IOSG |.Web3 رسم خرائط الذكاء الاصطناعي الحصري

للوهلة الأولى، يبدو أن AI x Web3 عبارة عن تقنيات مستقلة، تعتمد كل منها على مبادئ مختلفة جوهريًا وتخدم وظائف مختلفة. ومع ذلك، قم بالبحث بشكل أعمق وستجد أن هناك فرصًا لكلتا التقنيتين لتحقيق التوازن بين مقايضات بعضهما البعض وأن نقاط قوتهما الفريدة يمكن أن تكمل وتعزز بعضها البعض. لقد أوضح بالاجي سرينيفاسان ببراعة هذا المفهوم للقدرات التكميلية في مؤتمر SuperAI، مما ألهم إجراء مقارنة تفصيلية لكيفية تفاعل هذه التقنيات.

يتبع الرمز المميز نهجًا تصاعديًا، ينبثق من جهود اللامركزية التي تبذلها السايبربانك المجهولون ويتطور على مدار عقد من الزمن من خلال الجهود التعاونية للعديد من الكيانات المستقلة حول العالم. وبدلاً من ذلك، يتم تطوير الذكاء الاصطناعي من خلال نهج من أعلى إلى أسفل، تهيمن عليه حفنة من عمالقة التكنولوجيا. تحدد هذه الشركات وتيرة الصناعة وديناميكياتها، مع تحديد الحواجز أمام الدخول حسب كثافة الموارد أكثر من التعقيد التكنولوجي.

هاتين التقنيتين لهما أيضًا طبيعة مختلفة تمامًا. في جوهرها، الرموز المميزة هي أنظمة حتمية تنتج نتائج غير قابلة للتغيير، مثل القدرة على التنبؤ بوظيفة التجزئة أو إثبات المعرفة الصفرية. وهذا يتناقض مع الطبيعة الاحتمالية وغير المتوقعة في كثير من الأحيان للذكاء الاصطناعي.

وبالمثل، يتفوق التشفير في التحقق، مما يضمن صحة المعاملات وأمانها وإثبات انعدام الثقة في العمليات. والأنظمة، بينما يركز الذكاء الاصطناعي علىإنشاءإنشاء محتوى رقمي غني. ومع ذلك، في عملية خلق الوفرة الرقمية، يصبح ضمان مصدر المحتوى ومنع سرقة الهوية تحديًا.

لحسن الحظ، توفر Token المفهوم المعاكس للوفرة الرقمية - الندرة الرقمية. فهو يوفر أدوات ناضجة نسبيًا يمكن توسيعها لتشمل تكنولوجيا الذكاء الاصطناعي لضمان موثوقية مصادر المحتوى وتجنب مشكلات سرقة الهوية.

تتمثل الميزة المهمة للرمز المميز في قدرته على جذب كميات كبيرة من الأجهزة ورأس المال إلى شبكات منسقة لخدمة أهداف محددة. هذه القدرة مفيدة بشكل خاص للذكاء الاصطناعي الذي يستهلك كميات كبيرة من الطاقة الحاسوبية. إن تعبئة الموارد غير المستغلة لتوفير قوة حاسوبية أرخص يمكن أن يؤدي إلى تحسين كفاءة الذكاء الاصطناعي بشكل كبير.

من خلال مقارنة هاتين التقنيتين الرئيسيتين، لا يمكننا تقدير مساهمات كل منهما فحسب، بل يمكننا أيضًا أن نرى كيف تعملان معًا على إنشاء مسارات جديدة للتكنولوجيا والاقتصاد. ومن الممكن أن تكمل كل تكنولوجيا أوجه القصور في الأخرى، مما يخلق مستقبلاً أكثر تكاملاً وابتكاراً. في منشور المدونة هذا، نهدف إلى استكشاف المشهد الناشئ لصناعة AI x Web3، وتسليط الضوء على بعض القطاعات الناشئة عند تقاطع هذه التقنيات.

