تهدف هذه الدراسة إلى استكشاف أهم مجالات الذكاء الاصطناعي بالنسبة للمطورين، والفرص الناشئة في مجال Web3 والذكاء الاصطناعي.
قبل مشاركة وجهات النظر البحثية الجديدة، يسرنا أولاً المشاركة في جولة تمويل RedPill بقيمة 5000000 دولار، كما نحن متحمسون للغاية ومتطلعون إلى النمو المشترك مع RedPill في المستقبل!
TL; د
مع جمع بين ويب 3 والذكاء الاصطناعي يصبح موضوعًا بارزًا في عالم العملات الرقمية، تزدهر البنية التحتية للذكاء الاصطناعي في عالم التشفير، ولكن استخدام الذكاء الاصطناعي الفعلي أو تطبيقات الذكاء الاصطناعي ليست طويلة، ويبدو أن مشكلة التجانس في البنية التحتية للذكاء الاصطناعي تظهر تدريجياً. في الآونة الأخيرة، أثار جولة تمويل RedPill التي شاركنا فيها بعض التفاهمات الأعمق.
الأدوات الرئيسية لبناء تطبيقات AI Dapp تشمل الوصول إلى OpenAI اللامركزية، شبكة GPU، وشبكة الاستدلال والوكالة.
السبب في أن شبكات GPU أكثر شعبية من فترة التعدين BTC هو أن سوق AI أكبر وينمو بسرعة وثبات. يدعم AI الملايين من التطبيقات يوميًا ويتطلب أنواعًا متعددة من بطاقات GPU ومواقع الخوادم. كما أن التكنولوجيا أكثر نضجًا والجمهور المستهدف أكثر انتشارًا.
الشبكات الاستدلالية والشبكات الوكيلية لها بنية مشابهة، ولكن تركز على نقاط مختلفة. تُستخدم الشبكات الاستدلالية أساسًا من قبل المطورين ذوي الخبرة لنشر نماذجهم الخاصة، ولكن تشغيل نماذج غير LLM قد لا يتطلب بالضرورة وحدة معالجة الرسومات. أما الشبكات الوكيلية فتركز بشكل أكبر على LLM، حيث لا يحتاج المطورون إلى إحضار نماذجهم الخاصة، بل يركزون أكثر على هندسة الإشارات وكيفية ربط الوكلاء المختلفة. ومن الضروري دائمًا وجود وحدة معالجة الرسومات عالية الأداء في الشبكات الوكيلية.
يتعهد مشروع البنية التحتية للذكاء الاصطناعي بفرص ضخمة وما زال يطلق وظائف جديدة باستمرار.
معظم مشاريع السلسلة الأصلية ما زالت في مرحلة الاختبار، وتعاني من عدم الاستقرار وتعقيد التكوين وتحديات الوظائف المحدودة، وتحتاج أيضًا إلى وقت لتثبت أمانها وخصوصيتها.
يفترض أن تصبح تطبيقات AI Dapp اتجاهًا كبيرًا، وهناك العديد من المجالات غير المطورة بعد، مثل مراقبة، والبنية التحتية المتعلقة ب RAG، ونماذج Web3 الأصلية، ووكالات البيانات اللامركزية والAPI الأصلية المضمنة التشفير، وتقييم الشبكة وغيرها.
*التكامل العمودي هو اتجاه ملحوظ. يحاول مشروع البنية التحتية توفير خدمة شاملة لتبسيط عمل مطوري تطبيقات الذكاء الاصطناعي Dapp.
ستكون المستقبل مزيجًا من الأنواع. يتم إجراء بعض الاستدلال في الجبهة ، بينما يتم حساب البعض الآخر في السلسلة ، وهذا يمكن أن يأخذ في الاعتبار عوامل التكلفة والتحقق.
المصدر: IOSG
مقدمة
تدمج Web3 والذكاء الاصطناعي هو واحد من أكثر الموضوعات المثيرة للإعجاب في مجال الالتشفير الحالي. يعمل المطورون الموهوبون على بناء البنية التحتية للذكاء الاصطناعي لجلب الذكاء إلى العقود الذكية. إن بناء تطبيقات AI dApp مهمة شديدة التعقيد ، حيث يتعين على المطورين التعامل مع نطاقات البيانات والنماذج والقوة الحسابية والعمليات والنشر والتكامل مع سلسلة الكتل. لتلبية هذه المتطلبات ، طور مؤسسو Web3 العديد من الحلول الأولية ، مثل شبكة GPU وتسمية بيانات المجتمع ونماذج التدريب المجتمعية والاستدلال والتدريب الذكي الموثوق ومتجر الوكيل.
وفي هذا الخلفية البنية القوية ، فإن استخدام الفعلي للذكاء الاصطناعي أو تطبيقات الأجهزة التي تعتمد على الذكاء الاصطناعي ليست طويلة. عندما يبحث المطورون عن دليل تطوير AI dApp ، يجدون أن هذه الدروس المتعلقة بالبنية التحتية AI الأصلية غير طويلة ، ويتضمن العديد منها فقط استدعاء OpenAI API في واجهة المستخدم.
مصدر:IOSGVentures
التطبيق الحالي لا يستغل بشكل كامل ميزات اللامركزية والتحقق من صحة التشفير الخاصة بتقنية البلوكشين، ولكن هذا الوضع سيتغير قريبًا. في الوقت الحالي، تم تشغيل معظم البنية التحتية للذكاء الاصطناعي التي تركز على التشفير على شبكة اختبار وتخطط للعمل بشكل رسمي في الأشهر الستة المقبلة.
