الذكاء الاصطناعي + الويب 3: الأبراج والساحات

TL; د

1. مشاريع Web3 التي تتعلق بمفهوم الذكاء الاصطناعي أصبحت أهدافًا لجذب الاستثمارات في الأسواق الأولية والثانوية.

2. تظهر الفرص في Web3 في صناعة الذكاء الاصطناعي من خلال: استخدام الحوافز الموزعة لتنسيق العرض المحتمل في ذيل طويل ( عبر البيانات والتخزين والحوسبة )، وفي نفس الوقت إنشاء نموذج مفتوح المصدر وسوق لامركزي لوكلاء الذكاء الاصطناعي.

3. تُستخدم الذكاء الاصطناعي في صناعة Web3 بشكل رئيسي في التمويل على السلسلة ( الدفع المشفر، والتداول، وتحليل البيانات ) وكذلك المساعدة في التطوير.

4. تظهر فائدة AI+Web3 في التكامل بين الاثنين: من المتوقع أن يتصدى Web3 لتركز AI، ومن المتوقع أن تساعد AI Web3 في كسر الحواجز.

! الذكاء الاصطناعي+Web3: الأبراج والساحات

المقدمة

على مدى العامين الماضيين، تطور الذكاء الاصطناعي كما لو كان قد تم الضغط على زر التسريع، حيث أن الموجة التي أثارها Chatgpt لم تفتح فقط عصرًا جديدًا للذكاء الاصطناعي التوليدي، بل أثارت أيضًا أمواجًا هائلة في مجال Web3.

بفضل مفهوم الذكاء الاصطناعي، كان هناك انتعاش ملحوظ في تمويل سوق العملات المشفرة الذي شهد تباطؤًا. وفقًا للإحصاءات، تم تمويل 64 مشروعًا في مجال Web3+AI فقط في النصف الأول من عام 2024، حيث حقق نظام التشغيل المعتمد على الذكاء الاصطناعي Zyber365 تمويلًا بقيمة 100 مليون دولار في الجولة الأولى، مسجلاً أعلى رقم قياسي.

السوق الثانوية أكثر ازدهارًا، حيث تظهر بيانات موقع Coingecko لجمع العملات المشفرة أن القيمة السوقية الإجمالية لمجال الذكاء الاصطناعي قد بلغت 48.5 مليار دولار في غضون أكثر من عام، وبلغ حجم التداول خلال 24 ساعة تقريبًا 8.6 مليار دولار؛ كما أن الفوائد الناتجة عن التقدم التكنولوجي الرئيسي في الذكاء الاصطناعي واضحة، حيث ارتفع متوسط سعر قطاع الذكاء الاصطناعي بنسبة 151% بعد إطلاق نموذج OpenAI Sora لتحويل النص إلى فيديو؛ كما أن تأثير الذكاء الاصطناعي قد انتشر أيضًا إلى أحد قطاعات جمع العملات المشفرة، وهو Meme: حيث حقق مفهوم MemeCoin الأول للوكيل الذكي GOAT شهرة سريعة وحصل على تقييم بقيمة 1.4 مليار دولار، مما أدى إلى إثارة موجة من الميمات الذكائية.

تعتبر الأبحاث والمواضيع المتعلقة بـ AI + Web3 كذلك موضوعات ساخنة، بدءًا من AI + Depin إلى AI Memecoin وصولاً إلى AI Agent و AI DAO في الوقت الحالي، حيث لم يعد الشعور بالـ FOMO يتماشى مع سرعة تبديل السرد الجديد.

إن مجموعة المصطلحات AI + Web3 المليئة بالمال الساخن، والتوجهات المستقبلية، والخيالات، لا مفر من اعتبارها زواجاً مفروضاً بين رأس المال، مما يجعل من الصعب علينا التمييز تحت هذا القناع الرائع، هل هي ساحة المضاربين، أم هي ليلة الانفجار في الفجر؟

للإجابة على هذا السؤال ، فإن التفكير الرئيسي الذي يعد حاسمًا للطرفين هو: هل سيتحسن الأمر بوجود الآخر؟ هل يمكن الاستفادة من نموذج الآخر؟ تحاول هذه المقالة أن تراجع هذه الصورة من منظور من سبقونا: كيف يمكن أن تلعب Web3 دورًا في جميع جوانب تكنولوجيا الذكاء الاصطناعي ، وما الجديد الذي يمكن أن تجلبه الذكاء الاصطناعي إلى Web3؟

