التشفير هو وهم الذكاء الاصطناعي

المصدر: جبل زويي وايبو

• النشوء: عندما يتفاعل العديد من الأفراد الصغار مع بعضهم البعض، كلًا كبيرًا، وهذا الكل تظهر خصائص جديدة لا يمتلكها الأفراد الذين يتكونون منها، على سبيل المثال، تعتبر ظاهرة الحياة المدروسة في علم الأحياء خاصية ناشئة في الكيمياء.

• الهلوسة: يميل النموذج إلى إخراج بيانات خادعة، وتبدو مخرجات نموذج الذكاء الاصطناعي صحيحة ولكنها في الواقع خاطئة.

يُظهر الارتباط بين الذكاء الاصطناعي والعملات المشفرة خصائص تذبذب النطاق الواضحة، فبعد أن هزم AlphaGo اللاعبين المحترفين من Human Go في عام 2016، ولد عالم التشفير تلقائيًا Fetch. الذكاء الاصطناعي ومحاولات أخرى للجمع بين الاثنين، منذ ظهور GPT-4 في عام 2023، عاد جنون الذكاء الاصطناعي + العملات المشفرة إلى الظهور من جديد، ممثلاً بإصدار WorldCoin، ويبدو أن البشرية تدخل عالمًا فاضلاً حيث يكون الذكاء الاصطناعي مسؤولاً عن الإنتاجية والعملات المشفرة هو المسؤول عن التوزيع.عصر.

لقد وصل هذا النوع من المشاعر إلى ذروته بعد أن أطلقت شركة OpenAI تطبيق فيديو Wensheng Sora، ولكن بما أنها عاطفة، فهناك دائمًا عنصر غير عقلاني. على الأقل، كان Li Yizhou من بين أولئك الذين تعرضوا للحادث مصاب، على سبيل المثال

• يتم دائمًا الخلط بين تطبيقات الذكاء الاصطناعي المحددة وتطوير الخوارزميات. مبادئ Transformer وراء Sora وGPT-4 مفتوحة المصدر، ولكن عليك أن تدفع لـ OpenAI مقابل استخدامها. ;

• لا يزال الجمع بين AI وCrypto مبادرة من Crypto، ولم يكن لدى عمالقة الذكاء الاصطناعي نية واضحة بعد في هذه المرحلة، يمكن للذكاء الاصطناعي أن يفعل من أجل Crypto أكثر مما يمكن أن تفعله Crypto من أجل الذكاء الاصطناعي.

• استخدام تقنية الذكاء الاصطناعي في تطبيقات Crypto ≠ تكامل الذكاء الاصطناعي وCrypto، مثل البشر الرقميون في الألعاب المتسلسلة/GameFi/Metaverse/Web3 Game/AW؛

  p>

• ما يمكن أن تفعله شركة Crypto لتطوير تكنولوجيا الذكاء الاصطناعي هو بشكل أساسي تعزيز الأساسيات الثلاثة للذكاء الاصطناعي : قوة الحوسبة، ولامركزية البيانات والنماذج، والحوافز الرمزية؛

p>

• WorldCoin هي ممارسة ناجحة للجمع بين الاثنين، وتقع zkML عند التقاطع الفني بين الذكاء الاصطناعي والعملات المشفرة ، وتم وضع نظرية UBI (الدخل الأساسي البشري) موضع التنفيذ لأول مرة على نطاق واسع.

سأركز في هذه المقالة على كيفية استفادة التشفير من الذكاء الاصطناعي. إن مشاريع التشفير الحالية التي تركز على تطبيقات الذكاء الاصطناعي هي في الأساس حيل ولا يمكن تضمينها في المناقشة.

من الانحدار الخطي إلى المحول

لفترة طويلة، كان تركيز موضوعات الذكاء الاصطناعي هو ما إذا كان "ظهور" الذكاء الاصطناعي سيخلق الذكاء الميكانيكي أو الروبوتات القائمة على السيليكون في في حضارة "الماتريكس"، كانت مثل هذه المخاوف موجودة دائمًا في العلاقة بين البشر وتكنولوجيا الذكاء الاصطناعي، وكان آخرها بعد ظهور سورا، وفي وقت سابق أيضًا مع GPT-4 (2023)، وAlphaGo (2016)، وDeep Blue من شركة IBM التي هزمت الشطرنج في 1997 .

