عندما تحدث جين هسون هوانغ في WGS في دبي، اقترح مصطلح "الذكاء الاصطناعي السيادي". إذًا، ما هو الذكاء الاصطناعي السيادي الذي يمكنه تلبية مصالح ومتطلبات مجتمع الكريبتو؟

ربما يجب أن يتم بناؤها على شكل Web3+AI.

وصف فيتاليك التآزر بين الذكاء الاصطناعي والعملات المشفرة في مقال بعنوان "الوعد والتحديات التي تواجه تطبيقات التشفير والذكاء الاصطناعي": يمكن أن تعمل لامركزية العملات المشفرة على موازنة مركزية الذكاء الاصطناعي؛ فالكريبتو يجلب الشفافية ويحتاج الذكاء الاصطناعي إلى البيانات، وتسهل تقنية بلوكتشين التخزين والتتبع من البيانات. يمتد هذا النوع من التآزر عبر المشهد الصناعي بأكمله لـ Web3+AI.

تقوم أغلب مشاريع Web3+AI على استخدام تقنيات البلوك تشين لحل مشكلات بناء البنية التحتية لصناعة الذكاء الاصطناعي، بينما تستخدم قلة من المشاريع الذكاء الاصطناعي لحل بعض مشكلات تطبيقات Web3.

المشهد العام لصناعة Web3 + AI تقريباً كالتالي:

تدور عملية إنتاج الذكاء الاصطناعي والعمل عموماً على النحو التالي:

في هذه المراحل، يظهر دمج Web3 مع الذكاء الاصطناعي أساساً في أربعة جوانب:

طبقة قدرة الحوسبة: تحويل قدرة الحوسبة إلى أصل قابل للتداول

خلال السنتين الماضيتين، شهدت قدرة الحوسبة المستخدمة لتدريب نماذج الذكاء الاصطناعي الكبيرة نمواً أُسّياً؛ حيث تضاعفت تقريباً كل ربع سنة، وبسرعة تفوق بكثير قانون مور. وقد أدى ذلك إلى اختلال طويل الأمد بين العرض والطلب على قدرة الحوسبة للذكاء الاصطناعي: فقد ارتفعت أسعار العتاد مثل GPU بسرعة، مما رفع أيضاً تكلفة قدرة الحوسبة.

لكن في الوقت نفسه، توجد في السوق أيضاً كمية كبيرة من عتاد قدرة الحوسبة من الفئة المتوسطة والمنخفضة غير المستخدم. قد لا تكون قدرة كل قطعة منفردة من هذا العتاد كافية لتلبية متطلبات الأداء العالي. ومع ذلك، إذا تم بناء شبكة حوسبة موزعة عبر Web3، من خلال أساليب مثل تأجير قدرة الحوسبة والمشاركة، فيمكن إنشاء شبكة موارد حساب لا مركزية، وما يزال ذلك قادراً على تلبية احتياجات العديد من تطبيقات الذكاء الاصطناعي. وبما أنها تستفيد من قدرة حوسبة موزعة “غير مستخدمة”، يمكن خفض تكلفة قدرة الحوسبة للذكاء الاصطناعي بشكل ملحوظ.

تشمل طبقة القدرة الحوسبية تفاصيل فرعية مثل:

• قدرة حوسبة لا مركزية عامة (مثل Arkash وIo.net وغيرها)؛

• قدرة حوسبة لا مركزية لتدريب الذكاء الاصطناعي (مثل Gensyn وFlock.io وغيرها)؛

• قدرة حوسبة لا مركزية للاستدلال/التنبؤ بالذكاء الاصطناعي (مثل Fetch.ai وHyperbolic وغيرها)؛

• قدرة حوسبة لا مركزية للعرض ثلاثي الأبعاد (مثل The Render Network وغيرها).

تحويل أصول قدرة الحوسبة إلى أصول قابلة للتداول في Web3+AI، وتكمن الميزة الأساسية في مشاريع الحوسبة اللامركزية. وبالاقتران مع تحفيز التوكن، يمكن توسيع حجم الشبكة بسهولة، كما أن تكلفة موارد الحوسبة منخفضة، ما يمنح قيمة مقابل سعر مرتفعة، ويمكنه تلبية احتياجات جزء من متطلبات الحوسبة لفئة الفئة المتوسطة والمنخفضة المواصفات.