سوف يقوم هذا البحث بتقديم مقدمة مفصلة حول الأدوات الرئيسية المتاحة في البنية التحتية للذكاء الاصطناعي في مجال التشفير. دعونا نستعد للحظة GPT-3.5 في عالم التشفير!
1. RedPill: يوفر اللامركزية لـ OpenAI
المشروع الذي استثمرنا فيه سابقًا، RedPill، هو نقطة انطلاق جيدة جدًا.
لدى OpenAI عدد قليل من النماذج القوية على المستوى العالمي، مثل GPT-4-vision و GPT-4-turbo و GPT-4o، وهي الخيار الأفضل لبناء تطبيقات الذكاء الاصطناعي المتقدمة Dapp.
يمكن للمطورين استخدام آلة أوراكل أو واجهة المستخدم الأمامية لاستدعاء واجهة برمجة التطبيقات الخاصة بـ OpenAI ودمجها في dApp.
RedPill سيجمع واجهة برمجة تطبيقات مختلفة من مطوري OpenAI API تحت واجهة واحدة، مما يوفر خدمات الذكاء الاصطناعي سريعة واقتصادية وقابلة للتحقق للمستخدمين العالميين، مما يحقق تحقيق الديمقراطية في موارد نماذج الذكاء الاصطناعي الرائدة. ستوجه الخوارزمية طلبات المطورين إلى المساهم الواحد. سيتم تنفيذ طلبات واجهة البرمجة التطبيقية عبر شبكتها الموزعة، مما يتجاوز أي قيود محتملة من OpenAI، ويحل بعض المشاكل الشائعة التي يواجهها المطورون مثل التشفير.
الحد من TPM (عملة في الدقيقة): الحساب الجديد له استخدام محدود للعملة لتلبية احتياجات dApps الشائعة والمعتمدة على الذكاء الاصطناعي.
قيود الوصول: بعض النماذج محدودة في الوصول للحسابات الجديدة أو لبعض الدول.
يمكن للمطورين الوصول إلى نماذج OpenAI بتكلفة منخفضة وقابلة للتوسع وغير مقيدة عن طريق استخدام نفس رمز الطلب ولكن بتغيير اسم المضيف.
2. شبكة GPU
بالإضافة إلى استخدام API من OpenAI، يختار العديد من المطورين أيضًا استضافة النماذج بأنفسهم في المنزل. يمكنهم الاعتماد على شبكة الـGPU اللامركزية، مثل io.net وAethir وAkash وغيرها من الشبكات الشهيرة، لإنشاء مجموعة من وحدات GPU ونشر وتشغيل مجموعة متنوعة من النماذج القوية الداخلية أو مفتوحة المصدر.
هكذا اللامركزية GPU الشبكة، يمكن أن تستفيد من قوة الحوسبة للأفراد أو مراكز البيانات الصغيرة، وتوفير تكوين مرن، واختيار الموقع الطويل للخادم، وتكاليف أقل، مما يتيح للمطورين إجراء تجارب متعلقة بالذكاء الاصطناعي بسهولة داخل ميزانية محدودة. ومع ذلك، نظرًا لطبيعة اللامركزية، فإن هذا النوع من الشبكات GPU لا يزال لديه بعض القيود من حيث الوظائف والتوافر وخصوصية البيانات.
خلال الأشهر القليلة الماضية، شهدت الطلبات على وحدات GPU ارتفاعًا هائلاً، متجاوزة التوقعات السابقة لموجة بيتكوين BTC التعدين السابقة. وتعود أسباب هذه الظاهرة إلى:
زيادة عدد العملاء المستهدفين ، تخدم شبكة GPU الآن مطوري الذكاء الاصطناعي ، فعددهم ليس فقط كبيرًا ولكنهم أكثر ولاءً ولا يتأثرون بتقلب أسعار الأصول الرقمية.
بالمقارنة مع أجهزة التعدين الخاصة، توفر بطاقات الرسوميات ذات الطويل والمواصفات الأطول قدرًا أكبر من الاستيفاء لمتطلبات الـ iez. خاصةً في حالة معالجة النماذج الكبيرة التي تحتاج إلى VRAM أعلى، بينما تتوفر بطاقات الرسوميات الصغيرة بشكلٍ أكثر مناسب للمهام الصغيرة. في الوقت نفسه، تقدم بطاقات الرسوميات ذات الطويل خدمة قريبة المدى للمستخدمين النهائيين ووقت الاستجابة.
مع نضوج التكنولوجيا، تعتمد شبكات GPU بشكل متزايد على تقنيات تسوية سريعة مثل سولانا، وتقنيات الافتراضية دوكر، وتجمع الحسابات راي.
فيما يتعلق بالعوائد الاستثمارية، يتوسع سوق الذكاء الاصطناعي، وتتاح فرص تطوير تطبيقات ونماذج جديدة بشكل بيتكوين، ومعدل العائد المتوقع لنموذج H100 هو 60-70٪، بينما التعدين يظل أكثر تعقيدا، والفائز يأخذ الكل، والإنتاج محدود.
تبدأ شركات التعدين بـ BTC مثل Iris Energy و Core Scientific و Bitdeer أيضًا في دعم شبكات GPU وتوفير خدمات AI وشراء بنشاط GPU المصممة خصيصًا لـ AI ، مثل H100.
موصى به: بالنسبة لمطوري الويب 2 الذين لا يولون اهتماما كبيرا لاتفاقية مستوى الخدمة، io.net يوفر تجربة بسيطة وسهلة الاستخدام، وهو اختيار ذو قيمة جيدة.