صحيح أيضًا أن مثل هذه المخاوف لم تتحقق أبدًا، فمن الأفضل الاسترخاء وفرز آلية الذكاء الاصطناعي لفترة وجيزة.

نبدأ من الانحدار الخطي، وهو في الواقع معادلة خطية لمتغير واحد، على سبيل المثال، يمكن تلخيص آلية فقدان الوزن لجيا لينغ على النحو التالي: x وy يمثلان العلاقة بين استهلاك الطاقة والوزن على التوالي، أي أنه كلما أكلت أكثر، بطبيعة الحال، تصبح أكثر بدانة، وإذا كنت تريد إنقاص وزنك، عليك أن تأكل أقل.

ومع ذلك، فإن هذا سيؤدي إلى بعض المشاكل. أولاً، هناك حدود فسيولوجية لطول الإنسان ووزنه. ليس من السهل ظهور عمالقة بطول 3 أمتار وسيدات بوزن ألف رطل، لذلك لا معنى للنظر في المواقف. خارج الحدود؛ ثانيًا: إن مجرد تناول كميات أقل من الطعام وممارسة المزيد من التمارين الرياضية لا يتوافق مع المبادئ العلمية لفقدان الوزن، وفي الحالات الخطيرة قد يؤدي إلى الإضرار بالجسم.

نقدم مؤشر كتلة الجسم (BMI) وهو عبارة عن الوزن مقسومًا على مربع الطول لقياس العلاقة المعقولة بين الاثنين، وقياس العلاقة بين الطول والوزن من خلال ثلاثة عوامل: الأكل والنوم وممارسة الرياضة "العلاقة، لذلك نحن بحاجة إلى ثلاثة معلمات ومخرجين. من الواضح أن الانحدار الخطي ليس كافيا، لذلك ولدت الشبكة العصبية. كما يوحي الاسم، تقلد الشبكة العصبية بنية الدماغ البشري. كلما زاد عدد المرات التي تفكر فيها، كلما زاد عددها قد يكون الأمر معقولا، فكر مرتين قبل التصرف، زد عدد مرات التفكير العميق، أي التعلم العميق (قلتها بطريقة بعيدة الاحتمال، طالما أن الجميع يفهم المعنى)

ومع ذلك، فإن تعميق الطبقات ليس بلا نهاية. فالسقف لا يزال موجودًا. عند الوصول قيمة حرجة معينة، قد يصبح التأثير أسوأ. لذلك، نحن بحاجة إلى فهم العلاقة بين المعلومات الموجودة بطريقة أكثر منطقية. يصبح من المهم للغاية، على سبيل المثال، أن نفهم بعمق العلاقة الأكثر تفصيلاً بين الطول والوزن، ابحث عن عوامل لم يتم اكتشافها من قبل، أو إذا وجدت جيا لينغ مدربًا كبيرًا، لكنها تشعر بالحرج من القول إنها تريد إنقاص الوزن، فيجب على المدرب معرفة جيا لينغ، ماذا يعني ذلك؟

في هذا السيناريو، يقوم جيا لينغ والمدرب بتشفير وفك تشفير الخصوم، وتمرير الكرة للخلف وإيابًا المعنى يمثل المعنى الحقيقي لكلا الطرفين، ولكن على عكس العبارة المباشرة "أريد إنقاص الوزن وتقديم هدايا للمدرب"، فإن النوايا الحقيقية لكلا الطرفين مخفية بـ "المعنى".

لقد لاحظنا أنه إذا تحرك الطرفان ذهابًا وإيابًا مرات كافية، فإن معنى كل "معنى" سيكون أسهل في التخمين، والعلاقة بين كل معنى وجيا لينغ والمدرب سوف تصبح أكثر وضوحا.واضحة.

