المؤلف: إيان شو@فورسايت فنتشرز

TL;DR

  • تناقش هذه المقالة التقاطع بين الذكاء الاصطناعي وWeb3، مستكشفة كيف يمكن أن يجلب الذكاء الاصطناعي على السلسلة قيمة كبيرة للإنترنت اللامركزي. تبرز عدة مشاريع، بما في ذلك Worldcoin وPragma وLyra Finance وGiza وZama.ai، وتطبيقات محتملة للذكاء الاصطناعي كخدمة.

  • تؤكد المقالة أن الذكاء الاصطناعي في سياق Web3 لا يزال في مراحله الأولى ولكنه يحمل إمكانات كبيرة. يمكن أن يعزز الذكاء الاصطناعي على السلسلة الكفاءة والأمان بشكل كبير، مما يمكّن من أشكال جديدة من المنتجات. يعد ZKML واعدًا بشكل خاص، مع إمكانية أن يكون ZK-rollup نقطة دخول للذكاء الاصطناعي إلى عالم Web3.

  • بينما يمكن للبنية التحتية الحالية دعم نماذج ذات حجم معين، لا تزال هناك العديد من أوجه عدم اليقين، خصوصًا من حيث التحقق من النماذج عبر براهين المعرفة الصفرية. ويُنظر إلى هذا على أنه المسار الحتمي للذكاء الاصطناعي على السلسلة، لكنه يتطلب تحسينات أُسّية في أنظمة الإثبات لدعم النماذج الكبيرة المتزايدة.

  • من حيث التطبيقات، يمكن للذكاء الاصطناعي على السلسلة أن يشارك نظريًا في أي جانب من Web3، بما في ذلك الألعاب وDeFi وDID والأدوات. وعلى الرغم من ندرة المشاريع الحالية، تظل المقالة متفائلة بشأن إمكانات الذكاء الاصطناعي على السلسلة وتأثيره التحويلي على فضاء Web3.

1. الذكاء الاصطناعي + Web3 = ؟

لقد أدى التزام المطورين الهوسي ببناء البنية التحتية والتحديثات المستمرة لمختلف حلول rollup بالفعل إلى تحقيق اختراق في قدرة الحوسبة التي كانت متأخرة أصلًا في الويب3. كما جعل هذا وضع الذكاء الاصطناعي على البلوكشين ممكنًا. لكن قد ترغب في القول إنه بدلًا من بذل جهد كبير لتنفيذ الذكاء الاصطناعي على السلسلة، يبدو أن تشغيل النماذج خارج السلسلة يمكنه تلبية معظم الاحتياجات. في الواقع، تعمل تقريبًا جميع نماذج الذكاء الاصطناعي حاليًا في نمط صندوق أسود ومركزي، وتخلق قيمة لا يمكن الاستغناء عنها في مجالات مختلفة.

1.1 لنعد إلى السؤال الأساسي جدًا: ما هو الذكاء الاصطناعي على البلوكشين؟

الفهم السائد هو جعل نماذج الذكاء الاصطناعي شفافة + قابلة للتحقق عبر Web3.

وللتحديد أكثر، فإن الذكاء الاصطناعي على البلوكشين يعني التحقق الكامل من نماذج الذكاء الاصطناعي. أي أن النموذج يحتاج إلى الإفصاح عن النقاط الثلاث التالية للشبكة بأكملها (المستخدمين أو جهات التحقق):

  1. بنية النموذج؛

  2. معاملات النموذج وأوزانه: قد يكون للإفصاح عن المعاملات والأوزان أحيانًا أثر سلبي على أمان المنتج. لذلك، في بعض السيناريوهات، مثل نماذج ضبط المخاطر، يمكن إخفاء الأوزان لضمان الأمان؛

  3. مدخلات النموذج: في سياق الويب3، تكون عادةً بيانات عامة على السلسلة.

عندما تتحقق الشروط المذكورة أعلاه، تصبح عملية تنفيذ النموذج بأكملها حتمية ولم تعد عملية صندوق أسود. يمكن لأي شخص التحقق من مدخلات النموذج ونتائجه على البلوكشين، وبذلك يتم منع مالك النموذج أو الشخص المخوّل المرتبط به من التلاعب بالنموذج.



1.2 ما القوة الدافعة للذكاء الاصطناعي على السلسلة؟

إن أهمية الذكاء الاصطناعي على السلسلة ليست استبدال نمط التشغيل المركزي لذكاء Web2 الاصطناعي، بل:

  1. من دون التضحية باللامركزية وعدم الحاجة إلى الثقة، فإنه يخلق المرحلة التالية من القيمة لعالم الويب3. الويب3 الحالي يشبه المرحلة المبكرة من الويب2، ولا يملك بعد القدرة على تبنّي تطبيقات أوسع أو خلق قيمة أكبر. فقط بعد دمج الذكاء الاصطناعي يمكن لخيال Dapp أن يقفز فعلًا إلى المرحلة التالية، وقد تصبح هذه التطبيقات على السلسلة أقرب إلى مستوى تطبيقات الويب2. هذا القرب لا يعني جعل الوظائف أكثر تشابهًا، بل تحسين تجربة المستخدم والإمكانات عبر الاستفادة من قيمة الويب3.

