الدمج العميق بين الذكاء الاصطناعي وWeb3: بناء بنية تحتية جديدة للإنترنت من الجيل التالي
تعتبر Web3 كإطار جديد للإنترنت يتميز باللامركزية والانفتاح والشفافية، مما يوفر فرصًا طبيعية للاندماج مع الذكاء الاصطناعي. في ظل الهياكل التقليدية المركزية، تخضع موارد الحوسبة والبيانات الخاصة بالذكاء الاصطناعي لرقابة صارمة، مما يواجه تحديات متعددة مثل عنق الزجاجة في القدرة الحاسوبية، تسرب الخصوصية، وصناديق الأسود الخوارزمية. تعتمد Web3 على التكنولوجيا الموزعة، وتوفر قوة دافعة جديدة لتطور الذكاء الاصطناعي من خلال شبكات قوة الحوسبة المشتركة، وأسواق البيانات المفتوحة، والحوسبة الخاصة. في الوقت نفسه، يمكن أن يساهم الذكاء الاصطناعي في تمكين Web3 بعدة طرق، مثل تحسين العقود الذكية، وخوارزميات مكافحة الغش، مما يساعد في بناء بيئتها. إن استكشاف دمج Web3 والذكاء الاصطناعي يعد أمرًا حيويًا لبناء البنية التحتية للإنترنت من الجيل التالي، وإطلاق قيمة البيانات والقدرة الحاسوبية.
مدفوعة بالبيانات: الأساس المتين بين الذكاء الاصطناعي وWeb3
البيانات هي القوة الدافعة الأساسية وراء تطوير الذكاء الاصطناعي، مثلما يكون الوقود محركًا. تحتاج نماذج الذكاء الاصطناعي إلى استهلاك كميات كبيرة من البيانات عالية الجودة للحصول على فهم عميق وقدرات استدلال قوية. لا توفر البيانات فقط الأساس للتدريب لنماذج التعلم الآلي، بل تحدد أيضًا دقة النموذج وموثوقيته.
توجد المشكلات الرئيسية التالية في نماذج الحصول على بيانات الذكاء الاصطناعي التقليدية المركزية واستخدامها:
تكلفة الحصول على البيانات مرتفعة، وصعوبة تحملها بالنسبة للشركات الصغيرة والمتوسطة
الموارد البيانات مملوكة من قبل عمالقة التكنولوجيا، مما يؤدي إلى تشكيل جزر البيانات
تواجه خصوصية البيانات الشخصية مخاطر التسرب والإساءة
يقدم Web3 حلاً لنقاط الألم في النماذج التقليدية من خلال نموذج بيانات لامركزي جديد:
يمكن للمستخدمين بيع الشبكة غير المستخدمة لشركات الذكاء الاصطناعي، لجمع بيانات الشبكة بشكل لامركزي، لتوفير بيانات حقيقية وعالية الجودة لتدريب نماذج الذكاء الاصطناعي.
اعتماد نموذج "label to earn"، من خلال تحفيز الرموز للعاملين العالميين للمشاركة في وسم البيانات، وجمع المعرفة المتخصصة العالمية، وتعزيز القدرة على تحليل البيانات
منصة تداول بيانات البلوكشين توفر بيئة تداول واضحة وشفافة للطرفين المعنيين بالبيانات، مما يحفز الابتكار ومشاركة البيانات
ومع ذلك، هناك بعض المشكلات المتعلقة بالحصول على البيانات من العالم الحقيقي، مثل عدم اتساق جودة البيانات، وصعوبة المعالجة، ونقص التنوع والتمثيل. قد تكون البيانات الاصطناعية نجم المستقبل في مجال بيانات Web3. بناءً على تقنيات الذكاء الاصطناعي التوليدي والمحاكاة، يمكن للبيانات الاصطناعية محاكاة خصائص البيانات الحقيقية، كإضافة فعالة للبيانات الحقيقية، مما يزيد من 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 اللوائح مثل اللائحة العامة لحماية البيانات (GDPR) في الاتحاد الأوروبي الحماية الصارمة للخصوصية الشخصية. ومع ذلك، فإن هذا يطرح تحديات: بعض البيانات الحساسة لا يمكن استخدامها بشكل كامل بسبب مخاطر الخصوصية، مما يحد من إمكانيات نماذج الذكاء الاصطناعي وقدرتها على الاستنتاج.
