المؤلف: B المصدر: X, @bonnazhu
مع الإصدار الأخير من إصدار OpenAI 4o، دعونا تحدث عن آرائك حول AI+blockchain:
لقد قادت موجة الذكاء الاصطناعي التوليدي بقيادة OpenAI بمفردها تطوير البيانات والتخزين والحوسبة من القطاع. منذ ذلك الحين، سيصبح الذكاء الاصطناعي أهم عميل لهم في العشرة أو حتى العقود القادمة. وقد أصبحت سلسلة خدمة الذكاء الاصطناعي بشكل جيد، ثم أصبح استخدام الذكاء الاصطناعي لخدمة العملاء والتطبيقات في مختلف الصناعات التحويلية هو الأكثر أهمية الطبقة الوسطى والمحرك ：
أولاً، يحفز الذكاء الاصطناعي الطلب على البنية التحتية الأولية:
1) الحساب: بما في ذلك تصميم الرقائق وإنتاجها، وخدمات الحوسبة السحابية، ومراكز البيانات، والبنية التحتية للشبكة/الطاقة، وما إلى ذلك.
يركز هذا الرابط على الفيزياء وتدريب الذكاء الاصطناعي و تستهلك احتياجات الإخراج الناتجة الكثير من طاقة الحوسبة والكهرباء وموارد الشبكة، ويعتبر أداء الشريحة هو المفتاح لتحديد الكفاءة واستهلاك الطاقة، وهذا يحدد كيفية قيام شركات تصميم الرقائق مثل Nvidia وAMD ومسابك الرقاقات مثل TSMC و من المقدر لشركة Samsung وGoogle وMicrosoft وAmazon وغيرها من عمالقة التكنولوجيا الذين يعملون في مجال الحوسبة السحابية ومراكز البيانات أن يحصلوا على أكبر قيمة في هذه الجولة.
لكن تقنية blockchain لا تخلو من الاستخدامات. في الوقت الحاضر، يعد احتكار قوة الحوسبة واضحًا جدًا، فمن الصعب العثور على بطاقة GPU عالية الأداء، أو تحتاج إلى دفع قسط مرتفع للحصول على الخدمات ذات الصلة من بائعي الحوسبة السحابية، بالإضافة إلى ذلك، بسبب الجغرافيا السياسية، ومبيعات الرقائق الحظر وأسباب أخرى، فإن قوة الحوسبة محدودة جغرافيا، كما يتركز التوزيع. أدى انتشار الطلب الناجم عن هذا الخلل إلى جعل الحوسبة اللامركزية واحدة من قطاعات blockchain التي اكتسبت فوائد فعلية في هذه الموجة من الذكاء الاصطناعي. هناك العديد من المشاريع في هذا القطاع، والمشاريع الجديدة تظهر باستمرار، وستكون المنافسة شديدة، مثل @akashnet_@rendernetwork @gensynai @NodeAIETH @exa_bits @ionet @fluence_project @gpunet @nosana_ai etc.
ومع ذلك، نظرًا للتناقض بين قيود الأداء لشبكة blockchain نفسها والحمل الحسابي العالي للتعلم الآلي، يجب تنفيذ التعلم العميق المعقد خارج نطاق السلسلة، ومن ثم يتم نقل النتائج إلى السلسلة. تعد كيفية التحقق مما إذا كان موفر طاقة الحوسبة قد قام بمهام التدريب كما هو مطلوب نقطة صعبة، ويتطلب الحساب استخدام البيانات والنماذج، مما يطرح مشكلات محتملة تتعلق بالتعرض للخصوصية. في هذا الوقت، أصبحت قوة ZK (إثبات المعرفة الصفرية) واضحة. هناك بالفعل العديد من المشاريع التي تستكشف ZK لخدمة الذكاء الاصطناعي، مثل @bagel_network @gizatechxyz @ModulusLabs تهدف جميعها إلى إنشاء منصة حيث يمكن للمطورين نشر نماذج الذكاء الاصطناعي واستخدام ZK لمعايرة عملية التدريب والاستدلال على الذكاء الاصطناعي. يعد التعلم الآلي ZK عبارة عن منصة تجريبية للتعلم الآلي، في حين أن @ezklxyz هو منشئ ومدقق ZKP يركز على خدمة الذكاء الاصطناعي، ويدرس @Ingo_zk