  2. إنه يوفر حلاً شفافًا وغير قائم على الثقة لنمط تشغيل الذكاء الاصطناعي الصندوق الأسود في الويب2.

تخيّل سيناريوهات تطبيق الويب3:

  1. إضافة خوارزمية توصية إلى منصة تداول NFT، وتوصية NFTs المناسبة بناءً على تفضيلات المستخدم، وتحسين معدل التحويل؛

  2. إضافة خصوم ذكاء اصطناعي في الألعاب لتوفير تجربة لعب أكثر شفافية وعدلاً؛

……

ومع ذلك، فإن هذه التطبيقات هي مجرد تحسينات إضافية في الكفاءة أو تجربة المستخدم عبر الذكاء الاصطناعي للوظائف القائمة.

  • هل هو ذو قيمة؟ نعم.

  • هل القيمة كبيرة؟ يعتمد ذلك على المنتج والسيناريو.

القيمة التي يمكن للذكاء الاصطناعي خلقها لا تقتصر على التحسين من 99 إلى 100. ما يثير حماسي حقًا هو التطبيقات الجديدة من 0 إلى 1، وبعض حالات الاستخدام التي لا يمكن تحقيقها إلا عبر نماذج شفافة + قابلة للتحقق على السلسلة. ومع ذلك، فإن هذه الاستخدامات “المثيرة” تعتمد حاليًا بشكل أساسي على الخيال، من دون تطبيقات ناضجة. وفيما يلي بعض الأفكار العصف ذهني:

  1. التداول المشفر القائم على نماذج اتخاذ القرار بالشبكات العصبية: يمكن أن يكون أحد أشكال المنتج أقرب إلى نسخة مطورة من نسخ التداول بالنسخ copy trading، أو حتى طريقة جديدة تمامًا للتداول. لم يعد المستخدمون بحاجة إلى الثقة بمتداولين ذوي خبرة آخرين أو البحث عنهم، بل يراهنون على نماذج شفافة تمامًا وأدائها. في جوهره، يتداول الذكاء الاصطناعي بشكل أسرع وأكثر حسمًا استنادًا إلى التنبؤات بأسعار العملات المشفرة المستقبلية. ومع ذلك، من دون “الاستقلالية غير القائمة على الثقة” الكامنة في الذكاء الاصطناعي على السلسلة، فإن مثل هذه الأصول أو المعايير للمراهنة ببساطة لا وجود لها. يمكن للمستخدمين/المستثمرين رؤية الأسباب والعمليات وحتى الاحتمال الدقيق لارتفاع/انخفاض المستقبل في قرارات النموذج بشكل شفاف.

  2. نماذج الذكاء الاصطناعي التي تعمل كحُكّام: يمكن أن يكون المنتج شكلًا جديدًا من أوراكل، يتنبأ بدقة مصادر البيانات عبر نماذج الذكاء الاصطناعي. لم يعد المستخدمون بحاجة إلى الثقة بالمدققين، ولا يحتاجون إلى القلق من سلوك العقد غير السليم. ولا يحتاج مزودو الأوراكل حتى إلى تصميم شبكات عقد معقدة وآليات مكافأة وعقوبة لتحقيق اللامركزية. وبالمقابل، فإن الذكاء الاصطناعي الشفاف + القابل للتحقق على السلسلة كافٍ بالفعل للتحقق من مستوى الثقة في مصادر البيانات خارج السلسلة. ولدى هذا الشكل الجديد من المنتج القدرة على الهيمنة من حيث الأمان والكفاءة والتكلفة، كما أن موضوع اللامركزية ينتقل من البشر إلى أدوات الذكاء الاصطناعي “غير القائمة على الثقة”، وهو ما يعد بلا شك أكثر أمانًا.

  3. إدارة المنظمات/أنظمة التشغيل القائمة على النماذج الكبيرة: ينبغي أن تكون حوكمة DAOs بطبيعتها فعالة ولامركزية وعادلة، لكن الواقع الحالي هو عكس ذلك تمامًا، إذ إنه فضفاض ومتضخم ويفتقر إلى الشفافية والعدالة. إن إدخال الذكاء الاصطناعي على السلسلة يمكن أن يوفر حلًا ملائمًا للغاية، يعظّم أسلوب الإدارة والكفاءة، ويقلل إلى الحد الأدنى من المخاطر النظامية والبشرية في الإدارة. ويمكننا حتى تخيل نمط جديد للتطوير والتشغيل لمشاريع web3، حيث إن الإطار الكامل واتجاه التطوير المستقبلي والمقترحات بالكاد تعتمد على قرارات فريق التطوير أو تصويت DAO. وبدلًا من ذلك، تُتخذ القرارات بناءً على قدرات أكبر في جمع البيانات والحوسبة التي توفرها النماذج الكبيرة. لكن كل هذا مشروط بأن يكون النموذج على السلسلة. فمن دون “الاستقلالية غير القائمة على الثقة” للذكاء الاصطناعي، لا يوجد انتقال من البشر إلى الأدوات في العالم اللامركزي.