FHE هو تشفير شامل متجانس، يسمح بإجراء عمليات حسابية مباشرة على البيانات المشفرة، دون الحاجة إلى فك تشفير البيانات، وتكون نتائج الحساب متطابقة مع نتائج الحساب على البيانات النصية.
يوفر FHE حماية قوية لحساب الخصوصية AI، مما يسمح لوحدة معالجة الرسومات (GPU) بتنفيذ مهام تدريب النموذج والاستدلال في بيئة لا تلامس البيانات الأصلية. وهذا يمنح شركات الذكاء الاصطناعي ميزة كبيرة، حيث يمكنها فتح خدمات API بأمان مع حماية الأسرار التجارية.
يدعم FHEML معالجة البيانات والنماذج بطريقة مشفرة خلال دورة تعلم الآلة بأكملها، مما يضمن أمان المعلومات الحساسة ويمنع مخاطر تسرب البيانات. من خلال هذه الطريقة، يعزز FHEML خصوصية البيانات، ويقدم إطار حساب آمن لتطبيقات الذكاء الاصطناعي.
FHEML هو مكمل لـ ZKML، حيث تثبت 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 حسابات أنظمة الذكاء الاصطناعي الحالية كل 3 أشهر، مما يؤدي إلى زيادة هائلة في الطلب على القدرة الحاسوبية، والتي تتجاوز بكثير إمدادات الموارد الحاسوبية الحالية. على سبيل المثال، يتطلب تدريب نموذج ذكاء اصطناعي معروف قدرة حاسوبية ضخمة، تعادل 355 عامًا من وقت التدريب على جهاز واحد. هذه النقص في القدرة الحاسوبية لا يقتصر فقط على تقييد تقدم تكنولوجيا الذكاء الاصطناعي، بل يجعل نماذج الذكاء الاصطناعي المتقدمة بعيدة المنال لمعظم الباحثين والمطورين.
في الوقت نفسه، لم تتجاوز نسبة استخدام وحدات معالجة الرسومات العالمية 40%، بالإضافة إلى تباطؤ تحسين أداء المعالجات الدقيقة، ونقص الرقائق الناتج عن عوامل سلسلة التوريد والجغرافيا السياسية، كل ذلك جعل مشكلة توفير قوة الحوسبة أكثر حدة. يجد العاملون في مجال الذكاء الاصطناعي أنفسهم في مأزق: إما شراء الأجهزة بأنفسهم، أو استئجار موارد سحابية، وهم في حاجة ماسة إلى طريقة خدمة حوسبة فعالة من حيث التكلفة وعند الطلب.
تقوم شبكة حوسبة AI اللامركزية بتجميع موارد GPU غير المستخدمة على مستوى العالم، مما يوفر سوق حوسبة بأسعار معقولة وسهلة الوصول لشركات AI. يمكن لمطلبي حوسبة نشر مهام حسابية على الشبكة، حيث تقوم العقود الذكية بتوزيع المهام على عُقد التعدين التي تساهم في الحوسبة، وينفذ عمال المناجم المهام ويقدمون النتائج، وبعد التحقق، يحصلون على مكافآت نقاط. هذه الخطة تعزز من كفاءة استخدام الموارد، وتساعد في حل مشكلات اختناق الحوسبة في مجالات مثل AI.
بالإضافة إلى شبكة الحوسبة اللامركزية العامة، هناك منصات تركز على تدريب الذكاء الاصطناعي، بالإضافة إلى شبكات حوسبة مخصصة لاستنتاج الذكاء الاصطناعي.
