دمج Web3 و AI: بناء بنية تحتية للإنترنت من الجيل التالي
تعتبر Web3 كنموذج إنترنت جديد لامركزي ومفتوح وشفاف، فرصة طبيعية للاندماج مع الذكاء الاصطناعي. في ظل الهياكل التقليدية المركزية، تكون حسابات الذكاء الاصطناعي وموارد البيانات محدودة بشدة، مما يواجه تحديات عديدة مثل اختناق القدرة الحاسوبية، تسرب الخصوصية، وعدم شفافية الخوارزميات. بينما تعتمد Web3 على التقنية الموزعة، يمكنها أن تضخ حيوية جديدة في تطوير الذكاء الاصطناعي من خلال مشاركة شبكة القدرة الحاسوبية، وسوق البيانات المفتوحة، والحسابات الخاصة. في الوقت نفسه، يمكن للذكاء الاصطناعي أن يقدم العديد من الإمكانيات لـ Web3، مثل تحسين العقود الذكية وخوارزميات مكافحة الغش، مما يعزز بناء بيئتها. لذلك، فإن استكشاف دمج Web3 والذكاء الاصطناعي يعد أمرًا بالغ الأهمية لبناء البنية التحتية للإنترنت من الجيل التالي، وإطلاق قيمة البيانات والقدرة الحاسوبية.
البيانات المدفوعة: الأساس المتين للذكاء الاصطناعي وWeb3
البيانات هي العنصر الأساسي الذي يدفع تطوير الذكاء الاصطناعي، تمامًا كما هو الحال مع الوقود للمحرك. تحتاج نماذج الذكاء الاصطناعي إلى استيعاب كميات هائلة من البيانات عالية الجودة للحصول على فهم عميق وقدرات استدلال قوية. لا توفر البيانات فقط الأساس للتدريب على نماذج التعلم الآلي، بل تحدد أيضًا دقة وموثوقية النموذج.
تواجه نماذج الحصول على البيانات واستخدامها في الذكاء الاصطناعي المركزية التقليدية المشاكل الرئيسية التالية:
تكلفة الحصول على البيانات مرتفعة، ومن الصعب على الشركات الصغيرة والمتوسطة تحمّلها
تم احتكار موارد البيانات من قبل الشركات الكبرى، مما أدى إلى تشكيل جزر بيانات.
تواجه خصوصية البيانات الشخصية مخاطر التسرب والإساءة
يمكن لـ Web3 حل نقاط الألم في النماذج التقليدية من خلال نموذج بيانات لامركزي جديد:
من خلال شبكة لامركزية لجمع بيانات الشبكة، لتوفير بيانات حقيقية وعالية الجودة لتدريب نماذج الذكاء الاصطناعي
اعتماد نموذج "labeling to earn"، لتحفيز العاملين في جميع أنحاء العالم للمشاركة في تعليم البيانات، وجمع الخبرات المتخصصة.
منصة تداول بيانات البلوكشين توفر بيئة تداول شفافة وعلنية للطرفين المعنيين بالبيانات، مما يعزز الابتكار ومشاركة البيانات.
ومع ذلك، لا تزال هناك بعض المشاكل في الحصول على بيانات العالم الحقيقي، مثل تفاوت جودة البيانات، وصعوبة المعالجة، ونقص التنوع والتمثيل. قد تكون البيانات الاصطناعية سمة بارزة لمستقبل مجال بيانات Web3. استنادًا إلى تقنيات الذكاء الاصطناعي التوليدي والمحاكاة، يمكن للبيانات الاصطناعية محاكاة خصائص البيانات الحقيقية، كإضافة فعالة، وزيادة كفاءة استخدام البيانات. في مجالات مثل القيادة الذاتية، وتداول الأسواق المالية، وتطوير الألعاب، أظهرت البيانات الاصطناعية إمكانيات تطبيق ناضجة.
