الذكاء الاصطناعي x العملات المشفرة: من الصفر إلى القمة
المقدمة
شهدت صناعة الذكاء الاصطناعي في الآونة الأخيرة نمواً كبيراً، وتُعتبر جزءاً من ثورة صناعية جديدة. أدت ظهور النماذج الكبيرة إلى تحسين ملحوظ في كفاءة مختلف الصناعات، حيث تقدر بوسطن كونسلتينج أن GPT زادت من كفاءة العمل في الولايات المتحدة بحوالي 20%. تعتبر القدرة العامة للنماذج الكبيرة نموذجاً جديداً لتصميم البرمجيات، مما يمنح البرمجيات أداءً أفضل ودعماً أكثر تنوعاً. جلبت تقنية التعلم العميق الازدهار الرابع لصناعة الذكاء الاصطناعي، وقد أثرت هذه الموجة أيضاً على صناعة العملات المشفرة.
سيستكشف هذا التقرير بالتفصيل تاريخ تطور صناعة الذكاء الاصطناعي، وتصنيفات التكنولوجيا، وتأثير التعلم العميق على الصناعة. سيتم تحليل سلسلة الصناعة بما في ذلك وحدات معالجة الرسوميات، والحوسبة السحابية، ومصادر البيانات، والأجهزة الطرفية، وحالة تطورها واتجاهاتها. سيتم بحث العلاقة الجوهرية بين العملات المشفرة وصناعة الذكاء الاصطناعي، وتنظيم هيكل سلسلة صناعة الذكاء الاصطناعي المرتبطة بالعملات المشفرة.
بدأت صناعة الذكاء الاصطناعي في الخمسينيات من القرن العشرين، ومن أجل تحقيق رؤية الذكاء الاصطناعي، طورت الأوساط الأكاديمية والصناعية مسارات تحقيق متنوعة في سياقات زمنية مختلفة.
تستخدم تقنيات الذكاء الاصطناعي الحديثة بشكل رئيسي طريقة "تعلم الآلة"، مما يسمح للآلات بتحسين أداء النظام من خلال تكرار البيانات. الخطوات الرئيسية هي إدخال البيانات إلى الخوارزمية، تدريب النموذج، اختبار النشر، وإنجاز مهام التنبؤ التلقائية.
توجد ثلاثة تيارات رئيسية في تعلم الآلة: الترابطية، الرمزية والسلوكية، والتي تحاكي نظام الأعصاب البشري والتفكير والسلوك.
تسيطر حاليا الشبكات العصبية، الممثلة بالاتصاليات، على الساحة ( وتعرف أيضا بالتعلم العميق ). تحتوي الشبكات العصبية على طبقة إدخال، وطبقة إخراج، والعديد من الطبقات المخفية. عندما تكون عدد الطبقات وعدد الخلايا العصبية ( والمعلمات ) كافية، يمكنها ملاءمة المهام المعقدة العامة. من خلال تعديل المعلمات باستمرار، تصل في النهاية إلى الحالة المثلى، وهذا هو أصل "العُمق".
! [الوافد الجديد Science Popular 丨الذكاء الاصطناعي x Crypto: من الصفر إلى الذروة](https://img-cdn.gateio.im/webp-social/moments-c50ee5a87373c6cd6c4dc63adc2cf47c.webp019283746574839201
لقد شهدت تقنيات التعلم العميق عدة تكرارات تطورية، بدءًا من الشبكات العصبية المبكرة، إلى الشبكات العصبية المتقدمة، RNN، CNN، GAN، وأخيرًا تطورت إلى النماذج الكبيرة الحديثة مثل تقنية Transformer المستخدمة في GPT. تقنية Transformer هي مجرد اتجاه تطوري واحد من الشبكات العصبية، حيث أضافت وحدة المحول، مما يسمح بترميز البيانات متعددة الأنماط إلى تمثيلات عددية ثم إدخالها إلى الشبكة العصبية، مما يحقق معالجة متعددة الأنماط.
