تعتبر مشاريع Web3 التي تعتمد على مفهوم الذكاء الاصطناعي أهدافًا لجذب الأموال في الأسواق الأولية والثانوية.
تتمثل الفرص في صناعة الذكاء الاصطناعي في Web3 في: استخدام الحوافز الموزعة لتنسيق العرض المحتمل في ذيل التوزيع الطويل - عبر البيانات والتخزين والحوسبة؛ وفي الوقت نفسه، إنشاء نموذج مفتوح المصدر وسوق لامركزي لوكلاء الذكاء الاصطناعي.
تتمثل المجالات الرئيسية لاستخدام الذكاء الاصطناعي في صناعة Web3 في التمويل على السلسلة (الدفع المشفر، التداول، تحليل البيانات) وكذلك المساعدة في التطوير.
تظهر فائدة AI + Web3 في التكامل بين الاثنين: من المتوقع أن تتصدى Web3 للمركزية في AI، ومن المتوقع أن تساعد AI Web3 في كسر الحدود.
مقدمة
على مدى العامين الماضيين، تطور الذكاء الاصطناعي وكأنه تم الضغط على زر التسريع، حيث أن جناح الفراشة الذي أثارته Chatgpt لم يفتح فقط عالماً جديداً من الذكاء الاصطناعي التوليدي، بل أثار أيضاً تياراً في Web3 على الضفة الأخرى.
بفضل مفهوم الذكاء الاصطناعي، يبدو أن هناك انتعاشاً واضحاً في تمويل سوق العملات المشفرة المتباطئ. ووفقًا للإحصاءات الإعلامية، فقد أتم 64 مشروعًا من مشاريع Web3+AI تمويلهم في النصف الأول من عام 2024، حيث حقق نظام التشغيل المعتمد على الذكاء الاصطناعي Zyber365 أعلى مبلغ تمويل في الجولة A وهو 100 مليون دولار.
السوق الثانوية أكثر ازدهارًا، وتظهر بيانات موقع Coingecko المعني بتجميع العملات المشفرة أنه في أقل من عام، وصلت القيمة السوقية الإجمالية لقطاع الذكاء الاصطناعي إلى 48.5 مليار دولار، وحجم التداول خلال 24 ساعة اقترب من 8.6 مليار دولار؛ الفوائد الناتجة عن التقدم الواضح في تقنيات الذكاء الاصطناعي ظاهرة، بعد إصدار نموذج Sora لتحويل النص إلى فيديو من OpenAI، ارتفع متوسط سعر قطاع الذكاء الاصطناعي بنسبة 151٪؛ تأثير الذكاء الاصطناعي أيضًا يمتد إلى أحد القطاعات الجاذبة للعملات المشفرة، الميم: العملة المشفرة MemeCoin التي تحمل مفهوم وكيل الذكاء الاصطناعي - GOAT حققت شهرة سريعة وجذبت تقييمًا بقيمة 1.4 مليار دولار، مما أدى إلى إثارة حماس الميمات المتعلقة بالذكاء الاصطناعي.
أصبحت الأبحاث والمواضيع المتعلقة بـ AI+Web3 مشتعلة بنفس القدر، من AI+Depin إلى AI Memecoin ثم إلى AI Agent و AI DAO الحالية، لم يعد شعور الخوف من فقدان الفرصة يتماشى مع سرعة تدوير السرد الجديد.
AI+Web3، هذا التركيب اللغوي المليء بالمال الساخن، والفُرص، وأحلام المستقبل، من الصعب تجنبه أن يُنظر إليه على أنه زواج مُرتب من قبل رأس المال، يبدو أننا نكاد نعجز عن تمييز ما تحت هذه العباءة الفاخرة، هل هو ساحة المضاربين، أم هو ليلة الانفجار في الفجر؟
للإجابة على هذا السؤال، فإن تفكيرًا مهمًا لكلا الطرفين هو: هل سيكون الأمر أفضل بوجود الآخر؟ هل يمكن الاستفادة من نمط الآخر؟ في هذه المقالة، نحاول أيضًا أن ننظر إلى هذا الإطار من خلال الاستفادة من جهود السابقين: كيف يمكن لـ Web3 أن تلعب دورًا في مختلف مراحل تقنية AI، وما الجديد الذي يمكن أن تقدمه AI لـ Web3؟
ما هي الفرص التي توفرها Web3 تحت حزمة الذكاء الاصطناعي؟
قبل الخوض في هذا الموضوع، نحتاج إلى فهم كومة التكنولوجيا للنماذج الكبيرة للذكاء الاصطناعي:
مصدر الصورة: دلفي ديجيتال
استخدم لغة أكثر بساطة لوصف العملية بأكملها: "النموذج الكبير" يشبه دماغ الإنسان، في المراحل المبكرة، ينتمي هذا الدماغ إلى رضيع حديث الولادة، يحتاج إلى مراقبة واستيعاب كميات هائلة من المعلومات من العالم من حوله لفهم هذا العالم، وهذه هي مرحلة "جمع البيانات"؛ نظرًا لعدم امتلاك الكمبيوتر لحواس بشرية مثل الرؤية والسمع، يجب تحويل المعلومات الضخمة غير المعلَمة من العالم الخارجي إلى تنسيق معلومات يمكن أن يفهمه الكمبيوتر ويستخدمه من خلال "المعالجة المسبقة" قبل التدريب.
بعد إدخال البيانات، يقوم الذكاء الاصطناعي ببناء نموذج يمتلك القدرة على الفهم والتنبؤ من خلال "التدريب"، ويمكن اعتباره عملية فهم وتعلم الطفل للعالم الخارجي تدريجياً. معلمات النموذج تشبه القدرة اللغوية للطفل التي تتعدل باستمرار خلال عملية التعلم. عندما يبدأ المحتوى التعليمي في التخصص، أو عندما يتواصل مع الآخرين ويستقبل ملاحظات لتصحيح ما تعلمه، يدخل في مرحلة "الضبط الدقيق" للنموذج الكبير.
بعد أن ينمو الأطفال ويتعلموا الكلام، يمكنهم فهم المعاني والتعبير عن مشاعرهم وأفكارهم في محادثات جديدة. هذه المرحلة تشبه "الاستدلال" في نماذج الذكاء الاصطناعي الكبيرة، حيث يمكن للنموذج التنبؤ وتحليل المدخلات اللغوية والنصية الجديدة. يعبر الأطفال عن مشاعرهم، ويصفون الأشياء، ويحلّون مشكلات متنوعة من خلال قدرتهم على اللغة، وهذا يشبه أيضًا كيفية تطبيق نماذج الذكاء الاصطناعي الكبيرة في مرحلة الاستدلال بعد الانتهاء من التدريب واستخدامها في مجموعة متنوعة من المهام المحددة، مثل تصنيف الصور، والتعرف على الصوت.
ووكيل الذكاء الاصطناعي يقترب أكثر من الشكل التالي للنموذج الكبير - القدرة على تنفيذ المهام بشكل مستقل والسعي لتحقيق أهداف معقدة، ليس فقط يمتلك القدرة على التفكير، بل يمكنه أيضًا التذكر والتخطيط، وقادر على استخدام الأدوات والتفاعل مع العالم.
حالياً، وبالنظر إلى نقاط الألم المتعلقة بالذكاء الاصطناعي عبر مختلف الطبقات، فقد شكلت Web3 حالياً نظاماً بيئياً متعدد المستويات ومترابطاً، يشمل جميع مراحل عملية نموذج الذكاء الاصطناعي.
الطبقة الأساسية: Airbnb للقوة الحاسوبية والبيانات
قوة الحساب
في الوقت الحالي، واحدة من أعلى التكاليف للذكاء الاصطناعي هي القدرة الحاسوبية والطاقة المطلوبة لتدريب النموذج ونموذج الاستنتاج.
مثال على ذلك هو أن LLAMA3 من Meta تحتاج إلى 16000 وحدة معالجة رسومات H100GPU من إنتاج NVIDIA (وهي وحدة معالجة رسومات رائدة مصممة لأحمال العمل في الذكاء الاصطناعي والحسابات عالية الأداء). يستغرق التدريب 30 يومًا. يتراوح سعر النسخة بسعة 80GB بين 30000 و40000 دولار، مما يتطلب استثمارًا في أجهزة الحوسبة يتراوح بين 400 إلى 700 مليون دولار (GPU + شرائح الشبكة)، بينما تتطلب عملية التدريب الشهرية استهلاك 1.6 مليار كيلووات ساعة، وتصل نفقات الطاقة الشهرية إلى ما يقرب من 20 مليون دولار.
بالنسبة لتخفيف ضغط قوة الذكاء الاصطناعي، يعد ذلك أيضًا من المجالات التي تداخلت فيها Web3 مع الذكاء الاصطناعي في وقت مبكر - DePin (شبكة البنية التحتية الفيزيائية اللامركزية). حاليًا، عرض موقع بيانات DePin Ninja أكثر من 1400 مشروع، ومن بين المشاريع الرائدة في مشاركة قوة GPU تشمل io.net، Aethir، Akash، Render Network، وغيرها.
المنطق الرئيسي هنا هو: يسمح النظام للأفراد أو الكيانات التي تمتلك موارد GPU غير المستخدمة بالمساهمة في قدرتهم الحاسوبية بطريقة لامركزية دون الحاجة إلى إذن، من خلال سوق عبر الإنترنت للمتسوقين والبائعين مشابهة لـ Uber أو Airbnb، مما يزيد من استخدام موارد GPU غير المستغلة بشكل كامل، وبالتالي يحصل المستخدمون النهائيون على موارد حوسبة فعالة بتكلفة أقل؛ وفي نفس الوقت، تضمن آلية الرهن أنه في حالة حدوث انتهاكات لآلية مراقبة الجودة أو انقطاع الشبكة، سيتم معاقبة مزودي الموارد وفقًا لذلك.
تتميز بما يلي:
تجميع موارد GPU غير المستخدمة: يتمثل الموردون الرئيسيون في مراكز البيانات المستقلة الصغيرة والمتوسطة من جهة ثالثة، وموارد القوة الزائدة لمشغلي مزارع التشفير، والأجهزة المستخدمة في التعدين التي تعتمد على آلية توافق الآراء PoS، مثل أجهزة تعدين FileCoin و ETH. حاليًا، هناك أيضًا مشاريع تهدف إلى بدء استخدام أجهزة ذات حواجز دخول أقل، مثل exolab التي تستخدم MacBook و iPhone و iPad لبناء شبكة قوة حوسبة لتشغيل استنتاج النماذج الكبيرة.
في مواجهة سوق الذيل الطويل لقوة حوسبة الذكاء الاصطناعي: أ. على الجانب الفني ، يعد سوق الحوسبة اللامركزية أكثر ملاءمة لخطوة الاستدلال. يعتمد التدريب بشكل أكبر على قوة معالجة البيانات التي توفرها وحدات معالجة الرسومات على نطاق الكتلة الكبيرة جدا ، في حين أن الاستدلال له أداء منخفض نسبيا لحوسبة GPU ، مثل تركيز Aethir على مهام العرض بزمن انتقال منخفض وتطبيقات استدلال الذكاء الاصطناعي. ب. "على جانب الطلب" ، لن يقوم متطلبو طاقة الحوسبة الصغيرة والمتوسطة الحجم بتدريب نماذجهم الكبيرة بمفردهم ، ولكنهم يختارون فقط تحسين وضبط عدد قليل من النماذج الكبيرة الرائدة ، وهذه السيناريوهات مناسبة بشكل طبيعي لموارد الحوسبة الخاملة الموزعة.
