دمج Web3 و AI: بناء البنية التحتية للإنترنت من الجيل التالي
كنموذج جديد من الإنترنت لامركزي ومفتوح وشفاف، يوجد تكامل طبيعي بين Web3 وAI. تحت الهيكل التقليدي المركزي، يتم التحكم بشكل صارم في موارد حساب AI والبيانات، مما يواجه العديد من التحديات مثل اختناق القدرة الحسابية، تسرب الخصوصية، وصندوق الأسود الخوارزمي. بينما يعتمد Web3 على التكنولوجيا الموزعة، فإنه يضخ طاقة جديدة في تطوير AI من خلال الشبكات المشتركة للقدرة الحسابية، أسواق البيانات المفتوحة، والحوسبة الخاصة. في الوقت نفسه، يمكن أن توفر AI العديد من الامتيازات لـ Web3، مثل تحسين العقود الذكية، وخوارزميات مكافحة الغش، مما يساعد في بناء بيئته. يعد استكشاف دمج Web3 وAI أمرًا بالغ الأهمية لبناء بنية تحتية جديدة للإنترنت، وإطلاق قيمة البيانات والقدرة الحسابية.
مدفوع بالبيانات: الأساس المتين للذكاء الاصطناعي وWeb3
البيانات هي القوة الدافعة الأساسية لتطوير الذكاء الاصطناعي، مثلما يكون الوقود بالنسبة للمحرك. تحتاج نماذج الذكاء الاصطناعي إلى استيعاب كميات كبيرة من البيانات عالية الجودة لتحقيق فهم عميق وقدرات استدلال قوية. لا توفر البيانات فقط الأساس للتدريب على نماذج 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، مما يجعل من الصعب على الشركات الصغيرة والمتوسطة تحملها
بيانات الموارد تحتكرها شركات التكنولوجيا الكبرى، مما يشكل جزر بيانات
تواجه خصوصية البيانات الشخصية مخاطر تسرب وسوء استخدام
يمكن لـ Web3 حل نقاط الألم في النموذج التقليدي من خلال نموذج بيانات لامركزي جديد:
يمكن للمستخدمين بيع الشبكات غير المستخدمة لشركات الذكاء الاصطناعي، لجمع البيانات الشبكية بشكل لامركزي، وتوفير بيانات حقيقية وعالية الجودة لتدريب نماذج الذكاء الاصطناعي.
اعتماد نموذج "label to earn"، من خلال تحفيز الرموز للمشاركين في بيانات التوصيف من جميع أنحاء العالم، لجمع المعرفة المهنية العالمية، وتعزيز القدرة على تحليل البيانات.
منصة تبادل بيانات البلوكتشين توفر بيئة تداول شفافة وعلنية لكلا طرفي العرض والطلب على البيانات، 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 التركيبية نجم المستقبل في مجال بيانات Web3. استنادًا إلى تقنيات الذكاء الاصطناعي التوليدي والمحاكاة، يمكن للبيانات التركيبية محاكاة خصائص البيانات الحقيقية، كمكمل فعال للبيانات الحقيقية، مما يزيد من كفاءة استخدام البيانات. في مجالات مثل القيادة الذاتية، وتداول الأسواق المالية، وتطوير الألعاب، أظهرت البيانات التركيبية إمكانيات تطبيق ناضجة.
حماية الخصوصية: دور FHE في Web3
في عصر البيانات المدفوعة، أصبحت حماية الخصوصية محور اهتمام عالمي. إن صدور لوائح مثل اللائحة العامة لحماية البيانات (GDPR) في الاتحاد الأوروبي يعكس الحماية الصارمة للخصوصية الشخصية. ومع ذلك، فإن هذا يطرح تحديات: بعض البيانات الحساسة لا يمكن استغلالها بشكل كامل بسبب مخاطر الخصوصية، مما يحد من إمكانيات ونماذج الذكاء الاصطناعي.
FHE هو تشفير متجانس بالكامل، يسمح بإجراء عمليات حسابية مباشرة على البيانات المشفرة دون الحاجة إلى فك تشفير البيانات، ونتيجة الحساب تتوافق مع النتيجة الناتجة عن إجراء نفس الحساب على البيانات النصية.
