تفسير المسار الجديد للفضاء اللامركزي الشبكة الذكية: المفاهيم الأساسية، المشاريع الرئيسية والتطورات المستقبلية

المؤلف: cookies

ترجمة: شينتشاو تك فلو

مع التطور المستمر لتقنية Web3، أصبحت الشبكة الذكية اللامركزية للفضاء (DeSPIN) مجالًا يحظى باهتمام كبير. من خلال تحليل واستخدام البيانات البصرية من العالم الحقيقي، تقدم DeSPIN حلولًا مبتكرة لبناء الخرائط، والتخطيط الحضري، وتقنية الروبوتات، كما تفتح نموذجًا اقتصاديًا جديدًا يسمى “المساهمة مقابل الكسب” (Contribute-to-Earn). ستقوم هذه المقالة بشرح المفاهيم الأساسية لـ DeSPIN، والبروتوكولات الرئيسية، واتجاهات تطويرها المستقبلية.

ما هو DeSPIN؟

الذكاء المكاني (Spatial Intelligence) هو تقنية تستخرج الرؤى من خلال تحليل البيانات المرئية من العالم الحقيقي. جوهرها هو دمج المعلومات الجغرافية مع سياق البيئة، مما يوفر الدعم لقرارات البشر. الشبكة اللامركزية للذكاء المكاني (DeSPIN) تجمع بين هذه التقنية ومفهوم اللامركزية في blockchain وWeb3، لتشكل نظامًا بيئيًا مفتوحًا ومشتركًا. تخيل أنك تستطيع كسب المال من خلال مشاركة صور الطرق التي التقطتها في حياتك اليومية، أو البيانات البيئية المسجلة في المراكز التجارية أو الشوارع. هذه النموذج لا يقلل فقط من عوائق جمع البيانات، بل يحفز المستخدمين العاديين على المساهمة في تطوير الذكاء المكاني.

قبل أن نفهم التطبيقات المحددة لـ DeSPIN، نحتاج أولاً إلى إتقان الإطار الأساسي للذكاء المكاني. يتكون الذكاء المكاني من أربعة أجزاء أساسية:

• جمع البيانات: من خلال شبكة المستشعرات (مثل الكاميرات وGPS) وأجهزة إنترنت الأشياء (مثل الهواتف المحمولة وأجهزة الكمبيوتر المحمولة) لجمع البيانات.
• معالجة وتحليل البيانات: استخدام تقنيات التعلم الآلي لمعالجة البيانات الجغرافية، والتعرف على الأنماط داخل البيانات، وبناء قاعدة بيانات للاستعلامات المكانية.
• تمثيل المعرفة: ربط البيانات بالسياق البيئي من خلال الخرائط الدلالية، لتقديم معلومات جغرافية مرئية للمستخدم.
• نظام دعم القرار: بناء نموذج توقع مكاني لتوفير خدمات التطبيقات للمستخدمين، مثل تحسين المسارات وتجنب العقبات.

البروتوكول الرئيسي في مجال DeSPIN

في الوقت الحالي، ظهرت العديد من البروتوكولات المبتكرة في مجال DeSPIN، تركز على سيناريوهات تطبيق مختلفة. فيما يلي ثمانية مشاريع تستحق الاهتمام:

1.هايفمapper

Hivemapper هو بروتوكول لبناء خرائط لامركزي يستخدم نموذج “القيادة لكسب” (Drive-2-Earn). يقوم المستخدمون بالإبلاغ عن مشكلات الطرق في الوقت الفعلي من خلال تطبيق على الهواتف المحمولة، حيث يقوم السائقون بجمع البيانات من خلال كاميرات القيادة المثبتة في مركباتهم، وتتم معالجة هذه البيانات بواسطة خوارزميات الذكاء الاصطناعي لإنشاء الخرائط، ويتم التحقق من دقتها من خلال التعلم المعزز من التغذية الراجعة البشرية (RLHF). يوفر Hivemapper خرائط تغطي المناطق، حيث يمكن للمستخدمين رؤية المناطق التي تم رسمها، والوصول إلى البيانات من خلال واجهة برمجة التطبيقات (API). يمكن لمساهمي البيانات الحصول على مكافآت رموز $HONEY، والتي يمكن استخدامها لشراء بيانات الخرائط أو خدمات أخرى.

