دمج الذكاء الاصطناعي والبلوكتشين: من التقنية إلى التطبيق
يعتبر بعض الأشخاص التطور السريع في صناعة الذكاء الاصطناعي مؤخرًا بمثابة بداية الثورة الصناعية الرابعة. لقد أدى ظهور نماذج اللغة الكبيرة إلى تحسين الكفاءة في العديد من الصناعات، حيث يُقدَّر أنها زادت كفاءة العمل في الولايات المتحدة بنحو 20%. في الوقت نفسه، تعتبر القدرة على التعميم التي تأتي مع النماذج الكبيرة نمط تصميم برمجي جديد تمامًا. بالمقارنة مع تصميم الشيفرات الدقيقة في الماضي، فإن تطوير البرمجيات اليوم يتضمن بشكل أكبر دمج هياكل النماذج الكبيرة ذات القدرة العالية على التعميم في البرمجيات، مما يمنح البرمجيات قدرة تعبيرية أقوى وقدرات إدخال وإخراج أوسع. لقد جلبت تقنيات التعلم العميق بالفعل جولة جديدة من الازدهار لصناعة الذكاء الاصطناعي، وبدأت هذه الموجة تنتشر تدريجيًا إلى صناعة العملات المشفرة.
سيتناول هذا التقرير بالتفصيل مسار تطور صناعة الذكاء الاصطناعي، وتصنيف التقنيات، وتأثير اختراع تقنية التعلم العميق على الصناعة. ثم سيتم تحليل حالة وتوجهات تطوير سلسلة القيمة في التعلم العميق بما في ذلك وحدات معالجة الرسوميات (GPU)، والحوسبة السحابية، ومصادر البيانات، والأجهزة الطرفية. بعد ذلك، سيتم مناقشة العلاقة الجوهرية بين صناعة العملات الرقمية (Crypto) وصناعة الذكاء الاصطناعي، وتقديم نظرة عامة على هيكل سلسلة القيمة المتعلقة بالذكاء الاصطناعي في مجال العملات الرقمية.
بدأت صناعة الذكاء الاصطناعي منذ الخمسينيات من القرن العشرين، ولتحقيق رؤية الذكاء الاصطناعي، طورت الأوساط الأكاديمية والصناعية في عصور مختلفة ومن خلفيات علمية متنوعة عدة مدارس لتحقيق الذكاء الاصطناعي.
تستخدم تقنيات الذكاء الاصطناعي الحديثة بشكل رئيسي مصطلح "تعلم الآلة"، والمفهوم الأساسي هو السماح للآلات بالاعتماد على البيانات للتكرار في المهام من أجل تحسين أداء النظام. الخطوات الرئيسية هي إدخال البيانات في الخوارزمية، واستخدام هذه البيانات لتدريب النموذج، واختبار نشر النموذج، واستخدام النموذج لإتمام مهام التنبؤ الآلي.
في الوقت الحالي، توجد ثلاثة تيارات رئيسية في التعلم الآلي، وهي الاتصاليات، الرمزية والسلوكية، التي تحاكي نظام الأعصاب البشري، والتفكير، والسلوك على التوالي.
! [الوافد الجديد Science Popular 丨الذكاء الاصطناعي x Crypto: من الصفر إلى الذروة](https://img-cdn.gateio.im/webp-social/moments-c50ee5a87373c6cd6c4dc63adc2cf47c.webp019283746574839201
حاليًا، يحتل الاتصال الذي يمثله الشبكات العصبية الصدارة ) ويعرف أيضًا بالتعلم العميق (، والسبب الرئيسي في ذلك هو أن هذه البنية تحتوي على طبقة إدخال، وطبقة إخراج، ولكن بها عدة طبقات خفية، وبمجرد أن تصبح عدد الطبقات وعدد خلايا العصبية ) كافية، سيكون هناك فرصة كافية لتناسب المهام العامة المعقدة. من خلال إدخال البيانات، يمكن تعديل معلمات خلايا العصبية باستمرار، وفي النهاية، بعد المرور عبر عدة بيانات، ستصل هذه الخلايا العصبية إلى حالة مثالية ( معلمات )، وهذا هو ما يسمى "العُمق" - عدد كافٍ من الطبقات والخلايا العصبية.
تكنولوجيا التعلم العميق المعتمدة على الشبكات العصبية، شهدت العديد من التكرارات والتطورات التكنولوجية، بدءًا من الشبكات العصبية الأولية، إلى الشبكات العصبية المتقدمة، RNN، CNN، GAN، وأخيرًا تطورت إلى النماذج الكبيرة الحديثة مثل تقنيات Transformer المستخدمة في GPT وغيرها. تقنية Transformer ليست سوى اتجاه واحد من تطور الشبكات العصبية، حيث تمت إضافة محول (Transformer)، يستخدم لترميز جميع الأنماط ( مثل الصوت والفيديو والصور وما إلى ذلك ) إلى قيم رقمية مماثلة. ثم يتم إدخالها في الشبكة العصبية، مما يمكن الشبكة العصبية من ملاءمة أي نوع من البيانات، وهو ما يعني تحقيق تعدد الأنماط.
