إن Web3، باعتباره نموذجًا جديدًا لامركزيًا ومفتوحًا وشفافًا للإنترنت، يتمتع بتناغم متأصل مع الذكاء الاصطناعي. ففي ظل البنية المركزية التقليدية، تخضع موارد الحوسبة والبيانات التي تعتمد على الذكاء الاصطناعي لرقابة صارمة، وتواجه العديد من التحديات مثل الاختناقات الحسابية، وانتهاكات الخصوصية، والصناديق السوداء الخوارزمية. ومن ناحية أخرى، يمكن لـ Web3، المبني على التقنيات الموزعة، أن يضخ حيوية جديدة في تطوير الذكاء الاصطناعي من خلال شبكات الحوسبة المشتركة، وأسواق البيانات المفتوحة، والحوسبة التي تحافظ على الخصوصية. وفي الوقت نفسه، يمكن للذكاء الاصطناعي تمكين Web3 بقدرات مثل تحسين العقود الذكية وخوارزميات مكافحة الغش، مما يساعد في بناء النظام البيئي. لذلك، فإن استكشاف التقارب بين Web3 والذكاء الاصطناعي أمر بالغ الأهمية لبناء البنية التحتية للإنترنت من الجيل التالي وإطلاق العنان لقيمة البيانات وقوة الحوسبة.

مبني على البيانات: الأساس المتين للذكاء الاصطناعي وWeb3

تُعد البيانات القوة الدافعة الأساسية وراء تطوير الذكاء الاصطناعي، على غرار الوقود لمحرك. تحتاج نماذج الذكاء الاصطناعي إلى استيعاب كميات كبيرة من بيانات عالية الجودة لاكتساب فهم عميق وقدرات قوية على الاستدلال. لا توفر البيانات فقط أساس التدريب ل نماذج التعلم الآلي، بل تحدد أيضًا دقتها وموثوقيتها.

في نموذج الاستحواذ والاستخدام التقليدي المركزي لبيانات الذكاء الاصطناعي، تنشأ عدة مشكلات رئيسية:

• تكاليف الحصول على البيانات مرتفعة بشكل مبالغ فيه، مما يجعل من الصعب على الشركات الصغيرة والمتوسطة المشاركة.

• موارد البيانات محتكرة من قبل عمالقة التقنية، مما يؤدي إلى جزر بيانات (Data Silos).

• تواجه خصوصية البيانات الشخصية مخاطر التسرب وسوء الاستخدام.

يوفر Web3 نموذجًا جديدًا لبيانات لامركزية لمعالجة نقاط الألم في النماذج التقليدية:

• من خلال مشاريع مثل Grass، يمكن للمستخدمين بيع سعة الشبكة غير المستخدمة لديهم لشركات الذكاء الاصطناعي، ما يتيح زحف بيانات الويب اللامركزي وتنظيفها وتحويلها لتوفير بيانات حقيقية وعالية الجودة لتدريب نماذج الذكاء الاصطناعي.

• تتبنى جهات الذكاء الاصطناعي العامة نموذج "التصنيف مقابل المكافأة" (label to earn)، حيث تحفز العمالة العالمية ب الرموز للمشاركة في ترميز البيانات، وتقوم بتجميع الخبرات العالمية، وتعزيز قدرات تحليل البيانات.

• توفر منصات معاملات البيانات على السلسلة مثل Ocean Protocol وStreamr بيئة تداول مفتوحة وشفافة لإمداد البيانات والطلب عليها، مما يعزز ابتكار البيانات وتبادلها.

ومع ذلك، تواجه عملية الحصول على البيانات في الواقع تحديات مثل تباين جودة البيانات، وارتفاع تعقيد المعالجة، وعدم كفاية التنوع والتمثيل. قد تكون البيانات الاصطناعية نجمًا صاعدًا في عالم بيانات Web3. وبالاستناد إلى تقنيات الذكاء الاصطناعي التوليدي والمحاكاة، يمكن للبيانات الاصطناعية محاكاة خصائص البيانات الحقيقية، بما يكملها بشكل فعّال ويحسن كفاءة استخدام البيانات. وفي مجالات مثل القيادة الذاتية، وتداول أسواق المال، وتطوير الألعاب، أظهرت البيانات الاصطناعية بالفعل إمكانات تطبيق ناضجة.

