دمج Web3 و AI: بناء بنية الإنترنت التحتية للجيل التالي
تعتبر Web3 نموذجًا جديدًا للإنترنت غير مركزي ومفتوح وشفاف، ولها فرص اندماج طبيعية مع الذكاء الاصطناعي. تحت الهيكل التقليدي المركزي، يتم التحكم بشكل صارم في موارد حسابات الذكاء الاصطناعي والبيانات، مما يواجه العديد من التحديات مثل اختناقات القدرة الحاسوبية، تسرب الخصوصية، وصندوق الأسود للخيارات. بينما Web3 مستندة إلى التكنولوجيا الموزعة، يمكن من خلال شبكة مشاركة القوة الحاسوبية، سوق البيانات المفتوحة، وحساب الخصوصية، ضخ طاقة جديدة في تطوير الذكاء الاصطناعي. في الوقت نفسه، يمكن أن يوفر الذكاء الاصطناعي أيضًا تمكينًا متعدد الجوانب لـ Web3، مثل تحسين العقود الذكية، وخوارزميات مكافحة الغش، مما يساعد في بناء بيئته. لذلك، فإن استكشاف دمج Web3 والذكاء الاصطناعي له أهمية كبيرة في إنشاء بنية تحتية للإنترنت من الجيل التالي، وإطلاق قيمة البيانات والقدرة الحاسوبية.
مدفوع بالبيانات: حجر الزاوية للذكاء الاصطناعي وWeb3
البيانات هي القوة الدافعة الرئيسية وراء تطوير الذكاء الاصطناعي. تحتاج نماذج الذكاء الاصطناعي إلى معالجة كميات هائلة من البيانات عالية الجودة للحصول على فهم عميق وقدرة قوية على الاستدلال. لا توفر البيانات فقط الأساس للتدريب على نماذج التعلم الآلي، بل تحدد أيضًا دقة وموثوقية النموذج.
توجد المشاكل الرئيسية التالية في نماذج الحصول على البيانات واستخدامها في الذكاء الاصطناعي المركزي التقليدي:
تكلفة الحصول على البيانات مرتفعة، وصعب على الشركات الصغيرة والمتوسطة تحملها
يتم احتكار موارد البيانات من قبل عمالقة التكنولوجيا، مما يشكل جزر بيانات
تواجه خصوصية البيانات الشخصية مخاطر التسرب والإساءة
يمكن لـ Web3 معالجة هذه النقاط المؤلمة من خلال نموذج بيانات لامركزي جديد:
يمكن للمستخدمين بيع الشبكة غير المستخدمة لشركات الذكاء الاصطناعي، لجمع بيانات الشبكة بشكل لامركزي، بعد تنظيفها وتحويلها لتوفير بيانات حقيقية وعالية الجودة لتدريب نماذج الذكاء الاصطناعي.
اعتماد نموذج "label to earn"، من خلال حوافز التوكن لتمكين العاملين في جميع أنحاء العالم من المشاركة في تصنيف البيانات، وجمع المعرفة المهنية العالمية، وتعزيز قدرات تحليل البيانات.
منصة تداول بيانات blockchain توفر بيئة تداول شفافة وعلنية للطرفين المعنيين بتوريد البيانات، مما يحفز الابتكار ومشاركة البيانات.
ومع ذلك، لا تزال هناك بعض المشكلات في جمع البيانات من العالم الحقيقي، مثل اختلاف جودة البيانات، وصعوبة المعالجة، ونقص التنوع والتمثيل. قد تكون البيانات التركيبية نجم المستقبل في مجال بيانات Web3. بناءً على تقنية الذكاء الاصطناعي التوليدي والمحاكاة، يمكن للبيانات التركيبية محاكاة خصائص البيانات الحقيقية، كإضافة فعالة، وزيادة كفاءة استخدام البيانات. في مجالات مثل القيادة الذاتية، وتداول الأسواق المالية، وتطوير الألعاب، أظهرت البيانات التركيبية إمكانات تطبيق ناضجة.
حماية الخصوصية: تطبيق FHE في Web3
في عصر البيانات المدفوعة، أصبحت حماية الخصوصية محور اهتمام عالمي، حيث تعكس لوائح مثل اللائحة العامة لحماية البيانات الخاصة بالاتحاد الأوروبي الحماية الصارمة للخصوصية الشخصية. ومع ذلك، فقد جلب ذلك أيضًا تحديات: فبعض البيانات الحساسة لا يمكن الاستفادة منها بشكل كامل بسبب مخاطر الخصوصية، مما يحد من إمكانيات نموذج الذكاء الاصطناعي وقدرته على الاستدلال.
