AI+Web3: الأبراج والساحات

TL; د

1. مشاريع Web3 ذات مفهوم الذكاء الاصطناعي أصبحت هدفًا لجذب الأموال في السوقين الأولية والثانوية.

2. تظهر فرص Web3 في صناعة الذكاء الاصطناعي من خلال: استخدام الحوافز الموزعة لتنسيق العرض المحتمل في ذيول طويلة ------ عبر البيانات والتخزين والحوسبة؛ في الوقت نفسه، إنشاء نموذج مفتوح المصدر وسوق لامركزي لوكلاء الذكاء الاصطناعي.

3. تستخدم الذكاء الاصطناعي في صناعة Web3 بشكل رئيسي في المالية على السلسلة (الدفع المشفر، التداول، تحليل البيانات) والمساعدة في التطوير.

4. تظهر فائدة AI + Web3 في تكامل الاثنين: من المتوقع أن يتصدى Web3 لمركزية AI، ومن المتوقع أن يساعد AI Web3 في التوسع.

! الذكاء الاصطناعي+Web3: الأبراج والساحات

المقدمة

على مدى العامين الماضيين، تطور الذكاء الاصطناعي وكأنه تم الضغط على زر التسريع، حيث أن جناح الفراشة الذي أثارته Chatgpt لم يفتح فقط عالماً جديداً من الذكاء الاصطناعي التوليدي، بل أحدث أيضاً تياراً قوياً في Web3 على الضفة الأخرى.

بدعم من مفهوم الذكاء الاصطناعي، يبدو أن التمويل في سوق العملات المشفرة المتباطئ قد شهد انتعاشًا ملحوظًا. وفقًا لإحصاءات وسائل الإعلام، فقد أكمل 64 مشروعًا من مشاريع Web3+AI التمويل في النصف الأول من عام 2024، حيث حقق نظام التشغيل القائم على الذكاء الاصطناعي Zyber365 أعلى مبلغ تمويل في الجولة A وهو 100 مليون دولار.

السوق الثانوية أكثر ازدهارًا، حيث تظهر بيانات موقع تجميع العملات المشفرة أن القيمة السوقية الإجمالية لمجال الذكاء الاصطناعي قد وصلت في غضون أكثر من عام إلى 48.5 مليار دولار، وحجم التداول خلال 24 ساعة اقترب من 8.6 مليار دولار؛ الفوائد الناتجة عن تقدم تقنيات الذكاء الاصطناعي واضحة، فبعد إطلاق نموذج Sora لتحويل النص إلى فيديو من إحدى الشركات، ارتفع متوسط سعر قطاع الذكاء الاصطناعي بنسبة 151٪؛ كما أن تأثير الذكاء الاصطناعي انتشر أيضًا إلى أحد مجالات جذب الأموال في العملات المشفرة وهو الميم: حيث أصبحت العملة الميم الأولى بمفهوم وكيل الذكاء الاصطناعي ------ GOAT مشهورة بسرعة وحققت تقييمًا بلغ 1.4 مليار دولار، مما أثار موجة من حمى ميم الذكاء الاصطناعي.

تجري الأبحاث والمواضيع حول AI+Web3 بشكل ساخن أيضًا، من AI+Depin إلى AI Memecoin وصولاً إلى AI Agent و AI DAO الحالية، فإن مشاعر FOMO لم تعد تلحق بسرعة تبديل السرد الجديد.

AI + Web3 ، هذا التركيب من المصطلحات الذي يملأه المال الساخن ، والفرص ، وأحلام المستقبل ، لا بد أن يُنظر إليه على أنه زواج مُرتب من قبل رأس المال ، ويبدو أننا نواجه صعوبة في التمييز بين ما إذا كان هذا هو ساحة المضاربين تحت هذه العباءة الفاخرة ، أم هو ليلة انفجار الفجر؟

للإجابة على هذا السؤال، فإن أحد التأملات الحيوية لكلا الطرفين هو: هل سيكون الطرف الآخر أفضل؟ هل يمكن الاستفادة من نموذج الطرف الآخر؟ في هذه المقالة، نحاول أيضًا أن نقف على أكتاف السابقين لنفحص هذا النمط: كيف يمكن أن تلعب Web3 دورًا في مختلف مراحل تكنولوجيا الذكاء الاصطناعي، وما الذي يمكن أن يجلبه الذكاء الاصطناعي لـ Web3 من حيوية جديدة؟

