دمج الذكاء الاصطناعي وWeb3: بناء بنية تحتية جديدة للإنترنت من الجيل التالي
تعتبر Web3 كنموذج إنترنت جديد لامركزي ومفتوح وشفاف، لديها فرصة طبيعية للاندماج مع الذكاء الاصطناعي. في ظل البنية التقليدية المركزية، تواجه الذكاء الاصطناعي تحديات مثل اختناق القدرة الحاسوبية، تسرب الخصوصية، وغموض الخوارزميات. بينما تعتمد Web3 على تقنيات موزعة، يمكنها توفير دافع جديد لتطوير الذكاء الاصطناعي من خلال شبكة مشاركة القدرة الحاسوبية، سوق البيانات المفتوحة، والحوسبة الخاصة. في الوقت نفسه، يمكن أن يوفر الذكاء الاصطناعي العديد من الإمكانيات لـ Web3، مثل تحسين العقود الذكية، وخوارزميات مكافحة الغش، مما يساعد في بناء النظام البيئي. إن استكشاف دمج الاثنين يعد أمرًا حيويًا لبناء بنية تحتية للإنترنت من الجيل التالي، وإطلاق قيمة البيانات والقدرة الحاسوبية.
مدفوع بالبيانات: الأساس المتين للذكاء الاصطناعي وWeb3
البيانات هي القوة الدافعة الأساسية وراء تطوير الذكاء الاصطناعي. تحتاج نماذج الذكاء الاصطناعي إلى معالجة كميات كبيرة من البيانات عالية الجودة للحصول على فهم عميق وقدرة قوية على الاستدلال، فالبيانات لا توفر فقط الأساس للتدريب لنماذج التعلم الآلي، بل تحدد أيضًا دقة وموثوقية النموذج.
توجد المشكلات التالية في نماذج الحصول على البيانات واستخدامها التي تعتمد على الذكاء الاصطناعي المركزي التقليدي:
تكلفة الحصول على البيانات مرتفعة، والشركات الصغيرة والمتوسطة تجد صعوبة في تحملها
يتم احتكار موارد البيانات من قبل عمالقة التكنولوجيا، مما يشكل جزر بيانات
تواجه خصوصية البيانات الشخصية مخاطر التسريب والإساءة
يمكن لـ Web3 حل نقاط الألم في النماذج التقليدية من خلال نموذج بيانات لامركزي جديد:
يمكن للمستخدمين بيع الشبكة غير المستخدمة لشركات AI، لجمع بيانات الشبكة بشكل لامركزي، وتوفير بيانات حقيقية وعالية الجودة لتدريب نماذج AI.
اعتماد نموذج "label to earn"، من خلال تحفيز العمال العالميين بالمكافآت الرمزية للمشاركة في وضع العلامات على البيانات، وجمع المعرفة المهنية العالمية، وتعزيز القدرة على تحليل البيانات.
توفر منصة تداول بيانات blockchain بيئة تداول شفافة وعامة للطرفين المعنيين بالبيانات، مما يحفز الابتكار ومشاركة البيانات.
ومع ذلك، هناك مشاكل في الحصول على البيانات من العالم الحقيقي، مثل الجودة غير المتكافئة، وصعوبة المعالجة، ونقص التنوع والتمثيل، وما إلى ذلك. قد تكون البيانات الاصطناعية نجم مستقبل مجال بيانات Web3. بناءً على تقنية الذكاء الاصطناعي التوليدي والمحاكاة، يمكن للبيانات الاصطناعية محاكاة خصائص البيانات الحقيقية، كإضافة فعالة، لزيادة 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 لوائح مثل GDPR في الاتحاد الأوروبي الحرص الشديد على الخصوصية الشخصية. ومع ذلك، فإن هذا يطرح تحديات: بعض البيانات الحساسة لا يمكن الاستفادة منها بشكل كامل بسبب مخاطر الخصوصية، مما يحد من إمكانيات وقدرات الاستدلال لنماذج الذكاء الاصطناعي.
