إمكانيات مسار بيانات الذكاء الاصطناعي وصعود Web3 DataFi

في عصر يتنافس فيه العالم لبناء أفضل نماذج أساسية، فإن القدرة الحسابية وهندسة النموذج بالطبع مهمة، ولكن الخندق الحقيقي هو بيانات التدريب. الحدث الأكثر لفتًا في دائرة الذكاء الاصطناعي هذا الشهر هو عرض Meta لقوتها، حيث شكلت فريق ذكاء اصطناعي فاخر يتكون بشكل رئيسي من علماء باحثين من أصل صيني. قائد الفريق هو ألكسندر وانغ الذي لم يتجاوز عمره 28 عامًا، والذي أسس شركة Scale AI. حاليًا، تقدر قيمة Scale AI بـ 29 مليار دولار، وتقدم خدمات البيانات للعديد من عمالقة الذكاء الاصطناعي بما في ذلك الجيش الأمريكي، OpenAI، Anthropic وMeta.

تتمثل النقطة الرئيسية التي جعلت Scale AI تبرز بين العديد من أحصنة البحر في اكتشافها المبكر لأهمية البيانات في صناعة الذكاء الاصطناعي. تعتبر القدرة الحاسوبية والنموذج والبيانات الأعمدة الثلاثة لنموذج الذكاء الاصطناعي. إذا تم تشبيه النموذج الكبير بشخص ما، فإن النموذج هو الجسم، والقدرة الحاسوبية هي الطعام، بينما البيانات هي المعرفة والمعلومات.

مع التطور السريع لنماذج اللغة الكبيرة (LLM)، انتقل تركيز الصناعة تدريجياً من النماذج إلى قوة الحوسبة، حيث تم تحديد معظم النماذج اليوم إطار العمل على أنه transformer. إما أن تقوم الشركات الكبرى ببناء مجموعات حوسبة فائقة خاصة بها، أو توقيع اتفاقيات طويلة الأجل مع مزودي خدمات السحابة. بعد تلبية الاحتياجات الأساسية لقوة الحوسبة، أصبحت أهمية البيانات أكثر وضوحًا.

تسعى Scale AI ليس فقط إلى استخراج البيانات الحالية، ولكنها تركز أيضًا على الأعمال المتعلقة بتوليد البيانات على المدى الطويل. تحاول الشركة توفير بيانات تدريب عالية الجودة لنماذج الذكاء الاصطناعي من خلال فرق من الخبراء البشر في مجالات مختلفة.

تنقسم عملية تدريب النموذج إلى مرحلتين: التدريب المسبق والتعديل الدقيق. التدريب المسبق مشابه لعملية تعلم الأطفال الكلام، حيث يحتاج إلى كميات كبيرة من النصوص والمعلومات المستخرجة من الإنترنت، مثل الأكواد وغيرها. أما التعديل الدقيق فهو مثل التعليم المدرسي، وله أهداف واتجاهات واضحة. وبناءً عليه، تنقسم البيانات المطلوبة إلى فئتين: واحدة تتطلب كميات كبيرة من البيانات التي لا تحتاج إلى معالجة كبيرة، والأخرى تحتاج إلى تصميم دقيق وانتقاء لتطوير قدرات معينة للنموذج.

مع تحسين قدرات النموذج بشكل أكبر، ستصبح البيانات التدريبية الأكثر دقة وتخصصًا عوامل التأثير الرئيسية على قدرات النموذج. على المدى الطويل، تُعتبر بيانات الذكاء الاصطناعي أيضًا مجالًا يتمتع بتأثير كرة الثلج، حيث مع تراكم الأعمال في المراحل الأولية، ستكتسب الأصول البيانية القدرة على تحقيق العائد المركب، مما يجعلها أكثر قيمة مع مرور الوقت.