3. شبكة الاستدلال
هذا هو النواة الأساسية لبنية التشفير الأساسية. ستدعم في المستقبل ملايين عمليات الاستدلال الذكي. العديد من طبقات الذكاء الاصطناعي الطبقة 1 أو الطبقة 2 قدمت قدرة الاستدلال الذكي الأصلية للمطورين في داخل السلسلة. من بزوغ السوق بما في ذلك Ritual و Valence و Fetch.ai.
هناك اختلافات في هذه الشبكات فيما يلي:
الأداء (وقت الإستجابة، وقت الحساب)
النماذج المدعومة
التحقق
الأسعار (تكلفة استهلاك داخل السلسلة، تكلفة الاستدلال)
تجربة التطوير
3.1 الهدف
الحالة المثالية هي أن يتمكن المطورون من الوصول بسهولة إلى خدمات الاستدلال الذكية المخصصة بأي شكل من الأشكال وبواسطة أي وسيلة في أي مكان، وأنه لا يوجد تقريبًا أي عائق في عملية الاندماج.
يوفر الشبكة الاستدلالية الدعم الأساسي الكامل الذي يحتاجه المطورون، بما في ذلك توليد الإثبات والحاجة إليه، وحساب الاستدلال وعمليات الاستدلال للبيانات، وتوفير واجهات Web2 و Web3، ونشر النموذج بنقرة واحدة، ومراقبة النظام، والتفاعل عبر السلسلة، والتكامل المتزامن والتنفيذ المجدول وغيرها من الوظائف.
مصدر:IOSGVentures
باستخدام هذه الميزات، يمكن للمطورين دمج خدمات الاستدلال بسلاسة في العقود الذكية الحالية. على سبيل المثال، عند بناء روبوتات تداول للتمويل اللامركزي، ستستخدم هذه الروبوتات نماذج التعلم الآلي للبحث عن فرص شراء وبيع محددة لأزواج التداول، وتنفيذ استراتيجيات التداول المقترنة على منصة التداول الأساسية.
في حالة مثالية تامة، يتم استضافة جميع البنية التحتية في السحابة. يكفي للمطورين تحميل نموذج استراتيجية التداول الخاص بهم بتنسيق عام مثل torch، وسيتم تخزين الشبكة الاستدلالية وتوفير النموذج للاستعلامات Web2 و Web3.
بمجرد إكمال جميع خطوات نشر النماذج، يمكن للمطورين استدعاء استدعاءات الاستدلال للنماذج مباشرةً عبر واجهة برمجة تطبيقات الويب 3 (Web3 API) أو العقد الذكي. ستستمر شبكة الاستدلال في تنفيذ استراتيجيات هذه المعاملات وإعادة النتائج إلى العقد الذكي الأساسي. إذا كانت الأموال المجتمعية التي يديرها المطور كبيرة بشكل كبير، فيجب أيضًا توفير التحقق من النتائج. بمجرد استلام النتائج، سيتعامل العقد الذكي مع هذه النتائج لإجراء المعاملات.
مصدر:IOSGVentures
3.1.1 الأحمال الكبيرة والأحمال الصغيرة
من الناحية النظرية ، يمكن أن توفر العمليات الاستدلالية الغير متزامنة أداءً أفضل ؛ ومع ذلك ، قد يجعل هذا النوع من العملية تجربة التطوير غير ملائمة.
عند استخدام الوضع الغير متزامن ، يحتاج المطورون إلى تقديم المهمة أولاً في العقد الذكي لشبكة الاستدلال. عند اكتمال مهمة الاستدلال ، يقوم العقد الذكي لشبكة الاستدلال بإرجاع النتيجة. في هذا النمط البرمجي ، يتم تقسيم اللوجيك إلى استدعاء الاستدلال ومعالجة نتيجة الاستدلال كجزئين مستقلين.
مصدر:IOSGVentures
إذا كان لدى المطور استدعاءات استدلال متداخلة وكمية كبيرة من المنطق التحكمي ، فسيصبح الوضع أسوأ.
مصدر:IOSGVentures
يجعل نمط البرمجة الغير متزامن من الصعب دمجه مع العقود الذكية الحالية. هذا يتطلب من المطورين كتابة العديد من الشيفرات الإضافية ومعالجة الأخطاء وإدارة العلاقات التبعية.
على العكس، البرمجة الزمنية تكون أكثر وضوحًا للمطورين، ولكنها تدخل مشكلات في وقت الكتلة وتصميم سلسلة الكتل. على سبيل المثال، إذا كانت البيانات المدخلة هي بيانات سريعة التغير مثل وقت الكتلة أو الأسعار، فبعد اكتمال الاستنتاج لن تكون البيانات جديدة بعد الآن، وهذا قد يؤدي إلى الحاجة للتراجع في حالات معينة لتنفيذ العقود الذكية. تخيل أن تقوم بإجراء معاملة باستخدام سعر قديم.
مصدر:IOSGVentures
يستخدم معظم البنية التحتية للذكاء الاصطناعي معالجة غير متزامنة ، ولكن Valence يحاول حل هذه المشكلات.
3.2 الواقع
في الواقع، العديد من الشبكات الجديدة للإستدلال لا تزال في مرحلة الاختبار، مثل شبكة Ritual. وفقًا لوثائقهم العامة، فإن وظائف هذه الشبكات محدودة حاليًا (مثل التحقق والإثبات وما إلى ذلك غير متاحة حاليًا). لم يتم توفير بنية تحتية سحابية لدعم عمليات الذكاء الاصطناعي داخل السلسلة، بل تم توفير إطار لاستضافة عمليات الذكاء الاصطناعي ذاتيًا ونقل النتائج إلى داخل السلسلة.
