دمج Web3 و AI: بناء بنية تحتية للإنترنت من الجيل التالي
تُعد Web3 نموذجًا جديدًا للإنترنت يتميز باللامركزية والانفتاح والشفافية، ولها فرصة اندماج طبيعية مع الذكاء الاصطناعي. في إطار الهيكل التقليدي المركزي، يتم التحكم بدقة في حسابات الذكاء الاصطناعي وموارد البيانات، مما يؤدي إلى وجود تحديات عديدة مثل عنق الزجاجة في قدرات الحوسبة، تسرب الخصوصية، وصناديق السوداء في الخوارزميات. بينما تستند Web3 إلى تقنيات توزيع، يمكن أن تُحسن من تطوير الذكاء الاصطناعي من خلال شبكة مشاركة القدرة الحاسوبية، سوق البيانات المفتوحة، والحوسبة الخاصة. في الوقت نفسه، يمكن أن يُعزز الذكاء الاصطناعي من Web3 بعدة طرق، مثل تحسين العقود الذكية، خوارزميات مكافحة الغش، وما إلى ذلك، مما يدعم بناء نظامها البيئي. لذلك، فإن استكشاف دمج Web3 والذكاء الاصطناعي يعد أمرًا حيويًا لبناء بنية تحتية للإنترنت من الجيل التالي، وإطلاق قيمة البيانات والقدرة الحاسوبية.
مدفوعة بالبيانات: الأساس المتين للذكاء الاصطناعي وWeb3
البيانات هي القوة الدافعة الأساسية لتطور الذكاء الاصطناعي، تمامًا كما هو الحال مع الوقود بالنسبة للمحرك. تحتاج نماذج الذكاء الاصطناعي إلى استيعاب كميات كبيرة من البيانات عالية الجودة للحصول على فهم عميق وقدرة استدلال قوية، فالبيانات لا توفر فقط الأساس لتدريب نماذج التعلم الآلي، بل تحدد أيضًا دقة وموثوقية النماذج.
في نمط الحصول على البيانات واستخدامها في الذكاء الاصطناعي المركزي التقليدي، توجد المشاكل الرئيسية التالية:
تكلفة الحصول على البيانات مرتفعة، مما يجعل من الصعب على الشركات الصغيرة والمتوسطة تحملها
تم احتكار الموارد البيانات من قبل عمالقة التكنولوجيا، مما أدى إلى تشكيل جزر بيانات.
تواجه خصوصية البيانات الشخصية مخاطر التسريب والإساءة
يمكن لـ Web3 حل نقاط الألم في النماذج التقليدية من خلال نموذج بيانات لامركزي جديد:
من خلال طريقة لامركزية لجمع بيانات الشبكة، وبعد التنظيف والتحويل، لتوفير بيانات حقيقية وعالية الجودة لتدريب نماذج الذكاء الاصطناعي.
اعتماد نموذج "label to earn"، من خلال تحفيز العمال العالميين بالمكافآت الرمزية للمشاركة في وضع العلامات على البيانات، وجمع الخبرات العالمية، وتعزيز قدرة تحليل البيانات.
توفر منصة بيانات تداول البلوكشين بيئة تداول علنية وشفافة لطرفي العرض والطلب على البيانات، مما يحفز الابتكار ومشاركة البيانات.
على الرغم من ذلك، توجد بعض المشكلات في الحصول على البيانات من العالم الحقيقي، مثل تفاوت جودة البيانات، وصعوبة المعالجة، ونقص التنوع والتمثيل. قد تكون البيانات الاصطناعية نجم مجال بيانات Web3 في المستقبل. بناءً على تقنيات الذكاء الاصطناعي التوليدي والمحاكاة، يمكن للبيانات الاصطناعية محاكاة خصائص البيانات الحقيقية، كإضافة فعالة للبيانات الحقيقية، مما يزيد من كفاءة استخدام البيانات. لقد أظهرت البيانات الاصطناعية بالفعل إمكانات تطبيق ناضجة في مجالات مثل القيادة الذاتية، وتداول الأسواق المالية، وتطوير الألعاب.
