دمج Web3 و AI: بناء البنية التحتية للإنترنت من الجيل التالي
تعتبر Web3 كنموذج جديد للإنترنت لامركزي ومفتوح وشفاف، لديها فرصة طبيعية للاندماج مع الذكاء الاصطناعي. في ظل الهيكل التقليدي المركزي، يتم التحكم الصارم في حسابات الذكاء الاصطناعي وموارد البيانات، مما يؤدي إلى تحديات متعددة مثل عنق الزجاجة في القدرة الحاسوبية، تسرب الخصوصية، وصندوق الأسود للخوارزميات. بينما تعتمد Web3 على التكنولوجيا الموزعة، يمكنها من خلال شبكة مشاركة القدرة الحاسوبية، سوق البيانات المفتوحة، والحوسبة الخاصة، أن تضخ طاقة جديدة في تطوير الذكاء الاصطناعي. في الوقت نفسه، يمكن أن يوفر الذكاء الاصطناعي الكثير من الإمكانات لـ Web3، مثل تحسين العقود الذكية، وخوارزميات مكافحة الغش، مما يساعد في بناء نظامها البيئي. إن استكشاف دمج Web3 والذكاء الاصطناعي يعد أمرًا حيويًا لبناء بنية تحتية للإنترنت من الجيل القادم، وإطلاق قيمة البيانات والقدرة الحاسوبية.
البيانات المدفوعة: الأساس المتين للذكاء الاصطناعي وWeb3
البيانات هي القوة الدافعة وراء تطوير الذكاء الاصطناعي، مثلما يكون الوقود للمحرك. تحتاج نماذج الذكاء الاصطناعي إلى استيعاب كميات هائلة من البيانات عالية الجودة، لكي تحصل على فهم عميق وقدرة قوية على الاستدلال. لا توفر البيانات فقط الأساس لتدريب نماذج التعلم الآلي، بل تحدد أيضًا دقة وموثوقية النموذج.
توجد عدة مشكلات رئيسية في نماذج الحصول على البيانات واستخدامها في الذكاء الاصطناعي المركزية التقليدية:
تكلفة الحصول على البيانات مرتفعة، مما يصعب على الشركات الصغيرة والمتوسطة تحملها
يتم احتكار موارد البيانات من قبل عمالقة التكنولوجيا، مما يؤدي إلى تشكيل جزر بيانات
تواجه خصوصية البيانات الشخصية خطر التسرب والإساءة
يمكن لـ Web3 حل نقاط الألم في النماذج التقليدية من خلال نموذج بيانات لامركزي جديد:
يمكن للمستخدمين بيع الشبكة غير المستخدمة لشركات الذكاء الاصطناعي، لجمع بيانات الشبكة بشكل لامركزي، وبعد التنظيف والتحويل، لتوفير بيانات حقيقية وعالية الجودة لتدريب نماذج الذكاء الاصطناعي.
اعتماد نموذج "label to earn" ، من خلال تحفيز العمال العالميين بالرموز للمشاركة في توضيح البيانات ، وجمع المعرفة المهنية من جميع أنحاء العالم ، وتعزيز قدرة تحليل البيانات.
توفر منصة تداول بيانات blockchain بيئة تداول شفافة ومفتوحة لطرفي العرض والطلب على البيانات، مما يعزز الابتكار ومشاركة البيانات.
ومع ذلك، تواجه عملية الحصول على البيانات من العالم الحقيقي بعض المشكلات، مثل تفاوت جودة البيانات، وصعوبة المعالجة، ونقص التنوع والتمثيل. قد تكون البيانات الاصطناعية نجم المستقبل في مجال بيانات Web3. استنادًا إلى تقنية الذكاء الاصطناعي التوليدي والمحاكاة، يمكن للبيانات الاصطناعية محاكاة خصائص البيانات الحقيقية، كإضافة فعالة للبيانات الحقيقية، مما يعزز كفاءة استخدام البيانات. في مجالات مثل القيادة الذاتية، وتداول الأسواق المالية، وتطوير الألعاب، أظهرت البيانات الاصطناعية بالفعل إمكاناتها التطبيقية الناضجة.