توفر شبكة القوة الحاسوبية اللامركزية سوق قوة حاسوبية عادلة وشفافة، تكسر الاحتكار، وتقلل من عتبة التطبيقات، وتزيد من كفاءة استغلال القوة الحاسوبية. في نظام البيئة web3، ستلعب شبكة القوة الحاسوبية اللامركزية دورًا حاسمًا، مما يجذب المزيد من التطبيقات المبتكرة للانضمام، لدفع تطوير وتطبيق تقنيات الذكاء الاصطناعي معًا.
DePIN: تمكين الويب 3 للذكاء الاصطناعي على الحافة
تخيل أن هاتفك الذكي وساعة يدك الذكية وحتى الأجهزة الذكية في منزلك، جميعها تمتلك القدرة على تشغيل الذكاء الاصطناعي - هذه هي جاذبية Edge AI. إنه يجعل الحوسبة تحدث في مصدر إنتاج البيانات، مما يحقق زمن انتقال منخفض ومعالجة في الوقت الحقيقي، بينما يحمي خصوصية المستخدم. لقد تم تطبيق تقنية Edge AI في مجالات حيوية مثل القيادة الذاتية.
في مجال Web3، لدينا اسم أكثر شهرة - DePIN. يركز Web3 على اللامركزية وحقوق سيادة بيانات المستخدم، حيث يمكن لـ DePIN من خلال معالجة البيانات محليًا تعزيز حماية خصوصية المستخدم وتقليل مخاطر تسرب البيانات؛ يمكن لآلية اقتصاد توكن الأصلية في Web3 تحفيز عقد DePIN لتقديم موارد الحوسبة، وبناء نظام بيئي مستدام.
تتطور DePIN حاليًا بسرعة في نظام إيكولوجي لبعض سلاسل الكتل العامة، لتصبح واحدة من منصات السلاسل العامة المفضلة لنشر المشاريع. توفر TPS العالية، وانخفاض رسوم المعاملات، والابتكارات التكنولوجية لهذه السلسلة العامة دعمًا قويًا لمشاريع DePIN. حاليًا، تتجاوز القيمة السوقية لمشاريع DePIN على هذه السلسلة العامة 10 مليارات دولار أمريكي، وقد حققت بعض المشاريع المعروفة تقدمًا ملحوظًا.
IMO: إصدار نموذج جديد للذكاء الاصطناعي
تم اقتراح مفهوم IMO من قبل بروتوكول معين، الذي يقوم بتوكن نموذج الذكاء الاصطناعي.
في النموذج التقليدي، بسبب غياب آلية مشاركة العائدات، بمجرد تطوير نموذج الذكاء الاصطناعي وإدخاله إلى السوق، غالبًا ما يواجه المطورون صعوبة في الحصول على عائد مستمر من الاستخدام اللاحق للنموذج، خاصة عندما يتم دمج النموذج في منتجات وخدمات أخرى، يصبح من الصعب على المبدعين الأصليين تتبع الاستخدام، ناهيك عن الحصول على عائدات منه. بالإضافة إلى ذلك، غالبًا ما تفتقر أداءات ونماذج الذكاء الاصطناعي إلى الشفافية، مما يجعل من الصعب على المستثمرين والمستخدمين المحتملين تقييم قيمتها الحقيقية، مما يحد من الاعتراف السوقي للنموذج وإمكاناته التجارية.
تقدم 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، بالجمع بين تقنية الذكاء الاصطناعي والتنبؤ و تقنية OPML لضمان صحة نموذج الذكاء الاصطناعي وقدرة حاملي الرموز على مشاركة العائدات.
نموذج IMO يعزز الشفافية والثقة، ويشجع التعاون مفتوح المصدر، ويتكيف مع اتجاهات سوق العملات المشفرة، ويعزز التنمية المستدامة لتقنية الذكاء الاصطناعي. لا يزال IMO في مرحلة التجريب الأولية، لكن مع زيادة قبول السوق وتوسع نطاق المشاركة، فإن ابتكاره وقيمته المحتملة تستحق انتظارنا.