حماية الخصوصية: دور FHE في Web3
في عصر البيانات المدفوعة، أصبحت حماية الخصوصية محور اهتمام عالمي، ويعكس صدور لوائح مثل اللائحة العامة لحماية البيانات (GDPR) في الاتحاد الأوروبي الحماية الصارمة للخصوصية الشخصية. ومع ذلك، فإن هذا يطرح أيضًا تحديات: بعض البيانات الحساسة لا يمكن الاستفادة منها بشكل كامل بسبب مخاطر الخصوصية، مما يحد بلا شك من إمكانيات نموذج الذكاء الاصطناعي وقدراته على الاستنتاج.
FHE هو تشفير متجانس بالكامل، يسمح بإجراء عمليات حسابية مباشرة على البيانات المشفرة دون الحاجة إلى فك تشفير البيانات، وأن تكون نتائج الحساب متطابقة مع نتائج الحسابات التي تتم على البيانات النصية.
يوفر FHE حماية قوية لحساب الخصوصية في الذكاء الاصطناعي، مما يسمح لقوة معالجة GPU بتنفيذ مهام تدريب النماذج والاستدلال في بيئات لا تتعلق بالبيانات الأصلية. وهذا يجلب مزايا كبيرة لشركات الذكاء الاصطناعي. يمكنها فتح خدمات API بأمان مع حماية الأسرار التجارية.
يدعم FHEML معالجة البيانات والنماذج بشكل مشفر طوال دورة تعلم الآلة، مما يضمن أمان المعلومات الحساسة ويمنع مخاطر تسرب البيانات. بهذه الطريقة، يعزز FHEML خصوصية البيانات، ويقدم إطار عمل آمن للحوسبة لتطبيقات الذكاء الاصطناعي.
FHEML هو تكملة لـ ZKML، حيث يثبت ZKML التنفيذ الصحيح للتعلم الآلي، بينما يركز FHEML على حساب البيانات المشفرة للحفاظ على خصوصية البيانات.
ثورة قوة الحوسبة: الحسابات الذكية في الشبكات اللامركزية
تتضاعف تعقيدات الحساب لنظام الذكاء الاصطناعي الحالي كل ثلاثة أشهر، مما يؤدي إلى زيادة هائلة في الطلب على الطاقة الحاسوبية، والتي تتجاوز بكثير إمدادات الموارد الحاسوبية الحالية. على سبيل المثال، تتطلب نماذج اللغة الكبيرة لشركة معروفة في مجال الذكاء الاصطناعي طاقة حسابية هائلة، تعادل 355 عامًا من وقت التدريب على جهاز واحد. إن نقص القدرة الحاسوبية هذا لا يقتصر فقط على تقييد تقدم تقنيات الذكاء الاصطناعي، بل يجعل أيضًا تلك النماذج المتقدمة بعيدة المنال بالنسبة لمعظم الباحثين والمطورين.
في الوقت نفسه، لا تتجاوز نسبة استخدام وحدات معالجة الرسوميات (GPU) في جميع أنحاء العالم 40%، بالإضافة إلى تباطؤ تحسين أداء المعالجات الدقيقة، ونقص الرقائق الناتج عن عوامل سلسلة التوريد والجغرافيا السياسية، كل ذلك يجعل مشكلة إمدادات القدرة الحاسوبية 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 حسابية فعالة من حيث التكلفة حسب الطلب.
تقوم شبكة حوسبة الذكاء الاصطناعي اللامركزية بجمع موارد GPU غير المستخدمة على مستوى العالم، وتوفر سوق حوسبة اقتصادية وسهلة الوصول لشركات الذكاء الاصطناعي. يمكن لمستخدمي حوسبة الذكاء الاصطناعي نشر مهام حسابية على الشبكة، وتقوم العقود الذكية بتوزيع المهام على عقد التعدين التي تساهم بقوة الحوسبة، حيث ينفذ المعدنون المهام ويقدمون النتائج، وبعد التحقق يحصلون على مكافآت نقاط. تعمل هذه الخطة على تحسين كفاءة استخدام الموارد وتساعد في حل مشكلة اختناق قوة الحوسبة في مجالات مثل الذكاء الاصطناعي.
بجانب الشبكات العامة للحوسبة اللامركزية، هناك منصات تركز على تدريب الذكاء الاصطناعي، بالإضافة إلى شبكات حوسبة مخصصة تركز على استنتاج الذكاء الاصطناعي.