FHE( التشفير المتجانس الكامل ) يسمح بإجراء عمليات حسابية مباشرة على البيانات المشفرة دون الحاجة إلى فك تشفير البيانات ، وتكون نتائج الحساب متطابقة مع نتائج الحساب التي تمت على البيانات النصية.
يوفر FHE حماية قوية لحساب الخصوصية في الذكاء الاصطناعي، مما يسمح لوحدة معالجة الرسوميات (GPU) بتنفيذ مهام تدريب النموذج والاستدلال في بيئة لا تمس البيانات الأصلية. وهذا يجلب ميزة كبيرة لشركات الذكاء الاصطناعي، حيث يمكنها فتح خدمات API بأمان مع حماية الأسرار التجارية.
يدعم FHEML معالجة البيانات والنماذج بشكل مشفر طوال دورة التعلم الآلي، مما يضمن أمان المعلومات الحساسة ويمنع مخاطر تسرب البيانات. من خلال هذه الطريقة، يعزز FHEML خصوصية البيانات، ويقدم إطار حساب آمن لتطبيقات الذكاء الاصطناعي.
FHEML هو تكملة لـ ZKML، حيث يثبت ZKML التنفيذ الصحيح للتعلم الآلي، بينما يركز FHEML على إجراء العمليات الحسابية على البيانات المشفرة للحفاظ على خصوصية البيانات.
ثورة القوة الحسابية: الحسابات الذكية في الشبكات اللامركزية
تتضاعف تعقيدات حساب أنظمة الذكاء الاصطناعي الحالية كل 3 أشهر، مما يؤدي إلى زيادة هائلة في طلبات القدرة الحاسوبية، تتجاوز بكثير إمدادات الموارد الحاسوبية الحالية. على سبيل المثال، يتطلب تدريب نموذج GPT-3 قدرة حاسوبية هائلة، تعادل 355 عامًا من وقت التدريب على جهاز واحد. مثل هذا النقص في القدرة الحاسوبية لا يقتصر فقط على تقييد تقدم تكنولوجيا الذكاء الاصطناعي، بل يجعل أيضًا النماذج المتقدمة من الذكاء الاصطناعي بعيدة المنال بالنسبة لمعظم الباحثين والمطورين.
في الوقت نفسه، لا تتجاوز نسبة استخدام وحدات معالجة الرسوميات العالمية 40٪، بالإضافة إلى تباطؤ تحسين أداء المعالجات الدقيقة، ونقص الرقائق الناجم عن عوامل سلسلة التوريد والجغرافيا السياسية، مما يجعل مشكلة إمداد قوة الحوسبة أكثر حدة. يجد العاملون في مجال الذكاء الاصطناعي أنفسهم في مأزق: إما شراء الأجهزة بأنفسهم، أو استئجار الموارد السحابية، وهم بحاجة ماسة إلى طريقة خدمة حوسبة على الطلب وفعالة من حيث التكلفة.
تقوم شبكة حوسبة الذكاء الاصطناعي اللامركزية بتجميع موارد GPU غير المستخدمة على مستوى العالم، لتوفير سوق حوسبة اقتصادي وسهل الاستخدام لشركات الذكاء الاصطناعي. يمكن لمستخدمي الحوسبة نشر مهام حسابية على الشبكة، حيث تتولى العقود الذكية توزيع المهام على عُقد المُعدنين التي تساهم في الحوسبة، يقوم المُعدنون بتنفيذ المهام وتقديم النتائج، وبعد التحقق منها يحصلون على مكافآت نقاطية. تحسن هذه الحلول من كفاءة استخدام الموارد، وتساعد في معالجة مشاكل اختناق الحوسبة في مجالات مثل الذكاء الاصطناعي.
بالإضافة إلى الشبكات اللامركزية العامة للقوة الحاسوبية، هناك منصات مخصصة للقوة الحاسوبية تركز على تدريب الذكاء الاصطناعي واستنتاجه. توفر الشبكات اللامركزية للقوة الحاسوبية سوقاً عادلاً وشفافاً للقوة الحاسوبية، مما يكسر الاحتكار، ويقلل من عوائق الدخول، ويزيد من كفاءة استخدام القوة الحاسوبية. في نظام Web3 البيئي، ستلعب الشبكات اللامركزية للقوة الحاسوبية دوراً حاسماً في جذب المزيد من التطبيقات المبتكرة للانضمام، ودفع تطوير وتطبيق تقنيات الذكاء الاصطناعي معاً.