حماية الخصوصية: دور FHE في Web3

في عصر يعتمد على البيانات، أصبحت حماية الخصوصية محور اهتمام عالمي، كما يتضح من سنّ لوائح مثل اللائحة العامة لحماية البيانات في الاتحاد الأوروبي (GDPR)، بما يعكس الوصاية الصارمة على خصوصية الأفراد. ومع ذلك، فقد جلب هذا أيضًا تحديات: إذ لا يمكن استخدام بعض البيانات الحساسة بالكامل بسبب مخاطر الخصوصية، وهو ما يحد بلا شك من إمكانات وقدرات الاستدلال لدى نماذج الذكاء الاصطناعي.

يتيح FHE، أو التشفير التام المتجانس (Fully Homomorphic Encryption)، إجراء الحساب مباشرة على بياناتٍ مُشفرة دون الحاجة إلى فك التشفير، بينما تكون نتائج الحساب متسقة مع تنفيذ العمليات نفسها على النص الصريح.

يوفر FHE حماية قوية لحوسبة خصوصية الذكاء الاصطناعي، ما يتيح لقدرات الحوسبة على وحدات GPU تنفيذ مهام تدريب النماذج والاستدلال دون الوصول إلى البيانات الأصلية. وهذا يوفر مزايا كبيرة لشركات الذكاء الاصطناعي، حيث يمكنها فتح خدمات API بشكل آمن مع حماية أسرار التجارة.

تدعم FHEML المعالجة المشفرة للبيانات والنماذج خلال دورة حياة التعلم الآلي بالكامل، ما يضمن أمن المعلومات الحساسة ويمنع تسرب البيانات. وبهذه الطريقة، تعزز FHEML خصوصية البيانات وتوفر إطارًا حاسوبيًا آمنًا لتطبيقات الذكاء الاصطناعي.

تُكمل FHEML ZKML، حيث يثبت ZKML التنفيذ الصحيح للتعلم الآلي، بينما تركز FHEML على إجراء الحوسبة على البيانات المشفرة للحفاظ على خصوصية البيانات.

ثورة الحوسبة: حوسبة الذكاء الاصطناعي في الشبكات اللامركزية

تتضاعف التعقيدات الحاسوبية للأنظمة الحالية للذكاء الاصطناعي كل ثلاثة أشهر، ما يؤدي إلى زيادة هائلة في متطلبات قدرات الحوسبة تتجاوز بكثير إمدادات الموارد الحاسوبية المتاحة الحالية. فعلى سبيل المثال، تطلّب تدريب نموذج GPT-3 الخاص بـ OpenAI قدرًا هائلًا من القدرة الحاسوبية، يعادل 355 عامًا من وقت التدريب على جهاز واحد. لا يقتصر هذا النقص في القدرة الحاسوبية على تقييد تقدم تقنيات الذكاء الاصطناعي فحسب، بل يجعل أيضًا النماذج المتقدمة غير متاحة لمعظم الباحثين والمطورين.

بالإضافة إلى ذلك، فإن معدل استخدام وحدات GPU عالميًا يقل عن 40%، إلى جانب تباطؤ التحسينات في أداء المعالجات الدقيقة وعوامل سلسلة الإمداد والعوامل الجيوسياسية التي تسهم في نقص الرقائق، ما يؤدي إلى تفاقم مشكلة إمدادات القدرة الحاسوبية. يجد ممارسو الذكاء الاصطناعي أنفسهم في مأزق: إما شراء الأجهزة أو استئجار موارد السحابة، مع حاجتهم الملحّة إلى نموذج خدمة حوسبة متاح عند الطلب وبتكلفة فعّالة.