بالإضافة إلى ذلك، فإن استهلاك الطاقة الناجم عن الذكاء الاصطناعي التوليدي (بما في ذلك استهلاك الطاقة الناتج عن الحساب واستهلاك الطاقة الناجم عن تبديد الحرارة) مذهل أيضًا. يُقال أنه عندما قامت شركة OpenAI بتدريب GPT-6، انهارت شبكة الكهرباء الخاصة بشركة Microsoft. ومع استمرار الشركات العملاقة الكبرى في زيادة استثماراتها في مراكز بيانات الذكاء الاصطناعي (التي تخطط شركة OpenAI من بينها للتعاون مع مايكروسوفت لإنفاق 100 مليار دولار لبناء حاسوب عملاق يسمى ستارغيت)، فإن استهلاك الطاقة سوف يتزايد بشكل كبير. ومع ذلك، فإن دورة بناء وتجديد البنية التحتية للشبكات/الطاقة بطيئة للغاية، وفي بلدان مثل الولايات المتحدة، تكون معظم الأراضي مملوكة للقطاع الخاص، ويتطلب توسيع شبكات الطاقة والبنية التحتية ذات الصلة موافقة خاصة. كيفية تحفيز الأفراد في القطاع الخاص للمشاركة في توسيع البنية التحتية، أو تقليل اعتمادهم وعبءهم على شبكة الكهرباء، قد تكون قضية مهمة في المستقبل #DePin. بالطبع، بالإضافة إلى الطاقة، يعد النطاق الترددي المستقر أيضًا أحد متطلبات البنية التحتية المهمة للذكاء الاصطناعي. تميل معظم مراكز البيانات إلى البناء بالقرب من مزودي خدمة الإنترنت (ISP) في الأماكن التي تتمتع بوفرة في الطاقة، فإن موارد النطاق الترددي للشبكة ليست وفيرة بالضرورة. . كيفية استخدام #DePin لحل مشكلة عدم التطابق هذه هي أيضًا اتجاه يستحق التطلع إليه.
2) البيانات: بما في ذلك جمع البيانات، وشرح/معالجة البيانات، ومعاملة/تفويض البيانات.
على الرغم من أن البيانات هي "غذاء" الذكاء الاصطناعي، إلا أن معظم نماذج التعلم الآلي يمكنها فقط استخدام البيانات المنظمة المعالجة. في الوقت الحالي، تعد مصادر البيانات المستخدمة للتعلم الآلي واسعة جدًا، ومعظمها عبارة عن بيانات عامة غير منظمة ومتناثرة، لذلك يستغرق جمع هذه البيانات ومعالجتها الكثير من الوقت والطاقة. يعد هذا في الواقع عملًا روتينيًا كثيف العمالة، ولكنه أيضًا رابط يمكن أن يدخله اقتصاد blockchain والرمز المميز بسهولة. حاليًا، الأشخاص الرئيسيون الذين يقومون بجمع البيانات ومعالجة أعمال التعاقد من الباطن هم @getgrass_io @PublicAI_ @AITProtocol منازل.
ومع ذلك، تجدر الإشارة إلى أنه مع ظهور بنيات نماذج التعلم الآلي الجديدة، سيتغير الاعتماد على البيانات المنظمة. يمكن للبنى التقنية الجديدة، مثل التعلم الخاضع للإشراف الذاتي، وGAN، وVAE، ونماذج التدريب المسبق، استخدام البيانات غير المنظمة بشكل مباشر للتعلم العميق، وتجاوز روابط معالجة البيانات وتنظيفها، مما سيكون له تأثير معين على الطلب على المنصات كثيفة العمالة.
بالإضافة إلى ذلك، فإن البيانات التي يمكن التقاطها علنًا ليست سوى غيض من فيض من البيانات في العالم. هناك في الواقع كمية كبيرة من البيانات من المؤسسات الخاصة أو المستخدمين الأفراد، باستثناء بعض المؤسسات، باستثناء واجهة برمجة التطبيقات العامة التي تسمح بالاتصال، لا تزال معظم البيانات غير مفعلة. إن كيفية السماح لمزيد من أصحاب البيانات بالمساهمة/الترخيص ببياناتهم مع حماية الخصوصية بشكل جيد هو الاتجاه الرئيسي. كان هناك العديد من المنصات لتداول البيانات اللامركزية، ولكن لأنهم كافحوا للعثور على الأطراف التي تحتاج إلى البيانات، بعد عدة جولات من الموجات، اختفوا بشكل أساسي، ولم يتبق سوى عدد قليل مثل @oceanprotocol الذي نجا من ربيع الذكاء الاصطناعي، و يتيح نموذج "الحوسبة إلى البيانات" الفريد الخاص بهم لمستخدمي البيانات إجراء عمليات حسابية مباشرة على مجموعة بيانات مشارك البيانات دون الكشف عن البيانات، وهو ما يحل مشكلة الخصوصية هذه بالضبط.