2.شبكة NATIX

شبكة NATIX هي بروتوكول اقتصادي للخرائط غير مركزي ، يركز على جمع بيانات الطرق من خلال الأجهزة المحمولة وكاميرات القيادة ، ويتبنى نموذج “القيادة يكسب”. تدعم تقنيتها الأساسية VX360 جمع بيانات بانورامية بزاوية 360 درجة ، ويمكن استخدام البيانات المجمعة لتطوير ميزات المساعدة في القيادة ، مثل تحسين القيادة الذاتية. حاليًا ، تغطي شبكة NATIX 171 دولة ، مع أكثر من 223,000 سائق مسجل ، وبلغت المسافة المجمعة 131 مليون كيلومتر. يمكن لمساهمي البيانات وعقد الشبكة الحصول على مكافآت رمزية قدرها $NATIX ، مما يعزز تطوير النظام البيئي.

تسعى Hivemapper و NATIX إلى بناء خرائط ذات جودة أفضل من خلال بيانات الطريق المجمعة من الجمهور. التطبيقات المحتملة لهذه البيانات واسعة جداً، وتشمل بشكل رئيسي الجوانب التالية:

• تحسين حركة المرور في المدن: من خلال تحليل البيانات المرورية المجمعة في الوقت الحقيقي، يمكن تحسين إدارة تدفق حركة المرور، وتقليل الازدحام، وزيادة كفاءة التنقل.
• مراقبة حالة الطرق: اكتشاف والإبلاغ عن تلف الطرق، والعوائق، أو أي مشاكل محتملة أخرى في الوقت المناسب، مما يساعد في الحفاظ على سلامة وموثوقية البنية التحتية.
• كشف الجرائم وأعمال العنف: من خلال استخدام بيانات الخرائط مع خوارزميات الذكاء الاصطناعي، يمكن أن تساعد في التعرف على السلوكيات الشاذة وتحديد مواقعها، مما يوفر الدعم للسلامة العامة.

هذه التطبيقات لا تعزز فقط من وظائف الخرائط، بل توفر أيضًا قيمة عملية لإدارة المدن والأمان الاجتماعي.

3.فرودو بوتس

FrodoBots هو بروتوكول لجمع البيانات من خلال الألعاب باستخدام الروبوتات، حيث يمكن للمستخدمين التحكم عن بُعد في الروبوتات الأرضية لجمع البيانات الجغرافية، ويدعم طرق تشغيل متعددة (مثل وحدة التحكم، أو لوحة المفاتيح، أو عجلة القيادة). بالإضافة إلى ذلك، يمكن للباحثين نشر نماذج الملاحة بالذكاء الاصطناعي على المنصة لاختبارها. يكسب المستخدمون نقاط FrodoBot (FBPs) من خلال إكمال مهام القيادة، حيث ترتبط النقاط بمسافة المهمة وصعوبتها، فكلما زادت المسافة وازدادت الصعوبة، زادت النقاط. لقد تم اختبار FrodoBots في عدة مدن، وتم تنظيم مسابقة لقدرات الملاحة بين الذكاء الاصطناعي والبشر. علاوة على ذلك، أنشأت FrodoBots نظامًا مشابهًا لـ “نقابة” يسمى Earth Rovers School، مما يسمح للمستخدمين الجدد بالمشاركة في جمع البيانات من خلال استئجار Earth Rovers.

4.عالم جو جو

JoJoWorld هو بروتوكول يركز على جمع بيانات الفضاء ثلاثي الأبعاد، حيث يساعد المستخدمون من خلال تقديم البيانات في تدريب النماذج ثلاثية الأبعاد. توفر المنصة بيانات ثلاثية الأبعاد عالية الجودة لإنشاء مشاهد رقمية متنوعة، مناسبة للواقع الافتراضي، تخطيط المدن، وغيرها من المجالات. يمكن للمستخدمين أيضًا شراء هذه البيانات ثلاثية الأبعاد مباشرة، لتطوير نماذج رقمية مخصصة.

تركز البروتوكولات الأربعة التالية أيضًا على جمع بيانات الفضاء من العالم الحقيقي، لكن مجالات تطبيقها أكثر تخصصًا، حيث تشمل سيناريوهات معينة مثل تدريب نماذج الروبوتات. من خلال التركيز على البيانات ذات الذيل الطويل والاحتياجات المحددة، تضيف هذه البروتوكولات المزيد من الإمكانيات إلى نظام شبكة الذكاء المكاني اللامركزي (DeSPIN).

5.بريزماكساي

PrismaXAI هو بروتوكول يجمع بيانات مشاهد محددة من منظور الشخص الأول، وهو مناسب لتفاعلات اليد - الشيء، والحركة الديناميكية، والتجمعات الاجتماعية، وغيرها من المشاهد المعقدة. تضمن تقنيته الأساسية Proof-of-View صحة البيانات، بينما تعزز آلية التحقق اللامركزية دقة التعليقات على البيانات. يتمتع هذا البروتوكول بإمكانات هائلة في جمع بيانات الذيل الطويل، مما يوفر مزايا فريدة لتدريب النماذج.