شهد تطور الذكاء الاصطناعي ثلاث موجات تقنية:
في الستينيات من القرن العشرين، أدى تطور تقنيات الرمزية إلى حدوث الموجة الأولى، حيث تم حل مشكلات معالجة اللغة الطبيعية العامة والحوار بين الإنسان والآلة. وفي نفس الوقت، وُلدت أنظمة الخبراء.
في عام 1997، هزم ديب بلو بطل الشطرنج، مما يرمز إلى وصول تقنية الذكاء الاصطناعي إلى ذروتها الثانية.
في عام 2006، تم اقتراح مفهوم التعلم العميق، مما أطلق العنان للموجة التكنولوجية الثالثة. تتطور خوارزميات التعلم العميق باستمرار، من RNN وGAN إلى Transformer وStable Diffusion، حيث شهد الربطية فترة ازدهار.
ظهرت العديد من الأحداث البارزة في الموجة الثالثة:
في عام 2011، هزم IBM Watson البشر في برنامج الأسئلة والأجوبة "خطر الحدود"
في عام 2014، قدم غودفيلو GAN
في عام 2015، اقترح هينتون وآخرون خوارزمية التعلم العميق في مجلة "Nature".
في عام 2016، هزمت AlphaGo لي شيدو
في عام 2017، أصدرت Google ورقة بحثية عن خوارزمية Transformer
في عام 2018، أصدرت OpenAI نموذج GPT
في عام 2020، أصدرت OpenAI GPT-3
في عام 2023، أطلق ChatGPT وسرعان ما وصل إلى 100 مليون مستخدم
! [علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة])https://img-cdn.gateio.im/webp-social/moments-0c9bdea33a39a2c07d1f06760ed7e804.webp(
سلسلة صناعة التعلم العميق
تستخدم النماذج اللغوية الكبيرة الحالية بشكل رئيسي طرق التعلم العميق القائمة على الشبكات العصبية. وقد أثارت النماذج الكبيرة التي تتصدرها GPT جولة جديدة من الحماس في مجال الذكاء الاصطناعي، مما زاد من الطلب في السوق على البيانات وقوة الحوسبة. تستكشف هذه الفقرة مكونات سلسلة صناعة خوارزميات التعلم العميق وحالة تطورها.
تدريب النماذج الكبيرة ينقسم أساسًا إلى ثلاث خطوات:
التدريب المسبق: إدخال كميات كبيرة من البيانات للبحث عن أفضل المعلمات، وهو أكثر استهلاكًا لقوة الحوسبة.
ضبط دقيق: استخدام كمية صغيرة من البيانات عالية الجودة للتدريب، لتحسين جودة النموذج.
التعلم المعزز: إنشاء نموذج مكافأة لتقييم جودة الإخراج، وتكرار المعلمات تلقائيًا.
العوامل الرئيسية التي تؤثر على أداء النماذج الكبيرة هي: عدد المعلمات، كمية وجودة البيانات، والقوة الحسابية. يمكن استخدام صيغة تجريبية لتقدير كمية الحساب المطلوبة.
تستخدم قدرة الحوسبة بشكل رئيسي شرائح GPU، مثل Nvidia A100 و H100. تقوم وحدات معالجة الرسوميات بإجراء العمليات العائمة من خلال وحدات Tensor Core، وتعتمد أداء الشريحة بشكل رئيسي على FLOPS بدقة FP16/FP32.
يتطلب تدريب النماذج الكبيرة كمية هائلة من الحسابات ومساحة تخزين. على سبيل المثال، تحتوي GPT-3 على 175 مليار معلمة و 180 مليار توكن من البيانات، ويتطلب تدريباً مسبقاً لمدة 584 يوماً. وقد زاد عدد المعلمات وكمية البيانات في GPT-4 بمقدار 10 أضعاف، مما يتطلب قوة حسابية تصل إلى 100 ضعف.