IO.net هي شبكة لا مركزية لقدرّات الحوسبة للذكاء الاصطناعي مبنية على Solana، تقوم بتجميع موارد GPU غير المستخدمة عالميًا لتزويد شركات الذكاء الاصطناعي بسوق حوسبة اقتصادي وسهل الوصول. يمكن للجهات التي تحتاج إلى قدرات حوسبة نشر مهام الحوسبة على الشبكة، وستقوم العقود الذكية بتخصيص المهام إلى عقد عمال التعدين المشاركة. ينفذ عمال التعدين المهام، ويرسلون النتائج، ويتلقون نقاط المكافأة عند التحقق الناجح. تعمل طريقة IO.net على تحسين كفاءة استخدام الموارد، مما يساعد على التخفيف من اختناقات قدرات الحوسبة في مجالات مثل الذكاء الاصطناعي.

بالإضافة إلى شبكات الحوسبة اللامركزية العامة، توجد منصات مخصصة لتدريب الذكاء الاصطناعي، مثل Gensyn وFlock.io، وكذلك شبكات حوسبة متخصصة تركز على استدلال الذكاء الاصطناعي، مثل Ritual وFetch.ai.

توفر شبكات الحوسبة اللامركزية سوقًا عادلًا وشفافًا لقدرات الحوسبة، وتكسر الاحتكارات، وتخفض عوائق التطبيق، وتحسن كفاءة الاستخدام. ضمن منظومة Web3 البيئية، ستلعب شبكات الحوسبة اللامركزية دورًا حاسمًا، من خلال جذب المزيد من dApps الابتكارية ودفع تطوير وتطبيق تقنيات الذكاء الاصطناعي بشكل مشترك.

DePIN: Web3 يمكّن Edge AI

تخيل أن هاتفك الذكي أو ساعتك الذكية، أو حتى أجهزة المنزل الذكي تمتلك القدرة على تشغيل الذكاء الاصطناعي—هذه هي جاذبية Edge AI. يتيح ذلك حدوث الحوسبة في مصدر البيانات، وتحقيق زمن استجابة منخفض ومعالجة فورية مع حماية خصوصية المستخدم. تم بالفعل تطبيق تقنية Edge AI في مجالات حرجة مثل القيادة الذاتية.

في عالم Web3، لدينا اسم أكثر ألفة—DePIN. يؤكد Web3 على اللامركزية وسيادة بيانات المستخدم، ويعزز DePIN حماية خصوصية المستخدم عبر معالجة البيانات محليًا، مما يقلل من مخاطر تسرب البيانات. يمكن لاقتصاد الرموز الأصلي في Web3 تحفيز عقد DePIN على توفير موارد الحوسبة، وبناء منظومة مستدامة.

في الوقت الحالي، يتطور DePIN بسرعة داخل نظام Solana البيئي، ليصبح أحد منصات السلاسل العامة المفضلة لنشر المشاريع. لقد قدمت Solana، ذات الإنتاجية العالية ورسوم المعاملات المنخفضة والابتكارات التقنية، دعمًا قويًا لمشاريع DePIN. حاليًا، تجاوزت القيمة السوقية لمشاريع DePIN على Solana 10 مليارات دولار، مع تحقيق تقدم ملحوظ لمشاريع بارزة مثل Render Network وHelium Network.

IMO: نموذج جديد للنشر لنماذج الذكاء الاصطناعي

تم تقديم مفهوم IMO (عرض النموذج الأولي Initial Model Offering) لأول مرة بواسطة بروتوكول Ora، عبر تحويل نماذج الذكاء الاصطناعي إلى رموز.

في النموذج التقليدي، وبسبب عدم وجود آلية لتقاسم الإيرادات، عندما يتم تطوير نموذج ذكاء اصطناعي وإطلاقه في السوق، غالبًا ما يواجه المطورون صعوبة في الحصول على إيرادات مستمرة من الاستخدام اللاحق للنموذج. وخصوصًا عندما يتم دمجه في منتجات وخدمات أخرى، يصبح من الصعب على المبدعين الأصليين تتبع الاستخدام، وبالتالي توليد الإيرادات. بالإضافة إلى ذلك، غالبًا ما يفتقر أداء نماذج الذكاء الاصطناعي وفعاليتها إلى الشفافية، ما يجعل من الصعب على المستثمرين والمستخدمين المحتملين تقييم قيمتها الحقيقية، الأمر الذي يحد من قبول السوق وإمكاناته التجارية.