حماية الخصوصية: دور FHE في Web3
في عصر البيانات المدفوعة، أصبحت حماية الخصوصية محور اهتمام عالمي، حيث تعكس القوانين المختلفة الصادرة الالتزام الصارم بحماية الخصوصية الشخصية. ومع ذلك، فقد أدى ذلك أيضًا إلى تحديات: بعض البيانات الحساسة لا يمكن الاستفادة منها بشكل كامل بسبب مخاطر الخصوصية، مما يحد من إمكانيات نماذج الذكاء الاصطناعي وقدرتها على الاستدلال.
التشفير المتجانس بالكامل ( FHE ) يسمح بإجراء عمليات حسابية مباشرة على البيانات المشفرة دون الحاجة إلى فك تشفير البيانات، كما أن النتائج الحسابية تتطابق مع نتائج البيانات النصية. يوفر FHE حماية قوية لحسابات الخصوصية في الذكاء الاصطناعي، مما يمكن قوة معالجة GPU من تنفيذ مهام تدريب النماذج والاستدلال في بيئة لا تتعامل مع البيانات الأصلية. وهذا يوفر ميزة كبيرة لشركات الذكاء الاصطناعي، حيث يمكنها حماية الأسرار التجارية مع فتح خدمات واجهة برمجة التطبيقات بشكل آمن.
يدعم FHEML معالجة البيانات والنماذج بشكل مشفر طوال دورة تعلم الآلة، مما يضمن أمان المعلومات الحساسة ويمنع مخاطر تسرب البيانات. يعزز FHEML خصوصية البيانات، ويوفر إطارًا آمنًا للحسابات لتطبيقات الذكاء الاصطناعي. FHEML يكمل ZKML، حيث يثبت ZKML التنفيذ الصحيح لتعلم الآلة، بينما يركز FHEML على إجراء الحسابات على البيانات المشفرة للحفاظ على خصوصية البيانات.
ثورة القدرة الحاسوبية: الحوسبة الذكية في الشبكات اللامركزية
تتضاعف تعقيدات حساب النظام الذكي الحالي كل 3 أشهر، مما يؤدي إلى زيادة هائلة في الطلب على القدرة الحاسوبية، متجاوزة بكثير إمدادات الموارد الحاسوبية الحالية. هذه النقص في القدرة الحاسوبية لا يقتصر فقط على تقييد تقدم تقنيات الذكاء الاصطناعي، بل يجعل من الصعب على معظم الباحثين والمطورين الوصول إلى نماذج الذكاء الاصطناعي المتقدمة.
في الوقت نفسه، فإن معدل استخدام وحدات معالجة الرسوميات على مستوى العالم أقل من 40٪، بالإضافة إلى تباطؤ تحسين أداء المعالجات ونقص الرقائق، مما يجعل مشكلة توفير قوة الحوسبة أكثر حدة. يواجه العاملون في مجال الذكاء الاصطناعي معضلة شراء الأجهزة أو استئجار الموارد السحابية، مما يتطلب طريقة لخدمات الحوسبة حسب الطلب وذات كفاءة اقتصادية.
تقوم شبكة الحوسبة اللامركزية للذكاء الاصطناعي من خلال تجميع موارد وحدات معالجة الرسوميات غير المستخدمة على مستوى العالم بتوفير سوق حوسبة اقتصادي وسهل الاستخدام لشركات الذكاء الاصطناعي. يمكن للجهات الباحثة عن الخدمة نشر مهام الحوسبة على الشبكة، حيث يقوم العقد الذكي بتوزيع المهام على العقد التي تساهم بالقوة الحاسوبية، وتقوم العقد بتنفيذ المهام وتقديم النتائج، وبعد التحقق منها تحصل على مكافآت. هذه الخطة تعزز كفاءة استخدام الموارد وتساعد في حل مشكلة عنق الزجاجة في القوة الحاسوبية في مجالات مثل الذكاء الاصطناعي.