المصدر: IOSG Ventures

2.1 شبكات الحوسبة

تقدم خريطة الصناعة أولاً شبكات الحوسبة، التي تحاول حل مشكلة مشكلة مشاكل العرض GPU المقيدة ومحاولة تقليل تكاليف الحوسبة بطرق مختلفة. تستحق العناصر التالية اهتمامًا خاصًا:

• قابلية التشغيل التفاعلي غير الموحدة لوحدة معالجة الرسومات : يعد هذا مسعى طموحًا للغاية وينطوي على مخاطر تقنية عالية وشكوك، ولكن إذا نجح، فسيكون لديه القدرة على إنشاء نتائج ذات نطاق وتأثير هائلين، مما يجعل جميع موارد الحوسبة قابلة للاستبدال. في الأساس، تتمثل الفكرة في بناء المترجم والمتطلبات الأساسية الأخرى بحيث يمكن توصيل أي مورد أجهزة على جانب العرض، بينما على جانب الطلب، سيتم تجريد عدم توحيد جميع الأجهزة بالكامل بحيث يمكن توجيه طلبات الحوسبة الخاصة بك إلى الشبكة أي مورد في . إذا نجحت هذه الرؤية، فسوف تقلل من الاعتماد الحالي على برمجيات CUDA، التي يهيمن عليها مطورو الذكاء الاصطناعي بالكامل. وعلى الرغم من المخاطر التقنية العالية، فإن العديد من الخبراء يشككون بشدة في جدوى هذا النهج.

• تجميع وحدات معالجة الرسومات عالية الأداء: دمج وحدات معالجة الرسومات الأكثر شيوعًا في العالم في وحدة معالجة رسومات موزعة وفعالة من حيث التكلفة شبكة مرخصة دون الحاجة إلى القلق بشأن مشكلات التشغيل البيني بين موارد GPU غير الموحدة.

• تجميع GPU على مستوى المستهلك للسلع: يشير إلى التجميع الأقل أداءً ولكنه قد يكون متاحًا في وحدات معالجة الرسومات للأجهزة الاستهلاكية، وهي الموارد الأقل استغلالًا من جانب العرض. إنه يلبي احتياجات أولئك الذين هم على استعداد للتضحية بالأداء والسرعة من أجل جلسة تدريب أرخص وأطول.

2.2 التدريب والاستدلال

تستخدم الشبكات الحاسوبية في المقام الأول لوظيفتين رئيسيتين: التدريب والاستدلال. تأتي الحاجة إلى هذه الشبكات من مشاريع الويب 2.0 والويب 3.0. في عالم الويب 3.0، تستفيد مشاريع مثل Bittensor من موارد الحوسبة لتحسين النموذج. من حيث المنطق، تؤكد مشاريع الويب 3.0 على إمكانية التحقق من العمليات. وقد أدى هذا التركيز إلى ظهور استدلال يمكن التحقق منه باعتباره قطاعا سوقيا، مع مشاريع تستكشف كيفية دمج استدلال الذكاء الاصطناعي في العقود الذكية مع الحفاظ على مبادئ اللامركزية.

2.3 منصة الوكيل الذكي

الخطوة التالية هي منصة الوكيل الذكي، ويوضح الرسم البياني المشكلات الأساسية التي تحتاج الشركات الناشئة في هذه الفئة إلى حلها:

• قابلية التشغيل التفاعلي للوكيل وإمكانيات الاكتشاف والاتصال: يستطيع الوكلاء اكتشاف بعضهم البعض والتواصل معهم.

• إمكانيات إنشاء مجموعة الوكلاء وإدارتها: يمكن للوكلاء تكوين مجموعات وإدارة الوكلاء الآخرين.

• الملكية والسوق لوكلاء الذكاء الاصطناعي: توفير الملكية والسوق لوكلاء الذكاء الاصطناعي.