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، فقد جلب ذلك أيضًا تحديات: بعض البيانات الحساسة لا يمكن استغلالها بشكل كامل بسبب مخاطر الخصوصية، مما يحد بلا شك من إمكانيات نماذج الذكاء الاصطناعي وقدرتها على الاستدلال.
FHE هو التشفير المتماثل الكامل، الذي 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 للحوسبة الخاصة بالذكاء الاصطناعي، مما يسمح لقوة معالجة GPU بتنفيذ مهام تدريب النماذج والاستدلال في بيئة لا تلمس البيانات الأصلية. وهذا يوفر مزايا كبيرة لشركات الذكاء الاصطناعي. يمكنهم فتح خدمات واجهة برمجة التطبيقات بأمان مع حماية الأسرار التجارية.
يدعم FHEML معالجة البيانات والنماذج بشكل مشفر طوال دورة التعلم الآلي ، مما يضمن أمان المعلومات الحساسة ويمنع مخاطر تسرب البيانات. من خلال هذه الطريقة ، يعزز FHEML خصوصية البيانات ويوفر إطاراً حسابياً آمناً لتطبيقات الذكاء الاصطناعي.
FHEML هو مكمل لـ ZKML، حيث يثبت ZKML التنفيذ الصحيح للتعلم الآلي، بينما يركز FHEML على إجراء حسابات على البيانات المشفرة للحفاظ على خصوصية البيانات.
ثورة القوة الحاسوبية: الحوسبة الذكية في الشبكات اللامركزية
تتضاعف تعقيد الحسابات في أنظمة الذكاء الاصطناعي الحالية كل 3 أشهر، مما يؤدي إلى زيادة كبيرة في الطلب على القوة الحاسوبية، متجاوزة بكثير إمدادات الموارد الحاسوبية الحالية. على سبيل المثال، يتطلب تدريب نموذج لغة كبير قوة حاسوبية هائلة، تعادل 355 عامًا من وقت التدريب على جهاز واحد. هذه النقص في القوة الحاسوبية لا يقتصر فقط على تقييد تقدم تكنولوجيا الذكاء الاصطناعي، بل يجعل هذه النماذج المتقدمة بعيدة المنال بالنسبة لمعظم الباحثين والمطورين.
في الوقت نفسه، فإن معدل استخدام وحدات معالجة الرسومات العالمية أقل من 40%، بالإضافة إلى تباطؤ تحسين أداء المعالجات الدقيقة، ونقص الرقائق الناجم عن عوامل سلسلة التوريد والجغرافيا السياسية، كل ذلك جعل مشكلة إمدادات القوة الحاسوبية أكثر حدة. يجد العاملون في مجال الذكاء الاصطناعي أنفسهم في مأزق: إما شراء الأجهزة بأنفسهم، أو استئجار الموارد السحابية، وهم في حاجة ماسة إلى طريقة خدمة حاسوبية فعالة من حيث التكلفة وعند الطلب.
تعمل شبكة الحوسبة اللامركزية للذكاء الاصطناعي على تجميع موارد وحدات معالجة الرسوميات غير المستخدمة على مستوى العالم، مما يوفر سوقًا لحوسبة اقتصادية وسهلة الوصول لشركات الذكاء الاصطناعي. يمكن لمستخدمي الحوسبة نشر مهام حسابية على الشبكة، حيث تقوم العقود الذكية بتوزيع المهام على عقد المعدنين الذين يساهمون في الحوسبة، وينفذ المعدنون المهام ويقدمون النتائج، وبعد التحقق منها يحصلون على مكافآت نقاط. تساعد هذه الخطة في تحسين كفاءة استخدام الموارد وتساهم في حل مشكلة اختناق الحوسبة في مجالات مثل الذكاء الاصطناعي.
بالإضافة إلى الشبكات اللامركزية العامة للقوة الحاسوبية، هناك منصات تركز على تدريب الذكاء الاصطناعي، وشبكات حوسبة مخصصة تركز على استدلال الذكاء الاصطناعي.
