AI+Web3: الأبراج والساحات

ليرة تركية ؛ د

1. تعتبر مشاريع Web3 ذات مفاهيم الذكاء الاصطناعي أهدافاً لجذب الاستثمارات في الأسواق الأولية والثانوية.

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

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

4. تظهر فائدة AI + Web3 في تكامل الاثنين: من المتوقع أن تواجه Web3 مركزية AI، ومن المتوقع أن تساعد AI Web3 في اختراق الحواجز.

! الذكاء الاصطناعي+Web3: الأبراج والساحات

مقدمة

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

بفضل مفهوم الذكاء الاصطناعي، كان هناك انتعاش واضح في تمويل سوق التشفير الذي شهد تباطؤًا. وفقًا لإحصائيات وسائل الإعلام، تم تمويل 64 مشروعًا من مشاريع Web3+AI فقط في النصف الأول من عام 2024، حيث حقق نظام التشغيل المعتمد على الذكاء الاصطناعي Zyber365 أعلى مبلغ تمويل قدره 100 مليون دولار في الجولة الأولى.

السوق الثانوية أكثر ازدهارًا، وبيانات مواقع تجميع التشفير تظهر أنه في غضون عام ونصف فقط، وصلت القيمة السوقية الإجمالية لمجال الذكاء الاصطناعي إلى 48.5 مليار دولار، وحجم التداول خلال 24 ساعة قريب من 8.6 مليار دولار؛ الفوائد الناتجة عن التقدم في تقنيات الذكاء الاصطناعي واضحة، بعد إطلاق نموذج تحويل النص إلى فيديو Sora من OpenAI، ارتفع السعر المتوسط لقطاع الذكاء الاصطناعي بنسبة 151٪؛ تأثير الذكاء الاصطناعي يشمل أيضًا أحد قطاعات جذب الأموال في العملات المشفرة Meme: العملة MemeCoin ------ GOAT، التي تمثل مفهوم الوكيل الذكي الأول، حققت شعبية سريعة وحصدت تقييمًا بقيمة 1.4 مليار دولار، مما أثار موجة من حمى الذكاء الاصطناعي.

تعتبر الأبحاث والمواضيع المتعلقة بـ AI+Web3 مشتعلة بنفس القدر، من AI+Depin إلى AI Memecoin وصولاً إلى AI Agent وAI DAO الحالية، حيث لم يعد شعور FOMO يتماشى مع سرعة تبديل السرد الجديد.

AI+Web3، هذا التركيب من المصطلحات المليء بالمال الساخن، ونقاط الانطلاق، وأحلام المستقبل، لا مفر من أن يُنظر إليه على أنه زواج مُرتب تم التوفيق بينه بواسطة رأس المال، يبدو أنه من الصعب علينا التمييز تحت هذا الرداء الفاخر، ما إذا كانت هذه ساحة المضاربين، أم أنها ليلة الانفجار في الفجر؟

للإجابة على هذا السؤال، فإن التفكير الحاسم لكلا الطرفين هو: هل سيكون هناك تحسين مع وجود الطرف الآخر؟ هل يمكن الاستفادة من نمط الطرف الآخر؟ في هذه المقالة، نحاول أيضًا أن ننظر إلى هذه المعادلة من خلال الاستفادة من تجارب الآخرين: كيف يمكن لـ Web3 أن تلعب دورًا في مختلف جوانب تكنولوجيا الذكاء الاصطناعي، وما الجديد الذي يمكن أن يقدمه الذكاء الاصطناعي لـ Web3؟

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

قبل الخوض في هذا الموضوع، نحتاج إلى فهم كومة التكنولوجيا لنموذج الذكاء الاصطناعي الكبير:

استخدم لغة أكثر بساطة لوصف العملية بأكملها: "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؛ نظرًا لأن أجهزة الكمبيوتر لا تمتلك حواس مثل البصر والسمع عند الإنسان، قبل التدريب، يجب تحويل المعلومات الخارجية الضخمة غير المعلَّمة من خلال "المعالجة المسبقة" إلى تنسيق معلومات يمكن أن تفهمه أجهزة الكمبيوتر وتكون قابلة للاستخدام.