الجزء 1 ما هي الفرص التي توفرها Web3 تحت كومة الذكاء الاصطناعي؟

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

! الذكاء الاصطناعي+Web3: الأبراج والمربعات

تعبير عن العملية بألفاظ أكثر بساطة: "النموذج الكبير" يشبه دماغ الإنسان، في المراحل المبكرة، ينتمي هذا الدماغ إلى طفل حديث الولادة يحتاج إلى مراقبة واستيعاب كميات هائلة من المعلومات الخارجية لفهم هذا العالم، وهذه هي مرحلة "جمع" البيانات؛ بما أن الكمبيوتر لا يمتلك حواس الإنسان من بصر وسمع وغيرها، فإنه قبل التدريب، يجب تحويل المعلومات الضخمة غير المعلَمة من الخارج 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 تدريجية للبيبي للعالم الخارجي. تُعتبر معلمات النموذج مثل القدرة اللغوية التي يتم تعديلها باستمرار خلال عملية تعلم البيبي. عندما يبدأ المحتوى التعليمي في التخصص، أو يتم التواصل مع الآخرين للحصول على الملاحظات والتصحيح، يدخل ذلك في مرحلة "الضبط الدقيق" للنموذج الكبير.

عندما يكبر الأطفال ويتعلمون الكلام، يمكنهم فهم المعاني والتعبير عن مشاعرهم وأفكارهم في محادثات جديدة، وهذه المرحلة تشبه "الاستدلال" في نماذج الذكاء الاصطناعي الكبيرة، حيث يمكن للنموذج التنبؤ وتحليل المدخلات الجديدة من اللغة والنصوص. يعبر الأطفال من خلال قدراتهم اللغوية عن مشاعرهم، ويصفون الأشياء، ويحلّون مختلف المشكلات، وهذا أيضًا يشبه استخدام نماذج الذكاء الاصطناعي الكبيرة في مرحلة الاستدلال بعد إكمال التدريب، حيث تُستخدم في أنواع معينة من المهام مثل تصنيف الصور والتعرف على الصوت.

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

حالياً، وبالنظر إلى نقاط الألم المتعلقة بالذكاء الاصطناعي في مختلف الطبقات، فقد شكلت Web3 حالياً نظاماً بيئياً متعدد المستويات ومترابطاً، يشمل جميع مراحل عملية نماذج الذكاء الاصطناعي.

واحد، الطبقة الأساسية: Airbnb للقدرة الحاسوبية والبيانات

قوة الحوسبة

حاليًا، أحد أعلى التكاليف في الذكاء الاصطناعي هو القدرة الحاسوبية والطاقة المطلوبة لتدريب النماذج واستنتاج النماذج.

مثال على ذلك هو أن شركة معينة تحتاج إلى 16000 وحدة من H100GPU (وهي وحدة معالجة رسومات مصممة خصيصًا لأحمال العمل في الذكاء الاصطناعي والحوسبة عالية الأداء) لتدريب LLAMA3 لمدة 30 يومًا. تتراوح تكلفة وحدة H100GPU من الإصدار 80GB بين 30000 إلى 40000 دولار، مما يتطلب استثمارًا في أجهزة الحوسبة (GPU + شرائح الشبكة) يتراوح بين 400 إلى 700 مليون دولار، في حين أن التدريب الشهري يحتاج إلى استهلاك 1.6 مليار كيلوواط ساعة، وتكاليف الطاقة تصل إلى حوالي 20 مليون دولار شهريًا.

بالنسبة لفك ضغط قوة الحوسبة للذكاء الاصطناعي، فإنها تمثل بالفعل أحد المجالات الأولى التي تداخل فيها Web3 مع الذكاء الاصطناعي ------ DePin (شبكة البنية التحتية المادية اللامركزية) حالياً، قد عرض موقع بيانات معين أكثر من 1400 مشروع، بما في ذلك مشاريع تمثيل مشاركة قوة الحوسبة GPU مثل io.net، Aethir، Akash، شبكة Render وغيرها.

