دمج الذكاء الاصطناعي والبلوكتشين: صورة شاملة من البنية التحتية إلى التطبيقات
تعتبر التطورات السريعة في صناعة الذكاء الاصطناعي الأخيرة بمثابة بداية الثورة الصناعية الرابعة من قبل بعض الناس. لقد عزز ظهور النماذج اللغوية الكبيرة الكفاءة في مختلف الصناعات بشكل ملحوظ، حيث قدرت شركة بوسطن الاستشارية أن GPT قد جلبت حوالي 20% من تحسين الكفاءة العامة للعمل في الولايات المتحدة. في الوقت نفسه، يُنظر إلى قدرة التعميم التي تمتلكها النماذج الكبيرة على أنها نمط جديد من تصميم البرمجيات. كان تصميم البرمجيات السابق يعتمد على التعليمات البرمجية الدقيقة، بينما يعتمد تصميم البرمجيات الآن بشكل أكبر على تضمين أطر النماذج الكبيرة ذات القدرة العالية على التعميم في البرمجيات، مما يجعل البرمجيات قادرة على تقديم أداء أفضل ودعم إدخالات وإخراجات متعددة الأشكال. لقد جلبت تقنيات التعلم العميق بالفعل جولة جديدة من الازدهار لصناعة الذكاء الاصطناعي، وقد بدأت هذه الموجة تتسرب تدريجياً إلى صناعة العملات المشفرة.
بدأت صناعة الذكاء الاصطناعي في الخمسينيات من القرن العشرين. لتحقيق رؤية الذكاء الاصطناعي، طورت الأوساط الأكاديمية والصناعية في عصور مختلفة، ومن خلفيات تخصصية متنوعة، العديد من المدارس لتحقيق الذكاء الاصطناعي.
تعتمد تقنيات الذكاء الاصطناعي الحديثة بشكل رئيسي على مصطلح "تعلم الآلة"، حيث تتمثل الفكرة الأساسية في تمكين الآلات من تحسين أداء النظام من خلال تكرار المهام بالاعتماد على البيانات. تشمل الخطوات الرئيسية إدخال البيانات إلى الخوارزمية، واستخدام هذه البيانات لتدريب النموذج، واختبار النموذج ونشره، وأخيرًا استخدام النموذج لإكمال مهام التنبؤ الآلي.
توجد حاليًا ثلاث مدارس رئيسية في تعلم الآلة، وهي الارتباطية، الرمزية والسلوكية، والتي تقلد على التوالي الجهاز العصبي البشري، التفكير والسلوك. من بينها، تهيمن الارتباطية المتمثلة في الشبكات العصبية حاليًا، وتعرف أيضًا بالتعلم العميق (. يحتوي هذا الهيكل على طبقة إدخال، وطبقة إخراج، والعديد من الطبقات المخفية. عندما تكون عدد الطبقات وعدد الخلايا العصبية ) والمعلمات ( كافية، يمكنه محاكاة المهام العامة المعقدة. من خلال إدخال البيانات باستمرار، وضبط معلمات الخلايا العصبية، وبعد تدريب كبير على البيانات، يمكن أن تصل الشبكة العصبية إلى حالة مثالية. وهذا هو أصل كلمة "عميق" - عدد كافٍ من الطبقات والخلايا العصبية.
! [الوافد الجديد Science Popular 丨الذكاء الاصطناعي x Crypto: من الصفر إلى الذروة])https://img-cdn.gateio.im/webp-social/moments-c50ee5a87373c6cd6c4dc63adc2cf47c.webp019283746574839201
تكنولوجيا التعلم العميق المستندة إلى الشبكات العصبية قد شهدت أيضًا العديد من التكرارات والتطورات التكنولوجية، من الشبكات العصبية المبكرة، إلى الشبكات العصبية ذات التغذية الأمامية، RNN، CNN، GAN، وأخيرًا تطورت إلى النماذج الكبيرة الحديثة مثل تقنيات Transformer المستخدمة في GPT. تقنية Transformer هي اتجاه تطوري للشبكات العصبية، حيث أضافت محول (Transformer)، لتحويل بيانات متعددة الأنماط ( مثل الصوت والفيديو والصور وغيرها ) إلى تمثيلات عددية معنية. ثم يتم إدخال هذه البيانات المشفرة إلى الشبكة العصبية، مما يمكّن الشبكة العصبية من التكيف مع أي نوع من البيانات، وبالتالي تحقيق القدرة على المعالجة متعددة الأنماط.
