذكاء الاصطناعي.
بالإضافة إلى الشبكات العامة اللامركزية للحوسبة، هناك منصات تركز على تدريب الذكاء الاصطناعي، وشبكات حوسبة مخصصة تركز على استدلال الذكاء الاصطناعي.
توفر شبكة الحوسبة اللامركزية سوقًا عادلًا وشفافًا للحوسبة، يكسر الاحتكار، ويقلل من متطلبات الدخول، ويزيد من كفاءة استخدام الحوسبة. في نظام الويب 3، ستلعب شبكة الحوسبة اللامركزية دورًا حاسمًا، مما يجذب المزيد من التطبيقات المبتكرة للانضمام، ويدفع معًا لتطوير وتطبيق تكنولوجيا الذكاء الاصطناعي.
DePIN: تمكين Web3 للذكاء الاصطناعي الحدي
تخيل أن هاتفك المحمول، وساعتك الذكية، وحتى الأجهزة الذكية في منزلك، جميعها تتمتع بقدرة على تشغيل الذكاء الاصطناعي - هذه هي جاذبية الذكاء الاصطناعي الحدي. إنه يجعل الحوسبة تحدث في مصدر إنتاج البيانات، مما يحقق زمن انتقال منخفض ومعالجة في الوقت الحقيقي، بينما يحمي خصوصية المستخدمين. لقد تم تطبيق تقنية الذكاء الاصطناعي الحدي في مجالات حيوية مثل القيادة الذاتية.
في مجال Web3، لدينا اسم أكثر دراية - DePIN. يؤكد Web3 على اللامركزية وحقوق ملكية بيانات المستخدمين، ومن خلال معالجة البيانات محليًا، يمكن لـ DePIN تعزيز حماية خصوصية المستخدم وتقليل مخاطر تسرب البيانات؛ يمكن لآلية الاقتصاد القائم على الرموز الأصلية لـ Web3 أن تحفز عقد DePIN على توفير موارد الحوسبة، لبناء نظام بيئي مستدام.
تتطور DePIN حاليًا بسرعة في نظام بيئي لسلسلة عامة معينة، لتصبح واحدة من منصات السلسلة العامة المفضلة لنشر المشاريع. توفر TPS العالية، وانخفاض رسوم المعاملات، والابتكار التكنولوجي في هذه السلسلة العامة دعمًا قويًا لمشاريع DePIN. حاليًا، تتجاوز القيمة السوقية لمشاريع DePIN على هذه السلسلة العامة 10 مليارات دولار، وقد حققت العديد من المشاريع المعروفة تقدمًا ملحوظًا.
IMO: إطلاق نموذج جديد لنموذج الذكاء الاصطناعي
تم اقتراح مفهوم IMO من قبل بروتوكول معين، حيث يتم توكن نموذج الذكاء الاصطناعي.
في النموذج التقليدي، بسبب غياب آلية مشاركة العائدات، بمجرد تطوير نموذج الذكاء الاصطناعي وإدخاله إلى السوق، غالبًا ما يجد المطورون صعوبة في تحقيق إيرادات مستمرة من الاستخدام اللاحق للنموذج، خاصة عندما يتم دمج النموذج في منتجات وخدمات أخرى، يصبح من الصعب على المنشئين الأصليين تتبع الاستخدام، ناهيك عن تحقيق الإيرادات من ذلك. بالإضافة إلى ذلك، غالبًا ما تفتقر أداء النموذج ونتائجه إلى الشفافية، مما يجعل من الصعب على المستثمرين المحتملين والمستخدمين تقييم قيمته الحقيقية، مما يحد من الاعتراف السوقي للنموذج وإمكاناته التجارية.
تقدم IMO طريقة جديدة تمامًا لدعم التمويل ومشاركة القيمة لنماذج الذكاء الاصطناعي مفتوحة المصدر، حيث يمكن للمستثمرين شراء رموز IMO ومشاركة العوائد الناتجة عن النموذج لاحقًا. يستخدم بروتوكول معين معيارين من ERC، ويجمع بين تقنية الذكاء الاصطناعي oracle و OPML لضمان صحة نموذج الذكاء الاصطناعي وتمكين حاملي الرموز من مشاركة العوائد.
نموذج IMO عزز الشفافية والثقة، وشجع التعاون المفتوح، وتكيف مع اتجاهات سوق العملات المشفرة، وضخ طاقة جديدة في التنمية المستدامة لتقنية الذكاء الاصطناعي. لا يزال نموذج IMO في مرحلة المحاولة الأولية، ولكن مع زيادة قبول السوق وتوسع نطاق المشاركة، فإن ابتكاره وقيمته المحتملة تستحق توقعاتنا.
وكيل الذكاء الاصطناعي: عصر جديد من تجربة التفاعل
يمكن لوكيل الذكاء الاصطناعي استشعار البيئة والتفكير بشكل مستقل واتخاذ الإجراءات المناسبة لتحقيق الأهداف المحددة. بدعم من نماذج اللغة الكبيرة، يمكن لوكيل الذكاء الاصطناعي أن يفهم اللغة الطبيعية، ويخطط للقرارات، وينفذ المهام المعقدة. يمكن أن تعمل كأ assistants افتراضية، من خلال التفاعل مع المستخدمين لتعلم تفضيلاتهم وتقديم حلول مخصصة. حتى في غياب التعليمات الواضحة، يمكن لوكيل الذكاء الاصطناعي أيضًا حل المشكلات بشكل مستقل، وزيادة الكفاءة، وخلق قيمة جديدة.
تقدم منصة تطبيقات الذكاء الاصطناعي الأصلية المفتوحة مجموعة شاملة وسهلة الاستخدام من أدوات الإبداع، تدعم المستخدمين في تكوين وظائف الروبوتات، والمظهر، والصوت، بالإضافة إلى الاتصال بمستودعات المعرفة الخارجية، وتهدف إلى إنشاء نظام بيئي لمحتوى الذكاء الاصطناعي يكون منصفًا ومفتوحًا، مع الاستفادة من تقنية الذكاء الاصطناعي التوليدي، لتمكين الأفراد من أن يصبحوا مبدعين خارقين. قامت هذه المنصة بتدريب نماذج لغوية كبيرة متخصصة، مما يجعل تجارب تمثيل الأدوار أكثر إنسانية؛ كما أن تقنية استنساخ الصوت يمكن أن تسرع من التفاعل الشخصي مع منتجات الذكاء الاصطناعي، مما يقلل من تكلفة توليد الصوت بنسبة 99%، ويمكن تنفيذ استنساخ الصوت في دقيقة واحدة فقط. باستخدام وكيل الذكاء الاصطناعي المخصص من هذه المنصة، يمكن الآن تطبيقه في مجالات متعددة مثل المحادثة عبر الفيديو، وتعلم اللغات، وتوليد الصور.
في دمج Web3 و AI، يتم حالياً استكشاف المزيد حول طبقة البنية التحتية، كيف يمكن الحصول على بيانات عالية الجودة، حماية خصوصية البيانات، كيفية استضافة النماذج على السلسلة، كيفية تحسين الاستخدام الفعال للقوة الحاسوبية اللامركزية، وكيفية التحقق من نماذج اللغة الكبيرة وغيرها من القضايا الرئيسية. مع التحسين التدريجي لهذه البنية التحتية، لدينا سبب للاعتقاد بأن دمج Web3 و AI سوف يفرز مجموعة من نماذج الأعمال والخدمات المبتكرة.