بالإضافة إلى شبكة الحوسبة اللامركزية العامة، هناك منصات حوسبة مخصصة تركز على تدريب الذكاء الاصطناعي واستدلاله. توفر شبكة الحوسبة اللامركزية سوقًا شفافًا وعادلاً، وتكسر الاحتكار، وتخفض عتبة التطبيقات، وتزيد من كفاءة استخدام الحوسبة. في نظام Web3 البيئي، ستلعب شبكة الحوسبة اللامركزية دورًا حاسمًا، مما يجذب المزيد من التطبيقات المبتكرة للانضمام، ودفع تطوير وتطبيق تقنية الذكاء الاصطناعي.
DePIN: تمكين Web3 للذكاء الاصطناعي الحدي
تتيح تقنية Edge AI إجراء الحسابات في مصدر إنتاج البيانات، مما يوفر معالجة في الوقت الفعلي مع انخفاض التأخير، مع الحفاظ على خصوصية المستخدم. تم تطبيق هذه التقنية في مجالات حيوية مثل القيادة الذاتية. في مجال Web3، نسميها DePIN. يركز Web3 على اللامركزية وحقوق سيادة البيانات للمستخدمين، بينما يعزز DePIN حماية الخصوصية من خلال معالجة البيانات محليًا، مما يقلل من مخاطر التسرب. يمكن أن تحفز آلية الاقتصاد الرمزي الأصلية لـ Web3 عقد DePIN على تقديم موارد حسابية، وبناء نظام بيئي مستدام.
تتطور DePIN حاليًا بسرعة في بعض بيئات سلاسل الكتل العامة، وأصبحت واحدة من المنصات المفضلة لنشر المشاريع. توفر TPS العالية، وانخفاض رسوم المعاملات، والابتكار التكنولوجي دعمًا قويًا لمشاريع DePIN. تجاوزت القيمة السوقية لبعض مشاريع DePIN على سلاسل الكتل العامة 10 مليارات دولار، وحققت بعض المشاريع المعروفة تقدمًا ملحوظًا.
IMO: نموذج AI يطلق نموذجًا جديدًا
IMO(عرض النموذج الأولي) فكرة توكين نموذج الذكاء الاصطناعي. في النموذج التقليدي، يواجه مطورو نموذج الذكاء الاصطناعي صعوبة في الحصول على أرباح مستمرة من الاستخدامات اللاحقة، خاصة عندما يتم دمج النموذج في منتجات أخرى. كما أن أداء نموذج الذكاء الاصطناعي وفعاليته غالبًا ما تفتقر إلى الشفافية، مما يحد من الاعتراف في السوق والقدرة التجارية.
IMO قدمت دعمًا ماليًا جديدًا ونظامًا لمشاركة القيمة لنماذج AI مفتوحة المصدر، حيث يمكن للمستثمرين شراء الرموز وتشارك عائدات النموذج المستقبلية. تستخدم بعض البروتوكولات معايير محددة، بالت结合 مع تقنية AI Oracle وOPML لضمان مصداقية نماذج AI وقدرة حاملي الرموز على مشاركة العوائد.
نموذج IMO يعزز الشفافية والثقة، ويشجع التعاون مفتوح المصدر، ويتكيف مع اتجاهات سوق التشفير، مما يضخ الطاقة في التنمية المستدامة لتقنية الذكاء الاصطناعي. حاليًا، نموذج IMO في مرحلة المحاولة الأولية، ولكن مع زيادة قبول السوق وتوسيع نطاق المشاركة، فإن ابتكاراته وقيمته المحتملة تستحق التطلع.
