دمج الذكاء الاصطناعي وWeb3: بناء بنية تحتية للإنترنت من الجيل التالي
تعتبر Web3 كنوع جديد من نماذج الإنترنت اللامركزية والمفتوحة والشفافة، لديها مزايا طبيعية في دمجها مع الذكاء الاصطناعي. في إطار الهيكل التقليدي المركزي، يتم التحكم بشكل صارم في موارد حسابات الذكاء الاصطناعي والبيانات، مما يؤدي إلى العديد من التحديات مثل عنق الزجاجة في القدرة الحاسوبية، تسرب الخصوصية، وعدم شفافية الخوارزميات. بينما تعتمد Web3 على التقنيات الموزعة، يمكنها من خلال شبكة مشاركة القدرة الحاسوبية، وسوق البيانات المفتوحة، والحسابات الخاصة، أن تضخ طاقة جديدة في تطوير الذكاء الاصطناعي. وفي الوقت نفسه، يمكن أن يوفر الذكاء الاصطناعي العديد من الإمكانيات لـ Web3، مثل تحسين العقود الذكية وخوارزميات مكافحة الغش، مما يساعد على بناء نظامها البيئي. لذلك، فإن استكشاف دمج Web3 مع الذكاء الاصطناعي يعد أمرًا بالغ الأهمية لبناء بنية تحتية جديدة للإنترنت، وإطلاق القيمة من البيانات والقدرة الحاسوبية.
مدفوع بالبيانات: الأساس المتين بين الذكاء الاصطناعي وWeb3
البيانات هي القوة الدافعة الأساسية لتطوير الذكاء الاصطناعي، مثلما يكون الوقود بالنسبة للمحرك. تحتاج نماذج الذكاء الاصطناعي إلى استيعاب كميات كبيرة من البيانات عالية الجودة للحصول على فهم عميق وقدرة استدلال قوية. لا توفر البيانات فقط الأساس للتدريب لنماذج التعلم الآلي، بل تحدد أيضًا دقة النموذج وموثوقيته.
في نماذج الحصول على بيانات الذكاء الاصطناعي واستخدامها المركزية التقليدية، توجد بعض المشكلات الرئيسية التالية:
تكلفة الحصول على البيانات مرتفعة، مما يجعل من الصعب على الشركات الصغيرة والمتوسطة تحملها
يتم احتكار الموارد البيانات من قبل عمالقة التكنولوجيا ، مما أدى إلى تشكيل جزر البيانات
تواجه خصوصية البيانات الشخصية مخاطر التسريب وسوء الاستخدام
يمكن لـ Web3 معالجة نقاط الألم في النماذج التقليدية من خلال نموذج بيانات لامركزي جديد:
يمكن للمستخدمين بيع الشبكة غير المستخدمة لشركات الذكاء الاصطناعي، لجمع بيانات الشبكة بشكل لامركزي، وبعد التنظيف والتحويل، لتوفير بيانات حقيقية وعالية الجودة لتدريب نماذج الذكاء الاصطناعي.
اعتماد نموذج "label to earn"، من خلال تحفيز العاملين في جميع أنحاء العالم عبر الرموز، لجمع المعرفة المهنية العالمية، وتعزيز قدرة تحليل البيانات
توفر منصة تداول بيانات البلوكشين بيئة تداول شفافة وعلنية لطرفي العرض والطلب على البيانات، مما يحفز الابتكار ومشاركة البيانات.
على الرغم من ذلك، فإن الحصول على البيانات من العالم الحقيقي يواجه بعض المشكلات، مثل جودة البيانات المتفاوتة، وصعوبة المعالجة، ونقص التنوع والتمثيل. قد تكون البيانات الاصطناعية نجمًا مستقبليًا في مجال بيانات Web3. تستند البيانات الاصطناعية إلى تقنيات الذكاء الاصطناعي التوليدي والمحاكاة، ويمكنها محاكاة خصائص البيانات الحقيقية، كإضافة فعالة للبيانات الحقيقية، مما يزيد من كفاءة استخدام البيانات. في مجالات مثل القيادة الذاتية، وتداول الأسواق المالية، وتطوير الألعاب، أظهرت البيانات الاصطناعية إمكاناتها التطبيقية الناضجة.
