يحتاج سوق الذكاء الاصطناعي اللامركزي الناجح إلى الجمع الوثيق بين مزايا الذكاء الاصطناعي والويب 3 ، والاستفادة من القيمة المضافة للموزعة ، وتأكيد حقوق الأصول ، وتوزيع الدخل ، وقوة الحوسبة اللامركزية ، وخفض عتبة تطبيقات الذكاء الاصطناعي ، وتشجيع المطورين على التحميل و شارك النماذج مع حماية حقوق خصوصية بيانات المستخدمين ، وقم ببناء منصة تداول ومشاركة لموارد الذكاء الاصطناعي صديقة للمطورين تلبي احتياجات المستخدم.
يتمتع سوق الذكاء الاصطناعي المعتمد على البيانات بإمكانيات أكبر. يحتاج سوق النموذج الميت إلى دعم عدد كبير من النماذج عالية الجودة ، لكن الافتقار إلى قاعدة مستخدمين وموارد عالية الجودة على النظام الأساسي المبكر يجعل من الصعب على مزودي النماذج الممتازين جذب نماذج عالية الجودة ؛ بينما السوق المعتمد على البيانات هو سوق لامركزي وموزع يمكن أن يؤدي التجميع وتصميم طبقة الحوافز وضمان ملكية البيانات إلى تراكم كمية كبيرة من البيانات والموارد القيمة ، وخاصة بيانات المجال الخاص. ومع ذلك ، تحتاج أسواق البيانات أيضًا إلى مواجهة التحدي المتمثل في حماية خصوصية البيانات ، وتشمل الحلول تصميم سياسات أكثر مرونة تسمح للمستخدمين بتخصيص إعدادات مستويات الخصوصية.
يعتمد نجاح سوق الذكاء الاصطناعي اللامركزي على تراكم موارد المستخدم وتأثيرات الشبكة القوية.يمكن للمستخدمين والمطورين الحصول على قيمة أكبر من السوق مما يمكنهم الحصول عليه خارج السوق. في الأيام الأولى للسوق ، كان التركيز على تجميع نماذج عالية الجودة لجذب المستخدمين والاحتفاظ بهم ، ثم بعد إنشاء مكتبة نماذج عالية الجودة وحواجز بيانات ، يتحول إلى جذب المزيد من المستخدمين النهائيين والاحتفاظ بهم. علاوة على ذلك ، يحتاج سوق الذكاء الاصطناعي الممتاز إلى إيجاد توازن بين مصالح جميع الأطراف ، والتعامل بشكل صحيح مع عوامل مثل ملكية البيانات وجودة النموذج وخصوصية المستخدم وقوة الحوسبة وخوارزميات التحفيز.
** 1. AI Marketplace of Web3 **
** 1.1 مراجعة مسار الذكاء الاصطناعي في مجال الويب 3 **
أولاً ، راجع الاتجاهين العامين للجمع بين الذكاء الاصطناعي والعملات المشفرة التي ذكرتها سابقًا ، ZKML وشبكة طاقة الحوسبة اللامركزية👇
ZKML
يجعل ** ZKML ** نموذج AI ** شفافًا + قابل للتحقق ، ** مما يعني ضمان إمكانية التحقق من العوامل الثلاثة لبنية النموذج ومعلمات النموذج والأوزان وإدخال النموذج على الشبكة بالكامل. تكمن أهمية ZKML في إنشاء المرحلة التالية من القيمة لعالم web3 دون التضحية باللامركزية وعدم الثقة ، وتوفير القدرة على تنفيذ تطبيقات أوسع وخلق إمكانيات أكبر.
** Foresight Ventures: AI + Web3 =？ **
** شبكة طاقة الحوسبة **
ستكون موارد الحوسبة ساحة معركة رئيسية في العقد المقبل ، وسيزداد الاستثمار المستقبلي في البنية التحتية للحوسبة عالية الأداء بشكل كبير. تنقسم سيناريوهات التطبيق لقوة الحوسبة اللامركزية إلى اتجاهين: نموذج التفكير والتدريب النموذجي.إن الطلب على تدريب نموذج كبير للذكاء الاصطناعي هو الأكبر ، لكنه يواجه أيضًا أكبر التحديات والاختناقات التقنية. بما في ذلك الحاجة إلى مزامنة البيانات المعقدة وقضايا تحسين الشبكة. هناك المزيد من الفرص لتطبيق التفكير النموذجي ، كما أن المساحة الإضافية المستقبلية التي يمكن التنبؤ بها كبيرة بدرجة كافية.
** 1.2 ما المقصود بـ AI Marketplace؟ **
أسواق الذكاء الاصطناعي ليست مفهوماً جديداً للغاية ، ويمكن القول إن Hugging Face هو أنجح أسواق الذكاء الاصطناعي (باستثناء غياب المعاملات وآليات التسعير). في مجال البرمجة اللغوية العصبية ، يوفر Hugging Face منصة مجتمعية مهمة للغاية ونشطة حيث يمكن للمطورين والمستخدمين مشاركة واستخدام نماذج مختلفة مدربة مسبقًا.
من نجاح Hugging Face ، يمكن ملاحظة أن سوق الذكاء الاصطناعي يحتاج إلى:
** أ. موارد النموذج **
يوفر Hugging Face عددًا كبيرًا من النماذج المدربة مسبقًا والتي تغطي مجموعة متنوعة من مهام البرمجة اللغوية العصبية. وقد اجتذب هذا الثراء في الموارد عددًا كبيرًا من المستخدمين ، وبالتالي فهو الأساس لتكوين مجتمع نشط وتجميع المستخدمين.
** ب. روح مفتوحة المصدر + انتشار ومشارك **
يشجع Hugging Face المطورين على تحميل نماذجهم ومشاركتها. تعزز روح الانفتاح والمشاركة هذه حيوية المجتمع وتمكّن من الاستفادة بسرعة من أحدث نتائج البحث من قبل عدد كبير من المستخدمين. يعتمد هذا على تراكم المطورين والنماذج الممتازة ، مما يسرع من كفاءة نتائج البحث التي يتم التحقق منها والترويج لها.
** ج. صديقة للمطورين + سهلة الاستخدام **
يوفر Hugging Face واجهة برمجة تطبيقات ووثائق سهلة الاستخدام ، مما يمكّن المطورين من فهم النماذج التي يوفرها واستخدامها بسرعة. هذا يقلل من عتبة الاستخدام ، ويحسن تجربة المستخدم ، ويجذب المزيد من المطورين.
على الرغم من أن Hugging Face لا يحتوي على آلية معاملات ، إلا أنه لا يزال يوفر منصة مهمة لمشاركة نماذج الذكاء الاصطناعي واستخدامها. لذلك ، يمكن أيضًا ملاحظة أن سوق الذكاء الاصطناعي لديه الفرصة ليصبح موردًا قيمًا للصناعة بأكملها.
** سوق الذكاء الاصطناعي اللامركزي باختصار: **
بناءً على العناصر المذكورة أعلاه ، يعتمد سوق الذكاء الاصطناعي اللامركزي على تقنية blockchain ، مما يتيح للمستخدمين امتلاك بياناتهم وأصولهم النموذجية. تنعكس القيمة التي يجلبها Web3 أيضًا في آلية الحوافز والمعاملات ، حيث يمكن للمستخدمين اختيار النموذج المناسب أو مطابقته بحرية من خلال النظام ، وفي الوقت نفسه ، يمكنهم أيضًا وضع نماذجهم المدربة على الرفوف للحصول على الفوائد.
يمتلك المستخدمون أصول الذكاء الاصطناعي الخاصة بهم ، ولا يتحكم سوق الذكاء الاصطناعي نفسه في البيانات والنماذج. بدلاً من ذلك ، يعتمد تطوير السوق على قاعدة المستخدمين وما يترتب على ذلك من تراكم النماذج والبيانات. هذا التراكم هو عملية طويلة الأجل ، ولكنه أيضًا عملية إنشاء حواجز المنتج بشكل تدريجي. يتم دعم تطوير السوق من خلال عدد المستخدمين وكمية / جودة النماذج والبيانات التي تم تحميلها من قبل المستخدمين.
** 1.3 لماذا يجب الانتباه إلى سوق الذكاء الاصطناعي في Web3؟ **
** 1.3.1 متوافق مع الاتجاه العام لتطبيق قوة الحوسبة **
بسبب ضغط الاتصال وأسباب أخرى ، قد يكون من الصعب تنفيذ قوة الحوسبة اللامركزية على نموذج قاعدة التدريب ، لكن الضغط على الدقة الدقيقة سيكون أقل بكثير ، لذلك لديها الفرصة لتصبح أحد أفضل السيناريوهات لتنفيذ المركزية. شبكة طاقة الحوسبة.