المنطق الرئيسي هنا هو: يسمح المنصة للأفراد أو الكيانات التي تمتلك موارد GPU غير المستخدمة بالمساهمة في قدرتها الحاسوبية بطريقة لامركزية دون حاجة إلى إذن، من خلال سوق عبر الإنترنت يشبه منصات خدمات سيارات الأجرة أو تأجير الشقق، مما يزيد من معدل استخدام موارد GPU غير المستغلة بشكل كاف، وبالتالي يحصل المستخدمون النهائيون على موارد حاسوبية فعالة بتكلفة أقل؛ في الوقت نفسه، تضمن آلية الرهن أنه في حالة حدوث انتهاكات لآلية مراقبة الجودة أو انقطاع الشبكة، سيتم فرض عقوبات على مقدمي الموارد.

تتميز بـ:

• تجميع موارد GPU غير المستغلة: يتمثل الموردون أساسًا في مراكز البيانات المستقلة الصغيرة والمتوسطة من الطرف الثالث، ومشغلي تعدين العملات المشفرة، وما إلى ذلك، لموارد القدرة الزائدة على الحساب، وآلية الإجماع هي أجهزة التعدين PoS، مثل شبكة تخزين معينة وماكينة تعدين سلسلة الكتل الرئيسية. حاليًا، هناك مشاريع تهدف إلى بدء تشغيل الأجهزة ذات العوائق الأقل، مثل exolab التي تستخدم أجهزة محلية معينة مثل اللابتوب، والهاتف المحمول، والجهاز اللوحي لإنشاء شبكة قدرة لتشغيل استنتاج النماذج الكبيرة.

• مواجهة سوق الذكاء الصناعي القائم على الحوسبة الطويلة الذيل:

أ. "من الناحية الفنية"، فإن سوق القوة الحاسوبية اللامركزية أكثر ملاءمة لخطوات الاستدلال. التدريب يعتمد بشكل أكبر على القدرة على معالجة البيانات التي توفرها مجموعات GPU العملاقة، في حين أن الاستدلال يتطلب أداءً أقل نسبيًا من GPU، مثل Aethir التي تركز على العمل في التصيير منخفض التأخير وتطبيقات الاستدلال الذكي.

ب. "من حيث جانب الطلب"، لن يقوم صغار مستهلكي القوة الحاسوبية بتدريب نماذجهم الكبيرة بشكل منفرد، بل سيختارون فقط تحسين وتعديل حول عدد قليل من النماذج الكبيرة الرائدة، وهذه السيناريوهات تناسب بشكل طبيعي موارد القوة الحاسوبية الموزعة غير المستخدمة.

• الملكية اللامركزية: المعنى التقني للبلوك تشين هو أن مالكي الموارد يحتفظون دائمًا بسلطتهم على الموارد، ويقومون بتعديلها بمرونة وفقًا للاحتياجات، وفي نفس الوقت يحصلون على العائدات.

البيانات

البيانات هي أساس الذكاء الاصطناعي. بدون بيانات، تكون الحسابات عديمة الفائدة تمامًا مثل الطفو على السطح، والعلاقة بين البيانات والنموذج تشبه المقولة الشهيرة "المدخلات السيئة، المخرجات السيئة". تحدد كمية البيانات وجودتها جودة مخرجات النموذج النهائي. بالنسبة لتدريب النماذج الحالية للذكاء الاصطناعي، تحدد البيانات قدرة النموذج اللغوية، وفهمه، وحتى قيمه وأدائه الإنساني. تركز أزمة احتياجات البيانات للذكاء الاصطناعي حاليًا على أربعة جوانب رئيسية:

• الجوع إلى البيانات: يعتمد تدريب نماذج الذكاء الاصطناعي على كميات كبيرة من إدخال البيانات. تُظهر المعلومات العامة أن إحدى الشركات قد وصلت إلى تريليونات من معلمات تدريب GPT-4.

• جودة البيانات: مع دمج الذكاء الاصطناعي مع الصناعات المختلفة، أصبحت هناك متطلبات جديدة لجودة البيانات من حيث توقيت البيانات، تنوع البيانات، تخصص البيانات العمودية، ومصادر البيانات الناشئة مثل استيعاب مشاعر وسائل التواصل الاجتماعي.

