هل سرد "الذكاء الاصطناعي + Web3" اندماج تقني حقيقي أم حزمة مفاهيمية أخرى؟ تستند هذه المقالة إلى مقال كتبه TinTinLand وبرعاية ومساهمة من قبل Foresight News. (ملخص: هل يمكن لمسار الذكاء الاصطناعي الهروب من وصمة العار من الضجيج؟) جرد ثلاثة مشاريع لوكيل الذكاء الاصطناعي التي تحتضن العملات المشفرة) (ملحق الخلفية: أخبار التدرج الرمادي: الربع الأول من عام 2025 هو الأكثر تفاؤلا بشأن هذه العملات المشفرة ال 20 الرئيسية ، مع التركيز على DeFi ووكلاء الذكاء الاصطناعي وبيئة Solana) في عام 2025 ، لا تزال الشعبية السردية "الذكاء الاصطناعي + Web3" بلا هوادة. وفقا لأحدث تقرير ل Grayscale ، صدر في مايو 2025 ، وصلت القيمة السوقية الإجمالية لمسار الذكاء الاصطناعي Crypto إلى 21 مليار دولار ، أي ما يقرب من خمسة أضعاف من 4.5 مليار دولار في الربع الأول من عام 2023. وراء هذه الموجة ، هل هناك تقارب حقيقي للتقنيات ، أم أنها تغليف مفهوم آخر؟ من منظور كلي ، كشف النظام البيئي التقليدي الذكاء الاصطناعي عن المزيد والمزيد من المشاكل الهيكلية: عتبة تدريب عالية ، وخصوصية بيانات غير مضمونة ، واحتكار كبير لقوة الحوسبة ، وعملية تفكير الصندوق الأسود ، وآلية الحوافز غير المتوازنة...... تتوافق نقاط الألم هذه بشكل كبير مع المزايا الأصلية ل Web3: اللامركزية ، وآلية السوق المفتوحة ، وإمكانية التحقق على السلسلة ، وسيادة بيانات المستخدم ، وما إلى ذلك. إن الجمع بين الذكاء الاصطناعي + Web3 ليس مجرد تراكب من كلمتين ساخنتين ، ولكنه تكامل تقني هيكلي. لنبدأ من نقاط الألم الأساسية التي تواجه الذكاء الاصطناعي ، ونقوم بتفكيك مشاريع Web3 التي تحل المشكلات بالفعل ، ونأخذك لترى قيمة واتجاه مسار الذكاء الاصطناعي للعملات المشفرة. عتبة الوصول إلى خدمة الذكاء الاصطناعي مرتفعة للغاية ومكلفة عادة ما تكون خدمات الذكاء الاصطناعي الحالية باهظة الثمن ويصعب الحصول على موارد التدريب ، وهي عالية للغاية بالنسبة للمؤسسات الصغيرة والمتوسطة الحجم والمطورين الأفراد. بالإضافة إلى ذلك ، غالبا ما تكون هذه الخدمات معقدة من الناحية الفنية وتتطلب خلفية مهنية للبدء. سوق خدمات الذكاء الاصطناعي شديد التركيز ، ويفتقر المستخدمون إلى خيارات متنوعة ، وتكاليف المكالمات غير شفافة ، ويصعب التنبؤ بالميزانيات ، وحتى يواجهون مشكلة احتكار قوة الحوسبة. يتمثل حل Web3 في كسر حواجز النظام الأساسي من خلال اللامركزية ، وبناء سوق GPU مفتوح وشبكة خدمة نموذجية ، ودعم الجدولة المرنة للموارد الخاملة ، وتحفيز المزيد من المشاركين على المساهمة بقوة الحوسبة والنماذج من خلال جدولة المهام على السلسلة والآليات الاقتصادية الشفافة ، وتقليل التكاليف الإجمالية وتحسين إمكانية الوصول إلى الخدمة. شبكة العرض: تركز على عرض وحدة معالجة الرسومات اللامركزية ، كما تدعم استدلال الذكاء الاصطناعي والتدريب ، وتعتمد نموذج "الدفع لكل استخدام" لمساعدة