OSG Ventures: الكشف عن قصة جديدة للأشعة تحت الحمراء من مجموعة تقنيات AI x Web3

المصدر الأصلي: IOSG Ventures

مقدمة

أثار التطور السريع الأخير لنماذج اللغات الكبيرة (LLMs) الاهتمام باستخدام الذكاء الاصطناعي (AI) لتحويل الصناعات المختلفة. صناعة blockchain ليست محصنة، مع ظهور قصة AI x Crypto التي سلطت الضوء عليها. تستكشف هذه المقالة ثلاث طرق رئيسية لدمج الذكاء الاصطناعي والتشفير، وتستكشف الفرص الفريدة لتقنية blockchain لحل مشاكل صناعة الذكاء الاصطناعي.

تتضمن الأساليب الثلاثة لـ AIxCrypto ما يلي:

• دمج الذكاء الاصطناعي في المنتجات الحالية: تستخدم شركات مثل Dune الذكاء الاصطناعي لتحسين منتجاتها، مثل تقديم مساعد SQL لمساعدة المستخدمين على كتابة استعلامات معقدة.
• بناء البنية التحتية للذكاء الاصطناعي لنظام العملات المشفرة البيئي: تركز الشركات الناشئة مثل Ritual وAutonolas على تطوير بنية تحتية تعتمد على الذكاء الاصطناعي ومصممة خصيصًا لتلبية احتياجات النظام البيئي للعملات المشفرة.
• استخدام blockchain لحل مشاكل صناعة الذكاء الاصطناعي: تستكشف مشاريع مثل Gensyn وEZKL وio.net كيف يمكن لتكنولوجيا blockchain حل التحديات التي تواجه صناعة الذكاء الاصطناعي، مثل خصوصية البيانات والأمن والشفافية.

الشيء الفريد في AI x Crypto هو أنه من المتوقع أن تحل تقنية blockchain المشكلات المتأصلة في صناعة الذكاء الاصطناعي. يفتح هذا التقاطع الفريد إمكانيات جديدة للحلول المبتكرة التي تفيد مجتمعات الذكاء الاصطناعي و blockchain.

من خلال الخوض في مجال AI x Crypto، نهدف إلى تحديد وعرض التطبيقات الواعدة لتقنية blockchain في حل تحديات صناعة الذكاء الاصطناعي. ومن خلال الشراكة مع خبراء صناعة الذكاء الاصطناعي ومنشئي العملات المشفرة، نحن ملتزمون بتعزيز تطوير الحلول المتطورة التي تستفيد من نقاط القوة في كلتا التقنيتين.

1. نظرة عامة على الصناعة

يمكن تقسيم مجال AI x Crypto إلى فئتين: البنية التحتية والتطبيقات. في حين تستمر بعض البنية التحتية الحالية في دعم حالات استخدام الذكاء الاصطناعي، يطلق لاعبون جدد بنيات جديدة تمامًا تعتمد على الذكاء الاصطناعي في السوق.

1. 1 شبكة الحوسبة

في مجال AIxCrypto، تلعب شبكات الحوسبة دورًا حاسمًا في توفير البنية التحتية المطلوبة لتطبيقات الذكاء الاصطناعي. يمكن تقسيم هذه الشبكات إلى نوعين بناءً على المهام التي تدعمها: شبكات الحوسبة ذات الأغراض العامة وشبكات الحوسبة المتخصصة.

1.1.1 شبكة الحوسبة العامة

توفر شبكات الحوسبة العامة مثل IO.net وAkash للمستخدمين فرصة الوصول إلى الأجهزة عبر SSH وتوفير واجهة سطر الأوامر (CLI) التي تمكن المستخدمين من إنشاء تطبيقاتهم الخاصة. تشبه هذه الشبكات الخوادم الافتراضية الخاصة (VPS)، مما يوفر بيئة حوسبة شخصية في السحابة.

يعتمد IO.net على النظام البيئي Solana ويركز على تأجير وحدات معالجة الرسومات ومجموعات الحوسبة، بينما يوفر Akash، المستند إلى النظام البيئي Cosmos، بشكل أساسي خوادم سحابية لوحدة المعالجة المركزية وقوالب التطبيقات المختلفة.

وجهة نظر IOSG Ventures:

بالمقارنة مع السوق السحابية Web2 الناضجة، لا تزال شبكات الحوسبة في مراحلها الأولى. لا ترقى شبكات حوسبة Web3 إلى مستوى العناصر الأساسية “Lego” الخاصة بـ Web2، مثل الوظائف بدون خادم، وVPS، والمشاريع السحابية لقاعدة البيانات المستندة إلى موفري الخدمات السحابية الرئيسيين مثل AWS وAzure وGoogle Cloud.