الملكية اللامركزية: تكمن الأهمية التقنية للبلوك تشين في أن مالكي الموارد يحتفظون دائمًا بالسيطرة على مواردهم، ويقومون بتعديلها بمرونة حسب الطلب، وفي نفس الوقت يحصلون على العوائد.
البيانات
البيانات هي أساس الذكاء الاصطناعي. إذا لم تكن هناك بيانات، فإن الحساب سيكون بلا فائدة مثل العشب الطافي، والعلاقة بين البيانات والنموذج تشبه المثل الشائع "القمامة تدخل، القمامة تخرج". كمية البيانات وجودة المدخلات تحدد جودة المخرجات النهائية للنموذج. بالنسبة لتدريب نماذج الذكاء الاصطناعي الحالية، تحدد البيانات قدرة النموذج على اللغة، وفهمه، وحتى قيمه، وتجسيده للإنسانية. حاليًا، تركز أزمة احتياجات بيانات الذكاء الاصطناعي بشكل رئيسي على أربعة جوانب:
الجوع للبيانات: يعتمد تدريب نماذج الذكاء الاصطناعي على كميات هائلة من إدخال البيانات. تُظهر البيانات العامة أن OpenAI تدربت على GPT-4 بكمية من المعلمات تصل إلى تريليونات.
جودة البيانات: مع دمج الذكاء الاصطناعي في مختلف الصناعات، فإن توقيت البيانات، وتنوع البيانات، واحترافية البيانات العمودية، وظهور مصادر البيانات الجديدة مثل استيعاب مشاعر وسائل التواصل الاجتماعي تضع متطلبات جديدة على جودتها.
قضايا الخصوصية والامتثال: تتزايد وعي البلدان والمؤسسات بأهمية مجموعات البيانات عالية الجودة وتقيد الزحف إلى مجموعات البيانات.
تكاليف معالجة البيانات مرتفعة: حجم البيانات كبير، وعملية المعالجة معقدة. تظهر البيانات العامة أن أكثر من 30% من تكاليف البحث والتطوير لشركات الذكاء الاصطناعي تُستخدم لجمع البيانات الأساسية ومعالجتها.
حالياً، تتجلى حلول الويب 3 في أربعة جوانب التالية:
جمع البيانات: البيانات الحقيقية التي يمكن الحصول عليها مجانًا من العالم الحقيقي تنفد بسرعة، وبدأت نفقات شركات الذكاء الاصطناعي في الزيادة عامًا بعد عام. لكن في الوقت نفسه، لم يتم إعادة استثمار هذه النفقات في المساهمين الحقيقيين في البيانات، حيث استمتعت المنصات بالكامل بقيمة الإبداع الناتجة عن البيانات، مثل Reddit التي حققت إيرادات تصل إلى 203 مليون دولار من خلال اتفاقيات ترخيص البيانات مع شركات الذكاء الاصطناعي.
تمكين المستخدمين الذين يساهمون حقًا من المشاركة في خلق القيمة الناتجة عن البيانات، وكذلك الحصول على بيانات أكثر خصوصية وقيمة للمستخدمين من خلال شبكة موزعة وآليات تحفيزية بطريقة منخفضة التكلفة، هو رؤية Web3.
مثل Grass هو طبقة بيانات وشبكة لامركزية، يمكن للمستخدمين من خلال تشغيل عقد Grass، المساهمة في عرض النطاق الترددي الفائض وتوجيه حركة المرور لالتقاط البيانات الحية من الإنترنت بأكمله، والحصول على مكافآت رمزية؛
تقدم Vana مفهوم فريد من نوعه وهو بركة سيولة البيانات (DLP)، حيث يمكن للمستخدمين رفع بياناتهم الخاصة (مثل سجلات التسوق، عادات التصفح، أنشطة وسائل التواصل الاجتماعي، إلخ) إلى DLP معين، واختيار ما إذا كانوا سيخولون هذه البيانات لاستخدامها من قبل طرف ثالث معين.
في PublicAI، يمكن للمستخدمين استخدام #AI 或#Web3 كتصنيف على X و@PublicAI لجمع البيانات.
معالجة البيانات: خلال عملية معالجة البيانات الخاصة بالذكاء الاصطناعي، يجب تنظيف البيانات التي تم جمعها وتحويلها إلى تنسيق قابل للاستخدام قبل تدريب النموذج، نظرًا لأن البيانات عادة ما تكون صاخبة وتتضمن أخطاء. تتضمن هذه العملية مهام متكررة مثل التوحيد، والتصفية، ومعالجة القيم المفقودة. هذه المرحلة هي واحدة من القليل من الخطوات اليدوية في صناعة الذكاء الاصطناعي، وقد نشأت منها مهنة مُعَلِّم البيانات. مع زيادة متطلبات جودة البيانات من النموذج، ارتفعت أيضًا عتبة الدخول لمهنة مُعَلِّم البيانات، وهذه المهمة مناسبة بشكل طبيعي لآلية التحفيز اللامركزية في Web3.
حالياً، تفكر Grass و OpenLayer في الانضمام إلى مرحلة التسمية البيانات هذه.
قدمت Synesis مفهوم "Train2earn"، والذي يركز على جودة البيانات، حيث يمكن للمستخدمين الحصول على مكافآت من خلال تقديم بيانات معلمة أو تعليقات أو أشكال أخرى من المدخلات.
مشروع تسمية البيانات Sapien يقوم بتحويل مهام التوسيم إلى لعبة، ويسمح للمستخدمين برهن النقاط لكسب المزيد من النقاط.
3، خصوصية البيانات والأمان: من الضروري توضيح أن خصوصية البيانات والأمان هما مفهومان مختلفان. تتعلق خصوصية البيانات بمعالجة البيانات الحساسة، بينما تحمي أمان البيانات المعلومات من الوصول غير المصرح به، والتدمير، والسرقة. وبالتالي، تتمثل مزايا تقنيات الخصوصية في Web3 والسيناريوهات التطبيقية المحتملة في جانبين: (1) تدريب البيانات الحساسة؛ (2) التعاون في البيانات: يمكن لعدة مالكين للبيانات المشاركة معًا في تدريب الذكاء الاصطناعي، دون الحاجة إلى مشاركة بياناتهم الأصلية.
تشمل تقنيات الخصوصية الشائعة حاليًا في Web3 ما يلي:
بيئة التنفيذ الموثوقة (TEE)، مثل بروتوكول سوبر؛
التشفير المتماثل بالكامل (FHE)، مثل BasedAI و Fhenix.io أو Inco Network؛
تكنولوجيا إثبات عدم المعرفة (zk)، مثل بروتوكول Reclaim الذي يستخدم تقنية zkTLS، تُنتج إثباتات عدم المعرفة لحركة HTTPS، مما يسمح للمستخدمين باستيراد الأنشطة وسمعة وبيانات الهوية من مواقع خارجية بشكل آمن دون الكشف عن معلومات حساسة.
ومع ذلك، لا يزال هذا المجال في مرحلة مبكرة، ولا يزال معظم المشاريع في مرحلة الاستكشاف، وأحد المعضلات الحالية هو ارتفاع تكاليف الحساب، ومن بعض الأمثلة:
إطار zkML EZKL يحتاج إلى حوالي 80 دقيقة لتوليد إثبات لنموذج 1M-nanoGPT.
وفقًا لبيانات Modulus Labs ، فإن تكلفة zkML أعلى بأكثر من 1000 مرة من الحسابات البحتة.
4، تخزين البيانات: بعد الحصول على البيانات، نحتاج أيضًا إلى مكان لتخزين البيانات على السلسلة، بالإضافة إلى LLM الذي تم توليده باستخدام هذه البيانات. مع كون توفر البيانات (DA) هو القضية الأساسية، كان معدل النقل قبل ترقية Danksharding في إيثريوم 0.08MB. في نفس الوقت، يتطلب تدريب نماذج الذكاء الاصطناعي واستنتاجها في الوقت الفعلي عادةً ما بين 50 إلى 100GB من معدل النقل للبيانات في الثانية. هذا الفارق في الحجم يجعل الحلول الحالية على السلسلة غير قادرة على مواجهة "تطبيقات الذكاء الاصطناعي المكثفة للموارد".
0g.AI هو المشروع الرائد في هذه الفئة. إنه حل تخزين مركزي مصمم لتلبية احتياجات الأداء العالي في الذكاء الاصطناعي، وتشمل ميزاته الرئيسية: الأداء العالي وقابلية التوسع، من خلال تقنيات التجزئة المتقدمة (Sharding) والترميز المعتمد على الحذف (Erasure Coding)، يدعم تحميل وتنزيل مجموعات بيانات كبيرة بسرعة، حيث تصل سرعة نقل البيانات إلى 5GB في الثانية.
ثانياً، البرمجيات الوسيطة: تدريب النموذج واستنتاجه
سوق النماذج المفتوحة المصدر اللامركزية
لم تختفِ أبدًا الجدل حول ما إذا كان نموذج الذكاء الاصطناعي مغلق المصدر أم مفتوح المصدر. المزايا التي يجلبها الابتكار الجماعي في المصادر المفتوحة لا يمكن مقارنتها بالنماذج المغلقة، ومع ذلك، في غياب نموذج ربحي، كيف يمكن للنماذج المفتوحة أن تعزز دافع المطورين؟ إنها وجهة نظر تستحق التفكير، حيث صرح لي يانغ هونغ، مؤسس بايدو، في أبريل من هذا العام، "سوف تتخلف النماذج المفتوحة بشكل متزايد."
وفي هذا السياق، تقدم Web3 إمكانية إنشاء سوق نماذج مفتوح المصدر لا مركزي، مما يعني توكين نماذج نفسها، والاحتفاظ بنسبة معينة من الرموز لفريق العمل، وتوجيه جزء من الإيرادات المستقبلية للنموذج إلى حاملي الرموز.
مثل بروتوكول Bittensor، يتم إنشاء سوق P2P للنماذج مفتوحة المصدر، يتكون من عشرات "الشبكات الفرعية"، حيث يتنافس مقدمو الموارد (الحوسبة، جمع البيانات / التخزين، مواهب التعلم الآلي) لتلبية أهداف مالكي الشبكات الفرعية المحددة، حيث يمكن للشبكات الفرعية التفاعل والتعلم من بعضها البعض، مما يؤدي إلى ذكاء أقوى. يتم توزيع المكافآت من خلال تصويت المجتمع، ويتم توزيعها بشكل أكبر داخل الشبكات الفرعية بناءً على أداء المنافسة.
أدخلت ORA مفهوم إصدار النموذج الأولي (IMO)، حيث يتم توكين نموذج الذكاء الاصطناعي، ويمكن شراء وبيع وتطوير نماذج الذكاء الاصطناعي من خلال شبكة لامركزية.
Sentient ، منصة AGI لامركزية تحفز الأشخاص كمساهمين على التعاون وبناء وتكرار وتوسيع نطاق نماذج الذكاء الاصطناعي ، ومكافأة المساهمين.
سبكترا Nova ، تركز على إنشاء وتطبيق نماذج الذكاء الاصطناعي وتعلم الآلة.
استدلال قابل للتحقق
فيما يتعلق بمشكلة "الصندوق الأسود" في عملية الاستدلال الخاصة بالذكاء الاصطناعي، فإن الحل القياسي في ويب 3 هو السماح لعدة مدققين بتكرار نفس العملية ومقارنة النتائج، ولكن بسبب نقص "شرائح Nvidia" المتقدمة الحالية، فإن التحدي الواضح الذي تواجهه هذه الممارسة هو ارتفاع تكلفة استدلال الذكاء الاصطناعي.