شهد تطوير الذكاء الاصطناعي ثلاث موجات تقنية، كانت الموجة الأولى في الستينيات من القرن العشرين، وبعد عشر سنوات من طرح تكنولوجيا الذكاء الاصطناعي، نشأت هذه الموجة بسبب تطور تكنولوجيا الرمزية، والتي حلت مشاكل معالجة اللغة الطبيعية العامة والحوار بين الإنسان والآلة. في نفس الفترة، وُلِد نظام الخبراء، والذي تم إنجازه في جامعة ستانفورد من خلال نظام DENRAL للخبراء، حيث يمتلك هذا النظام معرفة قوية جداً في الكيمياء، ويستنتج من خلال الأسئلة لتوليد إجابات مشابهة لتلك التي يقدمها خبراء الكيمياء. يمكن اعتبار هذا النظام للخبراء في الكيمياء بمثابة دمج لمكتبة المعرفة الكيميائية ونظام الاستدلال.
حدثت الموجة الثانية من تكنولوجيا الذكاء الاصطناعي في عام 1997، حيث هزم "بلو" من آي بي إم بواقع 3.5:2.5 بطل الشطرنج كاسباروف، وقد اعتُبرت هذه الانتصار علامة بارزة في الذكاء الاصطناعي.
حدثت موجة التكنولوجيا الثالثة للذكاء الاصطناعي في عام 2006. قدم عمالقة التعلم العميق Yann LeCun وGeoffrey Hinton وYoshua Bengio مفهوم التعلم العميق، وهو خوارزمية تعتمد على الشبكات العصبية الاصطناعية لتعلم تمثيلات البيانات. بعد ذلك، تطورت خوارزميات التعلم العميق تدريجياً، من RNN وGAN إلى Transformer وStable Diffusion، حيث شكلت هذه الخوارزميات معًا هذه الموجة التقنية الثالثة، وهي أيضًا الفترة الذهبية للارتباطية.
تستخدم النماذج الكبيرة الحالية في اللغة بشكل أساسي طرق التعلم العميق القائمة على الشبكات العصبية. وقد أطلقت النماذج الكبيرة بقيادة GPT موجة من الذكاء الاصطناعي، حيث اندفع عدد كبير من اللاعبين إلى هذا المجال، كما اكتشفنا أن السوق قد شهد انفجارًا كبيرًا في الطلب على البيانات وقدرة الحساب، لذلك في هذا الجزء من التقرير، نستكشف بشكل أساسي سلسلة صناعة خوارزميات التعلم العميق، كيف تتكون سلسلة الإمداد والتوريد في صناعة الذكاء الاصطناعي التي تهيمن عليها خوارزميات التعلم العميق، وما هي حالة العرض والطلب الحالية والعلاقات، وما هو التطور المستقبلي.
أولاً، نحتاج إلى توضيح أنه عند تدريب نماذج LLMs الكبيرة التي تتصدرها GPT بناءً على تقنية Transformer (، يتم تقسيم العملية إلى ثلاث خطوات.
قبل التدريب، وبما أنه يعتمد على Transformer، يحتاج المحول إلى تحويل إدخال النص إلى قيم عددية، وتسمى هذه العملية "Tokenization"، وبعد ذلك تسمى هذه القيم العددية Tokens. وفقًا للقاعدة العامة، يمكن اعتبار كلمة أو حرف إنجليزي تقريبًا كـ Token واحد، بينما يمكن اعتبار كل حرف صيني تقريبًا كـ Tokenين. هذه هي الوحدة الأساسية المستخدمة لتقييم GPT.
الخطوة الأولى، التدريب المسبق. من خلال تزويد طبقة الإدخال بعدد كافٍ من أزواج البيانات للبحث عن أفضل معلمات لكل عصبون في هذا النموذج، يحتاج هذا الوقت إلى كمية كبيرة من البيانات، وتعتبر هذه العملية أيضًا الأكثر استهلاكًا للقوة الحاسوبية، لأنه يجب تكرار تكرار العصبونات لتجربة معلمات مختلفة.
الخطوة الثانية، الضبط الدقيق. الضبط الدقيق هو إعطاء مجموعة صغيرة ولكن ذات جودة عالية جداً من البيانات للتدريب، هذا النوع من التغيير سيجعل مخرجات النموذج ذات جودة أعلى، لأن التدريب المسبق يتطلب كمية كبيرة من البيانات، ولكن العديد من هذه البيانات قد تحتوي على أخطاء أو تكون ذات جودة منخفضة.