تسمح FHE (التشفير المتجانس بالكامل) بإجراء عمليات حسابية مباشرة على البيانات المشفرة دون الحاجة إلى فك التشفير، والنتائج الحسابية تتوافق مع نتائج البيانات الواضحة. توفر FHE حماية قوية للحوسبة الخصوصية للذكاء الاصطناعي، مما يمكن قدرة GPU من تنفيذ مهام تدريب وتفسير النموذج دون المساس ببيئة البيانات الأصلية، مما يوفر مزايا كبيرة لشركات الذكاء الاصطناعي.
يدعم FHEML معالجة البيانات والنماذج بشكل مشفر طوال دورة التعلم الآلي ، مما يضمن أمان المعلومات الحساسة ويمنع مخاطر تسرب البيانات. يعزز FHEML خصوصية البيانات ويوفر إطار حساب آمن لتطبيقات الذكاء الاصطناعي. يعد FHEML تكملة لـ ZKML ، حيث يثبت ZKML تنفيذ التعلم الآلي بشكل صحيح بينما يؤكد FHEML على حساب البيانات المشفرة للحفاظ على خصوصية البيانات.
ثورة القوة الحاسوبية: الحوسبة الذكية في الشبكات اللامركزية
تتضاعف تعقيدات حساب أنظمة الذكاء الاصطناعي الحالية كل ثلاثة أشهر، مما يؤدي إلى زيادة هائلة في الطلب على قدرة الحوسبة، وهو ما يتجاوز بكثير إمدادات الموارد الحاسوبية الحالية. هذا لا يقيد فقط تقدم تكنولوجيا الذكاء الاصطناعي، بل يجعل النماذج المتقدمة من الذكاء الاصطناعي بعيدة المنال بالنسبة لمعظم الباحثين والمطورين. معدل استخدام وحدات معالجة الرسومات العالمية أقل من 40%، بالإضافة إلى تباطؤ تحسين أداء المعالجات الدقيقة، والعوامل المتعلقة بسلاسل الإمداد والجغرافيا السياسية التي تؤدي إلى نقص في الشرائح، مما يجعل مشكلة إمدادات الحوسبة أكثر حدة.
تقوم شبكة حوسبة AI اللامركزية بتجميع موارد GPU غير المستخدمة عالميًا، لتوفير سوق حوسبة اقتصادي وسهل الوصول لشركات الذكاء الاصطناعي. يمكن لمستخدمي قوة الحوسبة نشر مهام الحوسبة على الشبكة، حيث يقوم العقد الذكي بتوزيع المهام على عُقد التعدين التي تساهم بقوة الحوسبة، وينفذ عمال المناجم المهام ويقدمون النتائج، وبعد التحقق منها يحصلون على مكافآت. تعمل هذه الخطة على تحسين كفاءة استخدام الموارد، وتساعد في حل مشكلة اختناق قوة الحوسبة في مجالات مثل الذكاء الاصطناعي.
بجانب الشبكات العامة اللامركزية للحوسبة، هناك أيضًا شبكات حوسبة مخصصة تركز على تدريب الذكاء الاصطناعي واستنتاجاته. توفر الشبكات اللامركزية للحوسبة سوقًا عادلًا وشفافًا للحوسبة، مما يكسر الاحتكار، ويقلل من عوائق الدخول للتطبيقات، ويزيد من كفاءة استخدام الحوسبة. في نظام Web3 البيئي، ستلعب الشبكات اللامركزية للحوسبة دورًا حاسمًا، مما يجذب المزيد من التطبيقات المبتكرة للانضمام، ودفع تطوير وتطبيق تقنيات الذكاء الاصطناعي معًا.
DePIN: تمكين Web3 للذكاء الاصطناعي الحدي
تتيح تقنية Edge AI حدوث الحسابات في مصدر إنتاج البيانات، مما يحقق زمن وصول منخفض ومعالجة في الوقت الحقيقي، مع حماية خصوصية المستخدمين. تم تطبيق تقنية Edge AI في مجالات حيوية مثل القيادة الذاتية. في مجال Web3، نطلق عليها DePIN. يركز Web3 على اللامركزية وحقوق سيادة بيانات المستخدم، حيث تعزز DePIN حماية خصوصية المستخدم من خلال معالجة البيانات محليًا، مما يقلل من مخاطر تسرب البيانات؛ كما أن آلية اقتصاد الرموز الأصلية في Web3 يمكن أن تحفز عقد DePIN على تقديم موارد حسابية، مما يسهم في بناء نظام بيئي مستدام.