توفر شبكة الحوسبة اللامركزية سوقًا عادلًا وشفافًا للقوة الحوسبية، مما يكسر الاحتكار، ويقلل من عتبة التطبيقات، ويزيد من كفاءة استخدام القوة الحوسبية. في نظام بيئة web3، ستلعب شبكة الحوسبة اللامركزية دورًا حاسمًا، مما يجذب المزيد من التطبيقات اللامركزية المبتكرة للانضمام، لدفع تطوير وتطبيق تقنيات الذكاء الاصطناعي معًا.
DePIN: تمكين Web3 للذكاء الاصطناعي الحدي
تخيل أن هاتفك المحمول، وساعتك الذكية، وحتى الأجهزة الذكية في منزلك، تمتلك القدرة على تشغيل الذكاء الاصطناعي - هذه هي جاذبية الذكاء الاصطناعي على الحافة. إنه يجعل الحساب يحدث في مصدر إنتاج البيانات، مما يحقق زمن انتقال منخفض، ومعالجة في الوقت الحقيقي، مع حماية خصوصية المستخدمين. لقد تم تطبيق تقنيات الذكاء الاصطناعي على الحافة في مجالات حيوية مثل القيادة الذاتية.
في مجال Web3، لدينا اسم أكثر شهرة - DePIN. يؤكد Web3 على اللامركزية وحقوق المستخدمين في بياناتهم، يمكن لـ DePIN تعزيز حماية خصوصية المستخدم من خلال معالجة البيانات محليًا، وتقليل مخاطر تسرب البيانات؛ يمكن لآلية الاقتصاد الرمزي الأصلية لـ Web3 تحفيز عقد DePIN على تقديم موارد الحوسبة، وبناء نظام بيئي مستدام.
في الوقت الحالي، يتطور DePIN بسرعة في أحد أنظمة السلاسل العامة، ليصبح واحدًا من المنصات العامة المفضلة لنشر المشاريع. توفر TPS العالية، وانخفاض رسوم المعاملات، والابتكارات التكنولوجية لهذه السلسلة العامة دعمًا قويًا لمشاريع DePIN. حاليًا، تتجاوز القيمة السوقية لمشاريع DePIN على هذه السلسلة العامة 10 مليار دولار أمريكي، وقد حققت المشاريع المعروفة تقدمًا كبيرًا.
IMO: نموذج AI تم إصدار نمط جديد
تم تقديم مفهوم IMO لأول مرة بواسطة بروتوكول معين، والذي يقوم بتوكنينغ نماذج الذكاء الاصطناعي.
في النموذج التقليدي، بسبب عدم وجود آلية لمشاركة العوائد، عندما يتم تطوير نموذج الذكاء الاصطناعي وإدخاله إلى السوق، غالبًا ما يواجه المطورون صعوبة في الحصول على عوائد مستمرة من الاستخدامات اللاحقة للنموذج، خاصةً عندما يتم دمج النموذج في منتجات وخدمات أخرى، يصبح من الصعب على المبدعين الأصليين تتبع استخدامه، ناهيك عن تحقيق العائدات منه. بالإضافة إلى ذلك، غالبًا ما يفتقر أداء وفعالية نماذج الذكاء الاصطناعي إلى الشفافية، مما يجعل من الصعب على المستثمرين المحتملين والمستخدمين تقييم قيمتها الحقيقية، مما يحد من الاعتراف السوقي للنموذج وإمكاناته التجارية.
تقدم IMO طريقة جديدة تمامًا لدعم التمويل ومشاركة القيمة لنماذج الذكاء الاصطناعي مفتوحة المصدر، حيث يمكن للمستثمرين شراء رموز IMO ومشاركة الأرباح الناتجة عن النموذج لاحقًا. تستخدم بروتوكول معين معيارين من ERC، بالاقتران مع تقنية أوراكل الذكاء الاصطناعي وتقنية OPML لضمان صحة نموذج الذكاء الاصطناعي وقدرة حاملي الرموز على مشاركة الأرباح.
يعزز نموذج IMO الشفافية والثقة، ويشجع التعاون مفتوح المصدر، ويتكيف مع اتجاهات سوق العملات المشفرة، ويعطي دفعة للتنمية المستدامة للتكنولوجيا الذكية. لا يزال نموذج IMO في مرحلة التجريب الأولي، ولكن مع زيادة قبول السوق وتوسيع نطاق المشاركة، فإن ابتكاره وقيمته المحتملة تستحق توقعنا.