وكيل الذكاء الاصطناعي: عصر جديد من التجارب التفاعلية
يمكن لوكيل الذكاء الاصطناعي أن يدرك البيئة ويفكر بشكل مستقل ويتخذ الإجراءات المناسبة لتحقيق الأهداف المحددة. بدعم من نماذج اللغة الكبيرة، يمكن لوكيل الذكاء الاصطناعي أن يفهم اللغة الطبيعية، ويخطط للقرارات، وينفذ المهام المعقدة. يمكن أن يعملوا كمساعدين افتراضيين، من خلال التفاعل مع المستخدمين لتعلم تفضيلاتهم وتقديم حلول مخصصة. حتى في غياب التعليمات الواضحة، يمكن لوكيل الذكاء الاصطناعي أيضاً حل المشكلات بشكل مستقل، وزيادة الكفاءة، وخلق قيمة جديدة.
توفر منصة تطبيقات AI الأصلية مجموعة كاملة وسهلة الاستخدام من أدوات الإبداع، تدعم المستخدمين في تكوين وظائف الروبوتات، المظهر، الصوت، وكذلك الاتصال بمكتبات المعرفة الخارجية، وتهدف إلى إنشاء نظام بيئي مفتوح وعادل لمحتوى AI، مع الاستفادة من تقنيات AI التوليدية، وتمكين الأفراد ليصبحوا مبدعين فائقين. قامت المنصة بتدريب نموذج لغة كبير مخصص، مما يجعل تمثيل الشخصيات أكثر إنسانية؛ يمكن لتقنية استنساخ الصوت تسريع التفاعل الشخصي مع منتجات AI، وتقليل تكلفة توليد الصوت بنسبة 99%، حيث يمكن تنفيذ استنساخ الصوت في دقيقة واحدة فقط. باستخدام AI Agent المخصص من هذه المنصة، يمكن تطبيقه حاليًا في مجالات متعددة مثل الدردشة عبر الفيديو، تعلم اللغات، وتوليد الصور.
في دمج Web3 و AI، يتم حالياً استكشاف المزيد من البنية التحتية، مثل كيفية الحصول على بيانات عالية الجودة، وحماية خصوصية البيانات، وكيفية استضافة النماذج على السلسلة، وكيفية تحسين الاستخدام الفعال للقوة الحاسوبية اللامركزية، وكيفية التحقق من نماذج اللغة الكبيرة وغيرها من القضايا الرئيسية. مع التحسين التدريجي لهذه البنية التحتية، لدينا أسباب للاعتقاد بأن دمج Web3 و AI سيولد مجموعة من نماذج الأعمال والخدمات المبتكرة.
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.
الذكاء الاصطناعي وWeb3: بناء أساس جديد للإنترنت اللامركزي
الدمج العميق بين الذكاء الاصطناعي وWeb3: بناء بنية تحتية جديدة للإنترنت من الجيل التالي
تعتبر Web3 كإطار جديد للإنترنت يتميز باللامركزية والانفتاح والشفافية، مما يوفر فرصًا طبيعية للاندماج مع الذكاء الاصطناعي. في ظل الهياكل التقليدية المركزية، تخضع موارد الحوسبة والبيانات الخاصة بالذكاء الاصطناعي لرقابة صارمة، مما يواجه تحديات متعددة مثل عنق الزجاجة في القدرة الحاسوبية، تسرب الخصوصية، وصناديق الأسود الخوارزمية. تعتمد Web3 على التكنولوجيا الموزعة، وتوفر قوة دافعة جديدة لتطور الذكاء الاصطناعي من خلال شبكات قوة الحوسبة المشتركة، وأسواق البيانات المفتوحة، والحوسبة الخاصة. في الوقت نفسه، يمكن أن يساهم الذكاء الاصطناعي في تمكين Web3 بعدة طرق، مثل تحسين العقود الذكية، وخوارزميات مكافحة الغش، مما يساعد في بناء بيئتها. إن استكشاف دمج Web3 والذكاء الاصطناعي يعد أمرًا حيويًا لبناء البنية التحتية للإنترنت من الجيل التالي، وإطلاق قيمة البيانات والقدرة الحاسوبية.