هذه هي البنية التحتية لتشغيل نظام AIGC لعملة غير قابلة للاستبدال. يقوم نموذج الانتشار بإنشاء عملة غير قابلة للاستبدال ورفعها إلى Arweave. ستستخدم شبكة الاستدلال هذا العنوان في داخل السلسلة لسك العملة غير القابلة للاستبدال.
مصدر:IOSGVentures
هذه العملية معقدة للغاية ويحتاج المطورون إلى نشر وصيانة معظم البنية التحتية بأنفسهم، مثل عقدة Ritual المخصصة للخدمات وعقدة Stable Diffusion والعقود الذكية التي لا يمكن استبدالها.
موصى به: يعد تكامل ونشر الشبكات العصبية الحالية للنماذج المخصصة أمرًا معقدًا نسبيًا ، ومعظم الشبكات في هذه المرحلة لا تزال لا تدعم وظيفة التحقق. توفر تطبيقات تقنية الذكاء الاصطناعي للمطورين خيارًا نسبيًا بسيطًا. إذا كنت بحاجة ماسة إلى وظيفة التحقق ، فإن Giza ، موفر ZKML ، خيار جيد.
4. شبكة الوكلاء
تسمح شبكة الوكالات بالمستخدمين بتخصيص الوكالات بسهولة. تتألف هذه الشبكة من كيانات أو العقود الذكية التي يمكنها تنفيذ المهام بشكل مستقل والتفاعل مع بعضها البعض والتفاعل مع شبكة البلوكتشين، دون الحاجة إلى التدخل البشري المباشر. وهي موجهة بشكل رئيسي إلى تقنية LLM. على سبيل المثال، يمكنها توفير روبوت دردشة GPT يعمل بشكل عميق على فهم إيثريوم. وهذا النوع من الروبوتات غير متوفر في الوقت الحالي والمطورين لا يزالون غير قادرين على تطوير تطبيقات معقدة بناءً عليه.
مصدر:IOSGVentures
ولكن في المستقبل، ستوفر شبكة الوكيل أدوات أطول للاستخدام بواسطة الوكلاء، ليس فقط المعرفة، بل أيضًا القدرة على استدعاء واجهة برمجة التطبيقات الخارجية وتنفيذ مهام محددة وما إلى ذلك. سيتمكن المطورون من ربط وكلاء طويلين معًا لبناء سير عمل. على سبيل المثال، كتابة عقد ذكاء Solidity ستتضمن وكيلًا متخصصًا طويلًا، بما في ذلك وكيل التصميم البروتوكولي ووكيل تطوير Solidity ووكيل فحص الأمان للشفرة ووكيل نشر Solidity.
مصدر:IOSGVentures
نحن ننسق تعاون هؤلاء الوكلاء من خلال استخدام التلميحات والسيناريوهات.
بعض أمثلة الشبكات الوكيلة تشمل Flock.ai و Myshell و Theoriq.
التوصية: معظم وكلاء اليوم لديهم وظائف محددة نسبيا. لحالات الاستخدام المحددة ، قد تكون وكلاء Web2 خدمة أفضل ولديها أدوات تكوين ناضجة مثل Langchain و Llamaindex.
5. الاختلافات بين الشبكة الوكيلة والشبكة الاستدلالية
تركز شبكة الوكيل بشكل أكبر على LLM وتوفر أدوات مثل Langchain لتكامل الوكيل. في معظم الحالات، لا يحتاج المطورون إلى تطوير نماذج التعلم الآلي بأنفسهم، حيث أن شبكة الوكيل قد بسطت عملية تطوير ونشر النماذج. ما عليهم سوى ربط الوكيل اللازم والأدوات. في العديد من الحالات، سيستخدم المستخدمون النهائيون هذه الوكلاء مباشرةً.
شبكة الاستدلال هي الأساس الأساسي لشبكة الوكيل. يوفر للمطورين صلاحيات الوصول على مستوى أقل. في الحالة العادية ، لا يستخدم المستخدم النهائي شبكة الاستدلال مباشرة. يجب على المطورين نشر نماذجهم ، وهذا لا يقتصر على LLM فحسب ، بل يمكنهم استخدامها عبر نقاط الوصول الخارجية أو الداخلية.
شبكة الوكالة وشبكة التحرير ليست منتجات مستقلة تمامًا. لقد بدأنا بالفعل في رؤية بعض منتجات الدمج الرأسي. يتم توفير القدرة على الوكالة والتحرير في نفس الوقت بسبب اعتماد هذه الوظائف على البنية التحتية المماثلة.
6.01928374656574839201
بالإضافة إلى استدلال النموذج والتدريب والوكيل الشبكة، هناك العديد من المجالات الجديدة في مجال web3 تستحق الاستكشاف:
مجموعة البيانات: كيف يمكن تحويل بيانات سلسلة الكتل إلى مجموعة بيانات قابلة للتعلم الآلي؟ مطورو التعلم الآلي بحاجة إلى بيانات أكثر تخصصاً وتفصيلاً. على سبيل المثال، تقدم Giza مجموعة بيانات عالية الجودة حول التمويل اللامركزي خصيصًا لتدريب التعلم الآلي. يجب أن تكون البيانات المثالية ليست فقط بيانات جدولية بسيطة، بل يجب أن تشمل أيضًا بيانات رسومية تصف تفاعل عالم سلسلة الكتل. حاليًا، لدينا نقص في هذا الجانب. هناك بعض المشاريع حاليًا تعمل على حل هذه المشكلة من خلال مكافأة الأفراد الذين يقومون بإنشاء مجموعات بيانات جديدة، مثل Bagel و Sahara، حيث يعدان بحماية خصوصية بيانات الأفراد.