المطورين على الوصول إلى إنشاء الصور وخدمات الذكاء الاصطناعي بتكلفة منخفضة. Gensyn: قم ببناء شبكة تدريب لامركزية للتعلم العميق ، واستخدم آلية إثبات الحوسبة للتحقق من نتائج التدريب ، وتعزيز التدريب على الذكاء الاصطناعي من مركزية النظام الأساسي إلى التعاون المفتوح. شبكة Akash: منصة حوسبة سحابية لامركزية تعتمد على تقنية blockchain ، يمكن للمطورين استئجار موارد GPU عند الطلب لنشر وتنفيذ تطبيقات الذكاء الاصطناعي ، وهي "نسخة لامركزية من الحوسبة السحابية". مختبرات 0G: الذكاء الاصطناعي اللامركزي الطبقة 1 الأصلية ، مما يقلل بشكل كبير من تكلفة وتعقيد تنفيذ نماذج الذكاء الاصطناعي على السلسلة من خلال بنية فصل التخزين والحوسبة المبتكرة. عدم وجود حوافز للمساهمين في البيانات البيانات عالية الجودة هي الوقود الأساسي لنماذج الذكاء الاصطناعي ، ولكن في ظل النموذج التقليدي ، يكافح المساهمون في البيانات للحصول على مكافأة. إن الطبيعة المبهمة والمتكررة لمصادر البيانات وعدم وجود تعليقات حول كيفية استخدامها تجعل بيئة البيانات غير فعالة لفترة طويلة. يوفر Web3 حلا جديدا لإضفاء الطابع الرسمي: حلقة مغلقة واضحة من التعاون والحوافز بين المساهمين في البيانات ومطوري النماذج والمستخدمين من خلال توقيعات التشفير وتأكيد الحقوق على السلسلة والآليات الاقتصادية القابلة للتكوين. المشروع التمثيلي OpenLedger: اقترح بشكل مبتكر مفهوم "الذكاء الاصطناعي القابل للدفع" ، والذي يجمع بين مساهمة البيانات والنداء النموذجي والحوافز الاقتصادية لتعزيز تشكيل شبكة اقتصاد البيانات للتعاون في سلسلة الذكاء الاصطناعي. Bittensor: نظام حوافز كامل مع مكافآت TAO ، وآلية إجماع Yuma ، وحوافز دقة الشبكة الفرعية ، والتعاون المعرفي ، وما إلى ذلك كجوهر ، يربط بشكل مباشر مساهمة البيانات بنتائج تنفيذ النموذج ، ويعزز مساهمة القيمة الإجمالية. العشب: تجمع شبكة بيانات الذكاء الاصطناعي بيانات سلوك تصفح المستخدم من خلال المكونات الإضافية ، وتساهم في تدريب محرك البحث على السلسلة ، وتكافئ المستخدمين وفقا لجودة البيانات ، مما يؤدي إلى إنشاء آلية مشاركة بيانات مدفوعة بالمجتمع. نموذج الصندوق الأسود ، لا يمكن التحقق من استدلال الذكاء الاصطناعي عملية الاستدلال لنماذج الذكاء الاصطناعي السائدة الحالية هي صندوق أسود للغاية ، ولا يمكن للمستخدمين التحقق من صحة ومصداقية النتائج ، خاصة في المجالات عالية الخطورة مثل التمويل والرعاية الطبية. بالإضافة إلى ذلك ، قد تتعرض النماذج للتلاعب والتسمم والهجمات الأخرى ، مما يجعل من الصعب تتبعها أو تدقيقها. تحقيقا لهذه الغاية ، يحاول مشروع Web3 تقديم دليل على المعرفة الصفرية (ZK) ، والتشفير المتماثل بالكامل (FHE) ، وبيئة التنفيذ الموثوق بها (TEE) لجعل عملية استدلال النموذج قابلة للتحقق والتدقيق ، وتحسين قابلية التفسير وأساس الثقة لأنظمة الذكاء الاصطناعي. المشروع