وكيل الذكاء الاصطناعي: عصر جديد من تجربة التفاعل
يمكن لوكيل الذكاء الاصطناعي إدراك البيئة والتفكير بشكل مستقل واتخاذ الإجراءات لتحقيق الأهداف. بدعم من نماذج اللغة الكبيرة، يمكن لوكيل الذكاء الاصطناعي فهم اللغة الطبيعية والتخطيط واتخاذ القرارات وتنفيذ المهام المعقدة. يمكن أن تعمل كمعاونين افتراضيين، من خلال التفاعل مع المستخدمين لتعلم التفضيلات وتقديم حلول مخصصة. حتى في غياب التعليمات الواضحة، يمكن لوكيل الذكاء الاصطناعي حل المشكلات بشكل مستقل، وزيادة الكفاءة، وخلق قيمة جديدة.
تقدم بعض منصات تطبيقات الذكاء الاصطناعي المفتوحة مجموعة شاملة وسهلة الاستخدام من أدوات الإبداع، تدعم المستخدمين في تكوين وظائف الروبوتات، والمظهر، والصوت، وكذلك الاتصال بمكتبات المعرفة الخارجية، وتهدف إلى إنشاء نظام بيئي مفتوح وعادل لمحتوى الذكاء الاصطناعي، وتمكين الأفراد من أن يصبحوا مبدعين عظام باستخدام تقنية الذكاء الاصطناعي التوليدي. قامت هذه المنصات بتدريب نماذج لغوية كبيرة متخصصة، مما يجعل تمثيل الأدوار أكثر إنسانية؛ كما أن تقنية استنساخ الصوت يمكن أن تسرع من التفاعل الشخصي للمنتجات الذكية، مما يقلل بشكل ملحوظ من تكاليف توليد الصوت. باستخدام وكيل الذكاء الاصطناعي المخصص، يمكن حالياً تطبيق ذلك في مجالات متعددة مثل الدردشة الفيديو، وتعلم اللغات، وتوليد الصور.
في دمج Web3 و AI، يتم الآن استكشاف المزيد من البنية التحتية الأساسية، مثل الحصول على بيانات عالية الجودة، وحماية خصوصية البيانات، واستضافة النماذج على السلسلة، وزيادة الاستخدام الفعال للقوة الحوسبة اللامركزية، والتحقق من النماذج اللغوية الكبيرة وغيرها من القضايا الرئيسية. مع تحسين هذه البنية التحتية تدريجياً، من المتوقع أن ينتج عن دمج Web3 و AI مجموعة من نماذج الأعمال والخدمات الجديدة.
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 19
أعجبني
19
6
إعادة النشر
مشاركة
تعليق
0/400
LiquidityWitch
· 08-02 20:41
تدور بسرعة، حساب الخصوصية رائع حقًا
شاهد النسخة الأصليةرد0
TokenEconomist
· 08-02 13:05
في الواقع، المتغير الرئيسي هنا هو ديناميات الثقة الحاسوبية...
Web3 و AI: بناء بنية تحتية ذكية للإنترنت اللامركزي
دمج Web3 و AI: بناء بنية تحتية للإنترنت من الجيل التالي
تعتبر Web3 كنموذج إنترنت جديد لامركزي ومفتوح وشفاف، فرصة طبيعية للاندماج مع الذكاء الاصطناعي. في ظل الهياكل التقليدية المركزية، تكون حسابات الذكاء الاصطناعي وموارد البيانات محدودة بشدة، مما يواجه تحديات عديدة مثل اختناق القدرة الحاسوبية، تسرب الخصوصية، وعدم شفافية الخوارزميات. بينما تعتمد Web3 على التقنية الموزعة، يمكنها أن تضخ حيوية جديدة في تطوير الذكاء الاصطناعي من خلال مشاركة شبكة القدرة الحاسوبية، وسوق البيانات المفتوحة، والحسابات الخاصة. في الوقت نفسه، يمكن للذكاء الاصطناعي أن يقدم العديد من الإمكانيات لـ Web3، مثل تحسين العقود الذكية وخوارزميات مكافحة الغش، مما يعزز بناء بيئتها. لذلك، فإن استكشاف دمج Web3 والذكاء الاصطناعي يعد أمرًا بالغ الأهمية لبناء البنية التحتية للإنترنت من الجيل التالي، وإطلاق قيمة البيانات والقدرة الحاسوبية.