** القليل من المعرفة الأساسية: لماذا يسهل الهبوط في مرحلة الضبط الدقيق **
** Foresight Ventures: نظرة عقلانية على شبكة الطاقة الحاسوبية اللامركزية **
ينقسم تدريب نموذج الذكاء الاصطناعي إلى تدريب مسبق وضبط دقيق. يتضمن التدريب المسبق قدرًا كبيرًا من البيانات وعددًا كبيرًا من العمليات الحسابية ، لمزيد من التفاصيل ، يرجى الرجوع إلى التحليل في مقالتي أعلاه. يعتمد الضبط الدقيق على النموذج الأساسي ، باستخدام البيانات الخاصة بالمهمة لضبط معلمات النموذج بحيث يكون للنموذج أداء أفضل لمهام محددة.موارد الحوسبة المطلوبة في مرحلة الضبط الدقيق للنموذج أصغر بكثير من تلك الموجودة في المرحلة السابقة مرحلة التدريب وهناك سببان رئيسيان:
حجم البيانات: في مرحلة ما قبل التدريب ، يحتاج النموذج إلى التدريب على مجموعة بيانات واسعة النطاق لتعلم تمثيل اللغة العام. على سبيل المثال ، يتم تنفيذ التدريب المسبق لنموذج BERT على Wikipedia و BookCorpus ، والتي تحتوي على مليارات الكلمات. في مرحلة الضبط الدقيق ، يحتاج النموذج عادةً إلى التدريب فقط على مجموعة بيانات صغيرة الحجم لمهمة محددة. على سبيل المثال ، قد تحتوي مجموعة البيانات الدقيقة لمهمة تحليل المشاعر على بضعة آلاف إلى عشرات الآلاف من المراجعات.
عدد خطوات التدريب: عادة ما تتطلب مرحلة ما قبل التدريب ملايين أو حتى بلايين من خطوات التدريب ، بينما تحتاج مرحلة الضبط الدقيق عادة إلى آلاف إلى عشرات الآلاف من الخطوات. وذلك لأن مرحلة ما قبل التدريب تحتاج إلى تعلم البنية الأساسية ودلالات اللغة ، بينما تحتاج مرحلة الضبط الدقيق فقط إلى ضبط جزء من معلمات النموذج للتكيف مع مهمة محددة.
على سبيل المثال ، بأخذ GPT3 كمثال ، تستخدم مرحلة ما قبل التدريب 45 تيرابايت من البيانات النصية للتدريب ، بينما تحتاج مرحلة الضبط الدقيق فقط إلى حوالي 5 جيجابايت من البيانات. يستغرق وقت التدريب لمرحلة ما قبل التدريب من أسابيع إلى شهور ، بينما تستغرق مرحلة الضبط من ساعات إلى أيام فقط.
** 1.3.2 نقطة البداية لتقاطع الذكاء الاصطناعي والعملات المشفرة **
للحكم على ما إذا كان مشروع web3 معقولًا ، فإن إحدى أهم النقاط هي ما إذا كان تشفيرًا للعملات المشفرة ، وما إذا كان المشروع يزيد من القيمة التي يجلبها web3 ، وما إذا كانت إضافة web3 تجلب التمايز. من الواضح أن القيمة المضافة التي يجلبها web3 إلى سوق الذكاء الاصطناعي هذا لا يمكن أن تحل محل تأكيد الحقوق وتوزيع الدخل وقوة الحوسبة
أعتقد أن سوق Web3 AI الممتاز يمكن أن يدمج الذكاء الاصطناعي والتشفير عن كثب. أفضل مزيج ليس هو ما يمكن أن تقدمه التطبيقات أو البنية التحتية لسوق الذكاء الاصطناعي إلى الويب 3 ، ولكن ما يمكن أن توفره web3 لسوق الذكاء الاصطناعي. من الواضح ، على سبيل المثال ، أنه يمكن لكل مستخدم امتلاك نموذج وبيانات الذكاء الاصطناعي الخاصة به (مثل تغليف نموذج الذكاء الاصطناعي والبيانات مثل NFT) ، ويمكنهم أيضًا تداولها كسلع ، مما يجعل الاستخدام الجيد للويب 3 يمكنه اللعب قيمة. فهو لا يحفز مطوري الذكاء الاصطناعي وموفري البيانات فحسب ، بل يجعل تطبيق الذكاء الاصطناعي أكثر شمولاً. إذا كان النموذج جيدًا بما يكفي ، فإن المالك لديه حافز أقوى لتحميله للآخرين للمشاركة.
في الوقت نفسه ، قد يقدم سوق الذكاء الاصطناعي اللامركزي بعض نماذج الأعمال الجديدة ، مثل النماذج ومبيعات وتأجير البيانات والتعهيد الجماعي للمهام وما إلى ذلك.
** 1.3.3 خفض عتبة تطبيق الذكاء الاصطناعي **
يجب على الجميع تدريب نماذج الذكاء الاصطناعي الخاصة بهم وسيتمكنون من ذلك ، الأمر الذي يتطلب نظامًا أساسيًا بعتبة منخفضة بدرجة كافية لتوفير دعم الموارد ، بما في ذلك النماذج الأساسية والأدوات والبيانات وقوة الحوسبة وما إلى ذلك.
** 1.3.4 العرض والطلب **
على الرغم من أن النماذج الكبيرة تتمتع بقدرات تفكير قوية ، إلا أنها ليست كلي القدرة. في كثير من الأحيان ، يؤدي الضبط الدقيق لمهام وسيناريوهات محددة إلى تحقيق نتائج أفضل وقابلية عملية أقوى. لذلك ، من ناحية الطلب ، يحتاج المستخدمون إلى سوق نموذج للذكاء الاصطناعي للحصول على نماذج مفيدة في سيناريوهات مختلفة ؛ بالنسبة للمطورين ، فهم بحاجة إلى نظام أساسي يمكن أن يوفر راحة كبيرة للموارد لتطوير النماذج ، واكتساب الفوائد من خلال معرفتهم المهنية الخاصة.
** ثانيًا ، المستندة إلى النموذج مقابل البيانات **
** 2.1 السوق النموذجي **
نموذج
باستخدام الأدوات كنقطة بيع ، باعتباره الرابط الأول للرابط ، يحتاج المشروع إلى جذب عدد كافٍ من مطوري النماذج في المرحلة المبكرة لنشر نماذج عالية الجودة ، وذلك لتأسيس التوريد للسوق.
في هذا الوضع ، تكون النقاط الرئيسية التي تجذب المطورين هي البنية التحتية والأدوات المريحة وسهلة الاستخدام. تعتمد البيانات على قدرة المطور الخاصة ولماذا يمكن لبعض الأشخاص ذوي الخبرة في مجال معين إنشاء قيمة. البيانات في هذا المجال تحتاج يقوم المطورون بجمع النماذج وضبطها بأداء أفضل.
يفكر
لقد شاهدت مؤخرًا الكثير من المشاريع حول الجمع بين سوق الذكاء الاصطناعي والويب 3 ، ولكن ما أعتقده هو: هل إنشاء سوق نموذجي لامركزي للذكاء الاصطناعي هو اقتراح خاطئ؟
بادئ ذي بدء ، نحتاج إلى التفكير في سؤال ، ما القيمة التي يمكن أن توفرها web3؟
إنه بعيد عن أن يكون كافياً إذا كان مجرد حافز للعلامة التجارية ، أو سرد ملكية النموذج. من وجهة نظر عملية ، تعد النماذج عالية الجودة الموجودة على المنصة جوهر المنتج بأكمله ، وعادة ما تعني النماذج الممتازة قيمة اقتصادية عالية للغاية. من وجهة نظر مزودي النماذج ، فهم بحاجة إلى حافز كافٍ لنشر نماذجهم عالية الجودة في سوق الذكاء الاصطناعي ، ولكن هل يمكن للحوافز التي يقدمها الرمز المميز والملكية أن تلبي توقعاتهم لقيمة النموذج؟ بالنسبة لمنصة افتقرت إلى قاعدة مستخدمين في الأيام الأولى ، فمن الواضح أنها بعيدة كل البعد عن الوصول إليها. بدون نموذج جيد للغاية ، لن يتم إنشاء نموذج العمل بأكمله. لذا يصبح السؤال هو كيفية تحقيق إيرادات كافية لمقدمي النماذج في غياب المستخدمين النهائيين في المرحلة المبكرة.