تشمل مزايا شبكات الحوسبة ما يلي:

• يمكن لتقنية Blockchain الاستفادة من موارد الحوسبة وأجهزة الكمبيوتر الشخصية غير المستخدمة لجعل الشبكة أكثر استدامة.
• يتيح تصميم نظير إلى نظير (P2P) للأفراد تحقيق الدخل من موارد الحوسبة غير المستخدمة وتوفير حوسبة منخفضة التكلفة، مما يؤدي إلى خفض التكاليف بنسبة 75% -90%.

ومع ذلك، فمن الصعب وضع شبكات الحوسبة في الإنتاج الفعلي واستبدال خدمات Web2 السحابية بسبب التحديات التالية:

• من المؤكد أن التسعير هو الميزة الرئيسية لشبكات الحوسبة العامة، ولكن لا يزال من الصعب التنافس مع الشركات السحابية Web2 الناضجة من حيث الأداء الوظيفي والأمان والاستقرار.
• قد يحد أسلوب نظير إلى نظير من قدرة هذه الشبكات على تقديم منتجات ناضجة وقوية بسرعة. ستؤدي الطبيعة اللامركزية إلى زيادة تكاليف التطوير والصيانة.

1.1.2 شبكة الحوسبة الخاصة

تضيف شبكات الحوسبة الخاصة طبقة إضافية إلى شبكات الحوسبة ذات الأغراض العامة، مما يسمح للمستخدمين بنشر تطبيقات محددة من خلال ملفات التكوين. تم تصميم هذه الشبكات لتلبية حالات استخدام محددة، مثل العرض ثلاثي الأبعاد أو الاستدلال والتدريب على الذكاء الاصطناعي.

Render عبارة عن شبكة حوسبة احترافية تركز على العرض ثلاثي الأبعاد. في مجال الذكاء الاصطناعي، يركز اللاعبون الجدد مثل Bittensor وHyperbolic وRitual وfetch.ai على استدلال الذكاء الاصطناعي، بينما يركز Flock وGensyn بشكل أساسي على تدريب الذكاء الاصطناعي.

![OSG Ventures: الكشف عن قصة الأشعة تحت الحمراء الجديدة من الذكاء الاصطناعي

وجهة نظر IOSG Ventures:

مزايا شبكات الحوسبة المخصصة:

• تعمل ميزات اللامركزية والتشفير على حل مشكلات المركزية والشفافية الشائعة في صناعة الذكاء الاصطناعي.
• شبكة الحوسبة بدون إذن ونظام التحقق يضمنان صحة عملية الاستدلال والتدريب.
• تسمح تقنيات الحفاظ على الخصوصية، مثل التعلم الموحد الذي تستخدمه شركة Flock، للأفراد بالمساهمة بالبيانات في نموذج التدريب مع الحفاظ على بياناتهم المحلية والخاصة.
• من خلال دعم تكامل العقود الذكية مع تطبيقات blockchain النهائية، يمكن استخدام استدلال الذكاء الاصطناعي مباشرة على blockchain.

المصدر: مشاريع IOSG

في حين أن شبكات الحوسبة المخصصة للتدريب والاستدلال على الذكاء الاصطناعي لا تزال في مراحلها الأولى، فإننا نتوقع أن تعطي تطبيقات Web3 AI الأولوية لاستخدام البنية التحتية Web3 AI. ويتجلى هذا الاتجاه بالفعل في عمليات التعاون مثل Story Protocol وشراكة Ritual مع MyShell لتقديم نماذج الذكاء الاصطناعي كملكية فكرية.

على الرغم من أن التطبيقات القاتلة المبنية على هذه البنى التحتية الناشئة AI x Web3 لم تظهر بعد، إلا أن إمكانات النمو هائلة. ومع نضوج النظام البيئي، نتوقع رؤية المزيد من التطبيقات المبتكرة التي تستفيد من القدرات الفريدة لشبكات الحوسبة اللامركزية القائمة على الذكاء الاصطناعي.

2. البيانات

تلعب البيانات دورًا حيويًا في نماذج الذكاء الاصطناعي، وتشارك البيانات في جميع مراحل تطوير نماذج الذكاء الاصطناعي، بما في ذلك جمع البيانات وتخزين مجموعة بيانات التدريب وتخزين النماذج.