حل أكثر أملًا هو تنفيذ إثبات ZK "إثبات بدون معرفة، وهو بروتوكول تشفير حيث يمكن للجانب المثبت إثبات صحة بيان معين للجانب المصدق دون الكشف عن أي معلومات إضافية بخلاف أن البيان صحيح" لحساب استنتاجات الذكاء الاصطناعي خارج السلسلة، والتحقق من حسابات نموذج الذكاء الاصطناعي على السلسلة بدون إذن. يتطلب ذلك إثبات تشفيري على السلسلة أن الحسابات الخارجية قد اكتملت بشكل صحيح (مثل عدم العبث بمجموعة البيانات) مع ضمان سرية جميع البيانات.
تشمل المزايا الرئيسية:
قابلية التوسع: يمكن لإثباتات المعرفة الصفرية تأكيد عدد كبير من الحسابات خارج السلسلة بسرعة. حتى مع زيادة عدد المعاملات، يمكن لإثبات معرفة صفرية واحد التحقق من جميع المعاملات.
حماية الخصوصية: تظل تفاصيل البيانات ونماذج الذكاء الاصطناعي سرية، بينما يمكن للأطراف التحقق من أن البيانات والنماذج لم تتعرض للتلف.
لا حاجة للثقة: يمكنك التحقق من الحسابات دون الاعتماد على أي طرف مركزي.
التكامل مع Web2: من الناحية التعريفية، فإن Web2 هو تكامل خارج السلسلة، مما يعني أن الاستدلال القابل للتحقق يمكن أن يساعد في نقل مجموعات بياناته وحسابات الذكاء الاصطناعي إلى السلسلة. وهذا يساعد على زيادة معدل اعتماد Web3.
التقنيات القابلة للتحقق الحالية في Web3 المتعلقة بالاستدلال القابل للتحقق هي كما يلي:
zkML: جمع بين الإثباتات الصفرية المعرفة وتعلم الآلة لضمان خصوصية وسرية البيانات والنماذج، مما يسمح بالحسابات القابلة للتحقق دون الكشف عن بعض الخصائص الأساسية، مثل Modulus Labs التي أصدرت إثباتات ZK المبنية على ZKML لبناء الذكاء الاصطناعي، للتحقق بشكل فعال مما إذا كان مزودو الذكاء الاصطناعي قد قاموا بتلاعب خوارزميات التنفيذ بشكل صحيح على السلسلة، رغم أن العملاء حاليًا هم أساسًا تطبيقات DApp على السلسلة.
opML: من خلال الاستفادة من مبدأ الجمع المتفائل، يعمل على تحسين قابلية التوسع وكفاءة حسابات ML من خلال التحقق من الوقت الذي حدثت فيه النزاعات. في هذا النموذج، يحتاج الأمر فقط إلى التحقق من جزء صغير من النتائج التي يولدها "التحقق"، ولكن يتم تعيين تكلفة اقتصادية مرتفعة بما يكفي لزيادة تكلفة الغش بالنسبة للمحققين وبالتالي توفير الحسابات الزائدة.
TeeML: تنفيذ حسابات ML بأمان باستخدام بيئة تنفيذ موثوقة، لحماية البيانات والنماذج من التلاعب والوصول غير المصرح به.
ثالثاً، طبقة التطبيق: وكيل الذكاء الاصطناعي
تظهر تطورات الذكاء الاصطناعي الحالية بوضوح أن التركيز في التطوير قد انتقل من قدرات النماذج إلى تطوير وكلاء الذكاء الاصطناعي. شركات التكنولوجيا مثل OpenAI، وشركة Anthropic التي تملك نماذج الذكاء الاصطناعي الكبيرة، ومايكروسوفت تتجه جميعها نحو تطوير وكلاء الذكاء الاصطناعي، في محاولة لكسر الفترة الحالية من منصة التكنولوجيا لنماذج اللغة الكبيرة.
تعريف OpenAI لوكيل الذكاء الاصطناعي هو: نظام مدفوع بواسطة LLM كدماغ، يمتلك القدرة على الفهم الذاتي والإدراك والتخطيط والذاكرة واستخدام الأدوات، ويمكنه تنفيذ المهام المعقدة بشكل تلقائي. عندما يتحول الذكاء الاصطناعي من أداة تُستخدم إلى كائن يمكنه استخدام الأدوات، يصبح وكيل ذكاء اصطناعي. وهذا هو السبب في أن وكيل الذكاء الاصطناعي يمكن أن يصبح أفضل مساعد ذكي للبشر.
ما الذي يمكن أن تقدمه Web3 لوكالة؟
1، لامركزية
تتيح الخصائص اللامركزية لـ Web3 أنظمة الوكلاء أن تكون أكثر تفريقًا واستقلالية، من خلال إنشاء آليات تحفيز وعقوبات للمدخرين والمفوضين عبر آليات مثل PoS و DPoS، مما يمكن أن يعزز ديمقراطية أنظمة الوكلاء، وقد حاولت GaiaNet و Theoriq و HajimeAI ذلك.
2، التشغيل البارد
تطوير وتكرار وكيل الذكاء الاصطناعي غالبًا ما يتطلب دعمًا ماليًا كبيرًا، في حين أن Web3 يمكن أن يساعد مشاريع وكيل الذكاء الاصطناعي الواعدة في الحصول على تمويل مبكر وإطلاق بارد.
أطلقت Virtual Protocol منصة إنشاء وتوزيع الرموز AI Agent fun.virtuals، حيث يمكن لأي مستخدم نشر AI Agent بنقرة واحدة، وتحقيق توزيع عادل بنسبة 100% لرموز AI Agent.
قامت Spectral بتقديم فكرة منتج لدعم إصدار أصول الوكيل الذكي على السلسلة: من خلال IAO (العرض الأول للوكيل) لإصدار الرموز، يمكن لوكيل الذكاء الاصطناعي الحصول على تمويل مباشرة من المستثمرين، وفي الوقت نفسه يصبح عضوًا في حوكمة DAO، مما يوفر للمستثمرين فرصة المشاركة في تطوير المشروع ومشاركة العائدات المستقبلية.
كيف يعمل الذكاء الاصطناعي على تمكين Web3؟
إن تأثير الذكاء الاصطناعي على مشاريع Web3 واضح، حيث يستفيد تكنولوجيا blockchain من خلال تحسين العمليات على السلسلة (مثل تنفيذ العقود الذكية، تحسين السيولة، والقرارات المدفوعة بالذكاء الاصطناعي) وفي الوقت نفسه، يمكنه أيضًا تقديم رؤى أفضل تستند إلى البيانات، وزيادة الأمان على السلسلة، ووضع الأساس لتطبيقات جديدة قائمة على Web3.
أولاً، الذكاء الاصطناعي والتمويل على السلسلة
الذكاء الاصطناعي والاقتصاد المشفر
في 31 أغسطس، أعلن الرئيس التنفيذي لشركة Coinbase، برايان أرمسترونغ، عن تنفيذ أول صفقة تشفير بين الذكاء الاصطناعي والذكاء الاصطناعي على شبكة Base، وأشار إلى أن الوكيل الذكي يمكنه الآن إجراء معاملات بالدولار الأمريكي على Base مع البشر، التجار، أو الذكاء الاصطناعي الآخرين، وهذه المعاملات فورية، عالمية، ومجانية.
بجانب الدفع، قدم بروتوكول Virtuals أيضًا عرضًا أوليًا لكيفية قيام AI Agent بتنفيذ معاملات على السلسلة بشكل مستقل، مما أثار الاهتمام، مما يجعل AI Agent ككيان ذكي يمكنه إدراك البيئة واتخاذ القرارات وتنفيذ الإجراءات، يُعتبر مستقبل المالية على السلسلة، حاليًا، تتجلى السيناريوهات المحتملة لـ AI Agent في النقاط التالية:
جمع المعلومات والتوقعات: مساعدة المستثمرين في جمع إعلانات البورصة، المعلومات العامة للمشاريع، مشاعر الذعر، مخاطر الرأي العام، وغيرها من المعلومات، وتحليل وتقييم الأساسيات والأوضاع السوقية للأصول في الوقت الفعلي، والتنبؤ بالاتجاهات والمخاطر.
2، إدارة الأصول: تقديم الأهداف الاستثمارية المناسبة للمستخدمين، تحسين مجموعة الأصول، وتنفيذ الصفقات تلقائيًا.
3، تجربة مالية: تساعد المستثمرين على اختيار أسرع طرق التداول على السلسلة، وتلقائيًا عبر السلاسل، وضبط رسوم الغاز وغيرها من العمليات اليدوية، مما يقلل من عتبة تكلفة الأنشطة المالية على السلسلة.
تخيل هذا السيناريو، أنت تعطي AI Agent التعليمات التالية: "لدي 1000USDT، من فضلك ساعدني في العثور على المجموعة ذات العائد الأعلى، لا تتجاوز فترة القفل أسبوعًا"، سيقدم لك AI Agent الاقتراح التالي: "أوصي بالتوزيع الأولي بنسبة 50% في A، و20% في B، و20% في X، و10% في Y. سأقوم بمراقبة أسعار الفائدة ومتابعة تغيرات مستوى المخاطر، وسأقوم بإعادة التوازن عند الحاجة." بالإضافة إلى ذلك، فإن البحث عن مشاريع الإطلاق المحتملة، وكذلك مشاريع Memecoin التي تظهر علامات على المجتمعات الشعبية، هي أشياء قد يقوم بها AI Agent لاحقًا.
مصدر الصورة: Biconomy
حالياً، يقوم كل من محفظة AI Agent Bitte وبروتوكول التفاعل AI Wayfinder بمثل هذه المحاولات، حيث يحاولان الاتصال بواجهة برمجة تطبيقات نموذج OpenAI، مما يسمح للمستخدمين بالتفاعل مع واجهة محادثة مشابهة لـ ChatGPT، وإعطاء الأوامر للوكيل لإكمال مجموعة متنوعة من العمليات على السلسلة، مثل ما عرضته النسخة الأولية التي أطلقها WayFinder في أبريل من هذا العام على الشبكات الرئيسية الثلاث Base وPolygon وEthereum، والتي أظهرت أربع عمليات أساسية: التبادل، الإرسال، الجسر، والتخزين.
حالياً، تدعم منصة Morpheus اللامركزية لتطوير الوكلاء أيضاً هذا النوع من الوكلاء، كما عرضت Biconomy عملية لا تحتاج إلى تفويض كامل لحقوق المحفظة، حيث يمكن لوكيل الذكاء الاصطناعي تحويل ETH إلى USDC.
الذكاء الاصطناعي وأمان المعاملات على السلسلة
في عالم Web3، تعتبر أمان المعاملات على السلسلة أمرًا بالغ الأهمية. يمكن استخدام تقنيات الذكاء الاصطناعي لتعزيز أمان المعاملات على السلسلة وحماية الخصوصية، وتشمل السيناريوهات المحتملة ما يلي:
مراقبة التداول: مراقبة الأنشطة التجارية غير الطبيعية باستخدام تقنية البيانات في الوقت الفعلي، والبنية التحتية للتنبيهات في الوقت الفعلي للمستخدمين والمنصة.
تحليل المخاطر: مساعدة المنصة في تحليل بيانات سلوك تداول العملاء، وتقييم مستوى المخاطر لديهم.