** 2.2 سوق البيانات **
نموذج
استنادًا إلى جمع البيانات اللامركزية ، من خلال تصميم طبقة الحوافز وسرد ملكية البيانات على متن المزيد من مزودي البيانات ، وكذلك المستخدمين الذين يقومون بتسمية البيانات. بمباركة التشفير ، تتمتع المنصة بفرصة تجميع كمية كبيرة من البيانات القيمة خلال فترة زمنية معينة ، خاصة بيانات المجال الخاص التي تفتقر حاليًا.
أكثر ما يثير حماستي هو أن نموذج التطوير التصاعدي هذا أشبه بلعبة تمويل جماعي. بغض النظر عن مدى خبرة الأشخاص ، من المستحيل الحصول على بيانات كاملة في مجال ما ، وإحدى القيم التي يمكن أن توفرها web3 هي جمع البيانات اللامركزية وغير المصرح به. لا يمكن لهذا النموذج تركيز الخبرة والبيانات في مختلف المجالات فحسب ، بل يوفر أيضًا خدمات الذكاء الاصطناعي لمجموعة أكبر من المستخدمين. بالمقارنة مع البيانات الخاصة بمستخدم واحد ، يتم جمع بيانات التمويل الجماعي هذه من عدد كبير من السيناريوهات الفعلية للمستخدمين الحقيقيين ، بحيث يمكنهم عكس تعقيد وتنوع العالم الحقيقي بشكل أفضل من البيانات التي تم جمعها من مصدر واحد ، والتي يمكن أن تعزز بشكل كبير تمكن قدرة التعميم وقوة النموذج نموذج الذكاء الاصطناعي من الأداء الجيد في العديد من البيئات المختلفة.
على سبيل المثال ، قد يكون لدى الشخص الكثير من الخبرة في مجال التغذية وقد جمع الكثير من البيانات ، لكن البيانات الشخصية وحدها ليست كافية لتدريب نموذج ممتاز. أثناء مشاركة المستخدمين للبيانات ، يمكنهم أيضًا الوصول إلى البيانات القيمة التي يساهم بها المستخدمون الآخرون في نفس المجال وعبر الشبكة على النظام الأساسي واستخدامها ، وذلك لتحقيق تأثيرات ضبط أفضل.
يفكر
من هذا المنظور ، قد تكون أيضًا محاولة جيدة لبناء سوق بيانات لامركزية. باعتبارها "سلعة" ذات عتبات منخفضة ، وروابط إنتاج أقصر ، وكثافة أكبر للمزود ، يمكن للبيانات الاستفادة بشكل أفضل من القيمة التي يمكن أن توفرها web3. يمكن أن توفر خوارزمية الحوافز وآلية تأكيد البيانات حافزًا للمستخدمين لتحميل البيانات. في ظل النموذج الحالي ، فإن البيانات تشبه إلى حد كبير سلعة لمرة واحدة ، مما يعني أنها قليلة القيمة بعد استخدامها مرة واحدة. في سوق نموذج الذكاء الاصطناعي اللامركزي ، يمكن استخدام بيانات المستخدم بشكل متكرر والاستفادة منها ، وسيتم تحقيق قيمة البيانات في فترة زمنية أطول.
يبدو أنه خيار جيد لاستخدام البيانات كنقطة دخول لتجميع المستخدمين. ومن بين العوائق الأساسية للنموذج الكبير البيانات عالية الجودة ومتعددة الأبعاد. وبعد انضمام عدد كبير من مزودي البيانات ، أصبح هؤلاء الأشخاص لديك الفرصة لمزيد من التحول إلى مستخدمين نهائيين أو مزود نموذج. يمكن أن يوفر سوق الذكاء الاصطناعي القائم على هذا بالفعل القيمة الأساسية للنماذج الممتازة ، ويمنح مهندسي الخوارزميات الدافع للمساهمة بنماذج على المنصة من منظور نماذج التدريب.
** هذه الديناميكية عبارة عن تغيير من 0 إلى 1. ** الآن بعد أن أصبح لدى الشركات الكبيرة كميات هائلة من البيانات ، يمكنها تدريب نماذج أكثر دقة ، مما يجعل من الصعب على الشركات الصغيرة والمطورين الأفراد المنافسة. حتى إذا كان لدى المستخدم بيانات قيمة للغاية في مجال معين ، فمن الصعب أن يكون هذا الجزء الصغير من البيانات ذا قيمة بدون تعاون البيانات على مجموعة أكبر. ومع ذلك ، في السوق اللامركزية ، تتاح للجميع الفرصة للحصول على البيانات واستخدامها ، وينضم هؤلاء الخبراء إلى المنصة ببيانات إضافية قيمة. لذلك ، تم تحسين جودة البيانات وكميتها بشكل أكبر ، مما يجعل من الممكن كل شخص لتدريب نماذج ممتازة وحتى تعزيز ابتكار الذكاء الاصطناعي.
البيانات نفسها مناسبة بالفعل لتكون عائقًا أمام المنافسة في هذا النوع من أسواق الذكاء الاصطناعي. بادئ ذي بدء ، تسمح طبقة الحوافز الممتازة وضمانات الخصوصية الآمنة لمزيد من مستثمري التجزئة بالمشاركة في البروتوكول بأكمله والمساهمة بالبيانات. ومع زيادة عدد المستخدمين ، تزداد جودة البيانات وكميتها. سيؤدي ذلك إلى إحداث تأثيرات على المجتمع والشبكة ، مما يجعل السوق قادرًا على توفير قيمة أكبر وأبعاد أوسع ، لذلك سيكون أكثر جاذبية للمستخدمين الجدد. هذه هي عملية إنشاء حواجز للسوق.
لذلك ، بشكل أساسي ، لإنشاء سوق AI يعتمد على البيانات ، فإن أهم شيء هو النقاط الأربع التالية:
طبقة الحوافز: تصميم خوارزمية يمكن أن تحفز المستخدمين بشكل فعال على تقديم بيانات عالية الجودة ، وهي ضرورية لتحقيق التوازن بين قوة الحوافز واستدامة السوق.
الخصوصية: حماية خصوصية البيانات وضمان الاستخدام الفعال للبيانات.
المستخدمون: تجميع المستخدمين بسرعة وجمع بيانات أكثر قيمة في المرحلة المبكرة.
جودة البيانات: تأتي البيانات من مصادر مختلفة ، ويلزم تصميم آليات فعالة لمراقبة الجودة.
** لماذا لم يتم إدراج موفر النموذج كعامل رئيسي من قبلي في هذا السيناريو؟ **
يعتمد السبب الرئيسي على النقاط الأربع المذكورة أعلاه ، ومن المنطقي أن يكون لديك موفر نموذج ممتاز للانضمام.
** 2.3 قيمة وتحديات سوق البيانات **
** بيانات المجال الخاص **
تكمن قيمة بيانات المجال الخاص في معلوماتها الفريدة التي يصعب الحصول عليها في مجال معين ، وهو أمر مهم بشكل خاص لضبط نماذج الذكاء الاصطناعي. يمكن أن يؤدي استخدام بيانات المجال الخاص إلى إنشاء نماذج أكثر دقة وتخصيصًا تتفوق في الأداء على النماذج المدربة على مجموعات البيانات العامة في سيناريوهات محددة.
الآن يمكن لعملية بناء النموذج الأساسي الحصول على كمية كبيرة من البيانات العامة ، لذلك فإن تركيز سوق بيانات web3 ليس على هذه البيانات. تعتبر كيفية الحصول على بيانات المجال الخاص وإضافتها أثناء التدريب عقبة في الوقت الحالي ، فمن خلال الجمع بين بيانات المجال الخاص ومجموعات البيانات العامة ، يمكن زيادة قابلية النموذج للتكيف مع المشكلات المتنوعة واحتياجات المستخدمين ودقة النموذج.
على سبيل المثال ، بأخذ السيناريوهات الطبية والصحية كمثال ، يمكن لنماذج الذكاء الاصطناعي التي تستخدم بيانات المجال الخاص أن تزيد من دقة التنبؤ بنسبة 10٪ إلى 30٪. بالإشارة إلى أبحاث ستانفورد ، فإن نموذج التعلم العميق باستخدام البيانات الطبية الخاصة بالمجال الخاص أكثر دقة بنسبة 15٪ في التنبؤ بسرطان الرئة مقارنة بالنموذج باستخدام البيانات العامة
خصوصية البيانات
هل ستصبح الخصوصية عنق الزجاجة الذي يقيد AI + Web3؟ انطلاقًا من التطور الحالي ، أصبح اتجاه هبوط الذكاء الاصطناعي في الويب 3 واضحًا تدريجيًا ، ولكن يبدو أن كل تطبيق لا يمكنه تجنب موضوع الخصوصية. تحتاج قوة الحوسبة اللامركزية إلى ضمان سلامة البيانات والنماذج في كل من التدريب النموذجي والاستدلال النموذجي الخصوصية ؛ شرط أن يتم إنشاء zkml هو ضمان عدم إساءة استخدام النموذج بواسطة العقد الضارة.