2.1 تخزين البيانات

يعد التخزين اللامركزي لنماذج الذكاء الاصطناعي أمرًا بالغ الأهمية لتوفير واجهات برمجة التطبيقات الاستدلالية بطريقة لا مركزية. يجب أن تكون عقد الاستدلال قادرة على استرداد هذه النماذج من أي مكان وفي أي وقت. ومع إمكانية وصول حجم نماذج الذكاء الاصطناعي إلى مئات الجيجابايت، هناك حاجة إلى شبكة تخزين لامركزية قوية. قد يكون بمقدور الشركات الرائدة في مجال التخزين اللامركزي، مثل Filecoin وArweave، توفير هذه الوظيفة.

وجهة نظر IOSG Ventures:

هناك فرص كبيرة في هذا المجال.

• شبكة تخزين بيانات لا مركزية مُحسّنة لنماذج الذكاء الاصطناعي، وتوفر وظائف مثل التحكم في الإصدار، وتخزين نماذج مختلفة منخفضة الدقة، والتنزيل السريع للنماذج الكبيرة.
• توفر قواعد بيانات المتجهات اللامركزية، نظرًا لأنها غالبًا ما تكون مجمعة مع النماذج، إجابات أكثر دقة عن طريق إدراج المعرفة الضرورية ذات الصلة بالسؤال. يمكن أيضًا إضافة قواعد بيانات SQL الموجودة من خلال دعم البحث المتجه.

2.2 جمع البيانات ووضع العلامات عليها

يعد جمع البيانات عالية الجودة أمرًا بالغ الأهمية للتدريب على الذكاء الاصطناعي. تستخدم المشاريع القائمة على Blockchain، مثل Grass، التعهيد الجماعي لجمع البيانات للتدريب على الذكاء الاصطناعي، والاستفادة من الشبكات الشخصية. ومن خلال الحوافز والآليات المناسبة، يستطيع مدربو الذكاء الاصطناعي الحصول على بيانات عالية الجودة بتكلفة أقل. تركز مشاريع مثل Tai-da وSaipen على تصنيف البيانات.

وجهة نظر IOSG Ventures:

بعض ملاحظاتنا على هذا السوق:

• معظم مشاريع تصنيف البيانات مستوحاة من GameFi، حيث تجتذب المستخدمين بمفهوم “علامة الربح” والمطورين مع وعد بخفض تكاليف البيانات المصنفة عالية الجودة.
• لا يوجد حاليًا قائد واضح في هذا المجال، ويهيمن Scale AI على سوق تصنيف بيانات Web2.

2.3 بيانات سلسلة الكتل

عند تدريب نماذج الذكاء الاصطناعي خصيصًا لـ blockchain، يحتاج المطورون إلى بيانات blockchain عالية الجودة يريدون أن يكونوا قادرين على استخدامها مباشرة في عملية التدريب الخاصة بهم. توفر Spice AI وSpace and Time بيانات blockchain عالية الجودة مع SDKs، مما يسمح للمطورين بدمج البيانات بسهولة في خطوط أنابيب بيانات التدريب الخاصة بهم.

وجهة نظر IOSG Ventures:

مع تزايد الطلب على نماذج الذكاء الاصطناعي المرتبطة بـ blockchain، سيزداد الطلب على بيانات blockchain عالية الجودة. ومع ذلك، فإن معظم أدوات تحليل البيانات حاليًا توفر فقط القدرة على تصدير البيانات بتنسيق CSV، وهو ليس مثاليًا لأغراض تدريب الذكاء الاصطناعي.

لتسهيل تطوير نماذج الذكاء الاصطناعي الخاصة بـ blockchain، من الضروري تعزيز تجربة المطور من خلال توفير المزيد من إمكانات عمليات التعلم الآلي المرتبطة بـ blockchain (MLOP). يجب أن تمكن هذه الميزات المطورين من دمج بيانات blockchain بسلاسة مباشرة في خطوط أنابيب تدريب الذكاء الاصطناعي المستندة إلى Python.

3. ZKML

يواجه مقدمو خدمات الذكاء الاصطناعي المركزيون مشكلات تتعلق بالثقة بسبب الحوافز لاستخدام نماذج أقل تعقيدًا لتقليل التكاليف الحسابية. على سبيل المثال، كانت هناك أوقات في العام الماضي اعتقد فيها المستخدمون أن أداء ChatGPT كان ضعيفًا. ويُعزى ذلك لاحقًا إلى تحديث OpenAI الذي يهدف إلى تحسين أداء النموذج.