توفر شبكة الحوسبة اللامركزية سوق حوسبة شفاف وعادل، يكسر الاحتكار، ويقلل من عوائق الدخول، ويزيد من كفاءة استخدام الحوسبة. في نظام بيئة الويب 3، ستلعب شبكة الحوسبة اللامركزية دورًا حاسمًا، مما يجذب المزيد من تطبيقات dapp الابتكارية للانضمام، لدفع تطوير وتطبيق تكنولوجيا الذكاء الاصطناعي معًا.
DePIN: تمكين Edge AI بواسطة Web3
تتيح تقنية Edge AI إجراء الحسابات عند مصدر إنتاج البيانات، مما يحقق زمن استجابة منخفض ومعالجة في الوقت الحقيقي، بينما تحمي 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، وDePIN من خلال معالجة البيانات محليًا يمكن أن يعزز حماية خصوصية المستخدم ويقلل من مخاطر تسرب البيانات؛ آلية الاقتصاد الرمزي الأصلية لـ Web3 يمكن أن تحفز عقد DePIN على توفير موارد الحوسبة، وبناء نظام بيئي مستدام.
تتطور DePIN حاليًا بسرعة في بيئة أحد سلاسل الكتل العامة عالية الأداء، لتصبح واحدة من المنصات العامة المفضلة لنشر المشاريع. يوفر ارتفاع TPS، وانخفاض رسوم المعاملات، والابتكارات التقنية لهذه السلسلة العامة دعمًا قويًا لمشاريع DePIN. حاليًا، تجاوزت القيمة السوقية لمشاريع DePIN على هذه السلسلة العامة 10 مليارات دولار، وقد حققت العديد من المشاريع المعروفة تقدمًا ملحوظًا.
IMO: إصدار نموذج جديد للذكاء الاصطناعي
تم اقتراح مفهوم IMO لأول مرة بواسطة بروتوكول معين، حيث يتم توكين نموذج الذكاء الاصطناعي.
في النمط التقليدي، بسبب غياب آلية مشاركة العوائد، بمجرد تطوير نموذج الذكاء الاصطناعي وإدخاله إلى السوق، غالباً ما يجد المطورون صعوبة في الحصول على عوائد مستدامة من الاستخدام اللاحق للنموذج، خصوصاً عندما يتم دمج النموذج في منتجات وخدمات أخرى، يصبح من الصعب على المبدعين الأصليين تتبع الاستخدام، ناهيك عن الحصول على عوائد منها. بالإضافة إلى ذلك، غالباً ما تفتقر أداء وفعالية نموذج الذكاء الاصطناعي إلى الشفافية، مما يجعل من الصعب على المستثمرين والمستخدمين المحتملين تقييم قيمته الحقيقية، مما يحد من اعتراف السوق بالنموذج وإمكاناته التجارية.
تقدم IMO طريقة جديدة تمامًا لدعم التمويل ومشاركة القيمة لنماذج الذكاء الاصطناعي مفتوحة المصدر، حيث يمكن للمستثمرين شراء رموز IMO ومشاركة الأرباح الناتجة عن النموذج لاحقًا. تستخدم بروتوكول معين معيارين ERC، مما يجمع بين تقنية oracle الذكاء الاصطناعي وOPML لضمان صحة نموذج الذكاء الاصطناعي وقدرة حاملي الرموز على مشاركة الأرباح.
نموذج IMO يعزز الشفافية والثقة، ويشجع التعاون مفتوح المصدر، ويتكيف مع اتجاهات سوق التشفير، ويدفع التنمية المستدامة لتقنيات الذكاء الاصطناعي. لا يزال IMO في مرحلة التجريب الأولية، ولكن مع زيادة قبول السوق وتوسع نطاق المشاركة، فإن ابتكاره وقيمته المحتملة تستحق التوقع.