تتطور DePIN حالياً بسرعة في إحدى بيئات السلاسل العامة، لتصبح واحدة من المنصات المفضلة لنشر المشاريع. إن TPS العالي والرسوم المنخفضة والابتكارات التقنية لهذه السلسلة العامة توفر دعماً قوياً لمشاريع DePIN. حالياً، تجاوزت القيمة السوقية لمشاريع DePIN على هذه السلسلة العامة 10 مليارات دولار أمريكي، وقد حققت العديد من المشاريع المعروفة تقدماً ملحوظاً.
IMO: إطلاق نموذج جديد لنموذج الذكاء الاصطناعي
تم تقديم مفهوم IMO لأول مرة من خلال بروتوكول معين، حيث يتم تحويل نماذج الذكاء الاصطناعي إلى رموز. في النموذج التقليدي، يواجه مطورو نماذج الذكاء الاصطناعي صعوبة في الحصول على عوائد مستمرة من الاستخدام اللاحق، كما أن أداء النموذج وشفافية النتائج غير كافيين، مما يحد من الاعتراف في السوق والإمكانات التجارية.
IMO تقدم دعمًا ماليًا جديدًا ووسائل لمشاركة القيمة لنماذج الذكاء الاصطناعي مفتوحة المصدر، حيث يمكن للمستثمرين شراء رموز IMO ومشاركة عائدات النموذج في المستقبل. تستخدم بروتوكول معين معيار ERC محدد، جنبًا إلى جنب مع تقنية Oracle AI وOPML لضمان مصداقية نموذج الذكاء الاصطناعي وتمكين حاملي الرموز من مشاركة العائدات.
نموذج IMO يعزز الشفافية والثقة، ويشجع التعاون المفتوح، ويتكيف مع اتجاهات سوق العملات المشفرة، مما يضخ الطاقة في التنمية المستدامة لتقنية الذكاء الاصطناعي. نموذج IMO حاليا في مرحلة التجريب الأولية، ولكن مع زيادة قبول السوق وتوسع نطاق المشاركة، فإن ابتكاره وقيمته المحتملة تستحق الت期待.
وكيل الذكاء الاصطناعي: عصر جديد من التجارب التفاعلية
يمكن لوكيل الذكاء الاصطناعي إدراك البيئة والتفكير بشكل مستقل واتخاذ إجراءات لتحقيق الأهداف. بدعم من نماذج اللغة الكبيرة، لا يفهم وكيل الذكاء الاصطناعي اللغة الطبيعية فحسب، بل يمكنه أيضًا تخطيط القرارات وتنفيذ المهام المعقدة. يمكن أن تعمل كوكيل افتراضي، من خلال التفاعل مع المستخدمين، لتعلم التفضيلات وتقديم حلول مخصصة. حتى في غياب التعليمات الواضحة، يمكن لوكيل الذكاء الاصطناعي أيضًا حل المشكلات بشكل مستقل، مما يزيد الكفاءة ويخلق قيمة جديدة.
تقدم منصة تطبيقات الذكاء الاصطناعي الأصلية مجموعة شاملة وسهلة الاستخدام من أدوات الإبداع، تدعم المستخدمين في تخصيص وظائف الروبوتات، المظهر، الصوت وربط قواعد المعرفة الخارجية، مع التركيز على إنشاء نظام بيئي مفتوح وعادل لمحتوى الذكاء الاصطناعي. تقوم المنصة بتدريب نماذج لغوية كبيرة مخصصة، مما يجعل تمثيل الشخصيات أكثر إنسانية؛ وتسرع تقنية استنساخ الصوت من التفاعل الشخصي للمنتجات الذكية، حيث تخفض تكلفة توليد الصوت بنسبة 99%، ويمكن تحقيق استنساخ الصوت في دقيقة واحدة فقط. باستخدام هذه المنصة، يمكن تخصيص وكيل ذكاء اصطناعي، والذي يمكن استخدامه حاليًا في مجالات متعددة مثل الدردشة المرئية، تعلم اللغات، وتوليد الصور.