بالإضافة إلى ذلك، أثار منشئو المحتوى مخاوف بشأن حقوق الطبع والنشر مع شركات الذكاء الاصطناعي. ومن الصعب على هذه الشركات إثبات عدم تضمين بيانات محددة في عملية التدريب الخاصة بها.

يعد التعلم الآلي بدون معرفة (ZKML) نهجًا مبتكرًا يحل مشكلات الثقة المرتبطة بموفري الذكاء الاصطناعي المركزيين. من خلال الاستفادة من أدلة المعرفة الصفرية، تتيح ZKML للمطورين إثبات صحة عمليات التدريب والاستدلال الخاصة بالذكاء الاصطناعي دون الكشف عن البيانات الحساسة أو تفاصيل النموذج.

3.1 التدريب

يمكن للمطورين تنفيذ مهام التدريب في آلة افتراضية صفر المعرفة (ZKVM)، مثل تلك التي توفرها Risc Zero. تولد هذه العملية دليلاً يؤكد أن التدريب تم تنفيذه بشكل صحيح وأنه تم استخدام البيانات المعتمدة فقط. تعد هذه الشهادة بمثابة دليل على التزام المطور بمواصفات التدريب المناسبة وأذونات استخدام البيانات.

وجهة نظر IOSG Ventures:

• توفر ZKML حلاً فريدًا لإثبات استخدام البيانات المصرح بها في تدريب النماذج، وهو ما يصعب تحقيقه غالبًا نظرًا لطبيعة الصندوق الأسود لنماذج الذكاء الاصطناعي.
• هذه التكنولوجيا لا تزال في مراحلها الأولى. النفقات الحسابية ضخمة. يستكشف المجتمع بنشاط المزيد من حالات الاستخدام لتدريب ZK.

3.2 الاستدلال

يستغرق ZKML وقتًا أطول بكثير للاستدلال مقارنة بنظيره التدريبي. هناك بالفعل العديد من الشركات المعروفة الناشئة في هذا المجال، ولكل منها نهج فريد لجعل استدلال التعلم الآلي عديم الثقة وشفافًا.

تركز الجيزة على بناء منصة شاملة لعمليات التعلم الآلي (MLOP) وبناء مجتمع نابض بالحياة حولها. هدفهم هو تزويد المطورين بالأدوات والموارد اللازمة لدمج ZKML في سير عمل الاستدلال.

من ناحية أخرى، تعطي EZKL الأولوية لتجربة التطوير من خلال إنشاء إطار عمل ZKML سهل الاستخدام يوفر أداءً جيدًا. تم تصميم الحل الخاص بهم لتبسيط عملية تنفيذ استدلال ZKML وجعله في متناول المزيد من المطورين بسهولة.

تتخذ Modulus Labs نهجًا مختلفًا، حيث تقوم بتطوير نظام الإثبات الخاص بها. هدفهم الرئيسي هو تقليل الحمل الحسابي المرتبط باستدلال ZKML بشكل كبير. من خلال تقليل النفقات العامة بمقدار 10 مرات، تحاول Modulus Labs جعل استدلال ZKML أكثر عملية وكفاءة للتطبيقات الواقعية.

وجهة نظر IOSG Ventures:

• ZKML مفيد بشكل خاص في سيناريوهات GameFi وDeFi حيث يكون انعدام الثقة أمرًا بالغ الأهمية.
• الحمل الحسابي الذي قدمته ZKML يجعل من الصعب تشغيل نماذج الذكاء الاصطناعي الكبيرة بكفاءة.
• لا تزال الصناعة تبحث عن رواد DeFi وGameFi لاستخدام ZKML بكثافة في منتجاتهم لإظهار سيناريوهات التطبيق العملي الخاصة بها.

4. شبكة الوكيل + التطبيقات الأخرى

4.1 شبكة الوكيل

تتكون شبكة الوكلاء من العديد من وكلاء الذكاء الاصطناعي المجهزين بالأدوات والمعرفة اللازمة لأداء مهام محددة، مثل المساعدة في المعاملات عبر السلسلة. يمكن لهؤلاء الوكلاء التعاون مع بعضهم البعض لتحقيق أهداف أكثر تعقيدًا. تعمل العديد من الشركات المعروفة على تطوير وكلاء وشبكات وكلاء تشبه برامج الدردشة الآلية.

يعد كل من Sleepless وSiya وMyshell وcharacterX وDelysium من اللاعبين المهمين الذين يقومون ببناء وكلاء chatbot. تقوم Autonolas وChainML ببناء شبكات وكيل لحالات استخدام أكثر قوة.