شهد تطور الذكاء الاصطناعي ثلاث موجات تكنولوجية. حدثت الموجة الأولى في الستينيات من القرن العشرين، وهي عشر سنوات بعد تقديم تقنية الذكاء الاصطناعي. كانت هذه الموجة مدفوعة بشكل رئيسي بتطور تقنيات الرمزية، التي حلت مشاكل معالجة اللغة الطبيعية العامة والحوار بين الإنسان والآلة. في نفس الفترة، وُلدت أنظمة الخبراء، وهو نظام DENRAL للخبراء الذي تم تطويره بدعم من وكالة ناسا في جامعة ستانفورد، والذي يمتلك معرفة قوية في الكيمياء، قادرًا على استنتاج الإجابات المشابهة لخبراء الكيمياء من خلال طرح الأسئلة.
حدثت الموجة الثانية من تكنولوجيا الذكاء الاصطناعي في عام 1997، عندما هزمت "ديب بلو" من IBM بواقع 3.5:2.5 بطل الشطرنج كاسباروف، وقد اعتُبرت هذه الانتصار علامة بارزة في تطور الذكاء الاصطناعي.
بدأت الموجة الثالثة من تكنولوجيا الذكاء الاصطناعي في عام 2006. اقترح ثلاثة عمالقة في التعلم العميق، يان ليكون، جيفري هينتون ويوشوا بنغيو، مفهوم التعلم العميق، وهو خوارزمية تعتمد على الشبكات العصبية الاصطناعية لتعلم تمثيل البيانات. منذ ذلك الحين، تطورت خوارزميات التعلم العميق باستمرار، من RNN و GAN إلى Transformer و Stable Diffusion، حيث شكلت هذه الخوارزميات معًا الموجة التقنية الثالثة، كما تمثل ذروة الارتباطية.
تستخدم النماذج اللغوية الكبيرة الحالية بشكل رئيسي طرق التعلم العميق المستندة إلى الشبكات العصبية. وقد أثار نموذج GPT وما يماثله جولة جديدة من حمى الذكاء الاصطناعي، حيث تدفق عدد كبير من اللاعبين إلى هذا المجال. نجد أن السوق تشهد انفجاراً كبيراً في الطلب على البيانات وقدرات الحوسبة، لذا في هذا الجزء من التقرير، نستكشف بشكل رئيسي سلسلة الصناعة لخوارزميات التعلم العميق، ونحلل كيف تتكون السلاسل العليا والدنيا في صناعة الذكاء الاصطناعي التي تهيمن عليها خوارزميات التعلم العميق، بالإضافة إلى الحالة الراهنة والعلاقات بين العرض والطلب والاتجاهات المستقبلية.
تدريب نماذج اللغة الكبيرة مثل GPT المعتمدة على تقنية Transformer ( LLMs ) يتم تقسيمه بشكل أساسي إلى ثلاث خطوات:
التدريب المسبق: من خلال تقديم كمية كبيرة من أزواج البيانات إلى طبقة الإدخال للبحث عن أفضل معلمات لكل خلية عصبية في النموذج. تتطلب هذه العملية بيانات ضخمة، وهي أيضًا المرحلة الأكثر استهلاكًا لقوة الحوسبة.
الضبط الدقيق: استخدام كمية أقل ولكن ذات جودة عالية من البيانات للتدريب، لتحسين جودة مخرجات النموذج.
التعلم المعزز: إنشاء "نموذج مكافأة" لتقييم جودة مخرجات النموذج الكبير، من خلال هذه الطريقة لتحسين معلمات النموذج الكبير بشكل متكرر.
خلال عملية تدريب النموذج الكبير، كلما زادت عدد المعلمات، زادت الحد الأقصى لقدرة التعميم لديه. وبالتالي، فإن العوامل الرئيسية الثلاثة التي تؤثر على أداء النموذج الكبير هي: عدد المعلمات، حجم وجودة البيانات، وقوة الحوسبة. هذه العناصر الثلاثة تحدد معًا جودة نتائج النموذج الكبير وقدرته على التعميم.