حماية الخصوصية: دور FHE في Web3
في عصر البيانات المدفوعة، أصبحت حماية الخصوصية محور اهتمام عالمي، حيث تعكس القوانين مثل اللائحة العامة لحماية البيانات (GDPR) في الاتحاد الأوروبي الحماية الصارمة للخصوصية الشخصية. ومع ذلك، فإن هذا يأتي أيضًا مع تحديات: فبعض البيانات الحساسة لا يمكن استغلالها بشكل كامل بسبب مخاطر الخصوصية، مما يحد بلا شك من إمكانيات ونماذج الذكاء الاصطناعي.
FHE هي التشفير المتجانس بالكامل، مما يسمح بإجراء عمليات حسابية مباشرة على البيانات المشفرة دون الحاجة إلى فك تشفير البيانات، والنتيجة الحسابية تتطابق مع نتيجة إجراء نفس الحساب على البيانات النصية.
تقدم FHE حماية قوية للحوسبة السرية للذكاء الاصطناعي، مما يسمح لقوة معالجة GPU بتنفيذ مهام تدريب النماذج والاستدلال في بيئة لا تلمس البيانات الأصلية. وهذا يوفر مزايا هائلة لشركات الذكاء الاصطناعي. يمكنها فتح خدمات API بأمان مع حماية الأسرار التجارية.
يدعم FHEML تشفير البيانات والنماذج على مدار دورة التعلم الآلي بالكامل، مما يضمن أمان المعلومات الحساسة ويمنع مخاطر تسرب البيانات. من خلال هذه الطريقة، يعزز FHEML خصوصية البيانات ويوفر إطار حساب آمن 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 القدرة الحاسوبية: الحوسبة المدعومة بالذكاء الاصطناعي في الشبكات اللامركزية
تتضاعف تعقيدات الحسابات في أنظمة الذكاء الاصطناعي الحالية كل ثلاثة أشهر، مما يؤدي إلى زيادة هائلة في الطلب على القدرة الحاسوبية، تفوق بكثير إمدادات الموارد الحسابية الحالية. على سبيل المثال، يتطلب تدريب نموذج لغوي كبير قدرة حاسوبية هائلة، تعادل 355 عامًا من وقت التدريب على جهاز واحد. هذه النقص في القدرة الحاسوبية لا يقتصر فقط على تقييد تقدم تكنولوجيا الذكاء الاصطناعي، بل يجعل تلك النماذج المتقدمة بعيدة المنال لمعظم الباحثين والمطورين.
في الوقت نفسه، لا تتجاوز نسبة استخدام وحدات معالجة الرسومات العالمية 40%، بالإضافة إلى التباطؤ في تحسين أداء المعالجات الدقيقة، ونقص الرقائق الناتج عن عوامل سلسلة التوريد والجغرافيا السياسية، كل ذلك يجعل مشكلة إمداد قوة الحوسبة أكثر حدة. يجد محترفو الذكاء الاصطناعي أنفسهم في مأزق: إما شراء الأجهزة بأنفسهم أو استئجار الموارد السحابية، وهم في حاجة ماسة إلى طريقة لخدمة الحوسبة حسب الطلب وبكفاءة اقتصادية.
تقدم شبكة الحوسبة اللامركزية للذكاء الاصطناعي سوقًا للحوسبة اقتصاديًا وسهل الوصول من خلال تجميع موارد GPU غير المستخدمة عالميًا. يمكن لطرف الطلب على الحوسبة نشر مهام حسابية على الشبكة، حيث تقوم العقود الذكية بتوزيع المهام على عُقد المعدنين التي تساهم بالقوة الحاسوبية، وينفذ المعدنون المهام ويقدمون النتائج، وبعد التحقق يحصلون على مكافآت نقاط. تساعد هذه الخطة في تحسين كفاءة استخدام الموارد وتساهم في حل مشكلة اختناق الحوسبة في مجالات مثل الذكاء الاصطناعي.
بالإضافة إلى شبكة الحوسبة اللامركزية العامة، هناك بعض المنصات التي تركز على تدريب الذكاء الاصطناعي، بالإضافة إلى الشبكات المخصصة للحوسبة الخاصة باستنتاج الذكاء الاصطناعي.