وجهة نظر IOSG Ventures:

الوكلاء ضروريون لتطبيقات العالم الحقيقي. يمكنهم أداء مهام محددة بشكل أفضل من الذكاء الاصطناعي العام. توفر Blockchain العديد من الفرص الفريدة لعملاء الذكاء الاصطناعي.

• لديها آلية حوافز: توفر Blockchain آلية حوافز من خلال تقنيات مثل الرموز غير القابلة للاستبدال (NFT). ومن خلال الملكية الواضحة وهياكل الحوافز، يتم تحفيز المبدعين لتطوير وكلاء أكثر إثارة للاهتمام وابتكارًا على السلسلة.
• قابلية تركيب العقود الذكية: العقود الذكية على blockchain قابلة للتركيب بشكل كبير وتعمل مثل كتل Lego. تتيح واجهة برمجة التطبيقات المفتوحة التي توفرها العقود الذكية للوكلاء أداء المهام المعقدة التي يصعب تحقيقها في الأنظمة المالية التقليدية. تتيح قابلية التركيب هذه للوكلاء التفاعل مع وظائف مجموعة متنوعة من التطبيقات اللامركزية (dApps) والاستفادة منها.
• الانفتاح المتأصل: من خلال بناء وكلاء على blockchain، فإنهم يرثون الانفتاح والشفافية المتأصلة في هذه الشبكات. وهذا يخلق فرصًا كبيرة للتركيب بين الوكلاء المختلفين، مما يسمح لهم بالتعاون والجمع بين قدراتهم لحل المهام الأكثر تعقيدًا.

4.2 تطبيقات أخرى

بالإضافة إلى الفئات الرئيسية التي تمت مناقشتها سابقًا، هناك العديد من تطبيقات الذكاء الاصطناعي المثيرة للاهتمام والتي تحظى بالاهتمام في مساحة Web3، على الرغم من أنها قد لا تكون كبيرة بما يكفي لتشكيل فئات منفصلة. تغطي هذه التطبيقات مجموعة متنوعة من المجالات وتوضح تنوع وإمكانات الذكاء الاصطناعي في النظام البيئي blockchain.

• توليد الصور: ImgnAI
• تحقيق الصورة الفوري: NF
• توليد صور الذكاء الاصطناعي المدربة من قبل المجتمع: بوتو
• Chatbots: Kaito، Supersight، Galaxy، Kn n3، Awesome QA، Qna3
• المالية: رقم AI
• المحفظة: Dawn_wallet
• اللعبة: الموازي TCG
• التعليم : مدمن مخدرات
• الأمن: فورتا
• فعل: Worldcoin
• أدوات الإنشاء: Plai Lab

5. قم بترويج AIxCrypto لمستخدمي Web2 لاعتماده على نطاق واسع

يعد AI x Crypto فريدًا من نوعه لأنه يحل أصعب المشكلات في الذكاء الاصطناعي. على الرغم من الفجوة بين منتج AIxCrypto الحالي ومنتجات Web2 AI وعدم جاذبيته لمستخدمي Web2، لا يزال لدى AIxCrypto بعض الميزات الفريدة التي لا يمكن أن يوفرها سوى AIxCrypto.

5.1 موارد حوسبة فعالة من حيث التكلفة:

الميزة الرئيسية لـ AIxCrypto هي توفير موارد حوسبة فعالة من حيث التكلفة. مع زيادة الطلب على LLM وزيادة عدد المطورين في السوق، أصبح توفر وحدة معالجة الرسومات وسعرها أكثر صعوبة. ارتفعت أسعار GPU بشكل ملحوظ، وهناك نقص.

يمكن لشبكات الحوسبة اللامركزية مثل مشروع DePIN أن تساعد في تخفيف هذه المشكلة من خلال الاستفادة من قوة الحوسبة الخاملة، ووحدات معالجة الرسومات في مراكز البيانات الصغيرة، وأجهزة الحوسبة الشخصية. على الرغم من أن قوة الحوسبة اللامركزية قد لا تكون مستقرة مثل الخدمات السحابية المركزية، إلا أن هذه الشبكات توفر معدات حوسبة فعالة من حيث التكلفة في مجموعة متنوعة من المناطق الجغرافية. يعمل هذا النهج اللامركزي على تقليل زمن وصول الحافة، مما يضمن بنية تحتية أكثر توزيعًا ومرونة.

من خلال الاستفادة من قوة شبكات الحوسبة اللامركزية، يمكن لـ AIxCrypto تزويد مستخدمي Web2 بموارد حوسبة ميسورة التكلفة ويمكن الوصول إليها. تعد ميزة التكلفة هذه جذابة لمستخدمي Web2 لتبني حلول AIxCrypto، خاصة مع استمرار نمو الطلب على حوسبة الذكاء الاصطناعي.