DePIN: تمكين Web3 للذكاء الاصطناعي الطرفي
تخيل أن هاتفك المحمول وساعتك الذكية وحتى الأجهزة الذكية في منزلك لديها القدرة على تشغيل الذكاء الاصطناعي - هذه هي جاذبية Edge AI. إنه يجعل الحساب يحدث في المصدر الذي يتم فيه إنتاج البيانات، مما يحقق زمن انتقال منخفض ومعالجة في الوقت الحقيقي، مع حماية خصوصية المستخدم. تم تطبيق تقنية Edge AI في مجالات حيوية مثل القيادة الذاتية.
في مجال Web3، لدينا اسم أكثر ألفة - DePIN. يؤكد Web3 على اللامركزية وحقوق بيانات المستخدم، حيث يمكن لـ DePIN تعزيز حماية خصوصية المستخدم وتقليل مخاطر تسرب البيانات من خلال معالجة البيانات محليًا؛ يمكن لآلية الاقتصاد الرمزي الأصلية لـ Web3 تحفيز عقد DePIN على توفير موارد الحوسبة، مما يبني نظامًا بيئيًا مستدامًا.
تتطور DePIN حاليًا بسرعة في نظام بيئي معين لسلسلة الكتل العامة، مما يجعلها واحدة من المنصات المفضلة لنشر المشاريع. تقدم TPS العالية، ورسوم المعاملات المنخفضة، والابتكار التكنولوجي في هذه السلسلة العامة دعمًا قويًا لمشاريع DePIN. حاليًا، تجاوزت القيمة السوقية لمشاريع DePIN على هذه السلسلة العامة 10 مليارات دولار، وقد حققت العديد من المشاريع المعروفة تقدمًا ملحوظًا.
IMO: نموذج AI الجديد
تم تقديم مفهوم IMO من قبل بروتوكول معين، والذي يقوم بتوكنينغ نماذج الذكاء الاصطناعي.
في النماذج التقليدية، وبسبب نقص آلية مشاركة العوائد، يواجه مطورو نماذج الذكاء الاصطناعي صعوبة في الحصول على عوائد مستمرة من استخدام النماذج لاحقًا، خاصة عندما يتم دمج النماذج في منتجات وخدمات أخرى، مما يجعل من الصعب على المبدعين الأصليين تتبع الاستخدام والحصول على العوائد. بالإضافة إلى ذلك، غالبًا ما تفتقر أداء وفعالية نماذج الذكاء الاصطناعي إلى الشفافية، مما يجعل من الصعب على المستثمرين المحتملين والمستخدمين تقييم قيمتها الحقيقية، مما يحد من الاعتراف السوقي للنماذج وإمكاناتها التجارية.
يوفر IMO طريقة جديدة لدعم التمويل ومشاركة القيمة لنماذج الذكاء الاصطناعي مفتوحة المصدر، حيث يمكن للمستثمرين شراء رموز IMO ومشاركة العائدات الناتجة عن النموذج في المستقبل. تستخدم بروتوكول معين معيار ERC محدد، بالاشتراك مع تقنية الذكاء الاصطناعي وOPML لضمان مصداقية نموذج الذكاء الاصطناعي وتمكين حاملي الرموز من مشاركة العوائد.
تعزز نماذج IMO الشفافية والثقة، وتشجع التعاون المفتوح، وتتكيف مع اتجاهات سوق التشفير، وتضخ الطاقة في التنمية المستدامة لتقنيات الذكاء الاصطناعي. حاليا، تعتبر IMO في مرحلة التجريب الأولية، ولكن مع زيادة قبول السوق وتوسيع نطاق المشاركة، فإن ابتكاراتها وقيمتها المحتملة تستحق التوقع.