تشمل المراحل الرئيسية في سلسلة الصناعة:
مزودو أجهزة GPU: تتصدر Nvidia حاليًا السوق في مجال شرائح الذكاء الاصطناعي. تستخدم الأوساط الأكاديمية بشكل رئيسي وحدات معالجة الرسوميات من الفئة الاستهلاكية ( مثل سلسلة RTX )، بينما تستخدم الأوساط الصناعية بشكل رئيسي شرائح H100 و A100 وغيرها من الشرائح المخصصة لتطبيقات النماذج الكبيرة.
مزودو خدمات السحاب: يقدمون قدرة حوسبة مرنة وحلول تدريب مستضافة للشركات الناشئة في مجال الذكاء الاصطناعي ذات الميزانية المحدودة. تنقسم بشكل رئيسي إلى ثلاث فئات: مزودو السحاب التقليديون الكبار ( مثل AWS وGoogle Cloud وAzure )، منصات الحوسبة السحابية المتخصصة في المسارات الرأسية ( مثل CoreWeave وLambda )، ومزودو خدمات الاستدلال الناشئين ( مثل Together.ai وFireworks.ai ).
مزود بيانات التدريب: يوفر للناس كمية كبيرة من البيانات عالية الجودة أو بيانات محددة في مجالات معينة. بعض الشركات متخصصة في جمع البيانات ووضع العلامات.
مزودو قواعد البيانات: يقدمون حلول قواعد بيانات متخصصة للتخزين ومعالجة بيانات الذكاء الاصطناعي. تشمل اللاعبين الرئيسيين Chroma و Zilliz و Pinecone و Weaviate وغيرها.
الأجهزة الطرفية: تشمل أنظمة إمداد الطاقة والتبريد لدعم تشغيل تجمعات GPU الكبيرة. مع زيادة حجم نماذج الذكاء الاصطناعي، يتزايد الطلب في هذا المجال بسرعة.
تطوير التطبيقات: تطوير تطبيقات في مجالات عمودية مختلفة بناءً على النماذج الكبيرة، مثل المساعدين الذكيين، وأدوات إنشاء المحتوى، وما إلى ذلك. حاليًا، يتخلف تطوير التطبيقات نسبيًا عن بناء البنية التحتية.
تتجلى دمج تقنية البلوكتشين والذكاء الاصطناعي بشكل رئيسي في الجوانب التالية:
إعادة تشكيل القيمة: يمكن للاقتصاد الرمزي إعادة تعريف القيمة في مختلف مراحل سلسلة صناعة الذكاء الاصطناعي، وتحفيز المزيد من المشاركين للغوص في مجالات فرعية من صناعة الذكاء الاصطناعي.
آلية الثقة: يمكن أن توفر خصائص اللامركزية وعدم القابلية للتغيير في البلوكتشين بيئة موثوقة لمعالجة بيانات تطبيقات الذكاء الاصطناعي، مما يحل مشاكل خصوصية البيانات وأمانها.
مشاركة الموارد: من خلال شبكة البلوكتشين، يمكن تحقيق المشاركة العالمية لقوة معالجة GPU غير المستخدمة، مما يزيد من كفاءة استخدام الموارد.
سوق البيانات: يمكن للبلوكتشين بناء سوق تداول عادل وشفاف لبيانات تدريب الذكاء الاصطناعي، مما يحفز الأفراد والمؤسسات على المساهمة ببيانات عالية الجودة.
التحقق من النموذج: باستخدام تقنيات التشفير مثل إثبات المعرفة الصفرية، يمكن التحقق من صحة نتائج استنتاج الذكاء الاصطناعي مع حماية خصوصية النموذج.
في الإيكولوجيا التي تجمع بين Crypto و AI، ظهرت بشكل رئيسي الأنواع التالية من المشاريع:
شبكة قوة الحوسبة الموزعة بالـ GPU: مثل Render و Akash وغيرها، تهدف إلى بناء سوق حوسبة GPU لامركزي.
مزودي بيانات الذكاء الاصطناعي: مثل EpiK Protocol و Synesis One و Masa وغيرها، يكرسون جهودهم لإنشاء سوق لبيانات تدريب الذكاء الاصطناعي لامركزي.