تم بناء سوق الذكاء الاصطناعي على أساس ضمان أن المستخدمين يتحكمون في بياناتهم الخاصة. لذلك ، على الرغم من أن بيانات المستخدم يتم جمعها بطريقة لامركزية وموزعة ، يجب ألا تقوم جميع العقد بجمع أو معالجة أو تخزين أو استخدام ، إلخ. بيانات. تواجه طرق التشفير الحالية معوقات في الاستخدام ، مع الأخذ في الاعتبار التشفير المتماثل تمامًا كمثال:
** التعقيد الحسابي **: FHE أكثر تعقيدًا من طرق التشفير التقليدية ، مما يزيد بشكل كبير من العبء الحسابي لتدريب نموذج الذكاء الاصطناعي تحت تشفير متماثل تمامًا ، مما يجعل تدريب النموذج غير فعال للغاية ، حتى أنه غير ممكن. لذلك ، فإن التشفير المتماثل تمامًا ليس مثاليًا للمهام التي تتطلب الكثير من موارد الحوسبة ، مثل التدريب على نموذج التعلم العميق.
** خطأ في الحساب **: أثناء عملية حساب FHE ، سوف تتراكم الأخطاء تدريجيًا مع استمرار العملية الحسابية ، مما سيؤثر في النهاية على نتائج الحساب ويؤثر على أداء نموذج الذكاء الاصطناعي.
** الخصوصية مقسمة أيضًا إلى مستويات ، فلا داعي للقلق كثيرًا **
أنواع البيانات المختلفة لها مستويات مختلفة من متطلبات الخصوصية. فقط ، على سبيل المثال ، تتطلب السجلات الطبية والمعلومات المالية والمعلومات الشخصية الحساسة وما إلى ذلك مستوى عالٍ من حماية الخصوصية.
لذلك ، يجب مراعاة تنوع البيانات عند مناقشة سوق الذكاء الاصطناعي اللامركزي ، *** أهم شيء هو التوازن ***. من أجل تعظيم مشاركة المستخدم وثراء موارد النظام الأساسي ، من الضروري تصميم استراتيجية أكثر مرونة تسمح للمستخدمين بتخصيص إعدادات مستوى الخصوصية ، ** لا تتطلب جميع البيانات أعلى مستوى من الخصوصية **.
** 3. تأملات في سوق الذكاء الاصطناعي اللامركزي **
** 3.1 يحق للمستخدمين التحكم في الأصول ، فهل سيؤدي انسحاب المستخدمين إلى انهيار النظام الأساسي؟ **
تكمن ميزة سوق الذكاء الاصطناعي اللامركزي في ملكية المستخدم للموارد. يمكن للمستخدمين بالفعل سحب مواردهم في أي وقت ، ولكن بمجرد تراكم المستخدمين والموارد (النماذج والبيانات) إلى حد معين ، أعتقد أن النظام الأساسي لن يتأثر * *. بالطبع ، هذا يعني أيضًا أنه سيتم إنفاق الكثير من الأموال على استقرار المستخدمين والموارد في المرحلة الأولية من المشروع ، الأمر الذي سيكون صعبًا للغاية بالنسبة لفريق مبتدئ.
** إجماع المجتمع **
بمجرد أن يشكل سوق الذكاء الاصطناعي اللامركزي تأثيرًا قويًا للشبكة ، سيصبح المزيد من المستخدمين والمطورين ثابتين. ولأن زيادة عدد المستخدمين تؤدي إلى زيادة جودة وكمية البيانات والنماذج ، مما يجعل السوق أكثر نضجًا. يحصل المستخدمون الذين تحركهم اهتمامات مختلفة على قيمة أكبر من السوق. على الرغم من أن عددًا قليلاً من المستخدمين قد يختار المغادرة ، فإن معدل نمو المستخدمين الجدد في هذه الحالة لن يتباطأ نظريًا ، ويمكن للسوق الاستمرار في التطور وتقديم قيمة أكبر.
حوافز
إذا تم تصميم طبقة الحوافز بشكل صحيح ، مع زيادة عدد المشاركين وتراكم الموارد المختلفة ، فإن الفوائد التي تحصل عليها جميع الأطراف ستزداد وفقًا لذلك. لا يوفر سوق الذكاء الاصطناعي اللامركزي منصة للمستخدمين لتداول البيانات والنماذج فحسب ، بل قد يوفر أيضًا آلية للمستخدمين للاستفادة من بياناتهم ونماذجهم. على سبيل المثال ، يتقاضى المستخدمون رواتبهم عن طريق بيع بياناتهم الخاصة أو السماح للآخرين باستخدام نماذجهم الخاصة.
** لمطوري النماذج: ** قد لا يحتوي النشر على منصات أخرى على بيانات كافية لدعم ضبط نموذج بأداء أفضل ؛
** لموفري البيانات: ** قد لا تحتوي منصة أخرى على مثل هذا الأساس الكامل للبيانات ، ولا يمكن لقطعة صغيرة من البيانات للمستخدمين وحدهم أن تمارس قيمة وتحصل على استخدام وفوائد كافية ؛
ملخص
على الرغم من أنه في سوق الذكاء الاصطناعي اللامركزي ، يلعب طرف المشروع فقط دور المطابقة وتوفير منصة ، فإن العائق الحقيقي يكمن في تراكم البيانات والنماذج الناتجة عن تراكم عدد المستخدمين ***. يتمتع المستخدمون بحرية الانسحاب من السوق ، لكن سوق الذكاء الاصطناعي الناضج غالبًا ما يجعلهم يحصلون على قيمة أكبر من السوق مما يمكنهم الخروج منه خارج السوق ، لذلك ليس لدى المستخدمين أي حافز للانسحاب من السوق.
ومع ذلك ، إذا اختار معظم المستخدمين أو بعض موفري النماذج / البيانات عالية الجودة الانسحاب ، فقد يتأثر السوق. وهذا يتوافق أيضًا مع وجود تغييرات وتعديلات ديناميكية في دخول وخروج المستخدمين في الأنظمة الاقتصادية المختلفة.
** 3.2 الذي جاء أولاً الدجاجة أم البيضة **
انطلاقا من المسارين المذكورين أعلاه ، من الصعب تحديد أيهما سيظهر في النهاية ، لكن من الواضح أن سوق الذكاء الاصطناعي المستند إلى البيانات منطقي أكثر ، والسقف أعلى بكثير من الأول. الاختلاف الأكبر هو أن السوق المعتمد على البيانات يثري الحواجز باستمرار ، وعملية تراكم المستخدمين هي أيضًا عملية تجميع البيانات.في النهاية ، القيمة التي يمنحها web3 هي إثراء قاعدة بيانات لامركزية ضخمة. وهذا أمر إيجابي دورة. في الوقت نفسه ، في الأساس ، لا يحتاج هذا النوع من المنصات إلى الاحتفاظ بالبيانات ، ولكنه يوفر سوقًا أخف للمساهمة بالبيانات. في النهاية ، يعد هذا سوقًا كبيرًا للبيانات ، ومن الصعب استبدال هذا النوع من العوائق.