التمثيلي Sentient: تضمن تقنية بصمات الأصابع المبتكرة إمكانية تتبع سلوك المكالمة ، مما يحسن الشفافية والقدرة على استخدام النموذج ضد العبث. معامل المختبرات: استخدام تقنية ZK للتحقق من عملية استدلال النموذج بشكل مشفر وتحقيق التطبيع الجديد ل "الذكاء الاصطناعي الموثوق به". الجيزة: استخدام تشفير المعرفة الصفرية لحساب استدلال التعلم الآلي على السلسلة، وبالتالي تحسين الشفافية والثقة في نشر نموذج الذكاء الاصطناعي. مخاطر الخصوصية والأمان غالبا ما تتضمن عملية التدريب على الذكاء الاصطناعي كمية كبيرة من البيانات الحساسة ، وتواجه مخاطر مثل تسرب الخصوصية ، وإساءة استخدام النموذج أو الهجوم ، والافتقار إلى شفافية اتخاذ القرار. في الوقت نفسه ، يتم تحديد ملكية البيانات والنماذج بشكل غامض ، مما يزيد من تفاقم المخاطر الأمنية. مع ثبات blockchain وتقنية حوسبة التشفير (مثل ZK و FHE) وبيئة التنفيذ الموثوقة وغيرها من الوسائل ، يتم ضمان أمان وإمكانية التحكم في بيانات ونماذج نظام الذكاء الاصطناعي في العملية الكاملة للتدريب والتخزين والاتصال. شبكة فالا: توفر دعما لبيئة التنفيذ الموثوق بها (TEE) لتغليف الحوسبة الهامة في الأجهزة الآمنة لمنع تسرب البيانات وسرقة النموذج. ZAMA: ركز على تقنية التشفير المتماثل بالكامل (FHE) ، بحيث يمكن إجراء تدريب النموذج والاستدلال في حالة مشفرة ، مما يتيح "الحساب بدون نص واضح". شبكة العقل: قم ببناء نظام أساسي لامركزي لمشاركة بيانات الذكاء الاصطناعي والاستدلال يدعم حماية الخصوصية ، وتحقيق مشاركة أمان البيانات وحوسبة الخصوصية من خلال تقنية التشفير الأمامية (التشفير المتماثل ، إثبات المعرفة الصفرية ، إلخ). Vana: تطبيق لإنشاء هوية الذكاء الاصطناعي مصمم لإعادة ملكية المستخدمين والتحكم في بياناتهم ، مما يضمن خصوصيتها وأمانها. نموذج الذكاء الاصطناعي حقوق الطبع والنشر ونزاعات الملكية الفكرية يستخدم التدريب الحالي على نموذج الذكاء الاصطناعي مواد الإنترنت على نطاق واسع ، ولكن غالبا ما يؤدي الاستخدام غير المصرح به للمحتوى المحمي بحقوق الطبع والنشر إلى نزاعات قانونية متكررة. في الوقت نفسه ، فإن ملكية حقوق الطبع والنشر للمحتوى الذي تم إنشاؤه بواسطة الذكاء الاصطناعي غير واضحة ، ولا توجد آلية شفافة لتوزيع الحقوق والمصالح بين المبدعين الأصليين ومطوري النماذج والمستخدمين. وليس من غير المألوف أن يتم نسخ النماذج أو اختلاسها بشكل ضار، ومن الصعب حماية حقوق الملكية الفكرية. يخزن Web3 وقت إنشاء النموذج ومصدر بيانات التدريب ومعلومات المساهم وما إلى ذلك من خلال آلية تأكيد الحقوق على السلسلة ، ويستخدم أدوات مثل NFT والعقود الذكية لتحديد ملكية حقوق الطبع والنشر للنموذج أو المحتوى. بروتوكول القصة:...
شاهد النسخة الأصلية
المحتوى هو للمرجعية فقط، وليس دعوة أو عرضًا. لا يتم تقديم أي مشورة استثمارية أو ضريبية أو قانونية. للمزيد من الإفصاحات حول المخاطر، يُرجى الاطلاع على إخلاء المسؤولية.