على سبيل المثال، تستخدم منصة الأمان Web3 SeQure الذكاء الاصطناعي للكشف عن ومنع الهجمات الخبيثة، والاحتيال، وتسرب البيانات، وتوفر آلية مراقبة وتنبيهات في الوقت الحقيقي لضمان أمان واستقرار المعاملات على السلسلة. توجد أدوات أمان مماثلة مثل Sentinel المدعومة بالذكاء الاصطناعي.
ثانياً، الذكاء الاصطناعي والبنية التحتية على السلسلة
الذكاء الاصطناعي وبيانات السلسلة
تؤدي تقنية الذكاء الاصطناعي دورًا مهمًا في جمع البيانات وتحليلها على السلسلة، مثل:
تحليلات Web3: هي منصة تحليلية قائمة على الذكاء الاصطناعي، تستخدم خوارزميات التعلم الآلي وتنقيب البيانات لجمع ومعالجة وتحليل البيانات على السلسلة.
MinMax AI: يوفر أداة تحليل البيانات على السلسلة تعتمد على الذكاء الاصطناعي، لمساعدة المستخدمين على اكتشاف الفرص والاتجاهات المحتملة في السوق.
كايتو: منصة بحث Web3 قائمة على محرك بحث LLM.
اتبعين: تم دمج ChatGPT لجمع وتجميع المعلومات ذات الصلة الموزعة عبر مواقع الويب ومنصات المجتمع المختلفة.
تطبيق آخر هو أوراكل، حيث يمكن للذكاء الاصطناعي الحصول على الأسعار من عدة مصادر لتوفير بيانات تسعير دقيقة. على سبيل المثال، تستخدم Upshot الذكاء الاصطناعي للتعامل مع الأسعار المتقلبة لـ NFT، من خلال تقييمات تتجاوز المليار مرة في الساعة، مما يوفر سعر NFT بدقة نسبة خطأ تتراوح بين 3-10%.
الذكاء الاصطناعي والتطوير&التدقيق
مؤخراً، جذبت أداة تحرير الأكواد AI من الجيل الثاني Cursor انتباه العديد من المطورين، حيث يمكن لمستخدمي منصتها ببساطة وصف ما يريدون بلغة طبيعية، وستقوم Cursor تلقائيًا بإنشاء التعليمات البرمجية المناسبة من HTML وCSS وJavaScript، مما يبسط بشكل كبير عملية تطوير البرمجيات، ويطبق نفس المنطق أيضًا لتحسين كفاءة تطوير Web3.
في الوقت الحالي، يتطلب نشر العقود الذكية و DApp على السلسلة العامة عادةً اتباع لغات تطوير مخصصة مثل Solidity وRust وMove وغيرها. تهدف رؤية لغات التطوير الجديدة إلى توسيع مساحة تصميم blockchain اللامركزية، مما يجعلها أكثر ملاءمة لتطوير DApp، ولكن في ظل الفجوة الكبيرة في مطوري Web3، كانت تعليم المطورين دائمًا مشكلة أكثر إيلامًا.
في الوقت الحالي، يمكن تصور السيناريوهات التي تساعد فيها الذكاء الاصطناعي في تطوير Web3، بما في ذلك: توليد الشيفرة تلقائيًا، والتحقق من العقود الذكية واختبارها، ونشر وصيانة تطبيقات DApp، وإكمال الشيفرة الذكية، والإجابة على الأسئلة المتعلقة بالتطوير من خلال الحوار مع الذكاء الاصطناعي، وما إلى ذلك. من خلال مساعدة الذكاء الاصطناعي، لا يساعد ذلك فقط في تحسين كفاءة التطوير ودقته، بل يقلل أيضًا من عائق البرمجة، مما يسمح لغير المبرمجين بتحويل أفكارهم إلى تطبيقات عملية، مما يجلب حيوية جديدة لتطوير التقنيات اللامركزية.
حاليًا، ما يجذب الانتباه هو منصة الرموز التي يمكن تشغيلها بنقرة واحدة، مثل Clanker، وهو "روبوت رمزي" مدعوم بالذكاء الاصطناعي، مصمم خصيصًا لنشر الرموز بسرعة بتقنية DIY. ما عليك سوى وضع علامة على Clanker على بروتوكول SocialFi Farcaster في عميل مثل Warpcast أو Supercast، وإخبارها بفكرة الرمز الخاص بك، وستقوم بإطلاق الرمز على السلسلة العامة Base.
هناك أيضًا منصات تطوير العقود مثل Spectral التي تقدم وظيفة إنشاء ونشر العقود الذكية بنقرة واحدة، لتقليل حواجز تطوير Web3، حتى أن المستخدمين الجدد يمكنهم تجميع ونشر العقود الذكية.
في مجال التدقيق، استخدم منصة تدقيق Web3 Fuzzland الذكاء الاصطناعي لمساعدة المدققين في فحص الثغرات البرمجية، حيث يوفر تفسيرات بلغة طبيعية لدعم الخبرة المهنية في التدقيق. كما تستخدم Fuzzland الذكاء الاصطناعي لتقديم تفسيرات بلغة طبيعية للمواصفات الرسمية وكود العقود، بالإضافة إلى بعض أمثلة الكود، لمساعدة المطورين على فهم المشكلات المحتملة في الكود.
ثالثًا، السرد الجديد للذكاء الاصطناعي و Web3
أدى ظهور الذكاء الاصطناعي التوليدي إلى إمكانيات جديدة لرواية جديدة في Web3.
NFT: أضافت الذكاء الاصطناعي الإبداع إلى NFT التوليدية، حيث يمكن من خلال تقنية الذكاء الاصطناعي إنشاء مجموعة متنوعة وفريدة من الأعمال الفنية والشخصيات. يمكن أن تصبح هذه NFT التوليدية شخصيات أو عناصر أدوات أو عناصر مشهد في الألعاب أو العوالم الافتراضية أو الميتافيرس، مثل Bicasso التابعة لبينانس، حيث يمكن للمستخدمين رفع صورة وإدخال كلمات مفتاحية لإجراء عمليات حسابية بالذكاء الاصطناعي بعد ذلك لإنشاء NFT. هناك مشاريع مشابهة مثل Solvo و Nicho و IgmnAI و CharacterGPT.
GameFi: مع القدرة على إنشاء لغة طبيعية بالاعتماد على الذكاء الاصطناعي، وإنشاء الصور، والقدرات الذكية للشخصيات غير القابلة للعب، من المتوقع أن يعزز GameFi كفاءة وابتكار إنتاج محتوى الألعاب. مثل لعبة AI Hero الأولى من Binaryx، حيث يمكن للاعبين استكشاف خيارات قصة مختلفة عشوائيًا من خلال الذكاء الاصطناعي؛ وكذلك هناك لعبة الرفيق الافتراضي Sleepless AI، التي تعتمد على AIGC وLLM، حيث يمكن للاعبين فتح أساليب لعب شخصية من خلال تفاعلات مختلفة.
DAO: في الوقت الحالي، يتم تصور استخدام الذكاء الاصطناعي أيضًا في DAO، للمساعدة في تتبع تفاعلات المجتمع، وتسجيل المساهمات، ومكافأة الأعضاء الأكثر مساهمة، و代理 التصويت، وغيرها. كما يستخدم ai16z وكيل الذكاء الاصطناعي لجمع المعلومات السوقية على السلسلة وخارجها، وتحليل توافق المجتمع، ودمج اقتراحات أعضاء DAO في اتخاذ قرارات الاستثمار.
معنى دمج AI + Web3: الأبراج والساحات
في قلب مدينة فلورنسا الإيطالية، يقع أهم موقع للأنشطة السياسية المحلية ومكان تجمع المواطنين والسياح - الساحة المركزية، حيث ترتفع برج البلدية بارتفاع 95 مترًا، ويكمل التباين العمودي والأفقي بين البرج والساحة ببراعة، مما يخلق تأثيرًا جماليًا دراميًا. وقد استلهم أستاذ التاريخ في جامعة هارفارد نيل فيرغسون من ذلك، حيث ربط في كتابه "الساحات والأبراج" بين تاريخ العالم في الشبكات والهرمية، حيث يتصاعد وينخفض كلاهما في مجرى الزمن.
هذه الاستعارة الرائعة لا تبدو غريبة عند وضعها في سياق العلاقة بين الذكاء الاصطناعي و Web3 اليوم. من تاريخ العلاقة الطويلة وغير الخطية بين الاثنين، يمكننا أن نرى أن الساحات أكثر إبداعًا في إنتاج أشياء جديدة مقارنة بالأبراج، لكن الأبراج لا تزال تحتفظ بشرعيتها وقوتها الكبيرة.
بفضل القدرة العالية لشركات التكنولوجيا على تجميع بيانات قوة الطاقة، انفجرت الذكاء الاصطناعي بإبداع غير مسبوق، حيث استثمرت الشركات الكبرى أموالاً طائلة ودخلت السوق، من روبوتات الدردشة المختلفة إلى نماذج الأساس المتكررة مثل GPT-4 وGP4-4o، وكذلك ظهور روبوت البرمجة التلقائية (Devin) وسورا التي تمتلك قدرات أولية لمحاكاة العالم الفيزيائي الحقيقي، مما أدى إلى تضخيم خيال الذكاء الاصطناعي بشكل غير محدود.
في الوقت نفسه، تعتبر الذكاء الاصطناعي في جوهرها صناعة مركزية وموسعة، حيث تدفع هذه الثورة التكنولوجية الشركات التكنولوجية التي كانت قد استحوذت تدريجياً على الهيمنة الهيكلية خلال "عصر الإنترنت" إلى نقاط أعلى وأكثر ضيقاً. إذ تشكل الطاقة الضخمة، وتدفق النقد الاحتكاري، ومجموعات البيانات الضخمة اللازمة للسيطرة على عصر الذكاء، حواجز أعلى لها.
عندما تصبح الأبراج أعلى، يتقلص صانعو القرار في الخلفية بشكل متزايد، وقد جلبت المركزية في الذكاء الاصطناعي العديد من المخاطر، كيف يمكن للجماهير المتجمعة في الساحة تجنب ظلال الأبراج؟ هذه هي المشكلة التي يأمل Web3 في حلها.
من الناحية الجوهرية، تعزز الخصائص الفطرية للبلوك تشين أنظمة الذكاء الاصطناعي وتفتح آفاقًا جديدة، وأهمها:
عصر الذكاء الاصطناعي "القانون هو الشيفرة" - من خلال العقود الذكية والتحقق من التشفير لتحقيق أنظمة شفافة تنفذ القواعد تلقائيًا، وتسليم المكافآت إلى أولئك الأقرب إلى الهدف.
اقتصاد الرموز - إنشاء وتنسيق سلوك المشاركين من خلال آلية الرموز ، الرهان ، التخفيضات ، مكافآت الرموز وعقوبات.
الحوكمة اللامركزية - تدفعنا إلى التساؤل عن مصادر المعلومات، وتشجع على اتخاذ نهج أكثر نقدية وعمقًا تجاه تقنيات الذكاء الاصطناعي، لمنع التحيز، والمعلومات الخاطئة، والتلاعب، وفي النهاية تنمية مجتمع أكثر وعيًا وتمكينًا.
أدى تطور الذكاء الاصطناعي أيضًا إلى جلب حيوية جديدة لـ Web3، وربما يحتاج تأثير Web3 على الذكاء الاصطناعي إلى إثبات الزمن، ولكن تأثير الذكاء الاصطناعي على Web3 واضح وفوري: وهذا يتجلى سواء في جنون الميمات أو في المساعدة التي تقدمها الوكلاء الذكاء الاصطناعي لتقليل عوائق الاستخدام للتطبيقات على السلسلة.