……

باختصار،

يمكن تلخيص الأشكال الجديدة للمنتجات المبنية على الذكاء الاصطناعي على السلسلة بأنها انتقال موضوع اللامركزية وعدم الحاجة إلى الثقة من البشر إلى أدوات الذكاء الاصطناعي. وهذا يتوافق مع تطور الإنتاجية في العالم التقليدي، حيث جرت في البداية محاولات لترقية وتعزيز كفاءة البشر، ثم استبدال البشر بأدوات ذكية، مما أحدث ثورة في تصميم المنتج الأصلي من حيث الأمان والكفاءة.

أهم نقطة، وهي الأساس لكل ما سبق، هي جعل الذكاء الاصطناعي شفافًا + قابلًا للتحقق عبر Web3.



1.3 المرحلة التالية من Web3

لا يمكن لـ Web3، باعتبارها ابتكارًا تكنولوجيًا مذهلًا، أن تبقى فقط في مرحلتها الأولى. حركة المرور والنماذج الاقتصادية مهمة، لكن المستخدمين لن يظلوا دائمًا يسعون وراء الزيارات أو ينفقون الكثير من الموارد لإنجاز X من أجل الربح، ولن تستقطب Web3 الموجة التالية من المستخدمين الجدد بسبب ذلك. لكن هناك أمر واحد مؤكد: ثورة الإنتاجية والقيمة في عالم الكريبتو لا بد أن تأتي من إضافة الذكاء الاصطناعي.

أعتقد أنه يمكن تقسيمه تقريبًا إلى المراحل الثلاث التالية:

البداية: إن تحديث وتكرار خوارزميات البرهان عديم المعرفة والعتاد يوفران أول إمكانية لظهور الذكاء الاصطناعي على السلسلة؛ (نحن هنا)

التطوير: سواء كان ذلك تحسين التطبيقات القائمة عبر الذكاء الاصطناعي أو المنتجات الجديدة المبنية على الذكاء الاصطناعي على السلسلة، فكلها تدفع الصناعة بأكملها إلى الأمام؛

النهاية: ما هو الاتجاه النهائي للذكاء الاصطناعي على السلسلة؟

جميع المناقشات أعلاه تتعلق باستكشاف سيناريوهات التطبيق من الأسفل إلى الأعلى من خلال الجمع بين الذكاء الاصطناعي وWeb3. إذا انتقلنا إلى نهج من الأعلى إلى الأسفل للنظر إلى الذكاء الاصطناعي على السلسلة، فهل يمكن للذكاء الاصطناعي أن يعود إلى Web3 نفسها؟ الذكاء الاصطناعي + البلوكشين = بلوكشين تكيفي

سوف تتصدر بعض السلاسل العامة دمج الذكاء الاصطناعي على السلسلة، لتتحول من مستوى سلاسل عامة إلى نوع من السلاسل التكيفية. لم يعد اتجاه التطوير يعتمد على قرارات أساس المشروع، بل يستند إلى اتخاذ القرار بالاعتماد على بيانات ضخمة، ومستوى الأتمتة يتجاوز الويب3 التقليدي بكثير، وبذلك تبرز عن الازدهار المتعدد للسلاسل الحالي.

وببركة الذكاء الاصطناعي القابل للتحقق + الشفاف، يمكن الإشارة إلى أماكن تجسّد التنظيم الذاتي في web3 عبر بعض الأمثلة التي ذكرها Modulus Lab:

  1. يمكن لأسواق المعاملات على السلسلة أن تتكيف تلقائيًا وبطريقة لامركزية، مثل تعديل سعر فائدة العملات المستقرة في الوقت الحقيقي استنادًا إلى بيانات on-chain متاحة للجمهور، دون الحاجة إلى افتراضات ثقة؛

  2. يمكن للتعلّم متعدد الوسائط أن يتيح إتمام تفاعلات البروتوكول على السلسلة عبر التعرف البيومتري، مما يوفر KYC آمنًا ويحقق إدارة هوية كاملة غير قائمة على الثقة؛

  3. تمكين التطبيقات على السلسلة من تعظيم القيمة التي توفرها بيانات السلسلة، ودعم خدمات مثل التوصية المخصصة بالمحتوى.

من منظور آخر، يواصل zkrollup التكرار والتحسين، لكنه يفتقر دائمًا إلى تطبيق حقيقي لا يمكن تشغيله إلا ضمن نظام zk البيئي، وZKML يلبّي هذا تمامًا، كما أن مساحة التخيل فيه كبيرة بما يكفي. ومن المرجح أن يكون ZK-rollup نقطة دخول الذكاء الاصطناعي إلى الويب3 في المستقبل، مما يخلق قيمة أكبر، وهذان الاثنان يكملان بعضهما البعض.