هل الاستثمار في اتجاهات جديدة أم فقاعة؟ ما هي القيمة المتبقية في مجال الذكاء الاصطناعي وويب 3؟
هل سرد "الذكاء الاصطناعي + Web3" اندماج تقني حقيقي أم حزمة مفاهيمية أخرى؟ تستند هذه المقالة إلى مقال كتبه TinTinLand وبرعاية ومساهمة من قبل Foresight News. (ملخص: هل يمكن لمسار الذكاء الاصطناعي الهروب من وصمة العار من الضجيج؟) جرد ثلاثة مشاريع لوكيل الذكاء الاصطناعي التي تحتضن العملات المشفرة) (ملحق الخلفية: أخبار التدرج الرمادي: الربع الأول من عام 2025 هو الأكثر تفاؤلا بشأن هذه العملات المشفرة ال 20 الرئيسية ، مع التركيز على DeFi ووكلاء الذكاء الاصطناعي وبيئة Solana) في عام 2025 ، لا تزال الشعبية السردية "الذكاء الاصطناعي + Web3" بلا هوادة. وفقا لأحدث تقرير ل Grayscale ، صدر في مايو 2025 ، وصلت القيمة السوقية الإجمالية لمسار الذكاء الاصطناعي Crypto إلى 21 مليار دولار ، أي ما يقرب من خمسة أضعاف من 4.5 مليار دولار في الربع الأول من عام 2023. وراء هذه الموجة ، هل هناك تقارب حقيقي للتقنيات ، أم أنها تغليف مفهوم آخر؟ من منظور كلي ، كشف النظام البيئي التقليدي الذكاء الاصطناعي عن المزيد والمزيد من المشاكل الهيكلية: عتبة تدريب عالية ، وخصوصية بيانات غير مضمونة ، واحتكار كبير لقوة الحوسبة ، وعملية تفكير الصندوق الأسود ، وآلية الحوافز غير المتوازنة...... تتوافق نقاط الألم هذه بشكل كبير مع المزايا الأصلية ل Web3: اللامركزية ، وآلية السوق المفتوحة ، وإمكانية التحقق على السلسلة ، وسيادة بيانات المستخدم ، وما إلى ذلك. إن الجمع بين الذكاء الاصطناعي + Web3 ليس مجرد تراكب من كلمتين ساخنتين ، ولكنه تكامل تقني هيكلي. لنبدأ من نقاط الألم الأساسية التي تواجه الذكاء الاصطناعي ، ونقوم بتفكيك مشاريع Web3 التي تحل المشكلات بالفعل ، ونأخذك لترى قيمة واتجاه مسار الذكاء الاصطناعي للعملات المشفرة. عتبة الوصول إلى خدمة الذكاء الاصطناعي مرتفعة للغاية ومكلفة عادة ما تكون خدمات الذكاء الاصطناعي الحالية باهظة الثمن ويصعب الحصول على موارد التدريب ، وهي عالية للغاية بالنسبة للمؤسسات الصغيرة والمتوسطة الحجم والمطورين الأفراد. بالإضافة إلى ذلك ، غالبا ما تكون هذه الخدمات معقدة من الناحية الفنية وتتطلب خلفية مهنية للبدء. سوق خدمات الذكاء الاصطناعي شديد التركيز ، ويفتقر المستخدمون إلى خيارات متنوعة ، وتكاليف المكالمات غير شفافة ، ويصعب التنبؤ بالميزانيات ، وحتى يواجهون مشكلة احتكار قوة الحوسبة. يتمثل حل Web3 في كسر حواجز النظام الأساسي من خلال اللامركزية ، وبناء سوق GPU مفتوح وشبكة خدمة نموذجية ، ودعم الجدولة المرنة للموارد الخاملة ، وتحفيز المزيد من المشاركين على المساهمة بقوة الحوسبة والنماذج من خلال جدولة المهام على السلسلة والآليات الاقتصادية الشفافة ، وتقليل التكاليف الإجمالية وتحسين إمكانية الوصول إلى