دمج Web3 و AI: بناء بنية الإنترنت التحتية للجيل القادم
تمثل Web3 نموذجًا جديدًا للإنترنت يتميز باللامركزية والانفتاح والشفافية، ولها فرصة طبيعية للاندماج مع الذكاء الاصطناعي. في ظل الهيكل التقليدي المركزي، تخضع موارد حساب الذكاء الاصطناعي والبيانات لسيطرة صارمة، مما يؤدي إلى تحديات عديدة مثل اختناقات القدرة الحسابية، تسرب الخصوصية، وصناديق سوداء خوارزمية. بينما تستند Web3 إلى تقنيات موزعة، يمكنها من خلال شبكات مشاركة القدرة الحسابية، أسواق البيانات المفتوحة، والحوسبة الخصوصية، أن تضخ طاقة جديدة في نمو الذكاء الاصطناعي. في الوقت نفسه، يمكن أن يوفر الذكاء الاصطناعي العديد من القدرات لـ Web3، مثل تحسين العقود الذكية وخوارزميات مكافحة الغش، مما يساعد في بناء بيئتها. لذلك، فإن استكشاف دمج Web3 والذكاء الاصطناعي يعد أمرًا بالغ الأهمية لبناء بنية تحتية للإنترنت من الجيل التالي، وإطلاق قيمة البيانات والقدرة الحسابية.
البيانات المدفوعة: الأساس المتين بين الذكاء الاصطناعي وWeb3
البيانات هي القوة الدافعة الأساسية لتطور الذكاء الاصطناعي، تمامًا كما هو الحال مع الوقود بالنسبة للمحرك. تحتاج نماذج الذكاء الاصطناعي إلى معالجة كميات كبيرة من البيانات عالية الجودة للحصول على فهم عميق وقدرة استدلال قوية، فالبيانات لا توفر فقط الأساس للتدريب لنماذج التعلم الآلي، بل تحدد أيضًا دقة النموذج وموثوقيته.
في نمط الحصول على البيانات واستخدامها من الذكاء الاصطناعي المركزي التقليدي، توجد المشكلات الرئيسية التالية:
تكلفة الحصول على البيانات مرتفعة، ومن الصعب على الشركات الصغيرة والمتوسطة تحملها
تم احتكار موارد البيانات من قبل عمالقة التكنولوجيا، مما أدى إلى تشكيل جزر بيانات
تواجه خصوصية البيانات الشخصية مخاطر التسرب وسوء الاستخدام
يمكن لـ Web3 حل نقاط الألم في النماذج التقليدية من خلال نموذج بيانات لامركزي جديد:
من خلال طريقة لامركزية لجمع بيانات الشبكة، بعد التنظيف والتحويل، لتوفير بيانات حقيقية وعالية الجودة لتدريب نماذج الذكاء الاصطناعي
اعتماد نموذج "label to earn"، من خلال تحفيز العاملين العالميين بالرموز للمشاركة في تعليم البيانات، وتجميع المعرفة المهنية العالمية، وتعزيز قدرة تحليل البيانات.
توفر منصة تداول بيانات blockchain بيئة تداول شفافة ومفتوحة للطرفين المعنيين بالبيانات، مما يحفز الابتكار ومشاركة البيانات.
ومع ذلك، هناك بعض المشكلات المتعلقة بجمع البيانات في العالم الحقيقي، مثل جودة البيانات المتفاوتة، وصعوبة المعالجة، ونقص التنوع والتمثيل. قد تكون البيانات الاصطناعية نجم المستقبل في مجال بيانات Web3. استنادًا إلى تقنية الذكاء الاصطناعي التوليدي والمحاكاة، يمكن للبيانات الاصطناعية محاكاة خصائص البيانات الحقيقية، مما يجعلها مكملًا فعالًا للبيانات الحقيقية، وزيادة كفاءة استخدام البيانات. في مجالات مثل القيادة الذاتية، وتداول الأسواق المالية، وتطوير الألعاب، أظهرت البيانات الاصطناعية بالفعل إمكانيات تطبيق ناضجة.