يوفر FHE حماية قوية للحوسبة الخصوصية للذكاء الاصطناعي، مما يسمح لقوة معالجة GPU بتنفيذ مهام تدريب النماذج والاستدلال في بيئة لا تلامس البيانات الأصلية. وهذا يجلب ميزة كبيرة لشركات الذكاء الاصطناعي، حيث يمكنها فتح خدمات API بأمان مع حماية الأسرار التجارية.
تدعم FHEML معالجة البيانات والنماذج بشكل مشفر طوال دورة التعلم الآلي، مما يضمن أمان المعلومات الحساسة ويمنع مخاطر تسرب البيانات. من خلال هذه الطريقة، تعزز FHEML خصوصية البيانات، وتوفر إطار عمل آمن للحساب لتطبيقات الذكاء الاصطناعي.
FHEML هو مكمل لـ ZKML، حيث يثبت ZKML التنفيذ الصحيح للتعلم الآلي، بينما يركز FHEML على إجراء الحسابات على البيانات المشفرة للحفاظ على خصوصية البيانات.
ثورة القدرة الحاسوبية: حسابات الذكاء الاصطناعي في الشبكات اللامركزية
تتضاعف تعقيد الحسابات في أنظمة الذكاء الاصطناعي الحالية كل 3 أشهر، مما يؤدي إلى زيادة هائلة في الطلب على القدرة الحاسوبية، تفوق بكثير العرض الحالي للموارد الحاسوبية. على سبيل المثال، يتطلب تدريب نموذج ذكاء اصطناعي كبير قدرة حاسوبية هائلة، تعادل 355 عامًا من وقت التدريب على جهاز واحد. هذه النقص في القدرة الحاسوبية لا يقتصر فقط على تقييد التقدم في تقنية الذكاء الاصطناعي، بل يجعل النماذج المتقدمة من الذكاء الاصطناعي بعيدة المنال لمعظم الباحثين والمطورين.
في الوقت نفسه، تقل نسبة استخدام وحدات معالجة الرسوميات (GPU) على مستوى العالم عن 40%، بالإضافة إلى تباطؤ تحسين أداء المعالجات الدقيقة، والعوامل الجيوسياسية وسلسلة التوريد التي أدت إلى نقص في الرقائق، كل هذا يجعل مشكلة توفير الطاقة الحاسوبية أكثر حدة. يجد العاملون في مجال الذكاء الاصطناعي أنفسهم في موقف صعب: إما شراء الأجهزة بأنفسهم، أو استئجار موارد سحابية، وهم في حاجة ماسة إلى طريقة لخدمة الحوسبة حسب الطلب وبكفاءة اقتصادية.
تقوم شبكة حوسبة الذكاء الاصطناعي اللامركزية بتجميع موارد GPU غير المستخدمة على مستوى العالم، لتوفير سوق حوسبة اقتصادي وسهل الوصول لشركات الذكاء الاصطناعي. يمكن لمستخدمي حوسبة الطلب نشر مهام حسابية على الشبكة، حيث تقوم العقود الذكية بتوزيع المهام على عقد المعدنين الذين يساهمون في القدرة الحاسوبية، وينفذ المعدنون المهام ويقدمون النتائج، وبعد التحقق منها يحصلون على مكافآت نقاط. تعزز هذه الخطة كفاءة استخدام الموارد وتساعد في حل مشكلة عنق الزجاجة في القدرة الحاسوبية في مجالات مثل الذكاء الاصطناعي.
بالإضافة إلى الشبكات العامة للحوسبة اللامركزية، هناك منصات تركز على تدريب الذكاء الاصطناعي، بالإضافة إلى شبكات حوسبة مخصصة تركز على استدلال الذكاء الاصطناعي.
تقدم شبكة الحوسبة اللامركزية سوق حوسبة شفاف وعادل، يكسر الاحتكار، ويخفض عتبات التطبيق، ويزيد من كفاءة استخدام قوة الحوسبة. في نظام Web3 البيئي، ستلعب شبكة الحوسبة اللامركزية دورًا حاسمًا، مما يجذب المزيد من تطبيقات dapp الابتكارية للانضمام، ويدفع معًا تطوير وتطبيق تقنيات الذكاء الاصطناعي.