وكيل الذكاء الاصطناعي: عصر جديد من تجربة التفاعل
يمكن لوكيل الذكاء الاصطناعي إدراك البيئة ، والتفكير بشكل مستقل ، واتخاذ إجراءات مناسبة لتحقيق الأهداف المحددة. بدعم من نماذج اللغة الكبيرة ، يمكن لوكيل الذكاء الاصطناعي أن يفهم اللغة الطبيعية ويخطط للقرارات وينفذ مهام معقدة. يمكن أن تعمل كأدوات افتراضية ، من خلال التفاعل مع المستخدمين لتعلم تفضيلاتهم وتقديم حلول مخصصة. حتى في غياب تعليمات واضحة ، يمكن لوكيل الذكاء الاصطناعي حل المشكلات بشكل مستقل ، وزيادة الكفاءة ، وخلق قيمة جديدة.
تقدم منصة مفتوحة الأصل لتطبيقات الذكاء الاصطناعي مجموعة شاملة وسهلة الاستخدام من أدوات الإبداع، تدعم المستخدمين في تكوين وظائف الروبوتات، والمظهر، والصوت، بالإضافة إلى الاتصال بمكتبات المعرفة الخارجية، وتهدف إلى إنشاء نظام بيئي لمحتوى الذكاء الاصطناعي عادل ومفتوح، باستخدام تقنيات الذكاء الاصطناعي التوليدية، لتمكين الأفراد من أن يصبحوا منشئين خارقين. قامت هذه المنصة بتدريب نموذج لغوي كبير متخصص، مما يجعل الأدوار التمثيلية أكثر إنسانية؛ يمكن لتقنية استنساخ الصوت تسريع التفاعل الشخصي للمنتجات الذكية، وتقليل تكلفة تركيب الصوت بنسبة 99٪، حيث يمكن تنفيذ استنساخ الصوت في دقيقة واحدة فقط. باستخدام وكلاء الذكاء الاصطناعي المخصصين من هذه المنصة، يمكن تطبيقها حاليًا في مجالات متعددة مثل الدردشة المرئية، وتعلم اللغات، وتوليد الصور.
في دمج Web3 مع الذكاء الاصطناعي، هناك حاليا المزيد من الاستكشاف على مستوى 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 النماذج اللغوية الكبيرة وغيرها من القضايا الرئيسية. مع التحسين التدريجي لهذه البنية التحتية، لدينا أسباب للاعتقاد بأن دمج Web3 مع الذكاء الاصطناعي سيؤدي إلى ظهور سلسلة من نماذج الأعمال والخدمات الابتكارية.
This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.
تسجيلات الإعجاب 16
أعجبني
16
4
مشاركة
تعليق
0/400
RunWithRugs
· منذ 13 س
ai炒作咯 等着 الحصول على التصفية吧
شاهد النسخة الأصليةرد0
CryptoHistoryClass
· منذ 13 س
*يتحقق من الرسوم البيانية التاريخية* همم، تعطيني أجواء حماس الويب1 إلى الويب2 حوالي عام 2005...
دمج Web3 و AI: خمسة مجالات رئيسية لبناء بنية تحتية للإنترنت من الجيل التالي
دمج Web3 و AI: بناء البنية التحتية للإنترنت من الجيل التالي
تعتبر Web3 كنموذج جديد للإنترنت لامركزي ومفتوح وشفاف، لديها فرصة طبيعية للاندماج مع الذكاء الاصطناعي. في ظل الهيكل التقليدي المركزي، يتم التحكم الصارم في حسابات الذكاء الاصطناعي وموارد البيانات، مما يؤدي إلى تحديات متعددة مثل عنق الزجاجة في القدرة الحاسوبية، تسرب الخصوصية، وصندوق الأسود للخوارزميات. بينما تعتمد Web3 على التكنولوجيا الموزعة، يمكنها من خلال شبكة مشاركة القدرة الحاسوبية، سوق البيانات المفتوحة، والحوسبة الخاصة، أن تضخ طاقة جديدة في تطوير الذكاء الاصطناعي. في الوقت نفسه، يمكن أن يوفر الذكاء الاصطناعي الكثير من الإمكانات لـ Web3، مثل تحسين العقود الذكية، وخوارزميات مكافحة الغش، مما يساعد في بناء نظامها البيئي. إن استكشاف دمج Web3 والذكاء الاصطناعي يعد أمرًا حيويًا لبناء بنية تحتية للإنترنت من الجيل القادم، وإطلاق قيمة البيانات والقدرة الحاسوبية.