عندما يتم تعريف Web3 على أنه مجموعة صغيرة من التهنئة الذاتية للناس وتقع في شكوك حول تكرار الصناعات التقليدية ، فإن إضافة الذكاء الاصطناعي جلبت لها مستقبلا منظورا: قاعدة مستخدمي Web2 أكثر استقرارا وأكبر ، ونماذج أعمال وخدمات أكثر ابتكارا.
نعيش في عالم يتعايش فيه "البرج والساحة"، ورغم أن الذكاء الاصطناعي و Web3 لديهما خطوط زمنية ونقاط انطلاق مختلفة، إلا أن الهدف النهائي لهما هو كيفية جعل الآلات تخدم البشر بشكل أفضل. لا يستطيع أحد تعريف نهر جارٍ، ونتطلع لرؤية مستقبل الذكاء الاصطناعي + Web3.
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.
AI + Web3: الأبراج والساحات
كتابة: Coinspire
TL. د:
تعتبر مشاريع Web3 التي تعتمد على مفهوم الذكاء الاصطناعي أهدافًا لجذب الأموال في الأسواق الأولية والثانوية.
تتمثل الفرص في صناعة الذكاء الاصطناعي في Web3 في: استخدام الحوافز الموزعة لتنسيق العرض المحتمل في ذيل التوزيع الطويل - عبر البيانات والتخزين والحوسبة؛ وفي الوقت نفسه، إنشاء نموذج مفتوح المصدر وسوق لامركزي لوكلاء الذكاء الاصطناعي.
تتمثل المجالات الرئيسية لاستخدام الذكاء الاصطناعي في صناعة Web3 في التمويل على السلسلة (الدفع المشفر، التداول، تحليل البيانات) وكذلك المساعدة في التطوير.
تظهر فائدة AI + Web3 في التكامل بين الاثنين: من المتوقع أن تتصدى Web3 للمركزية في AI، ومن المتوقع أن تساعد AI Web3 في كسر الحدود.
مقدمة
على مدى العامين الماضيين، تطور الذكاء الاصطناعي وكأنه تم الضغط على زر التسريع، حيث أن جناح الفراشة الذي أثارته Chatgpt لم يفتح فقط عالماً جديداً من الذكاء الاصطناعي التوليدي، بل أثار أيضاً تياراً في Web3 على الضفة الأخرى.
بفضل مفهوم الذكاء الاصطناعي، يبدو أن هناك انتعاشاً واضحاً في تمويل سوق العملات المشفرة المتباطئ. ووفقًا للإحصاءات الإعلامية، فقد أتم 64 مشروعًا من مشاريع Web3+AI تمويلهم في النصف الأول من عام 2024، حيث حقق نظام التشغيل المعتمد على الذكاء الاصطناعي Zyber365 أعلى مبلغ تمويل في الجولة A وهو 100 مليون دولار.
السوق الثانوية أكثر ازدهارًا، وتظهر بيانات موقع Coingecko المعني بتجميع العملات المشفرة أنه في أقل من عام، وصلت القيمة السوقية الإجمالية لقطاع الذكاء الاصطناعي إلى 48.5 مليار دولار، وحجم التداول خلال 24 ساعة اقترب من 8.6 مليار دولار؛ الفوائد الناتجة عن التقدم الواضح في تقنيات الذكاء الاصطناعي ظاهرة، بعد إصدار نموذج Sora لتحويل النص إلى فيديو من OpenAI، ارتفع متوسط سعر قطاع الذكاء الاصطناعي بنسبة 151٪؛ تأثير الذكاء الاصطناعي أيضًا يمتد إلى أحد القطاعات الجاذبة للعملات المشفرة، الميم: العملة المشفرة MemeCoin التي تحمل مفهوم وكيل الذكاء الاصطناعي - GOAT حققت شهرة سريعة وجذبت تقييمًا بقيمة 1.4 مليار دولار، مما أدى إلى إثارة حماس الميمات المتعلقة بالذكاء الاصطناعي.
أصبحت الأبحاث والمواضيع المتعلقة بـ AI+Web3 مشتعلة بنفس القدر، من AI+Depin إلى AI Memecoin ثم إلى AI Agent و AI DAO الحالية، لم يعد شعور الخوف من فقدان الفرصة يتماشى مع سرعة تدوير السرد الجديد.
AI+Web3، هذا التركيب اللغوي المليء بالمال الساخن، والفُرص، وأحلام المستقبل، من الصعب تجنبه أن يُنظر إليه على أنه زواج مُرتب من قبل رأس المال، يبدو أننا نكاد نعجز عن تمييز ما تحت هذه العباءة الفاخرة، هل هو ساحة المضاربين، أم هو ليلة الانفجار في الفجر؟
للإجابة على هذا السؤال، فإن تفكيرًا مهمًا لكلا الطرفين هو: هل سيكون الأمر أفضل بوجود الآخر؟ هل يمكن الاستفادة من نمط الآخر؟ في هذه المقالة، نحاول أيضًا أن ننظر إلى هذا الإطار من خلال الاستفادة من جهود السابقين: كيف يمكن لـ Web3 أن تلعب دورًا في مختلف مراحل تقنية AI، وما الجديد الذي يمكن أن تقدمه AI لـ Web3؟
ما هي الفرص التي توفرها Web3 تحت حزمة الذكاء الاصطناعي؟
قبل الخوض في هذا الموضوع، نحتاج إلى فهم كومة التكنولوجيا للنماذج الكبيرة للذكاء الاصطناعي:
مصدر الصورة: دلفي ديجيتال
استخدم لغة أكثر بساطة لوصف العملية بأكملها: "النموذج الكبير" يشبه دماغ الإنسان، في المراحل المبكرة، ينتمي هذا الدماغ إلى رضيع حديث الولادة، يحتاج إلى مراقبة واستيعاب كميات هائلة من المعلومات من العالم من حوله لفهم هذا العالم، وهذه هي مرحلة "جمع البيانات"؛ نظرًا لعدم امتلاك الكمبيوتر لحواس بشرية مثل الرؤية والسمع، يجب تحويل المعلومات الضخمة غير المعلَمة من العالم الخارجي إلى تنسيق معلومات يمكن أن يفهمه الكمبيوتر ويستخدمه من خلال "المعالجة المسبقة" قبل التدريب.
بعد إدخال البيانات، يقوم الذكاء الاصطناعي ببناء نموذج يمتلك القدرة على الفهم والتنبؤ من خلال "التدريب"، ويمكن اعتباره عملية فهم وتعلم الطفل للعالم الخارجي تدريجياً. معلمات النموذج تشبه القدرة اللغوية للطفل التي تتعدل باستمرار خلال عملية التعلم. عندما يبدأ المحتوى التعليمي في التخصص، أو عندما يتواصل مع الآخرين ويستقبل ملاحظات لتصحيح ما تعلمه، يدخل في مرحلة "الضبط الدقيق" للنموذج الكبير.
بعد أن ينمو الأطفال ويتعلموا الكلام، يمكنهم فهم المعاني والتعبير عن مشاعرهم وأفكارهم في محادثات جديدة. هذه المرحلة تشبه "الاستدلال" في نماذج الذكاء الاصطناعي الكبيرة، حيث يمكن للنموذج التنبؤ وتحليل المدخلات اللغوية والنصية الجديدة. يعبر الأطفال عن مشاعرهم، ويصفون الأشياء، ويحلّون مشكلات متنوعة من خلال قدرتهم على اللغة، وهذا يشبه أيضًا كيفية تطبيق نماذج الذكاء الاصطناعي الكبيرة في مرحلة الاستدلال بعد الانتهاء من التدريب واستخدامها في مجموعة متنوعة من المهام المحددة، مثل تصنيف الصور، والتعرف على الصوت.
ووكيل الذكاء الاصطناعي يقترب أكثر من الشكل التالي للنموذج الكبير - القدرة على تنفيذ المهام بشكل مستقل والسعي لتحقيق أهداف معقدة، ليس فقط يمتلك القدرة على التفكير، بل يمكنه أيضًا التذكر والتخطيط، وقادر على استخدام الأدوات والتفاعل مع العالم.
حالياً، وبالنظر إلى نقاط الألم المتعلقة بالذكاء الاصطناعي عبر مختلف الطبقات، فقد شكلت Web3 حالياً نظاماً بيئياً متعدد المستويات ومترابطاً، يشمل جميع مراحل عملية نموذج الذكاء الاصطناعي.
قوة الحساب
في الوقت الحالي، واحدة من أعلى التكاليف للذكاء الاصطناعي هي القدرة الحاسوبية والطاقة المطلوبة لتدريب النموذج ونموذج الاستنتاج.
مثال على ذلك هو أن LLAMA3 من Meta تحتاج إلى 16000 وحدة معالجة رسومات H100GPU من إنتاج NVIDIA (وهي وحدة معالجة رسومات رائدة مصممة لأحمال العمل في الذكاء الاصطناعي والحسابات عالية الأداء). يستغرق التدريب 30 يومًا. يتراوح سعر النسخة بسعة 80GB بين 30000 و40000 دولار، مما يتطلب استثمارًا في أجهزة الحوسبة يتراوح بين 400 إلى 700 مليون دولار (GPU + شرائح الشبكة)، بينما تتطلب عملية التدريب الشهرية استهلاك 1.6 مليار كيلووات ساعة، وتصل نفقات الطاقة الشهرية إلى ما يقرب من 20 مليون دولار.
بالنسبة لتخفيف ضغط قوة الذكاء الاصطناعي، يعد ذلك أيضًا من المجالات التي تداخلت فيها Web3 مع الذكاء الاصطناعي في وقت مبكر - DePin (شبكة البنية التحتية الفيزيائية اللامركزية). حاليًا، عرض موقع بيانات DePin Ninja أكثر من 1400 مشروع، ومن بين المشاريع الرائدة في مشاركة قوة GPU تشمل io.net، Aethir، Akash، Render Network، وغيرها.
المنطق الرئيسي هنا هو: يسمح النظام للأفراد أو الكيانات التي تمتلك موارد GPU غير المستخدمة بالمساهمة في قدرتهم الحاسوبية بطريقة لامركزية دون الحاجة إلى إذن، من خلال سوق عبر الإنترنت للمتسوقين والبائعين مشابهة لـ Uber أو Airbnb، مما يزيد من استخدام موارد GPU غير المستغلة بشكل كامل، وبالتالي يحصل المستخدمون النهائيون على موارد حوسبة فعالة بتكلفة أقل؛ وفي نفس الوقت، تضمن آلية الرهن أنه في حالة حدوث انتهاكات لآلية مراقبة الجودة أو انقطاع الشبكة، سيتم معاقبة مزودي الموارد وفقًا لذلك.
تتميز بما يلي:
تجميع موارد GPU غير المستخدمة: يتمثل الموردون الرئيسيون في مراكز البيانات المستقلة الصغيرة والمتوسطة من جهة ثالثة، وموارد القوة الزائدة لمشغلي مزارع التشفير، والأجهزة المستخدمة في التعدين التي تعتمد على آلية توافق الآراء PoS، مثل أجهزة تعدين FileCoin و ETH. حاليًا، هناك أيضًا مشاريع تهدف إلى بدء استخدام أجهزة ذات حواجز دخول أقل، مثل exolab التي تستخدم MacBook و iPhone و iPad لبناء شبكة قوة حوسبة لتشغيل استنتاج النماذج الكبيرة.