! [علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة])https://img-cdn.gateio.im/webp-social/moments-609c5dd6ee0abcec6bf9c118d7741867.webp(
تشمل سلسلة الصناعة الرئيسية:
مزودات الأجهزة GPU: Nvidia تحتل الصدارة
مقدمو خدمات السحابية: مقدمو السحاب التقليديون ومقدمو خدمات السحاب العمودية للذكاء الاصطناعي
مزود بيانات التدريب: محركات البحث، منصات التواصل الاجتماعي وغيرها
مزود قاعدة البيانات: قاعدة بيانات متجهة
الأجهزة الطرفية: نظام التبريد، إمدادات الطاقة
التطبيق: لا يزال في مرحلة البداية
![تعليمات للمبتدئين丨AI x Crypto: من الصفر إلى القمة])https://img-cdn.gateio.im/webp-social/moments-f37fb0100218188368f4d31940aab2a3.webp(
علاقة التشفير بالذكاء الاصطناعي
تجمع تقنية البلوكشين مع ZK لتطوير فكرة اللامركزية + عدم الثقة. في جوهرها، هي شبكة قيم، حيث تعتمد كل معاملة على تحويل قيمة الرموز.
يمكن أن تمنح اقتصاديات التوكنات الشبكة قيمة متعددة الأبعاد، تتجاوز بكثير الأوراق المالية التقليدية. تجعل التوكنات أي ابتكار وفكرة قادرة على أن تُمنح قيمة.
يمكن لاقتصاد الرموز أن يعيد تشكيل قيمة جميع جوانب سلسلة الصناعة في صناعة الذكاء الاصطناعي، مما يحفز المزيد من المشاركة. كما أن الخصائص غير القابلة للتغيير وغير الموثوقة لتقنية blockchain يمكن أن تحقق بعض تطبيقات الذكاء الاصطناعي التي تحتاج إلى الثقة.
بالمجمل، تعزز اقتصاديات الرموز إعادة تشكيل القيمة والاكتشاف، وتعمل دفاتر السجلات اللامركزية على حل مشاكل الثقة، مما يعيد تدفق القيمة على مستوى عالمي.
! [علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة])https://img-cdn.gateio.im/webp-social/moments-8848582a34ba293d15afae15d90e3c95.webp(
نظرة عامة على سلسلة القيمة في صناعة التشفير
) جانب العرض لوحدة معالجة الرسومات
تمثل المشاريع مثل Render. سوق قوة الحوسبة السحابية GPU لا يقتصر على تدريب نماذج الذكاء الاصطناعي واستنتاجها، بل يمكن أيضاً استخدامه في المهام التقليدية للرندر، مما يقلل من مخاطر السوق الأحادي.
من المتوقع أن تصل متطلبات قوة الحوسبة من وحدات معالجة الرسومات إلى حوالي 75 مليار دولار أمريكي في عام 2024، وستصل إلى 773 مليار دولار أمريكي بحلول عام 2032، بمعدل نمو سنوي مركب قدره 33.86٪.
مع تكرار وحدات معالجة الرسوميات (GPU)، ستلعب كميات كبيرة من وحدات معالجة الرسوميات غير المستخدمة قيمة طويلة الأجل في الشبكات المشتركة. ولكن هناك مشكلة في عرض نطاق نقل البيانات في مشاركة وحدات معالجة الرسوميات على السلسلة.
! [علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة]###https://img-cdn.gateio.im/webp-social/moments-53c48daf49a3dbb35c1a2b47e234f180.webp019283746574839201
( عرض النطاق الترددي للأجهزة
تمثل المشاريع مثل Meson Network. ولكن قد يكون الطلب على مشاركة النطاق الترددي طلبًا زائفًا، حيث أن التوزيع الجغرافي يؤدي إلى تأخير أعلى من التخزين المحلي.
! [علم الوافد الجديد 丨 الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة] )https://img-cdn.gateio.im/webp-social/moments-250a286e79261e91a0e7ac4941ff5c76.webp019283746574839201
بيانات
تمثل المشاريع مثل EpiK Protocol و Synesis One و Masa وغيرها. تتمثل ميزة مقدمي بيانات Web3 في قنوات جمع البيانات الأكثر تنوعًا. المشاريع في اتجاه ZK مثل Masa لديها آفاق جيدة.
ZKML
استخدام تقنية التشفير المتجانس لتحقيق حساب الخصوصية والتدريب. المشاريع الممثلة مثل Axiom وRisc Zero وRitual وغيرها.