وكيل الذكاء الاصطناعي: عصر جديد من التجربة التفاعلية
يمكن لوكيل الذكاء الاصطناعي إدراك البيئة والتفكير بشكل مستقل واتخاذ الإجراءات المناسبة لتحقيق الأهداف المحددة. بدعم من نماذج اللغة الكبيرة، يمكن لوكيل الذكاء الاصطناعي ليس فقط فهم اللغة الطبيعية، بل أيضًا تخطيط القرارات وتنفيذ المهام المعقدة. يمكن أن تعمل كassistants افتراضيين، تتعلم من تفاعلها مع المستخدمين وتقدم حلولًا مخصصة. حتى في غياب التعليمات الواضحة، يمكن لوكيل الذكاء الاصطناعي حل المشكلات بشكل مستقل، وزيادة الكفاءة، وخلق قيمة جديدة.
توفر منصة تطبيقات AI الأصلية مجموعة أدوات إبداعية شاملة وسهلة الاستخدام، تدعم المستخدمين في تكوين ميزات الروبوت، والمظهر، والصوت، بالإضافة إلى ربط قواعد المعرفة الخارجية، وتهدف إلى إنشاء نظام بيئي مفتوح وعادل لمحتوى AI، باستخدام تقنيات AI التوليدية، وتمكين الأفراد ليصبحوا مبدعين خارقين. قامت هذه المنصة بتدريب نموذج لغة كبير مخصص، مما يجعل الأدوار التمثيلية أكثر إنسانية؛ تقنية استنساخ الصوت يمكن أن تسرع التفاعل الشخصي لمنتجات AI، وتخفض تكلفة تركيب الصوت بنسبة 99%، ويمكن تحقيق استنساخ الصوت في دقيقة واحدة فقط. باستخدام AI Agent المخصص من هذه المنصة، يمكن تطبيقه حالياً في مجالات متعددة مثل الدردشة بالفيديو، تعلم اللغات، وتوليد الصور.
في الوقت الحالي، يتركز دمج Web3 مع الذكاء الاصطناعي بشكل أكبر على استكشاف طبقة البنية التحتية، بما في ذلك كيفية الحصول على بيانات عالية الجودة، وحماية خصوصية البيانات، وكيفية استضافة النماذج على السلسلة، وكيفية تحسين الاستخدام الفعال للقوة الحاسوبية اللامركزية، وكيفية التحقق من النماذج اللغوية الكبيرة وغيرها من القضايا الرئيسية. مع التحسين التدريجي لهذه البنية التحتية، من المتوقع أن يولد دمج Web3 مع الذكاء الاصطناعي سلسلة من النماذج التجارية 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 11
أعجبني
11
5
مشاركة
تعليق
0/400
RugpullTherapist
· منذ 23 س
ثور啊ثور啊 السوق الصاعدة القادمة تعتمد على web3+AI
شاهد النسخة الأصليةرد0
GasFeeNightmare
· 07-31 14:14
لا أفضل أن يتم تخفيض رسوم الغاز أولاً
شاهد النسخة الأصليةرد0
EthMaximalist
· 07-31 14:05
ستأتي ثورة البنية التحتية الآن~
شاهد النسخة الأصليةرد0
BuyHighSellLow
· 07-31 14:01
أنا لا أفهم أي شيء ، لكني أشعر بالروعة
شاهد النسخة الأصليةرد0
RektButStillHere
· 07-31 13:48
كل يوم يتحدثون عن دمج web3 مع ai، ومنذ عدة سنوات لم أرى أي رؤى قيمة.
الاندماج بين Web3 و AI: بناء بنية الإنترنت التحتية للجيل القادم
دمج Web3 و AI: بناء بنية الإنترنت التحتية للجيل التالي
تعتبر Web3 نموذجًا جديدًا للإنترنت غير مركزي ومفتوح وشفاف، ولها فرص اندماج طبيعية مع الذكاء الاصطناعي. تحت الهيكل التقليدي المركزي، يتم التحكم بشكل صارم في موارد حسابات الذكاء الاصطناعي والبيانات، مما يواجه العديد من التحديات مثل اختناقات القدرة الحاسوبية، تسرب الخصوصية، وصندوق الأسود للخيارات. بينما Web3 مستندة إلى التكنولوجيا الموزعة، يمكن من خلال شبكة مشاركة القوة الحاسوبية، سوق البيانات المفتوحة، وحساب الخصوصية، ضخ طاقة جديدة في تطوير الذكاء الاصطناعي. في الوقت نفسه، يمكن أن يوفر الذكاء الاصطناعي أيضًا تمكينًا متعدد الجوانب لـ Web3، مثل تحسين العقود الذكية، وخوارزميات مكافحة الغش، مما يساعد في بناء بيئته. لذلك، فإن استكشاف دمج Web3 والذكاء الاصطناعي له أهمية كبيرة في إنشاء بنية تحتية للإنترنت من الجيل التالي، وإطلاق قيمة البيانات والقدرة الحاسوبية.