ما هي الفرص المتاحة لـ Web3 تحت كومة الذكاء الاصطناعي؟

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

تشبه النماذج الكبيرة دماغ الإنسان، في البداية تشبه طفلًا مولودًا حديثًا، تحتاج إلى مراقبة وامتصاص كميات هائلة من المعلومات الخارجية لفهم العالم، وهذه هي مرحلة "جمع البيانات"؛ نظرًا لعدم امتلاك الكمبيوتر للحواس المتعددة مثل الإنسان، يجب تحويل المعلومات غير المعلّمة إلى تنسيق يمكن للكمبيوتر فهمه من خلال "المعالجة المسبقة" قبل التدريب.

بعد إدخال البيانات، يقوم الذكاء الاصطناعي ببناء نموذج يمتلك القدرة على الفهم والتنبؤ من خلال "التدريب"، وهو مشابه لعملية فهم وتعلم الطفل للعالم الخارجي تدريجياً، حيث أن معلمات النموذج تشبه القدرة اللغوية التي تتكيف باستمرار عند الطفل. عندما يتم تقسيم محتوى التعلم أو الحصول على ردود فعل من خلال التواصل مع الآخرين، يدخل النموذج "مرحلة الضبط الدقيق".

عندما يكبر الأطفال ويتعلمون الكلام، يمكنهم فهم المعنى والتعبير عن الأفكار في محادثات جديدة، مشابهًا لـ "الاستدلال" في نماذج الذكاء الاصطناعي الكبيرة، حيث يمكنهم إجراء تحليل تنبؤي على مدخلات نصوص لغوية جديدة. يعبر الأطفال عن مشاعرهم من خلال اللغة، ويصفون الأشياء، ويحلون المشكلات، مشابهًا لتطبيق نماذج الذكاء الاصطناعي الكبيرة في مرحلة الاستدلال بعد التدريب على مجموعة متنوعة من المهام المحددة، مثل تصنيف الصور، والتعرف على الصوت.

وAgent الذكاء الاصطناعي أقرب إلى الشكل التالي من النموذج الكبير - قادر على تنفيذ المهام بشكل مستقل والسعي لتحقيق أهداف معقدة، ليس فقط لديه القدرة على التفكير، بل يمكنه أيضًا التذكر والتخطيط، بالإضافة إلى استخدام الأدوات للتفاعل مع العالم.

حالياً، وبالنظر إلى نقاط الألم في كل طبقات الذكاء الاصطناعي، بدأ Web3 في تشكيل نظام بيئي متعدد المستويات ومرتبط، يشمل جميع مراحل عملية نماذج الذكاء الاصطناعي.

! الذكاء الاصطناعي+Web3: الأبراج والمربعات

الطبقة الأساسية: Airbnb للقوة الحسابية والبيانات

قوة التعدين

حاليًا، واحدة من أعلى التكاليف في الذكاء الاصطناعي هي القدرة الحاسوبية والطاقة المطلوبة لتدريب نماذج الاستدلال.

على سبيل المثال، يحتاج LLAMA3 من Meta إلى 16000 وحدة معالجة رسومات NVIDIA H100 لمدة 30 يومًا لإكمال التدريب. سعر وحدة H100 بسعة 80GB يتراوح بين 30-40 ألف دولار، مما يتطلب استثمارًا في أجهزة الحوسبة يتراوح بين 400-700 مليون دولار ( وحدة معالجة رسومات + شريحة الشبكة )، واستهلاك الطاقة للتدريب الشهري يصل إلى 1.6 مليار كيلووات ساعة، مع نفقات طاقة تقارب 20 مليون دولار.

تخفيف الضغط على قوة الذكاء الاصطناعي هو أيضًا أحد المجالات الأولى التي تتقاطع فيها Web3 مع الذكاء الاصطناعي - شبكة البنية التحتية المادية اللامركزية DePin(. حاليًا، قام موقع DePin Ninja بذكر أكثر من 1400 مشروع، ومن بين مشاريع مشاركة قوة وحدة معالجة الرسوميات البارزة نجد io.net و Aethir و Akash و Render Network وغيرها.