ZKML( التعلم الآلي القائم على المعرفة الصفرية ): دمج تقنية إثبات المعرفة الصفرية لتحقيق التدريب والاستدلال بالذكاء الاصطناعي تحت حماية الخصوصية.
وكيل الذكاء الاصطناعي (Agent): مثل Fetch.AI، بناء شبكة من وكلاء الذكاء الاصطناعي القادرين على تنفيذ المهام بشكل مستقل.
بلوكتشين AI: مثل Tensor و Allora، شبكات بلوكتشين مصممة خصيصًا لتطوير ونشر نماذج الذكاء الاصطناعي.
على الرغم من أن دمج التشفير مع الذكاء الاصطناعي لا يزال في مراحله المبكرة ويواجه تحديات مثل الأداء والخصوصية، إلا أن هذا المجال يظهر إمكانيات ابتكار كبيرة. مع تقدم التكنولوجيا وتحسين النظام البيئي، لدينا سبب للاعتقاد بأن الدمج العميق بين الذكاء الاصطناعي والبلوكتشين سيجلب تغييرات ثورية لكلا الصناعتين.
! [علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة](https://img-cdn.gateio.im/webp-social/moments-53c48daf49a3dbb35c1a2b47e234f180.webp019283746574839201
شاهد النسخة الأصلية
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
تسجيلات الإعجاب 14
أعجبني
14
7
إعادة النشر
مشاركة
تعليق
0/400
PrivacyMaximalist
· منذ 1 س
بدأ الضجيج مرة أخرى
شاهد النسخة الأصليةرد0
GetRichLeek
· 08-10 06:51
شراء الانخفاض عملة AI للدخول، قطع الخسارة مقرر... لا تسألني لماذا أعرف!
شاهد النسخة الأصليةرد0
SchrodingerPrivateKey
· 08-10 06:51
استيقظتُ على الحالة الكمية لسيردنجير
شاهد النسخة الأصليةرد0
ShibaOnTheRun
· 08-10 06:50
لقد تم إعادة تداول هذه النكتة القديمة مرة أخرى
شاهد النسخة الأصليةرد0
MoonRocketman
· 08-10 06:48
تم تجهيز زخم RSI، واندماج الذكاء الاصطناعي مع مجتمع السلسلة قد حقق هذا الاختراق لمستوى المقاومة! قوة الحوسبة هي الوقود~
دمج الذكاء الاصطناعي مع البلوكتشين: تحليل شامل من البنية التحتية إلى التطبيقات
دمج الذكاء الاصطناعي والبلوكتشين: صورة شاملة من البنية التحتية إلى التطبيقات
تعتبر التطورات السريعة في صناعة الذكاء الاصطناعي الأخيرة بمثابة بداية الثورة الصناعية الرابعة من قبل بعض الناس. لقد عزز ظهور النماذج اللغوية الكبيرة الكفاءة في مختلف الصناعات بشكل ملحوظ، حيث قدرت شركة بوسطن الاستشارية أن GPT قد جلبت حوالي 20% من تحسين الكفاءة العامة للعمل في الولايات المتحدة. في الوقت نفسه، يُنظر إلى قدرة التعميم التي تمتلكها النماذج الكبيرة على أنها نمط جديد من تصميم البرمجيات. كان تصميم البرمجيات السابق يعتمد على التعليمات البرمجية الدقيقة، بينما يعتمد تصميم البرمجيات الآن بشكل أكبر على تضمين أطر النماذج الكبيرة ذات القدرة العالية على التعميم في البرمجيات، مما يجعل البرمجيات قادرة على تقديم أداء أفضل ودعم إدخالات وإخراجات متعددة الأشكال. لقد جلبت تقنيات التعلم العميق بالفعل جولة جديدة من الازدهار لصناعة الذكاء الاصطناعي، وقد بدأت هذه الموجة تتسرب تدريجياً إلى صناعة العملات المشفرة.