في مواجهة سوق الذيل الطويل لقوة حوسبة الذكاء الاصطناعي: أ. على الجانب الفني ، يعد سوق الحوسبة اللامركزية أكثر ملاءمة لخطوة الاستدلال. يعتمد التدريب بشكل أكبر على قوة معالجة البيانات التي توفرها وحدات معالجة الرسومات على نطاق الكتلة الكبيرة جدا ، في حين أن الاستدلال له أداء منخفض نسبيا لحوسبة GPU ، مثل تركيز Aethir على مهام العرض بزمن انتقال منخفض وتطبيقات استدلال الذكاء الاصطناعي. ب. "على جانب الطلب" ، لن يقوم متطلبو طاقة الحوسبة الصغيرة والمتوسطة الحجم بتدريب نماذجهم الكبيرة بمفردهم ، ولكنهم يختارون فقط تحسين وضبط عدد قليل من النماذج الكبيرة الرائدة ، وهذه السيناريوهات مناسبة بشكل طبيعي لموارد الحوسبة الخاملة الموزعة.
الملكية اللامركزية: تكمن الأهمية التقنية للبلوك تشين في أن مالكي الموارد يحتفظون دائمًا بالسيطرة على مواردهم، ويقومون بتعديلها بمرونة حسب الطلب، وفي نفس الوقت يحصلون على العوائد.
البيانات
البيانات هي أساس الذكاء الاصطناعي. إذا لم تكن هناك بيانات، فإن الحساب سيكون بلا فائدة مثل العشب الطافي، والعلاقة بين البيانات والنموذج تشبه المثل الشائع "القمامة تدخل، القمامة تخرج". كمية البيانات وجودة المدخلات تحدد جودة المخرجات النهائية للنموذج. بالنسبة لتدريب نماذج الذكاء الاصطناعي الحالية، تحدد البيانات قدرة النموذج على اللغة، وفهمه، وحتى قيمه، وتجسيده للإنسانية. حاليًا، تركز أزمة احتياجات بيانات الذكاء الاصطناعي بشكل رئيسي على أربعة جوانب:
الجوع للبيانات: يعتمد تدريب نماذج الذكاء الاصطناعي على كميات هائلة من إدخال البيانات. تُظهر البيانات العامة أن OpenAI تدربت على GPT-4 بكمية من المعلمات تصل إلى تريليونات.
جودة البيانات: مع دمج الذكاء الاصطناعي في مختلف الصناعات، فإن توقيت البيانات، وتنوع البيانات، واحترافية البيانات العمودية، وظهور مصادر البيانات الجديدة مثل استيعاب مشاعر وسائل التواصل الاجتماعي تضع متطلبات جديدة على جودتها.
قضايا الخصوصية والامتثال: تتزايد وعي البلدان والمؤسسات بأهمية مجموعات البيانات عالية الجودة وتقيد الزحف إلى مجموعات البيانات.
تكاليف معالجة البيانات مرتفعة: حجم البيانات كبير، وعملية المعالجة معقدة. تظهر البيانات العامة أن أكثر من 30% من تكاليف البحث والتطوير لشركات الذكاء الاصطناعي تُستخدم لجمع البيانات الأساسية ومعالجتها.
حالياً، تتجلى حلول الويب 3 في أربعة جوانب التالية:
تمكين المستخدمين الذين يساهمون حقًا من المشاركة في خلق القيمة الناتجة عن البيانات، وكذلك الحصول على بيانات أكثر خصوصية وقيمة للمستخدمين من خلال شبكة موزعة وآليات تحفيزية بطريقة منخفضة التكلفة، هو رؤية Web3.
مثل Grass هو طبقة بيانات وشبكة لامركزية، يمكن للمستخدمين من خلال تشغيل عقد Grass، المساهمة في عرض النطاق الترددي الفائض وتوجيه حركة المرور لالتقاط البيانات الحية من الإنترنت بأكمله، والحصول على مكافآت رمزية؛
تقدم Vana مفهوم فريد من نوعه وهو بركة سيولة البيانات (DLP)، حيث يمكن للمستخدمين رفع بياناتهم الخاصة (مثل سجلات التسوق، عادات التصفح، أنشطة وسائل التواصل الاجتماعي، إلخ) إلى DLP معين، واختيار ما إذا كانوا سيخولون هذه البيانات لاستخدامها من قبل طرف ثالث معين.
في PublicAI، يمكن للمستخدمين استخدام #AI 或#Web3 كتصنيف على X و@PublicAI لجمع البيانات.
حالياً، تفكر Grass و OpenLayer في الانضمام إلى مرحلة التسمية البيانات هذه.
قدمت Synesis مفهوم "Train2earn"، والذي يركز على جودة البيانات، حيث يمكن للمستخدمين الحصول على مكافآت من خلال تقديم بيانات معلمة أو تعليقات أو أشكال أخرى من المدخلات.
مشروع تسمية البيانات Sapien يقوم بتحويل مهام التوسيم إلى لعبة، ويسمح للمستخدمين برهن النقاط لكسب المزيد من النقاط.
3، خصوصية البيانات والأمان: من الضروري توضيح أن خصوصية البيانات والأمان هما مفهومان مختلفان. تتعلق خصوصية البيانات بمعالجة البيانات الحساسة، بينما تحمي أمان البيانات المعلومات من الوصول غير المصرح به، والتدمير، والسرقة. وبالتالي، تتمثل مزايا تقنيات الخصوصية في Web3 والسيناريوهات التطبيقية المحتملة في جانبين: (1) تدريب البيانات الحساسة؛ (2) التعاون في البيانات: يمكن لعدة مالكين للبيانات المشاركة معًا في تدريب الذكاء الاصطناعي، دون الحاجة إلى مشاركة بياناتهم الأصلية.
تشمل تقنيات الخصوصية الشائعة حاليًا في Web3 ما يلي:
بيئة التنفيذ الموثوقة (TEE)، مثل بروتوكول سوبر؛
التشفير المتماثل بالكامل (FHE)، مثل BasedAI و Fhenix.io أو Inco Network؛
تكنولوجيا إثبات عدم المعرفة (zk)، مثل بروتوكول Reclaim الذي يستخدم تقنية zkTLS، تُنتج إثباتات عدم المعرفة لحركة HTTPS، مما يسمح للمستخدمين باستيراد الأنشطة وسمعة وبيانات الهوية من مواقع خارجية بشكل آمن دون الكشف عن معلومات حساسة.
ومع ذلك، لا يزال هذا المجال في مرحلة مبكرة، ولا يزال معظم المشاريع في مرحلة الاستكشاف، وأحد المعضلات الحالية هو ارتفاع تكاليف الحساب، ومن بعض الأمثلة:
إطار zkML EZKL يحتاج إلى حوالي 80 دقيقة لتوليد إثبات لنموذج 1M-nanoGPT.
وفقًا لبيانات Modulus Labs ، فإن تكلفة zkML أعلى بأكثر من 1000 مرة من الحسابات البحتة.
4، تخزين البيانات: بعد الحصول على البيانات، نحتاج أيضًا إلى مكان لتخزين البيانات على السلسلة، بالإضافة إلى LLM الذي تم توليده باستخدام هذه البيانات. مع كون توفر البيانات (DA) هو القضية الأساسية، كان معدل النقل قبل ترقية Danksharding في إيثريوم 0.08MB. في نفس الوقت، يتطلب تدريب نماذج الذكاء الاصطناعي واستنتاجها في الوقت الفعلي عادةً ما بين 50 إلى 100GB من معدل النقل للبيانات في الثانية. هذا الفارق في الحجم يجعل الحلول الحالية على السلسلة غير قادرة على مواجهة "تطبيقات الذكاء الاصطناعي المكثفة للموارد".
0g.AI هو المشروع الرائد في هذه الفئة. إنه حل تخزين مركزي مصمم لتلبية احتياجات الأداء العالي في الذكاء الاصطناعي، وتشمل ميزاته الرئيسية: الأداء العالي وقابلية التوسع، من خلال تقنيات التجزئة المتقدمة (Sharding) والترميز المعتمد على الحذف (Erasure Coding)، يدعم تحميل وتنزيل مجموعات بيانات كبيرة بسرعة، حيث تصل سرعة نقل البيانات إلى 5GB في الثانية.
ثانياً، البرمجيات الوسيطة: تدريب النموذج واستنتاجه
سوق النماذج المفتوحة المصدر اللامركزية
لم تختفِ أبدًا الجدل حول ما إذا كان نموذج الذكاء الاصطناعي مغلق المصدر أم مفتوح المصدر. المزايا التي يجلبها الابتكار الجماعي في المصادر المفتوحة لا يمكن مقارنتها بالنماذج المغلقة، ومع ذلك، في غياب نموذج ربحي، كيف يمكن للنماذج المفتوحة أن تعزز دافع المطورين؟ إنها وجهة نظر تستحق التفكير، حيث صرح لي يانغ هونغ، مؤسس بايدو، في أبريل من هذا العام، "سوف تتخلف النماذج المفتوحة بشكل متزايد."
وفي هذا السياق، تقدم Web3 إمكانية إنشاء سوق نماذج مفتوح المصدر لا مركزي، مما يعني توكين نماذج نفسها، والاحتفاظ بنسبة معينة من الرموز لفريق العمل، وتوجيه جزء من الإيرادات المستقبلية للنموذج إلى حاملي الرموز.
مثل بروتوكول Bittensor، يتم إنشاء سوق P2P للنماذج مفتوحة المصدر، يتكون من عشرات "الشبكات الفرعية"، حيث يتنافس مقدمو الموارد (الحوسبة، جمع البيانات / التخزين، مواهب التعلم الآلي) لتلبية أهداف مالكي الشبكات الفرعية المحددة، حيث يمكن للشبكات الفرعية التفاعل والتعلم من بعضها البعض، مما يؤدي إلى ذكاء أقوى. يتم توزيع المكافآت من خلال تصويت المجتمع، ويتم توزيعها بشكل أكبر داخل الشبكات الفرعية بناءً على أداء المنافسة.
أدخلت ORA مفهوم إصدار النموذج الأولي (IMO)، حيث يتم توكين نموذج الذكاء الاصطناعي، ويمكن شراء وبيع وتطوير نماذج الذكاء الاصطناعي من خلال شبكة لامركزية.
Sentient ، منصة AGI لامركزية تحفز الأشخاص كمساهمين على التعاون وبناء وتكرار وتوسيع نطاق نماذج الذكاء الاصطناعي ، ومكافأة المساهمين.
سبكترا Nova ، تركز على إنشاء وتطبيق نماذج الذكاء الاصطناعي وتعلم الآلة.
استدلال قابل للتحقق
فيما يتعلق بمشكلة "الصندوق الأسود" في عملية الاستدلال الخاصة بالذكاء الاصطناعي، فإن الحل القياسي في ويب 3 هو السماح لعدة مدققين بتكرار نفس العملية ومقارنة النتائج، ولكن بسبب نقص "شرائح Nvidia" المتقدمة الحالية، فإن التحدي الواضح الذي تواجهه هذه الممارسة هو ارتفاع تكلفة استدلال الذكاء الاصطناعي.
حل أكثر أملًا هو تنفيذ إثبات ZK "إثبات بدون معرفة، وهو بروتوكول تشفير حيث يمكن للجانب المثبت إثبات صحة بيان معين للجانب المصدق دون الكشف عن أي معلومات إضافية بخلاف أن البيان صحيح" لحساب استنتاجات الذكاء الاصطناعي خارج السلسلة، والتحقق من حسابات نموذج الذكاء الاصطناعي على السلسلة بدون إذن. يتطلب ذلك إثبات تشفيري على السلسلة أن الحسابات الخارجية قد اكتملت بشكل صحيح (مثل عدم العبث بمجموعة البيانات) مع ضمان سرية جميع البيانات.