إذا تم توسيع هذا النموذج، فهو نموذج لغة كبير (LLM) بالمعنى الشائع. ولكي نكون أكثر دقة، فهو نموذج لغة كبير. وهو يدرس العلاقة السياقية بين الكلمات والجمل. ومع ذلك ، حاليًا تم توسيع النماذج الكبيرة ويمكن أن تشارك في مشاهد مثل الصور ومقاطع الفيديو.

في طيف الذكاء الاصطناعي، سواء كان انحدارًا خطيًا بسيطًا أو محولًا معقدًا للغاية، فهو نوع من الخوارزمية أو النموذج، بالإضافة إلى ذلك، هناك عنصران: قوة الحوسبة والبيانات.

بكل بساطة، الذكاء الاصطناعي هو إنتاجية من البيانات، وهي آلة تقوم بإجراء العمليات الحسابية واستخلاص النتائج، ولكن بالمقارنة مع الأشياء المادية مثل الروبوتات، فإن الذكاء الاصطناعي أكثر افتراضية. ومن حيث قوة الحوسبة والبيانات والنماذج، فإن عملية التشغيل التجاري الحالية لـ Web2 هي كما يلي:

• تنقسم البيانات إلى بيانات عامة وبيانات مملوكة للشركة وبيانات تجارية. وتتطلب شرحًا احترافيًا وخطوات معالجة مسبقة أخرى قبل استخدامها على سبيل المثال، توفرها شركة Scale AI لشركات الذكاء الاصطناعي السائدة حاليًا. المعالجة المسبقة للبيانات؛

• تنقسم قوة الحوسبة إلى وضعين: البناء الذاتي وتأجير طاقة الحوسبة السحابية. حاليًا ، NVIDIA هي الوحيدة في أجهزة GPU، كما تم إعداد مكتبة CUDA Lao Huang لسنوات عديدة، وفي الوقت الحاضر، تهيمن شركة واحدة على النظام البيئي للبرامج والأجهزة، تليها تأجير طاقة الحوسبة من بائعي الخدمات السحابية، مثل Azure من Microsoft، Google Cloud وAWS، والعديد منها يوفر قوة حوسبة متكاملة ووظائف نشر النماذج؛

• يمكن تقسيم النماذج إلى فئتين: الأطر والخوارزميات. لقد انتهت حرب النماذج جاء TensorFlow من Google في المرتبة الأولى، وجاء Meta's PyTorch في المرتبة الأولى، ولكن سواء كانت Google هي التي اقترحت TransFomer أو PyTorch، فإن Meta تتخلف تدريجيًا عن OpenAI من حيث التسويق، ولكن قوتها لا تزال لا يمكن الاستهانة بها؛ Transformer هي الخوارزمية المهيمنة حاليًا، ومختلف تركز النماذج الكبيرة بشكل أساسي على مصادر البيانات والتفاصيل.

كما ذكرنا سابقًا، يتمتع الذكاء الاصطناعي بمجموعة واسعة من التطبيقات لقد تم بالفعل استخدام مجالات، مثل تصحيحات التعليمات البرمجية التي ذكرها Vitalik. إذا نظرت إليها من منظور آخر، فإن ما يمكن أن تفعله Crypto للذكاء الاصطناعي يتركز بشكل أساسي في المجالات غير التقنية، مثل أسواق البيانات اللامركزية، ومنصات الحوسبة اللامركزية، هناك بعض الممارسات في LLM المركزية، ولكن تجدر الإشارة إلى أن استخدام الذكاء الاصطناعي لتحليل كود التشفير وتشغيل نماذج الذكاء الاصطناعي على نطاق واسع على blockchain ليسا نفس الشيء على الإطلاق، وإضافة بعض عوامل التشفير إلى الذكاء الاصطناعي ​النموذج بالكاد مثالي.