حماية الخصوصية: دور FHE في Web3
في عصر البيانات المدفوعة، أصبحت حماية الخصوصية محور اهتمام عالمي، حيث تعكس اللوائح مثل اللائحة العامة لحماية البيانات (GDPR) للاتحاد الأوروبي الحماية الصارمة للخصوصية الشخصية. ومع ذلك، فقد جلب هذا أيضًا تحديات: بعض البيانات الحساسة لا يمكن الاستفادة منها بشكل كامل بسبب مخاطر الخصوصية، وهذا بلا شك يقيّد إمكانات ونماذج الذكاء الاصطناعي.
FHE هو تشفير متجانس كامل، يسمح بإجراء عمليات حسابية مباشرة على البيانات المشفرة دون الحاجة إلى فك تشفير البيانات، والنتائج المحسوبة تتطابق مع النتائج التي يتم الحصول عليها عند إجراء نفس العمليات على البيانات النصية.
يوفر FHE حماية قوية لحسابات الخصوصية في الذكاء الاصطناعي، مما يسمح لقوة معالجة GPU بتنفيذ مهام تدريب النماذج والاستدلال في بيئة لا تتTouch البيانات الأصلية. وهذا يوفر ميزة كبيرة لشركات الذكاء الاصطناعي. يمكنهم فتح خدمات API بأمان مع حماية الأسرار التجارية.
يدعم FHEML معالجة التشفير للبيانات والنماذج طوال دورة التعلم الآلي، مما يضمن أمان المعلومات الحساسة ويمنع مخاطر تسرب البيانات. من خلال هذه الطريقة، يعزز FHEML خصوصية البيانات، ويوفر إطار عمل آمن للحوسبة لتطبيقات الذكاء الاصطناعي.
FHEML هو تكملة لـ ZKML، حيث يثبت ZKML التنفيذ الصحيح للتعلم الآلي، بينما يركز FHEML على إجراء الحسابات على البيانات المشفرة للحفاظ على خصوصية البيانات.
ثورة القوة الحاسوبية: الحوسبة الذكية في الشبكات اللامركزية
تتضاعف التعقيدات الحسابية للأنظمة الذكية الحالية كل ثلاثة أشهر، مما يؤدي إلى زيادة هائلة في الطلب على القدرة الحاسوبية، وهو ما يفوق بكثير إمدادات الموارد الحاسوبية المتاحة. على سبيل المثال، يتطلب تدريب نموذج لغوي كبير قدرًا هائلًا من القدرة الحاسوبية، يعادل 355 عامًا من وقت التدريب على جهاز واحد. مثل هذا النقص في القدرة الحاسوبية لا يقتصر فقط على تقييد تقدم تقنيات الذكاء الاصطناعي، بل يجعل أيضًا من النماذج المتقدمة للذكاء الاصطناعي بعيدة المنال لمعظم الباحثين والمطورين.
في الوقت نفسه، لا تتجاوز نسبة استخدام وحدات معالجة الرسومات العالمية 40%، بالإضافة إلى تباطؤ تحسين أداء المعالجات الدقيقة، ونقص الرقائق الناتج عن عوامل سلسلة التوريد والجغرافيا السياسية، مما جعل مشكلة إمدادات القوة الحاسوبية أكثر حدة. يجد العاملون في مجال الذكاء الاصطناعي أنفسهم في مأزق: إما شراء الأجهزة بأنفسهم أو استئجار موارد سحابية، وهم بحاجة ماسة إلى طريقة خدمات حسابية حسب الطلب وفعالة من حيث التكلفة.
تقدم شبكة الحوسبة اللامركزية للذكاء الاصطناعي سوقًا لحوسبة اقتصادية وسهلة الوصول من خلال تجميع موارد GPU غير المستخدمة على مستوى العالم لشركات الذكاء الاصطناعي. يمكن لمتطلبات حوسبة نشر مهام الحساب على الشبكة، حيث تقوم العقود الذكية بتوزيع المهام على عقد المعدنين الذين يساهمون في الحوسبة، وينفذ المعدنون المهام ويقدمون النتائج، وبعد التحقق يحصلون على مكافآت نقاط. تحسن هذه الخطة من كفاءة استخدام الموارد وتساعد في حل مشكلة اختناق الحوسبة في مجالات مثل الذكاء الاصطناعي.
بالإضافة إلى الشبكات العامة للحوسبة اللامركزية، هناك منصات تركز على تدريب الذكاء الاصطناعي، وشبكات حوسبة مخصصة تركز على استدلال الذكاء الاصطناعي.