المنطق الرئيسي هو: يسمح النظام لأصحاب موارد GPU غير المستخدمة بتقديم قدرات الحوسبة بطريقة لامركزية دون الحاجة إلى إذن، من خلال سوق على الإنترنت مشابه لـ Uber أو Airbnb، مما يزيد من استخدام موارد GPU غير المستغلة بشكل كاف، ويحصل المستخدمون النهائيون على موارد حوسبة فعالة بتكلفة أقل؛ في نفس الوقت، تضمن آلية الرهن العقاري معاقبة مقدمي الموارد في حالة انتهاكهم لآلية مراقبة الجودة أو انقطاع الشبكة.

تشمل الميزات:

• تجمع موارد GPU غير المستغلة: يتمثل المورد الرئيسي في مراكز البيانات المستقلة الصغيرة والمتوسطة من الطرف الثالث، ومشغلي مزارع التعدين، وما إلى ذلك، الذين يمتلكون موارد حسابية فائضة، والأجهزة المستخدمة في التعدين التي تعتمد على آلية توافق الآراء PoS، مثل أجهزة تعدين FileCoin وETH. تكرس بعض المشاريع جهودها لخفض عتبة البدء، مثل exolab التي تستخدم أجهزة MacBook وiPhone وiPad المحلية لإنشاء شبكة حسابية لتشغيل استنتاج النماذج الكبيرة.

• موجه نحو سوق قوة الحوسبة الطويلة الذيل للذكاء الاصطناعي: a. الجانب التقني: سوق قوة الحوسبة اللامركزية أكثر ملاءمة لخطوات الاستدلال. التدريب يعتمد بشكل أكبر على قدرة معالجة البيانات لمجموعات GPU الضخمة، بينما تتطلب خطوات الاستدلال أداء GPU أقل نسبيًا، مثل Aethir التي تركز على العمل في مجال العرض منخفض التأخير وتطبيقات استدلال الذكاء الاصطناعي. ب. جانب الطلب: لن تقوم الأطراف ذات القوة الحاسوبية المتوسطة والصغيرة بتدريب نماذجها الكبيرة بشكل منفصل، بل ستختار تحسين وتعديل النماذج الكبيرة القليلة الرائدة، وهذه السيناريوهات مناسبة بشكل طبيعي لموارد الحوسبة الموزعة غير المستخدمة.

• الملكية اللامركزية: تكمن أهمية تقنية blockchain في أن مالكي الموارد يحتفظون دائمًا بالتحكم في الموارد، ويمكنهم تعديلها بشكل مرن والحصول على عائدات وفقًا للاحتياجات.

)# البيانات

البيانات هي أساس الذكاء الاصطناعي. بدون بيانات، فإن الحسابات تكون عديمة الفائدة مثل العوامات الطافية، والعلاقة بين البيانات والنموذج تتناسب مع المثل القائل "القمامة تدخل، القمامة تخرج"، حيث تحدد كمية البيانات وجودة المدخلات جودة المخرجات النهائية للنموذج. بالنسبة لتدريب نماذج الذكاء الاصطناعي الحالية، تحدد البيانات القدرة اللغوية للنموذج، وقدرته على الفهم، وحتى قيمه وخصائصه الإنسانية. حالياً، تظهر معضلة الطلب على البيانات في الذكاء الاصطناعي بشكل رئيسي في:

• جوع البيانات: تعتمد نماذج الذكاء الاصطناعي على إدخال كميات هائلة من البيانات للتدريب. وبحسب التقارير، فإن عدد معلمات تدريب GPT-4 من OpenAI وصل إلى تريليونات.

• جودة البيانات: مع دمج الذكاء الاصطناعي في مختلف الصناعات، تفرض توقيت البيانات، تنوعها، تخصص البيانات القطاعية، مصادر البيانات الناشئة مثل مشاعر وسائل التواصل الاجتماعي متطلبات جديدة على جودتها.

• مشاكل الخصوصية والامتثال: تدرك الدول والشركات تدريجياً أهمية مجموعات البيانات عالية الجودة، وتقوم بتقييد سحب مجموعات البيانات.