طبقة البيانات: تحويل البيانات إلى أصل

البيانات هي نفط ودم الذكاء الاصطناعي. إذا لم نعتمد على Web3، فعادةً ما تكون البيانات الضخمة الخاصة بالمستخدمين موجودة لدى الشركات العملاقة فقط، ومن الصعب على الشركات الناشئة العادية الحصول على بيانات واسعة. كما لا تُعاد قيمة بيانات المستخدم في صناعة الذكاء الاصطناعي إلى المستخدمين. من خلال Web3+AI يمكن جعل عمليات جمع البيانات، ووسم/تدقيق البيانات، والتخزين الموزع للبيانات أقل تكلفة وأكثر شفافية وأكثر فائدة للمستخدمين.

يُعد جمع بيانات عالية الجودة شرطاً مسبقاً لتدريب نماذج الذكاء الاصطناعي. ومن خلال Web3 يمكن الاستفادة من شبكة موزعة، مع آليات تحفيز مناسبة قائمة على التوكن، اعتماد طريقة الجمع عبر الحشود، للحصول على بيانات عالية الجودة وواسعة الانتشار بتكلفة أقل.

وفقاً لغرض المشروع، تتضمن مشاريع البيانات بشكل أساسي الأنواع التالية:

• مشاريع جمع البيانات (مثل Grass وغيرها)؛

• مشاريع تداول/تسويق البيانات (مثل Ocean Protocol وغيرها)؛

• مشاريع وسم/تدقيق البيانات (مثل Taida وAlaya وغيرها)؛

• مشاريع مصادر بيانات سلسلة الكتل (مثل Spice AI وSpace and time وغيرها)؛

• مشاريع التخزين اللامركزي (مثل Filecoin وArweave وغيرها).

تُعد مشاريع Web3+AI من فئة البيانات أكثر تحدياً في تصميم نموذج اقتصاد التوكن، لأن البيانات أصعب في التوحيد القياسي من قدرة الحوسبة.

طبقة المنصة: تحويل قيمة المنصة إلى أصل قابل للتداول

غالباً ما تقوم مشاريع المنصات بمضاهاة Hugging Face، بحيث يكون جوهرها تجميع مختلف موارد صناعة الذكاء الاصطناعي. يتم إنشاء منصة لتجميع الروابط بين البيانات وقدرة الحوسبة والنماذج ومطوري الذكاء الاصطناعي وسلاسل الكتل وغيرها من الموارد والأدوار، وبما أن المنصة هي مركز كل شيء، يمكن حل مختلف الاحتياجات بشكل أكثر سهولة. مثال على ذلك Giza، المتخصصة في بناء منصة تشغيل شاملة لـ zkML، بهدف جعل استدلال (Inference) التعلم الآلي موثوقاً وشفافاً؛ لأن بيانات النماذج/النماذج كصندوق أسود هي مشكلة شائعة حالياً في الذكاء الاصطناعي. باستخدام Web3 واتباع تقنيات تشفير مثل ZK وFHE للتحقق من أن الاستدلال تم تنفيذه فعلاً بشكل صحيح، وهو أمر سيُطلب في النهاية داخل الصناعة.

كما توجد طبقات Focus AI من نوع layer1/layer2، مثل Nuroblocks وJanction وغيرها. يتمثل السرد الأساسي في ربط أنواع مختلفة من الموارد مثل قدرة الحوسبة والبيانات والنماذج ومطوري الذكاء الاصطناعي والعُقد وغيرها، وذلك عبر تغليف مكونات عامة وSDK عام، لمساعدة تطبيقات Web3+AI على تحقيق بناء سريع ونمو.

كما توجد منصات من نوع Agent Network. وبناءً على هذه المنصات يمكن إنشاء وكلاء ذكاء اصطناعي لمختلف سيناريوهات التطبيقات، مثل Olas وChainML وغيرها.