تخزين النماذج: بعض النماذج ضخمة الحجم، وكيفية تخزينها وتوزيعها ومراقبة الإصدارات لهذه النماذج هو أمر حاسم، وهذا يتعلق بأداء وتكلفة التعلم الآلي في AR وFIL و 0g وغيرها من المشاريع الرائدة في هذا المجال.
التدريب على النموذج: تدريب النموذج الموزع والقابل للتحقق هو مشكلة صعبة. لقد حققت Gensyn و Bittensor و Flock و Allora تقدمًا كبيرًا.
مراقبة: نظرًا لحدوث استدلال النموذج داخل السلسلة وخارجها، نحتاج إلى بنية أساسية جديدة لمساعدة مطوري web3 على تتبع استخدام النموذج، واكتشاف المشاكل والانحرافات المحتملة في الوقت المناسب. بفضل أدوات المراقبة المناسبة، يمكن لمطوري التعلم الآلي في web3 ضبط النموذج في الوقت المناسب وتحسين دقته باستمرار.
البنية التحتية لـ RAG: يتطلب RAG الموزعة بيئة جديدة تمامًا للبنية التحتية، وهو يتطلب تخزينًا وحسابًا مدمجًا وقاعدة بيانات بياناتية ذات متجهات عالية، ويجب تأكيد سلامة خصوصية البيانات. هذا يختلف تمامًا عن البنية التحتية الحالية لـ Web3 AI، حيث تعتمد الأخيرة بشكل كبير على الجهات الخارجية لإكمال RAG، مثل Firstbatch و Bagel.
نموذج مخصص لـ Web3: ليس كل النماذج مناسبة لسيناريوهات Web3. في حالات الأرقام الكبيرة ، يتعين إعادة تدريب النموذج لتوقع الأسعار والتوصية وتطبيقات أخرى محددة. مع تطور البنية التحتية للذكاء الاصطناعي ، نتوقع في المستقبل وجود نماذج طويلة لـ web3 المحلية لخدمة تطبيقات الذكاء الاصطناعي. على سبيل المثال ، يعمل Pond على تطوير GNN للبلوكشين ، والذي يستخدم لتوقع الأسعار والتوصية واكتشاف الاحتيال ومكافحة غسل الأموال وما إلى ذلك في سيناريوهات مختلفة.
تقييم الشبكة: من الصعب تقييم الوكيل في ظل غياب ردود الفعل البشرية. مع انتشار أدوات إنشاء الوكلاء ، ستظهر العديد من الوكالات في السوق. وهذا يتطلب نظامًا لعرض قدرات هذه الوكالات ومساعدة المستخدمين في تقييم أداء أفضل وكيل في حالة معينة. على سبيل المثال ، Neuronets هي أحد المشاركين في هذا المجال.
آلية الإجماع: بالنسبة للمهام الذكاء الاصطناعي ، فإن PoS ليس بالضرورة الخيار الأفضل. التعقيد الحسابي ، وصعوبة التحقق من الصحة ، وعدم اليقين هي التحديات الرئيسية لنقاط البيع. أنشأت Bittensor آلية إجماع ذكية جديدة تكافئ العقد في الشبكة للمساهمة في نماذج ومخرجات التعلم الآلي.
7. النظرة المستقبلية
نحن حاليا نشهد اتجاه التكامل العمودي. من خلال بناء طبقة حوسبة أساسية، يمكن للشبكة دعم مجموعة متنوعة من مهام التعلم الآلي، بما في ذلك التدريب والاستدلال وخدمات الشبكة الوكيلة. يهدف هذا النمط إلى توفير حل شامل واحد لمطوري التعلم الآلي لـ Web3.
حالياً، على الرغم من كلفته الباهظة وبطئه، إلا أن التحقق من الصحة الممتاز والتكامل السلس مع أنظمة الخلفية (مثل العقود الذكية) يجعل تنفيذ الداخل السلسلة المعالجة مثيرة للاهتمام. أعتقد أن المستقبل سيسلك طريق التطبيقات المختلطة. سيتم تنفيذ جزء من معالجة الداخل السلسلة في الواجهة الأمامية أو خارج السلسلة، في حين سيتم إكمال تلك المعالجة الحاسمة والقرارية داخل السلسلة. لقد تم تطبيق هذا النمط بالفعل على الأجهزة المحمولة. من خلال الاستفادة من طبيعة الأجهزة المحمولة، يمكنها تشغيل نماذج صغيرة بسرعة محلياً ونقل المهام الأكثر تعقيداً إلى السحابة باستخدام معالجة LLM أكبر.
شاهد النسخة الأصلية
المحتوى هو للمرجعية فقط، وليس دعوة أو عرضًا. لا يتم تقديم أي مشورة استثمارية أو ضريبية أو قانونية. للمزيد من الإفصاحات حول المخاطر، يُرجى الاطلاع على إخلاء المسؤولية.
IOSG: أين هو النقطة الانفجارية التالية لـ Web3+AI؟
المؤلف: IOSG فنتشرز
شكرا لردود الفعل من Zhenyang@Upshot ، Fran@Giza ، Ashely@Neuronets ، Matt@Valence ، Dylan@Pond.