توفر شبكة القوة الحاسوبية اللامركزية سوقًا عادلًا وشفافًا للقوة الحاسوبية، تكسر الاحتكار، وتخفض من عتبة التطبيقات، مما يزيد من كفاءة استخدام القوة الحاسوبية. في نظام web3 البيئي، ستلعب شبكة القوة الحاسوبية اللامركزية دورًا حاسمًا، مما يجذب المزيد من dapps المبتكرة للانضمام، لدفع تطوير وتطبيق تقنيات الذكاء الاصطناعي بشكل مشترك.
تخيل أن هاتفك الذكي، وساعتك الذكية، وحتى الأجهزة الذكية في منزلك، تمتلك القدرة على تشغيل الذكاء الاصطناعي - هذه هي جاذبية Edge AI. إنه يسمح بالحسابات لتحدث في مصدر إنتاج البيانات، مما يحقق تأخير منخفض، ومعالجة في الوقت الحقيقي، بينما يحمي خصوصية المستخدم. لقد تم تطبيق تقنية Edge AI في المجالات الحيوية مثل القيادة الذاتية.
في مجال Web3، لدينا اسم أكثر معرفة - DePIN. يؤكد Web3 على اللامركزية وحق سيادة المستخدم على البيانات، يمكن لـ DePIN من خلال معالجة البيانات محليًا تعزيز حماية خصوصية المستخدم وتقليل مخاطر تسرب البيانات؛ يمكن لآلية اقتصاد الرموز الأصلية في Web3 تحفيز عقد DePIN على توفير موارد الحوسبة، وبناء نظام بيئي مستدام.
تتطور DePIN بسرعة في نظام بيئي معين من سلسلة الكتل العامة، لتصبح واحدة من منصات السلسلة العامة المفضلة لنشر المشاريع. توفر TPS العالية والرسوم المنخفضة للمعاملات والابتكارات التقنية في هذه السلسلة العامة دعمًا قويًا لمشاريع DePIN. حاليًا، تجاوزت القيمة السوقية لمشاريع DePIN على هذه السلسلة العامة 10 مليارات دولار، وقد حققت بعض المشاريع المعروفة تقدمًا ملحوظًا.
IMO: إصدار نموذج جديد لنموذج الذكاء الاصطناعي
تم اقتراح مفهوم IMO لأول مرة من قبل بروتوكول معين، والذي يقوم بتوكن نموذج الذكاء الاصطناعي.
في النموذج التقليدي، بسبب غياب آلية مشاركة الأرباح، بمجرد تطوير نموذج الذكاء الاصطناعي وإدخاله في السوق، غالبًا ما يجد المطورون صعوبة في الحصول على عوائد مستمرة من الاستخدام المستمر للنموذج، خاصة عندما يتم دمج النموذج في منتجات وخدمات أخرى، فإن المبدعين الأصليين يجدون صعوبة في تتبع الاستخدام، ناهيك عن الحصول على أرباح. بالإضافة إلى ذلك، غالبًا ما تفتقر أداء نموذج الذكاء الاصطناعي وفعاليته إلى الشفافية، مما يجعل المستثمرين والمستخدمين المحتملين يجدون صعوبة في تقييم قيمته الحقيقية، مما يقيّد الاعتراف بالسوق وإمكانات الأعمال للنموذج.
يوفر IMO طريقة جديدة تمامًا لدعم التمويل ومشاركة القيمة لنماذج الذكاء الاصطناعي المفتوحة المصدر، حيث يمكن للمستثمرين شراء رموز IMO ومشاركة الأرباح الناتجة عن النموذج لاحقًا. تستخدم بروتوكول معين معيار ERC محدد، بالاشتراك مع تقنية AI Oracle و OPML لضمان مصداقية نموذج الذكاء الاصطناعي وتمكين حاملي الرموز من مشاركة الأرباح.
تعزز نماذج IMO الشفافية والثقة، وتشجع التعاون المفتوح، وتتكيف مع اتجاهات سوق العملات المشفرة، وتضخ القوة في التنمية المستدامة لتقنيات الذكاء الاصطناعي. لا تزال IMO في مرحلة التجريب الأولية، ولكن مع زيادة قبول السوق وتوسع نطاق المشاركة، فإن ابتكاراتها وقيمتها المحتملة تستحق توقعنا.