5.2 منح الملكية للمبدعين:

من المزايا المهمة الأخرى لـ AI x Crypto حماية حقوق ملكية المبدعين. في مجال الذكاء الاصطناعي الحالي، يمكن نسخ بعض العملاء بسهولة. يمكن تكرار هذه العوامل بسهولة بمجرد كتابة مطالبات مماثلة. بالإضافة إلى ذلك، غالبًا ما تكون الخوادم الوكيلة في متاجر GPT مملوكة لشركات مركزية وليس لمبدعين، مما يحد من سيطرة المبدعين على أعمالهم وقدرتهم على تحقيق الدخل بشكل فعال.

تعمل تقنية AI x Crypto على حل هذه المشكلة من خلال الاستفادة من تقنية NFT الناضجة المنتشرة في كل مكان في مجال التشفير. من خلال تمثيل الوكالة على أنها NFTs، يمكن للمبدعين حقًا امتلاك إبداعاتهم والحصول على إيرادات فعلية منها. في كل مرة يتفاعل فيها المستخدم مع وكيل، يمكن للمبدعين الحصول على حوافز، مما يضمن مكافأة عادلة لجهودهم. لا ينطبق مفهوم الملكية القائمة على NFT على الوكلاء فحسب، بل يمكن استخدامه أيضًا لحماية الأصول المهمة الأخرى في مجال الذكاء الاصطناعي، مثل قواعد المعرفة والنصائح.

5.3 حماية الخصوصية وإعادة بناء الثقة:

لدى المستخدمين والمبدعين مخاوف تتعلق بالخصوصية بشأن شركات الذكاء الاصطناعي المركزية. يشعر المستخدمون بالقلق بشأن إساءة استخدام بياناتهم لتدريب النماذج المستقبلية، في حين يشعر المبدعون بالقلق بشأن استخدام أعمالهم دون الإسناد أو التعويض المناسب. بالإضافة إلى ذلك، قد تضحي شركات الذكاء الاصطناعي المركزية بجودة الخدمة لتقليل تكاليف البنية التحتية.

يصعب حل هذه المشكلات باستخدام تقنية Web2، وتستفيد AIxCrypto من حلول Web3 المتقدمة. يوفر التدريب والاستدلال على المعرفة الصفرية الشفافية من خلال إثبات البيانات المستخدمة وضمان تطبيق النموذج الصحيح. تتيح التقنيات مثل بيئة التنفيذ الموثوقة (TEE)، والتعلم الموحد، والتشفير المتماثل بالكامل (FHE) تدريبًا واستدلالًا آمنًا للذكاء الاصطناعي يحافظ على الخصوصية.

من خلال إعطاء الأولوية للخصوصية والشفافية، تمكن AIxCrypto شركات الذكاء الاصطناعي من استعادة ثقة الجمهور وتوفير خدمات الذكاء الاصطناعي التي تحترم حقوق المستخدم، مما يميزها عن حلول Web2 التقليدية.

5.3 حماية الخصوصية وإعادة بناء الثقة:

لدى المستخدمين والمبدعين مخاوف تتعلق بالخصوصية بشأن شركات الذكاء الاصطناعي المركزية. يشعر المستخدمون بالقلق بشأن إساءة استخدام بياناتهم لتدريب النماذج المستقبلية، في حين يشعر المبدعون بالقلق بشأن استخدام أعمالهم دون الإسناد أو التعويض المناسب. بالإضافة إلى ذلك، قد تضحي شركات الذكاء الاصطناعي المركزية بجودة الخدمة لتقليل تكاليف البنية التحتية.

يصعب حل هذه المشكلات باستخدام تقنية Web2، وتستفيد AIxCrypto من حلول Web3 المتقدمة. يوفر التدريب والاستدلال على المعرفة الصفرية الشفافية من خلال إثبات البيانات المستخدمة وضمان تطبيق النموذج الصحيح. تتيح التقنيات مثل بيئة التنفيذ الموثوقة (TEE)، والتعلم الموحد، والتشفير المتماثل بالكامل (FHE) تدريبًا واستدلالًا آمنًا للذكاء الاصطناعي يحافظ على الخصوصية.

من خلال إعطاء الأولوية للخصوصية والشفافية، تمكن AIxCrypto شركات الذكاء الاصطناعي من استعادة ثقة الجمهور وتوفير خدمات الذكاء الاصطناعي التي تحترم حقوق المستخدم، مما يميزها عن حلول Web2 التقليدية.