الخطوة الثالثة، التعلم المعزز. أولاً، سيتم إنشاء نموذج جديد تمامًا، نسميه "نموذج المكافأة"، الغرض من هذا النموذج بسيط جدًا، وهو ترتيب النتائج الناتجة. بعد ذلك، سيتم استخدام هذا النموذج لتحديد ما إذا كانت مخرجات نموذجنا الكبير ذات جودة عالية، بحيث يمكن استخدام نموذج المكافأة لتكرار معلمات النموذج الكبير تلقائيًا.
باختصار، خلال عملية تدريب النموذج الكبير، يتطلب التدريب المسبق كمية عالية جداً من البيانات، كما يتطلب أقصى قدر من قوة معالجة GPU، بينما يتطلب الضبط الدقيق بيانات ذات جودة أعلى لتحسين المعلمات، ويمكن أن تستخدم التعلم المعزز نموذج مكافأة لتكرار المعلمات باستمرار لإنتاج نتائج عالية الجودة.
خلال عملية التدريب، كلما زاد عدد المعلمات، زادت قدرة التعميم إلى الحد الأقصى. لذا، فإن أداء النموذج الكبير يتحدد أساسًا من ثلاثة جوانب: عدد المعلمات، وكمية وجودة البيانات، والقدرة الحاسوبية، وهذه الثلاثة تؤثر بشكل مشترك على جودة نتائج النموذج الكبير وقدرته على التعميم.
! [علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة])https://img-cdn.gateio.im/webp-social/moments-f37fb0100218188368f4d31940aab2a3.webp(
العلاقة بين التشفير والذكاء الاصطناعي
لقد استفادت البلوكتشين من تطور تقنية ZK، وتحولت إلى فكرة اللامركزية + عدم الثقة. دعونا نعود إلى بداية إنشاء البلوكتشين، وهي سلسلة البيتكوين. في ورقة ساتوشي ناكاموتو، أطلق عليها أولاً نظام نقل القيمة غير الموثوق. بعد ذلك، نشر فيتاليك وآخرون ورقة لإطلاق منصة العقود الذكية اللامركزية، غير الموثوق بها، لتبادل القيمة.
عد إلى الجوهر، نحن نعتقد أن شبكة البلوكتشين بأكملها هي شبكة قيمة، حيث كل معاملة هي تحويل قيمة بناءً على الرموز الأساسية. القيمة هنا تتجلى في شكل التوكن، بينما توكنوميكس هي القواعد التي تعكس القيمة المحددة للتوكن.
تعتبر الرموز وتقنية البلوكتشين وسيلة لإعادة تعريف واكتشاف القيمة، وهي ضرورية لأي صناعة، بما في ذلك صناعة الذكاء الاصطناعي. في صناعة الذكاء الاصطناعي، يمكن أن يؤدي إصدار الرموز إلى إعادة تشكيل القيمة في جميع جوانب سلسلة صناعة الذكاء الاصطناعي، مما سيشجع المزيد من الأشخاص على الاستثمار بعمق في مختلف مجالات الذكاء الاصطناعي، لأن العوائد التي تجلبها ستصبح أكثر وضوحًا، وليس فقط التدفقات النقدية التي تحدد قيمتها الحالية، بالإضافة إلى أن التعاون بين الرموز سيعزز قيمة البنية التحتية، مما سيؤدي بشكل طبيعي إلى تشكيل نموذج البروتوكول الضخم والتطبيقات النحيفة.
ثانياً، ستستفيد جميع المشاريع في سلسلة صناعة الذكاء الاصطناعي من عوائد زيادة رأس المال، ويمكن أن تعيد هذه الرموز الفائدة إلى النظام البيئي وتعزز ظهور نوع من الفكر الفلسفي.
من الواضح أن الاقتصاد الرمزي له تأثير إيجابي على الصناعة، كما أن الطبيعة غير القابلة للتغيير وغير المعتمدة على الثقة لتكنولوجيا البلوكتشين لها دلالتها العملية في صناعة الذكاء الاصطناعي، حيث يمكن أن تحقق بعض التطبيقات التي تتطلب الثقة، مثل قدرة بيانات المستخدمين لدينا على السماح بوجودها على نموذج معين، ولكن مع ضمان ألا يعرف النموذج البيانات المحددة، وضمان عدم تسرب البيانات من النموذج، وضمان إرجاع البيانات الحقيقية الناتجة عن استنتاج ذلك النموذج. عندما لا تكون وحدات معالجة الرسوميات (GPU) كافية، يمكن توزيعها عبر شبكة البلوكتشين، وعندما تتطور وحدات معالجة الرسوميات، يمكن أن تساهم وحدات معالجة الرسوميات المتاحة في قوة الحوسبة للشبكة، مما يعيد اكتشاف القيمة المتبقية، وهذه هي الأمور التي يمكن أن تحققها شبكة القيمة العالمية.
بشكل عام، يمكن أن تعزز اقتصاديات الرموز إعادة تشكيل القيمة واكتشافها، ويمكن أن تحل دفاتر الحسابات اللامركزية مشكلة الثقة، مما يعيد تدفق القيمة على مستوى عالمي.