البيانات المدفوعة: الأساس المتين للذكاء الاصطناعي وWeb3
البيانات هي العنصر الأساسي الذي يدفع تطوير الذكاء الاصطناعي، تمامًا كما هو الحال مع الوقود للمحرك. تحتاج نماذج الذكاء الاصطناعي إلى استيعاب كميات هائلة من البيانات عالية الجودة للحصول على فهم عميق وقدرات استدلال قوية. لا توفر البيانات فقط الأساس للتدريب على نماذج التعلم الآلي، بل تحدد أيضًا دقة وموثوقية النموذج.
تواجه نماذج الحصول على البيانات واستخدامها في الذكاء الاصطناعي المركزية التقليدية المشاكل الرئيسية التالية:
يمكن لـ Web3 حل نقاط الألم في النماذج التقليدية من خلال نموذج بيانات لامركزي جديد:
ومع ذلك، لا تزال هناك بعض المشاكل في الحصول على بيانات العالم الحقيقي، مثل تفاوت جودة البيانات، وصعوبة المعالجة، ونقص التنوع والتمثيل. قد تكون البيانات الاصطناعية سمة بارزة لمستقبل مجال بيانات Web3. استنادًا إلى تقنيات الذكاء الاصطناعي التوليدي والمحاكاة، يمكن للبيانات الاصطناعية محاكاة خصائص البيانات الحقيقية، كإضافة فعالة، وزيادة كفاءة استخدام البيانات. في مجالات مثل القيادة الذاتية، وتداول الأسواق المالية، وتطوير الألعاب، أظهرت البيانات الاصطناعية إمكانيات تطبيق ناضجة.
حماية الخصوصية: دور FHE في Web3
في عصر البيانات المدفوعة، أصبحت حماية الخصوصية محور اهتمام عالمي، حيث تعكس القوانين المختلفة الصادرة الالتزام الصارم بحماية الخصوصية الشخصية. ومع ذلك، فقد أدى ذلك أيضًا إلى تحديات: بعض البيانات الحساسة لا يمكن الاستفادة منها بشكل كامل بسبب مخاطر الخصوصية، مما يحد من إمكانيات نماذج الذكاء الاصطناعي وقدرتها على الاستدلال.
التشفير المتجانس بالكامل ( FHE ) يسمح بإجراء عمليات حسابية مباشرة على البيانات المشفرة دون الحاجة إلى فك تشفير البيانات، كما أن النتائج الحسابية تتطابق مع نتائج البيانات النصية. يوفر FHE حماية قوية لحسابات الخصوصية في الذكاء الاصطناعي، مما يمكن قوة معالجة GPU من تنفيذ مهام تدريب النماذج والاستدلال في بيئة لا تتعامل مع البيانات الأصلية. وهذا يوفر ميزة كبيرة لشركات الذكاء الاصطناعي، حيث يمكنها حماية الأسرار التجارية مع فتح خدمات واجهة برمجة التطبيقات بشكل آمن.
يدعم FHEML معالجة البيانات والنماذج بشكل مشفر طوال دورة تعلم الآلة، مما يضمن أمان المعلومات الحساسة ويمنع مخاطر تسرب البيانات. يعزز FHEML خصوصية البيانات، ويوفر إطارًا آمنًا للحسابات لتطبيقات الذكاء الاصطناعي. FHEML يكمل ZKML، حيث يثبت ZKML التنفيذ الصحيح لتعلم الآلة، بينما يركز FHEML على إجراء الحسابات على البيانات المشفرة للحفاظ على خصوصية البيانات.
ثورة القدرة الحاسوبية: الحوسبة الذكية في الشبكات اللامركزية
تتضاعف تعقيدات حساب النظام الذكي الحالي كل 3 أشهر، مما يؤدي إلى زيادة هائلة في الطلب على القدرة الحاسوبية، متجاوزة بكثير إمدادات الموارد الحاسوبية الحالية. هذه النقص في القدرة الحاسوبية لا يقتصر فقط على تقييد تقدم تقنيات الذكاء الاصطناعي، بل يجعل من الصعب على معظم الباحثين والمطورين الوصول إلى نماذج الذكاء الاصطناعي المتقدمة.