DePIN: تمكين Web3 للذكاء الاصطناعي على الحافة
تخيل أن هاتفك الذكي، وساعتك الذكية، وحتى الأجهزة الذكية في منزلك، تمتلك القدرة على تشغيل الذكاء الاصطناعي - هذه هي جاذبية Edge AI. إنه يجعل الحوسبة تحدث في مصدر إنتاج البيانات، مما يحقق تأخيراً منخفضاً، ومعالجة في الوقت الحقيقي، مع حماية خصوصية المستخدمين. لقد تم تطبيق تقنية Edge AI في مجالات حيوية مثل القيادة الذاتية.
في مجال Web3، لدينا اسم أكثر ألفة - DePIN. يركز Web3 على اللامركزية وسيادة بيانات المستخدم، حيث يمكن لـ DePIN تعزيز حماية خصوصية المستخدم وتقليل مخاطر تسرب البيانات من خلال معالجة البيانات محليًا؛ يمكن لآلية اقتصاد الرموز الأصلية في Web3 تحفيز عقد DePIN لتوفير موارد الحوسبة، مما يبني نظامًا بيئيًا مستدامًا.
حالياً، يتطور DePIN بسرعة في نظام بيئي معين من سلاسل الكتل العامة، ليصبح واحداً من منصات السلاسل العامة المفضلة لنشر المشاريع. توفر TPS العالية، ورسوم المعاملات المنخفضة، والابتكارات التقنية في هذه السلسلة العامة دعماً قوياً لمشاريع DePIN. حالياً، تجاوزت القيمة السوقية لمشاريع DePIN على هذه السلسلة العامة 10 مليار دولار أمريكي، وقد حققت العديد من المشاريع المعروفة تقدمًا ملحوظًا.
IMO: نموذج AI جديد للنشر
تم اقتراح مفهوم IMO من قبل بروتوكول معين، الذي يقوم بتوكنة نماذج الذكاء الاصطناعي.
في النموذج التقليدي، وبسبب غياب آلية مشاركة العائدات، بمجرد تطوير نموذج الذكاء الاصطناعي وإطلاقه في السوق، غالبًا ما يواجه المطورون صعوبة في تحقيق دخل مستمر من الاستخدام اللاحق للنموذج، خاصة عندما يتم دمج النموذج في منتجات وخدمات أخرى، يصبح من الصعب على المبدعين الأصليين تتبع الاستخدام، ناهيك عن تحقيق الأرباح منه. بالإضافة إلى ذلك، غالبًا ما تفتقر أداء وفعالية نموذج الذكاء الاصطناعي إلى الشفافية، مما يجعل المستثمرين المحتملين والمستخدمين يجدون صعوبة في تقييم قيمته الحقيقية، مما يحد من اعتراف السوق بالنموذج وإمكاناته التجارية.
يوفر IMO طريقة جديدة لتمويل نماذج الذكاء الاصطناعي مفتوحة المصدر ومشاركة القيمة، حيث يمكن للمستثمرين شراء رموز IMO ومشاركة العائدات الناتجة عن النموذج في المستقبل. تستخدم بروتوكول معين معيارين من ERC، مع دمج تكنولوجيا Oracle AI و OPML لضمان مصداقية نموذج الذكاء الاصطناعي وقدرة حاملي الرموز على مشاركة العائدات.
تعزز نمط IMO الشفافية والثقة، وتشجع التعاون مفتوح المصدر، وتتكيف مع اتجاهات سوق العملات المشفرة، وتضخ القوة في التنمية المستدامة لتقنية الذكاء الاصطناعي. لا يزال IMO في مرحلة التجارب الأولية، ولكن مع زيادة قبول السوق وتوسيع نطاق المشاركة، فإن ابتكاره وقيمته المحتملة تستحق توقعاتنا.