2. التنفيذ والجدوى

2.1 ماذا يمكن أن توفر Web3 للذكاء الاصطناعي؟

البنية التحتية وZK هما بلا شك من أكثر المسارات تنافسية في web3. لقد بذلت مشاريع ZK المختلفة جهودًا كبيرة في تحسين الدوائر وترقية الخوارزميات، سواء كان ذلك في استكشاف الشبكات متعددة الطبقات، أو تطوير طبقات المعيارية وتوافر البيانات، أو تخصيص rollup كخدمة، أو حتى التسريع العتادي… هذه المحاولات تدفع قابلية التوسع والتكلفة وقدرة الحوسبة في بنية web3 التحتية إلى المستوى التالي.



يبدو وضع الذكاء الاصطناعي على السلسلة أمرًا جيدًا، لكن كيف يتم ذلك بالضبط؟

أحد الأساليب يكون عبر نظام إثبات ZK. على سبيل المثال، إنشاء دائرة مخصصة لتعلّم الآلة، حيث تكون عملية توليد witness خارج السلسلة هي عملية تنفيذ النموذج، ثم توليد برهان لعملية التنبؤ الخاصة بالنموذج (بما في ذلك معاملات النموذج والمدخلات)، ويمكن لأي شخص التحقق من البرهان على السلسلة.

لا يزال نموذج الذكاء الاصطناعي يعمل على عنقود حوسبة فعّال، وحتى مع بعض التسريع العتادي لتعزيز سرعة الحوسبة، مما يزيد الاستفادة من القدرة الحاسوبية إلى أقصى حد مع ضمان عدم قدرة أي شخص أو مؤسسة مركزية على العبث بالنموذج أو التدخل فيه، أي لضمان:

درجة يقين نتيجة تنبؤ النموذج = قابل للتحقق (المدخلات + بنية النموذج + المعاملات)

استنادًا إلى النهج أعلاه، يمكننا الاستدلال بشكل أعمق على البنى التحتية الحاسمة للذكاء الاصطناعي على السلسلة:

  1. نظام ZKP، rollup: توسع Rollups خيالنا حول قدرات الحوسبة على السلسلة، من خلال تجميع مجموعة من المعاملات، وحتى توليد براهين بشكل递归 للبرهان بهدف خفض التكاليف بشكل أكبر. وبالنسبة للنماذج الكبيرة الحالية، فإن الخطوة الأولى لتوفير الإمكانيات هي نظام الإثبات وrollup؛

  2. التسريع العتادي: يوفر ZK rollup أساسًا قابلاً للتحقق، لكن سرعة توليد البرهان ترتبط مباشرة بقابلية استخدام النموذج وتجربة المستخدم. الانتظار لعدة ساعات لتوليد برهان نموذج أمر لن ينجح بوضوح، لذا فإن التسريع العتادي عبر FPGA يمثل دفعة كبيرة.

  3. التشفير: التشفير هو أساس عالم الكريبتو، كما تحتاج النماذج على السلسلة والبيانات الحساسة إلى ضمان الخصوصية.

إضافة:

أساس النماذج الكبيرة هو GPU. ومن دون دعم التوازي العالي، ستكون كفاءة النماذج الكبيرة منخفضة جدًا، ولن تعمل. لذلك، بالنسبة إلى نظام zk البيئي على السلسلة:

GPU-friendly = مناسب للذكاء الاصطناعي

خذ Starknet كمثال، فإن Cario لا يمكنه العمل إلا على وحدة المعالجة المركزية CPU، لذا لا يمكن نشر سوى بعض نماذج أشجار القرار الصغيرة، وهو ما لا يساعد على المدى الطويل في نشر النماذج الكبيرة.

2.2 التحدي: نظام إثبات أقوى

إن سرعة توليد براهين ZK واستهلاك الذاكرة أمران حاسمان، فالأول يرتبط بتجربة المستخدم والجدوى، بينما يتعلق الآخر بالتكلفة وقابلية التوسع.

هل نظام ZKP الحالي كافٍ؟

كافٍ، لكنه ليس جيدًا بما فيه الكفاية…

فصّل Modulus Lab الحالة المحددة للنماذج والقدرة الحاسوبية في مقال “The Cost of Intelligence: Proving Machine Learning Inference with Zero-Knowledge”. وعندما يكون لديك وقت، يمكنك قراءة هذا “Paper0” في مجال ZKML: https://drive.google.com/file/d/1tylpowpaqcOhKQtYolPlqvx6R2Gv4IzE/view

فيما يلي أنظمة الإثبات المختلفة المذكورة في Paper 0.