التركيز الرئيسي هو التطبيقات التقليدية للبلوكشين + القدرة على التعميم الآلي. أصبح وكيل الذكاء الاصطناعي اتجاهًا مهمًا، ومن المشاريع الممثلة مثل Fetch.AI.
! [علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة](https://img-cdn.gateio.im/webp-social/moments-2ed56db6cae1b0206e8e0daa9b1892fd.webp019283746574839201
) سلسلة الكتل الذكية
شبكة تكيفية تم بناؤها لنماذج أو وكلاء الذكاء الاصطناعي، مثل Tensor و Allora وغيرها. يمكن أن يقلل بشكل كبير من تكلفة الاستدلال بناءً على علم الاقتصاد الرمزي.
! [علم الوافد الجديد 丨 الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة] ###https://img-cdn.gateio.im/webp-social/moments-c733612f35e5a4a21d8d39a0a77f85b8.webp019283746574839201
ملخص
على الرغم من أن تقنيات التعلم العميق ليست جميع اتجاهات تطوير الذكاء الاصطناعي، إلا أن لديها بالفعل سيناريوهات تطبيق فعلية. يمكن للاقتصاد الرمزي إعادة تشكيل قيمة سلسلة صناعة الذكاء الاصطناعي، ويمكن لتقنيات blockchain حل مشكلة الثقة.
رغم أن منصة مشاركة وحدة معالجة الرسوميات يمكن أن تستفيد من القدرة الحسابية غير المستخدمة لتقليل التكاليف، إلا أن مشكلة النطاق الترددي تحد من استخدامها فقط لتدريب نماذج صغيرة غير عاجلة.
بشكل عام، فإن دمج الذكاء الاصطناعي والعملات المشفرة له فائدة عملية، ويمكنه إعادة تشكيل نظام القيمة، وحل مشاكل الثقة، واكتشاف القيمة المتبقية.
! [علم الوافد الجديد 丨 الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة] (https://img-cdn.gateio.im/webp-social/moments-b97be5c0fd9efe0b79e2e6fcd4493212.webp019283746574839201
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 15
أعجبني
15
5
مشاركة
تعليق
0/400
ShadowStaker
· منذ 7 س
meh... تحليل نظري آخر دون معالجة الاختناقات الحقيقية لـ MEV
شاهد النسخة الأصليةرد0
MoonMathMagic
· 07-24 20:32
عالم العملات الرقمية又在吹AI~
شاهد النسخة الأصليةرد0
ContractSurrender
· 07-24 20:28
لا أكون حمقى، السوق هكذا
شاهد النسخة الأصليةرد0
LiquidatedAgain
· 07-24 20:23
又要الجميع مشاركAI了是吧 还嫌亏少
شاهد النسخة الأصليةرد0
FundingMartyr
· 07-24 20:08
رواد التكنولوجيا، لكن قوة الحوسبة يصعب التحدث عنها!
الذكاء الاصطناعي والأصول الرقمية: إعادة تشكيل نظام القيمة وهيكل سلسلة الصناعة
الذكاء الاصطناعي x العملات المشفرة: من الصفر إلى القمة
المقدمة
شهدت صناعة الذكاء الاصطناعي في الآونة الأخيرة نمواً كبيراً، وتُعتبر جزءاً من ثورة صناعية جديدة. أدت ظهور النماذج الكبيرة إلى تحسين ملحوظ في كفاءة مختلف الصناعات، حيث تقدر بوسطن كونسلتينج أن GPT زادت من كفاءة العمل في الولايات المتحدة بحوالي 20%. تعتبر القدرة العامة للنماذج الكبيرة نموذجاً جديداً لتصميم البرمجيات، مما يمنح البرمجيات أداءً أفضل ودعماً أكثر تنوعاً. جلبت تقنية التعلم العميق الازدهار الرابع لصناعة الذكاء الاصطناعي، وقد أثرت هذه الموجة أيضاً على صناعة العملات المشفرة.