• قضايا الخصوصية والامتثال: بدأت الدول والشركات المختلفة في إدراك أهمية مجموعات البيانات عالية الجودة، وتقوم بتقييد جمع البيانات.

• 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، تتجلى حلول الويب 3 في أربعة جوانب:

1. جمع البيانات: البيانات الحقيقية التي يمكن جمعها مجانًا تتناقص بسرعة، وتزداد نفقات الشركات التي تعمل في مجال الذكاء الاصطناعي سنويًا. ولكن في الوقت نفسه، هذه النفقات لم تعود بالفائدة على المساهمين الحقيقيين في البيانات، حيث تستفيد المنصات بالكامل من القيمة التي تخلقها البيانات، مثل منصة اجتماعية حققت إيرادات إجمالية قدرها 2.03 مليار دولار من خلال توقيع اتفاقية ترخيص بيانات مع شركات الذكاء الاصطناعي.

إن إشراك المستخدمين الذين يساهمون حقًا في خلق قيمة من البيانات، وكذلك الحصول على بيانات أكثر خصوصية وقيمة من المستخدمين بتكلفة منخفضة من خلال الشبكات الموزعة وآليات التحفيز، هو رؤية Web3.

• Grass هي طبقة بيانات وشبكة لامركزية، يمكن للمستخدمين من خلالها تشغيل عقد Grass، والمساهمة بعرض النطاق الترددي غير المستخدم وتدفق البيانات لإلتقاط البيانات الحية من الإنترنت بأكمله، والحصول على مكافآت رمزية؛

• Vana أدخلت مفهوم فريد من نوعه لبرك السيولة البياناتية (DLP)، حيث يمكن للمستخدمين رفع بياناتهم الخاصة (مثل سجلات التسوق، عادات التصفح، أنشطة وسائل التواصل الاجتماعي، إلخ) إلى DLP محددة، واختيار ما إذا كانوا يرغبون في منح إذن لاستخدام هذه البيانات لطرف 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 لـ AI، نظرًا لأن البيانات المجمعة عادة ما تكون صاخبة وتحتوي على أخطاء، يجب تنظيفها وتحويلها إلى صيغة قابلة للاستخدام قبل تدريب النموذج، مما يتضمن مهام متكررة مثل التوحيد والتصفية ومعالجة القيم المفقودة. هذه المرحلة هي واحدة من القلائل التي تتطلب جهداً بشريًا في صناعة AI، وقد نشأت منها صناعة مدربي البيانات، ومع ارتفاع متطلبات جودة البيانات في النماذج، ارتفعت أيضًا عتبة دخول مدربي البيانات، وهذه المهمة مناسبة بشكل طبيعي لآلية التحفيز اللامركزية في Web3.

• حالياً، يقوم Grass و OpenLayer بالنظر في إضافة هذه المرحلة الأساسية من تسمية البيانات.

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

• مشروع وضع علامات البيانات Sapien يجعل مهمة التمييز لعبة، ويسمح للمستخدمين بتخزين النقاط لكسب المزيد من النقاط.

3. خصوصية البيانات والأمان: من المهم 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، فإن مزايا تقنيات الخصوصية في Web3 وسيناريوهات تطبيقها المحتملة تتجلى في جانبين: (1) تدريب البيانات الحساسة؛ (2) التعاون في البيانات: يمكن لمالكي البيانات المتعددين المشاركة معًا في تدريب الذكاء الاصطناعي دون الحاجة إلى مشاركة بياناتهم الأصلية.

تتضمن تقنيات الخصوصية الشائعة في Web3 حاليًا:

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

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

• تقنية إثبات المعرفة الصفرية (zk) ، مثل بروتوكول Reclaim الذي يستخدم تقنية zkTLS ، يولد إثباتات معرفة صفرية لحركة مرور HTTPS ، مما يسمح للمستخدمين باستيراد الأنشطة والسمعة وبيانات الهوية من مواقع الويب الخارجية بأمان دون الحاجة إلى كشف المعلومات الحساسة.

ومع ذلك، لا يزال هذا المجال في مرحلة مبكرة، حيث لا تزال معظم المشاريع قيد الاستكشاف، وتتمثل إحدى المشكلات الحالية في ارتفاع تكاليف الحساب، ومن الأمثلة على ذلك: