الوضع الحالي لدمج الذكاء الاصطناعي وWeb3: الفرص والتحديات.

مقدمة: تطور AI+Web3

في السنوات الأخيرة، أثار التطور السريع لتقنية الذكاء الاصطناعي (AI) وتقنية Web3 اهتمامًا واسع النطاق على مستوى العالم. يُعتبر الذكاء الاصطناعي تقنية تحاكي الذكاء البشري، وقد حققت تقدمًا كبيرًا في مجالات مثل التعرف على الوجه ومعالجة اللغة الطبيعية وتعلم الآلة، مما جلب تغييرات كبيرة وابتكارات إلى مختلف الصناعات. وصلت سوق صناعة الذكاء الاصطناعي في عام 2023 إلى حجم 200 مليار دولار، وظهرت شركات بارزة مثل OpenAI وCharacter.AI وMidjourney.

في الوقت نفسه، فإن Web3 كنموذج شبكة ناشئ يغير من إدراك الناس واستخدامهم للإنترنت. يعتمد Web3 على تقنية blockchain اللامركزية، ومن خلال العقود الذكية، والتخزين الموزع، ووظائف التحقق من الهوية اللامركزية، فقد حقق مشاركة البيانات والتحكم فيها، والحكم الذاتي للمستخدمين وإنشاء آليات الثقة. الفكرة الأساسية لـ Web3 هي تحرير البيانات من أيدي المؤسسات المركزية، ومنح المستخدمين السيطرة على البيانات وحق مشاركة القيم. في الوقت الحالي، تبلغ القيمة السوقية لصناعة Web3 25 تريليون دولار، وتظهر مشاريع مثل Bitcoin وEthereum وSolana بشكل متزايد.

إن دمج الذكاء الاصطناعي و Web3 هو مجال يحظى باهتمام كبير من قبل البناة والمستثمرين من الشرق والغرب، وكيفية دمج الاثنين بشكل جيد هو سؤال يستحق الاستكشاف. ستتناول هذه المقالة الحالة الحالية لتطور AI + Web3، وتحليل الوضع الحالي للمشاريع، ومناقشة القيود والتحديات التي تواجهها، لتقديم مرجع ورؤية للمستثمرين والمهنيين في الصناعة.

! [تعميم علم الوافد الجديد 丨 تحليل متعمق: ما نوع الشرر الذي يمكن أن يصطدم به الذكاء الاصطناعي و Web3؟] ](https://img-cdn.gateio.im/webp-social/moments-3a464664dade44c046b5c1451f1cf968.webp)

٢. كيفية تفاعل الذكاء الاصطناعي مع Web3

إن تطور الذكاء الاصطناعي وWeb3 يشبه جانبي الميزان، حيث يعزز الذكاء الاصطناعي الإنتاجية بينما يجلب Web3 تغييرات في علاقات الإنتاج. بعد ذلك، سنقوم أولاً بتحليل العقبات والمساحات المتاحة للتحسين التي تواجهها كل من صناعة الذكاء الاصطناعي وWeb3، ثم نستكشف كيف يمكن لكل منهما المساعدة في حل هذه العقبات.

2.1 التحديات التي تواجه صناعة الذكاء الاصطناعي

لا يمكن أن يستغني جوهر صناعة الذكاء الاصطناعي عن ثلاثة عناصر: القدرة الحاسوبية، والخوارزميات، والبيانات.

1. القدرة الحاسوبية: تشير إلى القدرة على إجراء عمليات حسابية ومعالجة على نطاق واسع. غالبًا ما تتطلب مهام الذكاء الاصطناعي معالجة كميات كبيرة من البيانات وإجراء حسابات معقدة، مثل تدريب نماذج الشبكات العصبية العميقة. يمكن أن تسريع القدرات الحاسوبية العالية عملية تدريب النماذج واستنتاج النتائج، مما يحسن أداء وكفاءة أنظمة الذكاء الاصطناعي. في السنوات الأخيرة، مع تطور وحدات معالجة الرسومات (GPU) والرقائق الخاصة بالذكاء الاصطناعي، لعبت زيادة القدرة الحاسوبية دورًا مهمًا في دفع صناعة الذكاء الاصطناعي.

2. الخوارزمية: هي جزء أساسي من نظام الذكاء الاصطناعي، تُستخدم لحل المشكلات وتحقيق المهام من خلال الطرق الرياضية والإحصائية. يمكن تقسيم خوارزميات الذكاء الاصطناعي إلى خوارزميات التعلم الآلي التقليدية وخوارزميات التعلم العميق، حيث حققت خوارزميات التعلم العميق تقدمًا كبيرًا في السنوات الأخيرة. اختيار وتصميم الخوارزمية مهمان للغاية لأداء النظام وفعاليته. يمكن أن تحسن الخوارزميات التي تتطور وتبتكر باستمرار دقة النظام وموثوقيته وقدرته على التعميم.

3. البيانات: المهمة الأساسية لنظام الذكاء الاصطناعي هي استخراج الأنماط والقوانين من البيانات من خلال التعلم والتدريب. تُعتبر البيانات أساس تدريب وتحسين النماذج، من خلال مجموعة كبيرة من عينات البيانات، يمكن لنظام الذكاء الاصطناعي أن يتعلم نماذج أكثر دقة وذكاء. توفر مجموعات البيانات الغنية معلومات أكثر شمولاً وتنوعاً، مما يسمح للنماذج بالتعميم بشكل أفضل على البيانات التي لم تُرَ من قبل، مما يساعد نظام الذكاء الاصطناعي على فهم وحل مشكلات العالم الواقعي بشكل أفضل.

تتمثل التحديات الرئيسية التي تواجه الذكاء الاصطناعي في هذه الجوانب الثلاثة:

• من حيث القدرة الحاسوبية: الحصول على وإدارة قدرة حاسوبية كبيرة مكلفة ومعقدة، حيث تعد تكلفة الأجهزة الحاسوبية عالية الأداء واستهلاك الطاقة والصيانة كلها مشاكل. قد يكون من الصعب على الشركات الناشئة والمطورين الأفراد الحصول على القدرة الحاسوبية الكافية.

• في مجال الخوارزميات: تحتاج خوارزميات التعلم العميق إلى كميات كبيرة من البيانات وموارد حسابية، كما أن قابلية تفسير النموذج وعدم قابليته للتفسير ليست كافية. تعتبر قوة التحمل والقدرة على التعميم للخوارزميات أيضًا من المشكلات المهمة، حيث قد يكون أداء النموذج غير مستقر على البيانات التي لم يسبق أن رآها.

• البيانات: لا يزال الحصول على بيانات عالية الجودة ومتنوعة يمثل تحديًا. قد يصعب الحصول على البيانات في بعض المجالات مثل بيانات الرعاية الصحية. جودة البيانات ودقتها والتعليق عليها هي أيضًا مسائل، حيث يمكن أن تؤدي البيانات غير المكتملة أو المنحازة إلى سلوك خاطئ أو تحيزات في النماذج. في الوقت نفسه، يعد حماية خصوصية البيانات وأمانها أيضًا من الاعتبارات الهامة.

بالإضافة إلى ذلك، فإن قابلية تفسير وشفافية نماذج الذكاء الاصطناعي، وعدم وضوح نماذج الأعمال، قد جعلت العديد من رواد الأعمال في مجال الذكاء الاصطناعي يشعرون بالارتباك.

2.2 التحديات التي تواجه صناعة Web3

تواجه صناعة Web3 حاليًا العديد من التحديات التي تحتاج إلى حل، بما في ذلك تحليل البيانات، تجربة المستخدم، وأمان العقود الذكية، حيث يوجد مجال كبير للتحسين في هذه الجوانب. كأداة لزيادة الإنتاجية، هناك أيضًا الكثير من الإمكانيات التي يمكن أن تلعبها الذكاء الاصطناعي في هذه المجالات:

• تحليل البيانات والتنبؤ: يمكن لتقنية الذكاء الاصطناعي أن تساعد منصات Web3 في استخراج معلومات قيمة من كميات هائلة من البيانات، مما يسمح بإجراء تنبؤات وقرارات أكثر دقة، وهو أمر ذو أهمية كبيرة في تقييم المخاطر في مجال DeFi، وتوقعات السوق، وإدارة الأصول.

• تجربة المستخدم والخدمات المخصصة: يمكن أن تساعد الذكاء الاصطناعي منصات Web3 في تقديم تجربة مستخدم أفضل وخدمات مخصصة، من خلال تحليل بيانات المستخدمين وتقديم توصيات مخصصة، وخدمات مخصصة وتجربة تفاعل ذكية، مما يزيد من مشاركة المستخدمين ورضاهم.

• الأمان وحماية الخصوصية: يمكن استخدام الذكاء الاصطناعي للكشف عن الهجمات الإلكترونية والدفاع ضدها، والتعرف على السلوكيات غير العادية، وتقديم ضمانات أمان أقوى. في الوقت نفسه، يمكن تطبيق الذكاء الاصطناعي أيضًا في حماية خصوصية البيانات، من خلال تقنيات مثل التشفير والحوسبة الخصوصية لحماية معلومات المستخدم.

• تدقيق العقود الذكية: يمكن استخدام تقنيات الذكاء الاصطناعي لأتمتة تدقيق العقود واكتشاف الثغرات، مما يعزز من أمان وموثوقية العقود.

! [تعميم علم الوافد الجديد 丨 تحليل متعمق: ما نوع الشرر الذي يمكن أن يصطدم به الذكاء الاصطناعي و Web3؟] ](https://img-cdn.gateio.im/webp-social/moments-166b11addde400b95cef849db8a9f96d.webp)

تحليل حالة مشروع AI+Web3

تتجه المشاريع التي تجمع بين الذكاء الاصطناعي وWeb3 بشكل أساسي نحو جانبين: استخدام تقنية blockchain لتحسين أداء مشاريع الذكاء الاصطناعي، واستخدام تقنية الذكاء الاصطناعي لخدمة تحسين مشاريع Web3.

3.1 Web3 يدعم AI

3.1.1 قوة الحوسبة اللامركزية

مع ظهور نماذج كبيرة مثل ChatGPT، زادت الحاجة إلى قوة الحوسبة في مجال الذكاء الاصطناعي بشكل كبير. ومع ذلك، أصبح نقص إمدادات وحدات معالجة الرسوميات (GPU) عقبة أمام تطوير الذكاء الاصطناعي. لحل هذه المشكلة، تحاول بعض مشاريع Web3 تقديم خدمات قوة حوسبة لامركزية، بما في ذلك Akash وRender وGensyn وغيرها. تقوم هذه المشاريع بتحفيز المستخدمين حول العالم من خلال الرموز لتقديم قوة الحوسبة غير المستغلة الخاصة بهم، لتوفير الدعم في قوة الحوسبة للعملاء في مجال الذكاء الاصطناعي.

يشمل جانب العرض بشكل رئيسي مزودي الخدمات السحابية وعمال مناجم العملات المشفرة والشركات الكبرى. تنقسم مشاريع الحوسبة اللامركزية بشكل عام إلى فئتين: واحدة مخصصة لاستنتاج الذكاء الاصطناعي ( مثل Render و Akash )، والأخرى مخصصة لتدريب الذكاء الاصطناعي ( مثل io.net و Gensyn ).

على سبيل المثال io.net، كشبكة لامركزية للقوة الحسابية، يتجاوز عدد وحدات معالجة الرسومات حاليًا 500,000، وقد تم دمج قوة حسابية من Render وFilecoin، مما يؤدي إلى تطوير مشاريع إيكولوجية باستمرار. بينما يقوم Gensyn بتعزيز توزيع المهام في التعلم الآلي والمكافآت من خلال العقود الذكية، مما يحقق تدريب الذكاء الاصطناعي.

ومع ذلك، تختار معظم المشاريع القيام باستدلال الذكاء الاصطناعي بدلاً من التدريب، والسبب الرئيسي في ذلك هو أن متطلبات القدرة الحاسوبية وعرض النطاق الترددي مختلفة. يتطلب تدريب الذكاء الاصطناعي كميات هائلة من البيانات وعرض نطاق ترددي عالي السرعة، مما يجعل تحقيق ذلك صعبًا. بينما يتطلب استدلال الذكاء الاصطناعي بيانات وعرض نطاق ترددي أقل، مما يزيد من احتمالية تحقيقه.

! [تعميم علم الوافد الجديد 丨 تحليل متعمق: ما نوع الشرر الذي يمكن أن يصطدم به الذكاء الاصطناعي و Web3؟] ](https://img-cdn.gateio.im/webp-social/moments-de2f6c381547c3d62e1f40e50f67e32d.webp)

3.1.2 نموذج الخوارزمية اللامركزية

بالإضافة إلى قوة الحوسبة، تحاول بعض المشاريع إنشاء سوق لخدمات خوارزميات الذكاء الاصطناعي اللامركزية. على سبيل المثال، تربط Bittensor العديد من نماذج الذكاء الاصطناعي، حيث يتمتع كل نموذج بمعرفته ومهاراته الخاصة. عندما يطرح المستخدم سؤالًا، سيختار السوق أنسب نموذج ذكاء اصطناعي لتقديم الإجابة.

في شبكة Bittensor ، يقوم مزودو نماذج الخوارزميات ( وعمال المناجم ) بتقديم نماذج التعلم الآلي إلى الشبكة ، ويحصلون على مكافآت رمزية مقابل مساهماتهم. لضمان جودة الإجابات ، تستخدم Bittensor آلية توافق فريدة لضمان توافق الشبكة حول أفضل الإجابات.

قد يؤدي تطور منصة نماذج الخوارزميات اللامركزية إلى تمكين الشركات الصغيرة من المنافسة مع المنظمات الكبيرة في استخدام أدوات الذكاء الاصطناعي المتقدمة، مما قد يؤثر بشكل كبير على مختلف الصناعات.

3.1.3 جمع البيانات اللامركزية

تتطلب نماذج الذكاء الاصطناعي كميات كبيرة من البيانات، ولكن معظم منصات Web2 الحالية تحظر جمع البيانات لتدريب الذكاء الاصطناعي، أو تبيع بيانات المستخدمين لشركات الذكاء الاصطناعي دون مشاركة الأرباح. بعض مشاريع Web3 تحقق جمع البيانات اللامركزي من خلال حوافز التوكن، مثل PublicAI.

في PublicAI، يمكن للمستخدمين المشاركة كمزودي بيانات AI أو كمدققين للبيانات. يقوم مزودو البيانات بالعثور على محتوى ذي قيمة على منصات التواصل الاجتماعي ومشاركته في مركز بيانات PublicAI؛ بينما يقوم المدققون بالتصويت لاختيار البيانات الأكثر قيمة لتدريب AI. يحصل المستخدمون على حوافز رمزية من خلال هذين النوعين من المساهمات، مما يعزز علاقة الفوز المشترك بين مقدمي البيانات وصناعة AI.

3.1.4 حماية الخصوصية للمستخدمين في الذكاء الاصطناعي ZK

تكنولوجيا إثبات المعرفة الصفرية يمكن أن تحقق تحقق المعلومات مع حماية الخصوصية، وتساعد في حل الصراع بين حماية خصوصية البيانات ومشاركة البيانات في الذكاء الاصطناعي. ZKML(تعلم الآلة ذو المعرفة الصفرية)من خلال تكنولوجيا إثبات المعرفة الصفرية، يسمح بتدريب ونمذجة التعلم الآلي دون الكشف عن البيانات الأصلية.

تستكشف مشاريع مثل BasedAI دمج التشفير التام FHE( مع LLM بسلاسة للحفاظ على سرية البيانات. من خلال نموذج اللغة الكبير الذي يعتمد على المعرفة الصفرية ) ZK-LLM(، يتم تضمين الخصوصية في بنية الشبكة الموزعة، مما يضمن بقاء بيانات المستخدم خاصة طوال عملية تشغيل الشبكة.

! [تعميم علم الوافد الجديد 丨 تحليل متعمق: ما نوع الشرر الذي يمكن أن يصطدم به الذكاء الاصطناعي و Web3؟] ])https://img-cdn.gateio.im/social/moments-8bda459009ffde5316e2118f4a0e9fa(

)# 3.2 الذكاء الاصطناعي يدعم الويب 3

3.2.1 تحليل البيانات والتنبؤ

بدأت العديد من مشاريع Web3 في دمج خدمات الذكاء الاصطناعي أو أدوات الذكاء الاصطناعي التي تم تطويرها داخليًا، لتقديم خدمات تحليل البيانات والتنبؤ للمستخدمين، بما في ذلك استراتيجيات الاستثمار، التحليل على السلسلة، التنبؤ بالأسعار والأسواق وغيرها من المجالات.

على سبيل المثال، تتنبأ Pond باستخدام خوارزميات الذكاء الاصطناعي بالرموز المميزة ذات القيمة المستقبلية، وتقدم اقتراحات استثمارية للمستخدمين والمؤسسات. يتم تدريب BullBear AI بناءً على بيانات المستخدم التاريخية وتاريخ خطوط الأسعار واتجاهات السوق، مما يساعد في التنبؤ باتجاهات الأسعار. Numerai كمنصة لمنافسات الاستثمار، يستخدم المشاركون الذكاء الاصطناعي ونماذج اللغة الكبيرة لتوقع سوق الأسهم. كما تقدم منصات تحليل البيانات على السلسلة مثل Arkham خدمات تجمع بين الذكاء الاصطناعي، حيث تربط بين عناوين البلوكشين والكيانات في العالم الحقيقي، وتعرض البيانات والتحليلات الرئيسية.

3.2.2 خدمات مخصصة

تعمل مشاريع Web3 على تحسين تجربة المستخدم من خلال دمج الذكاء الاصطناعي. على سبيل المثال، أطلقت منصة تحليل البيانات Dune أداة Wand، التي تستخدم نماذج اللغة الكبيرة لكتابة استعلامات SQL، مما يسهل على المستخدمين الذين لا يعرفون SQL البحث بسهولة. قامت منصة الإعلام Web3 Followin و موسوعة Web3 IQ.wiki بدمج ChatGPT لتلخيص المحتوى. تسعى محرك البحث Kaito المعتمد على LLM ليكون منصة بحث Web3. بينما تعمل مشاريع مثل NFPrompt على خفض تكاليف إنشاء NFT للمستخدمين من خلال الذكاء الاصطناعي.

3.2.3 تدقيق الذكاء الاصطناعي للعقود الذكية

تلعب الذكاء الاصطناعي أيضًا دورًا مهمًا في تدقيق العقود الذكية، حيث يمكنه تحديد ثغرات الشفرات بشكل أكثر كفاءة ودقة. على سبيل المثال، تقدم 0x0.ai مدقق عقود ذكية يعتمد على الذكاء الاصطناعي، ويستخدم خوارزميات متقدمة لتحليل العقود الذكية وتحديد الثغرات المحتملة أو مخاطر الأمان. يستخدم المدققون تقنيات التعلم الآلي لتحديد الأنماط والشذوذ في الشفرات، وتحديد المشاكل المحتملة للمراجعة اللاحقة.

! [تعميم علم الوافد الجديد 丨 تحليل متعمق: ما نوع الشرر الذي يمكن أن يصطدم به الذكاء الاصطناعي و Web3؟] ]###https://img-cdn.gateio.im/webp-social/moments-48fe2f2dc021b1b25d8d17f3a503cd7c.webp(

) أربعة، قيود وتحديات مشاريع الذكاء الاصطناعي + Web3

4.1 العقبات الواقعية في مجال الحوسبة اللامركزية

تواجه منتجات القوة الحوسبية اللامركزية بعض المشاكل الواقعية:

1. الأداء والاستقرار: نظرًا للاعتماد على العقد المنتشرة عالميًا، قد تكون هناك تأخيرات وعدم استقرار في الاتصال بالشبكة، وقد يكون الأداء أقل من منتجات القوة الحاسوبية المركزية.

2. مطابقة الموارد: تتأثر التوافر بدرجة مطابقة العرض والطلب، مما قد يؤدي إلى نقص الموارد أو عدم قدرة على تلبية احتياجات المستخدم.

3. التعقيد التكنولوجي: قد يحتاج المستخدمون إلى فهم المعرفة المتعلقة بالشبكات الموزعة والعقود الذكية والمدفوعات بالعملات المشفرة، مما يجعل تكلفة الاستخدام مرتفعة.

4. صعوبة تدريب النماذج الكبيرة: يتطلب تدريب النماذج الكبيرة استقرارًا عاليًا وقدرة على التوازي عبر عدة بطاقات، في الوقت الحالي يصعب تحقيق ذلك في الحوسبة اللامركزية. تشمل الأسباب الرئيسية ما يلي:

   • قوة بطاقة واحدة: يتطلب تدريب النماذج الكبيرة قوة بطاقة واحدة قوية.
   • تشغيل بطاقات متعددة بالتوازي: يتطلب تحريك آلاف وحدات معالجة الرسوميات لإجراء تدريب متوازي، مما يتطلب متطلبات عالية لتواصل البطاقات المتعددة.
   • بيئة البرمجيات: تحتاج إلى بيئة برمجيات متوافقة مع الأجهزة، مثل نظام CUDA من إنفيديا.