الدمج الحالي بين Web3 و AI يركز أكثر على استكشاف طبقة البنية التحتية، مثل الحصول على بيانات عالية الجودة، وحماية خصوصية البيانات، واستضافة النماذج على السلسلة، وزيادة الاستخدام الفعال للقوة الحاسوبية اللامركزية، والتحقق من النماذج اللغوية الكبيرة وغيرها من القضايا الرئيسية. مع تحسن هذه البنية التحتية تدريجياً، سيولد دمج Web3 و AI 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.
الاندماج بين الذكاء الاصطناعي وWeb3: استكشاف مفتاح بناء بنية الإنترنت التحتية للجيل الجديد
دمج الذكاء الاصطناعي وWeb3: بناء بنية تحتية جديدة للإنترنت من الجيل التالي
تعتبر Web3 كنموذج إنترنت جديد لامركزي ومفتوح وشفاف، لديها فرصة طبيعية للاندماج مع الذكاء الاصطناعي. في ظل البنية التقليدية المركزية، تواجه الذكاء الاصطناعي تحديات مثل اختناق القدرة الحاسوبية، تسرب الخصوصية، وغموض الخوارزميات. بينما تعتمد Web3 على تقنيات موزعة، يمكنها توفير دافع جديد لتطوير الذكاء الاصطناعي من خلال شبكة مشاركة القدرة الحاسوبية، سوق البيانات المفتوحة، والحوسبة الخاصة. في الوقت نفسه، يمكن أن يوفر الذكاء الاصطناعي العديد من الإمكانيات لـ Web3، مثل تحسين العقود الذكية، وخوارزميات مكافحة الغش، مما يساعد في بناء النظام البيئي. إن استكشاف دمج الاثنين يعد أمرًا حيويًا لبناء بنية تحتية للإنترنت من الجيل التالي، وإطلاق قيمة البيانات والقدرة الحاسوبية.
مدفوع بالبيانات: الأساس المتين للذكاء الاصطناعي وWeb3
البيانات هي القوة الدافعة الأساسية وراء تطوير الذكاء الاصطناعي. تحتاج نماذج الذكاء الاصطناعي إلى معالجة كميات كبيرة من البيانات عالية الجودة للحصول على فهم عميق وقدرة قوية على الاستدلال، فالبيانات لا توفر فقط الأساس للتدريب لنماذج التعلم الآلي، بل تحدد أيضًا دقة وموثوقية النموذج.
توجد المشكلات التالية في نماذج الحصول على البيانات واستخدامها التي تعتمد على الذكاء الاصطناعي المركزي التقليدي:
يمكن لـ Web3 حل نقاط الألم في النماذج التقليدية من خلال نموذج بيانات لامركزي جديد:
ومع ذلك، هناك مشاكل في الحصول على البيانات من العالم الحقيقي، مثل الجودة غير المتكافئة، وصعوبة المعالجة، ونقص التنوع والتمثيل، وما إلى ذلك. قد تكون البيانات الاصطناعية نجم مستقبل مجال بيانات Web3. بناءً على تقنية الذكاء الاصطناعي التوليدي والمحاكاة، يمكن للبيانات الاصطناعية محاكاة خصائص البيانات الحقيقية، كإضافة فعالة، لزيادة 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 لوائح مثل GDPR في الاتحاد الأوروبي الحرص الشديد على الخصوصية الشخصية. ومع ذلك، فإن هذا يطرح تحديات: بعض البيانات الحساسة لا يمكن الاستفادة منها بشكل كامل بسبب مخاطر الخصوصية، مما يحد من إمكانيات وقدرات الاستدلال لنماذج الذكاء الاصطناعي.
تسمح FHE (التشفير المتجانس بالكامل) بإجراء عمليات حسابية مباشرة على البيانات المشفرة دون الحاجة إلى فك التشفير، والنتائج الحسابية تتوافق مع نتائج البيانات الواضحة. توفر FHE حماية قوية للحوسبة الخصوصية للذكاء الاصطناعي، مما يمكن قدرة GPU من تنفيذ مهام تدريب وتفسير النموذج دون المساس ببيئة البيانات الأصلية، مما يوفر مزايا كبيرة لشركات الذكاء الاصطناعي.