في الوقت نفسه، فإن معدل استخدام وحدات معالجة الرسوميات على مستوى العالم أقل من 40٪، بالإضافة إلى تباطؤ تحسين أداء المعالجات ونقص الرقائق، مما يجعل مشكلة توفير قوة الحوسبة أكثر حدة. يواجه العاملون في مجال الذكاء الاصطناعي معضلة شراء الأجهزة أو استئجار الموارد السحابية، مما يتطلب طريقة لخدمات الحوسبة حسب الطلب وذات كفاءة اقتصادية.
تقوم شبكة الحوسبة اللامركزية للذكاء الاصطناعي من خلال تجميع موارد وحدات معالجة الرسوميات غير المستخدمة على مستوى العالم بتوفير سوق حوسبة اقتصادي وسهل الاستخدام لشركات الذكاء الاصطناعي. يمكن للجهات الباحثة عن الخدمة نشر مهام الحوسبة على الشبكة، حيث يقوم العقد الذكي بتوزيع المهام على العقد التي تساهم بالقوة الحاسوبية، وتقوم العقد بتنفيذ المهام وتقديم النتائج، وبعد التحقق منها تحصل على مكافآت. هذه الخطة تعزز كفاءة استخدام الموارد وتساعد في حل مشكلة عنق الزجاجة في القوة الحاسوبية في مجالات مثل الذكاء الاصطناعي.
بالإضافة إلى شبكة الحوسبة اللامركزية العامة، هناك منصات حوسبة مخصصة تركز على تدريب الذكاء الاصطناعي واستدلاله. توفر شبكة الحوسبة اللامركزية سوقًا شفافًا وعادلاً، وتكسر الاحتكار، وتخفض عتبة التطبيقات، وتزيد من كفاءة استخدام الحوسبة. في نظام Web3 البيئي، ستلعب شبكة الحوسبة اللامركزية دورًا حاسمًا، مما يجذب المزيد من التطبيقات المبتكرة للانضمام، ودفع تطوير وتطبيق تقنية الذكاء الاصطناعي.
DePIN: تمكين Web3 للذكاء الاصطناعي الحدي
تتيح تقنية Edge AI إجراء الحسابات في مصدر إنتاج البيانات، مما يوفر معالجة في الوقت الفعلي مع انخفاض التأخير، مع الحفاظ على خصوصية المستخدم. تم تطبيق هذه التقنية في مجالات حيوية مثل القيادة الذاتية. في مجال Web3، نسميها DePIN. يركز Web3 على اللامركزية وحقوق سيادة البيانات للمستخدمين، بينما يعزز DePIN حماية الخصوصية من خلال معالجة البيانات محليًا، مما يقلل من مخاطر التسرب. يمكن أن تحفز آلية الاقتصاد الرمزي الأصلية لـ Web3 عقد DePIN على تقديم موارد حسابية، وبناء نظام بيئي مستدام.
تتطور DePIN حاليًا بسرعة في بعض بيئات سلاسل الكتل العامة، وأصبحت واحدة من المنصات المفضلة لنشر المشاريع. توفر TPS العالية، وانخفاض رسوم المعاملات، والابتكار التكنولوجي دعمًا قويًا لمشاريع DePIN. تجاوزت القيمة السوقية لبعض مشاريع DePIN على سلاسل الكتل العامة 10 مليارات دولار، وحققت بعض المشاريع المعروفة تقدمًا ملحوظًا.