! علم الوافد الجديد 丨 الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة
تاريخ تطور صناعة الذكاء الاصطناعي
بدأت صناعة الذكاء الاصطناعي في الخمسينيات من القرن العشرين. لتحقيق رؤية الذكاء الاصطناعي، طورت الأوساط الأكاديمية والصناعية في عصور مختلفة، ومن خلفيات تخصصية متنوعة، العديد من المدارس لتحقيق الذكاء الاصطناعي.
تعتمد تقنيات الذكاء الاصطناعي الحديثة بشكل رئيسي على مصطلح "تعلم الآلة"، حيث تتمثل الفكرة الأساسية في تمكين الآلات من تحسين أداء النظام من خلال تكرار المهام بالاعتماد على البيانات. تشمل الخطوات الرئيسية إدخال البيانات إلى الخوارزمية، واستخدام هذه البيانات لتدريب النموذج، واختبار النموذج ونشره، وأخيرًا استخدام النموذج لإكمال مهام التنبؤ الآلي.
توجد حاليًا ثلاث مدارس رئيسية في تعلم الآلة، وهي الارتباطية، الرمزية والسلوكية، والتي تقلد على التوالي الجهاز العصبي البشري، التفكير والسلوك. من بينها، تهيمن الارتباطية المتمثلة في الشبكات العصبية حاليًا، وتعرف أيضًا بالتعلم العميق (. يحتوي هذا الهيكل على طبقة إدخال، وطبقة إخراج، والعديد من الطبقات المخفية. عندما تكون عدد الطبقات وعدد الخلايا العصبية ) والمعلمات ( كافية، يمكنه محاكاة المهام العامة المعقدة. من خلال إدخال البيانات باستمرار، وضبط معلمات الخلايا العصبية، وبعد تدريب كبير على البيانات، يمكن أن تصل الشبكة العصبية إلى حالة مثالية. وهذا هو أصل كلمة "عميق" - عدد كافٍ من الطبقات والخلايا العصبية.
! [الوافد الجديد Science Popular 丨الذكاء الاصطناعي x Crypto: من الصفر إلى الذروة])https://img-cdn.gateio.im/webp-social/moments-c50ee5a87373c6cd6c4dc63adc2cf47c.webp019283746574839201
تكنولوجيا التعلم العميق المستندة إلى الشبكات العصبية قد شهدت أيضًا العديد من التكرارات والتطورات التكنولوجية، من الشبكات العصبية المبكرة، إلى الشبكات العصبية ذات التغذية الأمامية، RNN، CNN، GAN، وأخيرًا تطورت إلى النماذج الكبيرة الحديثة مثل تقنيات Transformer المستخدمة في GPT. تقنية Transformer هي اتجاه تطوري للشبكات العصبية، حيث أضافت محول (Transformer)، لتحويل بيانات متعددة الأنماط ( مثل الصوت والفيديو والصور وغيرها ) إلى تمثيلات عددية معنية. ثم يتم إدخال هذه البيانات المشفرة إلى الشبكة العصبية، مما يمكّن الشبكة العصبية من التكيف مع أي نوع من البيانات، وبالتالي تحقيق القدرة على المعالجة متعددة الأنماط.
! علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة
شهد تطور الذكاء الاصطناعي ثلاث موجات تكنولوجية. حدثت الموجة الأولى في الستينيات من القرن العشرين، وهي عشر سنوات بعد تقديم تقنية الذكاء الاصطناعي. كانت هذه الموجة مدفوعة بشكل رئيسي بتطور تقنيات الرمزية، التي حلت مشاكل معالجة اللغة الطبيعية العامة والحوار بين الإنسان والآلة. في نفس الفترة، وُلدت أنظمة الخبراء، وهو نظام DENRAL للخبراء الذي تم تطويره بدعم من وكالة ناسا في جامعة ستانفورد، والذي يمتلك معرفة قوية في الكيمياء، قادرًا على استنتاج الإجابات المشابهة لخبراء الكيمياء من خلال طرح الأسئلة.
حدثت الموجة الثانية من تكنولوجيا الذكاء الاصطناعي في عام 1997، عندما هزمت "ديب بلو" من IBM بواقع 3.5:2.5 بطل الشطرنج كاسباروف، وقد اعتُبرت هذه الانتصار علامة بارزة في تطور الذكاء الاصطناعي.