يدعم FHEML معالجة البيانات والنماذج بشكل مشفر طوال دورة التعلم الآلي ، مما يضمن أمان المعلومات الحساسة ويمنع مخاطر تسرب البيانات. يعزز FHEML خصوصية البيانات ويوفر إطار حساب آمن لتطبيقات الذكاء الاصطناعي. يعد FHEML تكملة لـ ZKML ، حيث يثبت ZKML تنفيذ التعلم الآلي بشكل صحيح بينما يؤكد FHEML على حساب البيانات المشفرة للحفاظ على خصوصية البيانات.
ثورة القوة الحاسوبية: الحوسبة الذكية في الشبكات اللامركزية
تتضاعف تعقيدات حساب أنظمة الذكاء الاصطناعي الحالية كل ثلاثة أشهر، مما يؤدي إلى زيادة هائلة في الطلب على قدرة الحوسبة، وهو ما يتجاوز بكثير إمدادات الموارد الحاسوبية الحالية. هذا لا يقيد فقط تقدم تكنولوجيا الذكاء الاصطناعي، بل يجعل النماذج المتقدمة من الذكاء الاصطناعي بعيدة المنال بالنسبة لمعظم الباحثين والمطورين. معدل استخدام وحدات معالجة الرسومات العالمية أقل من 40%، بالإضافة إلى تباطؤ تحسين أداء المعالجات الدقيقة، والعوامل المتعلقة بسلاسل الإمداد والجغرافيا السياسية التي تؤدي إلى نقص في الشرائح، مما يجعل مشكلة إمدادات الحوسبة أكثر حدة.
تقوم شبكة حوسبة AI اللامركزية بتجميع موارد GPU غير المستخدمة عالميًا، لتوفير سوق حوسبة اقتصادي وسهل الوصول لشركات الذكاء الاصطناعي. يمكن لمستخدمي قوة الحوسبة نشر مهام الحوسبة على الشبكة، حيث يقوم العقد الذكي بتوزيع المهام على عُقد التعدين التي تساهم بقوة الحوسبة، وينفذ عمال المناجم المهام ويقدمون النتائج، وبعد التحقق منها يحصلون على مكافآت. تعمل هذه الخطة على تحسين كفاءة استخدام الموارد، وتساعد في حل مشكلة اختناق قوة الحوسبة في مجالات مثل الذكاء الاصطناعي.
بجانب الشبكات العامة اللامركزية للحوسبة، هناك أيضًا شبكات حوسبة مخصصة تركز على تدريب الذكاء الاصطناعي واستنتاجاته. توفر الشبكات اللامركزية للحوسبة سوقًا عادلًا وشفافًا للحوسبة، مما يكسر الاحتكار، ويقلل من عوائق الدخول للتطبيقات، ويزيد من كفاءة استخدام الحوسبة. في نظام Web3 البيئي، ستلعب الشبكات اللامركزية للحوسبة دورًا حاسمًا، مما يجذب المزيد من التطبيقات المبتكرة للانضمام، ودفع تطوير وتطبيق تقنيات الذكاء الاصطناعي معًا.
DePIN: تمكين Web3 للذكاء الاصطناعي الحدي
تتيح تقنية Edge AI حدوث الحسابات في مصدر إنتاج البيانات، مما يحقق زمن وصول منخفض ومعالجة في الوقت الحقيقي، مع حماية خصوصية المستخدمين. تم تطبيق تقنية Edge AI في مجالات حيوية مثل القيادة الذاتية. في مجال Web3، نطلق عليها DePIN. يركز Web3 على اللامركزية وحقوق سيادة بيانات المستخدم، حيث تعزز DePIN حماية خصوصية المستخدم من خلال معالجة البيانات محليًا، مما يقلل من مخاطر تسرب البيانات؛ كما أن آلية اقتصاد الرموز الأصلية في Web3 يمكن أن تحفز عقد DePIN على تقديم موارد حسابية، مما يسهم في بناء نظام بيئي مستدام.
تتطور DePIN حالياً بسرعة في إحدى بيئات السلاسل العامة، لتصبح واحدة من المنصات المفضلة لنشر المشاريع. إن TPS العالي والرسوم المنخفضة والابتكارات التقنية لهذه السلسلة العامة توفر دعماً قوياً لمشاريع DePIN. حالياً، تجاوزت القيمة السوقية لمشاريع DePIN على هذه السلسلة العامة 10 مليارات دولار أمريكي، وقد حققت العديد من المشاريع المعروفة تقدماً ملحوظاً.