بعد إدخال البيانات، يقوم الذكاء الاصطناعي من خلال "التدريب" ببناء نموذج يمتلك القدرة على الفهم والتنبؤ، ويمكن اعتباره كعملية فهم وتعلم تدريجية تشبه تلك التي يمر بها الطفل في فهم العالم الخارجي. تعد معلمات النموذج مثل القدرة اللغوية التي تتكيف باستمرار خلال عملية تعلم الطفل. عندما يبدأ المحتوى التعليمي في التخصص، أو عند التفاعل مع الآخرين للحصول على ردود فعل وتصحيح، فإن ذلك يدخل في مرحلة "التعديل الدقيق" للنموذج الكبير.

عندما يكبر الأطفال تدريجياً ويتعلمون الكلام، يمكنهم فهم المعاني والتعبير عن مشاعرهم وأفكارهم في محادثات جديدة، وهذه المرحلة مشابهة لـ "الاستدلال" في نماذج الذكاء الاصطناعي الكبيرة، حيث يمكن للنموذج التنبؤ وتحليل مدخلات اللغة والنصوص الجديدة. يعبر الأطفال من خلال القدرة اللغوية عن مشاعرهم، ويصفون الأشياء، ويحلون مشكلات متنوعة، وهذا يشبه أيضاً تطبيق نماذج الذكاء الاصطناعي الكبيرة في مرحلة الاستدلال بعد الانتهاء من التدريب واستخدامها في مهام محددة مثل تصنيف الصور والتعرف على الصوت.

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

في الوقت الحالي، وبالنظر إلى نقاط الألم المتعلقة بالذكاء الاصطناعي في مختلف الأنظمة، فقد بدأت Web3 بتشكيل نظام بيئي متعدد المستويات ومترابط يغطي جميع مراحل عملية نماذج الذكاء الاصطناعي.

! الذكاء الاصطناعي+Web3: الأبراج والمربعات

1. الطبقة الأساسية: قوة الحوسبة والبيانات Airbnb

▎قوة الحوسبة

حاليًا، أحد أعلى التكاليف في الذكاء الاصطناعي هو قوة الحوسبة والطاقة المطلوبة لتدريب النماذج واستنتاجها.

مثال على ذلك هو أن LLAMA3 من Meta تحتاج إلى 16000 وحدة معالجة رسومات H100GPU من إنتاج NVIDIA (وهي وحدة معالجة رسومات رائدة مصممة لتحميلات الذكاء الاصطناعي والحوسبة عالية الأداء). تستغرق عملية التدريب 30 يوما. تتراوح تكلفة النسخة 80GB من هذه الوحدات بين 30000 إلى 40000 دولار، مما يتطلب استثمارًا في معدات الحوسبة (وحدات معالجة الرسومات + شرائح الشبكة) يتراوح بين 400 إلى 700 مليون دولار. في نفس الوقت، يتطلب التدريب الشهري استهلاك 1.6 مليار كيلوواط ساعة، بينما تصل نفقات الطاقة الشهرية إلى نحو 20 مليون دولار.

بالنسبة لفك ضغط قدرة الذكاء الاصطناعي، فإنها تمثل أحد المجالات الأولى التي تتقاطع فيها Web3 مع الذكاء الاصطناعي------DePin (شبكة البنية التحتية الفيزيائية اللامركزية). حاليًا، قامت مواقع البيانات بعرض أكثر من 1400 مشروع، ومن بين المشاريع الرائدة في مشاركة قوة GPU نجد io.net وAethir وAkash وRender Network وغيرها.