5.4 تتبع مصادر المحتوى

مع تزايد تعقيد المحتوى الذي ينشئه الذكاء الاصطناعي، يصبح من الصعب التمييز بين النصوص أو الصور أو مقاطع الفيديو التي أنشأها الإنسان وتلك التي أنشأها الذكاء الاصطناعي. لمنع إساءة استخدام المحتوى الناتج عن الذكاء الاصطناعي، يحتاج الأشخاص إلى طريقة موثوقة لتحديد مصدر المحتوى.

تتفوق تقنية Blockchain في تتبع مصدر المحتوى، تمامًا كما فعلت بنجاح في إدارة سلسلة التوريد والرموز غير القابلة للاستبدال (NFTs). في صناعة سلسلة التوريد، تقوم تقنية blockchain بتتبع دورة الحياة الكاملة للمنتج، ويمكن للمستخدمين تحديد الشركة المصنعة والمعالم الرئيسية. وبالمثل، تقوم تقنية blockchain بتتبع المبدعين وتمنع القرصنة في حالة NFTs، والتي تكون معرضة بشكل خاص للقرصنة بسبب طبيعتها العامة. على الرغم من هذه الثغرة الأمنية، فإن استخدام blockchain يمكن أن يقلل من الخسائر الناجمة عن NFTs المزيفة لأنه يمكن للمستخدمين التمييز بسهولة بين الرموز الحقيقية والمزيفة.

من خلال تطبيق تقنية blockchain لتتبع أصل المحتوى الذي تم إنشاؤه بواسطة الذكاء الاصطناعي، توفر AIxCrypto للمستخدمين القدرة على التحقق مما إذا كان منشئو المحتوى هم ذكاء اصطناعي أم بشر، وبالتالي تقليل احتمالية إساءة الاستخدام وزيادة الثقة في صحة المحتوى.

5.5 تطوير النماذج باستخدام العملات المشفرة

يعد تصميم النماذج والتدريب عليها، وخاصة النماذج الكبيرة، عملية مكلفة وتستغرق وقتًا طويلاً. هناك أيضًا حالة من عدم اليقين تحيط بالنموذج الجديد، ولا يستطيع المطورون التنبؤ بأدائه.

توفر العملات المشفرة طريقة صديقة للمطورين لجمع بيانات ما قبل التدريب، وجمع تعليقات التعلم المعزز، وإجراء جمع التبرعات من الأطراف المهتمة. تشبه هذه العملية دورة حياة مشروع عملة مشفرة نموذجي: جمع التمويل من خلال الاستثمار الخاص أو منصة الإطلاق، وإطلاق الرموز المميزة للمساهمين النشطين عند الإطلاق.

يمكن للنماذج أن تتبع نهجًا مشابهًا، حيث تجمع الأموال للتدريب عن طريق بيع الرموز المميزة وإسقاط الرموز المميزة للمساهمين بالبيانات والتعليقات. بفضل النموذج الاقتصادي المميز المصمم جيدًا، يساعد سير العمل هذا المطورين الأفراد على تدريب نماذج جديدة بسهولة أكبر من أي وقت مضى.

6. تحديات الاقتصاد الرمزي

بدأ مشروع AI x Crypto في استهداف مطوري Web2 كعملاء محتملين لأن التشفير له عرض قيمة فريد وحجم سوق صناعة الذكاء الاصطناعي Web2 كبير. ومع ذلك، يمكن أن تكون الرموز المميزة عائقًا أمام مطوري Web2 الذين ليسوا على دراية بالرموز المميزة ويترددون في المشاركة في الأنظمة القائمة على الرموز المميزة.

من أجل تلبية احتياجات مطوري Web2، قد يؤدي تقليل فائدة الرموز المميزة أو إزالتها إلى حدوث ارتباك لعشاق Web3، لأنه قد يغير الموقف الأساسي لمشروع AI x Crypto. عند العمل على دمج الرموز المميزة القيمة في منصات AI SaaS، فإن إيجاد التوازن بين جذب مطوري Web2 والحفاظ على فائدة الرمز المميز يعد مهمة صعبة.