3) التخزين: بما في ذلك قاعدة البيانات (قاعدة البيانات)، ونظام النسخ الاحتياطي/التخزين للبيانات (التخزين)
يتم استرداد معظم البيانات المستخدمة في التدريب والاستدلال على نماذج التعلم العميق من قواعد البيانات أو أنظمة النسخ الاحتياطي لتخزين البيانات. يمكن فهم قواعد البيانات وأنظمة النسخ الاحتياطي/التخزين على أنها "ثلاجات"، لكن قواعد البيانات وأنظمة النسخ الاحتياطي/التخزين مختلفة في الواقع. تركز الأولى على الإدارة وتحتاج إلى دعم القراءة والكتابة المتكررة، بالإضافة إلى الاستعلامات المعقدة (مثل SQL). الاسترجاع يركز المستثمرون على النسخ الاحتياطي والأرشفة على نطاق واسع وطويل الأمد، ويحتاجون إلى ضمان الخصوصية والأمان وعدم التلاعب.
قاعدة البيانات والتخزين يكملان بعضهما البعض ويخدمان بشكل مشترك التعلم العميق للذكاء الاصطناعي. السيناريو النموذجي هو: يتم استخراج البيانات من قاعدة البيانات ومعالجتها مسبقًا وتنظيفها وتحويلها إلى ملف نموذج مناسب لتنسيق التدريب، يمكن تخزين البيانات المعالجة في مخزن لامركزي لضمان أمن البيانات. في مرحلة تدريب النموذج، تتم قراءة بيانات التدريب من التخزين اللامركزي ويتم تنفيذ تدريب النموذج. يمكن تخزين البيانات الوسيطة ومعلمات النموذج التي تم إنشاؤها أثناء عملية التدريب في قاعدة البيانات للوصول السريع والضبط الدقيق والتحديث.
هذا القطاع هو ميزة blockchain، @ArweaveEco @Filecoin @storj @Sia__Foundation جميعهم في هذا المسار، حتى يتم تصنيفها، ولكن هناك شعور متزايد بأن @ArweaveEco هو الحل الأنسب لخدمة الذكاء الاصطناعي: نموذج التخزين الدائم للدفع لمرة واحدة، الذي يكمله العديد من مشاريع قواعد البيانات في النظام البيئي، وتتكيف شبكة الحوسبة AO ذات البنية المتوازية التي تم إصدارها حديثًا بشكل مثالي لتلبية احتياجات المهام متعددة الخيوط في التعلم العميق، مما يجعلها قادرة بشكل جيد على دعم نشر التعلم الآلي.
ثانيًا، يحدد أداء الذكاء الاصطناعي الحد الأعلى للتطبيقات النهائية:
على الرغم من أن الذكاء الاصطناعي لديه أو هناك تطبيقات أكثر أو أقل في المجالات الصناعية والزراعية (2B)، ولكن الاختراقات التي نراها في هذه الجولة هي في الأساس تطبيقات 2C القائمة على نماذج اللغة الكبيرة (LLM). يمكننا تقسيم هذه التطبيقات إلى فئتين رئيسيتين:
الفئة الأولى هي في الواقع مجرد تجسيد لنموذج لغوي كبير، مثل بعض منصات AIGC، التي تولد المستخدمين بناءً على تعليمات المستخدم، النتائج المرجوة، لكن أداء هذا النوع من التطبيقات يعتمد بشكل أساسي على نموذج الذكاء الاصطناعي المستخدم، ونموذج LLM الرئيسي محتكر من قبل العمالقة، لذا فإن الاختلافات بين التطبيقات غالبًا ما تكون صغيرة والخندق نسبيًا. ضيق، والنوع الآخر هو استخدام نماذج الذكاء الاصطناعي لتحسين الوظائف وتجربة المستخدم للمنتجات الحالية، مثل محركات البحث والألعاب وما إلى ذلك التي أضافت إمكانات الذكاء الاصطناعي، بما في ذلك @_kaitoai @ScopeProtocol @EchelonFND
بالإضافة إلى ذلك، عززت موجة الذكاء الاصطناعي التوليدي أيضًا نظامًا بيئيًا جديدًا للتطبيقات - AI Agent، وهو روبوت ذكي يتمتع بالقدرة على أداء المهام بشكل مستقل واتخاذ القرارات بناءً على نوايا المستخدم. يتمثل جوهر AI Agent في إضافة منطق تنفيذ ومعالجة أكثر تعقيدًا استنادًا إلى نموذج LLM، بحيث يمكنه خدمة سيناريوهات تطبيق مختلفة. في الواقع، النموذج الأولي لهذا النوع من الوكلاء موجود بالفعل في مجال العملات المشفرة، مثل روبوت التصفية لبروتوكولات إقراض DeFi وروبوت المراجحة لمنصات التداول اللامركزية. على الرغم من أن روبوتات DeFi هذه تتمتع ببعض خصائص الروبوتات الذكية، إلا أنها متصلة بسلسلة بحتة ولا تدعم السلوك خارج السلسلة لأنها تعتمد على عقود ذكية، فهي تتطلب مشغلات خارجية للبدء. في غياب الذكاء الاصطناعي، يتم حاليًا استخدام مجموعة من شبكات الحراسة الخارجية للاتصال خارج السلسلة وعلى السلسلة، على سبيل المثال، أوراكل السعر مثل هذا المثال النموذجي، و @thekeep3r هو أيضًا مثال. لقد أعطى ظهور AI Agent فكرة جديدة، وهي أن الروبوتات الذكية يمكنها إكمالها بنفسها وتحقيق الأتمتة. الأهداف الرئيسية لوكيل الذكاء الاصطناعي في السلسلة هي: @autonolas @MorpheusAIs ; بينما أهداف وكلاء الذكاء الاصطناعي الأكثر عمومية هي: @chainml_ @Fetch_ai ; والتفاعل بين الإنسان والحاسوب هو: @myshell_ai @virtuals_io @The_Delysium تتمثل خصائص هذا النوع من العملاء في التجسيد، وتوفير القيمة العاطفية، وامتلاك مساحة الخيال التي يمكن استخدامها في مختلف الألعاب والتحولات.