لا يزال Crypro أفضل في الإنتاج والتحفيز. ليست هناك حاجة لاستخدام Crypto لتغيير نموذج الإنتاج للذكاء الاصطناعي بالقوة. وهذا للتعبير عن الأسف لإعطاء كلمات جديدة واستخدام مطرقة ابحث عن المسامير. إنه خيار معقول لدمج Crypto في سير عمل الذكاء الاصطناعي وتمكين الذكاء الاصطناعي لـ Crypto. فيما يلي نقاط التركيب المحتملة التي قمت بتلخيصها:

1. يحتوي إنتاج البيانات اللامركزية، مثل جمع بيانات DePIN، وانفتاح البيانات على السلسلة، على خام غني من بيانات المعاملات، والتي يمكن استخدامها للتحليل المالي والتحليل الأمني ​​وبيانات التدريب؛

   < /li>

2. منصة المعالجة المسبقة اللامركزية، والتدريب المسبق التقليدي لا يحتوي على عوائق تقنية لا يمكن التغلب عليها، ولكن خلف النماذج الأوروبية والأمريكية الكبيرة يوجد عمل عالي الكثافة للمعلقين اليدويين من العالم الثالث ;< /p>

3. منصة قوة الحوسبة اللامركزية، والحوافز اللامركزية واستخدام موارد البرامج والأجهزة مثل النطاق الترددي الشخصي، وقوة حوسبة وحدة معالجة الرسومات؛

4. < p>zkML، لا يمكن لطرق الخصوصية التقليدية مثل إزالة حساسية البيانات أن تحل المشكلة بشكل مثالي. يمكن لـ zkML إخفاء اتجاه البيانات ويمكنه أيضًا إجراء تقييم فعال لموثوقية وفعالية النماذج مفتوحة المصدر ومغلقة المصدر؛

هذه وجهات النظر الأربعة هي السيناريوهات التي يمكنني التفكير فيها حيث يمكن لـ Crypto تمكين الذكاء الاصطناعي. الذكاء الاصطناعي هو أداة عالمية. لن يتم وصف مجالات ومشاريع AI  For Crypto بالتفصيل. يمكنك دراستها بنفسك.

يمكن العثور على أن Crypto حاليًا يلعب دورًا رئيسيًا في التشفير وحماية الخصوصية والتصميم الاقتصادي. نقطة التكامل التقني الوحيدة هي zkML. هناك بعض المحاولات. هنا يمكنك فتح مخيلتك. إذا Solana TPS يمكن أن يصل حقًا إلى 10 في المستقبل. عشرة آلاف +، إذا تم دمج Filecoin و Solana بشكل مثالي، فهل يمكن إنشاء بيئة LLM على السلسلة، والتي يمكنها إنشاء ذكاء اصطناعي حقيقي على السلسلة وتغيير العلاقة غير المتكافئة الحالية بين Crypto و AI و حالة الاثنين؟

تنضم Web3 إلى سير عمل الذكاء الاصطناعي

وغني عن القول أن بطاقة الرسومات Nvidia RTX 4090 هي عملة صعبة، وهو أمر يصعب حاليًا الحصول عليه في دولة شرقية كبيرة. ولكن الأخطر من ذلك هو الأفراد والشركات الصغيرة لقد واجهت الشركات والمؤسسات الأكاديمية أيضا أزمة بطاقات الرسومات. ففي نهاية المطاف، الشركات التجارية الكبرى هي اللاعبين الماليين. وإذا كان من الممكن فتح مسار ثالث إلى جانب الشراء الذاتي والبائعين السحابيين، فمن الواضح أنه سيكون له قيمة تجارية فعلية وينفصل عن البحت. أيها الضجيج، يجب أن يكون المنطق المعقول هو "إذا لم يتم استخدام Web3، فلا يمكن صيانة المشروع." هذا هو الموقف الصحيح لـ Web3 For AI.

مصدر البيانات: Grass وDePIN Automotive Family Bucket قوي>

تم إطلاق Grass بواسطة Wynd Network، وهو سوق مبيعات ذات نطاق ترددي خامل. Grass عبارة عن قناة مفتوحة للحصول على بيانات الشبكة وتوزيعها. ويختلف Grass عن جمع البيانات البسيطة والمبيعات، حيث يتمتع Grass بالقدرة على التحويل البيانات في وظائف التنظيف والتحقق لتجنب بيئة الشبكة المغلقة بشكل متزايد. ليس هذا فحسب، يأمل جراس في الاتصال مباشرة بنموذج الذكاء الاصطناعي وتزويده بمجموعات بيانات قابلة للاستخدام مباشرة. تتطلب مجموعات بيانات الذكاء الاصطناعي معالجة احترافية، مثل كمية كبيرة من الضبط الدقيق اليدوي لتلبية الاحتياجات الخاصة لنماذج الذكاء الاصطناعي.