تؤكد هذه الميزات على أهمية الأنظمة المرنة والمعيارية التي يمكن دمجها بسلاسة في مختلف سلاسل الكتل وتطبيقات الذكاء الاصطناعي. يمتلك وكلاء الذكاء الاصطناعي القدرة على إحداث ثورة في الطريقة التي نتفاعل بها مع الإنترنت، ونعتقد أن الوكلاء سيستفيدون من البنية التحتية لدعم عملياتهم. نحن نتصور أن وكلاء الذكاء الاصطناعي يعتمدون على البنية التحتية بالطرق التالية:

• استغلال شبكات الزحف الموزعة الوصول الحقيقي -بيانات شبكة الوقت

• استخدم قنوات DeFi للمدفوعات بين الوكلاء

• الإيداع المالي مطلوب ليس فقط لمعاقبة سوء السلوك عند حدوثه، ولكن أيضًا لزيادة قابلية اكتشاف الوكيل (أي استخدام الإيداع كإشارة اقتصادية أثناء عملية الاكتشاف)

• استخدمالإجماع لتحديد الأحداث التي يجب أن تؤدي إلى التخفيضات

• معاييرقابلية التشغيل البيني المفتوحة وأطر عمل الوكالات لدعم بناء مجموعات قابلة للتأليف

• تقييم الأداء السابق استنادًا إلى سجل البيانات غير القابل للتغيير واختيار مجموعات الوكلاء المناسبة في الوقت الفعلي

المصدر: IOSG Ventures

2.4 طبقة البيانات

في الذكاء الاصطناعي x في التكامل في Web3، تعد البيانات مكونًا أساسيًا. تعد البيانات أحد الأصول الإستراتيجية في منافسة الذكاء الاصطناعي، وتشكل، جنبًا إلى جنب مع موارد الحوسبة، موردًا رئيسيًا. ومع ذلك، غالبًا ما يتم التغاضي عن هذه الفئة لأن معظم اهتمام الصناعة يتركز على مستوى الحوسبة. في الواقع، توفر البدائيات العديد من اتجاهات القيمة المثيرة للاهتمام في عملية الحصول على البيانات، بما في ذلك بشكل أساسي الاتجاهين التاليين عاليي المستوى:

• الوصولبيانات الإنترنت العامة

• الوصولالبيانات المحمية

strong>

الوصول إلى بيانات الإنترنت العامة: يهدف هذا الاتجاه إلى بناء شبكة زاحف موزعة يمكنها الزحف إلى الإنترنت بالكامل في يوم واحد أو الحصول على مجموعات ضخمة من البيانات أو الوصول إلى بيانات محددة جدًا عبر الإنترنت في الوقت الفعلي. ومع ذلك، للزحف إلى مجموعات كبيرة من البيانات على الإنترنت، فإن متطلبات الشبكة عالية جدًا، وهناك حاجة إلى بضع مئات من العقد على الأقل لبدء بعض الأعمال المفيدة. ولحسن الحظ، فإن Grass، وهي شبكة عقدة زاحفة موزعة، لديها بالفعل أكثر من 2 مليون عقدة تشارك بنشاط عرض النطاق الترددي للإنترنت مع الشبكة، بهدف الزحف إلى الإنترنت بالكامل. وهذا يدل على الإمكانات الهائلة للحوافز المالية لجذب موارد قيمة.

على الرغم من أن Grass يوفر مجالًا متكافئًا عندما يتعلق الأمر بالبيانات العامة، إلا أنه لا تزال هناك تحديات في الاستفادة من البيانات الأساسية - وبالتحديد الوصول إلى مجموعات البيانات الخاصة. وعلى وجه التحديد، لا تزال هناك كمية كبيرة من البيانات التي يتم الاحتفاظ بها بطريقة تحافظ على الخصوصية نظرًا لطبيعتها الحساسة. تستفيد العديد من الشركات الناشئة من أدوات التشفير التي تسمح لمطوري الذكاء الاصطناعي ببناء نماذج لغوية كبيرة وضبطها بدقة باستخدام هياكل البيانات الأساسية لمجموعات البيانات الخاصة مع الحفاظ على خصوصية المعلومات الحساسة.