توفر شبكة الحوسبة اللامركزية سوق حوسبة عادل وشفاف، يكسر الاحتكار، ويقلل من عوائق الدخول للتطبيقات، ويزيد من كفاءة استخدام الحوسبة. في نظام بيئي web3، ستلعب شبكة الحوسبة اللامركزية دوراً حاسماً، مما يجذب المزيد من تطبيقات dapp المبتكرة للانضمام معاً لدفع تطوير وتطبيق تكنولوجيا الذكاء الاصطناعي.
DePIN: تمكين Web3 للذكاء الاصطناعي الحدي
تخيل أن هاتفك الذكي وساعتك الذكية وحتى الأجهزة الذكية في منزلك لديها القدرة على تشغيل الذكاء الاصطناعي - هذه هي جاذبية Edge AI. إنها تجعل الحساب يحدث عند مصدر البيانات، مما يحقق تأخير منخفض ومعالجة في الوقت الفعلي، بينما تحمي خصوصية المستخدم، وقد تم تطبيق تقنية Edge AI في مجالات حاسمة مثل القيادة الذاتية.
في مجال Web3، لدينا اسم أكثر ألفة - DePIN. يركز Web3 على اللامركزية وحقوق سيادة بيانات المستخدم، حيث يمكن أن يعزز DePIN من حماية خصوصية المستخدم من خلال معالجة البيانات محليًا، مما يقلل من مخاطر تسرب البيانات؛ وآلية الاقتصاد الرمزي الأصلية لـ Web3 يمكن أن تحفز عقد DePIN على توفير موارد الحوسبة، مما يبني نظامًا بيئيًا مستدامًا.
تتطور DePIN بسرعة في نظام بيئي معين من سلسلة الكتل العامة، لتصبح واحدة من منصات سلسلة الكتل العامة المفضلة لنشر المشاريع. إن TPS العالي، ورسوم المعاملات المنخفضة، والابتكارات التكنولوجية في هذه السلسلة العامة توفر دعمًا قويًا لمشاريع DePIN. حاليًا، تتجاوز القيمة السوقية لمشاريع DePIN على هذه السلسلة العامة 10 مليار دولار أمريكي، وقد حققت بعض المشاريع المعروفة تقدمًا ملحوظًا.
IMO: إصدار نموذج جديد لنموذج الذكاء الاصطناعي
تم اقتراح مفهوم IMO لأول مرة من قبل بروتوكول معين، حيث يتم توكين نموذج AI.
في النمط التقليدي، بسبب عدم وجود آلية لمشاركة العائدات، بمجرد تطوير نموذج الذكاء الاصطناعي وإدخاله السوق، غالبًا ما يجد المطورون صعوبة في الحصول على عائدات مستمرة من الاستخدام اللاحق للنموذج، خاصة عندما يتم دمج النموذج في منتجات وخدمات أخرى، يصبح من الصعب على المنشئين الأصليين تتبع الاستخدام، ناهيك عن الحصول على عائدات منه. بالإضافة إلى ذلك، فإن أداء نموذج الذكاء الاصطناعي وفعاليته غالبًا ما تفتقر إلى الشفافية، مما يجعل من الصعب على المستثمرين المحتملين والمستخدمين تقييم قيمته الحقيقية، مما يحد من قبول السوق وإمكاناته التجارية.
توفر IMO طريقة جديدة تمامًا لدعم التمويل ومشاركة القيمة لنماذج الذكاء الاصطناعي مفتوحة المصدر، حيث يمكن للمستثمرين شراء رموز IMO ومشاركة العائدات الناتجة عن النموذج في المستقبل. تستخدم بروتوكول معين معيارين ERC، بالاقتران مع Oracle الذكاء الاصطناعي (Onchain AI Oracle) وتقنية OPML لضمان صحة نموذج الذكاء الاصطناعي وقدرة حاملي الرموز على مشاركة العائدات.
تعزز نماذج IMO الشفافية والثقة، وتشجع التعاون مفتوح المصدر، وتتكيف مع اتجاهات سوق التشفير، وتضخ الطاقة في التنمية المستدامة لتقنيات الذكاء الاصطناعي. لا يزال نموذج IMO في مرحلة التجريب الأولية، ولكن مع زيادة قبول السوق وتوسيع نطاق المشاركة، فإن ابتكاريته وقيمته المحتملة تستحق توقعاتنا.