تهدف هذه الدراسة إلى استكشاف أهم مجالات الذكاء الاصطناعي بالنسبة للمطورين، والفرص الناشئة في مجال Web3 والذكاء الاصطناعي.
قبل مشاركة وجهات النظر البحثية الجديدة، يسرنا أولاً المشاركة في جولة تمويل RedPill بقيمة 5000000 دولار، كما نحن متحمسون للغاية ومتطلعون إلى النمو المشترك مع RedPill في المستقبل!
TL; د
مع جمع بين ويب 3 والذكاء الاصطناعي يصبح موضوعًا بارزًا في عالم العملات الرقمية، تزدهر البنية التحتية للذكاء الاصطناعي في عالم التشفير، ولكن استخدام الذكاء الاصطناعي الفعلي أو تطبيقات الذكاء الاصطناعي ليست طويلة، ويبدو أن مشكلة التجانس في البنية التحتية للذكاء الاصطناعي تظهر تدريجياً. في الآونة الأخيرة، أثار جولة تمويل RedPill التي شاركنا فيها بعض التفاهمات الأعمق.
المصدر: IOSG
مقدمة
تدمج Web3 والذكاء الاصطناعي هو واحد من أكثر الموضوعات المثيرة للإعجاب في مجال الالتشفير الحالي. يعمل المطورون الموهوبون على بناء البنية التحتية للذكاء الاصطناعي لجلب الذكاء إلى العقود الذكية. إن بناء تطبيقات AI dApp مهمة شديدة التعقيد ، حيث يتعين على المطورين التعامل مع نطاقات البيانات والنماذج والقوة الحسابية والعمليات والنشر والتكامل مع سلسلة الكتل. لتلبية هذه المتطلبات ، طور مؤسسو Web3 العديد من الحلول الأولية ، مثل شبكة GPU وتسمية بيانات المجتمع ونماذج التدريب المجتمعية والاستدلال والتدريب الذكي الموثوق ومتجر الوكيل.
مصدر:IOSGVentures
1. RedPill: يوفر اللامركزية لـ OpenAI
المشروع الذي استثمرنا فيه سابقًا، RedPill، هو نقطة انطلاق جيدة جدًا.
لدى OpenAI عدد قليل من النماذج القوية على المستوى العالمي، مثل GPT-4-vision و GPT-4-turbo و GPT-4o، وهي الخيار الأفضل لبناء تطبيقات الذكاء الاصطناعي المتقدمة Dapp.
يمكن للمطورين استخدام آلة أوراكل أو واجهة المستخدم الأمامية لاستدعاء واجهة برمجة التطبيقات الخاصة بـ OpenAI ودمجها في dApp.
RedPill سيجمع واجهة برمجة تطبيقات مختلفة من مطوري OpenAI API تحت واجهة واحدة، مما يوفر خدمات الذكاء الاصطناعي سريعة واقتصادية وقابلة للتحقق للمستخدمين العالميين، مما يحقق تحقيق الديمقراطية في موارد نماذج الذكاء الاصطناعي الرائدة. ستوجه الخوارزمية طلبات المطورين إلى المساهم الواحد. سيتم تنفيذ طلبات واجهة البرمجة التطبيقية عبر شبكتها الموزعة، مما يتجاوز أي قيود محتملة من OpenAI، ويحل بعض المشاكل الشائعة التي يواجهها المطورون مثل التشفير.
يمكن للمطورين الوصول إلى نماذج OpenAI بتكلفة منخفضة وقابلة للتوسع وغير مقيدة عن طريق استخدام نفس رمز الطلب ولكن بتغيير اسم المضيف.
2. شبكة GPU
بالإضافة إلى استخدام API من OpenAI، يختار العديد من المطورين أيضًا استضافة النماذج بأنفسهم في المنزل. يمكنهم الاعتماد على شبكة الـGPU اللامركزية، مثل io.net وAethir وAkash وغيرها من الشبكات الشهيرة، لإنشاء مجموعة من وحدات GPU ونشر وتشغيل مجموعة متنوعة من النماذج القوية الداخلية أو مفتوحة المصدر.
هكذا اللامركزية GPU الشبكة، يمكن أن تستفيد من قوة الحوسبة للأفراد أو مراكز البيانات الصغيرة، وتوفير تكوين مرن، واختيار الموقع الطويل للخادم، وتكاليف أقل، مما يتيح للمطورين إجراء تجارب متعلقة بالذكاء الاصطناعي بسهولة داخل ميزانية محدودة. ومع ذلك، نظرًا لطبيعة اللامركزية، فإن هذا النوع من الشبكات GPU لا يزال لديه بعض القيود من حيث الوظائف والتوافر وخصوصية البيانات.
خلال الأشهر القليلة الماضية، شهدت الطلبات على وحدات GPU ارتفاعًا هائلاً، متجاوزة التوقعات السابقة لموجة بيتكوين BTC التعدين السابقة. وتعود أسباب هذه الظاهرة إلى:
موصى به: بالنسبة لمطوري الويب 2 الذين لا يولون اهتماما كبيرا لاتفاقية مستوى الخدمة، io.net يوفر تجربة بسيطة وسهلة الاستخدام، وهو اختيار ذو قيمة جيدة.
3. شبكة الاستدلال
هذا هو النواة الأساسية لبنية التشفير الأساسية. ستدعم في المستقبل ملايين عمليات الاستدلال الذكي. العديد من طبقات الذكاء الاصطناعي الطبقة 1 أو الطبقة 2 قدمت قدرة الاستدلال الذكي الأصلية للمطورين في داخل السلسلة. من بزوغ السوق بما في ذلك Ritual و Valence و Fetch.ai.