! [علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة])https://img-cdn.gateio.im/webp-social/moments-8848582a34ba293d15afae15d90e3c95.webp(
لمحة عامة عن مشاريع الذكاء الاصطناعي في صناعة العملات الرقمية
) جانب العرض للمعالج الرسومي
حاليًا، يتم استخدام مشروع Render بشكل متزايد، حيث تم إطلاقه في عام 2020، وهو مخصص بشكل أساسي لمهام الفيديو غير المتعلقة بالنماذج الكبيرة. المشهد الذي يستهدفه Render يختلف عن الذكاء الاصطناعي، لذا لا يمكن اعتباره جزءًا من قسم الذكاء الاصطناعي من الناحية الصارمة. بالإضافة إلى ذلك، فإن خدمات الفيديو الخاصة به تتطلب بالفعل بعض الطلب الحقيقي، وبالتالي فإن سوق قوة الحوسبة السحابية GPU لا يمكن أن يقتصر فقط على تدريب النماذج الذكية الاصطناعية واستنتاجها، بل يمكن أيضًا تطبيقه على المهام التقليدية في مجال الرندر، مما يقلل من اعتماد سوق الحوسبة السحابية GPU على مخاطر السوق الأحادي.
في سلسلة صناعة الذكاء الاصطناعي في Crypto، يعد توفير قوة الحساب بلا شك هو الأهم. وفقًا لتوقعات الصناعة، من المتوقع أن يصل الطلب على قوة حساب GPU بحلول عام 2024 إلى حوالي 75 مليار دولار، وبحلول عام 2032، من المتوقع أن يصل إلى حوالي 773 مليار دولار، بمعدل نمو سنوي مركب (CAGR) حوالي 33.86%.
تتبع معدل تكرار GPU قانون مور ### في 18-24 شهراً تتضاعف الأداء، وتنخفض الأسعار إلى النصف (، لذا فإن الطلب على قدرة GPU المشتركة سيصبح هائلاً، حيث أن انفجار سوق GPU، سيؤدي تحت تأثير قانون مور في المستقبل، إلى تشكيل عدد كبير من GPU غير الأحدث من الأجيال القليلة السابقة، وفي هذه الحالة، ستستمر هذه GPU غير المستخدمة في تحقيق قيمتها كقدرة طويلة الذيل في الشبكة المشتركة، لذلك نحن نؤمن حقاً بإمكانية هذا المجال على المدى الطويل وفائدته العملية، ليس فقط في أعمال النماذج الصغيرة والمتوسطة، ولكن أيضاً في أعمال التقديم التقليدية التي ستشكل طلباً قوياً.
! [علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة])https://img-cdn.gateio.im/webp-social/moments-53c48daf49a3dbb35c1a2b47e234f180.webp019283746574839201
( بيانات
تشمل المشاريع المتاحة حاليًا بروتوكول EpiK وSynesis One وMasa وغيرها. الاختلاف هو أن بروتوكول EpiK وSynesis One يجمعان بيانات المصدر العامة، بينما Masa يعتمد على تقنية ZK، مما يمكنه من جمع البيانات الخاصة، مما يجعله أكثر ملاءمة للمستخدمين.
بالمقارنة مع شركات البيانات التقليدية الأخرى في Web2، فإن مزودي بيانات Web3 يمتلكون ميزة في جانب جمع البيانات، حيث يمكن للأفراد المساهمة ببياناتهم غير الخاصة، مما يجعل نطاق المشروع واسعًا جدًا، ليس فقط في مجال الأعمال (ToB)، بل يمكن تسعير بيانات أي مستخدم، وأصبحت جميع البيانات السابقة ذات قيمة، وبفضل وجود اقتصاديات الرموز، فإن قيمة الشبكة وسعرها مترابطان، حيث سترتفع رموز التكلفة صفر مع زيادة قيمة الشبكة، وستقلل هذه الرموز من تكلفة المطورين، مما يستخدم كمكافأة للمستخدمين، وستصبح دوافع المستخدمين لتقديم البيانات أقوى.
! [علم الوافد الجديد 丨 الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة] )https://img-cdn.gateio.im/webp-social/moments-250a286e79261e91a0e7ac4941ff5c76.webp019283746574839201
( ZKML
إذا كانت البيانات ترغب في تحقيق حساب الخصوصية والتدريب، فإن الحلول ZK التي يتم اعتمادها حاليًا في الصناعة تستخدم تقنية التشفير المتجانس، حيث يتم استنتاج البيانات خارج السلسلة ثم تحميل النتائج وإثبات ZK، مما يضمن خصوصية البيانات والاستنتاج.
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.