6.أوبن مايند إيه جي آي

تتركز OpenMind AGI على تحقيق فهم للعالم الحقيقي من خلال نماذج الرؤية - اللغة - الحركة (VLAMs). النظام الأساسي الأساسي لها OM1 هو نظام تشغيل متعدد المنصات قادر على التفاعل مع البيئة الواقعية الديناميكية، وهو مناسب بشكل خاص لتطوير الروبوتات المخصص. يجمع المنصة البيانات من الهواتف المحمولة والروبوتات، ويشارك هذه البيانات مع مطوري الروبوتات، من أجل تحسين وابتكار سيناريوهات تطبيق الروبوتات.

7.مكة

MeckaAI هو بروتوكول تدريب نموذج الذكاء الاصطناعي للروبوتات اللامركزية، حيث يساعد المستخدمون في تدريب نماذج سلوك الروبوتات من خلال تحميل بيانات الفيديو. توفر المنصة تطبيقًا على الهواتف المحمولة، ويمكن للمستخدمين كسب نقاط OG Mecka من خلال إكمال المهام، مما يعزز من حوافز مساهمة البيانات. يهدف MeckaAI إلى دفع تطوير تكنولوجيا الروبوتات من خلال نموذج العمل الجماعي، وتقليل عوائق الحصول على بيانات التدريب.

8.Xmaquina DAO

Xmaquina DAO هو منظمة ذاتية الحكم (DAO) تدعم مشاريع الروبوتات مفتوحة المصدر. على عكس البروتوكولات الأخرى التي تشارك مباشرة في تدريب النماذج، فإن الهدف الأساسي لـ Xmaquina DAO هو دعم البحث والابتكار في مجال الروبوتات من خلال تخصيص الموارد. يركز مركز الابتكار الداخلي Deus Lab على البحث والتطوير في تكنولوجيا الروبوتات، بينما يقرر MachineDAO من خلال التصويت على تخصيص الموارد للمشاريع التي يتم اتخاذ القرار بشأنها عبر رهن الرموز $DEUS. توفر هذه النموذج دعمًا ماليًا للتطور المفتوح لتكنولوجيا الروبوتات، بينما تضمن الشفافية والعدالة في تخصيص الموارد.

هيكل منظمة MachineDAO

نظرًا لطول النص، لم يتم التوسع في بعض بروتوكولات التطبيقات المشابهة في هذا المجال بالتفصيل، مثل Alaya_AI و Gata_xyz و KrangHQ، والتي تستحق أيضًا الاهتمام.

مستقبل DeSPIN: من المساهمة إلى القيمة

على الرغم من أن DeSPIN لا يزال في مرحلة البداية، إلا أن إمكاناته لا يمكن تجاهلها. مع تطور الذكاء الاصطناعي الفيزيائي والذكاء الاصطناعي المتمثل (Embodied AI)، بالإضافة إلى ظهور مفاهيم جديدة مثل أسطول البيانات البشرية (Human Data Fleet)، من المتوقع أن يقود DeSPIN ثورة تقنية جديدة.

اتجاه محتمل هو انتشار نموذج “التدريب من أجل الربح” (Train-to-Earn, T2E) حيث يساهم المستخدمون بقيمة من خلال بيانات الفضاء المكتسبة من الحياة اليومية ويكافئون بناءً على جودة البيانات. على سبيل المثال، ظهور أجهزة النظارات اللامركزية يمكن أن يزيد بشكل كبير من دقة وتنوع جمع البيانات. البيانات الملتقطة بواسطة النظارات الذكية لا تعكس فقط الطريقة التي يشعر بها البشر بالعالم بأكثر الطرق صدقًا، بل يمكن أيضًا جمع الكثير من الضوضاء البيئية وميزات الوجه وغيرها من بيانات الذيل الطويل، مما يوفر إمكانيات أوسع في مجال الذكاء المكاني.

ومع ذلك، فإن تطوير DeSPIN يواجه بعض التحديات، مثل:

• التحقق من البيانات: كيف نضمن صحة ودقة البيانات المجمعة من قبل الجمهور؟
• القضايا الأخلاقية: كيف يمكن تنظيم استخدام البيانات لتجنب تسرب الخصوصية وإساءة الاستخدام؟
• مستوى قبول الطلب: هل المؤسسات التقليدية مستعدة لاعتماد مجموعة بيانات لامركزية؟

ستحدد حل هذه المشكلات مستقبل DeSPIN، ويحتاج إلى مزيد من البحث والحل في المستقبل.