وكيل الذكاء الاصطناعي: عصر جديد من تجارب التفاعل
يمكن لوكلاء الذكاء الاصطناعي إدراك البيئة والتفكير المستقل واتخاذ الإجراءات المناسبة لتحقيق الأهداف المحددة. بدعم من نماذج اللغة الكبيرة، يمكن لوكلاء الذكاء الاصطناعي فهم اللغة الطبيعية، بالإضافة إلى تخطيط القرارات وتنفيذ المهام المعقدة. يمكنهم العمل كمساعدين افتراضيين، من خلال التفاعل مع المستخدمين وتعلم تفضيلاتهم، وتقديم حلول مخصصة. حتى في غياب التعليمات الواضحة، يمكن لوكلاء الذكاء الاصطناعي حل المشكلات بشكل مستقل، مما يزيد من الكفاءة ويخلق قيمة جديدة.
توفر منصة تطبيقات AI الأصلية مجموعة أدوات إبداعية شاملة وسهلة الاستخدام، تدعم تكوين وظائف الروبوتات، والمظهر، والصوت، وكذلك الاتصال بمكتبات المعرفة الخارجية، وتهدف إلى إنشاء نظام بيئي مفتوح وعادل لمحتوى الذكاء الاصطناعي، باستخدام تقنيات الذكاء الاصطناعي التوليدية، لتمكين الأفراد من أن يصبحوا منشئين خارقين. قامت هذه المنصة بتدريب نموذج لغوي كبير مخصص، مما يجعل أدوار اللعب أكثر إنسانية؛ يمكن أن تسريع تقنية استنساخ الصوت التفاعل الشخصي لمنتجات الذكاء الاصطناعي، وتقليل تكاليف تركيب الصوت بنسبة 99%، حيث يمكن تحقيق استنساخ الصوت في دقيقة واحدة فقط. باستخدام AI Agent المخصص من هذه المنصة، يمكن تطبيقه حاليًا في مجالات متعددة مثل الدردشة عبر الفيديو، وتعلم اللغات، وتوليد الصور.
في دمج Web3 و AI ، يتم حالياً استكشاف المزيد حول طبقة 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 سيؤدي إلى ظهور 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.
تسجيلات الإعجاب 9
أعجبني
9
2
مشاركة
تعليق
0/400
rug_connoisseur
· منذ 15 س
تعبت من الثرثرة طوال اليوم
شاهد النسخة الأصليةرد0
SorryRugPulled
· منذ 15 س
يا إلهي، لقد قمت بسحب البساط بالفعل وما زلت تتحدث عن الذكاء الاصطناعي!
ت融合 Web3 و AI: خمس تقنيات أساسية لبناء البنية التحتية للجيل التالي من الإنترنت
دمج Web3 و AI: بناء البنية التحتية للإنترنت من الجيل التالي
كنموذج جديد من الإنترنت لامركزي ومفتوح وشفاف، يوجد تكامل طبيعي بين Web3 وAI. تحت الهيكل التقليدي المركزي، يتم التحكم بشكل صارم في موارد حساب AI والبيانات، مما يواجه العديد من التحديات مثل اختناق القدرة الحسابية، تسرب الخصوصية، وصندوق الأسود الخوارزمي. بينما يعتمد Web3 على التكنولوجيا الموزعة، فإنه يضخ طاقة جديدة في تطوير AI من خلال الشبكات المشتركة للقدرة الحسابية، أسواق البيانات المفتوحة، والحوسبة الخاصة. في الوقت نفسه، يمكن أن توفر AI العديد من الامتيازات لـ Web3، مثل تحسين العقود الذكية، وخوارزميات مكافحة الغش، مما يساعد في بناء بيئته. يعد استكشاف دمج Web3 وAI أمرًا بالغ الأهمية لبناء بنية تحتية جديدة للإنترنت، وإطلاق قيمة البيانات والقدرة الحسابية.