البيانات المدفوعة: الأساس المتين للذكاء الاصطناعي وWeb3
البيانات هي القوة الدافعة وراء تطوير الذكاء الاصطناعي، مثلما يكون الوقود للمحرك. تحتاج نماذج الذكاء الاصطناعي إلى استيعاب كميات هائلة من البيانات عالية الجودة، لكي تحصل على فهم عميق وقدرة قوية على الاستدلال. لا توفر البيانات فقط الأساس لتدريب نماذج التعلم الآلي، بل تحدد أيضًا دقة وموثوقية النموذج.
توجد عدة مشكلات رئيسية في نماذج الحصول على البيانات واستخدامها في الذكاء الاصطناعي المركزية التقليدية:
يمكن لـ Web3 حل نقاط الألم في النماذج التقليدية من خلال نموذج بيانات لامركزي جديد:
ومع ذلك، تواجه عملية الحصول على البيانات من العالم الحقيقي بعض المشكلات، مثل تفاوت جودة البيانات، وصعوبة المعالجة، ونقص التنوع والتمثيل. قد تكون البيانات الاصطناعية نجم المستقبل في مجال بيانات Web3. استنادًا إلى تقنية الذكاء الاصطناعي التوليدي والمحاكاة، يمكن للبيانات الاصطناعية محاكاة خصائص البيانات الحقيقية، كإضافة فعالة للبيانات الحقيقية، مما يعزز كفاءة استخدام البيانات. في مجالات مثل القيادة الذاتية، وتداول الأسواق المالية، وتطوير الألعاب، أظهرت البيانات الاصطناعية بالفعل إمكاناتها التطبيقية الناضجة.
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، فقد جلب ذلك أيضًا تحديات: بعض البيانات الحساسة لا يمكن استغلالها بشكل كامل بسبب مخاطر الخصوصية، مما يحد بلا شك من إمكانيات نماذج الذكاء الاصطناعي وقدرتها على الاستدلال.
FHE هو التشفير المتماثل الكامل، الذي 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 للحوسبة الخاصة بالذكاء الاصطناعي، مما يسمح لقوة معالجة GPU بتنفيذ مهام تدريب النماذج والاستدلال في بيئة لا تلمس البيانات الأصلية. وهذا يوفر مزايا كبيرة لشركات الذكاء الاصطناعي. يمكنهم فتح خدمات واجهة برمجة التطبيقات بأمان مع حماية الأسرار التجارية.
يدعم FHEML معالجة البيانات والنماذج بشكل مشفر طوال دورة التعلم الآلي ، مما يضمن أمان المعلومات الحساسة ويمنع مخاطر تسرب البيانات. من خلال هذه الطريقة ، يعزز FHEML خصوصية البيانات ويوفر إطاراً حسابياً آمناً لتطبيقات الذكاء الاصطناعي.
FHEML هو مكمل لـ ZKML، حيث يثبت ZKML التنفيذ الصحيح للتعلم الآلي، بينما يركز FHEML على إجراء حسابات على البيانات المشفرة للحفاظ على خصوصية البيانات.
ثورة القوة الحاسوبية: الحوسبة الذكية في الشبكات اللامركزية
تتضاعف تعقيد الحسابات في أنظمة الذكاء الاصطناعي الحالية كل 3 أشهر، مما يؤدي إلى زيادة كبيرة في الطلب على القوة الحاسوبية، متجاوزة بكثير إمدادات الموارد الحاسوبية الحالية. على سبيل المثال، يتطلب تدريب نموذج لغة كبير قوة حاسوبية هائلة، تعادل 355 عامًا من وقت التدريب على جهاز واحد. هذه النقص في القوة الحاسوبية لا يقتصر فقط على تقييد تقدم تكنولوجيا الذكاء الاصطناعي، بل يجعل هذه النماذج المتقدمة بعيدة المنال بالنسبة لمعظم الباحثين والمطورين.