الذكاء الاصطناعي وكتلة البلوكتشين: من تطور التقنية إلى تخطيط سلسلة الصناعة
دمج الذكاء الاصطناعي والبلوكتشين: من التقنية إلى التطبيق
يعتبر بعض الأشخاص التطور السريع في صناعة الذكاء الاصطناعي مؤخرًا بمثابة بداية الثورة الصناعية الرابعة. لقد أدى ظهور نماذج اللغة الكبيرة إلى تحسين الكفاءة في العديد من الصناعات، حيث يُقدَّر أنها زادت كفاءة العمل في الولايات المتحدة بنحو 20%. في الوقت نفسه، تعتبر القدرة على التعميم التي تأتي مع النماذج الكبيرة نمط تصميم برمجي جديد تمامًا. بالمقارنة مع تصميم الشيفرات الدقيقة في الماضي، فإن تطوير البرمجيات اليوم يتضمن بشكل أكبر دمج هياكل النماذج الكبيرة ذات القدرة العالية على التعميم في البرمجيات، مما يمنح البرمجيات قدرة تعبيرية أقوى وقدرات إدخال وإخراج أوسع. لقد جلبت تقنيات التعلم العميق بالفعل جولة جديدة من الازدهار لصناعة الذكاء الاصطناعي، وبدأت هذه الموجة تنتشر تدريجيًا إلى صناعة العملات المشفرة.
سيتناول هذا التقرير بالتفصيل مسار تطور صناعة الذكاء الاصطناعي، وتصنيف التقنيات، وتأثير اختراع تقنية التعلم العميق على الصناعة. ثم سيتم تحليل حالة وتوجهات تطوير سلسلة القيمة في التعلم العميق بما في ذلك وحدات معالجة الرسوميات (GPU)، والحوسبة السحابية، ومصادر البيانات، والأجهزة الطرفية. بعد ذلك، سيتم مناقشة العلاقة الجوهرية بين صناعة العملات الرقمية (Crypto) وصناعة الذكاء الاصطناعي، وتقديم نظرة عامة على هيكل سلسلة القيمة المتعلقة بالذكاء الاصطناعي في مجال العملات الرقمية.
! علم الوافد الجديد 丨 الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة
تاريخ تطور صناعة الذكاء الاصطناعي
بدأت صناعة الذكاء الاصطناعي منذ الخمسينيات من القرن العشرين، ولتحقيق رؤية الذكاء الاصطناعي، طورت الأوساط الأكاديمية والصناعية في عصور مختلفة ومن خلفيات علمية متنوعة عدة مدارس لتحقيق الذكاء الاصطناعي.
تستخدم تقنيات الذكاء الاصطناعي الحديثة بشكل رئيسي مصطلح "تعلم الآلة"، والمفهوم الأساسي هو السماح للآلات بالاعتماد على البيانات للتكرار في المهام من أجل تحسين أداء النظام. الخطوات الرئيسية هي إدخال البيانات في الخوارزمية، واستخدام هذه البيانات لتدريب النموذج، واختبار نشر النموذج، واستخدام النموذج لإتمام مهام التنبؤ الآلي.
في الوقت الحالي، توجد ثلاثة تيارات رئيسية في التعلم الآلي، وهي الاتصاليات، الرمزية والسلوكية، التي تحاكي نظام الأعصاب البشري، والتفكير، والسلوك على التوالي.
! [الوافد الجديد Science Popular 丨الذكاء الاصطناعي x Crypto: من الصفر إلى الذروة](https://img-cdn.gateio.im/webp-social/moments-c50ee5a87373c6cd6c4dc63adc2cf47c.webp019283746574839201
حاليًا، يحتل الاتصال الذي يمثله الشبكات العصبية الصدارة ) ويعرف أيضًا بالتعلم العميق (، والسبب الرئيسي في ذلك هو أن هذه البنية تحتوي على طبقة إدخال، وطبقة إخراج، ولكن بها عدة طبقات خفية، وبمجرد أن تصبح عدد الطبقات وعدد خلايا العصبية ) كافية، سيكون هناك فرصة كافية لتناسب المهام العامة المعقدة. من خلال إدخال البيانات، يمكن تعديل معلمات خلايا العصبية باستمرار، وفي النهاية، بعد المرور عبر عدة بيانات، ستصل هذه الخلايا العصبية إلى حالة مثالية ( معلمات )، وهذا هو ما يسمى "العُمق" - عدد كافٍ من الطبقات والخلايا العصبية.
! علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة
تكنولوجيا التعلم العميق المعتمدة على الشبكات العصبية، شهدت العديد من التكرارات والتطورات التكنولوجية، بدءًا من الشبكات العصبية الأولية، إلى الشبكات العصبية المتقدمة، RNN، CNN، GAN، وأخيرًا تطورت إلى النماذج الكبيرة الحديثة مثل تقنيات Transformer المستخدمة في GPT وغيرها. تقنية Transformer ليست سوى اتجاه واحد من تطور الشبكات العصبية، حيث تمت إضافة محول (Transformer)، يستخدم لترميز جميع الأنماط ( مثل الصوت والفيديو والصور وما إلى ذلك ) إلى قيم رقمية مماثلة. ثم يتم إدخالها في الشبكة العصبية، مما يمكن الشبكة العصبية من ملاءمة أي نوع من البيانات، وهو ما يعني تحقيق تعدد الأنماط.