استنادًا إلى خوارزميات zk أعلاه، يجري Modulus Lab اختبارات من بُعدين: استهلاك الوقت واستهلاك الذاكرة، ويتحكم في متغيرين أساسيين: المعاملات والطبقات ضمن هذين البعدين. فيما يلي مجموعات الاختبار المعيارية. ويمكن لمثل هذا التصميم أن يغطي تقريبًا حجم معاملات LeNet5 البالغ 60 ألفًا، و0.5MFLOPs، وصولًا إلى حجم معاملات ResNet-34 البالغ 22 مليونًا، و3.77 GFLOPs.



اختبار استهلاك الوقت:



اختبار استهلاك الذاكرة:



استنادًا إلى البيانات أعلاه، وبشكل عام، فإن خوارزميات zk الحالية وإمكانات دعم توليد براهين النماذج الكبيرة متاحة، لكن التكاليف المقابلة لا تزال مرتفعة، وتحتاج إلى تحسين يفوق حتى 10 مرات. وبأخذ Gloth16 كمثال، فعلى الرغم من استفادته من تحسين زمن الحوسبة الناتج عن التوازي العالي، إلا أن ذلك يقابله ارتفاع كبير في استهلاك الذاكرة. كما تؤكد أداءات Plonky2 وzkCNN من حيث الوقت والمساحة هذه النقطة.

لذا فإن السؤال قد تغير بالفعل من هل يمكن لنظام zkp دعم الذكاء الاصطناعي على السلسلة إلى هل التكلفة تستحق دعم الذكاء الاصطناعي على السلسلة. ومع الارتفاع الأُسّي في معاملات النموذج، سيزداد الضغط على نظام الإثبات بسرعة أيضًا. بالفعل، هل توجد شبكة عصبية غير قائمة على الثقة الآن؟ لا! والسبب أن التكلفة مرتفعة جدًا.

لذلك، فإن إنشاء نظام إثبات مخصص للذكاء الاصطناعي أمر بالغ الأهمية. وفي الوقت نفسه، ولتنفيذ منطق الذكاء الاصطناعي، وهو معقد جدًا في استدعاء واحد، يجب إعادة تصميم نموذج استهلاك الغاز أيضًا. إن zkvm عالي الأداء أمر أساسي. لكننا نرى الآن العديد من المحاولات عالية الأداء، مثل OlaVM وpolygon Miden وغيرها. إن التحسين المستمر لهذه البنى التحتية يحسن بشكل كبير جدوى الذكاء الاصطناعي على السلسلة.

3. هل يستحق التطبيق الترقب؟

على الرغم من أن الذكاء الاصطناعي على السلسلة لا يزال في مراحله الأولى، فقد يكون بين مرحلتي البداية والتطور عند النظر إليه من الطبقات المذكورة أعلاه. ومع ذلك، فإن اتجاه الذكاء الاصطناعي لا يفتقر أبدًا إلى الفرق الممتازة والأفكار المبتكرة.

كما ذُكر أعلاه، عند النظر إلى مرحلة تطور الذكاء الاصطناعي في عالم الويب3، فإن السوق الحالية في منتصف الطريق من مرحلة البداية إلى التطور، واتجاه تجارب المنتجات لا يزال يعتمد أساسًا على تحسين تجربة المستخدم بناءً على الوظائف القائمة. لكن الأكثر قيمة هو تحويل الجهات غير القائمة على الثقة من البشر إلى أدوات عبر الذكاء الاصطناعي على السلسلة، مما يقلب الشكل الأصلي للمنتج من ناحية الأمان والكفاءة.

بعد ذلك، انطلاقًا من بعض المحاولات التطبيقية القائمة، سيتم تحليل اتجاه التطوير طويل الأمد للمنتجات المبنية على الذكاء الاصطناعي على السلسلة

3.1 Rockefeller Bot: أول ذكاء اصطناعي على السلسلة في العالم

Rockefeller هو أول منتج ذكاء اصطناعي على السلسلة أطلقه فريق Modulus Lab، ويحمل قيمة “تذكارية” قوية. هذا النموذج في جوهره برنامج تداول آلي. وبالتحديد، تعتمد بيانات تدريب Rockefeller على كمية كبيرة من بيانات أسعار/سعر صرف WEth-USDC العامة المتاحة على السلسلة. وهو نموذج شبكة عصبية أمامية بثلاث طبقات، وهدف التنبؤ هو ارتفاع أو انخفاض سعر WEth في المستقبل.