مدفوع بالبيانات: حجر الزاوية للذكاء الاصطناعي وWeb3
البيانات هي القوة الدافعة الرئيسية وراء تطوير الذكاء الاصطناعي. تحتاج نماذج الذكاء الاصطناعي إلى معالجة كميات هائلة من البيانات عالية الجودة للحصول على فهم عميق وقدرة قوية على الاستدلال. لا توفر البيانات فقط الأساس للتدريب على نماذج التعلم الآلي، بل تحدد أيضًا دقة وموثوقية النموذج.
توجد المشاكل الرئيسية التالية في نماذج الحصول على البيانات واستخدامها في الذكاء الاصطناعي المركزي التقليدي:
يمكن لـ Web3 معالجة هذه النقاط المؤلمة من خلال نموذج بيانات لامركزي جديد:
ومع ذلك، لا تزال هناك بعض المشكلات في جمع البيانات من العالم الحقيقي، مثل اختلاف جودة البيانات، وصعوبة المعالجة، ونقص التنوع والتمثيل. قد تكون البيانات التركيبية نجم المستقبل في مجال بيانات Web3. بناءً على تقنية الذكاء الاصطناعي التوليدي والمحاكاة، يمكن للبيانات التركيبية محاكاة خصائص البيانات الحقيقية، كإضافة فعالة، وزيادة كفاءة استخدام البيانات. في مجالات مثل القيادة الذاتية، وتداول الأسواق المالية، وتطوير الألعاب، أظهرت البيانات التركيبية إمكانات تطبيق ناضجة.
حماية الخصوصية: تطبيق FHE في Web3
في عصر البيانات المدفوعة، أصبحت حماية الخصوصية محور اهتمام عالمي، حيث تعكس لوائح مثل اللائحة العامة لحماية البيانات الخاصة بالاتحاد الأوروبي الحماية الصارمة للخصوصية الشخصية. ومع ذلك، فقد جلب ذلك أيضًا تحديات: فبعض البيانات الحساسة لا يمكن الاستفادة منها بشكل كامل بسبب مخاطر الخصوصية، مما يحد من إمكانيات نموذج الذكاء الاصطناعي وقدرته على الاستدلال.
FHE( التشفير المتجانس الكامل ) يسمح بإجراء عمليات حسابية مباشرة على البيانات المشفرة دون الحاجة إلى فك تشفير البيانات ، وتكون نتائج الحساب متطابقة مع نتائج الحساب التي تمت على البيانات النصية.
يوفر FHE حماية قوية لحساب الخصوصية في الذكاء الاصطناعي، مما يسمح لوحدة معالجة الرسوميات (GPU) بتنفيذ مهام تدريب النموذج والاستدلال في بيئة لا تمس البيانات الأصلية. وهذا يجلب ميزة كبيرة لشركات الذكاء الاصطناعي، حيث يمكنها فتح خدمات API بأمان مع حماية الأسرار التجارية.
يدعم FHEML معالجة البيانات والنماذج بشكل مشفر طوال دورة التعلم الآلي، مما يضمن أمان المعلومات الحساسة ويمنع مخاطر تسرب البيانات. من خلال هذه الطريقة، يعزز FHEML خصوصية البيانات، ويقدم إطار حساب آمن لتطبيقات الذكاء الاصطناعي.
FHEML هو تكملة لـ ZKML، حيث يثبت ZKML التنفيذ الصحيح للتعلم الآلي، بينما يركز FHEML على إجراء العمليات الحسابية على البيانات المشفرة للحفاظ على خصوصية البيانات.
ثورة القوة الحسابية: الحسابات الذكية في الشبكات اللامركزية
تتضاعف تعقيدات حساب أنظمة الذكاء الاصطناعي الحالية كل 3 أشهر، مما يؤدي إلى زيادة هائلة في طلبات القدرة الحاسوبية، تتجاوز بكثير إمدادات الموارد الحاسوبية الحالية. على سبيل المثال، يتطلب تدريب نموذج GPT-3 قدرة حاسوبية هائلة، تعادل 355 عامًا من وقت التدريب على جهاز واحد. مثل هذا النقص في القدرة الحاسوبية لا يقتصر فقط على تقييد تقدم تكنولوجيا الذكاء الاصطناعي، بل يجعل أيضًا النماذج المتقدمة من الذكاء الاصطناعي بعيدة المنال بالنسبة لمعظم الباحثين والمطورين.