شهد تطوير الذكاء الاصطناعي ثلاث موجات تقنية، كانت الموجة الأولى في الستينيات من القرن العشرين، وبعد عشر سنوات من طرح تكنولوجيا الذكاء الاصطناعي، نشأت هذه الموجة بسبب تطور تكنولوجيا الرمزية، والتي حلت مشاكل معالجة اللغة الطبيعية العامة والحوار بين الإنسان والآلة. في نفس الفترة، وُلِد نظام الخبراء، والذي تم إنجازه في جامعة ستانفورد من خلال نظام DENRAL للخبراء، حيث يمتلك هذا النظام معرفة قوية جداً في الكيمياء، ويستنتج من خلال الأسئلة لتوليد إجابات مشابهة لتلك التي يقدمها خبراء الكيمياء. يمكن اعتبار هذا النظام للخبراء في الكيمياء بمثابة دمج لمكتبة المعرفة الكيميائية ونظام الاستدلال.
حدثت الموجة الثانية من تكنولوجيا الذكاء الاصطناعي في عام 1997، حيث هزم "بلو" من آي بي إم بواقع 3.5:2.5 بطل الشطرنج كاسباروف، وقد اعتُبرت هذه الانتصار علامة بارزة في الذكاء الاصطناعي.
حدثت موجة التكنولوجيا الثالثة للذكاء الاصطناعي في عام 2006. قدم عمالقة التعلم العميق Yann LeCun وGeoffrey Hinton وYoshua Bengio مفهوم التعلم العميق، وهو خوارزمية تعتمد على الشبكات العصبية الاصطناعية لتعلم تمثيلات البيانات. بعد ذلك، تطورت خوارزميات التعلم العميق تدريجياً، من RNN وGAN إلى Transformer وStable Diffusion، حيث شكلت هذه الخوارزميات معًا هذه الموجة التقنية الثالثة، وهي أيضًا الفترة الذهبية للارتباطية.
! علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة
سلسلة صناعة التعلم العميق
تستخدم النماذج الكبيرة الحالية في اللغة بشكل أساسي طرق التعلم العميق القائمة على الشبكات العصبية. وقد أطلقت النماذج الكبيرة بقيادة GPT موجة من الذكاء الاصطناعي، حيث اندفع عدد كبير من اللاعبين إلى هذا المجال، كما اكتشفنا أن السوق قد شهد انفجارًا كبيرًا في الطلب على البيانات وقدرة الحساب، لذلك في هذا الجزء من التقرير، نستكشف بشكل أساسي سلسلة صناعة خوارزميات التعلم العميق، كيف تتكون سلسلة الإمداد والتوريد في صناعة الذكاء الاصطناعي التي تهيمن عليها خوارزميات التعلم العميق، وما هي حالة العرض والطلب الحالية والعلاقات، وما هو التطور المستقبلي.
أولاً، نحتاج إلى توضيح أنه عند تدريب نماذج LLMs الكبيرة التي تتصدرها GPT بناءً على تقنية Transformer (، يتم تقسيم العملية إلى ثلاث خطوات.
قبل التدريب، وبما أنه يعتمد على Transformer، يحتاج المحول إلى تحويل إدخال النص إلى قيم عددية، وتسمى هذه العملية "Tokenization"، وبعد ذلك تسمى هذه القيم العددية Tokens. وفقًا للقاعدة العامة، يمكن اعتبار كلمة أو حرف إنجليزي تقريبًا كـ Token واحد، بينما يمكن اعتبار كل حرف صيني تقريبًا كـ Tokenين. هذه هي الوحدة الأساسية المستخدمة لتقييم GPT.
الخطوة الأولى، التدريب المسبق. من خلال تزويد طبقة الإدخال بعدد كافٍ من أزواج البيانات للبحث عن أفضل معلمات لكل عصبون في هذا النموذج، يحتاج هذا الوقت إلى كمية كبيرة من البيانات، وتعتبر هذه العملية أيضًا الأكثر استهلاكًا للقوة الحاسوبية، لأنه يجب تكرار تكرار العصبونات لتجربة معلمات مختلفة.
الخطوة الثانية، الضبط الدقيق. الضبط الدقيق هو إعطاء مجموعة صغيرة ولكن ذات جودة عالية جداً من البيانات للتدريب، هذا النوع من التغيير سيجعل مخرجات النموذج ذات جودة أعلى، لأن التدريب المسبق يتطلب كمية كبيرة من البيانات، ولكن العديد من هذه البيانات قد تحتوي على أخطاء أو تكون ذات جودة منخفضة.