تركّز مشاريع Web3+AI من فئة المنصات بشكل رئيسي على طريقة التقاط قيمة المنصة عبر التوكن، وتحفيز جميع الأطراف المشاركة لبناء المنصة معاً. بالنسبة للمشاريع الناشئة في مرحلة من 0 إلى 1، فإن ذلك يساعد كثيراً، إذ يمكن أن يقلل من صعوبة قيام الجهة المطورة بالعثور على شركاء مثل مجتمع قدرة الحوسبة والبيانات وتطوير الذكاء الاصطناعي والعُقد وغيرها.

طبقة التطبيق: تحويل قيمة الذكاء الاصطناعي إلى أصل قابل للتداول

بالنسبة لمعظم مشاريع البنية التحتية التي تسبق ذلك، فإنها تستفيد من تقنية البلوك تشين لحل مشكلات بناء البنية التحتية لصناعة الذكاء الاصطناعي. أما مشاريع طبقة التطبيق، فهي تستخدم بشكل أكبر الذكاء الاصطناعي لحل المشكلات الموجودة في تطبيقات Web3.

على سبيل المثال، يذكر فيتاليك في مقاله اتجاهين، وأعتقد أن ذلك مهم للغاية.

أولاً: أن يكون الذكاء الاصطناعي مشاركاً في Web3. على سبيل المثال: في Web3 Games يمكن للذكاء الاصطناعي أن يكون لاعباً داخل اللعبة؛ إذ يمكنه فهم قواعد اللعبة بسرعة، وإنجاز مهام اللعبة بأكثر الطرق كفاءة. وفي DEX، يلعب الذكاء الاصطناعي دوراً في تداول المراجحة منذ سنوات. وفي Prediction markets (أسواق التنبؤ)، يمكن لوكلاء الذكاء الاصطناعي تدريب قدرات تحليل وتنبؤ عبر قبول واسع لكمية كبيرة من البيانات وقواعد المعرفة والمعلومات، ثم تقديمها كمنتج للمستخدمين، لمساعدة المستخدمين على إجراء تنبؤات لأحداث محددة عبر الاستدلال بالموديل، مثل البطولات الرياضية والانتخابات الرئاسية وغيرها.

ثانياً: إنشاء ذكاء اصطناعي خاص لا مركزي قابل للتوسع. وذلك لأن العديد من المستخدمين قلقون بشأن مشكلة “الصندوق الأسود” في الذكاء الاصطناعي، ويخشون وجود تحيزات في النظام؛ أو يخشون أن بعض dApps قد تخدع المستخدمين عبر تقنيات الذكاء الاصطناعي بهدف تحقيق أرباح. والسبب الجوهري هو أن المستخدمين لا يملكون صلاحية تدقيق عملية تدريب نماذج الذكاء الاصطناعي ولا صلاحية حوكمة تلك العملية. ولكن إذا تم إنشاء ذكاء اصطناعي عبر Web3، كما في مشاريع Web3، بحيث يمتلك المجتمع صلاحيات حوكمة موزعة لهذا الذكاء الاصطناعي، فقد يصبح أكثر قابلية للقبول.

حتى الآن، لم يظهر بعد في طبقة تطبيقات Web3+AI مشروع “حصان أبيض” بسقف مرتفع جداً.

ملخص

إن Web3 + AI ما يزال مبكراً جداً. وفي الأوساط المختصة يوجد اختلاف في الرأي حول مستقبل هذا المسار، لذلك سنواصل مراقبة هذا المسار باستمرار. نأمل أن يؤدي دمج Web3 مع الذكاء الاصطناعي إلى إنتاج منتجات أكثر قيمة من الذكاء الاصطناعي المركزي، وأن يتحرر الذكاء الاصطناعي من تصنيفات مثل “تحكم الشركات الكبرى” و“الاحتكار”، وأن تتم إدارة الذكاء الاصطناعي بشكل أكثر مجتمعية عبر “الحكم المشترك”. وربما عندما يشارك البشر عن قرب في عملية الحوكمة وإدارتها، سيكون لديهم قدر أكبر من “الاحترام” للذكاء الاصطناعي، وأقل من “الخوف”.