سيستكشف هذا التقرير بالتفصيل تاريخ تطور صناعة الذكاء الاصطناعي، وتصنيفات التكنولوجيا، وتأثير التعلم العميق على الصناعة. سيتم تحليل سلسلة الصناعة بما في ذلك وحدات معالجة الرسوميات، والحوسبة السحابية، ومصادر البيانات، والأجهزة الطرفية، وحالة تطورها واتجاهاتها. سيتم بحث العلاقة الجوهرية بين العملات المشفرة وصناعة الذكاء الاصطناعي، وتنظيم هيكل سلسلة صناعة الذكاء الاصطناعي المرتبطة بالعملات المشفرة.
! علم الوافد الجديد 丨 الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة
تاريخ تطور صناعة الذكاء الاصطناعي
بدأت صناعة الذكاء الاصطناعي في الخمسينيات من القرن العشرين، ومن أجل تحقيق رؤية الذكاء الاصطناعي، طورت الأوساط الأكاديمية والصناعية مسارات تحقيق متنوعة في سياقات زمنية مختلفة.
تستخدم تقنيات الذكاء الاصطناعي الحديثة بشكل رئيسي طريقة "تعلم الآلة"، مما يسمح للآلات بتحسين أداء النظام من خلال تكرار البيانات. الخطوات الرئيسية هي إدخال البيانات إلى الخوارزمية، تدريب النموذج، اختبار النشر، وإنجاز مهام التنبؤ التلقائية.
توجد ثلاثة تيارات رئيسية في تعلم الآلة: الترابطية، الرمزية والسلوكية، والتي تحاكي نظام الأعصاب البشري والتفكير والسلوك.
تسيطر حاليا الشبكات العصبية، الممثلة بالاتصاليات، على الساحة ( وتعرف أيضا بالتعلم العميق ). تحتوي الشبكات العصبية على طبقة إدخال، وطبقة إخراج، والعديد من الطبقات المخفية. عندما تكون عدد الطبقات وعدد الخلايا العصبية ( والمعلمات ) كافية، يمكنها ملاءمة المهام المعقدة العامة. من خلال تعديل المعلمات باستمرار، تصل في النهاية إلى الحالة المثلى، وهذا هو أصل "العُمق".
! [الوافد الجديد Science Popular 丨الذكاء الاصطناعي x Crypto: من الصفر إلى الذروة](https://img-cdn.gateio.im/webp-social/moments-c50ee5a87373c6cd6c4dc63adc2cf47c.webp019283746574839201
لقد شهدت تقنيات التعلم العميق عدة تكرارات تطورية، بدءًا من الشبكات العصبية المبكرة، إلى الشبكات العصبية المتقدمة، RNN، CNN، GAN، وأخيرًا تطورت إلى النماذج الكبيرة الحديثة مثل تقنية Transformer المستخدمة في GPT. تقنية Transformer هي مجرد اتجاه تطوري واحد من الشبكات العصبية، حيث أضافت وحدة المحول، مما يسمح بترميز البيانات متعددة الأنماط إلى تمثيلات عددية ثم إدخالها إلى الشبكة العصبية، مما يحقق معالجة متعددة الأنماط.
شهد تطور الذكاء الاصطناعي ثلاث موجات تقنية:
في الستينيات من القرن العشرين، أدى تطور تقنيات الرمزية إلى حدوث الموجة الأولى، حيث تم حل مشكلات معالجة اللغة الطبيعية العامة والحوار بين الإنسان والآلة. وفي نفس الوقت، وُلدت أنظمة الخبراء.
في عام 1997، هزم ديب بلو بطل الشطرنج، مما يرمز إلى وصول تقنية الذكاء الاصطناعي إلى ذروتها الثانية.
في عام 2006، تم اقتراح مفهوم التعلم العميق، مما أطلق العنان للموجة التكنولوجية الثالثة. تتطور خوارزميات التعلم العميق باستمرار، من RNN وGAN إلى Transformer وStable Diffusion، حيث شهد الربطية فترة ازدهار.