تشمل المزايا الرئيسية:
قابلية التوسع: يمكن لإثباتات المعرفة الصفرية تأكيد عدد كبير من الحسابات خارج السلسلة بسرعة. حتى مع زيادة عدد المعاملات، يمكن لإثبات معرفة صفرية واحد التحقق من جميع المعاملات.
حماية الخصوصية: تظل تفاصيل البيانات ونماذج الذكاء الاصطناعي سرية، بينما يمكن للأطراف التحقق من أن البيانات والنماذج لم تتعرض للتلف.
لا حاجة للثقة: يمكنك التحقق من الحسابات دون الاعتماد على أي طرف مركزي.
التكامل مع Web2: من الناحية التعريفية، فإن Web2 هو تكامل خارج السلسلة، مما يعني أن الاستدلال القابل للتحقق يمكن أن يساعد في نقل مجموعات بياناته وحسابات الذكاء الاصطناعي إلى السلسلة. وهذا يساعد على زيادة معدل اعتماد Web3.
التقنيات القابلة للتحقق الحالية في Web3 المتعلقة بالاستدلال القابل للتحقق هي كما يلي:
zkML: جمع بين الإثباتات الصفرية المعرفة وتعلم الآلة لضمان خصوصية وسرية البيانات والنماذج، مما يسمح بالحسابات القابلة للتحقق دون الكشف عن بعض الخصائص الأساسية، مثل Modulus Labs التي أصدرت إثباتات ZK المبنية على ZKML لبناء الذكاء الاصطناعي، للتحقق بشكل فعال مما إذا كان مزودو الذكاء الاصطناعي قد قاموا بتلاعب خوارزميات التنفيذ بشكل صحيح على السلسلة، رغم أن العملاء حاليًا هم أساسًا تطبيقات DApp على السلسلة.
opML: من خلال الاستفادة من مبدأ الجمع المتفائل، يعمل على تحسين قابلية التوسع وكفاءة حسابات ML من خلال التحقق من الوقت الذي حدثت فيه النزاعات. في هذا النموذج، يحتاج الأمر فقط إلى التحقق من جزء صغير من النتائج التي يولدها "التحقق"، ولكن يتم تعيين تكلفة اقتصادية مرتفعة بما يكفي لزيادة تكلفة الغش بالنسبة للمحققين وبالتالي توفير الحسابات الزائدة.
TeeML: تنفيذ حسابات ML بأمان باستخدام بيئة تنفيذ موثوقة، لحماية البيانات والنماذج من التلاعب والوصول غير المصرح به.
ثالثاً، طبقة التطبيق: وكيل الذكاء الاصطناعي
تظهر تطورات الذكاء الاصطناعي الحالية بوضوح أن التركيز في التطوير قد انتقل من قدرات النماذج إلى تطوير وكلاء الذكاء الاصطناعي. شركات التكنولوجيا مثل OpenAI، وشركة Anthropic التي تملك نماذج الذكاء الاصطناعي الكبيرة، ومايكروسوفت تتجه جميعها نحو تطوير وكلاء الذكاء الاصطناعي، في محاولة لكسر الفترة الحالية من منصة التكنولوجيا لنماذج اللغة الكبيرة.
تعريف OpenAI لوكيل الذكاء الاصطناعي هو: نظام مدفوع بواسطة LLM كدماغ، يمتلك القدرة على الفهم الذاتي والإدراك والتخطيط والذاكرة واستخدام الأدوات، ويمكنه تنفيذ المهام المعقدة بشكل تلقائي. عندما يتحول الذكاء الاصطناعي من أداة تُستخدم إلى كائن يمكنه استخدام الأدوات، يصبح وكيل ذكاء اصطناعي. وهذا هو السبب في أن وكيل الذكاء الاصطناعي يمكن أن يصبح أفضل مساعد ذكي للبشر.
ما الذي يمكن أن تقدمه Web3 لوكالة؟
1، لامركزية
تتيح الخصائص اللامركزية لـ Web3 أنظمة الوكلاء أن تكون أكثر تفريقًا واستقلالية، من خلال إنشاء آليات تحفيز وعقوبات للمدخرين والمفوضين عبر آليات مثل PoS و DPoS، مما يمكن أن يعزز ديمقراطية أنظمة الوكلاء، وقد حاولت GaiaNet و Theoriq و HajimeAI ذلك.
2، التشغيل البارد
تطوير وتكرار وكيل الذكاء الاصطناعي غالبًا ما يتطلب دعمًا ماليًا كبيرًا، في حين أن Web3 يمكن أن يساعد مشاريع وكيل الذكاء الاصطناعي الواعدة في الحصول على تمويل مبكر وإطلاق بارد.
أطلقت Virtual Protocol منصة إنشاء وتوزيع الرموز AI Agent fun.virtuals، حيث يمكن لأي مستخدم نشر AI Agent بنقرة واحدة، وتحقيق توزيع عادل بنسبة 100% لرموز AI Agent.
قامت Spectral بتقديم فكرة منتج لدعم إصدار أصول الوكيل الذكي على السلسلة: من خلال IAO (العرض الأول للوكيل) لإصدار الرموز، يمكن لوكيل الذكاء الاصطناعي الحصول على تمويل مباشرة من المستثمرين، وفي الوقت نفسه يصبح عضوًا في حوكمة DAO، مما يوفر للمستثمرين فرصة المشاركة في تطوير المشروع ومشاركة العائدات المستقبلية.
كيف يعمل الذكاء الاصطناعي على تمكين Web3؟
إن تأثير الذكاء الاصطناعي على مشاريع Web3 واضح، حيث يستفيد تكنولوجيا blockchain من خلال تحسين العمليات على السلسلة (مثل تنفيذ العقود الذكية، تحسين السيولة، والقرارات المدفوعة بالذكاء الاصطناعي) وفي الوقت نفسه، يمكنه أيضًا تقديم رؤى أفضل تستند إلى البيانات، وزيادة الأمان على السلسلة، ووضع الأساس لتطبيقات جديدة قائمة على Web3.
أولاً، الذكاء الاصطناعي والتمويل على السلسلة
الذكاء الاصطناعي والاقتصاد المشفر
في 31 أغسطس، أعلن الرئيس التنفيذي لشركة Coinbase، برايان أرمسترونغ، عن تنفيذ أول صفقة تشفير بين الذكاء الاصطناعي والذكاء الاصطناعي على شبكة Base، وأشار إلى أن الوكيل الذكي يمكنه الآن إجراء معاملات بالدولار الأمريكي على Base مع البشر، التجار، أو الذكاء الاصطناعي الآخرين، وهذه المعاملات فورية، عالمية، ومجانية.
بجانب الدفع، قدم بروتوكول Virtuals أيضًا عرضًا أوليًا لكيفية قيام AI Agent بتنفيذ معاملات على السلسلة بشكل مستقل، مما أثار الاهتمام، مما يجعل AI Agent ككيان ذكي يمكنه إدراك البيئة واتخاذ القرارات وتنفيذ الإجراءات، يُعتبر مستقبل المالية على السلسلة، حاليًا، تتجلى السيناريوهات المحتملة لـ AI Agent في النقاط التالية:
2، إدارة الأصول: تقديم الأهداف الاستثمارية المناسبة للمستخدمين، تحسين مجموعة الأصول، وتنفيذ الصفقات تلقائيًا.
3، تجربة مالية: تساعد المستثمرين على اختيار أسرع طرق التداول على السلسلة، وتلقائيًا عبر السلاسل، وضبط رسوم الغاز وغيرها من العمليات اليدوية، مما يقلل من عتبة تكلفة الأنشطة المالية على السلسلة.
تخيل هذا السيناريو، أنت تعطي AI Agent التعليمات التالية: "لدي 1000USDT، من فضلك ساعدني في العثور على المجموعة ذات العائد الأعلى، لا تتجاوز فترة القفل أسبوعًا"، سيقدم لك AI Agent الاقتراح التالي: "أوصي بالتوزيع الأولي بنسبة 50% في A، و20% في B، و20% في X، و10% في Y. سأقوم بمراقبة أسعار الفائدة ومتابعة تغيرات مستوى المخاطر، وسأقوم بإعادة التوازن عند الحاجة." بالإضافة إلى ذلك، فإن البحث عن مشاريع الإطلاق المحتملة، وكذلك مشاريع Memecoin التي تظهر علامات على المجتمعات الشعبية، هي أشياء قد يقوم بها AI Agent لاحقًا.
مصدر الصورة: Biconomy
حالياً، يقوم كل من محفظة AI Agent Bitte وبروتوكول التفاعل AI Wayfinder بمثل هذه المحاولات، حيث يحاولان الاتصال بواجهة برمجة تطبيقات نموذج OpenAI، مما يسمح للمستخدمين بالتفاعل مع واجهة محادثة مشابهة لـ ChatGPT، وإعطاء الأوامر للوكيل لإكمال مجموعة متنوعة من العمليات على السلسلة، مثل ما عرضته النسخة الأولية التي أطلقها WayFinder في أبريل من هذا العام على الشبكات الرئيسية الثلاث Base وPolygon وEthereum، والتي أظهرت أربع عمليات أساسية: التبادل، الإرسال، الجسر، والتخزين.
حالياً، تدعم منصة Morpheus اللامركزية لتطوير الوكلاء أيضاً هذا النوع من الوكلاء، كما عرضت Biconomy عملية لا تحتاج إلى تفويض كامل لحقوق المحفظة، حيث يمكن لوكيل الذكاء الاصطناعي تحويل ETH إلى USDC.
الذكاء الاصطناعي وأمان المعاملات على السلسلة
في عالم Web3، تعتبر أمان المعاملات على السلسلة أمرًا بالغ الأهمية. يمكن استخدام تقنيات الذكاء الاصطناعي لتعزيز أمان المعاملات على السلسلة وحماية الخصوصية، وتشمل السيناريوهات المحتملة ما يلي:
مراقبة التداول: مراقبة الأنشطة التجارية غير الطبيعية باستخدام تقنية البيانات في الوقت الفعلي، والبنية التحتية للتنبيهات في الوقت الفعلي للمستخدمين والمنصة.
تحليل المخاطر: مساعدة المنصة في تحليل بيانات سلوك تداول العملاء، وتقييم مستوى المخاطر لديهم.
على سبيل المثال، تستخدم منصة الأمان Web3 SeQure الذكاء الاصطناعي للكشف عن ومنع الهجمات الخبيثة، والاحتيال، وتسرب البيانات، وتوفر آلية مراقبة وتنبيهات في الوقت الحقيقي لضمان أمان واستقرار المعاملات على السلسلة. توجد أدوات أمان مماثلة مثل Sentinel المدعومة بالذكاء الاصطناعي.
ثانياً، الذكاء الاصطناعي والبنية التحتية على السلسلة
الذكاء الاصطناعي وبيانات السلسلة
تؤدي تقنية الذكاء الاصطناعي دورًا مهمًا في جمع البيانات وتحليلها على السلسلة، مثل:
تحليلات Web3: هي منصة تحليلية قائمة على الذكاء الاصطناعي، تستخدم خوارزميات التعلم الآلي وتنقيب البيانات لجمع ومعالجة وتحليل البيانات على السلسلة.