مدفوعة بالبيانات: الأساس المتين بين الذكاء الاصطناعي وWeb3
البيانات هي القوة الدافعة الأساسية وراء تطوير الذكاء الاصطناعي، مثلما يكون الوقود محركًا. تحتاج نماذج الذكاء الاصطناعي إلى استهلاك كميات كبيرة من البيانات عالية الجودة للحصول على فهم عميق وقدرات استدلال قوية. لا توفر البيانات فقط الأساس للتدريب لنماذج التعلم الآلي، بل تحدد أيضًا دقة النموذج وموثوقيته.
توجد المشكلات الرئيسية التالية في نماذج الحصول على بيانات الذكاء الاصطناعي التقليدية المركزية واستخدامها:
يقدم Web3 حلاً لنقاط الألم في النماذج التقليدية من خلال نموذج بيانات لامركزي جديد:
ومع ذلك، هناك بعض المشكلات المتعلقة بالحصول على البيانات من العالم الحقيقي، مثل عدم اتساق جودة البيانات، وصعوبة المعالجة، ونقص التنوع والتمثيل. قد تكون البيانات الاصطناعية نجم المستقبل في مجال بيانات Web3. بناءً على تقنيات الذكاء الاصطناعي التوليدي والمحاكاة، يمكن للبيانات الاصطناعية محاكاة خصائص البيانات الحقيقية، كإضافة فعالة للبيانات الحقيقية، مما يزيد من 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 اللوائح مثل اللائحة العامة لحماية البيانات (GDPR) في الاتحاد الأوروبي الحماية الصارمة للخصوصية الشخصية. ومع ذلك، فإن هذا يطرح تحديات: بعض البيانات الحساسة لا يمكن استخدامها بشكل كامل بسبب مخاطر الخصوصية، مما يحد من إمكانيات نماذج الذكاء الاصطناعي وقدرتها على الاستنتاج.
FHE هو تشفير شامل متجانس، يسمح بإجراء عمليات حسابية مباشرة على البيانات المشفرة، دون الحاجة إلى فك تشفير البيانات، وتكون نتائج الحساب متطابقة مع نتائج الحساب على البيانات النصية.
يوفر FHE حماية قوية لحساب الخصوصية AI، مما يسمح لوحدة معالجة الرسومات (GPU) بتنفيذ مهام تدريب النموذج والاستدلال في بيئة لا تلامس البيانات الأصلية. وهذا يمنح شركات الذكاء الاصطناعي ميزة كبيرة، حيث يمكنها فتح خدمات API بأمان مع حماية الأسرار التجارية.
يدعم FHEML معالجة البيانات والنماذج بطريقة مشفرة خلال دورة تعلم الآلة بأكملها، مما يضمن أمان المعلومات الحساسة ويمنع مخاطر تسرب البيانات. من خلال هذه الطريقة، يعزز FHEML خصوصية البيانات، ويقدم إطار حساب آمن لتطبيقات الذكاء الاصطناعي.
FHEML هو مكمل لـ ZKML، حيث تثبت 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 حسابات أنظمة الذكاء الاصطناعي الحالية كل 3 أشهر، مما يؤدي إلى زيادة هائلة في الطلب على القدرة الحاسوبية، والتي تتجاوز بكثير إمدادات الموارد الحاسوبية الحالية. على سبيل المثال، يتطلب تدريب نموذج ذكاء اصطناعي معروف قدرة حاسوبية ضخمة، تعادل 355 عامًا من وقت التدريب على جهاز واحد. هذه النقص في القدرة الحاسوبية لا يقتصر فقط على تقييد تقدم تكنولوجيا الذكاء الاصطناعي، بل يجعل نماذج الذكاء الاصطناعي المتقدمة بعيدة المنال لمعظم الباحثين والمطورين.