ظهرت العديد من الأحداث البارزة في الموجة الثالثة:
! [علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة])https://img-cdn.gateio.im/webp-social/moments-0c9bdea33a39a2c07d1f06760ed7e804.webp(
سلسلة صناعة التعلم العميق
تستخدم النماذج اللغوية الكبيرة الحالية بشكل رئيسي طرق التعلم العميق القائمة على الشبكات العصبية. وقد أثارت النماذج الكبيرة التي تتصدرها GPT جولة جديدة من الحماس في مجال الذكاء الاصطناعي، مما زاد من الطلب في السوق على البيانات وقوة الحوسبة. تستكشف هذه الفقرة مكونات سلسلة صناعة خوارزميات التعلم العميق وحالة تطورها.
تدريب النماذج الكبيرة ينقسم أساسًا إلى ثلاث خطوات:
التدريب المسبق: إدخال كميات كبيرة من البيانات للبحث عن أفضل المعلمات، وهو أكثر استهلاكًا لقوة الحوسبة.
ضبط دقيق: استخدام كمية صغيرة من البيانات عالية الجودة للتدريب، لتحسين جودة النموذج.
التعلم المعزز: إنشاء نموذج مكافأة لتقييم جودة الإخراج، وتكرار المعلمات تلقائيًا.
العوامل الرئيسية التي تؤثر على أداء النماذج الكبيرة هي: عدد المعلمات، كمية وجودة البيانات، والقوة الحسابية. يمكن استخدام صيغة تجريبية لتقدير كمية الحساب المطلوبة.
تستخدم قدرة الحوسبة بشكل رئيسي شرائح GPU، مثل Nvidia A100 و H100. تقوم وحدات معالجة الرسوميات بإجراء العمليات العائمة من خلال وحدات Tensor Core، وتعتمد أداء الشريحة بشكل رئيسي على FLOPS بدقة FP16/FP32.
يتطلب تدريب النماذج الكبيرة كمية هائلة من الحسابات ومساحة تخزين. على سبيل المثال، تحتوي GPT-3 على 175 مليار معلمة و 180 مليار توكن من البيانات، ويتطلب تدريباً مسبقاً لمدة 584 يوماً. وقد زاد عدد المعلمات وكمية البيانات في GPT-4 بمقدار 10 أضعاف، مما يتطلب قوة حسابية تصل إلى 100 ضعف.
! [علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة])https://img-cdn.gateio.im/webp-social/moments-609c5dd6ee0abcec6bf9c118d7741867.webp(
تشمل سلسلة الصناعة الرئيسية:
![تعليمات للمبتدئين丨AI x Crypto: من الصفر إلى القمة])https://img-cdn.gateio.im/webp-social/moments-f37fb0100218188368f4d31940aab2a3.webp(
علاقة التشفير بالذكاء الاصطناعي
تجمع تقنية البلوكشين مع ZK لتطوير فكرة اللامركزية + عدم الثقة. في جوهرها، هي شبكة قيم، حيث تعتمد كل معاملة على تحويل قيمة الرموز.
يمكن أن تمنح اقتصاديات التوكنات الشبكة قيمة متعددة الأبعاد، تتجاوز بكثير الأوراق المالية التقليدية. تجعل التوكنات أي ابتكار وفكرة قادرة على أن تُمنح قيمة.
يمكن لاقتصاد الرموز أن يعيد تشكيل قيمة جميع جوانب سلسلة الصناعة في صناعة الذكاء الاصطناعي، مما يحفز المزيد من المشاركة. كما أن الخصائص غير القابلة للتغيير وغير الموثوقة لتقنية blockchain يمكن أن تحقق بعض تطبيقات الذكاء الاصطناعي التي تحتاج إلى الثقة.
بالمجمل، تعزز اقتصاديات الرموز إعادة تشكيل القيمة والاكتشاف، وتعمل دفاتر السجلات اللامركزية على حل مشاكل الثقة، مما يعيد تدفق القيمة على مستوى عالمي.
! [علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة])https://img-cdn.gateio.im/webp-social/moments-8848582a34ba293d15afae15d90e3c95.webp(
نظرة عامة على سلسلة القيمة في صناعة التشفير
) جانب العرض لوحدة معالجة الرسومات
تمثل المشاريع مثل Render. سوق قوة الحوسبة السحابية GPU لا يقتصر على تدريب نماذج الذكاء الاصطناعي واستنتاجها، بل يمكن أيضاً استخدامه في المهام التقليدية للرندر، مما يقلل من مخاطر السوق الأحادي.