من منظور العرض والطلب ، يحتاج سوق الذكاء الاصطناعي إلى نقطتين في نفس الوقت:
** الكثير من الموديلات الممتازة **
** المستخدم النهائي **
من وجهة نظر معينة ، يبدو أن هذين الشرطين مترابطان. فمن ناحية ، يحتاج النظام الأساسي إلى عدد كافٍ من المستخدمين لتوفير الحافز لمقدمي النماذج والبيانات. فقط عندما يكون هناك عدد كافٍ من المستخدمين المتراكمين ، يمكن تشغيل طبقة الحوافز دور. وللحصول على أكبر قيمة ، يمكن أيضًا تشغيل دولاب الموازنة للبيانات ، بحيث يتمكن المزيد من موفري النماذج من نشر النماذج. من ناحية أخرى ، يجب أن يأتي عدد كافٍ من المستخدمين النهائيين لنموذج مفيد ، واختيار المستخدم للنظام الأساسي هو إلى حد كبير اختيار جودة وقدرات نموذج النظام الأساسي. لذلك ، بدون تجميع عدد معين من النماذج الممتازة ، لا يوجد هذا الطلب.بغض النظر عن مدى تقدم خوارزمية التوجيه ، فإن التوجيه بدون نماذج جيدة هو كلام فارغ. هذا مثل فرضية متجر أبل هو أن التفاح
لذلك ، فإن فكرة التطوير الأفضل هي:
** إستراتيجية أولية **
** تجميع نماذج عالية الجودة ، ** أهم شيء في المرحلة الأولية هو بناء مكتبة نماذج عالية الجودة. والسبب هو أنه بغض النظر عن عدد المستخدمين النهائيين الموجودين ، فبدون نماذج عالية الجودة لهم للاختيار والاستخدام ، لن تكون المنصة جذابة ، ولن يتمتع المستخدمون بالالتصاق والاحتفاظ. من خلال التركيز على بناء مكتبة نماذج عالية الجودة ، يمكن للمنصة أن تضمن أن المستخدمين الأوائل يمكنهم العثور على النماذج التي يحتاجون إليها ، وبالتالي بناء سمعة العلامة التجارية وثقة المستخدم ، وبناء تأثيرات المجتمع والشبكة تدريجيًا.
** سياسة التوسع **
** جذب المستخدمين النهائيين ، ** بعد إنشاء مكتبة نماذج عالية الجودة ، انتقل إلى جذب المزيد من المستخدمين النهائيين والاحتفاظ بهم. سيوفر عدد كبير من المستخدمين دافعًا واهتمامًا كافيين لمطوري النماذج لمواصلة تقديم النموذج وتحسينه. بالإضافة إلى ذلك ، سيقوم عدد كبير من المستخدمين أيضًا بتوليد كمية كبيرة من البيانات ، مما سيؤدي إلى زيادة تحسين التدريب وتحسين النموذج.
ملخص
ما هي أفضل محاولة في سوق للذكاء الاصطناعي؟ *** باختصار ، يمكن للمنصة توفير نماذج عالية الجودة كافية ، ويمكنها مطابقة المستخدمين بكفاءة مع نماذج مناسبة لحل المشكلات ***. تحل هذه الجملة تناقضين. أولاً ، يمكن للمنصة أن توفر قيمة كافية للمطورين (بما في ذلك مطورو النماذج والمستخدمون) ، بحيث يكون هناك ما يكفي من النماذج عالية الجودة على المنصة ؛ وثانيًا ، يمكن لهذه "السلع" تزويد المستخدمين بحلول محلية فعالة ، وبالتالي تجميع المزيد من المستخدمين وتوفير الحماية لمصالح جميع الأطراف.
يعد سوق AI اللامركزي اتجاهًا سهلاً لـ AI + web3 للهبوط ، ولكن يجب أن يكتشف المشروع القيمة الحقيقية التي يمكن أن توفرها هذه المنصة وكيفية إشراك عدد كبير من المستخدمين في المرحلة المبكرة. من بينها ، المفتاح هو إيجاد نقطة توازن لمصالح جميع الأطراف ، وفي نفس الوقت التعامل مع عناصر متعددة مثل ملكية البيانات وجودة النموذج وخصوصية المستخدم وقوة الحوسبة وخوارزميات الحوافز ، وأخيرًا تصبح مشاركة و منصة تداول للبيانات والنماذج وقوة الحوسبة.
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.
Foresight Ventures: أفضل محاولة في سوق الذكاء الاصطناعي اللامركزي
** TL ؛ DR **
** 1. AI Marketplace of Web3 **
** 1.1 مراجعة مسار الذكاء الاصطناعي في مجال الويب 3 **
أولاً ، راجع الاتجاهين العامين للجمع بين الذكاء الاصطناعي والعملات المشفرة التي ذكرتها سابقًا ، ZKML وشبكة طاقة الحوسبة اللامركزية👇
ZKML
يجعل ** ZKML ** نموذج AI ** شفافًا + قابل للتحقق ، ** مما يعني ضمان إمكانية التحقق من العوامل الثلاثة لبنية النموذج ومعلمات النموذج والأوزان وإدخال النموذج على الشبكة بالكامل. تكمن أهمية ZKML في إنشاء المرحلة التالية من القيمة لعالم web3 دون التضحية باللامركزية وعدم الثقة ، وتوفير القدرة على تنفيذ تطبيقات أوسع وخلق إمكانيات أكبر.
** Foresight Ventures: AI + Web3 =？ **
** شبكة طاقة الحوسبة **
ستكون موارد الحوسبة ساحة معركة رئيسية في العقد المقبل ، وسيزداد الاستثمار المستقبلي في البنية التحتية للحوسبة عالية الأداء بشكل كبير. تنقسم سيناريوهات التطبيق لقوة الحوسبة اللامركزية إلى اتجاهين: نموذج التفكير والتدريب النموذجي.إن الطلب على تدريب نموذج كبير للذكاء الاصطناعي هو الأكبر ، لكنه يواجه أيضًا أكبر التحديات والاختناقات التقنية. بما في ذلك الحاجة إلى مزامنة البيانات المعقدة وقضايا تحسين الشبكة. هناك المزيد من الفرص لتطبيق التفكير النموذجي ، كما أن المساحة الإضافية المستقبلية التي يمكن التنبؤ بها كبيرة بدرجة كافية.
** 1.2 ما المقصود بـ AI Marketplace؟ **
أسواق الذكاء الاصطناعي ليست مفهوماً جديداً للغاية ، ويمكن القول إن Hugging Face هو أنجح أسواق الذكاء الاصطناعي (باستثناء غياب المعاملات وآليات التسعير). في مجال البرمجة اللغوية العصبية ، يوفر Hugging Face منصة مجتمعية مهمة للغاية ونشطة حيث يمكن للمطورين والمستخدمين مشاركة واستخدام نماذج مختلفة مدربة مسبقًا.
** أ. موارد النموذج **
يوفر Hugging Face عددًا كبيرًا من النماذج المدربة مسبقًا والتي تغطي مجموعة متنوعة من مهام البرمجة اللغوية العصبية. وقد اجتذب هذا الثراء في الموارد عددًا كبيرًا من المستخدمين ، وبالتالي فهو الأساس لتكوين مجتمع نشط وتجميع المستخدمين.
** ب. روح مفتوحة المصدر + انتشار ومشارك **
يشجع Hugging Face المطورين على تحميل نماذجهم ومشاركتها. تعزز روح الانفتاح والمشاركة هذه حيوية المجتمع وتمكّن من الاستفادة بسرعة من أحدث نتائج البحث من قبل عدد كبير من المستخدمين. يعتمد هذا على تراكم المطورين والنماذج الممتازة ، مما يسرع من كفاءة نتائج البحث التي يتم التحقق منها والترويج لها.
** ج. صديقة للمطورين + سهلة الاستخدام **
يوفر Hugging Face واجهة برمجة تطبيقات ووثائق سهلة الاستخدام ، مما يمكّن المطورين من فهم النماذج التي يوفرها واستخدامها بسرعة. هذا يقلل من عتبة الاستخدام ، ويحسن تجربة المستخدم ، ويجذب المزيد من المطورين.
على الرغم من أن Hugging Face لا يحتوي على آلية معاملات ، إلا أنه لا يزال يوفر منصة مهمة لمشاركة نماذج الذكاء الاصطناعي واستخدامها. لذلك ، يمكن أيضًا ملاحظة أن سوق الذكاء الاصطناعي لديه الفرصة ليصبح موردًا قيمًا للصناعة بأكملها.
** سوق الذكاء الاصطناعي اللامركزي باختصار: **
بناءً على العناصر المذكورة أعلاه ، يعتمد سوق الذكاء الاصطناعي اللامركزي على تقنية blockchain ، مما يتيح للمستخدمين امتلاك بياناتهم وأصولهم النموذجية. تنعكس القيمة التي يجلبها Web3 أيضًا في آلية الحوافز والمعاملات ، حيث يمكن للمستخدمين اختيار النموذج المناسب أو مطابقته بحرية من خلال النظام ، وفي الوقت نفسه ، يمكنهم أيضًا وضع نماذجهم المدربة على الرفوف للحصول على الفوائد.