يوفر IMO طريقة جديدة لتمويل نماذج الذكاء الاصطناعي مفتوحة المصدر وتقاسم القيمة. يمكن للمستثمرين شراء رموز IMO للمشاركة في الإيرادات اللاحقة الناتجة عن النموذج. تستخدم Ora Protocol معايير ERC-7641 وERC-7007 من جهة، إلى جانب Onchain AI Oracle وتقنية OPML من جهة أخرى، لضمان أصالة نماذج الذكاء الاصطناعي وتمكين حاملي الرموز من المشاركة في الإيرادات.

يعزز نموذج IMO الشفافية وبناء الثقة، ويشجع التعاون مفتوح المصدر، ويتوافق مع اتجاهات سوق العملات المشفرة، ويضخ زخمًا في التطوير المستدام لتقنيات الذكاء الاصطناعي. ورغم أن IMO ما يزال في مرحلة تجريبية مبكرة، إلا أنه مع اتساع قبول السوق والمشاركة، فإن طبيعته الابتكارية وقيمته المحتملة تستحق الترقب.

وكلاء الذكاء الاصطناعي: حقبة جديدة من التجارب التفاعلية

يمكن لوكلاء الذكاء الاصطناعي إدراك بيئتهم، والانخراط في تفكير مستقل، واتخاذ الإجراءات المناسبة لتحقيق أهداف محددة مسبقًا. وبدعم نماذج اللغات الكبيرة، لا يفهم وكلاء الذكاء الاصطناعي اللغة الطبيعية فحسب، بل يمكنهم أيضًا التخطيط واتخاذ القرارات وتنفيذ مهام معقدة. يمكنهم العمل كمساعدين افتراضيين، وتعلم تفضيلات المستخدم من خلال التفاعلات وتقديم حلول مخصصة. وحتى دون تعليمات صريحة، يمكن لوكلاء الذكاء الاصطناعي حل المشكلات بشكل مستقل، وتحسين الكفاءة، وخلق قيمة جديدة.

Myshell هي منصة تطبيقات مفتوحة المصدر للذكاء الاصطناعي (AI) الأصلية، تقدم مجموعة أدوات شاملة وسهلة الاستخدام لتكوين وظائف الروبوت (البوت) والمظهر والأصوات، وربطها بمصادر معرفة خارجية. تسعى إلى إنشاء منظومة محتوى للذكاء الاصطناعي عادلة ومفتوحة، وتمكين الأفراد من أن يصبحوا “مبدعين خارقين” عبر الاستفادة من تقنيات الذكاء الاصطناعي التوليدي. قامت Myshell بتدريب نماذج لغوية كبيرة متخصصة لجعل لعب الأدوار أكثر إنسانية. ويمكن لتقنية استنساخ الصوت تسريع تفاعلات منتجات الذكاء الاصطناعي المخصصة، وتقليل تكاليف تركيب الصوت بنسبة 99%، مع إمكانية استنساخ الصوت خلال دقيقة واحدة فقط. يمكن تطبيق وكلاء الذكاء الاصطناعي المخصصين الذين تم إنشاؤهم باستخدام Myshell حاليًا على مجالات متنوعة، بما في ذلك الدردشة بالفيديو، وتعلم اللغات، وتوليد الصور.

عند تقاطع Web3 وAI، يتمحور التركيز الحالي بشكل أساسي حول استكشاف طبقة البنية التحتية، ومعالجة قضايا حاسمة مثل الحصول على بيانات عالية الجودة، وحماية خصوصية البيانات، واستضافة النماذج على السلسلة، وتحسين الاستخدام الفعّال لقدرات الحوسبة اللامركزية، والتحقق من نماذج اللغات الكبيرة. ومع نضوج هذه المكونات البنيوية تدريجيًا، لدينا سبب للاعتقاد بأن اندماج Web3 وAI سيولّد سلسلة من نماذج الأعمال والخدمات الابتكارية.