الخدمة. شبكة العرض: تركز على عرض وحدة معالجة الرسومات اللامركزية ، كما تدعم استدلال الذكاء الاصطناعي والتدريب ، وتعتمد نموذج "الدفع لكل استخدام" لمساعدة المطورين على الوصول إلى إنشاء الصور وخدمات الذكاء الاصطناعي بتكلفة منخفضة. Gensyn: قم ببناء شبكة تدريب لامركزية للتعلم العميق ، واستخدم آلية إثبات الحوسبة للتحقق من نتائج التدريب ، وتعزيز التدريب على الذكاء الاصطناعي من مركزية النظام الأساسي إلى التعاون المفتوح. شبكة Akash: منصة حوسبة سحابية لامركزية تعتمد على تقنية blockchain ، يمكن للمطورين استئجار موارد GPU عند الطلب لنشر وتنفيذ تطبيقات الذكاء الاصطناعي ، وهي "نسخة لامركزية من الحوسبة السحابية". مختبرات 0G: الذكاء الاصطناعي اللامركزي الطبقة 1 الأصلية ، مما يقلل بشكل كبير من تكلفة وتعقيد تنفيذ نماذج الذكاء الاصطناعي على السلسلة من خلال بنية فصل التخزين والحوسبة المبتكرة. عدم وجود حوافز للمساهمين في البيانات البيانات عالية الجودة هي الوقود الأساسي لنماذج الذكاء الاصطناعي ، ولكن في ظل النموذج التقليدي ، يكافح المساهمون في البيانات للحصول على مكافأة. إن الطبيعة المبهمة والمتكررة لمصادر البيانات وعدم وجود تعليقات حول كيفية استخدامها تجعل بيئة البيانات غير فعالة لفترة طويلة. يوفر Web3 حلا جديدا لإضفاء الطابع الرسمي: حلقة مغلقة واضحة من التعاون والحوافز بين المساهمين في البيانات ومطوري النماذج والمستخدمين من خلال توقيعات التشفير وتأكيد الحقوق على السلسلة والآليات الاقتصادية القابلة للتكوين. المشروع التمثيلي OpenLedger: اقترح بشكل مبتكر مفهوم "الذكاء الاصطناعي القابل للدفع" ، والذي يجمع بين مساهمة البيانات والنداء النموذجي والحوافز الاقتصادية لتعزيز تشكيل شبكة اقتصاد البيانات للتعاون في سلسلة الذكاء الاصطناعي. Bittensor: نظام حوافز كامل مع مكافآت TAO ، وآلية إجماع Yuma ، وحوافز دقة الشبكة الفرعية ، والتعاون المعرفي ، وما إلى ذلك كجوهر ، يربط بشكل مباشر مساهمة البيانات بنتائج تنفيذ النموذج ، ويعزز مساهمة القيمة الإجمالية. العشب: تجمع شبكة بيانات الذكاء الاصطناعي بيانات سلوك تصفح المستخدم من خلال المكونات الإضافية ، وتساهم في تدريب محرك البحث على السلسلة ، وتكافئ المستخدمين وفقا لجودة البيانات ، مما يؤدي إلى إنشاء آلية مشاركة بيانات مدفوعة بالمجتمع. نموذج الصندوق الأسود ، لا يمكن التحقق من استدلال الذكاء الاصطناعي عملية الاستدلال لنماذج الذكاء الاصطناعي السائدة الحالية هي صندوق أسود للغاية ، ولا يمكن للمستخدمين التحقق من صحة ومصداقية النتائج ، خاصة في المجالات عالية الخطورة مثل التمويل والرعاية الطبية. بالإضافة إلى ذلك ، قد تتعرض النماذج للتلاعب والتسمم والهجمات الأخرى ، مما يجعل من الصعب تتبعها أو تدقيقها. تحقيقا لهذه الغاية ، يحاول مشروع Web3 تقديم دليل على المعرفة الصفرية (ZK) ، والتشفير المتماثل بالكامل (FHE) ، وبيئة