وكيل الذكاء الاصطناعي: عصر جديد من تجربة التفاعل
يمكن لوكيل الذكاء الاصطناعي إدراك البيئة والتفكير بشكل مستقل واتخاذ الإجراءات المناسبة لتحقيق الأهداف المحددة. بدعم من نماذج اللغة الكبيرة، يمكن لوكيل الذكاء الاصطناعي فهم اللغة الطبيعية، بالإضافة إلى تخطيط القرارات وتنفيذ المهام المعقدة. يمكن أن تعمل كأدوات افتراضية، من خلال التفاعل مع المستخدمين، تعلم تفضيلاتهم وتقديم حلول مخصصة. حتى في غياب التعليمات الواضحة، يمكن لوكيل الذكاء الاصطناعي حل المشكلات بشكل مستقل، وزيادة الكفاءة، وخلق قيمة جديدة.
توفر منصة تطبيقات الذكاء الاصطناعي الأصلية مجموعة شاملة وسهلة الاستخدام من أدوات الإبداع، تدعم تمكين المستخدمين من تكوين وظائف الروبوتات، والمظهر، والصوت، بالإضافة إلى الاتصال بقواعد المعرفة الخارجية، وتهدف إلى إنشاء نظام بيئي مفتوح وعادل لمحتوى الذكاء الاصطناعي، من خلال استخدام تقنيات الذكاء الاصطناعي التوليدية، تمكين الأفراد ليصبحوا منشئين فائقين. قامت هذه المنصة بتدريب نموذج لغة كبير متخصص، مما يجعل تجسيد الأدوار أكثر إنسانية؛ يمكن لتقنية استنساخ الصوت تسريع التفاعل الشخصي لمنتجات الذكاء الاصطناعي، وتقليل تكاليف توليد الصوت بنسبة 99%، ويمكن تحقيق استنساخ الصوت في دقيقة واحدة فقط. باستخدام وكيل الذكاء الاصطناعي المخصص من هذه المنصة، يمكن حالياً تطبيقه في مجالات متعددة مثل الدردشة بالفيديو، وتعلم اللغات، وتوليد الصور.
في دمج Web3 مع الذكاء الاصطناعي، يتم حاليًا استكشاف المزيد من طبقة البنية التحتية، مثل كيفية الحصول على بيانات عالية الجودة، وحماية خصوصية البيانات، وكيفية استضافة النماذج على السلسلة، وكيفية تحسين الاستخدام الفعال لقوة الحوسبة اللامركزية، وكيفية التحقق من نماذج اللغة الكبيرة وغيرها من القضايا الرئيسية. مع التحسين التدريجي لهذه البنية التحتية، لدينا أسباب للاعتقاد بأن دمج Web3 مع الذكاء الاصطناعي سيثمر عن مجموعة من نماذج الأعمال 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.
Web3 والذكاء الاصطناعي: بناء بنية تحتية للإنترنت الذكي اللامركزي
دمج Web3 و AI: بناء بنية تحتية للإنترنت من الجيل التالي
تُعد Web3 نموذجًا جديدًا للإنترنت يتميز باللامركزية والانفتاح والشفافية، ولها فرصة اندماج طبيعية مع الذكاء الاصطناعي. في إطار الهيكل التقليدي المركزي، يتم التحكم بدقة في حسابات الذكاء الاصطناعي وموارد البيانات، مما يؤدي إلى وجود تحديات عديدة مثل عنق الزجاجة في قدرات الحوسبة، تسرب الخصوصية، وصناديق السوداء في الخوارزميات. بينما تستند Web3 إلى تقنيات توزيع، يمكن أن تُحسن من تطوير الذكاء الاصطناعي من خلال شبكة مشاركة القدرة الحاسوبية، سوق البيانات المفتوحة، والحوسبة الخاصة. في الوقت نفسه، يمكن أن يُعزز الذكاء الاصطناعي من Web3 بعدة طرق، مثل تحسين العقود الذكية، خوارزميات مكافحة الغش، وما إلى ذلك، مما يدعم بناء نظامها البيئي. لذلك، فإن استكشاف دمج Web3 والذكاء الاصطناعي يعد أمرًا حيويًا لبناء بنية تحتية للإنترنت من الجيل التالي، وإطلاق قيمة البيانات والقدرة الحاسوبية.
مدفوعة بالبيانات: الأساس المتين للذكاء الاصطناعي وWeb3
البيانات هي القوة الدافعة الأساسية لتطور الذكاء الاصطناعي، تمامًا كما هو الحال مع الوقود بالنسبة للمحرك. تحتاج نماذج الذكاء الاصطناعي إلى استيعاب كميات كبيرة من البيانات عالية الجودة للحصول على فهم عميق وقدرة استدلال قوية، فالبيانات لا توفر فقط الأساس لتدريب نماذج التعلم الآلي، بل تحدد أيضًا دقة وموثوقية النماذج.
في نمط الحصول على البيانات واستخدامها في الذكاء الاصطناعي المركزي التقليدي، توجد المشاكل الرئيسية التالية:
يمكن لـ Web3 حل نقاط الألم في النماذج التقليدية من خلال نموذج بيانات لامركزي جديد:
على الرغم من ذلك، توجد بعض المشكلات في الحصول على البيانات من العالم الحقيقي، مثل تفاوت جودة البيانات، وصعوبة المعالجة، ونقص التنوع والتمثيل. قد تكون البيانات الاصطناعية نجم مجال بيانات Web3 في المستقبل. بناءً على تقنيات الذكاء الاصطناعي التوليدي والمحاكاة، يمكن للبيانات الاصطناعية محاكاة خصائص البيانات الحقيقية، كإضافة فعالة للبيانات الحقيقية، مما يزيد من كفاءة استخدام البيانات. لقد أظهرت البيانات الاصطناعية بالفعل إمكانات تطبيق ناضجة في مجالات مثل القيادة الذاتية، وتداول الأسواق المالية، وتطوير الألعاب.
حماية الخصوصية: دور FHE في Web3
في عصر البيانات المدفوعة، أصبحت حماية الخصوصية محور اهتمام عالمي، ويعكس صدور لوائح مثل اللائحة العامة لحماية البيانات (GDPR) في الاتحاد الأوروبي الحماية الصارمة للخصوصية الشخصية. ومع ذلك، فإن هذا يطرح أيضًا تحديات: بعض البيانات الحساسة لا يمكن الاستفادة منها بشكل كامل بسبب مخاطر الخصوصية، مما يحد بلا شك من إمكانيات نموذج الذكاء الاصطناعي وقدراته على الاستنتاج.
FHE هو تشفير متجانس بالكامل، يسمح بإجراء عمليات حسابية مباشرة على البيانات المشفرة دون الحاجة إلى فك تشفير البيانات، وأن تكون نتائج الحساب متطابقة مع نتائج الحسابات التي تتم على البيانات النصية.
يوفر FHE حماية قوية لحساب الخصوصية في الذكاء الاصطناعي، مما يسمح لقوة معالجة GPU بتنفيذ مهام تدريب النماذج والاستدلال في بيئات لا تتعلق بالبيانات الأصلية. وهذا يجلب مزايا كبيرة لشركات الذكاء الاصطناعي. يمكنها فتح خدمات API بأمان مع حماية الأسرار التجارية.
يدعم FHEML معالجة البيانات والنماذج بشكل مشفر طوال دورة تعلم الآلة، مما يضمن أمان المعلومات الحساسة ويمنع مخاطر تسرب البيانات. بهذه الطريقة، يعزز FHEML خصوصية البيانات، ويقدم إطار عمل آمن للحوسبة لتطبيقات الذكاء الاصطناعي.
FHEML هو تكملة لـ ZKML، حيث يثبت ZKML التنفيذ الصحيح للتعلم الآلي، بينما يركز FHEML على حساب البيانات المشفرة للحفاظ على خصوصية البيانات.
ثورة قوة الحوسبة: الحسابات الذكية في الشبكات اللامركزية
تتضاعف تعقيدات الحساب لنظام الذكاء الاصطناعي الحالي كل ثلاثة أشهر، مما يؤدي إلى زيادة هائلة في الطلب على الطاقة الحاسوبية، والتي تتجاوز بكثير إمدادات الموارد الحاسوبية الحالية. على سبيل المثال، تتطلب نماذج اللغة الكبيرة لشركة معروفة في مجال الذكاء الاصطناعي طاقة حسابية هائلة، تعادل 355 عامًا من وقت التدريب على جهاز واحد. إن نقص القدرة الحاسوبية هذا لا يقتصر فقط على تقييد تقدم تقنيات الذكاء الاصطناعي، بل يجعل أيضًا تلك النماذج المتقدمة بعيدة المنال بالنسبة لمعظم الباحثين والمطورين.
في الوقت نفسه، لا تتجاوز نسبة استخدام وحدات معالجة الرسوميات (GPU) في جميع أنحاء العالم 40%، بالإضافة إلى تباطؤ تحسين أداء المعالجات الدقيقة، ونقص الرقائق الناتج عن عوامل سلسلة التوريد والجغرافيا السياسية، كل ذلك يجعل مشكلة إمدادات القدرة الحاسوبية 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 حسابية فعالة من حيث التكلفة حسب الطلب.
تقوم شبكة حوسبة الذكاء الاصطناعي اللامركزية بجمع موارد GPU غير المستخدمة على مستوى العالم، وتوفر سوق حوسبة اقتصادية وسهلة الوصول لشركات الذكاء الاصطناعي. يمكن لمستخدمي حوسبة الذكاء الاصطناعي نشر مهام حسابية على الشبكة، وتقوم العقود الذكية بتوزيع المهام على عقد التعدين التي تساهم بقوة الحوسبة، حيث ينفذ المعدنون المهام ويقدمون النتائج، وبعد التحقق يحصلون على مكافآت نقاط. تعمل هذه الخطة على تحسين كفاءة استخدام الموارد وتساعد في حل مشكلة اختناق قوة الحوسبة في مجالات مثل الذكاء الاصطناعي.
بجانب الشبكات العامة للحوسبة اللامركزية، هناك منصات تركز على تدريب الذكاء الاصطناعي، بالإضافة إلى شبكات حوسبة مخصصة تركز على استنتاج الذكاء الاصطناعي.
توفر شبكة الحوسبة اللامركزية سوقًا عادلًا وشفافًا للقوة الحوسبية، مما يكسر الاحتكار، ويقلل من عتبة التطبيقات، ويزيد من كفاءة استخدام القوة الحوسبية. في نظام بيئة web3، ستلعب شبكة الحوسبة اللامركزية دورًا حاسمًا، مما يجذب المزيد من التطبيقات اللامركزية المبتكرة للانضمام، لدفع تطوير وتطبيق تقنيات الذكاء الاصطناعي معًا.
DePIN: تمكين Web3 للذكاء الاصطناعي الحدي
تخيل أن هاتفك المحمول، وساعتك الذكية، وحتى الأجهزة الذكية في منزلك، تمتلك القدرة على تشغيل الذكاء الاصطناعي - هذه هي جاذبية الذكاء الاصطناعي على الحافة. إنه يجعل الحساب يحدث في مصدر إنتاج البيانات، مما يحقق زمن انتقال منخفض، ومعالجة في الوقت الحقيقي، مع حماية خصوصية المستخدمين. لقد تم تطبيق تقنيات الذكاء الاصطناعي على الحافة في مجالات حيوية مثل القيادة الذاتية.
في مجال Web3، لدينا اسم أكثر شهرة - DePIN. يؤكد Web3 على اللامركزية وحقوق المستخدمين في بياناتهم، يمكن لـ DePIN تعزيز حماية خصوصية المستخدم من خلال معالجة البيانات محليًا، وتقليل مخاطر تسرب البيانات؛ يمكن لآلية الاقتصاد الرمزي الأصلية لـ Web3 تحفيز عقد DePIN على تقديم موارد الحوسبة، وبناء نظام بيئي مستدام.
في الوقت الحالي، يتطور DePIN بسرعة في أحد أنظمة السلاسل العامة، ليصبح واحدًا من المنصات العامة المفضلة لنشر المشاريع. توفر TPS العالية، وانخفاض رسوم المعاملات، والابتكارات التكنولوجية لهذه السلسلة العامة دعمًا قويًا لمشاريع DePIN. حاليًا، تتجاوز القيمة السوقية لمشاريع DePIN على هذه السلسلة العامة 10 مليار دولار أمريكي، وقد حققت المشاريع المعروفة تقدمًا كبيرًا.
IMO: نموذج AI تم إصدار نمط جديد
تم تقديم مفهوم IMO لأول مرة بواسطة بروتوكول معين، والذي يقوم بتوكنينغ نماذج الذكاء الاصطناعي.
في النموذج التقليدي، بسبب عدم وجود آلية لمشاركة العوائد، عندما يتم تطوير نموذج الذكاء الاصطناعي وإدخاله إلى السوق، غالبًا ما يواجه المطورون صعوبة في الحصول على عوائد مستمرة من الاستخدامات اللاحقة للنموذج، خاصةً عندما يتم دمج النموذج في منتجات وخدمات أخرى، يصبح من الصعب على المبدعين الأصليين تتبع استخدامه، ناهيك عن تحقيق العائدات منه. بالإضافة إلى ذلك، غالبًا ما يفتقر أداء وفعالية نماذج الذكاء الاصطناعي إلى الشفافية، مما يجعل من الصعب على المستثمرين المحتملين والمستخدمين تقييم قيمتها الحقيقية، مما يحد من الاعتراف السوقي للنموذج وإمكاناته التجارية.
تقدم IMO طريقة جديدة تمامًا لدعم التمويل ومشاركة القيمة لنماذج الذكاء الاصطناعي مفتوحة المصدر، حيث يمكن للمستثمرين شراء رموز IMO ومشاركة الأرباح الناتجة عن النموذج لاحقًا. تستخدم بروتوكول معين معيارين من ERC، بالاقتران مع تقنية أوراكل الذكاء الاصطناعي وتقنية OPML لضمان صحة نموذج الذكاء الاصطناعي وقدرة حاملي الرموز على مشاركة الأرباح.
يعزز نموذج IMO الشفافية والثقة، ويشجع التعاون مفتوح المصدر، ويتكيف مع اتجاهات سوق العملات المشفرة، ويعطي دفعة للتنمية المستدامة للتكنولوجيا الذكية. لا يزال نموذج IMO في مرحلة التجريب الأولي، ولكن مع زيادة قبول السوق وتوسيع نطاق المشاركة، فإن ابتكاره وقيمته المحتملة تستحق توقعنا.
وكيل الذكاء الاصطناعي: عصر جديد من تجربة التفاعل
يمكن لوكيل الذكاء الاصطناعي إدراك البيئة والتفكير بشكل مستقل واتخاذ الإجراءات المناسبة لتحقيق الأهداف المحددة. بدعم من نماذج اللغة الكبيرة، يمكن لوكيل الذكاء الاصطناعي فهم اللغة الطبيعية، بالإضافة إلى تخطيط القرارات وتنفيذ المهام المعقدة. يمكن أن تعمل كأدوات افتراضية، من خلال التفاعل مع المستخدمين، تعلم تفضيلاتهم وتقديم حلول مخصصة. حتى في غياب التعليمات الواضحة، يمكن لوكيل الذكاء الاصطناعي حل المشكلات بشكل مستقل، وزيادة الكفاءة، وخلق قيمة جديدة.
توفر منصة تطبيقات الذكاء الاصطناعي الأصلية مجموعة شاملة وسهلة الاستخدام من أدوات الإبداع، تدعم تمكين المستخدمين من تكوين وظائف الروبوتات، والمظهر، والصوت، بالإضافة إلى الاتصال بقواعد المعرفة الخارجية، وتهدف إلى إنشاء نظام بيئي مفتوح وعادل لمحتوى الذكاء الاصطناعي، من خلال استخدام تقنيات الذكاء الاصطناعي التوليدية، تمكين الأفراد ليصبحوا منشئين فائقين. قامت هذه المنصة بتدريب نموذج لغة كبير متخصص، مما يجعل تجسيد الأدوار أكثر إنسانية؛ يمكن لتقنية استنساخ الصوت تسريع التفاعل الشخصي لمنتجات الذكاء الاصطناعي، وتقليل تكاليف توليد الصوت بنسبة 99%، ويمكن تحقيق استنساخ الصوت في دقيقة واحدة فقط. باستخدام وكيل الذكاء الاصطناعي المخصص من هذه المنصة، يمكن حالياً تطبيقه في مجالات متعددة مثل الدردشة بالفيديو، وتعلم اللغات، وتوليد الصور.
في دمج Web3 مع الذكاء الاصطناعي، يتم حاليًا استكشاف المزيد من طبقة البنية التحتية، مثل كيفية الحصول على بيانات عالية الجودة، وحماية خصوصية البيانات، وكيفية استضافة النماذج على السلسلة، وكيفية تحسين الاستخدام الفعال لقوة الحوسبة اللامركزية، وكيفية التحقق من نماذج اللغة الكبيرة وغيرها من القضايا الرئيسية. مع التحسين التدريجي لهذه البنية التحتية، لدينا أسباب للاعتقاد بأن دمج Web3 مع الذكاء الاصطناعي سيثمر عن مجموعة من نماذج الأعمال والخدمات المبتكرة.