وكيل الذكاء الاصطناعي: عصر جديد من تجربة التفاعل
يمكن لوكيل الذكاء الاصطناعي أن يدرك البيئة، ويقوم بالتفكير المستقل، ويتخذ الإجراءات المناسبة لتحقيق الأهداف المحددة. بدعم من نماذج اللغة الكبيرة، لا يستطيع وكيل الذكاء الاصطناعي فهم اللغة الطبيعية فحسب، بل يمكنه أيضًا تخطيط القرارات وتنفيذ المهام المعقدة. يمكن أن يعملوا كمساعدين افتراضيين، ويتعلمون تفضيلات المستخدم من خلال التفاعل معه، وتقديم حلول مخصصة. حتى في غياب التعليمات الواضحة، يمكن لوكيل الذكاء الاصطناعي أن يحل المشكلات بشكل مستقل، مما يزيد من الكفاءة، ويخلق قيمة جديدة.
توفر منصة تطبيقات AI الأصلية المفتوحة مجموعة أدوات إبداعية شاملة وسهلة الاستخدام، تدعم المستخدمين في تكوين وظائف الروبوت والمظهر والصوت، بالإضافة إلى الاتصال بمكتبات المعرفة الخارجية، وتهدف إلى إنشاء نظام بيئي لمحتوى AI عادل ومفتوح، مستفيدة من تقنيات AI التوليدية، مما يمكّن الأفراد من أن يصبحوا مبدعين متميزين. قامت المنصة بتدريب نموذج لغوي كبير متخصص، مما يجعل تجسيد الأدوار أكثر إنسانية؛ يمكن لتقنية استنساخ الصوت تسريع التفاعل الشخصي لمنتجات AI، وتقليل تكلفة تركيب الصوت بنسبة 99%، حيث يتم تحقيق استنساخ الصوت في دقيقة واحدة فقط. باستخدام AI Agent المخصص من هذه المنصة، يمكن الآن تطبيقه في مجالات متعددة مثل الدردشة المرئية، وتعلم اللغات، وتوليد الصور.
في دمج Web3 و AI، يتم حالياً استكشاف المزيد في مستوى 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 ما يبرر الاعتقاد بأن دمج Web3 و AI سيؤدي إلى ولادة مجموعة من نماذج الأعمال والخدمات الابتكارية.
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.
تسجيلات الإعجاب 10
أعجبني
10
6
مشاركة
تعليق
0/400
Deconstructionist
· 07-30 18:38
الشيطكوين أيضًا في ai+web3؟
شاهد النسخة الأصليةرد0
BearMarketLightning
· 07-30 18:27
Web3 يأتي مع AI مرة أخرى لخداع الحمقى، أليس كذلك؟
شاهد النسخة الأصليةرد0
MiningDisasterSurvivor
· 07-29 05:51
مرة أخرى يتم رسم الدائرة الكبيرة. لا يعيش المعدّنون القدامى أيامًا جيدة، ولا يزالون يفعلون هذه الأشياء المزخرفة.
Web3 و AI融合: بناء بنية تحتية للبيانات و قوة الحوسبة اللامركزية
دمج Web3 و AI: بناء بنية الإنترنت التحتية للجيل القادم
تمثل Web3 نموذجًا جديدًا للإنترنت يتميز باللامركزية والانفتاح والشفافية، ولها فرصة طبيعية للاندماج مع الذكاء الاصطناعي. في ظل الهيكل التقليدي المركزي، تخضع موارد حساب الذكاء الاصطناعي والبيانات لسيطرة صارمة، مما يؤدي إلى تحديات عديدة مثل اختناقات القدرة الحسابية، تسرب الخصوصية، وصناديق سوداء خوارزمية. بينما تستند Web3 إلى تقنيات موزعة، يمكنها من خلال شبكات مشاركة القدرة الحسابية، أسواق البيانات المفتوحة، والحوسبة الخصوصية، أن تضخ طاقة جديدة في نمو الذكاء الاصطناعي. في الوقت نفسه، يمكن أن يوفر الذكاء الاصطناعي العديد من القدرات لـ Web3، مثل تحسين العقود الذكية وخوارزميات مكافحة الغش، مما يساعد في بناء بيئتها. لذلك، فإن استكشاف دمج Web3 والذكاء الاصطناعي يعد أمرًا بالغ الأهمية لبناء بنية تحتية للإنترنت من الجيل التالي، وإطلاق قيمة البيانات والقدرة الحسابية.