وكيل الذكاء الاصطناعي: عصر جديد من تجارب التفاعل
يمكن لوكيل الذكاء الاصطناعي استشعار البيئة والتفكير بشكل مستقل واتخاذ الإجراءات المناسبة لتحقيق الأهداف المحددة. بدعم من نماذج اللغة الكبيرة، فإن وكيل الذكاء الاصطناعي لا يفهم اللغة الطبيعية فحسب، بل يمكنه أيضًا التخطيط واتخاذ القرارات وتنفيذ المهام المعقدة. يمكن أن تعمل كأدوات مساعدة افتراضية، من خلال التفاعل مع المستخدمين لتعلم تفضيلاتهم وتقديم حلول مخصصة. حتى في غياب التعليمات الواضحة، يمكن لوكيل الذكاء الاصطناعي حل المشكلات بشكل مستقل، مما يزيد من الكفاءة ويخلق قيمة جديدة.
توفر منصة AI الأصلية المفتوحة مجموعة شاملة وسهلة الاستخدام من أدوات الإبداع، تدعم المستخدمين في تكوين ميزات وآليات ظهور ووظائف الروبوتات، بالإضافة إلى الاتصال بمكتبات المعرفة الخارجية، وتهدف إلى إنشاء نظام بيئي مفتوح وعادل لمحتوى AI، باستخدام تقنية AI التوليدية، لتمكين الأفراد من أن يصبحوا منشئي محتوى متفوقين. تم تدريب المنصة على نماذج لغة كبيرة مخصصة، مما يجعل تمثيل الأدوار أكثر إنسانية؛ يمكن لتقنية استنساخ الصوت تسريع التفاعل الشخصي لمنتجات AI، وتقليل تكلفة توليد الصوت بنسبة 99%، حيث يمكن تحقيق استنساخ الصوت في دقيقة واحدة فقط. باستخدام AI Agent المخصص من هذه المنصة، يمكن تطبيقه حالياً في مجالات متعددة مثل الدردشة بالفيديو، وتعلم اللغات، وتوليد الصور.
في دمج Web3 مع الذكاء الاصطناعي، هناك المزيد من الاستكشاف في مستوى البنية التحتية الحالية، مثل كيفية الحصول على بيانات عالية الجودة، وحماية خصوصية البيانات، وكيفية استضافة النماذج على السلسلة، وكيفية تحسين الاستخدام الفعال للقوة الحاسوبية اللامركزية، وكيفية التحقق من النماذج اللغوية الكبيرة، وغيرها من القضايا الرئيسية. مع التحسين التدريجي لهذه البنية التحتية، لدينا أسباب للاعتقاد بأن دمج Web3 مع الذكاء الاصطناعي سيولد 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.
الذكاء الاصطناعي والويب 3.0 في العمق: بناء نظام بيئي ذكي للإنترنت اللامركزي
دمج الذكاء الاصطناعي وWeb3: بناء بنية تحتية للإنترنت من الجيل التالي
تعتبر Web3 كنوع جديد من نماذج الإنترنت اللامركزية والمفتوحة والشفافة، لديها مزايا طبيعية في دمجها مع الذكاء الاصطناعي. في إطار الهيكل التقليدي المركزي، يتم التحكم بشكل صارم في موارد حسابات الذكاء الاصطناعي والبيانات، مما يؤدي إلى العديد من التحديات مثل عنق الزجاجة في القدرة الحاسوبية، تسرب الخصوصية، وعدم شفافية الخوارزميات. بينما تعتمد Web3 على التقنيات الموزعة، يمكنها من خلال شبكة مشاركة القدرة الحاسوبية، وسوق البيانات المفتوحة، والحسابات الخاصة، أن تضخ طاقة جديدة في تطوير الذكاء الاصطناعي. وفي الوقت نفسه، يمكن أن يوفر الذكاء الاصطناعي العديد من الإمكانيات لـ Web3، مثل تحسين العقود الذكية وخوارزميات مكافحة الغش، مما يساعد على بناء نظامها البيئي. لذلك، فإن استكشاف دمج Web3 مع الذكاء الاصطناعي يعد أمرًا بالغ الأهمية لبناء بنية تحتية جديدة للإنترنت، وإطلاق القيمة من البيانات والقدرة الحاسوبية.