الخطوة الثالثة، التعلم المعزز. أولاً، سيتم إنشاء نموذج جديد تمامًا، نسميه "نموذج المكافأة"، الغرض من هذا النموذج بسيط جدًا، وهو ترتيب النتائج الناتجة. بعد ذلك، سيتم استخدام هذا النموذج لتحديد ما إذا كانت مخرجات نموذجنا الكبير ذات جودة عالية، بحيث يمكن استخدام نموذج المكافأة لتكرار معلمات النموذج الكبير تلقائيًا.
باختصار، خلال عملية تدريب النموذج الكبير، يتطلب التدريب المسبق كمية عالية جداً من البيانات، كما يتطلب أقصى قدر من قوة معالجة GPU، بينما يتطلب الضبط الدقيق بيانات ذات جودة أعلى لتحسين المعلمات، ويمكن أن تستخدم التعلم المعزز نموذج مكافأة لتكرار المعلمات باستمرار لإنتاج نتائج عالية الجودة.
خلال عملية التدريب، كلما زاد عدد المعلمات، زادت قدرة التعميم إلى الحد الأقصى. لذا، فإن أداء النموذج الكبير يتحدد أساسًا من ثلاثة جوانب: عدد المعلمات، وكمية وجودة البيانات، والقدرة الحاسوبية، وهذه الثلاثة تؤثر بشكل مشترك على جودة نتائج النموذج الكبير وقدرته على التعميم.
! [علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة])https://img-cdn.gateio.im/webp-social/moments-f37fb0100218188368f4d31940aab2a3.webp(
العلاقة بين التشفير والذكاء الاصطناعي
لقد استفادت البلوكتشين من تطور تقنية ZK، وتحولت إلى فكرة اللامركزية + عدم الثقة. دعونا نعود إلى بداية إنشاء البلوكتشين، وهي سلسلة البيتكوين. في ورقة ساتوشي ناكاموتو، أطلق عليها أولاً نظام نقل القيمة غير الموثوق. بعد ذلك، نشر فيتاليك وآخرون ورقة لإطلاق منصة العقود الذكية اللامركزية، غير الموثوق بها، لتبادل القيمة.
عد إلى الجوهر، نحن نعتقد أن شبكة البلوكتشين بأكملها هي شبكة قيمة، حيث كل معاملة هي تحويل قيمة بناءً على الرموز الأساسية. القيمة هنا تتجلى في شكل التوكن، بينما توكنوميكس هي القواعد التي تعكس القيمة المحددة للتوكن.
تعتبر الرموز وتقنية البلوكتشين وسيلة لإعادة تعريف واكتشاف القيمة، وهي ضرورية لأي صناعة، بما في ذلك صناعة الذكاء الاصطناعي. في صناعة الذكاء الاصطناعي، يمكن أن يؤدي إصدار الرموز إلى إعادة تشكيل القيمة في جميع جوانب سلسلة صناعة الذكاء الاصطناعي، مما سيشجع المزيد من الأشخاص على الاستثمار بعمق في مختلف مجالات الذكاء الاصطناعي، لأن العوائد التي تجلبها ستصبح أكثر وضوحًا، وليس فقط التدفقات النقدية التي تحدد قيمتها الحالية، بالإضافة إلى أن التعاون بين الرموز سيعزز قيمة البنية التحتية، مما سيؤدي بشكل طبيعي إلى تشكيل نموذج البروتوكول الضخم والتطبيقات النحيفة.
ثانياً، ستستفيد جميع المشاريع في سلسلة صناعة الذكاء الاصطناعي من عوائد زيادة رأس المال، ويمكن أن تعيد هذه الرموز الفائدة إلى النظام البيئي وتعزز ظهور نوع من الفكر الفلسفي.
من الواضح أن الاقتصاد الرمزي له تأثير إيجابي على الصناعة، كما أن الطبيعة غير القابلة للتغيير وغير المعتمدة على الثقة لتكنولوجيا البلوكتشين لها دلالتها العملية في صناعة الذكاء الاصطناعي، حيث يمكن أن تحقق بعض التطبيقات التي تتطلب الثقة، مثل قدرة بيانات المستخدمين لدينا على السماح بوجودها على نموذج معين، ولكن مع ضمان ألا يعرف النموذج البيانات المحددة، وضمان عدم تسرب البيانات من النموذج، وضمان إرجاع البيانات الحقيقية الناتجة عن استنتاج ذلك النموذج. عندما لا تكون وحدات معالجة الرسوميات (GPU) كافية، يمكن توزيعها عبر شبكة البلوكتشين، وعندما تتطور وحدات معالجة الرسوميات، يمكن أن تساهم وحدات معالجة الرسوميات المتاحة في قوة الحوسبة للشبكة، مما يعيد اكتشاف القيمة المتبقية، وهذه هي الأمور التي يمكن أن تحققها شبكة القيمة العالمية.