من المتوقع أن تصل متطلبات قوة الحوسبة من وحدات معالجة الرسومات إلى حوالي 75 مليار دولار أمريكي في عام 2024، وستصل إلى 773 مليار دولار أمريكي بحلول عام 2032، بمعدل نمو سنوي مركب قدره 33.86٪.
مع تكرار وحدات معالجة الرسوميات (GPU)، ستلعب كميات كبيرة من وحدات معالجة الرسوميات غير المستخدمة قيمة طويلة الأجل في الشبكات المشتركة. ولكن هناك مشكلة في عرض نطاق نقل البيانات في مشاركة وحدات معالجة الرسوميات على السلسلة.
! [علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة]###https://img-cdn.gateio.im/webp-social/moments-53c48daf49a3dbb35c1a2b47e234f180.webp019283746574839201
( عرض النطاق الترددي للأجهزة
تمثل المشاريع مثل Meson Network. ولكن قد يكون الطلب على مشاركة النطاق الترددي طلبًا زائفًا، حيث أن التوزيع الجغرافي يؤدي إلى تأخير أعلى من التخزين المحلي.
! [علم الوافد الجديد 丨 الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة] )https://img-cdn.gateio.im/webp-social/moments-250a286e79261e91a0e7ac4941ff5c76.webp019283746574839201
بيانات
تمثل المشاريع مثل EpiK Protocol و Synesis One و Masa وغيرها. تتمثل ميزة مقدمي بيانات Web3 في قنوات جمع البيانات الأكثر تنوعًا. المشاريع في اتجاه ZK مثل Masa لديها آفاق جيدة.
ZKML
استخدام تقنية التشفير المتجانس لتحقيق حساب الخصوصية والتدريب. المشاريع الممثلة مثل Axiom وRisc Zero وRitual وغيرها.
! علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة
تطبيقات الذكاء الاصطناعي
التركيز الرئيسي هو التطبيقات التقليدية للبلوكشين + القدرة على التعميم الآلي. أصبح وكيل الذكاء الاصطناعي اتجاهًا مهمًا، ومن المشاريع الممثلة مثل Fetch.AI.
! [علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة](https://img-cdn.gateio.im/webp-social/moments-2ed56db6cae1b0206e8e0daa9b1892fd.webp019283746574839201
) سلسلة الكتل الذكية
شبكة تكيفية تم بناؤها لنماذج أو وكلاء الذكاء الاصطناعي، مثل Tensor و Allora وغيرها. يمكن أن يقلل بشكل كبير من تكلفة الاستدلال بناءً على علم الاقتصاد الرمزي.
! [علم الوافد الجديد 丨 الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة] ###https://img-cdn.gateio.im/webp-social/moments-c733612f35e5a4a21d8d39a0a77f85b8.webp019283746574839201
ملخص
على الرغم من أن تقنيات التعلم العميق ليست جميع اتجاهات تطوير الذكاء الاصطناعي، إلا أن لديها بالفعل سيناريوهات تطبيق فعلية. يمكن للاقتصاد الرمزي إعادة تشكيل قيمة سلسلة صناعة الذكاء الاصطناعي، ويمكن لتقنيات blockchain حل مشكلة الثقة.
رغم أن منصة مشاركة وحدة معالجة الرسوميات يمكن أن تستفيد من القدرة الحسابية غير المستخدمة لتقليل التكاليف، إلا أن مشكلة النطاق الترددي تحد من استخدامها فقط لتدريب نماذج صغيرة غير عاجلة.
بشكل عام، فإن دمج الذكاء الاصطناعي والعملات المشفرة له فائدة عملية، ويمكنه إعادة تشكيل نظام القيمة، وحل مشاكل الثقة، واكتشاف القيمة المتبقية.
! [علم الوافد الجديد 丨 الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة] (https://img-cdn.gateio.im/webp-social/moments-b97be5c0fd9efe0b79e2e6fcd4493212.webp019283746574839201