في الوقت نفسه، لا تتجاوز نسبة استخدام وحدات معالجة الرسوميات العالمية 40٪، بالإضافة إلى تباطؤ تحسين أداء المعالجات الدقيقة، ونقص الرقائق الناجم عن عوامل سلسلة التوريد والجغرافيا السياسية، مما يجعل مشكلة إمداد قوة الحوسبة أكثر حدة. يجد العاملون في مجال الذكاء الاصطناعي أنفسهم في مأزق: إما شراء الأجهزة بأنفسهم، أو استئجار الموارد السحابية، وهم بحاجة ماسة إلى طريقة خدمة حوسبة على الطلب وفعالة من حيث التكلفة.
تقوم شبكة حوسبة الذكاء الاصطناعي اللامركزية بتجميع موارد GPU غير المستخدمة على مستوى العالم، لتوفير سوق حوسبة اقتصادي وسهل الاستخدام لشركات الذكاء الاصطناعي. يمكن لمستخدمي الحوسبة نشر مهام حسابية على الشبكة، حيث تتولى العقود الذكية توزيع المهام على عُقد المُعدنين التي تساهم في الحوسبة، يقوم المُعدنون بتنفيذ المهام وتقديم النتائج، وبعد التحقق منها يحصلون على مكافآت نقاطية. تحسن هذه الحلول من كفاءة استخدام الموارد، وتساعد في معالجة مشاكل اختناق الحوسبة في مجالات مثل الذكاء الاصطناعي.
بالإضافة إلى الشبكات اللامركزية العامة للقوة الحاسوبية، هناك منصات مخصصة للقوة الحاسوبية تركز على تدريب الذكاء الاصطناعي واستنتاجه. توفر الشبكات اللامركزية للقوة الحاسوبية سوقاً عادلاً وشفافاً للقوة الحاسوبية، مما يكسر الاحتكار، ويقلل من عوائق الدخول، ويزيد من كفاءة استخدام القوة الحاسوبية. في نظام Web3 البيئي، ستلعب الشبكات اللامركزية للقوة الحاسوبية دوراً حاسماً في جذب المزيد من التطبيقات المبتكرة للانضمام، ودفع تطوير وتطبيق تقنيات الذكاء الاصطناعي معاً.
DePIN: تمكين Web3 للذكاء الاصطناعي الطرفي
تخيل أن هاتفك المحمول وساعتك الذكية وحتى الأجهزة الذكية في منزلك لديها القدرة على تشغيل الذكاء الاصطناعي - هذه هي جاذبية Edge AI. إنه يجعل الحساب يحدث في المصدر الذي يتم فيه إنتاج البيانات، مما يحقق زمن انتقال منخفض ومعالجة في الوقت الحقيقي، مع حماية خصوصية المستخدم. تم تطبيق تقنية Edge AI في مجالات حيوية مثل القيادة الذاتية.
في مجال Web3، لدينا اسم أكثر ألفة - DePIN. يؤكد Web3 على اللامركزية وحقوق بيانات المستخدم، حيث يمكن لـ DePIN تعزيز حماية خصوصية المستخدم وتقليل مخاطر تسرب البيانات من خلال معالجة البيانات محليًا؛ يمكن لآلية الاقتصاد الرمزي الأصلية لـ Web3 تحفيز عقد DePIN على توفير موارد الحوسبة، مما يبني نظامًا بيئيًا مستدامًا.
تتطور DePIN حاليًا بسرعة في نظام بيئي معين لسلسلة الكتل العامة، مما يجعلها واحدة من المنصات المفضلة لنشر المشاريع. تقدم TPS العالية، ورسوم المعاملات المنخفضة، والابتكار التكنولوجي في هذه السلسلة العامة دعمًا قويًا لمشاريع DePIN. حاليًا، تجاوزت القيمة السوقية لمشاريع DePIN على هذه السلسلة العامة 10 مليارات دولار، وقد حققت العديد من المشاريع المعروفة تقدمًا ملحوظًا.
IMO: نموذج AI الجديد
تم تقديم مفهوم IMO من قبل بروتوكول معين، والذي يقوم بتوكنينغ نماذج الذكاء الاصطناعي.