بدأت الموجة الثالثة من تكنولوجيا الذكاء الاصطناعي في عام 2006. اقترح ثلاثة عمالقة في التعلم العميق، يان ليكون، جيفري هينتون ويوشوا بنغيو، مفهوم التعلم العميق، وهو خوارزمية تعتمد على الشبكات العصبية الاصطناعية لتعلم تمثيل البيانات. منذ ذلك الحين، تطورت خوارزميات التعلم العميق باستمرار، من RNN و GAN إلى Transformer و Stable Diffusion، حيث شكلت هذه الخوارزميات معًا الموجة التقنية الثالثة، كما تمثل ذروة الارتباطية.
! علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة
سلسلة صناعة التعلم العميق
تستخدم النماذج اللغوية الكبيرة الحالية بشكل رئيسي طرق التعلم العميق المستندة إلى الشبكات العصبية. وقد أثار نموذج GPT وما يماثله جولة جديدة من حمى الذكاء الاصطناعي، حيث تدفق عدد كبير من اللاعبين إلى هذا المجال. نجد أن السوق تشهد انفجاراً كبيراً في الطلب على البيانات وقدرات الحوسبة، لذا في هذا الجزء من التقرير، نستكشف بشكل رئيسي سلسلة الصناعة لخوارزميات التعلم العميق، ونحلل كيف تتكون السلاسل العليا والدنيا في صناعة الذكاء الاصطناعي التي تهيمن عليها خوارزميات التعلم العميق، بالإضافة إلى الحالة الراهنة والعلاقات بين العرض والطلب والاتجاهات المستقبلية.
تدريب نماذج اللغة الكبيرة مثل GPT المعتمدة على تقنية Transformer ( LLMs ) يتم تقسيمه بشكل أساسي إلى ثلاث خطوات:
التدريب المسبق: من خلال تقديم كمية كبيرة من أزواج البيانات إلى طبقة الإدخال للبحث عن أفضل معلمات لكل خلية عصبية في النموذج. تتطلب هذه العملية بيانات ضخمة، وهي أيضًا المرحلة الأكثر استهلاكًا لقوة الحوسبة.
الضبط الدقيق: استخدام كمية أقل ولكن ذات جودة عالية من البيانات للتدريب، لتحسين جودة مخرجات النموذج.
التعلم المعزز: إنشاء "نموذج مكافأة" لتقييم جودة مخرجات النموذج الكبير، من خلال هذه الطريقة لتحسين معلمات النموذج الكبير بشكل متكرر.
! علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة
خلال عملية تدريب النموذج الكبير، كلما زادت عدد المعلمات، زادت الحد الأقصى لقدرة التعميم لديه. وبالتالي، فإن العوامل الرئيسية الثلاثة التي تؤثر على أداء النموذج الكبير هي: عدد المعلمات، حجم وجودة البيانات، وقوة الحوسبة. هذه العناصر الثلاثة تحدد معًا جودة نتائج النموذج الكبير وقدرته على التعميم.
تشمل المراحل الرئيسية في سلسلة الصناعة:
مزودو أجهزة GPU: تتصدر Nvidia حاليًا السوق في مجال شرائح الذكاء الاصطناعي. تستخدم الأوساط الأكاديمية بشكل رئيسي وحدات معالجة الرسوميات من الفئة الاستهلاكية ( مثل سلسلة RTX )، بينما تستخدم الأوساط الصناعية بشكل رئيسي شرائح H100 و A100 وغيرها من الشرائح المخصصة لتطبيقات النماذج الكبيرة.
مزودو خدمات السحاب: يقدمون قدرة حوسبة مرنة وحلول تدريب مستضافة للشركات الناشئة في مجال الذكاء الاصطناعي ذات الميزانية المحدودة. تنقسم بشكل رئيسي إلى ثلاث فئات: مزودو السحاب التقليديون الكبار ( مثل AWS وGoogle Cloud وAzure )، منصات الحوسبة السحابية المتخصصة في المسارات الرأسية ( مثل CoreWeave وLambda )، ومزودو خدمات الاستدلال الناشئين ( مثل Together.ai وFireworks.ai ).
مزود بيانات التدريب: يوفر للناس كمية كبيرة من البيانات عالية الجودة أو بيانات محددة في مجالات معينة. بعض الشركات متخصصة في جمع البيانات ووضع العلامات.