يوفر التعلم الموحد، والخصوصية التفاضلية، وبيئة التنفيذ الموثوق بها، والحوسبة المتماثلة تمامًا والمتعددة الأطراف وغيرها من التقنيات مستويات مختلفة من حماية الخصوصية والمقايضات. يلخص المقال البحثي لـ Bagel (https://blog.bagel.net/p/with-great-data-comes-great-responsibility-d67) نظرة عامة ممتازة على هذه التقنيات. ولا تعمل هذه التقنيات على حماية خصوصية البيانات أثناء عملية التعلم الآلي فحسب، بل تعمل أيضًا على تمكين حلول الذكاء الاصطناعي الشاملة التي تحافظ على الخصوصية على مستوى الحوسبة.

2.5 مصادر البيانات والنماذج

البيانات و تهدف تقنيات مصدر النموذج إلى إنشاء عمليات يمكن أن تؤكد للمستخدمين أنهم يتفاعلون مع النموذج والبيانات المقصودة. بالإضافة إلى ذلك، توفر هذه التقنيات ضمانات للأصالة والمصدر. بأخذ تقنية العلامة المائية كمثال، تعد العلامة المائية إحدى تقنيات مصدر النموذج، والتي تدمج التوقيع مباشرة في خوارزمية التعلم الآلي، وبشكل أكثر تحديدًا في أوزان النموذج، بحيث يمكن التحقق أثناء الاسترجاع مما إذا كان الاستدلال يأتي من النموذج المتوقع .

2.6 التطبيق

فيما يتعلق بالتطبيق، التصميم الاحتمالات لا حصر لها. في خريطة الصناعة أعلاه، قمنا بإدراج بعض حالات التطوير المثيرة للاهتمام بشكل خاص مع تطبيق تقنية الذكاء الاصطناعي في مجال الويب 3.0. نظرًا لأن حالات الاستخدام هذه تصف نفسها في الغالب، فإننا لا نقدم أي تعليقات إضافية هنا. ومع ذلك، تجدر الإشارة إلى أن تقاطع الذكاء الاصطناعي والويب 3.0 لديه القدرة على إعادة تشكيل العديد من القطاعات في هذا المجال، حيث توفر هذه البدائيات الجديدة للمطورين المزيد من الحرية لإنشاء حالات استخدام مبتكرة وتحسين حالات الاستخدام الحالية.

الملخص

يجلب تقارب AI x Web3 آفاقًا مليئة بالابتكار والإمكانات. ومن خلال الاستفادة من نقاط القوة الفريدة لكل تقنية، يمكننا حل مجموعة متنوعة من التحديات وإنشاء مسارات تقنية جديدة. بينما نستكشف هذه الصناعة الناشئة، فإن التآزر بين AI x Web3 يمكن أن يدفع التقدم الذي يعيد تشكيل تجاربنا الرقمية المستقبلية وكيفية تفاعلنا على الويب.

إن التقارب بين الندرة الرقمية والوفرة الرقمية، وتعبئة الموارد غير المستغلة لتحقيق الكفاءة الحسابية، وإنشاء ممارسات بيانات آمنة تحافظ على الخصوصية، سوف يحدد تعريف عصر التطور التكنولوجي.

ومع ذلك، يجب أن ندرك أن هذه الصناعة لا تزال في مهدها وأن مشهد الصناعة الحالي قد يصبح قديمًا في فترة قصيرة من الزمن. وتعني الوتيرة السريعة للابتكار أن الحلول المتطورة الحالية قد يتم استبدالها قريبًا باختراقات جديدة. ومع ذلك، فإن المفاهيم الأساسية التي تمت مناقشتها - مثل شبكات الحوسبة، ومنصات الوكلاء، وبروتوكولات البيانات - تسلط الضوء على الإمكانيات الهائلة لدمج الذكاء الاصطناعي مع الويب 3.0.