مدفوع بالبيانات: الأساس المتين بين الذكاء الاصطناعي وWeb3
البيانات هي القوة الدافعة الأساسية لتطوير الذكاء الاصطناعي، مثلما يكون الوقود بالنسبة للمحرك. تحتاج نماذج الذكاء الاصطناعي إلى استيعاب كميات كبيرة من البيانات عالية الجودة للحصول على فهم عميق وقدرة استدلال قوية. لا توفر البيانات فقط الأساس للتدريب لنماذج التعلم الآلي، بل تحدد أيضًا دقة النموذج وموثوقيته.
في نماذج الحصول على بيانات الذكاء الاصطناعي واستخدامها المركزية التقليدية، توجد بعض المشكلات الرئيسية التالية:
يمكن لـ Web3 معالجة نقاط الألم في النماذج التقليدية من خلال نموذج بيانات لامركزي جديد:
على الرغم من ذلك، فإن الحصول على البيانات من العالم الحقيقي يواجه بعض المشكلات، مثل جودة البيانات المتفاوتة، وصعوبة المعالجة، ونقص التنوع والتمثيل. قد تكون البيانات الاصطناعية نجمًا مستقبليًا في مجال بيانات Web3. تستند البيانات الاصطناعية إلى تقنيات الذكاء الاصطناعي التوليدي والمحاكاة، ويمكنها محاكاة خصائص البيانات الحقيقية، كإضافة فعالة للبيانات الحقيقية، مما يزيد من كفاءة استخدام البيانات. في مجالات مثل القيادة الذاتية، وتداول الأسواق المالية، وتطوير الألعاب، أظهرت البيانات الاصطناعية إمكاناتها التطبيقية الناضجة.
حماية الخصوصية: دور FHE في Web3
في عصر البيانات المدفوعة، أصبحت حماية الخصوصية محور اهتمام عالمي، حيث تعكس القوانين مثل اللائحة العامة لحماية البيانات (GDPR) في الاتحاد الأوروبي الحماية الصارمة للخصوصية الشخصية. ومع ذلك، فإن هذا يأتي أيضًا مع تحديات: فبعض البيانات الحساسة لا يمكن استغلالها بشكل كامل بسبب مخاطر الخصوصية، مما يحد بلا شك من إمكانيات ونماذج الذكاء الاصطناعي.
FHE هي التشفير المتجانس بالكامل، مما يسمح بإجراء عمليات حسابية مباشرة على البيانات المشفرة دون الحاجة إلى فك تشفير البيانات، والنتيجة الحسابية تتطابق مع نتيجة إجراء نفس الحساب على البيانات النصية.
تقدم FHE حماية قوية للحوسبة السرية للذكاء الاصطناعي، مما يسمح لقوة معالجة GPU بتنفيذ مهام تدريب النماذج والاستدلال في بيئة لا تلمس البيانات الأصلية. وهذا يوفر مزايا هائلة لشركات الذكاء الاصطناعي. يمكنها فتح خدمات API بأمان مع حماية الأسرار التجارية.
يدعم FHEML تشفير البيانات والنماذج على مدار دورة التعلم الآلي بالكامل، مما يضمن أمان المعلومات الحساسة ويمنع مخاطر تسرب البيانات. من خلال هذه الطريقة، يعزز FHEML خصوصية البيانات ويوفر إطار حساب آمن 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 القدرة الحاسوبية: الحوسبة المدعومة بالذكاء الاصطناعي في الشبكات اللامركزية
تتضاعف تعقيدات الحسابات في أنظمة الذكاء الاصطناعي الحالية كل ثلاثة أشهر، مما يؤدي إلى زيادة هائلة في الطلب على القدرة الحاسوبية، تفوق بكثير إمدادات الموارد الحسابية الحالية. على سبيل المثال، يتطلب تدريب نموذج لغوي كبير قدرة حاسوبية هائلة، تعادل 355 عامًا من وقت التدريب على جهاز واحد. هذه النقص في القدرة الحاسوبية لا يقتصر فقط على تقييد تقدم تكنولوجيا الذكاء الاصطناعي، بل يجعل تلك النماذج المتقدمة بعيدة المنال لمعظم الباحثين والمطورين.
في الوقت نفسه، لا تتجاوز نسبة استخدام وحدات معالجة الرسومات العالمية 40%، بالإضافة إلى التباطؤ في تحسين أداء المعالجات الدقيقة، ونقص الرقائق الناتج عن عوامل سلسلة التوريد والجغرافيا السياسية، كل ذلك يجعل مشكلة إمداد قوة الحوسبة أكثر حدة. يجد محترفو الذكاء الاصطناعي أنفسهم في مأزق: إما شراء الأجهزة بأنفسهم أو استئجار الموارد السحابية، وهم في حاجة ماسة إلى طريقة لخدمة الحوسبة حسب الطلب وبكفاءة اقتصادية.