التنفيذ الموثوق بها (TEE) لجعل عملية استدلال النموذج قابلة للتحقق والتدقيق ، وتحسين قابلية التفسير وأساس الثقة لأنظمة الذكاء الاصطناعي. المشروع التمثيلي Sentient: تضمن تقنية بصمات الأصابع المبتكرة إمكانية تتبع سلوك المكالمة ، مما يحسن الشفافية والقدرة على استخدام النموذج ضد العبث. معامل المختبرات: استخدام تقنية ZK للتحقق من عملية استدلال النموذج بشكل مشفر وتحقيق التطبيع الجديد ل "الذكاء الاصطناعي الموثوق به". الجيزة: استخدام تشفير المعرفة الصفرية لحساب استدلال التعلم الآلي على السلسلة، وبالتالي تحسين الشفافية والثقة في نشر نموذج الذكاء الاصطناعي. مخاطر الخصوصية والأمان غالبا ما تتضمن عملية التدريب على الذكاء الاصطناعي كمية كبيرة من البيانات الحساسة ، وتواجه مخاطر مثل تسرب الخصوصية ، وإساءة استخدام النموذج أو الهجوم ، والافتقار إلى شفافية اتخاذ القرار. في الوقت نفسه ، يتم تحديد ملكية البيانات والنماذج بشكل غامض ، مما يزيد من تفاقم المخاطر الأمنية. مع ثبات blockchain وتقنية حوسبة التشفير (مثل ZK و FHE) وبيئة التنفيذ الموثوقة وغيرها من الوسائل ، يتم ضمان أمان وإمكانية التحكم في بيانات ونماذج نظام الذكاء الاصطناعي في العملية الكاملة للتدريب والتخزين والاتصال. شبكة فالا: توفر دعما لبيئة التنفيذ الموثوق بها (TEE) لتغليف الحوسبة الهامة في الأجهزة الآمنة لمنع تسرب البيانات وسرقة النموذج. ZAMA: ركز على تقنية التشفير المتماثل بالكامل (FHE) ، بحيث يمكن إجراء تدريب النموذج والاستدلال في حالة مشفرة ، مما يتيح "الحساب بدون نص واضح". شبكة العقل: قم ببناء نظام أساسي لامركزي لمشاركة بيانات الذكاء الاصطناعي والاستدلال يدعم حماية الخصوصية ، وتحقيق مشاركة أمان البيانات وحوسبة الخصوصية من خلال تقنية التشفير الأمامية (التشفير المتماثل ، إثبات المعرفة الصفرية ، إلخ). Vana: تطبيق لإنشاء هوية الذكاء الاصطناعي مصمم لإعادة ملكية المستخدمين والتحكم في بياناتهم ، مما يضمن خصوصيتها وأمانها. نموذج الذكاء الاصطناعي حقوق الطبع والنشر ونزاعات الملكية الفكرية يستخدم التدريب الحالي على نموذج الذكاء الاصطناعي مواد الإنترنت على نطاق واسع ، ولكن غالبا ما يؤدي الاستخدام غير المصرح به للمحتوى المحمي بحقوق الطبع والنشر إلى نزاعات قانونية متكررة. في الوقت نفسه ، فإن ملكية حقوق الطبع والنشر للمحتوى الذي تم إنشاؤه بواسطة الذكاء الاصطناعي غير واضحة ، ولا توجد آلية شفافة لتوزيع الحقوق والمصالح بين المبدعين الأصليين ومطوري النماذج والمستخدمين. وليس من غير المألوف أن يتم نسخ النماذج أو اختلاسها بشكل ضار، ومن الصعب حماية حقوق الملكية الفكرية. يخزن Web3 وقت إنشاء النموذج ومصدر بيانات التدريب ومعلومات المساهم وما إلى ذلك من خلال آلية تأكيد الحقوق على السلسلة ، ويستخدم أدوات مثل NFT والعقود الذكية لتحديد ملكية حقوق الطبع والنشر للنموذج أو المحتوى. بروتوكول القصة:...