المنطق الرئيسي وراء ذلك هو: يسمح النظام للأفراد أو الكيانات الذين يمتلكون موارد GPU غير المستغلة بتقديم قدرتهم الحاسوبية بطريقة لامركزية دون حاجة إلى إذن، من خلال سوق عبر الإنترنت مشابه لـ Uber أو Airbnb بين المشترين والبائعين، مما يزيد من استخدام موارد GPU التي لم يتم استغلالها بالكامل، وبالتالي يحصل المستخدم النهائي على موارد حاسوبية فعالة بتكلفة أقل؛ في الوقت نفسه، تضمن آلية الرهن أنه إذا حدث انتهاك لآلية مراقبة الجودة أو انقطاع في الشبكة، فإن مقدمي الموارد سيواجهون عقوبات مناسبة.

تتميز بما يلي:

• تجميع موارد GPU غير المستخدمة: يتمثل الموردون الرئيسيون في مراكز البيانات المستقلة الصغيرة والمتوسطة من الطرف الثالث، ومشغلي مزارع تعدين العملات المشفرة من الموارد الزائدة من قوة الحوسبة، وآلية الإجماع هي الأجهزة المستخدمة في التعدين التي تعتمد على PoS، مثل آلات تعدين FileCoin و ETH. هناك أيضًا مشاريع تهدف إلى إطلاق معدات ذات عوائق دخول أقل، مثل exolab التي تستخدم MacBook و iPhone و iPad لإنشاء شبكة قوة حوسبة لتشغيل نماذج الاستدلال الكبيرة.

• مواجهة سوق الذكاء الاصطناعي القائم على القوة الحسابية الطويلة:

أ. من ناحية تقنية، فإن سوق القوة الحاسوبية اللامركزية أكثر ملاءمة لخطوات الاستدلال. يعتمد التدريب بشكل أكبر على قدرة معالجة البيانات التي توفرها مجموعات GPU الكبيرة جدًا، بينما تكون متطلبات الأداء الحاسوبي لـ GPU للاستدلال منخفضة نسبيًا، مثل Aethir التي تركز على أعمال العرض ذات الكمون المنخفض وتطبيقات استدلال الذكاء الاصطناعي.

ب. من منظور جانب الطلب، لن يقوم مستخدمو الحوسبة المتوسطة بتدريب نماذجهم الكبيرة بشكل منفصل، بل سيختارون فقط تحسين وتعديل عدد قليل من النماذج الكبيرة الرائدة، وهذه السيناريوهات مناسبة بطبيعتها لموارد الحوسبة الموزعة غير المستخدمة.

• الملكية اللامركزية: المعنى التكنولوجي للبلوكشين هو أن مالكي الموارد يحتفظون دائمًا بالتحكم في مواردهم، ويقومون بتعديلها بمرونة وفقًا للاحتياجات، وفي الوقت نفسه يحصلون على أرباح.

▎البيانات

البيانات هي أساس الذكاء الاصطناعي. إذا لم يكن هناك بيانات، فإن الحساب يكون بلا فائدة مثل عشب يتطفل بلا جذور، والعلاقة بين البيانات والنموذج تشبه المثل الشائع "القمامة تدخل، القمامة تخرج". إن كمية البيانات وجودة المدخلات تحدد جودة المخرجات النهائية للنموذج. بالنسبة لتدريب نماذج الذكاء الاصطناعي الحالية، تحدد البيانات القدرة اللغوية للنموذج، وقدرته على الفهم، وحتى القيم والرؤية الإنسانية. حاليًا، تركز معضلة احتياجات بيانات الذكاء الاصطناعي على أربعة جوانب رئيسية:

• جوع البيانات: يعتمد تدريب نماذج الذكاء الاصطناعي على كميات هائلة من البيانات المدخلة. تظهر الوثائق العامة أن عدد المعلمات المستخدمة في تدريب OpenAI لـ GPT-4 قد بلغ مستوى التريليون.

• جودة البيانات: مع دمج الذكاء الاصطناعي في مختلف الصناعات، أصبحت ملاءمة البيانات، تنوع البيانات، احترافية البيانات القطاعية، ودمج مصادر البيانات الناشئة مثل مشاعر وسائل التواصل الاجتماعي تتطلب معايير جديدة للجودة.

• قضايا الخصوصية والامتثال: تلاحظ الدول والشركات تدريجياً أهمية مجموعات البيانات عالية الجودة، وتقوم بفرض قيود على جمع البيانات.