تقدم شبكة الحوسبة اللامركزية للذكاء الاصطناعي سوقًا للحوسبة اقتصاديًا وسهل الوصول من خلال تجميع موارد GPU غير المستخدمة عالميًا. يمكن لطرف الطلب على الحوسبة نشر مهام حسابية على الشبكة، حيث تقوم العقود الذكية بتوزيع المهام على عُقد المعدنين التي تساهم بالقوة الحاسوبية، وينفذ المعدنون المهام ويقدمون النتائج، وبعد التحقق يحصلون على مكافآت نقاط. تساعد هذه الخطة في تحسين كفاءة استخدام الموارد وتساهم في حل مشكلة اختناق الحوسبة في مجالات مثل الذكاء الاصطناعي.
بالإضافة إلى شبكة الحوسبة اللامركزية العامة، هناك بعض المنصات التي تركز على تدريب الذكاء الاصطناعي، بالإضافة إلى الشبكات المخصصة للحوسبة الخاصة باستنتاج الذكاء الاصطناعي.
توفر شبكة القوة الحاسوبية اللامركزية سوقًا عادلًا وشفافًا للقوة الحاسوبية، تكسر الاحتكار، وتخفض من عتبة التطبيقات، مما يزيد من كفاءة استخدام القوة الحاسوبية. في نظام web3 البيئي، ستلعب شبكة القوة الحاسوبية اللامركزية دورًا حاسمًا، مما يجذب المزيد من dapps المبتكرة للانضمام، لدفع تطوير وتطبيق تقنيات الذكاء الاصطناعي بشكل مشترك.
! استكشاف عمليات الدمج الرئيسية الستة ل الذكاء الاصطناعي و Web3
DePIN: تمكين Web3 للذكاء الاصطناعي الحدي
تخيل أن هاتفك الذكي، وساعتك الذكية، وحتى الأجهزة الذكية في منزلك، تمتلك القدرة على تشغيل الذكاء الاصطناعي - هذه هي جاذبية Edge AI. إنه يسمح بالحسابات لتحدث في مصدر إنتاج البيانات، مما يحقق تأخير منخفض، ومعالجة في الوقت الحقيقي، بينما يحمي خصوصية المستخدم. لقد تم تطبيق تقنية Edge AI في المجالات الحيوية مثل القيادة الذاتية.
في مجال Web3، لدينا اسم أكثر معرفة - DePIN. يؤكد Web3 على اللامركزية وحق سيادة المستخدم على البيانات، يمكن لـ DePIN من خلال معالجة البيانات محليًا تعزيز حماية خصوصية المستخدم وتقليل مخاطر تسرب البيانات؛ يمكن لآلية اقتصاد الرموز الأصلية في Web3 تحفيز عقد DePIN على توفير موارد الحوسبة، وبناء نظام بيئي مستدام.
تتطور DePIN بسرعة في نظام بيئي معين من سلسلة الكتل العامة، لتصبح واحدة من منصات السلسلة العامة المفضلة لنشر المشاريع. توفر TPS العالية والرسوم المنخفضة للمعاملات والابتكارات التقنية في هذه السلسلة العامة دعمًا قويًا لمشاريع DePIN. حاليًا، تجاوزت القيمة السوقية لمشاريع DePIN على هذه السلسلة العامة 10 مليارات دولار، وقد حققت بعض المشاريع المعروفة تقدمًا ملحوظًا.
IMO: إصدار نموذج جديد لنموذج الذكاء الاصطناعي
تم اقتراح مفهوم IMO لأول مرة من قبل بروتوكول معين، والذي يقوم بتوكن نموذج الذكاء الاصطناعي.