إليك العملية عندما يقرر برنامج التداول تنفيذ صفقة:

  1. يقوم Rockefeller بتوليد ZKP لنتائج التنبؤ على ZK-rollup؛

  2. يتم التحقق من ZKP على L1 (تُحفظ الأموال بواسطة عقد L1) وتُنفذ العمليات؛

يمكن ملاحظة أن التنبؤ وعمليات الأموال الخاصة ببرنامج التداول آلية بالكامل ولا تحتاج إلى الثقة. وكما ذُكر أعلاه، فمن منظور أعلى، فإن Rockefeller يشبه أكثر أسلوبًا جديدًا من ألعاب Defi. مقارنةً بالثقة في متداولين آخرين، فإن المستخدمين في هذا النمط يراهنون فعليًا على النموذج الشفاف + القابل للتحقق + المستقل ذاتيًا. لا يحتاج المستخدمون إلى الثقة بمؤسسات مركزية لضمان قانونية عملية اتخاذ القرار في النموذج. وفي الوقت نفسه، يمكن للذكاء الاصطناعي أيضًا تقليل أثر الطبيعة البشرية إلى أقصى حد واتخاذ القرارات بحسم أكبر.



قد تكون بالفعل راغبًا في استثمار بعض المال في Rockefeller وتجربته، لكن هل يمكن أن يحقق هذا فعلًا أرباحًا؟

لا، لا يستطيع ذلك، وفقًا لفريق Modulus. فبدلًا من كونه تطبيقًا، Rockefeller أقرب إلى إثبات مفهوم (POC) للذكاء الاصطناعي على السلسلة. وبسبب قيود التكلفة والكفاءة وأنظمة الإثبات، فإن الغرض الأساسي من Rockefeller هو أن يكون عرضًا توضيحيًا لإظهار جدوى الذكاء الاصطناعي على السلسلة لعالم web3. (أكمل Rockefeller مهمته وهو الآن غير متصل T T)

3.2 Leela: أول لعبة ذكاء اصطناعي على السلسلة في العالم

Leela v.s. the World، التي أُطلقت مؤخرًا، هي أيضًا من Modulus Lab. آلية اللعبة بسيطة، حيث يشكل اللاعبون البشريون فرقًا لمواجهة الذكاء الاصطناعي. في اللعبة، يمكن للاعبين إيداع رهاناتهم، وفي نهاية كل مباراة، تُوزَّع حصة الخاسر على الفائز بحسب عدد الرموز المراهنة.



وبالحديث عن الذكاء الاصطناعي على السلسلة، فقد نشر Modulus Lab هذه المرة شبكة عصبية عميقة أكبر (بعدد معاملات > 3,700,000). وعلى الرغم من أن Leela تتجاوز Rockefeller من حيث حجم النموذج ومحتوى المنتج، فإنها في جوهرها لا تزال تجربة ذكاء اصطناعي واسعة النطاق على السلسلة. والآلية وطريقة التشغيل وراء Leela هما ما يحتاجان إلى الانتباه، إذ يمكن أن يساعدانا على فهم طريقة عمل الذكاء الاصطناعي على السلسلة ومساحة تطويره بشكل أفضل. وفيما يلي مخطط المنطق المقدم من الجهة الرسمية:



كل حركة يقوم بها Leela، أو كل تنبؤ، ستولّد ZKP، ولن يصبح لها أثر في اللعبة إلا بعد التحقق منها بواسطة العقد الذكي. أي إنه بفضل الذكاء الاصطناعي المستقل غير القائم على الثقة، فإن الأموال التي يراهن بها المستخدمون وعدالة اللعبة محميتان بالكامل بالتشفير، ولا حاجة للثقة بمطور اللعبة.

يستخدم Leela خوارزمية Halo2، ويرجع ذلك أساسًا إلى أن أدواتها وتصميمها المرن يمكن أن يساعدا في تصميم نظام إثبات أكثر كفاءة. يمكن الرجوع إلى بيانات الاختبار أعلاه لمعرفة الأداء المحدد. لكن في الوقت نفسه، أثناء تشغيل Leela، لاحظ فريق Modulus أيضًا عيوب Halo2، مثل بطء توليد البراهين وعدم ملاءمته للبرهان الأحادي، وما إلى ذلك. لذلك، فهذا يؤكد أكثر الاستنتاج المستخلص من بيانات الاختبار السابقة: إذا أردنا إدخال نماذج أكبر إلى web3، فنحن بحاجة إلى تطوير نظام إثبات أقوى.

ومع ذلك، تكمن قيمة Leela في منحنا مساحة تخيلية أكبر للعبة AI + Web3، وفي هذه اللحظة ينبغي للاعبي King of Glory أن يكونوا متفائلين للغاية بأن خوارزمية المطابقة ستصبح بالكامل على السلسلة :) يحتاج Gamefi إلى دعم أكثر للمحتوى عالي الجودة ونظام لعب أكثر عدلاً، والذكاء الاصطناعي على السلسلة يوفر ذلك بالضبط. على سبيل المثال، فإن إدخال مشاهد لعب أو شخصيات NPC مدفوعة بالذكاء الاصطناعي داخل اللعبة يوفّر مساحة تخيلية هائلة لكل من تجربة لعب اللاعب ونظام الاقتصاد داخل اللعبة.