هناك اختلافات في هذه الشبكات فيما يلي:
3.1 الهدف
الحالة المثالية هي أن يتمكن المطورون من الوصول بسهولة إلى خدمات الاستدلال الذكية المخصصة بأي شكل من الأشكال وبواسطة أي وسيلة في أي مكان، وأنه لا يوجد تقريبًا أي عائق في عملية الاندماج.
يوفر الشبكة الاستدلالية الدعم الأساسي الكامل الذي يحتاجه المطورون، بما في ذلك توليد الإثبات والحاجة إليه، وحساب الاستدلال وعمليات الاستدلال للبيانات، وتوفير واجهات Web2 و Web3، ونشر النموذج بنقرة واحدة، ومراقبة النظام، والتفاعل عبر السلسلة، والتكامل المتزامن والتنفيذ المجدول وغيرها من الوظائف.
مصدر:IOSGVentures
باستخدام هذه الميزات، يمكن للمطورين دمج خدمات الاستدلال بسلاسة في العقود الذكية الحالية. على سبيل المثال، عند بناء روبوتات تداول للتمويل اللامركزي، ستستخدم هذه الروبوتات نماذج التعلم الآلي للبحث عن فرص شراء وبيع محددة لأزواج التداول، وتنفيذ استراتيجيات التداول المقترنة على منصة التداول الأساسية.
في حالة مثالية تامة، يتم استضافة جميع البنية التحتية في السحابة. يكفي للمطورين تحميل نموذج استراتيجية التداول الخاص بهم بتنسيق عام مثل torch، وسيتم تخزين الشبكة الاستدلالية وتوفير النموذج للاستعلامات Web2 و Web3.
بمجرد إكمال جميع خطوات نشر النماذج، يمكن للمطورين استدعاء استدعاءات الاستدلال للنماذج مباشرةً عبر واجهة برمجة تطبيقات الويب 3 (Web3 API) أو العقد الذكي. ستستمر شبكة الاستدلال في تنفيذ استراتيجيات هذه المعاملات وإعادة النتائج إلى العقد الذكي الأساسي. إذا كانت الأموال المجتمعية التي يديرها المطور كبيرة بشكل كبير، فيجب أيضًا توفير التحقق من النتائج. بمجرد استلام النتائج، سيتعامل العقد الذكي مع هذه النتائج لإجراء المعاملات.
مصدر:IOSGVentures
3.1.1 الأحمال الكبيرة والأحمال الصغيرة
من الناحية النظرية ، يمكن أن توفر العمليات الاستدلالية الغير متزامنة أداءً أفضل ؛ ومع ذلك ، قد يجعل هذا النوع من العملية تجربة التطوير غير ملائمة.
عند استخدام الوضع الغير متزامن ، يحتاج المطورون إلى تقديم المهمة أولاً في العقد الذكي لشبكة الاستدلال. عند اكتمال مهمة الاستدلال ، يقوم العقد الذكي لشبكة الاستدلال بإرجاع النتيجة. في هذا النمط البرمجي ، يتم تقسيم اللوجيك إلى استدعاء الاستدلال ومعالجة نتيجة الاستدلال كجزئين مستقلين.
مصدر:IOSGVentures
إذا كان لدى المطور استدعاءات استدلال متداخلة وكمية كبيرة من المنطق التحكمي ، فسيصبح الوضع أسوأ.
مصدر:IOSGVentures
يجعل نمط البرمجة الغير متزامن من الصعب دمجه مع العقود الذكية الحالية. هذا يتطلب من المطورين كتابة العديد من الشيفرات الإضافية ومعالجة الأخطاء وإدارة العلاقات التبعية.
على العكس، البرمجة الزمنية تكون أكثر وضوحًا للمطورين، ولكنها تدخل مشكلات في وقت الكتلة وتصميم سلسلة الكتل. على سبيل المثال، إذا كانت البيانات المدخلة هي بيانات سريعة التغير مثل وقت الكتلة أو الأسعار، فبعد اكتمال الاستنتاج لن تكون البيانات جديدة بعد الآن، وهذا قد يؤدي إلى الحاجة للتراجع في حالات معينة لتنفيذ العقود الذكية. تخيل أن تقوم بإجراء معاملة باستخدام سعر قديم.
مصدر:IOSGVentures
يستخدم معظم البنية التحتية للذكاء الاصطناعي معالجة غير متزامنة ، ولكن Valence يحاول حل هذه المشكلات.
3.2 الواقع
في الواقع، العديد من الشبكات الجديدة للإستدلال لا تزال في مرحلة الاختبار، مثل شبكة Ritual. وفقًا لوثائقهم العامة، فإن وظائف هذه الشبكات محدودة حاليًا (مثل التحقق والإثبات وما إلى ذلك غير متاحة حاليًا). لم يتم توفير بنية تحتية سحابية لدعم عمليات الذكاء الاصطناعي داخل السلسلة، بل تم توفير إطار لاستضافة عمليات الذكاء الاصطناعي ذاتيًا ونقل النتائج إلى داخل السلسلة.
هذه هي البنية التحتية لتشغيل نظام AIGC لعملة غير قابلة للاستبدال. يقوم نموذج الانتشار بإنشاء عملة غير قابلة للاستبدال ورفعها إلى Arweave. ستستخدم شبكة الاستدلال هذا العنوان في داخل السلسلة لسك العملة غير القابلة للاستبدال.
مصدر:IOSGVentures
هذه العملية معقدة للغاية ويحتاج المطورون إلى نشر وصيانة معظم البنية التحتية بأنفسهم، مثل عقدة Ritual المخصصة للخدمات وعقدة Stable Diffusion والعقود الذكية التي لا يمكن استبدالها.