لسد الفجوة بين نماذج الأعمال Web2 وWeb3 مع الحفاظ على قيمة الرمز المميز، هناك العديد من الأساليب المحتملة التي يمكن أخذها في الاعتبار:

• الاستفادة من الرموز المميزة داخل شبكة البنية التحتية الموزعة للمشروع. تنفيذ آليات التوقيع والمكافأة والعقوبة لحماية الشبكة الأساسية.
• استخدم الرموز المميزة كوسيلة للدفع وتوفير الوصول لمستخدمي Web2
• تنفيذ الحوكمة القائمة على الرمز المميز
• مشاركة الأرباح مع أصحاب الرمز المميز
• استخدم العائدات لإعادة شراء الرموز المميزة أو تدميرها
• الخدمات المقدمة للمشروع حيث تقدم خصومات ومميزات إضافية لحاملي التوكنات

من خلال التصميم الدقيق لنموذج اقتصادي مميز يتوافق مع مصالح Web2 وWeb3، يمكن لمشروع AI x Crypto جذب مطوري Web2 بنجاح مع الحفاظ على قيمة وفائدة رمزه المميز.

7. سيناريوهات الذكاء الاصطناعي والتشفير المفضلة لدينا

يستفيد سيناريو AI x Crypto المفضل لدينا من قوة تعاون المستخدم لإنجاز المهام في مجال الذكاء الاصطناعي بمساعدة تقنية blockchain. تتضمن بعض الأمثلة المحددة ما يلي:

1. المساهمة الجماعية بالبيانات لتدريب الذكاء الاصطناعي ومواءمته وقياس الأداء (مثل Chatbot Arena)

2. التعاون لبناء قاعدة معرفية مشتركة كبيرة يمكن استخدامها من قبل وكلاء مختلفين (على سبيل المثال، الصحراء)

3. استخدم الموارد الشخصية لالتقاط بيانات الشبكة (على سبيل المثال، Grass)

ومن خلال الاستفادة من الجهود الجماعية للمستخدمين بناءً على حوافز وتنسيق تقنية blockchain، توضح هذه النماذج إمكانات النهج اللامركزي الذي يقوده المجتمع لتطوير الذكاء الاصطناعي ونشره.

ختاماً

نحن في فجر الذكاء الاصطناعي وWeb3، ولا يزال تكامل الذكاء الاصطناعي وسلسلة الكتل في مراحله الأولى مقارنة بالصناعات الأخرى. من بين أفضل 50 منتجًا من منتجات Gen AI، لا توجد منتجات مرتبطة بـ Web3. ترتبط أفضل أدوات LLM بإنشاء المحتوى وتحريره، بشكل أساسي للمبيعات والاجتماعات والملاحظات/قواعد المعرفة. بالنظر إلى الأبحاث المكثفة والوثائق والمبيعات وجهود المجتمع في نظام Web3 البيئي، هناك إمكانات هائلة لتطوير أدوات LLM المخصصة.

يركز المطورون حاليًا على بناء البنية التحتية لجلب نماذج الذكاء الاصطناعي المتقدمة إلى السلسلة، على الرغم من أننا لم نصل إلى هذا الهدف بعد. وبينما نواصل تطوير هذه البنية التحتية، فإننا نستكشف أيضًا أفضل سيناريوهات المستخدم لإجراء استدلال الذكاء الاصطناعي على السلسلة بطريقة آمنة وغير موثوقة، مما يوفر فرصًا فريدة في مجال blockchain. يمكن للصناعات الأخرى استخدام البنية التحتية الحالية لـ LLM بشكل مباشر للاستدلال والضبط الدقيق. صناعة blockchain فقط هي التي تحتاج إلى بنية تحتية محلية خاصة بها للذكاء الاصطناعي.

في المستقبل القريب، نتوقع أن تستفيد تقنية blockchain من مزايا نظير إلى نظير لحل المشكلات الأكثر تحديًا في صناعة الذكاء الاصطناعي، مما يجعل نماذج الذكاء الاصطناعي ميسورة التكلفة ومتاحة ومربحة للجميع. ونتوقع أيضًا أن يتبع مجال العملات المشفرة سرد صناعة الذكاء الاصطناعي، وإن كان ذلك مع تأخير بسيط. على مدار العام الماضي، رأينا المطورين يجمعون بين نماذج Crypto وProxy وLLM. في الأشهر المقبلة، قد نرى المزيد من النماذج متعددة الوسائط، وإنشاء مقاطع فيديو نصية، وتوليد ثلاثي الأبعاد يؤثر على مساحة العملات المشفرة.

لم تحظ صناعة الذكاء الاصطناعي وWeb3 بأكملها بالاهتمام الكافي في الوقت الحاضر، ونحن نتطلع بفارغ الصبر إلى اللحظة المتفجرة للذكاء الاصطناعي في Web3، وهو تطبيق قاتل لـ CryptoxAI.