مزودو قواعد البيانات: يقدمون حلول قواعد بيانات متخصصة للتخزين ومعالجة بيانات الذكاء الاصطناعي. تشمل اللاعبين الرئيسيين Chroma و Zilliz و Pinecone و Weaviate وغيرها.
الأجهزة الطرفية: تشمل أنظمة إمداد الطاقة والتبريد لدعم تشغيل تجمعات GPU الكبيرة. مع زيادة حجم نماذج الذكاء الاصطناعي، يتزايد الطلب في هذا المجال بسرعة.
تطوير التطبيقات: تطوير تطبيقات في مجالات عمودية مختلفة بناءً على النماذج الكبيرة، مثل المساعدين الذكيين، وأدوات إنشاء المحتوى، وما إلى ذلك. حاليًا، يتخلف تطوير التطبيقات نسبيًا عن بناء البنية التحتية.
! علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة
البلوكتشين والذكاء الاصطناعي
تتجلى دمج تقنية البلوكتشين والذكاء الاصطناعي بشكل رئيسي في الجوانب التالية:
إعادة تشكيل القيمة: يمكن للاقتصاد الرمزي إعادة تعريف القيمة في مختلف مراحل سلسلة صناعة الذكاء الاصطناعي، وتحفيز المزيد من المشاركين للغوص في مجالات فرعية من صناعة الذكاء الاصطناعي.
آلية الثقة: يمكن أن توفر خصائص اللامركزية وعدم القابلية للتغيير في البلوكتشين بيئة موثوقة لمعالجة بيانات تطبيقات الذكاء الاصطناعي، مما يحل مشاكل خصوصية البيانات وأمانها.
مشاركة الموارد: من خلال شبكة البلوكتشين، يمكن تحقيق المشاركة العالمية لقوة معالجة GPU غير المستخدمة، مما يزيد من كفاءة استخدام الموارد.
سوق البيانات: يمكن للبلوكتشين بناء سوق تداول عادل وشفاف لبيانات تدريب الذكاء الاصطناعي، مما يحفز الأفراد والمؤسسات على المساهمة ببيانات عالية الجودة.
التحقق من النموذج: باستخدام تقنيات التشفير مثل إثبات المعرفة الصفرية، يمكن التحقق من صحة نتائج استنتاج الذكاء الاصطناعي مع حماية خصوصية النموذج.
في الإيكولوجيا التي تجمع بين Crypto و AI، ظهرت بشكل رئيسي الأنواع التالية من المشاريع:
شبكة قوة الحوسبة الموزعة بالـ GPU: مثل Render و Akash وغيرها، تهدف إلى بناء سوق حوسبة GPU لامركزي.
مزودي بيانات الذكاء الاصطناعي: مثل EpiK Protocol و Synesis One و Masa وغيرها، يكرسون جهودهم لإنشاء سوق لبيانات تدريب الذكاء الاصطناعي لامركزي.
ZKML( التعلم الآلي القائم على المعرفة الصفرية ): دمج تقنية إثبات المعرفة الصفرية لتحقيق التدريب والاستدلال بالذكاء الاصطناعي تحت حماية الخصوصية.
وكيل الذكاء الاصطناعي (Agent): مثل Fetch.AI، بناء شبكة من وكلاء الذكاء الاصطناعي القادرين على تنفيذ المهام بشكل مستقل.
بلوكتشين AI: مثل Tensor و Allora، شبكات بلوكتشين مصممة خصيصًا لتطوير ونشر نماذج الذكاء الاصطناعي.
على الرغم من أن دمج التشفير مع الذكاء الاصطناعي لا يزال في مراحله المبكرة ويواجه تحديات مثل الأداء والخصوصية، إلا أن هذا المجال يظهر إمكانيات ابتكار كبيرة. مع تقدم التكنولوجيا وتحسين النظام البيئي، لدينا سبب للاعتقاد بأن الدمج العميق بين الذكاء الاصطناعي والبلوكتشين سيجلب تغييرات ثورية لكلا الصناعتين.
! [علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة](https://img-cdn.gateio.im/webp-social/moments-53c48daf49a3dbb35c1a2b47e234f180.webp019283746574839201