يمتلك المستخدمون أصول الذكاء الاصطناعي الخاصة بهم ، ولا يتحكم سوق الذكاء الاصطناعي نفسه في البيانات والنماذج. بدلاً من ذلك ، يعتمد تطوير السوق على قاعدة المستخدمين وما يترتب على ذلك من تراكم النماذج والبيانات. هذا التراكم هو عملية طويلة الأجل ، ولكنه أيضًا عملية إنشاء حواجز المنتج بشكل تدريجي. يتم دعم تطوير السوق من خلال عدد المستخدمين وكمية / جودة النماذج والبيانات التي تم تحميلها من قبل المستخدمين.
** 1.3 لماذا يجب الانتباه إلى سوق الذكاء الاصطناعي في Web3؟ **
** 1.3.1 متوافق مع الاتجاه العام لتطبيق قوة الحوسبة **
بسبب ضغط الاتصال وأسباب أخرى ، قد يكون من الصعب تنفيذ قوة الحوسبة اللامركزية على نموذج قاعدة التدريب ، لكن الضغط على الدقة الدقيقة سيكون أقل بكثير ، لذلك لديها الفرصة لتصبح أحد أفضل السيناريوهات لتنفيذ المركزية. شبكة طاقة الحوسبة.
** القليل من المعرفة الأساسية: لماذا يسهل الهبوط في مرحلة الضبط الدقيق **
** Foresight Ventures: نظرة عقلانية على شبكة الطاقة الحاسوبية اللامركزية **
ينقسم تدريب نموذج الذكاء الاصطناعي إلى تدريب مسبق وضبط دقيق. يتضمن التدريب المسبق قدرًا كبيرًا من البيانات وعددًا كبيرًا من العمليات الحسابية ، لمزيد من التفاصيل ، يرجى الرجوع إلى التحليل في مقالتي أعلاه. يعتمد الضبط الدقيق على النموذج الأساسي ، باستخدام البيانات الخاصة بالمهمة لضبط معلمات النموذج بحيث يكون للنموذج أداء أفضل لمهام محددة.موارد الحوسبة المطلوبة في مرحلة الضبط الدقيق للنموذج أصغر بكثير من تلك الموجودة في المرحلة السابقة مرحلة التدريب وهناك سببان رئيسيان:
على سبيل المثال ، بأخذ GPT3 كمثال ، تستخدم مرحلة ما قبل التدريب 45 تيرابايت من البيانات النصية للتدريب ، بينما تحتاج مرحلة الضبط الدقيق فقط إلى حوالي 5 جيجابايت من البيانات. يستغرق وقت التدريب لمرحلة ما قبل التدريب من أسابيع إلى شهور ، بينما تستغرق مرحلة الضبط من ساعات إلى أيام فقط.
** 1.3.2 نقطة البداية لتقاطع الذكاء الاصطناعي والعملات المشفرة **
للحكم على ما إذا كان مشروع web3 معقولًا ، فإن إحدى أهم النقاط هي ما إذا كان تشفيرًا للعملات المشفرة ، وما إذا كان المشروع يزيد من القيمة التي يجلبها web3 ، وما إذا كانت إضافة web3 تجلب التمايز. من الواضح أن القيمة المضافة التي يجلبها web3 إلى سوق الذكاء الاصطناعي هذا لا يمكن أن تحل محل تأكيد الحقوق وتوزيع الدخل وقوة الحوسبة
أعتقد أن سوق Web3 AI الممتاز يمكن أن يدمج الذكاء الاصطناعي والتشفير عن كثب. أفضل مزيج ليس هو ما يمكن أن تقدمه التطبيقات أو البنية التحتية لسوق الذكاء الاصطناعي إلى الويب 3 ، ولكن ما يمكن أن توفره web3 لسوق الذكاء الاصطناعي. من الواضح ، على سبيل المثال ، أنه يمكن لكل مستخدم امتلاك نموذج وبيانات الذكاء الاصطناعي الخاصة به (مثل تغليف نموذج الذكاء الاصطناعي والبيانات مثل NFT) ، ويمكنهم أيضًا تداولها كسلع ، مما يجعل الاستخدام الجيد للويب 3 يمكنه اللعب قيمة. فهو لا يحفز مطوري الذكاء الاصطناعي وموفري البيانات فحسب ، بل يجعل تطبيق الذكاء الاصطناعي أكثر شمولاً. إذا كان النموذج جيدًا بما يكفي ، فإن المالك لديه حافز أقوى لتحميله للآخرين للمشاركة.
في الوقت نفسه ، قد يقدم سوق الذكاء الاصطناعي اللامركزي بعض نماذج الأعمال الجديدة ، مثل النماذج ومبيعات وتأجير البيانات والتعهيد الجماعي للمهام وما إلى ذلك.
** 1.3.3 خفض عتبة تطبيق الذكاء الاصطناعي **
يجب على الجميع تدريب نماذج الذكاء الاصطناعي الخاصة بهم وسيتمكنون من ذلك ، الأمر الذي يتطلب نظامًا أساسيًا بعتبة منخفضة بدرجة كافية لتوفير دعم الموارد ، بما في ذلك النماذج الأساسية والأدوات والبيانات وقوة الحوسبة وما إلى ذلك.
** 1.3.4 العرض والطلب **
على الرغم من أن النماذج الكبيرة تتمتع بقدرات تفكير قوية ، إلا أنها ليست كلي القدرة. في كثير من الأحيان ، يؤدي الضبط الدقيق لمهام وسيناريوهات محددة إلى تحقيق نتائج أفضل وقابلية عملية أقوى. لذلك ، من ناحية الطلب ، يحتاج المستخدمون إلى سوق نموذج للذكاء الاصطناعي للحصول على نماذج مفيدة في سيناريوهات مختلفة ؛ بالنسبة للمطورين ، فهم بحاجة إلى نظام أساسي يمكن أن يوفر راحة كبيرة للموارد لتطوير النماذج ، واكتساب الفوائد من خلال معرفتهم المهنية الخاصة.
** ثانيًا ، المستندة إلى النموذج مقابل البيانات **
** 2.1 السوق النموذجي **
نموذج
باستخدام الأدوات كنقطة بيع ، باعتباره الرابط الأول للرابط ، يحتاج المشروع إلى جذب عدد كافٍ من مطوري النماذج في المرحلة المبكرة لنشر نماذج عالية الجودة ، وذلك لتأسيس التوريد للسوق.
في هذا الوضع ، تكون النقاط الرئيسية التي تجذب المطورين هي البنية التحتية والأدوات المريحة وسهلة الاستخدام. تعتمد البيانات على قدرة المطور الخاصة ولماذا يمكن لبعض الأشخاص ذوي الخبرة في مجال معين إنشاء قيمة. البيانات في هذا المجال تحتاج يقوم المطورون بجمع النماذج وضبطها بأداء أفضل.
يفكر
لقد شاهدت مؤخرًا الكثير من المشاريع حول الجمع بين سوق الذكاء الاصطناعي والويب 3 ، ولكن ما أعتقده هو: هل إنشاء سوق نموذجي لامركزي للذكاء الاصطناعي هو اقتراح خاطئ؟
بادئ ذي بدء ، نحتاج إلى التفكير في سؤال ، ما القيمة التي يمكن أن توفرها web3؟
إنه بعيد عن أن يكون كافياً إذا كان مجرد حافز للعلامة التجارية ، أو سرد ملكية النموذج. من وجهة نظر عملية ، تعد النماذج عالية الجودة الموجودة على المنصة جوهر المنتج بأكمله ، وعادة ما تعني النماذج الممتازة قيمة اقتصادية عالية للغاية. من وجهة نظر مزودي النماذج ، فهم بحاجة إلى حافز كافٍ لنشر نماذجهم عالية الجودة في سوق الذكاء الاصطناعي ، ولكن هل يمكن للحوافز التي يقدمها الرمز المميز والملكية أن تلبي توقعاتهم لقيمة النموذج؟ بالنسبة لمنصة افتقرت إلى قاعدة مستخدمين في الأيام الأولى ، فمن الواضح أنها بعيدة كل البعد عن الوصول إليها. بدون نموذج جيد للغاية ، لن يتم إنشاء نموذج العمل بأكمله. لذا يصبح السؤال هو كيفية تحقيق إيرادات كافية لمقدمي النماذج في غياب المستخدمين النهائيين في المرحلة المبكرة.
** 2.2 سوق البيانات **
استنادًا إلى جمع البيانات اللامركزية ، من خلال تصميم طبقة الحوافز وسرد ملكية البيانات على متن المزيد من مزودي البيانات ، وكذلك المستخدمين الذين يقومون بتسمية البيانات. بمباركة التشفير ، تتمتع المنصة بفرصة تجميع كمية كبيرة من البيانات القيمة خلال فترة زمنية معينة ، خاصة بيانات المجال الخاص التي تفتقر حاليًا.