مدفوع بالبيانات: الأساس المتين للذكاء الاصطناعي وWeb3
البيانات هي القوة الدافعة الأساسية لتطوير الذكاء الاصطناعي، مثلما يكون الوقود بالنسبة للمحرك. تحتاج نماذج الذكاء الاصطناعي إلى استيعاب كميات كبيرة من البيانات عالية الجودة لتحقيق فهم عميق وقدرات استدلال قوية. لا توفر البيانات فقط الأساس للتدريب على نماذج التعلم الآلي، بل تحدد أيضًا دقة النموذج وموثوقيته.
توجد المشكلات الرئيسية التالية في نماذج الحصول على بيانات الذكاء الاصطناعي التقليدية المركزية واستخدامها:
يمكن لـ Web3 حل نقاط الألم في النموذج التقليدي 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 التركيبية نجم المستقبل في مجال بيانات Web3. استنادًا إلى تقنيات الذكاء الاصطناعي التوليدي والمحاكاة، يمكن للبيانات التركيبية محاكاة خصائص البيانات الحقيقية، كمكمل فعال للبيانات الحقيقية، مما يزيد من كفاءة استخدام البيانات. في مجالات مثل القيادة الذاتية، وتداول الأسواق المالية، وتطوير الألعاب، أظهرت البيانات التركيبية إمكانيات تطبيق ناضجة.
حماية الخصوصية: دور FHE في Web3
في عصر البيانات المدفوعة، أصبحت حماية الخصوصية محور اهتمام عالمي. إن صدور لوائح مثل اللائحة العامة لحماية البيانات (GDPR) في الاتحاد الأوروبي يعكس الحماية الصارمة للخصوصية الشخصية. ومع ذلك، فإن هذا يطرح تحديات: بعض البيانات الحساسة لا يمكن استغلالها بشكل كامل بسبب مخاطر الخصوصية، مما يحد من إمكانيات ونماذج الذكاء الاصطناعي.
FHE هو تشفير متجانس بالكامل، يسمح بإجراء عمليات حسابية مباشرة على البيانات المشفرة دون الحاجة إلى فك تشفير البيانات، ونتيجة الحساب تتوافق مع النتيجة الناتجة عن إجراء نفس الحساب على البيانات النصية.
يوفر FHE حماية قوية للحوسبة الخصوصية للذكاء الاصطناعي، مما يسمح لقوة معالجة GPU بتنفيذ مهام تدريب النماذج والاستدلال في بيئة لا تلامس البيانات الأصلية. وهذا يجلب ميزة كبيرة لشركات الذكاء الاصطناعي، حيث يمكنها فتح خدمات API بأمان مع حماية الأسرار التجارية.
تدعم FHEML معالجة البيانات والنماذج بشكل مشفر طوال دورة التعلم الآلي، مما يضمن أمان المعلومات الحساسة ويمنع مخاطر تسرب البيانات. من خلال هذه الطريقة، تعزز FHEML خصوصية البيانات، وتوفر إطار عمل آمن للحساب لتطبيقات الذكاء الاصطناعي.
FHEML هو مكمل لـ ZKML، حيث يثبت ZKML التنفيذ الصحيح للتعلم الآلي، بينما يركز FHEML على إجراء الحسابات على البيانات المشفرة للحفاظ على خصوصية البيانات.
ثورة القدرة الحاسوبية: حسابات الذكاء الاصطناعي في الشبكات اللامركزية
تتضاعف تعقيد الحسابات في أنظمة الذكاء الاصطناعي الحالية كل 3 أشهر، مما يؤدي إلى زيادة هائلة في الطلب على القدرة الحاسوبية، تفوق بكثير العرض الحالي للموارد الحاسوبية. على سبيل المثال، يتطلب تدريب نموذج ذكاء اصطناعي كبير قدرة حاسوبية هائلة، تعادل 355 عامًا من وقت التدريب على جهاز واحد. هذه النقص في القدرة الحاسوبية لا يقتصر فقط على تقييد التقدم في تقنية الذكاء الاصطناعي، بل يجعل النماذج المتقدمة من الذكاء الاصطناعي بعيدة المنال لمعظم الباحثين والمطورين.