البيانات المدفوعة: الأساس المتين بين الذكاء الاصطناعي وWeb3
البيانات هي القوة الدافعة الأساسية لتطور الذكاء الاصطناعي، تمامًا كما هو الحال مع الوقود بالنسبة للمحرك. تحتاج نماذج الذكاء الاصطناعي إلى معالجة كميات كبيرة من البيانات عالية الجودة للحصول على فهم عميق وقدرة استدلال قوية، فالبيانات لا توفر فقط الأساس للتدريب لنماذج التعلم الآلي، بل تحدد أيضًا دقة النموذج وموثوقيته.
في نمط الحصول على البيانات واستخدامها من الذكاء الاصطناعي المركزي التقليدي، توجد المشكلات الرئيسية التالية:
يمكن لـ Web3 حل نقاط الألم في النماذج التقليدية من خلال نموذج بيانات لامركزي جديد:
ومع ذلك، هناك بعض المشكلات المتعلقة بجمع البيانات في العالم الحقيقي، مثل جودة البيانات المتفاوتة، وصعوبة المعالجة، ونقص التنوع والتمثيل. قد تكون البيانات الاصطناعية نجم المستقبل في مجال بيانات Web3. استنادًا إلى تقنية الذكاء الاصطناعي التوليدي والمحاكاة، يمكن للبيانات الاصطناعية محاكاة خصائص البيانات الحقيقية، مما يجعلها مكملًا فعالًا للبيانات الحقيقية، وزيادة كفاءة استخدام البيانات. في مجالات مثل القيادة الذاتية، وتداول الأسواق المالية، وتطوير الألعاب، أظهرت البيانات الاصطناعية بالفعل إمكانيات تطبيق ناضجة.
حماية الخصوصية: دور FHE في Web3
في عصر البيانات المدفوعة، أصبحت حماية الخصوصية محور اهتمام عالمي، حيث تعكس اللوائح مثل اللائحة العامة لحماية البيانات (GDPR) للاتحاد الأوروبي الحماية الصارمة للخصوصية الشخصية. ومع ذلك، فقد جلب هذا أيضًا تحديات: بعض البيانات الحساسة لا يمكن الاستفادة منها بشكل كامل بسبب مخاطر الخصوصية، وهذا بلا شك يقيّد إمكانات ونماذج الذكاء الاصطناعي.
FHE هو تشفير متجانس كامل، يسمح بإجراء عمليات حسابية مباشرة على البيانات المشفرة دون الحاجة إلى فك تشفير البيانات، والنتائج المحسوبة تتطابق مع النتائج التي يتم الحصول عليها عند إجراء نفس العمليات على البيانات النصية.
يوفر FHE حماية قوية لحسابات الخصوصية في الذكاء الاصطناعي، مما يسمح لقوة معالجة GPU بتنفيذ مهام تدريب النماذج والاستدلال في بيئة لا تتTouch البيانات الأصلية. وهذا يوفر ميزة كبيرة لشركات الذكاء الاصطناعي. يمكنهم فتح خدمات API بأمان مع حماية الأسرار التجارية.
يدعم FHEML معالجة التشفير للبيانات والنماذج طوال دورة التعلم الآلي، مما يضمن أمان المعلومات الحساسة ويمنع مخاطر تسرب البيانات. من خلال هذه الطريقة، يعزز FHEML خصوصية البيانات، ويوفر إطار عمل آمن للحوسبة لتطبيقات الذكاء الاصطناعي.
FHEML هو تكملة لـ ZKML، حيث يثبت ZKML التنفيذ الصحيح للتعلم الآلي، بينما يركز FHEML على إجراء الحسابات على البيانات المشفرة للحفاظ على خصوصية البيانات.
ثورة القوة الحاسوبية: الحوسبة الذكية في الشبكات اللامركزية
تتضاعف التعقيدات الحسابية للأنظمة الذكية الحالية كل ثلاثة أشهر، مما يؤدي إلى زيادة هائلة في الطلب على القدرة الحاسوبية، وهو ما يفوق بكثير إمدادات الموارد الحاسوبية المتاحة. على سبيل المثال، يتطلب تدريب نموذج لغوي كبير قدرًا هائلًا من القدرة الحاسوبية، يعادل 355 عامًا من وقت التدريب على جهاز واحد. مثل هذا النقص في القدرة الحاسوبية لا يقتصر فقط على تقييد تقدم تقنيات الذكاء الاصطناعي، بل يجعل أيضًا من النماذج المتقدمة للذكاء الاصطناعي بعيدة المنال لمعظم الباحثين والمطورين.