3.3 Worldcoin: الذكاء الاصطناعي + KYC

Worldcoin هو نظام هوية على السلسلة (بروتوكول إثبات الشخصية مع الحفاظ على الخصوصية) يستخدم القياسات الحيوية لإنشاء نظام هوية وتحقيق وظائف مشتقة مثل المدفوعات. والهدف منه هو مكافحة هجمات Sybil، وقد أصبح لديه الآن أكثر من 1.4 مليون مستخدم مسجل.



يقوم المستخدمون بمسح قزحية العين باستخدام جهاز عتادي يسمى Orb، وتُضاف المعلومات الشخصية إلى قاعدة بيانات. يشغّل Worldcoin نموذج CNN في البيئة الحاسوبية لعتاد Orb لضغط بيانات قزحية المستخدم والتحقق من فعاليتها. يبدو هذا قويًا، لكن من أجل التحقق من الهوية اللامركزية الحقيقية، يستكشف فريق Worldcoin التحقق من مخرجات النموذج عبر ZKP.

التحديات

ومن الجدير بالذكر أن نموذج CNN الذي يستخدمه Worldcoin حجمه: المعاملات = 1.8 مليون، الطبقات = 50. وبناءً على بيانات الاختبار الموضحة أعلاه، فإن نظام الإثبات الحالي يمكنه التعامل معه من ناحية الوقت، لكن استهلاك الذاكرة يجعل إتمامه مستحيلًا على عتاد المستهلكين.

3.4 مشاريع أخرى

  1. Pragma: Pragma هو أوراكل ZK طوّرته منظومة Starkware. كما يستكشف الفريق كيفية حل مشكلة التحقق اللامركزي من البيانات خارج السلسلة عبر الذكاء الاصطناعي على السلسلة. لم يعد المستخدمون بحاجة إلى الثقة بالمدققين، بل يمكنهم التحقق من مصادر البيانات خارج السلسلة عبر ذكاء اصطناعي على السلسلة دقيق وقابل للتحقق بما يكفي، مثل قراءة المعلومات الفيزيائية المقابلة كمدخلات واتخاذ قرارات للتحقق الفعلي من الأصول أو الهوية.

  2. Lyra finance: Lyra finance هو AMM للخيارات يوفر سوق تداول للمشتقات. ولتحسين كفاءة استخدام رأس المال، يتعاون فريق Lyra مع Modulus Lab لتطوير AMM قائم على نموذج ذكاء اصطناعي قابل للتحقق. ومع نموذج ذكاء اصطناعي عادل وقابل للتحقق، لدى Lyra finance فرصة لأن تصبح تجربة تنفيذ واسعة النطاق للذكاء الاصطناعي على السلسلة، مما يجلب مطابقة عادلة لمستخدمي web3 لأول مرة، ويحسن السوق على السلسلة عبر الذكاء الاصطناعي، ويوفر عوائد أعلى.

  3. Giza: منصة ZKML تنشر النماذج مباشرة على السلسلة بدلًا من التحقق خارج السلسلة. محاولة جيدة، لكن… بسبب القدرة الحاسوبية وعدم دعم Cairo لتوليد البراهين المعتمد على CUDA، لا يمكن لـ Giza دعم سوى نشر النماذج الصغيرة. وهذه هي المشكلة الأكثر فتكًا. وعلى المدى الطويل، ستتطلب النماذج الكبيرة التي يمكن أن تحدث أثرًا مُربكًا في web3 دعمًا عتاديًا قويًا، مثل وحدات GPU.

  4. Zama-ai: التشفير المتماثل للنماذج. التشفير المتماثل هو شكل من التشفير حيث: f[E(x)] = E[f(x)]، حيث f هي عملية، وE هي خوارزمية تشفير متماثل، وx متغير، مثلًا E(a) + E(b) = E(a + b). وهو يسمح لأنواع محددة من العمليات الجبرية على النص المشفر بأن تنتج نتيجة مشفرة، وعند فك تشفير هذه النتيجة نحصل على نفس النتيجة كما لو أُجريت العملية نفسها على النص الصريح. كانت خصوصية النموذج دائمًا نقطة ساخنة وعنق زجاجة في الذكاء الاصطناعي. وعلى الرغم من أن zk صديق للخصوصية، فإن zk لا يساوي الخصوصية. تلتزم Zama بضمان تنفيذ النماذج بطريقة تحافظ على الخصوصية.

  5. ML-as-a-service: هذا حاليًا مجرد اتجاه فكري، من دون تطبيقات محددة، لكن الهدف هو حل مشاكل السلوك الخبيث لمقدمي خدمات ML المركزيين وثقة المستخدم عبر ZKPs. وقد قدّم Daniel Kang وصفًا مفصلًا في مقال “Trustless Verification of Machine Learning” (راجع الرسم التوضيحي في المقال).