IMO: إطلاق نموذج جديد لنموذج الذكاء الاصطناعي
تم تقديم مفهوم IMO لأول مرة من خلال بروتوكول معين، حيث يتم تحويل نماذج الذكاء الاصطناعي إلى رموز. في النموذج التقليدي، يواجه مطورو نماذج الذكاء الاصطناعي صعوبة في الحصول على عوائد مستمرة من الاستخدام اللاحق، كما أن أداء النموذج وشفافية النتائج غير كافيين، مما يحد من الاعتراف في السوق والإمكانات التجارية.
IMO تقدم دعمًا ماليًا جديدًا ووسائل لمشاركة القيمة لنماذج الذكاء الاصطناعي مفتوحة المصدر، حيث يمكن للمستثمرين شراء رموز IMO ومشاركة عائدات النموذج في المستقبل. تستخدم بروتوكول معين معيار ERC محدد، جنبًا إلى جنب مع تقنية Oracle AI وOPML لضمان مصداقية نموذج الذكاء الاصطناعي وتمكين حاملي الرموز من مشاركة العائدات.
نموذج IMO يعزز الشفافية والثقة، ويشجع التعاون المفتوح، ويتكيف مع اتجاهات سوق العملات المشفرة، مما يضخ الطاقة في التنمية المستدامة لتقنية الذكاء الاصطناعي. نموذج IMO حاليا في مرحلة التجريب الأولية، ولكن مع زيادة قبول السوق وتوسع نطاق المشاركة، فإن ابتكاره وقيمته المحتملة تستحق الت期待.
وكيل الذكاء الاصطناعي: عصر جديد من التجارب التفاعلية
يمكن لوكيل الذكاء الاصطناعي إدراك البيئة والتفكير بشكل مستقل واتخاذ إجراءات لتحقيق الأهداف. بدعم من نماذج اللغة الكبيرة، لا يفهم وكيل الذكاء الاصطناعي اللغة الطبيعية فحسب، بل يمكنه أيضًا تخطيط القرارات وتنفيذ المهام المعقدة. يمكن أن تعمل كوكيل افتراضي، من خلال التفاعل مع المستخدمين، لتعلم التفضيلات وتقديم حلول مخصصة. حتى في غياب التعليمات الواضحة، يمكن لوكيل الذكاء الاصطناعي أيضًا حل المشكلات بشكل مستقل، مما يزيد الكفاءة ويخلق قيمة جديدة.
تقدم منصة تطبيقات الذكاء الاصطناعي الأصلية مجموعة شاملة وسهلة الاستخدام من أدوات الإبداع، تدعم المستخدمين في تخصيص وظائف الروبوتات، المظهر، الصوت وربط قواعد المعرفة الخارجية، مع التركيز على إنشاء نظام بيئي مفتوح وعادل لمحتوى الذكاء الاصطناعي. تقوم المنصة بتدريب نماذج لغوية كبيرة مخصصة، مما يجعل تمثيل الشخصيات أكثر إنسانية؛ وتسرع تقنية استنساخ الصوت من التفاعل الشخصي للمنتجات الذكية، حيث تخفض تكلفة توليد الصوت بنسبة 99%، ويمكن تحقيق استنساخ الصوت في دقيقة واحدة فقط. باستخدام هذه المنصة، يمكن تخصيص وكيل ذكاء اصطناعي، والذي يمكن استخدامه حاليًا في مجالات متعددة مثل الدردشة المرئية، تعلم اللغات، وتوليد الصور.
الدمج الحالي بين Web3 و AI يركز أكثر على استكشاف طبقة البنية التحتية، مثل الحصول على بيانات عالية الجودة، وحماية خصوصية البيانات، واستضافة النماذج على السلسلة، وزيادة الاستخدام الفعال للقوة الحاسوبية اللامركزية، والتحقق من النماذج اللغوية الكبيرة وغيرها من القضايا الرئيسية. مع تحسن هذه البنية التحتية تدريجياً، سيولد دمج Web3 و AI مجموعة من نماذج الأعمال والخدمات المبتكرة.