في الوقت نفسه، تقل نسبة استخدام وحدات معالجة الرسوميات (GPU) على مستوى العالم عن 40%، بالإضافة إلى تباطؤ تحسين أداء المعالجات الدقيقة، والعوامل الجيوسياسية وسلسلة التوريد التي أدت إلى نقص في الرقائق، كل هذا يجعل مشكلة توفير الطاقة الحاسوبية أكثر حدة. يجد العاملون في مجال الذكاء الاصطناعي أنفسهم في موقف صعب: إما شراء الأجهزة بأنفسهم، أو استئجار موارد سحابية، وهم في حاجة ماسة إلى طريقة لخدمة الحوسبة حسب الطلب وبكفاءة اقتصادية.
تقوم شبكة حوسبة الذكاء الاصطناعي اللامركزية بتجميع موارد GPU غير المستخدمة على مستوى العالم، لتوفير سوق حوسبة اقتصادي وسهل الوصول لشركات الذكاء الاصطناعي. يمكن لمستخدمي حوسبة الطلب نشر مهام حسابية على الشبكة، حيث تقوم العقود الذكية بتوزيع المهام على عقد المعدنين الذين يساهمون في القدرة الحاسوبية، وينفذ المعدنون المهام ويقدمون النتائج، وبعد التحقق منها يحصلون على مكافآت نقاط. تعزز هذه الخطة كفاءة استخدام الموارد وتساعد في حل مشكلة عنق الزجاجة في القدرة الحاسوبية في مجالات مثل الذكاء الاصطناعي.
بالإضافة إلى الشبكات العامة للحوسبة اللامركزية، هناك منصات تركز على تدريب الذكاء الاصطناعي، بالإضافة إلى شبكات حوسبة مخصصة تركز على استدلال الذكاء الاصطناعي.
تقدم شبكة الحوسبة اللامركزية سوق حوسبة شفاف وعادل، يكسر الاحتكار، ويخفض عتبات التطبيق، ويزيد من كفاءة استخدام قوة الحوسبة. في نظام Web3 البيئي، ستلعب شبكة الحوسبة اللامركزية دورًا حاسمًا، مما يجذب المزيد من تطبيقات dapp الابتكارية للانضمام، ويدفع معًا تطوير وتطبيق تقنيات الذكاء الاصطناعي.
DePIN: تمكين Web3 للذكاء الاصطناعي على الحافة
تخيل أن هاتفك الذكي، وساعتك الذكية، وحتى الأجهزة الذكية في منزلك، تمتلك القدرة على تشغيل الذكاء الاصطناعي - هذه هي جاذبية Edge AI. إنه يجعل الحوسبة تحدث في مصدر إنتاج البيانات، مما يحقق تأخيراً منخفضاً، ومعالجة في الوقت الحقيقي، مع حماية خصوصية المستخدمين. لقد تم تطبيق تقنية Edge AI في مجالات حيوية مثل القيادة الذاتية.
في مجال Web3، لدينا اسم أكثر ألفة - DePIN. يركز Web3 على اللامركزية وسيادة بيانات المستخدم، حيث يمكن لـ DePIN تعزيز حماية خصوصية المستخدم وتقليل مخاطر تسرب البيانات من خلال معالجة البيانات محليًا؛ يمكن لآلية اقتصاد الرموز الأصلية في Web3 تحفيز عقد DePIN لتوفير موارد الحوسبة، مما يبني نظامًا بيئيًا مستدامًا.
حالياً، يتطور DePIN بسرعة في نظام بيئي معين من سلاسل الكتل العامة، ليصبح واحداً من منصات السلاسل العامة المفضلة لنشر المشاريع. توفر TPS العالية، ورسوم المعاملات المنخفضة، والابتكارات التقنية في هذه السلسلة العامة دعماً قوياً لمشاريع DePIN. حالياً، تجاوزت القيمة السوقية لمشاريع DePIN على هذه السلسلة العامة 10 مليار دولار أمريكي، وقد حققت العديد من المشاريع المعروفة تقدمًا ملحوظًا.
IMO: نموذج AI جديد للنشر
تم اقتراح مفهوم IMO من قبل بروتوكول معين، الذي يقوم بتوكنة نماذج الذكاء الاصطناعي.