MinMax AI: يوفر أداة تحليل البيانات على السلسلة تعتمد على الذكاء الاصطناعي، لمساعدة المستخدمين على اكتشاف الفرص والاتجاهات المحتملة في السوق.
كايتو: منصة بحث Web3 قائمة على محرك بحث LLM.
اتبعين: تم دمج ChatGPT لجمع وتجميع المعلومات ذات الصلة الموزعة عبر مواقع الويب ومنصات المجتمع المختلفة.
تطبيق آخر هو أوراكل، حيث يمكن للذكاء الاصطناعي الحصول على الأسعار من عدة مصادر لتوفير بيانات تسعير دقيقة. على سبيل المثال، تستخدم Upshot الذكاء الاصطناعي للتعامل مع الأسعار المتقلبة لـ NFT، من خلال تقييمات تتجاوز المليار مرة في الساعة، مما يوفر سعر NFT بدقة نسبة خطأ تتراوح بين 3-10%.
الذكاء الاصطناعي والتطوير&التدقيق
مؤخراً، جذبت أداة تحرير الأكواد AI من الجيل الثاني Cursor انتباه العديد من المطورين، حيث يمكن لمستخدمي منصتها ببساطة وصف ما يريدون بلغة طبيعية، وستقوم Cursor تلقائيًا بإنشاء التعليمات البرمجية المناسبة من HTML وCSS وJavaScript، مما يبسط بشكل كبير عملية تطوير البرمجيات، ويطبق نفس المنطق أيضًا لتحسين كفاءة تطوير Web3.
في الوقت الحالي، يتطلب نشر العقود الذكية و DApp على السلسلة العامة عادةً اتباع لغات تطوير مخصصة مثل Solidity وRust وMove وغيرها. تهدف رؤية لغات التطوير الجديدة إلى توسيع مساحة تصميم blockchain اللامركزية، مما يجعلها أكثر ملاءمة لتطوير DApp، ولكن في ظل الفجوة الكبيرة في مطوري Web3، كانت تعليم المطورين دائمًا مشكلة أكثر إيلامًا.
في الوقت الحالي، يمكن تصور السيناريوهات التي تساعد فيها الذكاء الاصطناعي في تطوير Web3، بما في ذلك: توليد الشيفرة تلقائيًا، والتحقق من العقود الذكية واختبارها، ونشر وصيانة تطبيقات DApp، وإكمال الشيفرة الذكية، والإجابة على الأسئلة المتعلقة بالتطوير من خلال الحوار مع الذكاء الاصطناعي، وما إلى ذلك. من خلال مساعدة الذكاء الاصطناعي، لا يساعد ذلك فقط في تحسين كفاءة التطوير ودقته، بل يقلل أيضًا من عائق البرمجة، مما يسمح لغير المبرمجين بتحويل أفكارهم إلى تطبيقات عملية، مما يجلب حيوية جديدة لتطوير التقنيات اللامركزية.
حاليًا، ما يجذب الانتباه هو منصة الرموز التي يمكن تشغيلها بنقرة واحدة، مثل Clanker، وهو "روبوت رمزي" مدعوم بالذكاء الاصطناعي، مصمم خصيصًا لنشر الرموز بسرعة بتقنية DIY. ما عليك سوى وضع علامة على Clanker على بروتوكول SocialFi Farcaster في عميل مثل Warpcast أو Supercast، وإخبارها بفكرة الرمز الخاص بك، وستقوم بإطلاق الرمز على السلسلة العامة Base.
هناك أيضًا منصات تطوير العقود مثل Spectral التي تقدم وظيفة إنشاء ونشر العقود الذكية بنقرة واحدة، لتقليل حواجز تطوير Web3، حتى أن المستخدمين الجدد يمكنهم تجميع ونشر العقود الذكية.
في مجال التدقيق، استخدم منصة تدقيق Web3 Fuzzland الذكاء الاصطناعي لمساعدة المدققين في فحص الثغرات البرمجية، حيث يوفر تفسيرات بلغة طبيعية لدعم الخبرة المهنية في التدقيق. كما تستخدم Fuzzland الذكاء الاصطناعي لتقديم تفسيرات بلغة طبيعية للمواصفات الرسمية وكود العقود، بالإضافة إلى بعض أمثلة الكود، لمساعدة المطورين على فهم المشكلات المحتملة في الكود.
ثالثًا، السرد الجديد للذكاء الاصطناعي و Web3
أدى ظهور الذكاء الاصطناعي التوليدي إلى إمكانيات جديدة لرواية جديدة في Web3.
NFT: أضافت الذكاء الاصطناعي الإبداع إلى NFT التوليدية، حيث يمكن من خلال تقنية الذكاء الاصطناعي إنشاء مجموعة متنوعة وفريدة من الأعمال الفنية والشخصيات. يمكن أن تصبح هذه NFT التوليدية شخصيات أو عناصر أدوات أو عناصر مشهد في الألعاب أو العوالم الافتراضية أو الميتافيرس، مثل Bicasso التابعة لبينانس، حيث يمكن للمستخدمين رفع صورة وإدخال كلمات مفتاحية لإجراء عمليات حسابية بالذكاء الاصطناعي بعد ذلك لإنشاء NFT. هناك مشاريع مشابهة مثل Solvo و Nicho و IgmnAI و CharacterGPT.
GameFi: مع القدرة على إنشاء لغة طبيعية بالاعتماد على الذكاء الاصطناعي، وإنشاء الصور، والقدرات الذكية للشخصيات غير القابلة للعب، من المتوقع أن يعزز GameFi كفاءة وابتكار إنتاج محتوى الألعاب. مثل لعبة AI Hero الأولى من Binaryx، حيث يمكن للاعبين استكشاف خيارات قصة مختلفة عشوائيًا من خلال الذكاء الاصطناعي؛ وكذلك هناك لعبة الرفيق الافتراضي Sleepless AI، التي تعتمد على AIGC وLLM، حيث يمكن للاعبين فتح أساليب لعب شخصية من خلال تفاعلات مختلفة.
DAO: في الوقت الحالي، يتم تصور استخدام الذكاء الاصطناعي أيضًا في DAO، للمساعدة في تتبع تفاعلات المجتمع، وتسجيل المساهمات، ومكافأة الأعضاء الأكثر مساهمة، و代理 التصويت، وغيرها. كما يستخدم ai16z وكيل الذكاء الاصطناعي لجمع المعلومات السوقية على السلسلة وخارجها، وتحليل توافق المجتمع، ودمج اقتراحات أعضاء DAO في اتخاذ قرارات الاستثمار.
معنى دمج AI + Web3: الأبراج والساحات
في قلب مدينة فلورنسا الإيطالية، يقع أهم موقع للأنشطة السياسية المحلية ومكان تجمع المواطنين والسياح - الساحة المركزية، حيث ترتفع برج البلدية بارتفاع 95 مترًا، ويكمل التباين العمودي والأفقي بين البرج والساحة ببراعة، مما يخلق تأثيرًا جماليًا دراميًا. وقد استلهم أستاذ التاريخ في جامعة هارفارد نيل فيرغسون من ذلك، حيث ربط في كتابه "الساحات والأبراج" بين تاريخ العالم في الشبكات والهرمية، حيث يتصاعد وينخفض كلاهما في مجرى الزمن.
هذه الاستعارة الرائعة لا تبدو غريبة عند وضعها في سياق العلاقة بين الذكاء الاصطناعي و Web3 اليوم. من تاريخ العلاقة الطويلة وغير الخطية بين الاثنين، يمكننا أن نرى أن الساحات أكثر إبداعًا في إنتاج أشياء جديدة مقارنة بالأبراج، لكن الأبراج لا تزال تحتفظ بشرعيتها وقوتها الكبيرة.
بفضل القدرة العالية لشركات التكنولوجيا على تجميع بيانات قوة الطاقة، انفجرت الذكاء الاصطناعي بإبداع غير مسبوق، حيث استثمرت الشركات الكبرى أموالاً طائلة ودخلت السوق، من روبوتات الدردشة المختلفة إلى نماذج الأساس المتكررة مثل GPT-4 وGP4-4o، وكذلك ظهور روبوت البرمجة التلقائية (Devin) وسورا التي تمتلك قدرات أولية لمحاكاة العالم الفيزيائي الحقيقي، مما أدى إلى تضخيم خيال الذكاء الاصطناعي بشكل غير محدود.
في الوقت نفسه، تعتبر الذكاء الاصطناعي في جوهرها صناعة مركزية وموسعة، حيث تدفع هذه الثورة التكنولوجية الشركات التكنولوجية التي كانت قد استحوذت تدريجياً على الهيمنة الهيكلية خلال "عصر الإنترنت" إلى نقاط أعلى وأكثر ضيقاً. إذ تشكل الطاقة الضخمة، وتدفق النقد الاحتكاري، ومجموعات البيانات الضخمة اللازمة للسيطرة على عصر الذكاء، حواجز أعلى لها.
عندما تصبح الأبراج أعلى، يتقلص صانعو القرار في الخلفية بشكل متزايد، وقد جلبت المركزية في الذكاء الاصطناعي العديد من المخاطر، كيف يمكن للجماهير المتجمعة في الساحة تجنب ظلال الأبراج؟ هذه هي المشكلة التي يأمل Web3 في حلها.
من الناحية الجوهرية، تعزز الخصائص الفطرية للبلوك تشين أنظمة الذكاء الاصطناعي وتفتح آفاقًا جديدة، وأهمها:
عصر الذكاء الاصطناعي "القانون هو الشيفرة" - من خلال العقود الذكية والتحقق من التشفير لتحقيق أنظمة شفافة تنفذ القواعد تلقائيًا، وتسليم المكافآت إلى أولئك الأقرب إلى الهدف.
اقتصاد الرموز - إنشاء وتنسيق سلوك المشاركين من خلال آلية الرموز ، الرهان ، التخفيضات ، مكافآت الرموز وعقوبات.
الحوكمة اللامركزية - تدفعنا إلى التساؤل عن مصادر المعلومات، وتشجع على اتخاذ نهج أكثر نقدية وعمقًا تجاه تقنيات الذكاء الاصطناعي، لمنع التحيز، والمعلومات الخاطئة، والتلاعب، وفي النهاية تنمية مجتمع أكثر وعيًا وتمكينًا.
أدى تطور الذكاء الاصطناعي أيضًا إلى جلب حيوية جديدة لـ Web3، وربما يحتاج تأثير Web3 على الذكاء الاصطناعي إلى إثبات الزمن، ولكن تأثير الذكاء الاصطناعي على Web3 واضح وفوري: وهذا يتجلى سواء في جنون الميمات أو في المساعدة التي تقدمها الوكلاء الذكاء الاصطناعي لتقليل عوائق الاستخدام للتطبيقات على السلسلة.
عندما يتم تعريف Web3 على أنه مجموعة صغيرة من التهنئة الذاتية للناس وتقع في شكوك حول تكرار الصناعات التقليدية ، فإن إضافة الذكاء الاصطناعي جلبت لها مستقبلا منظورا: قاعدة مستخدمي Web2 أكثر استقرارا وأكبر ، ونماذج أعمال وخدمات أكثر ابتكارا.
نعيش في عالم يتعايش فيه "البرج والساحة"، ورغم أن الذكاء الاصطناعي و Web3 لديهما خطوط زمنية ونقاط انطلاق مختلفة، إلا أن الهدف النهائي لهما هو كيفية جعل الآلات تخدم البشر بشكل أفضل. لا يستطيع أحد تعريف نهر جارٍ، ونتطلع لرؤية مستقبل الذكاء الاصطناعي + Web3.