تحول تركيز صناعة الذكاء الاصطناعي نحو ترميز البيانات ، نمط Web3 يتحدى العمالقة التقليديين

مع استحواذ ميتا على ما يقرب من نصف أسهم سكيل إيه أي بمبلغ 14.8 مليار دولار، تتحدث جميع أوساط التكنولوجيا عن إعادة تقييم عمالقة الشركات لقيمة "توسيم البيانات". في الوقت نفسه، لا تزال بعض مشاريع الذكاء الاصطناعي في ويب 3 تواجه تساؤلات حول ضجيج المفاهيم ونقص الجوهر. وراء هذا التباين الكبير، يبدو أن السوق يتجاهل بعض العوامل الرئيسية.

تعتبر ترميز البيانات أكثر قيمة وإمكانية من تجميع قوة الحوسبة اللامركزية. على الرغم من أن فكرة استخدام وحدات معالجة الرسوميات غير المستخدمة لتحدي عمالقة الحوسبة السحابية جذابة للغاية، إلا أن قوة الحوسبة في جوهرها سلعة موحدة، والاختلافات الرئيسية تكمن في الأسعار والتوافر. ومن الممكن أن تختفي هذه المزايا بسرعة مع انخفاض الأسعار أو زيادة العرض من قبل العمالقة.

بالمقارنة، فإن تعليم البيانات هو مجال يتطلب حكمة بشرية وحكمًا متخصصًا. كل علامة ذات جودة عالية تحتوي على معرفة متخصصة فريدة، وخلفية ثقافية، وتجربة إدراكية، ولا يمكن نسخها ببساطة مثل قوة حسابات GPU. على سبيل المثال، تتطلب العلامات الدقيقة لتشخيص الصور السرطانية حدسًا متخصصًا من طبيب أورام ذو خبرة، بينما لا يمكن أن يتم تحليل المشاعر في الأسواق المالية بعمق دون خبرة عملية من متداول ذو خبرة. هذه الندرة الطبيعية وعدم القابلية للاستبدال، تبني خندقًا عميقًا لصناعة تعليم البيانات.

أثارت خطوة ميتا للاستحواذ على Scale AI اهتمامًا واسعًا. تشمل عملاء Scale AI العديد من شركات الذكاء الاصطناعي الرائدة، والعمالقة التكنولوجيين، والهيئات الحكومية، ولديها أكثر من 300,000 مُعلّم مدرب بشكل احترافي. تكشف هذه الصفقة عن حقيقة تم تجاهلها: في زمن لم تعد فيه القدرة الحاسوبية نادرة، وأصبحت هياكل النماذج متجانسة، فإن ما يحدد فعليًا الحد الأقصى للذكاء الاصطناعي هو تلك البيانات التي تم معالجتها بعناية.

ومع ذلك، فإن نموذج التوصيف البياني التقليدي يعاني من مشكلة توزيع القيمة بشكل غير عادل. على سبيل المثال، قد يقضي طبيب ساعات في توصيف الصور الطبية، وقد يحصل فقط على بضع عشرات من الدولارات كأجر، بينما قد تكون النماذج الذكية التي تم تدريبها على هذه البيانات قيمة بمليارات الدولارات، لكن الطبيب لا يستطيع مشاركة هذه العوائد. هذه الظلم يضرب بشدة حماس توفير البيانات عالية الجودة.

في هذا السياق، تحاول بعض مشاريع Web3 AI إعادة كتابة قواعد توزيع قيمة وسم البيانات باستخدام تقنية blockchain. من خلال آلية تحفيز الرموز، يأملون في تحويل مقدمي البيانات من "عمال البيانات" الرخيصين إلى "مساهمين" حقيقيين في شبكة الذكاء الاصطناعي. هذا النموذج لديه القدرة على تحفيز المزيد من إمدادات البيانات عالية الجودة.

عندما تستخدم الشركات التقليدية الأموال لبناء حواجز بيانات، تحاول Web3 إنشاء نظام إيكولوجي بيانات أكثر انفتاحًا وديمقراطية من خلال علم الاقتصاد الرمزي. سواء كانت مشاريع AI في Web2 أو Web3، فقد انتقلت بالفعل من "تنافس قوة الحوسبة" إلى مرحلة جديدة من "تنافس جودة البيانات". تشير هذه النقطة المحورية في السوق إلى اتجاهات مهمة في تطوير صناعة الذكاء الاصطناعي في المستقبل.