في النموذج التقليدي، وبسبب غياب آلية مشاركة العائدات، بمجرد تطوير نموذج الذكاء الاصطناعي وإطلاقه في السوق، غالبًا ما يواجه المطورون صعوبة في تحقيق دخل مستمر من الاستخدام اللاحق للنموذج، خاصة عندما يتم دمج النموذج في منتجات وخدمات أخرى، يصبح من الصعب على المبدعين الأصليين تتبع الاستخدام، ناهيك عن تحقيق الأرباح منه. بالإضافة إلى ذلك، غالبًا ما تفتقر أداء وفعالية نموذج الذكاء الاصطناعي إلى الشفافية، مما يجعل المستثمرين المحتملين والمستخدمين يجدون صعوبة في تقييم قيمته الحقيقية، مما يحد من اعتراف السوق بالنموذج وإمكاناته التجارية.
يوفر IMO طريقة جديدة لتمويل نماذج الذكاء الاصطناعي مفتوحة المصدر ومشاركة القيمة، حيث يمكن للمستثمرين شراء رموز IMO ومشاركة العائدات الناتجة عن النموذج في المستقبل. تستخدم بروتوكول معين معيارين من ERC، مع دمج تكنولوجيا Oracle AI و OPML لضمان مصداقية نموذج الذكاء الاصطناعي وقدرة حاملي الرموز على مشاركة العائدات.
تعزز نمط IMO الشفافية والثقة، وتشجع التعاون مفتوح المصدر، وتتكيف مع اتجاهات سوق العملات المشفرة، وتضخ القوة في التنمية المستدامة لتقنية الذكاء الاصطناعي. لا يزال IMO في مرحلة التجارب الأولية، ولكن مع زيادة قبول السوق وتوسيع نطاق المشاركة، فإن ابتكاره وقيمته المحتملة تستحق توقعاتنا.
وكيل الذكاء الاصطناعي: عصر جديد من تجارب التفاعل
يمكن لوكلاء الذكاء الاصطناعي إدراك البيئة والتفكير المستقل واتخاذ الإجراءات المناسبة لتحقيق الأهداف المحددة. بدعم من نماذج اللغة الكبيرة، يمكن لوكلاء الذكاء الاصطناعي فهم اللغة الطبيعية، بالإضافة إلى تخطيط القرارات وتنفيذ المهام المعقدة. يمكنهم العمل كمساعدين افتراضيين، من خلال التفاعل مع المستخدمين وتعلم تفضيلاتهم، وتقديم حلول مخصصة. حتى في غياب التعليمات الواضحة، يمكن لوكلاء الذكاء الاصطناعي حل المشكلات بشكل مستقل، مما يزيد من الكفاءة ويخلق قيمة جديدة.
توفر منصة تطبيقات AI الأصلية مجموعة أدوات إبداعية شاملة وسهلة الاستخدام، تدعم تكوين وظائف الروبوتات، والمظهر، والصوت، وكذلك الاتصال بمكتبات المعرفة الخارجية، وتهدف إلى إنشاء نظام بيئي مفتوح وعادل لمحتوى الذكاء الاصطناعي، باستخدام تقنيات الذكاء الاصطناعي التوليدية، لتمكين الأفراد من أن يصبحوا منشئين خارقين. قامت هذه المنصة بتدريب نموذج لغوي كبير مخصص، مما يجعل أدوار اللعب أكثر إنسانية؛ يمكن أن تسريع تقنية استنساخ الصوت التفاعل الشخصي لمنتجات الذكاء الاصطناعي، وتقليل تكاليف تركيب الصوت بنسبة 99%، حيث يمكن تحقيق استنساخ الصوت في دقيقة واحدة فقط. باستخدام AI Agent المخصص من هذه المنصة، يمكن تطبيقه حاليًا في مجالات متعددة مثل الدردشة عبر الفيديو، وتعلم اللغات، وتوليد الصور.
في دمج Web3 و AI ، يتم حالياً استكشاف المزيد حول طبقة 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 سيؤدي إلى ظهور مجموعة من نماذج الأعمال والخدمات المبتكرة.