أكثر ما يثير حماستي هو أن نموذج التطوير التصاعدي هذا أشبه بلعبة تمويل جماعي. بغض النظر عن مدى خبرة الأشخاص ، من المستحيل الحصول على بيانات كاملة في مجال ما ، وإحدى القيم التي يمكن أن توفرها web3 هي جمع البيانات اللامركزية وغير المصرح به. لا يمكن لهذا النموذج تركيز الخبرة والبيانات في مختلف المجالات فحسب ، بل يوفر أيضًا خدمات الذكاء الاصطناعي لمجموعة أكبر من المستخدمين. بالمقارنة مع البيانات الخاصة بمستخدم واحد ، يتم جمع بيانات التمويل الجماعي هذه من عدد كبير من السيناريوهات الفعلية للمستخدمين الحقيقيين ، بحيث يمكنهم عكس تعقيد وتنوع العالم الحقيقي بشكل أفضل من البيانات التي تم جمعها من مصدر واحد ، والتي يمكن أن تعزز بشكل كبير تمكن قدرة التعميم وقوة النموذج نموذج الذكاء الاصطناعي من الأداء الجيد في العديد من البيئات المختلفة.
على سبيل المثال ، قد يكون لدى الشخص الكثير من الخبرة في مجال التغذية وقد جمع الكثير من البيانات ، لكن البيانات الشخصية وحدها ليست كافية لتدريب نموذج ممتاز. أثناء مشاركة المستخدمين للبيانات ، يمكنهم أيضًا الوصول إلى البيانات القيمة التي يساهم بها المستخدمون الآخرون في نفس المجال وعبر الشبكة على النظام الأساسي واستخدامها ، وذلك لتحقيق تأثيرات ضبط أفضل.
يفكر
من هذا المنظور ، قد تكون أيضًا محاولة جيدة لبناء سوق بيانات لامركزية. باعتبارها "سلعة" ذات عتبات منخفضة ، وروابط إنتاج أقصر ، وكثافة أكبر للمزود ، يمكن للبيانات الاستفادة بشكل أفضل من القيمة التي يمكن أن توفرها web3. يمكن أن توفر خوارزمية الحوافز وآلية تأكيد البيانات حافزًا للمستخدمين لتحميل البيانات. في ظل النموذج الحالي ، فإن البيانات تشبه إلى حد كبير سلعة لمرة واحدة ، مما يعني أنها قليلة القيمة بعد استخدامها مرة واحدة. في سوق نموذج الذكاء الاصطناعي اللامركزي ، يمكن استخدام بيانات المستخدم بشكل متكرر والاستفادة منها ، وسيتم تحقيق قيمة البيانات في فترة زمنية أطول.
يبدو أنه خيار جيد لاستخدام البيانات كنقطة دخول لتجميع المستخدمين. ومن بين العوائق الأساسية للنموذج الكبير البيانات عالية الجودة ومتعددة الأبعاد. وبعد انضمام عدد كبير من مزودي البيانات ، أصبح هؤلاء الأشخاص لديك الفرصة لمزيد من التحول إلى مستخدمين نهائيين أو مزود نموذج. يمكن أن يوفر سوق الذكاء الاصطناعي القائم على هذا بالفعل القيمة الأساسية للنماذج الممتازة ، ويمنح مهندسي الخوارزميات الدافع للمساهمة بنماذج على المنصة من منظور نماذج التدريب.
** هذه الديناميكية عبارة عن تغيير من 0 إلى 1. ** الآن بعد أن أصبح لدى الشركات الكبيرة كميات هائلة من البيانات ، يمكنها تدريب نماذج أكثر دقة ، مما يجعل من الصعب على الشركات الصغيرة والمطورين الأفراد المنافسة. حتى إذا كان لدى المستخدم بيانات قيمة للغاية في مجال معين ، فمن الصعب أن يكون هذا الجزء الصغير من البيانات ذا قيمة بدون تعاون البيانات على مجموعة أكبر. ومع ذلك ، في السوق اللامركزية ، تتاح للجميع الفرصة للحصول على البيانات واستخدامها ، وينضم هؤلاء الخبراء إلى المنصة ببيانات إضافية قيمة. لذلك ، تم تحسين جودة البيانات وكميتها بشكل أكبر ، مما يجعل من الممكن كل شخص لتدريب نماذج ممتازة وحتى تعزيز ابتكار الذكاء الاصطناعي.
البيانات نفسها مناسبة بالفعل لتكون عائقًا أمام المنافسة في هذا النوع من أسواق الذكاء الاصطناعي. بادئ ذي بدء ، تسمح طبقة الحوافز الممتازة وضمانات الخصوصية الآمنة لمزيد من مستثمري التجزئة بالمشاركة في البروتوكول بأكمله والمساهمة بالبيانات. ومع زيادة عدد المستخدمين ، تزداد جودة البيانات وكميتها. سيؤدي ذلك إلى إحداث تأثيرات على المجتمع والشبكة ، مما يجعل السوق قادرًا على توفير قيمة أكبر وأبعاد أوسع ، لذلك سيكون أكثر جاذبية للمستخدمين الجدد. هذه هي عملية إنشاء حواجز للسوق.
لذلك ، بشكل أساسي ، لإنشاء سوق AI يعتمد على البيانات ، فإن أهم شيء هو النقاط الأربع التالية:
** لماذا لم يتم إدراج موفر النموذج كعامل رئيسي من قبلي في هذا السيناريو؟ **
يعتمد السبب الرئيسي على النقاط الأربع المذكورة أعلاه ، ومن المنطقي أن يكون لديك موفر نموذج ممتاز للانضمام.
** 2.3 قيمة وتحديات سوق البيانات **
** بيانات المجال الخاص **
تكمن قيمة بيانات المجال الخاص في معلوماتها الفريدة التي يصعب الحصول عليها في مجال معين ، وهو أمر مهم بشكل خاص لضبط نماذج الذكاء الاصطناعي. يمكن أن يؤدي استخدام بيانات المجال الخاص إلى إنشاء نماذج أكثر دقة وتخصيصًا تتفوق في الأداء على النماذج المدربة على مجموعات البيانات العامة في سيناريوهات محددة.
الآن يمكن لعملية بناء النموذج الأساسي الحصول على كمية كبيرة من البيانات العامة ، لذلك فإن تركيز سوق بيانات web3 ليس على هذه البيانات. تعتبر كيفية الحصول على بيانات المجال الخاص وإضافتها أثناء التدريب عقبة في الوقت الحالي ، فمن خلال الجمع بين بيانات المجال الخاص ومجموعات البيانات العامة ، يمكن زيادة قابلية النموذج للتكيف مع المشكلات المتنوعة واحتياجات المستخدمين ودقة النموذج.
على سبيل المثال ، بأخذ السيناريوهات الطبية والصحية كمثال ، يمكن لنماذج الذكاء الاصطناعي التي تستخدم بيانات المجال الخاص أن تزيد من دقة التنبؤ بنسبة 10٪ إلى 30٪. بالإشارة إلى أبحاث ستانفورد ، فإن نموذج التعلم العميق باستخدام البيانات الطبية الخاصة بالمجال الخاص أكثر دقة بنسبة 15٪ في التنبؤ بسرطان الرئة مقارنة بالنموذج باستخدام البيانات العامة
خصوصية البيانات
هل ستصبح الخصوصية عنق الزجاجة الذي يقيد AI + Web3؟ انطلاقًا من التطور الحالي ، أصبح اتجاه هبوط الذكاء الاصطناعي في الويب 3 واضحًا تدريجيًا ، ولكن يبدو أن كل تطبيق لا يمكنه تجنب موضوع الخصوصية. تحتاج قوة الحوسبة اللامركزية إلى ضمان سلامة البيانات والنماذج في كل من التدريب النموذجي والاستدلال النموذجي الخصوصية ؛ شرط أن يتم إنشاء zkml هو ضمان عدم إساءة استخدام النموذج بواسطة العقد الضارة.
تم بناء سوق الذكاء الاصطناعي على أساس ضمان أن المستخدمين يتحكمون في بياناتهم الخاصة. لذلك ، على الرغم من أن بيانات المستخدم يتم جمعها بطريقة لامركزية وموزعة ، يجب ألا تقوم جميع العقد بجمع أو معالجة أو تخزين أو استخدام ، إلخ. بيانات. تواجه طرق التشفير الحالية معوقات في الاستخدام ، مع الأخذ في الاعتبار التشفير المتماثل تمامًا كمثال:
** الخصوصية مقسمة أيضًا إلى مستويات ، فلا داعي للقلق كثيرًا **
أنواع البيانات المختلفة لها مستويات مختلفة من متطلبات الخصوصية. فقط ، على سبيل المثال ، تتطلب السجلات الطبية والمعلومات المالية والمعلومات الشخصية الحساسة وما إلى ذلك مستوى عالٍ من حماية الخصوصية.