Web3 DataFi: التربة المثالية لبيانات الذكاء الاصطناعي

بالمقارنة مع شركات البيانات التقليدية، تتمتع Web3 بميزة طبيعية في مجال بيانات الذكاء الاصطناعي، ومن هنا ولدت مفهوم DataFi الجديد. تتمثل مزايا Web3 DataFi بشكل رئيسي في الجوانب التالية:

1. تضمن العقود الذكية سيادة البيانات والأمان والخصوصية
2. يجذب الهيكل الموزع أفضل القوى العاملة المناسبة من جميع أنحاء العالم
3. آلية الحوافز والتسويات في البلوكشين الواضحة
4. بناء سوق بيانات شامل وفعال ومفتوح

بالنسبة للمستخدمين العاديين، فإن DataFi هو أسهل مشروع ذكاء اصطناعي لامركزي يمكن المشاركة فيه. لا يحتاج المستخدمون إلى استثمارات باهظة في الأجهزة أو خلفية تقنية متخصصة، بل يمكنهم المشاركة من خلال مهام بسيطة مثل توفير البيانات، وتقييم مخرجات النماذج، وما إلى ذلك.

مشاريع DataFi في Web3 ذات الإمكانيات

حاليًا، حصلت العديد من مشاريع DataFi على تمويل كبير، مما يظهر إمكانيات هائلة:

1. Sahara AI: تهدف إلى إنشاء بنية تحتية لامركزية للذكاء الاصطناعي وسوق للتداول
2. Yupp: منصة تعليقات نموذج الذكاء الاصطناعي، يمكن للمستخدمين تقييم جودة مخرجات النماذج المختلفة.
3. Vana: تحويل البيانات الشخصية للمستخدمين إلى أصول رقمية قابلة للتداول
4. Chainbase: يركز على البيانات على السلسلة، ويغطي أكثر من 200 سلسلة كتلة
5. سابين: تحويل المعرفة البشرية إلى بيانات تدريب عالية الجودة للذكاء الاصطناعي
6. Prisma X: طبقة تنسيق مفتوحة للروبوتات، تركز على جمع البيانات الفيزيائية
7. Masa: مشروع الشبكة الفرعية الرائد في نظام Bittensor البيئي، يوفر الوصول إلى البيانات في الوقت الحقيقي
8. Irys: يركز على تخزين البيانات القابل للبرمجة والحساب
9. ORO: تمكين الأشخاص العاديين من المشاركة في مساهمات الذكاء الاصطناعي
10. Gata: طبقة بيانات لامركزية، توفر مجموعة متنوعة من أدوات جمع البيانات ومعالجتها

على الرغم من أن الحواجز أمام هذه المشاريع ليست عالية في الوقت الحالي، إلا أن مزايا المنصة ستتكون بسرعة مع تراكم المستخدمين ولصق النظام البيئي. في المراحل المبكرة، يجب التركيز على تدابير التحفيز وتجربة المستخدم لجذب عدد كافٍ من المستخدمين. في الوقت نفسه، يحتاج المطورون إلى التفكير في كيفية إدارة العمالة وضمان جودة البيانات، لتجنب حدوث حالة طرد العملة الجيدة بالسيئة.

بالإضافة إلى ذلك، فإن زيادة الشفافية وتسريع عملية اللامركزية هما أيضًا من التحديات المهمة التي تواجه هذه المشاريع. يتطلب الاعتماد الواسع لـ DataFi جذب المستخدمين الأفراد والعملاء من الشركات الرئيسية في نفس الوقت، لتكوين حلقة إيكولوجية كاملة.

تمثل DataFi عملية تربية الذكاء الاصطناعي من قبل الإنسان على المدى الطويل، وفي الوقت نفسه تضمن عوائد العمل البشري من خلال العقود الذكية. بالنسبة لأولئك الذين يتطلعون إلى عصر الذكاء الاصطناعي ويحتفظون بمثل blockchain، فإن المشاركة في DataFi بلا شك خيار حكيم يتماشى مع الاتجاه.