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

حالياً، تتجلى حلول الويب 3 في الجوانب الأربعة التالية:

1. جمع البيانات: البيانات المجانية التي يمكن جمعها من العالم الحقيقي تتناقص بسرعة، وتزداد نفقات شركات الذكاء الاصطناعي المدفوعة للبيانات عامًا بعد عام. ومع ذلك، فإن هذه النفقات لم تعود بالفائدة على المساهمين الحقيقيين في البيانات، حيث تستفيد المنصات بالكامل من القيمة المضافة التي توفرها البيانات، مثلما حققت Reddit إيرادات إجمالية قدرها 203 مليون دولار من خلال اتفاقيات ترخيص البيانات مع شركات الذكاء الاصطناعي.

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

• مثل Grass هي طبقة بيانات وشبكة غير مركزية، يمكن للمستخدمين من خلال تشغيل عقد Grass، المساهمة في عرض النطاق الترددي غير المستخدم وتدفق البيانات لإلتقاط البيانات في الوقت الفعلي من جميع أنحاء الإنترنت، والحصول على مكافآت توكن.

• Vana قدمت مفهوم فريد من نوعه لحوض سيولة البيانات (DLP)، حيث يمكن للمستخدمين رفع بياناتهم الخاصة (مثل سجلات الشراء، عادات التصفح، أنشطة وسائل التواصل الاجتماعي، إلخ) إلى DLP محدد، واختيار ما إذا كانوا يرغبون في منح إذن لاستخدام هذه البيانات لأطراف ثالثة معينة؛

• في منصة AI معينة، يمكن للمستخدمين استخدام #AI 或#Web3 كعلامة تصنيف على منصة التواصل الاجتماعي و@هذه المنصة لجمع البيانات.

2. معالجة البيانات: خلال عملية معالجة البيانات في الذكاء الاصطناعي، يجب تنظيف البيانات التي تم جمعها وتحويلها إلى صيغة قابلة للاستخدام قبل تدريب النموذج، حيث أن البيانات عادة ما تكون صاخبة وتحتوي على أخطاء، ويتضمن ذلك مهام التوحيد والترشيح ومعالجة القيم المفقودة. هذه المرحلة هي واحدة من القليل من المراحل اليدوية في صناعة الذكاء الاصطناعي، وقد نشأت منها صناعة مُعَلِّمي البيانات، ومع تزايد متطلبات جودة البيانات من النموذج، يرتفع أيضًا الحد الأدنى لمؤهلات مُعَلِّمي البيانات، وهذه المهمة مناسبة بشكل طبيعي لآلية التحفيز اللامركزية في Web3.

• حالياً، كل من Grass و OpenLayer يفكران في إضافة خطوة الوسم البياني هذه.

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

• مشروع تصنيف البيانات Sapien يقوم بتGamification مهام التعيين، 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 أمان البيانات المعلومات من الوصول غير المصرح به، أو التدمير، أو السرقة. ومن هنا، تظهر مزايا تقنيات الخصوصية في Web3 والسيناريوهات المحتملة للتطبيق 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.

تشمل تقنيات الخصوصية الشائعة في Web3 الحالية ما يلي:

• بيئة التنفيذ الموثوق بها (TEE)، مثل بروتوكول سوبر؛

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

• تقنية المعرفة الصفرية (zk)، مثل بروتوكول Reclaim الذي يستخدم تقنية zkTLS، تولد إثباتات المعرفة الصفرية لحركة مرور HTTPS، مما يسمح للمستخدمين باستيراد الأنشطة والسمعة وبيانات الهوية بأمان من مواقع خارجية دون الكشف عن معلومات حساسة.

لكن، لا يزال هذا المجال في مرحلة مبكرة، حيث لا يزال معظم المشاريع في مرحلة الاستكشاف، وأحد التحديات الحالية هو ارتفاع تكاليف الحوسبة، ومن بعض الأمثلة على ذلك:

• إطار zkML E