في الوقت نفسه، لا تتجاوز نسبة استخدام وحدات معالجة الرسومات العالمية 40%، بالإضافة إلى تباطؤ تحسين أداء المعالجات الدقيقة، ونقص الرقائق الناتج عن عوامل سلسلة التوريد والجغرافيا السياسية، مما جعل مشكلة إمدادات القوة الحاسوبية أكثر حدة. يجد العاملون في مجال الذكاء الاصطناعي أنفسهم في مأزق: إما شراء الأجهزة بأنفسهم أو استئجار موارد سحابية، وهم بحاجة ماسة إلى طريقة خدمات حسابية حسب الطلب وفعالة من حيث التكلفة.
تقدم شبكة الحوسبة اللامركزية للذكاء الاصطناعي سوقًا لحوسبة اقتصادية وسهلة الوصول من خلال تجميع موارد GPU غير المستخدمة على مستوى العالم لشركات الذكاء الاصطناعي. يمكن لمتطلبات حوسبة نشر مهام الحساب على الشبكة، حيث تقوم العقود الذكية بتوزيع المهام على عقد المعدنين الذين يساهمون في الحوسبة، وينفذ المعدنون المهام ويقدمون النتائج، وبعد التحقق يحصلون على مكافآت نقاط. تحسن هذه الخطة من كفاءة استخدام الموارد وتساعد في حل مشكلة اختناق الحوسبة في مجالات مثل الذكاء الاصطناعي.
بالإضافة إلى الشبكات العامة للحوسبة اللامركزية، هناك منصات تركز على تدريب الذكاء الاصطناعي، وشبكات حوسبة مخصصة تركز على استدلال الذكاء الاصطناعي.
توفر شبكة الحوسبة اللامركزية سوق حوسبة عادل وشفاف، يكسر الاحتكار، ويقلل من عوائق الدخول للتطبيقات، ويزيد من كفاءة استخدام الحوسبة. في نظام بيئي web3، ستلعب شبكة الحوسبة اللامركزية دوراً حاسماً، مما يجذب المزيد من تطبيقات dapp المبتكرة للانضمام معاً لدفع تطوير وتطبيق تكنولوجيا الذكاء الاصطناعي.
DePIN: تمكين Web3 للذكاء الاصطناعي الحدي
تخيل أن هاتفك الذكي وساعتك الذكية وحتى الأجهزة الذكية في منزلك لديها القدرة على تشغيل الذكاء الاصطناعي - هذه هي جاذبية Edge AI. إنها تجعل الحساب يحدث عند مصدر البيانات، مما يحقق تأخير منخفض ومعالجة في الوقت الفعلي، بينما تحمي خصوصية المستخدم، وقد تم تطبيق تقنية Edge AI في مجالات حاسمة مثل القيادة الذاتية.
في مجال Web3، لدينا اسم أكثر ألفة - DePIN. يركز Web3 على اللامركزية وحقوق سيادة بيانات المستخدم، حيث يمكن أن يعزز DePIN من حماية خصوصية المستخدم من خلال معالجة البيانات محليًا، مما يقلل من مخاطر تسرب البيانات؛ وآلية الاقتصاد الرمزي الأصلية لـ Web3 يمكن أن تحفز عقد DePIN على توفير موارد الحوسبة، مما يبني نظامًا بيئيًا مستدامًا.
تتطور DePIN بسرعة في نظام بيئي معين من سلسلة الكتل العامة، لتصبح واحدة من منصات سلسلة الكتل العامة المفضلة لنشر المشاريع. إن TPS العالي، ورسوم المعاملات المنخفضة، والابتكارات التكنولوجية في هذه السلسلة العامة توفر دعمًا قويًا لمشاريع DePIN. حاليًا، تتجاوز القيمة السوقية لمشاريع DePIN على هذه السلسلة العامة 10 مليار دولار أمريكي، وقد حققت بعض المشاريع المعروفة تقدمًا ملحوظًا.