ثالثًا، مكتوب في النهاية:
الذكاء الاصطناعي هو في الواقع سرد اندماجي ، لربط العديد من قطاعات العملات المشفرة التي كانت معزولة في الأصل أو حتى غير قادرة على إيجاد تقارب في السوق. في الوقت الحاضر، لا يزال الذكاء الاصطناعي في عصر الاستثمار على نطاق واسع في البنية التحتية، مثل البيانات والتخزين والحوسبة، هي المستفيدة الأكثر مباشرة واستمرارية، فهي أكثر حساسية لتطوير الذكاء الاصطناعي ولديها قدر أكبر من اليقين.
ولكن بالنسبة للمستثمرين في هذه الصناعة، فإن الخطر يكمن في أن معظم الأرباح قد لا تكون في سوق العملات المشفرة، في الوقت الحاضر، تأثير الذكاء الاصطناعي في لا يزال سوق العملات يأتي من الأسواق التقليدية. وقد يكون التأثير غير المباشر الناجم عن اختلال التوازن بين العرض والطلب في السوق مجرد مضاربة. أما بالنسبة للتطبيقات النهائية، فإن سقف الأداء يعتمد على نموذج الذكاء الاصطناعي، ولا يزال نموذج الذكاء الاصطناعي في طور التكرار المستمر، ولا تزال نقطة التكامل بين الذكاء الاصطناعي والمنتجات قيد الاستكشاف، ولم يتم ملاءمة السوق بعد ليتم التحقق منها، مما يجعل المتغيرات المستقبلية للتطبيقات النهائية غير مؤكدة نسبيًا، فإن درجة اليقين ليست عالية مثل تلك الخاصة بقطاع المنبع.
بالطبع، هناك مشاريع مثل @bittensor_ و@ritualnet أعتقد أنه يجب أن يطلق عليه مشروع منصة بيئية للذكاء الاصطناعي. إنهم لا يركزون ببساطة على جزء معين من الأعمال الأولية أو النهائية، ولكن من خلال تصميم البنية والآليات الاقتصادية، يمكن لمقدمي الخدمات الأولية والنهائية الوصول إلى منصاتهم أو سلاسلهم ونشرها لتحقيق ما يسمى بالتعاون في مجال الذكاء الاصطناعي. تتمتع هذه المشاريع بآفاق كبيرة، لكن مشاكل التقاط الطلب التي يواجهها حاليًا الذكاء الاصطناعي في المراحل الأولية والنهائية سوف تنعكس عليها أيضًا، وتقييماتها مرتفعة نسبيًا. إلا أن مخاطر المراهنة على هذه المنصات ستكون قليلة نسبياً مقارنة بالمراهنة على مشروع معين.
على المدى القصير، قد تظل قدرة blockchain على الاستمرار في الاستفادة من أرباح الذكاء الاصطناعي تعتمد على اختلال التوازن بين العرض والطلب في قطاع المنبع، وخاصة استمرار حالة عدم كفاية العرض. ومع ذلك، على المدى المتوسط إلى الطويل، يمكن لقابلية التحقق وعدم التلاعب والحوافز الرمزية لـ blockchain أن توفر بالفعل إمكانيات جديدة للذكاء الاصطناعي، ومن بينها، يعد إثبات المعرفة الصفرية أداة قوية لا يمكنها حماية الخصوصية فحسب، بل يمكنها أيضًا تحقيق ذلك التحقق الموثوق به، والذي يحل بشكل مثالي مشكلة blockchain التي تخدم المتطلبات الحسابية العالية للتعلم العميق للذكاء الاصطناعي في ظل قيود الأداء.
JinseFinance
Coinlive 
NFT Now
Cointelegraph
Bitcoinist