في النماذج التقليدية، وبسبب نقص آلية مشاركة العوائد، يواجه مطورو نماذج الذكاء الاصطناعي صعوبة في الحصول على عوائد مستمرة من استخدام النماذج لاحقًا، خاصة عندما يتم دمج النماذج في منتجات وخدمات أخرى، مما يجعل من الصعب على المبدعين الأصليين تتبع الاستخدام والحصول على العوائد. بالإضافة إلى ذلك، غالبًا ما تفتقر أداء وفعالية نماذج الذكاء الاصطناعي إلى الشفافية، مما يجعل من الصعب على المستثمرين المحتملين والمستخدمين تقييم قيمتها الحقيقية، مما يحد من الاعتراف السوقي للنماذج وإمكاناتها التجارية.
يوفر IMO طريقة جديدة لدعم التمويل ومشاركة القيمة لنماذج الذكاء الاصطناعي مفتوحة المصدر، حيث يمكن للمستثمرين شراء رموز IMO ومشاركة العائدات الناتجة عن النموذج في المستقبل. تستخدم بروتوكول معين معيار ERC محدد، بالاشتراك مع تقنية الذكاء الاصطناعي وOPML لضمان مصداقية نموذج الذكاء الاصطناعي وتمكين حاملي الرموز من مشاركة العوائد.
تعزز نماذج IMO الشفافية والثقة، وتشجع التعاون المفتوح، وتتكيف مع اتجاهات سوق التشفير، وتضخ الطاقة في التنمية المستدامة لتقنيات الذكاء الاصطناعي. حاليا، تعتبر IMO في مرحلة التجريب الأولية، ولكن مع زيادة قبول السوق وتوسيع نطاق المشاركة، فإن ابتكاراتها وقيمتها المحتملة تستحق التوقع.
وكيل الذكاء الاصطناعي: عصر جديد من التجربة التفاعلية
يمكن لوكيل الذكاء الاصطناعي إدراك البيئة والتفكير بشكل مستقل واتخاذ الإجراءات المناسبة لتحقيق الأهداف المحددة. بدعم من نماذج اللغة الكبيرة، يمكن لوكيل الذكاء الاصطناعي ليس فقط فهم اللغة الطبيعية، بل أيضًا تخطيط القرارات وتنفيذ المهام المعقدة. يمكن أن تعمل كassistants افتراضيين، تتعلم من تفاعلها مع المستخدمين وتقدم حلولًا مخصصة. حتى في غياب التعليمات الواضحة، يمكن لوكيل الذكاء الاصطناعي حل المشكلات بشكل مستقل، وزيادة الكفاءة، وخلق قيمة جديدة.
توفر منصة تطبيقات AI الأصلية مجموعة أدوات إبداعية شاملة وسهلة الاستخدام، تدعم المستخدمين في تكوين ميزات الروبوت، والمظهر، والصوت، بالإضافة إلى ربط قواعد المعرفة الخارجية، وتهدف إلى إنشاء نظام بيئي مفتوح وعادل لمحتوى AI، باستخدام تقنيات AI التوليدية، وتمكين الأفراد ليصبحوا مبدعين خارقين. قامت هذه المنصة بتدريب نموذج لغة كبير مخصص، مما يجعل الأدوار التمثيلية أكثر إنسانية؛ تقنية استنساخ الصوت يمكن أن تسرع التفاعل الشخصي لمنتجات AI، وتخفض تكلفة تركيب الصوت بنسبة 99%، ويمكن تحقيق استنساخ الصوت في دقيقة واحدة فقط. باستخدام AI Agent المخصص من هذه المنصة، يمكن تطبيقه حالياً في مجالات متعددة مثل الدردشة بالفيديو، تعلم اللغات، وتوليد الصور.
في الوقت الحالي، يتركز دمج Web3 مع الذكاء الاصطناعي بشكل أكبر على استكشاف طبقة البنية التحتية، بما في ذلك كيفية الحصول على بيانات عالية الجودة، وحماية خصوصية البيانات، وكيفية استضافة النماذج على السلسلة، وكيفية تحسين الاستخدام الفعال للقوة الحاسوبية اللامركزية، وكيفية التحقق من النماذج اللغوية الكبيرة وغيرها من القضايا الرئيسية. مع التحسين التدريجي لهذه البنية التحتية، من المتوقع أن يولد دمج Web3 مع الذكاء الاصطناعي سلسلة من النماذج التجارية والخدمات المبتكرة.