IMO: إصدار نموذج جديد لنموذج الذكاء الاصطناعي
تم اقتراح مفهوم IMO لأول مرة من قبل بروتوكول معين، حيث يتم توكين نموذج AI.
في النمط التقليدي، بسبب عدم وجود آلية لمشاركة العائدات، بمجرد تطوير نموذج الذكاء الاصطناعي وإدخاله السوق، غالبًا ما يجد المطورون صعوبة في الحصول على عائدات مستمرة من الاستخدام اللاحق للنموذج، خاصة عندما يتم دمج النموذج في منتجات وخدمات أخرى، يصبح من الصعب على المنشئين الأصليين تتبع الاستخدام، ناهيك عن الحصول على عائدات منه. بالإضافة إلى ذلك، فإن أداء نموذج الذكاء الاصطناعي وفعاليته غالبًا ما تفتقر إلى الشفافية، مما يجعل من الصعب على المستثمرين المحتملين والمستخدمين تقييم قيمته الحقيقية، مما يحد من قبول السوق وإمكاناته التجارية.
توفر IMO طريقة جديدة تمامًا لدعم التمويل ومشاركة القيمة لنماذج الذكاء الاصطناعي مفتوحة المصدر، حيث يمكن للمستثمرين شراء رموز IMO ومشاركة العائدات الناتجة عن النموذج في المستقبل. تستخدم بروتوكول معين معيارين ERC، بالاقتران مع Oracle الذكاء الاصطناعي (Onchain AI Oracle) وتقنية OPML لضمان صحة نموذج الذكاء الاصطناعي وقدرة حاملي الرموز على مشاركة العائدات.
تعزز نماذج IMO الشفافية والثقة، وتشجع التعاون مفتوح المصدر، وتتكيف مع اتجاهات سوق التشفير، وتضخ الطاقة في التنمية المستدامة لتقنيات الذكاء الاصطناعي. لا يزال نموذج IMO في مرحلة التجريب الأولية، ولكن مع زيادة قبول السوق وتوسيع نطاق المشاركة، فإن ابتكاريته وقيمته المحتملة تستحق توقعاتنا.
وكيل الذكاء الاصطناعي: عصر جديد من تجربة التفاعل
يمكن لوكيل الذكاء الاصطناعي أن يدرك البيئة، ويقوم بالتفكير المستقل، ويتخذ الإجراءات المناسبة لتحقيق الأهداف المحددة. بدعم من نماذج اللغة الكبيرة، لا يستطيع وكيل الذكاء الاصطناعي فهم اللغة الطبيعية فحسب، بل يمكنه أيضًا تخطيط القرارات وتنفيذ المهام المعقدة. يمكن أن يعملوا كمساعدين افتراضيين، ويتعلمون تفضيلات المستخدم من خلال التفاعل معه، وتقديم حلول مخصصة. حتى في غياب التعليمات الواضحة، يمكن لوكيل الذكاء الاصطناعي أن يحل المشكلات بشكل مستقل، مما يزيد من الكفاءة، ويخلق قيمة جديدة.
توفر منصة تطبيقات AI الأصلية المفتوحة مجموعة أدوات إبداعية شاملة وسهلة الاستخدام، تدعم المستخدمين في تكوين وظائف الروبوت والمظهر والصوت، بالإضافة إلى الاتصال بمكتبات المعرفة الخارجية، وتهدف إلى إنشاء نظام بيئي لمحتوى AI عادل ومفتوح، مستفيدة من تقنيات AI التوليدية، مما يمكّن الأفراد من أن يصبحوا مبدعين متميزين. قامت المنصة بتدريب نموذج لغوي كبير متخصص، مما يجعل تجسيد الأدوار أكثر إنسانية؛ يمكن لتقنية استنساخ الصوت تسريع التفاعل الشخصي لمنتجات AI، وتقليل تكلفة تركيب الصوت بنسبة 99%، حيث يتم تحقيق استنساخ الصوت في دقيقة واحدة فقط. باستخدام AI Agent المخصص من هذه المنصة، يمكن الآن تطبيقه في مجالات متعددة مثل الدردشة المرئية، وتعلم اللغات، وتوليد الصور.
في دمج Web3 و AI، يتم حالياً استكشاف المزيد في مستوى 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 ما يبرر الاعتقاد بأن دمج Web3 و AI سيؤدي إلى ولادة مجموعة من نماذج الأعمال والخدمات الابتكارية.