• تكلفة معالجة البيانات مرتفعة: حجم البيانات كبير، وعملية المعالجة معقدة. يُقال إن أكثر من 30% من تكلفة البحث والتطوير في شركات الذكاء الاصطناعي تُستخدم لجمع ومعالجة البيانات الأساسية.

حالياً، تتجلى حلول Web3 في:

1. جمع البيانات: البيانات الحقيقية التي يمكن توفيرها مجانًا تتناقص بسرعة، وتزداد نفقات الشركات العاملة في مجال الذكاء الاصطناعي سنويًا. ومع ذلك، فإن هذه النفقات لم تفد حقًا المساهمين في البيانات، حيث تستفيد المنصات من القيمة الناتجة عن البيانات، مثل Reddit التي حققت إيرادات بقيمة 203 مليون دولار من خلال توقيع اتفاقيات ترخيص البيانات مع شركات الذكاء الاصطناعي.

إن إشراك المستخدمين الحقيقيين في خلق قيمة البيانات، والحصول على بيانات أكثر خصوصية وقيمة بتكاليف منخفضة من خلال شبكة موزعة وآليات تحفيزية، هو رؤية Web3.

• Grass هو طبقة بيانات وشبكة لامركزية، يمكن للمستخدمين من خلال تشغيل عقد Grass المساهمة في عرض النطاق الترددي غير المستخدم والتقاط بيانات الإنترنت في الوقت الفعلي، والحصول على مكافآت رمزية.

• قدمت Vana مفهوم فريد من نوعه لبركة 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 تفويض لاستخدامها لطرف ثالث معين.

• في PublicAI، يمكن للمستخدمين استخدام )Web3标签 على X و @PublicAI لجمع البيانات.

2. معالجة البيانات: خلال عملية معالجة بيانات الذكاء الاصطناعي، يجب تنظيف البيانات التي تم جمعها وتحويلها إلى تنسيق قابل للاستخدام قبل تدريب النموذج، حيث أن البيانات عادة ما تكون صاخبة وتحتوي على أخطاء، وهذا يتضمن مهام متكررة مثل المعايير، والترشيح، ومعالجة القيم المفقودة. تعتبر هذه المرحلة واحدة من القلائل التي تتطلب تدخل بشري في صناعة الذكاء الاصطناعي، مما أدى إلى ظهور صناعة مدربي البيانات، ومع زيادة متطلبات جودة البيانات من قبل النماذج، تزداد أيضًا معايير دخول مدربي البيانات، وتعتبر هذه المهمة مناسبة بشكل طبيعي لآلية التحفيز اللامركزية في Web3.

• تعتزم Grass و OpenLayer إضافة مرحلة الوسم البياني هذه.

• قدمت Synesis مفهوم "Train2earn"، مع التأكيد على جودة البيانات، حيث يمكن للمستخدمين الحصول على مكافآت من خلال تقديم بيانات موضوعة العلامات، أو تعليقات، أو مدخلات أخرى.

• مشروع وضع علامات البيانات Sapien يجعل مهام العلامات لعبة، ويتيح للمستخدمين رهن النقاط لكسب المزيد من النقاط.

3. خصوصية البيانات والأمان: يجب توضيح أن خصوصية البيانات والأمان هما مفهومان مختلفان. تتعلق خصوصية البيانات بمعالجة البيانات الحساسة، بينما يحمي الأمان معلومات البيانات من الوصول غير المصرح به، والتدمير، والسرقة. لذلك، تظهر مزايا تقنيات الخصوصية في Web3 وسيناريوهات تطبيقها المحتملة في: #AI或#1( تدريب البيانات الحساسة؛ )2( التعاون في البيانات: يمكن لمالكي البيانات المتعددين المشاركة معًا في تدريب الذكاء الاصطناعي دون الحاجة إلى مشاركة البيانات الأصلية.

تشمل تقنيات الخصوصية الشائعة في Web3 الحالية:

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

• تشفير متجانس تمامًا )FHE(، مثل BasedAI، Fhenix.io أو Inco Network؛

• تقنية إثبات المعرفة الصفرية ) zk (، مثل بروتوكول Reclaim الذي يستخدم تقنية zkTLS، يولد إثباتات المعرفة الصفرية لحركة HTTPS، مما يسمح للمستخدمين باستيراد الأنشطة والسمعة وبيانات الهوية من المواقع الخارجية بأمان، دون الحاجة إلى كشف معلومات حساسة.