4. الخلاصة

  • بشكل عام، لا يزال الذكاء الاصطناعي في عالم الويب3 في مرحلة مبكرة جدًا، لكن لا شك أن نضج وانتشار الذكاء الاصطناعي على السلسلة سيرفع قيمة الويب3 إلى مستوى آخر. ومن الناحية التقنية، يمكن للويب3 أن توفر بنية تحتية فريدة للذكاء الاصطناعي، والذكاء الاصطناعي أداة أساسية لتغيير علاقات الإنتاج في الويب3. ويمكن للجمع بينهما أن يطلق العديد من الإمكانات، وهو مكان مثير ومليء بالخيال.

  • من منظور دوافع الذكاء الاصطناعي للانتقال إلى السلسلة، فمن جهة، يحول الذكاء الاصطناعي الشفاف + القابل للتحقق على السلسلة الكيانات اللامركزية وغير القائمة على الثقة من البشر إلى أدوات ذكاء اصطناعي، مما يعزز الكفاءة والأمان بدرجة كبيرة، ويوفر إمكانات لابتكار أشكال منتج جديدة تمامًا. ومن جهة أخرى، مع استمرار تحديث بنية web3 التحتية، تحتاج web3 فعلًا إلى تطبيق قاتل يمكنه تعظيم قيمة هذه البنية التحتية. وZKML يطابق هذه النقطة، فمثلًا من المرجح أن يكون ZK-rollup نقطة دخول الذكاء الاصطناعي إلى web3 في المستقبل.

  • من منظور الجدوى، يمكن للبنية التحتية الحالية دعم نماذج ذات حجم معين إلى حد ما، لكن لا تزال هناك الكثير من أوجه عدم اليقين. ويبدو أن استخدام ZKP لإنشاء نماذج قابلة للتحقق هو المسار الوحيد حاليًا لوضع الذكاء الاصطناعي على السلسلة، وقد يكون أيضًا المسار التقني الأكثر حتمية لإدخال الذكاء الاصطناعي في تطبيقات web3. ومع ذلك، وعلى المدى الطويل، يحتاج نظام الإثبات الحالي إلى تحسين أُسّي ليتمكن من دعم النماذج الكبيرة المتزايدة بشكل كافٍ.

  • من منظور سيناريوهات التطبيق، يمكن للذكاء الاصطناعي تقريبًا أن يشارك بشكل مثالي في أي اتجاه من web3، سواء كان الألعاب، أو DeFi، أو DID، أو الأدوات… وعلى الرغم من أن المشاريع الحالية نادرة جدًا وتفتقر إلى قيمة طويلة الأجل، فإنها لم تنتقل بعد من كونها أداة لتحسين الكفاءة إلى تطبيق يغير علاقات الإنتاج. لكن المثير أن أحدًا ما قد خطا الخطوة الأولى، ويمكننا أن نرى أولى ملامح الذكاء الاصطناعي على السلسلة وإمكاناته المستقبلية.

مرجع

https://worldcoin.org/blog/engineering/intro-to-zkml

https://medium.com/coinmonks/chapter-1-how-to-put-your-ai-on-chain-8af2db013c6b

https://medium.com/@ModulusLabs/chapter-2-why-put-your-ai-on-chain-33b7625147b7

https://medium.com/@ModulusLabs/chapter-3-the-worlds-first-on-chain-ai-trading-bot-c387afe8316c

https://medium.com/@ModulusLabs/chapter-4-blockchains-that-self-improve-e9716c041f36

https://medium.com/@ModulusLabs/chapter-4-5-trustless-ai-for-living-breathing-games-cc9f24080e30

https://medium.com/@ModulusLabs/chapter-5-the-cost-of-intelligence-da26dbf93307

https://medium.com/@ModulusLabs/chapter-6-leela-vs-the-world-the-worlds-1st-on-chain-ai-game-17ea299a06b6

https://drive.google.com/file/d/1tylpowpaqcOhKQtYolPlqvx6R2Gv4IzE/view

https://medium.com/@danieldkang/trustless-verification-of-machine-learning-6f648fd8ba88

حول Foresight Ventures

تكرّس Foresight Ventures جهودها لدعم الابتكار التخريبي في البلوكشين خلال العقود القادمة. نحن ندير عدة صناديق: صندوق VC، وصندوق ثانوي مُدار بنشاط، وصندوق FOF متعدد الاستراتيجيات، وصندوق سوق خاصة ثانوي، مع أصول مدارة تتجاوز 400 مليون دولار. وتلتزم Foresight Ventures بعقيدة «عقلية فريدة، مستقلة، هجومية، وطويلة الأجل» وتقدم دعمًا واسعًا لشركات المحفظة ضمن منظومة آخذة في النمو. ويتألف فريقنا من مخضرمين من شركات مالية وتقنية كبرى مثل Sequoia Capital وCICC وGoogle وBitmain وغيرها الكثير.

الموقع الإلكتروني: https://www.foresightventures.com/

إخلاء مسؤولية: جميع المقالات الصادرة عن Foresight Ventures لا تُعد نصيحة استثمارية. ينبغي للأفراد تقييم قدرتهم على تحمل المخاطر واتخاذ قراراتهم الاستثمارية بحذر.