في الوقت نفسه، فإن معدل استخدام وحدات معالجة الرسومات العالمية أقل من 40%، بالإضافة إلى تباطؤ تحسين أداء المعالجات الدقيقة، ونقص الرقائق الناجم عن عوامل سلسلة التوريد والجغرافيا السياسية، كل ذلك جعل مشكلة إمدادات القوة الحاسوبية أكثر حدة. يجد العاملون في مجال الذكاء الاصطناعي أنفسهم في مأزق: إما شراء الأجهزة بأنفسهم، أو استئجار الموارد السحابية، وهم في حاجة ماسة إلى طريقة خدمة حاسوبية فعالة من حيث التكلفة وعند الطلب.
تعمل شبكة الحوسبة اللامركزية للذكاء الاصطناعي على تجميع موارد وحدات معالجة الرسوميات غير المستخدمة على مستوى العالم، مما يوفر سوقًا لحوسبة اقتصادية وسهلة الوصول لشركات الذكاء الاصطناعي. يمكن لمستخدمي الحوسبة نشر مهام حسابية على الشبكة، حيث تقوم العقود الذكية بتوزيع المهام على عقد المعدنين الذين يساهمون في الحوسبة، وينفذ المعدنون المهام ويقدمون النتائج، وبعد التحقق منها يحصلون على مكافآت نقاط. تساعد هذه الخطة في تحسين كفاءة استخدام الموارد وتساهم في حل مشكلة اختناق الحوسبة في مجالات مثل الذكاء الاصطناعي.
بالإضافة إلى الشبكات اللامركزية العامة للقوة الحاسوبية، هناك منصات تركز على تدريب الذكاء الاصطناعي، وشبكات حوسبة مخصصة تركز على استدلال الذكاء الاصطناعي.
توفر شبكة الحوسبة اللامركزية سوق حوسبة شفاف وعادل، يكسر الاحتكار، ويقلل من عوائق الدخول، ويزيد من كفاءة استخدام الحوسبة. في نظام بيئة الويب 3، ستلعب شبكة الحوسبة اللامركزية دورًا حاسمًا، مما يجذب المزيد من تطبيقات dapp الابتكارية للانضمام، لدفع تطوير وتطبيق تكنولوجيا الذكاء الاصطناعي معًا.
DePIN: تمكين Edge AI بواسطة Web3
تتيح تقنية Edge AI إجراء الحسابات عند مصدر إنتاج البيانات، مما يحقق زمن استجابة منخفض ومعالجة في الوقت الحقيقي، بينما تحمي 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، وDePIN من خلال معالجة البيانات محليًا يمكن أن يعزز حماية خصوصية المستخدم ويقلل من مخاطر تسرب البيانات؛ آلية الاقتصاد الرمزي الأصلية لـ Web3 يمكن أن تحفز عقد DePIN على توفير موارد الحوسبة، وبناء نظام بيئي مستدام.
تتطور DePIN حاليًا بسرعة في بيئة أحد سلاسل الكتل العامة عالية الأداء، لتصبح واحدة من المنصات العامة المفضلة لنشر المشاريع. يوفر ارتفاع TPS، وانخفاض رسوم المعاملات، والابتكارات التقنية لهذه السلسلة العامة دعمًا قويًا لمشاريع DePIN. حاليًا، تجاوزت القيمة السوقية لمشاريع DePIN على هذه السلسلة العامة 10 مليارات دولار، وقد حققت العديد من المشاريع المعروفة تقدمًا ملحوظًا.
IMO: إصدار نموذج جديد للذكاء الاصطناعي
تم اقتراح مفهوم IMO لأول مرة بواسطة بروتوكول معين، حيث يتم توكين نموذج الذكاء الاصطناعي.