بشكل عام، يمكن أن تعزز اقتصاديات الرموز إعادة تشكيل القيمة واكتشافها، ويمكن أن تحل دفاتر الحسابات اللامركزية مشكلة الثقة، مما يعيد تدفق القيمة على مستوى عالمي.
! [علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة])https://img-cdn.gateio.im/webp-social/moments-8848582a34ba293d15afae15d90e3c95.webp(
لمحة عامة عن مشاريع الذكاء الاصطناعي في صناعة العملات الرقمية
) جانب العرض للمعالج الرسومي
حاليًا، يتم استخدام مشروع Render بشكل متزايد، حيث تم إطلاقه في عام 2020، وهو مخصص بشكل أساسي لمهام الفيديو غير المتعلقة بالنماذج الكبيرة. المشهد الذي يستهدفه Render يختلف عن الذكاء الاصطناعي، لذا لا يمكن اعتباره جزءًا من قسم الذكاء الاصطناعي من الناحية الصارمة. بالإضافة إلى ذلك، فإن خدمات الفيديو الخاصة به تتطلب بالفعل بعض الطلب الحقيقي، وبالتالي فإن سوق قوة الحوسبة السحابية GPU لا يمكن أن يقتصر فقط على تدريب النماذج الذكية الاصطناعية واستنتاجها، بل يمكن أيضًا تطبيقه على المهام التقليدية في مجال الرندر، مما يقلل من اعتماد سوق الحوسبة السحابية GPU على مخاطر السوق الأحادي.
في سلسلة صناعة الذكاء الاصطناعي في Crypto، يعد توفير قوة الحساب بلا شك هو الأهم. وفقًا لتوقعات الصناعة، من المتوقع أن يصل الطلب على قوة حساب GPU بحلول عام 2024 إلى حوالي 75 مليار دولار، وبحلول عام 2032، من المتوقع أن يصل إلى حوالي 773 مليار دولار، بمعدل نمو سنوي مركب (CAGR) حوالي 33.86%.
تتبع معدل تكرار GPU قانون مور ### في 18-24 شهراً تتضاعف الأداء، وتنخفض الأسعار إلى النصف (، لذا فإن الطلب على قدرة GPU المشتركة سيصبح هائلاً، حيث أن انفجار سوق GPU، سيؤدي تحت تأثير قانون مور في المستقبل، إلى تشكيل عدد كبير من GPU غير الأحدث من الأجيال القليلة السابقة، وفي هذه الحالة، ستستمر هذه GPU غير المستخدمة في تحقيق قيمتها كقدرة طويلة الذيل في الشبكة المشتركة، لذلك نحن نؤمن حقاً بإمكانية هذا المجال على المدى الطويل وفائدته العملية، ليس فقط في أعمال النماذج الصغيرة والمتوسطة، ولكن أيضاً في أعمال التقديم التقليدية التي ستشكل طلباً قوياً.
! [علم الوافد الجديد 丨الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة])https://img-cdn.gateio.im/webp-social/moments-53c48daf49a3dbb35c1a2b47e234f180.webp019283746574839201
( بيانات
تشمل المشاريع المتاحة حاليًا بروتوكول EpiK وSynesis One وMasa وغيرها. الاختلاف هو أن بروتوكول EpiK وSynesis One يجمعان بيانات المصدر العامة، بينما Masa يعتمد على تقنية ZK، مما يمكنه من جمع البيانات الخاصة، مما يجعله أكثر ملاءمة للمستخدمين.
بالمقارنة مع شركات البيانات التقليدية الأخرى في Web2، فإن مزودي بيانات Web3 يمتلكون ميزة في جانب جمع البيانات، حيث يمكن للأفراد المساهمة ببياناتهم غير الخاصة، مما يجعل نطاق المشروع واسعًا جدًا، ليس فقط في مجال الأعمال (ToB)، بل يمكن تسعير بيانات أي مستخدم، وأصبحت جميع البيانات السابقة ذات قيمة، وبفضل وجود اقتصاديات الرموز، فإن قيمة الشبكة وسعرها مترابطان، حيث سترتفع رموز التكلفة صفر مع زيادة قيمة الشبكة، وستقلل هذه الرموز من تكلفة المطورين، مما يستخدم كمكافأة للمستخدمين، وستصبح دوافع المستخدمين لتقديم البيانات أقوى.
! [علم الوافد الجديد 丨 الذكاء الاصطناعي x التشفير: من الصفر إلى الذروة] )https://img-cdn.gateio.im/webp-social/moments-250a286e79261e91a0e7ac4941ff5c76.webp019283746574839201
( ZKML
إذا كانت البيانات ترغب في تحقيق حساب الخصوصية والتدريب، فإن الحلول ZK التي يتم اعتمادها حاليًا في الصناعة تستخدم تقنية التشفير المتجانس، حيث يتم استنتاج البيانات خارج السلسلة ثم تحميل النتائج وإثبات ZK، مما يضمن خصوصية البيانات والاستنتاج.