ومع ذلك، لا يزال هذا المجال في مرحلة مبكرة، لا تزال معظم المشاريع قيد الاستكشاف، والمشكلة الحالية هي أن تكاليف الحوسبة مرتفعة للغاية، على سبيل المثال:

• إطار zkML EZKL يحتاج حوالي 80 دقيقة لتوليد برهان نموذج 1M-nanoGPT.

• وفقًا لبيانات Modulus Labs، فإن تكاليف zkML أعلى من الحسابات البحتة بأكثر من 1000 مرة.

4. تخزين البيانات: بعد الحصول على البيانات، يجب أيضًا تخزين البيانات على السلسلة وLLM الناتج عن هذه البيانات. مع وجود قابلية البيانات )DA( كمسألة مركزية، كانت سعة إيثيريوم قبل ترقية Danksharding تبلغ 0.08 ميغابايت. بينما يحتاج تدريب نماذج الذكاء الاصطناعي والاستدلال في الوقت الحقيقي عادةً إلى سعة بيانات تتراوح بين 50-100 جيجابايت في الثانية. هذه الفجوة في الحجم تجعل الحلول الموجودة على السلسلة غير قادرة على مواجهة "تطبيقات الذكاء الاصطناعي كثيفة الموارد".

• 0g.AI هو مشروع يمثل هذا النوع. إنه حل تخزين مركزي مصمم لتلبية احتياجات الأداء العالي للذكاء الاصطناعي، وتشمل الميزات الأساسية: الأداء العالي وقابلية التوسع، من خلال تقنيات تقسيم متقدم )Sharding( ورموز الإزالة )Erasure Coding(، يدعم تحميل وتنزيل أسرع لمجموعات البيانات الكبيرة، بسرعة نقل البيانات تقترب من 5 جيجابايت في الثانية.

) الوسيط: تدريب النموذج واستنتاجه

سوق نماذج مفتوحة المصدر اللامركزية

لم تتوقف المناقشات حول ما إذا كان يجب أن تكون نماذج الذكاء الاصطناعي مفتوحة المصدر أم مغلقة. إن الابتكار الجماعي الذي تجلبه المصادر المفتوحة هو ميزة لا يمكن لنماذج المصادر المغلقة مقارنتها، ومع ذلك، في ظل غياب نموذج لتحقيق الربح، كيف يمكن للنماذج المفتوحة تعزيز دافع المطورين؟ إنها اتجاه يستحق التفكير. وقد أصر مؤسس بايدو لي يانهونغ في أبريل من هذا العام على أن "النماذج المفتوحة ستصبح متخلفة بشكل متزايد."

في هذا السياق، اقترح Web3 إمكانية سوق نماذج مفتوحة المصدر غير مركزية، أي توكين نموذج نفسه، مع الاحتفاظ بنسبة معينة من الرموز للفريق، وتوجيه جزء من الإيرادات المستقبلية لهذا النموذج إلى حاملي الرموز.

• بروتوكول Bittensor ينشئ سوقًا للموارد من طراز P2P للنماذج مفتوحة المصدر، ويتكون من عشرات "الشبكات الفرعية"، حيث يتنافس مزودو الموارد ### في الحساب، وجمع/تخزين البيانات، ومواهب التعلم الآلي ( لتلبية أهداف مالكي الشبكات الفرعية المحددة، يمكن أن تتفاعل الشبكات الفرعية وتتبادل التعلم لتحقيق ذكاء أكثر قوة. يتم توزيع المكافآت من خلال تصويت المجتمع، ويتم توزيعها بشكل أكبر بناءً على الأداء التنافسي داخل كل شبكة فرعية.

• قدمت ORA مفهوم إصدار النموذج الأولي )IMO(، حيث يتم توكين نموذج الذكاء الاصطناعي، ويمكن شراء وبيع وتطوير نماذج الذكاء الاصطناعي من خلال شبكة لامركزية.

• Sentient، منصة غير مركزية