في الوقت نفسه، لم تتجاوز نسبة استخدام وحدات معالجة الرسومات العالمية 40%، بالإضافة إلى تباطؤ تحسين أداء المعالجات الدقيقة، ونقص الرقائق الناتج عن عوامل سلسلة التوريد والجغرافيا السياسية، كل ذلك جعل مشكلة توفير قوة الحوسبة أكثر حدة. يجد العاملون في مجال الذكاء الاصطناعي أنفسهم في مأزق: إما شراء الأجهزة بأنفسهم، أو استئجار موارد سحابية، وهم في حاجة ماسة إلى طريقة خدمة حوسبة فعالة من حيث التكلفة وعند الطلب.
تقوم شبكة حوسبة AI اللامركزية بتجميع موارد GPU غير المستخدمة على مستوى العالم، مما يوفر سوق حوسبة بأسعار معقولة وسهلة الوصول لشركات AI. يمكن لمطلبي حوسبة نشر مهام حسابية على الشبكة، حيث تقوم العقود الذكية بتوزيع المهام على عُقد التعدين التي تساهم في الحوسبة، وينفذ عمال المناجم المهام ويقدمون النتائج، وبعد التحقق، يحصلون على مكافآت نقاط. هذه الخطة تعزز من كفاءة استخدام الموارد، وتساعد في حل مشكلات اختناق الحوسبة في مجالات مثل AI.
بالإضافة إلى شبكة الحوسبة اللامركزية العامة، هناك منصات تركز على تدريب الذكاء الاصطناعي، بالإضافة إلى شبكات حوسبة مخصصة لاستنتاج الذكاء الاصطناعي.
توفر شبكة القوة الحاسوبية اللامركزية سوق قوة حاسوبية عادلة وشفافة، تكسر الاحتكار، وتقلل من عتبة التطبيقات، وتزيد من كفاءة استغلال القوة الحاسوبية. في نظام البيئة web3، ستلعب شبكة القوة الحاسوبية اللامركزية دورًا حاسمًا، مما يجذب المزيد من التطبيقات المبتكرة للانضمام، لدفع تطوير وتطبيق تقنيات الذكاء الاصطناعي معًا.
DePIN: تمكين الويب 3 للذكاء الاصطناعي على الحافة
تخيل أن هاتفك الذكي وساعة يدك الذكية وحتى الأجهزة الذكية في منزلك، جميعها تمتلك القدرة على تشغيل الذكاء الاصطناعي - هذه هي جاذبية Edge AI. إنه يجعل الحوسبة تحدث في مصدر إنتاج البيانات، مما يحقق زمن انتقال منخفض ومعالجة في الوقت الحقيقي، بينما يحمي خصوصية المستخدم. لقد تم تطبيق تقنية Edge AI في مجالات حيوية مثل القيادة الذاتية.
في مجال Web3، لدينا اسم أكثر شهرة - DePIN. يركز Web3 على اللامركزية وحقوق سيادة بيانات المستخدم، حيث يمكن لـ DePIN من خلال معالجة البيانات محليًا تعزيز حماية خصوصية المستخدم وتقليل مخاطر تسرب البيانات؛ يمكن لآلية اقتصاد توكن الأصلية في Web3 تحفيز عقد DePIN لتقديم موارد الحوسبة، وبناء نظام بيئي مستدام.
تتطور DePIN حاليًا بسرعة في نظام إيكولوجي لبعض سلاسل الكتل العامة، لتصبح واحدة من منصات السلاسل العامة المفضلة لنشر المشاريع. توفر TPS العالية، وانخفاض رسوم المعاملات، والابتكارات التكنولوجية لهذه السلسلة العامة دعمًا قويًا لمشاريع DePIN. حاليًا، تتجاوز القيمة السوقية لمشاريع DePIN على هذه السلسلة العامة 10 مليارات دولار أمريكي، وقد حققت بعض المشاريع المعروفة تقدمًا ملحوظًا.
IMO: إصدار نموذج جديد للذكاء الاصطناعي
تم اقتراح مفهوم IMO من قبل بروتوكول معين، الذي يقوم بتوكن نموذج الذكاء الاصطناعي.