في النموذج التقليدي، بسبب غياب آلية مشاركة الأرباح، بمجرد تطوير نموذج الذكاء الاصطناعي وإدخاله في السوق، غالبًا ما يجد المطورون صعوبة في الحصول على عوائد مستمرة من الاستخدام المستمر للنموذج، خاصة عندما يتم دمج النموذج في منتجات وخدمات أخرى، فإن المبدعين الأصليين يجدون صعوبة في تتبع الاستخدام، ناهيك عن الحصول على أرباح. بالإضافة إلى ذلك، غالبًا ما تفتقر أداء نموذج الذكاء الاصطناعي وفعاليته إلى الشفافية، مما يجعل المستثمرين والمستخدمين المحتملين يجدون صعوبة في تقييم قيمته الحقيقية، مما يقيّد الاعتراف بالسوق وإمكانات الأعمال للنموذج.
يوفر IMO طريقة جديدة تمامًا لدعم التمويل ومشاركة القيمة لنماذج الذكاء الاصطناعي المفتوحة المصدر، حيث يمكن للمستثمرين شراء رموز IMO ومشاركة الأرباح الناتجة عن النموذج لاحقًا. تستخدم بروتوكول معين معيار ERC محدد، بالاشتراك مع تقنية AI Oracle و OPML لضمان مصداقية نموذج الذكاء الاصطناعي وتمكين حاملي الرموز من مشاركة الأرباح.
تعزز نماذج IMO الشفافية والثقة، وتشجع التعاون المفتوح، وتتكيف مع اتجاهات سوق العملات المشفرة، وتضخ القوة في التنمية المستدامة لتقنيات الذكاء الاصطناعي. لا تزال IMO في مرحلة التجريب الأولية، ولكن مع زيادة قبول السوق وتوسع نطاق المشاركة، فإن ابتكاراتها وقيمتها المحتملة تستحق توقعنا.
وكيل الذكاء الاصطناعي: عصر جديد من تجارب التفاعل
يمكن لوكيل الذكاء الاصطناعي استشعار البيئة والتفكير بشكل مستقل واتخاذ الإجراءات المناسبة لتحقيق الأهداف المحددة. بدعم من نماذج اللغة الكبيرة، فإن وكيل الذكاء الاصطناعي لا يفهم اللغة الطبيعية فحسب، بل يمكنه أيضًا التخطيط واتخاذ القرارات وتنفيذ المهام المعقدة. يمكن أن تعمل كأدوات مساعدة افتراضية، من خلال التفاعل مع المستخدمين لتعلم تفضيلاتهم وتقديم حلول مخصصة. حتى في غياب التعليمات الواضحة، يمكن لوكيل الذكاء الاصطناعي حل المشكلات بشكل مستقل، مما يزيد من الكفاءة ويخلق قيمة جديدة.
توفر منصة AI الأصلية المفتوحة مجموعة شاملة وسهلة الاستخدام من أدوات الإبداع، تدعم المستخدمين في تكوين ميزات وآليات ظهور ووظائف الروبوتات، بالإضافة إلى الاتصال بمكتبات المعرفة الخارجية، وتهدف إلى إنشاء نظام بيئي مفتوح وعادل لمحتوى AI، باستخدام تقنية AI التوليدية، لتمكين الأفراد من أن يصبحوا منشئي محتوى متفوقين. تم تدريب المنصة على نماذج لغة كبيرة مخصصة، مما يجعل تمثيل الأدوار أكثر إنسانية؛ يمكن لتقنية استنساخ الصوت تسريع التفاعل الشخصي لمنتجات AI، وتقليل تكلفة توليد الصوت بنسبة 99%، حيث يمكن تحقيق استنساخ الصوت في دقيقة واحدة فقط. باستخدام AI Agent المخصص من هذه المنصة، يمكن تطبيقه حالياً في مجالات متعددة مثل الدردشة بالفيديو، وتعلم اللغات، وتوليد الصور.
في دمج Web3 مع الذكاء الاصطناعي، هناك المزيد من الاستكشاف في مستوى البنية التحتية الحالية، مثل كيفية الحصول على بيانات عالية الجودة، وحماية خصوصية البيانات، وكيفية استضافة النماذج على السلسلة، وكيفية تحسين الاستخدام الفعال للقوة الحاسوبية اللامركزية، وكيفية التحقق من النماذج اللغوية الكبيرة، وغيرها من القضايا الرئيسية. مع التحسين التدريجي لهذه البنية التحتية، لدينا أسباب للاعتقاد بأن دمج Web3 مع الذكاء الاصطناعي سيولد مجموعة من نماذج الأعمال والخدمات المبتكرة.