في النمط التقليدي، بسبب غياب آلية مشاركة العوائد، بمجرد تطوير نموذج الذكاء الاصطناعي وإدخاله إلى السوق، غالباً ما يجد المطورون صعوبة في الحصول على عوائد مستدامة من الاستخدام اللاحق للنموذج، خصوصاً عندما يتم دمج النموذج في منتجات وخدمات أخرى، يصبح من الصعب على المبدعين الأصليين تتبع الاستخدام، ناهيك عن الحصول على عوائد منها. بالإضافة إلى ذلك، غالباً ما تفتقر أداء وفعالية نموذج الذكاء الاصطناعي إلى الشفافية، مما يجعل من الصعب على المستثمرين والمستخدمين المحتملين تقييم قيمته الحقيقية، مما يحد من اعتراف السوق بالنموذج وإمكاناته التجارية.
تقدم IMO طريقة جديدة تمامًا لدعم التمويل ومشاركة القيمة لنماذج الذكاء الاصطناعي مفتوحة المصدر، حيث يمكن للمستثمرين شراء رموز IMO ومشاركة الأرباح الناتجة عن النموذج لاحقًا. تستخدم بروتوكول معين معيارين ERC، مما يجمع بين تقنية oracle الذكاء الاصطناعي وOPML لضمان صحة نموذج الذكاء الاصطناعي وقدرة حاملي الرموز على مشاركة الأرباح.
نموذج IMO يعزز الشفافية والثقة، ويشجع التعاون مفتوح المصدر، ويتكيف مع اتجاهات سوق التشفير، ويدفع التنمية المستدامة لتقنيات الذكاء الاصطناعي. لا يزال IMO في مرحلة التجريب الأولية، ولكن مع زيادة قبول السوق وتوسع نطاق المشاركة، فإن ابتكاره وقيمته المحتملة تستحق التوقع.
وكيل الذكاء الاصطناعي: عصر جديد من تجربة التفاعل
يمكن لوكيل الذكاء الاصطناعي إدراك البيئة ، والتفكير بشكل مستقل ، واتخاذ إجراءات مناسبة لتحقيق الأهداف المحددة. بدعم من نماذج اللغة الكبيرة ، يمكن لوكيل الذكاء الاصطناعي أن يفهم اللغة الطبيعية ويخطط للقرارات وينفذ مهام معقدة. يمكن أن تعمل كأدوات افتراضية ، من خلال التفاعل مع المستخدمين لتعلم تفضيلاتهم وتقديم حلول مخصصة. حتى في غياب تعليمات واضحة ، يمكن لوكيل الذكاء الاصطناعي حل المشكلات بشكل مستقل ، وزيادة الكفاءة ، وخلق قيمة جديدة.
تقدم منصة مفتوحة الأصل لتطبيقات الذكاء الاصطناعي مجموعة شاملة وسهلة الاستخدام من أدوات الإبداع، تدعم المستخدمين في تكوين وظائف الروبوتات، والمظهر، والصوت، بالإضافة إلى الاتصال بمكتبات المعرفة الخارجية، وتهدف إلى إنشاء نظام بيئي لمحتوى الذكاء الاصطناعي عادل ومفتوح، باستخدام تقنيات الذكاء الاصطناعي التوليدية، لتمكين الأفراد من أن يصبحوا منشئين خارقين. قامت هذه المنصة بتدريب نموذج لغوي كبير متخصص، مما يجعل الأدوار التمثيلية أكثر إنسانية؛ يمكن لتقنية استنساخ الصوت تسريع التفاعل الشخصي للمنتجات الذكية، وتقليل تكلفة تركيب الصوت بنسبة 99٪، حيث يمكن تنفيذ استنساخ الصوت في دقيقة واحدة فقط. باستخدام وكلاء الذكاء الاصطناعي المخصصين من هذه المنصة، يمكن تطبيقها حاليًا في مجالات متعددة مثل الدردشة المرئية، وتعلم اللغات، وتوليد الصور.
في دمج Web3 مع الذكاء الاصطناعي، هناك حاليا المزيد من الاستكشاف على مستوى 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 النماذج اللغوية الكبيرة وغيرها من القضايا الرئيسية. مع التحسين التدريجي لهذه البنية التحتية، لدينا أسباب للاعتقاد بأن دمج Web3 مع الذكاء الاصطناعي سيؤدي إلى ظهور سلسلة من نماذج الأعمال والخدمات الابتكارية.