في النموذج التقليدي، بسبب غياب آلية مشاركة العائدات، بمجرد تطوير نموذج الذكاء الاصطناعي وإدخاله إلى السوق، غالبًا ما يواجه المطورون صعوبة في الحصول على عائد مستمر من الاستخدام اللاحق للنموذج، خاصة عندما يتم دمج النموذج في منتجات وخدمات أخرى، يصبح من الصعب على المبدعين الأصليين تتبع الاستخدام، ناهيك عن الحصول على عائدات منه. بالإضافة إلى ذلك، غالبًا ما تفتقر أداءات ونماذج الذكاء الاصطناعي إلى الشفافية، مما يجعل من الصعب على المستثمرين والمستخدمين المحتملين تقييم قيمتها الحقيقية، مما يحد من الاعتراف السوقي للنموذج وإمكاناته التجارية.
تقدم 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، بالجمع بين تقنية الذكاء الاصطناعي والتنبؤ و تقنية OPML لضمان صحة نموذج الذكاء الاصطناعي وقدرة حاملي الرموز على مشاركة العائدات.
نموذج IMO يعزز الشفافية والثقة، ويشجع التعاون مفتوح المصدر، ويتكيف مع اتجاهات سوق العملات المشفرة، ويعزز التنمية المستدامة لتقنية الذكاء الاصطناعي. لا يزال IMO في مرحلة التجريب الأولية، لكن مع زيادة قبول السوق وتوسع نطاق المشاركة، فإن ابتكاره وقيمته المحتملة تستحق انتظارنا.
وكيل الذكاء الاصطناعي: عصر جديد من التجارب التفاعلية
يمكن لوكيل الذكاء الاصطناعي أن يدرك البيئة ويفكر بشكل مستقل ويتخذ الإجراءات المناسبة لتحقيق الأهداف المحددة. بدعم من نماذج اللغة الكبيرة، يمكن لوكيل الذكاء الاصطناعي أن يفهم اللغة الطبيعية، ويخطط للقرارات، وينفذ المهام المعقدة. يمكن أن يعملوا كمساعدين افتراضيين، من خلال التفاعل مع المستخدمين لتعلم تفضيلاتهم وتقديم حلول مخصصة. حتى في غياب التعليمات الواضحة، يمكن لوكيل الذكاء الاصطناعي أيضاً حل المشكلات بشكل مستقل، وزيادة الكفاءة، وخلق قيمة جديدة.
توفر منصة تطبيقات AI الأصلية مجموعة كاملة وسهلة الاستخدام من أدوات الإبداع، تدعم المستخدمين في تكوين وظائف الروبوتات، المظهر، الصوت، وكذلك الاتصال بمكتبات المعرفة الخارجية، وتهدف إلى إنشاء نظام بيئي مفتوح وعادل لمحتوى AI، مع الاستفادة من تقنيات AI التوليدية، وتمكين الأفراد ليصبحوا مبدعين فائقين. قامت المنصة بتدريب نموذج لغة كبير مخصص، مما يجعل تمثيل الشخصيات أكثر إنسانية؛ يمكن لتقنية استنساخ الصوت تسريع التفاعل الشخصي مع منتجات AI، وتقليل تكلفة توليد الصوت بنسبة 99%، حيث يمكن تنفيذ استنساخ الصوت في دقيقة واحدة فقط. باستخدام AI Agent المخصص من هذه المنصة، يمكن تطبيقه حاليًا في مجالات متعددة مثل الدردشة عبر الفيديو، تعلم اللغات، وتوليد الصور.
في دمج Web3 و AI، يتم حالياً استكشاف المزيد من البنية التحتية، مثل كيفية الحصول على بيانات عالية الجودة، وحماية خصوصية البيانات، وكيفية استضافة النماذج على السلسلة، وكيفية تحسين الاستخدام الفعال للقوة الحاسوبية اللامركزية، وكيفية التحقق من نماذج اللغة الكبيرة وغيرها من القضايا الرئيسية. مع التحسين التدريجي لهذه البنية التحتية، لدينا أسباب للاعتقاد بأن دمج Web3 و AI سيولد مجموعة من نماذج الأعمال والخدمات المبتكرة.