لذلك ، يجب مراعاة تنوع البيانات عند مناقشة سوق الذكاء الاصطناعي اللامركزي ، *** أهم شيء هو التوازن ***. من أجل تعظيم مشاركة المستخدم وثراء موارد النظام الأساسي ، من الضروري تصميم استراتيجية أكثر مرونة تسمح للمستخدمين بتخصيص إعدادات مستوى الخصوصية ، ** لا تتطلب جميع البيانات أعلى مستوى من الخصوصية **.
** 3. تأملات في سوق الذكاء الاصطناعي اللامركزي **
** 3.1 يحق للمستخدمين التحكم في الأصول ، فهل سيؤدي انسحاب المستخدمين إلى انهيار النظام الأساسي؟ **
تكمن ميزة سوق الذكاء الاصطناعي اللامركزي في ملكية المستخدم للموارد. يمكن للمستخدمين بالفعل سحب مواردهم في أي وقت ، ولكن بمجرد تراكم المستخدمين والموارد (النماذج والبيانات) إلى حد معين ، أعتقد أن النظام الأساسي لن يتأثر * *. بالطبع ، هذا يعني أيضًا أنه سيتم إنفاق الكثير من الأموال على استقرار المستخدمين والموارد في المرحلة الأولية من المشروع ، الأمر الذي سيكون صعبًا للغاية بالنسبة لفريق مبتدئ.
** إجماع المجتمع **
بمجرد أن يشكل سوق الذكاء الاصطناعي اللامركزي تأثيرًا قويًا للشبكة ، سيصبح المزيد من المستخدمين والمطورين ثابتين. ولأن زيادة عدد المستخدمين تؤدي إلى زيادة جودة وكمية البيانات والنماذج ، مما يجعل السوق أكثر نضجًا. يحصل المستخدمون الذين تحركهم اهتمامات مختلفة على قيمة أكبر من السوق. على الرغم من أن عددًا قليلاً من المستخدمين قد يختار المغادرة ، فإن معدل نمو المستخدمين الجدد في هذه الحالة لن يتباطأ نظريًا ، ويمكن للسوق الاستمرار في التطور وتقديم قيمة أكبر.
حوافز
إذا تم تصميم طبقة الحوافز بشكل صحيح ، مع زيادة عدد المشاركين وتراكم الموارد المختلفة ، فإن الفوائد التي تحصل عليها جميع الأطراف ستزداد وفقًا لذلك. لا يوفر سوق الذكاء الاصطناعي اللامركزي منصة للمستخدمين لتداول البيانات والنماذج فحسب ، بل قد يوفر أيضًا آلية للمستخدمين للاستفادة من بياناتهم ونماذجهم. على سبيل المثال ، يتقاضى المستخدمون رواتبهم عن طريق بيع بياناتهم الخاصة أو السماح للآخرين باستخدام نماذجهم الخاصة.
** لمطوري النماذج: ** قد لا يحتوي النشر على منصات أخرى على بيانات كافية لدعم ضبط نموذج بأداء أفضل ؛
** لموفري البيانات: ** قد لا تحتوي منصة أخرى على مثل هذا الأساس الكامل للبيانات ، ولا يمكن لقطعة صغيرة من البيانات للمستخدمين وحدهم أن تمارس قيمة وتحصل على استخدام وفوائد كافية ؛
ملخص
على الرغم من أنه في سوق الذكاء الاصطناعي اللامركزي ، يلعب طرف المشروع فقط دور المطابقة وتوفير منصة ، فإن العائق الحقيقي يكمن في تراكم البيانات والنماذج الناتجة عن تراكم عدد المستخدمين ***. يتمتع المستخدمون بحرية الانسحاب من السوق ، لكن سوق الذكاء الاصطناعي الناضج غالبًا ما يجعلهم يحصلون على قيمة أكبر من السوق مما يمكنهم الخروج منه خارج السوق ، لذلك ليس لدى المستخدمين أي حافز للانسحاب من السوق.
ومع ذلك ، إذا اختار معظم المستخدمين أو بعض موفري النماذج / البيانات عالية الجودة الانسحاب ، فقد يتأثر السوق. وهذا يتوافق أيضًا مع وجود تغييرات وتعديلات ديناميكية في دخول وخروج المستخدمين في الأنظمة الاقتصادية المختلفة.
** 3.2 الذي جاء أولاً الدجاجة أم البيضة **
انطلاقا من المسارين المذكورين أعلاه ، من الصعب تحديد أيهما سيظهر في النهاية ، لكن من الواضح أن سوق الذكاء الاصطناعي المستند إلى البيانات منطقي أكثر ، والسقف أعلى بكثير من الأول. الاختلاف الأكبر هو أن السوق المعتمد على البيانات يثري الحواجز باستمرار ، وعملية تراكم المستخدمين هي أيضًا عملية تجميع البيانات.في النهاية ، القيمة التي يمنحها web3 هي إثراء قاعدة بيانات لامركزية ضخمة. وهذا أمر إيجابي دورة. في الوقت نفسه ، في الأساس ، لا يحتاج هذا النوع من المنصات إلى الاحتفاظ بالبيانات ، ولكنه يوفر سوقًا أخف للمساهمة بالبيانات. في النهاية ، يعد هذا سوقًا كبيرًا للبيانات ، ومن الصعب استبدال هذا النوع من العوائق.
من منظور العرض والطلب ، يحتاج سوق الذكاء الاصطناعي إلى نقطتين في نفس الوقت:
من وجهة نظر معينة ، يبدو أن هذين الشرطين مترابطان. فمن ناحية ، يحتاج النظام الأساسي إلى عدد كافٍ من المستخدمين لتوفير الحافز لمقدمي النماذج والبيانات. فقط عندما يكون هناك عدد كافٍ من المستخدمين المتراكمين ، يمكن تشغيل طبقة الحوافز دور. وللحصول على أكبر قيمة ، يمكن أيضًا تشغيل دولاب الموازنة للبيانات ، بحيث يتمكن المزيد من موفري النماذج من نشر النماذج. من ناحية أخرى ، يجب أن يأتي عدد كافٍ من المستخدمين النهائيين لنموذج مفيد ، واختيار المستخدم للنظام الأساسي هو إلى حد كبير اختيار جودة وقدرات نموذج النظام الأساسي. لذلك ، بدون تجميع عدد معين من النماذج الممتازة ، لا يوجد هذا الطلب.بغض النظر عن مدى تقدم خوارزمية التوجيه ، فإن التوجيه بدون نماذج جيدة هو كلام فارغ. هذا مثل فرضية متجر أبل هو أن التفاح
لذلك ، فإن فكرة التطوير الأفضل هي:
** إستراتيجية أولية **
** سياسة التوسع **
ملخص
ما هي أفضل محاولة في سوق للذكاء الاصطناعي؟ *** باختصار ، يمكن للمنصة توفير نماذج عالية الجودة كافية ، ويمكنها مطابقة المستخدمين بكفاءة مع نماذج مناسبة لحل المشكلات ***. تحل هذه الجملة تناقضين. أولاً ، يمكن للمنصة أن توفر قيمة كافية للمطورين (بما في ذلك مطورو النماذج والمستخدمون) ، بحيث يكون هناك ما يكفي من النماذج عالية الجودة على المنصة ؛ وثانيًا ، يمكن لهذه "السلع" تزويد المستخدمين بحلول محلية فعالة ، وبالتالي تجميع المزيد من المستخدمين وتوفير الحماية لمصالح جميع الأطراف.
يعد سوق AI اللامركزي اتجاهًا سهلاً لـ AI + web3 للهبوط ، ولكن يجب أن يكتشف المشروع القيمة الحقيقية التي يمكن أن توفرها هذه المنصة وكيفية إشراك عدد كبير من المستخدمين في المرحلة المبكرة. من بينها ، المفتاح هو إيجاد نقطة توازن لمصالح جميع الأطراف ، وفي نفس الوقت التعامل مع عناصر متعددة مثل ملكية البيانات وجودة النموذج وخصوصية المستخدم وقوة الحوسبة وخوارزميات الحوافز ، وأخيرًا تصبح مشاركة و منصة تداول للبيانات والنماذج وقوة الحوسبة.