IMO: نموذج AI يطلق نموذجًا جديدًا
IMO(عرض النموذج الأولي) فكرة توكين نموذج الذكاء الاصطناعي. في النموذج التقليدي، يواجه مطورو نموذج الذكاء الاصطناعي صعوبة في الحصول على أرباح مستمرة من الاستخدامات اللاحقة، خاصة عندما يتم دمج النموذج في منتجات أخرى. كما أن أداء نموذج الذكاء الاصطناعي وفعاليته غالبًا ما تفتقر إلى الشفافية، مما يحد من الاعتراف في السوق والقدرة التجارية.
IMO قدمت دعمًا ماليًا جديدًا ونظامًا لمشاركة القيمة لنماذج AI مفتوحة المصدر، حيث يمكن للمستثمرين شراء الرموز وتشارك عائدات النموذج المستقبلية. تستخدم بعض البروتوكولات معايير محددة، بالت结合 مع تقنية AI Oracle وOPML لضمان مصداقية نماذج AI وقدرة حاملي الرموز على مشاركة العوائد.
نموذج IMO يعزز الشفافية والثقة، ويشجع التعاون مفتوح المصدر، ويتكيف مع اتجاهات سوق التشفير، مما يضخ الطاقة في التنمية المستدامة لتقنية الذكاء الاصطناعي. حاليًا، نموذج IMO في مرحلة المحاولة الأولية، ولكن مع زيادة قبول السوق وتوسيع نطاق المشاركة، فإن ابتكاراته وقيمته المحتملة تستحق التطلع.
وكيل الذكاء الاصطناعي: عصر جديد من تجربة التفاعل
يمكن لوكيل الذكاء الاصطناعي إدراك البيئة والتفكير بشكل مستقل واتخاذ الإجراءات لتحقيق الأهداف. بدعم من نماذج اللغة الكبيرة، يمكن لوكيل الذكاء الاصطناعي فهم اللغة الطبيعية والتخطيط واتخاذ القرارات وتنفيذ المهام المعقدة. يمكن أن تعمل كمعاونين افتراضيين، من خلال التفاعل مع المستخدمين لتعلم التفضيلات وتقديم حلول مخصصة. حتى في غياب التعليمات الواضحة، يمكن لوكيل الذكاء الاصطناعي حل المشكلات بشكل مستقل، وزيادة الكفاءة، وخلق قيمة جديدة.
تقدم بعض منصات تطبيقات الذكاء الاصطناعي المفتوحة مجموعة شاملة وسهلة الاستخدام من أدوات الإبداع، تدعم المستخدمين في تكوين وظائف الروبوتات، والمظهر، والصوت، وكذلك الاتصال بمكتبات المعرفة الخارجية، وتهدف إلى إنشاء نظام بيئي مفتوح وعادل لمحتوى الذكاء الاصطناعي، وتمكين الأفراد من أن يصبحوا مبدعين عظام باستخدام تقنية الذكاء الاصطناعي التوليدي. قامت هذه المنصات بتدريب نماذج لغوية كبيرة متخصصة، مما يجعل تمثيل الأدوار أكثر إنسانية؛ كما أن تقنية استنساخ الصوت يمكن أن تسرع من التفاعل الشخصي للمنتجات الذكية، مما يقلل بشكل ملحوظ من تكاليف توليد الصوت. باستخدام وكيل الذكاء الاصطناعي المخصص، يمكن حالياً تطبيق ذلك في مجالات متعددة مثل الدردشة الفيديو، وتعلم اللغات، وتوليد الصور.
في دمج Web3 و AI، يتم الآن استكشاف المزيد من البنية التحتية الأساسية، مثل الحصول على بيانات عالية الجودة، وحماية خصوصية البيانات، واستضافة النماذج على السلسلة، وزيادة الاستخدام الفعال للقوة الحوسبة اللامركزية، والتحقق من النماذج اللغوية الكبيرة وغيرها من القضايا الرئيسية. مع تحسين هذه البنية التحتية تدريجياً، من المتوقع أن ينتج عن دمج Web3 و AI مجموعة من نماذج الأعمال والخدمات الجديدة.