موصى به: يعد تكامل ونشر الشبكات العصبية الحالية للنماذج المخصصة أمرًا معقدًا نسبيًا ، ومعظم الشبكات في هذه المرحلة لا تزال لا تدعم وظيفة التحقق. توفر تطبيقات تقنية الذكاء الاصطناعي للمطورين خيارًا نسبيًا بسيطًا. إذا كنت بحاجة ماسة إلى وظيفة التحقق ، فإن Giza ، موفر ZKML ، خيار جيد.
4. شبكة الوكلاء
تسمح شبكة الوكالات بالمستخدمين بتخصيص الوكالات بسهولة. تتألف هذه الشبكة من كيانات أو العقود الذكية التي يمكنها تنفيذ المهام بشكل مستقل والتفاعل مع بعضها البعض والتفاعل مع شبكة البلوكتشين، دون الحاجة إلى التدخل البشري المباشر. وهي موجهة بشكل رئيسي إلى تقنية LLM. على سبيل المثال، يمكنها توفير روبوت دردشة GPT يعمل بشكل عميق على فهم إيثريوم. وهذا النوع من الروبوتات غير متوفر في الوقت الحالي والمطورين لا يزالون غير قادرين على تطوير تطبيقات معقدة بناءً عليه.
مصدر:IOSGVentures
ولكن في المستقبل، ستوفر شبكة الوكيل أدوات أطول للاستخدام بواسطة الوكلاء، ليس فقط المعرفة، بل أيضًا القدرة على استدعاء واجهة برمجة التطبيقات الخارجية وتنفيذ مهام محددة وما إلى ذلك. سيتمكن المطورون من ربط وكلاء طويلين معًا لبناء سير عمل. على سبيل المثال، كتابة عقد ذكاء Solidity ستتضمن وكيلًا متخصصًا طويلًا، بما في ذلك وكيل التصميم البروتوكولي ووكيل تطوير Solidity ووكيل فحص الأمان للشفرة ووكيل نشر Solidity.
مصدر:IOSGVentures
نحن ننسق تعاون هؤلاء الوكلاء من خلال استخدام التلميحات والسيناريوهات.
بعض أمثلة الشبكات الوكيلة تشمل Flock.ai و Myshell و Theoriq.
التوصية: معظم وكلاء اليوم لديهم وظائف محددة نسبيا. لحالات الاستخدام المحددة ، قد تكون وكلاء Web2 خدمة أفضل ولديها أدوات تكوين ناضجة مثل Langchain و Llamaindex.
5. الاختلافات بين الشبكة الوكيلة والشبكة الاستدلالية
تركز شبكة الوكيل بشكل أكبر على LLM وتوفر أدوات مثل Langchain لتكامل الوكيل. في معظم الحالات، لا يحتاج المطورون إلى تطوير نماذج التعلم الآلي بأنفسهم، حيث أن شبكة الوكيل قد بسطت عملية تطوير ونشر النماذج. ما عليهم سوى ربط الوكيل اللازم والأدوات. في العديد من الحالات، سيستخدم المستخدمون النهائيون هذه الوكلاء مباشرةً.
شبكة الاستدلال هي الأساس الأساسي لشبكة الوكيل. يوفر للمطورين صلاحيات الوصول على مستوى أقل. في الحالة العادية ، لا يستخدم المستخدم النهائي شبكة الاستدلال مباشرة. يجب على المطورين نشر نماذجهم ، وهذا لا يقتصر على LLM فحسب ، بل يمكنهم استخدامها عبر نقاط الوصول الخارجية أو الداخلية.
شبكة الوكالة وشبكة التحرير ليست منتجات مستقلة تمامًا. لقد بدأنا بالفعل في رؤية بعض منتجات الدمج الرأسي. يتم توفير القدرة على الوكالة والتحرير في نفس الوقت بسبب اعتماد هذه الوظائف على البنية التحتية المماثلة.
6.01928374656574839201
بالإضافة إلى استدلال النموذج والتدريب والوكيل الشبكة، هناك العديد من المجالات الجديدة في مجال web3 تستحق الاستكشاف:
7. النظرة المستقبلية
نحن حاليا نشهد اتجاه التكامل العمودي. من خلال بناء طبقة حوسبة أساسية، يمكن للشبكة دعم مجموعة متنوعة من مهام التعلم الآلي، بما في ذلك التدريب والاستدلال وخدمات الشبكة الوكيلة. يهدف هذا النمط إلى توفير حل شامل واحد لمطوري التعلم الآلي لـ Web3.
حالياً، على الرغم من كلفته الباهظة وبطئه، إلا أن التحقق من الصحة الممتاز والتكامل السلس مع أنظمة الخلفية (مثل العقود الذكية) يجعل تنفيذ الداخل السلسلة المعالجة مثيرة للاهتمام. أعتقد أن المستقبل سيسلك طريق التطبيقات المختلطة. سيتم تنفيذ جزء من معالجة الداخل السلسلة في الواجهة الأمامية أو خارج السلسلة، في حين سيتم إكمال تلك المعالجة الحاسمة والقرارية داخل السلسلة. لقد تم تطبيق هذا النمط بالفعل على الأجهزة المحمولة. من خلال الاستفادة من طبيعة الأجهزة المحمولة، يمكنها تشغيل نماذج صغيرة بسرعة محلياً ونقل المهام الأكثر تعقيداً إلى السحابة باستخدام معالجة LLM أكبر.