للتوسع، يريد جراس حل مشكلة مبيعات البيانات، ويمكن لحقل DePIN في Web3 إنتاج البيانات التي يتطلبها الذكاء الاصطناعي، مع التركيز بشكل أساسي على القيادة الذاتية للسيارات. تقليديا، تتطلب القيادة الذاتية من الشركات أن تتراكم البيانات بنفسها، بينما تعمل مشاريع مثل DIMO وHivemapper مباشرة على السيارات، وتجمع المزيد والمزيد من معلومات قيادة السيارة وبيانات الطريق.

في الماضي، كانت القيادة الذاتية تتطلب تقنية تحديد هوية المركبة وخرائط عالية الدقة. وقد قامت شركات مثل NavInfo بجمع المعلومات مثل الخرائط عالية الدقة على مدى فترة طويلة من الزمن، مما يشكل صناعة فعلية. حاجز إذا كان القادمون المتأخرون بمساعدة بيانات Web3، فهناك فرصة للتجاوز في المنعطفات.

المعالجة المسبقة للبيانات: تحرير البشر المستعبدين بواسطة الذكاء الاصطناعي

يمكن تقسيم الذكاء الاصطناعي إلى قسمين: التصنيف اليدوي والخوارزميات الذكية. وفي العالم الثالث، مثل هذا حيث أن كينيا ومناطق مثل الفلبين مسؤولة عن وضع العلامات اليدوية على الجزء الأدنى من منحنى القيمة المتساوية، في حين تأخذ شركات المعالجة المسبقة للذكاء الاصطناعي الأوروبية والأمريكية الجزء الأكبر من الإيرادات ثم تبيعها لشركات البحث والتطوير في مجال الذكاء الاصطناعي.

مع تطور الذكاء الاصطناعي، تتطلع المزيد من الشركات إلى هذا الجزء من العمل. وفي ظل المنافسة، ينخفض ​​سعر الوحدة لتصنيف البيانات أكثر فأكثر. ويتعلق هذا الجزء من العمل بشكل أساسي بتسمية البيانات، مشابه لتحديد رموز التحقق، لا يوجد حد فني للعمل، والسعر منخفض حتى 0.01 يوان صيني.

في هذه الحالة، مثل Public Web3 تتمتع منصات شرح البيانات مثل الذكاء الاصطناعي أيضًا بأسواق تجارية فعلية، حيث تربط بين شركات الذكاء الاصطناعي والعاملين في مجال شرح البيانات، وتستخدم أنظمة الحوافز لتحل محل نموذج المنافسة التجارية البحتة منخفضة السعر. ومع ذلك، تجدر الإشارة إلى أن تكنولوجيا التعليقات التوضيحية للشركات الناضجة مثل "يضمن مقياس الذكاء الاصطناعي جودة موثوقة، وكيفية التحكم في جودة منصة التعليقات التوضيحية للبيانات اللامركزية وحظر الحفلات المثيرة أمر ضروري للغاية. في جوهرها، هذه خدمة مؤسسية C2B2B. لا يمكن لحجم وكمية البيانات النقية إقناع الشركات.

حرية الأجهزة: Render Network وBittensor

تجدر الإشارة إلى أنه على عكس آلات تعدين Bitcoin، لا يوجد حاليًا أي أجهزة مخصصة لـ Web3 AI، والأدوات الحالية قوة الحوسبة تتحول منصة الحوسبة من الأجهزة الناضجة إلى طبقة حوافز التشفير، في جوهرها، يمكن تلخيصها كحقل DePIN، ولكنها تختلف عن مشروع مصدر البيانات، لذلك فهي مكتوبة هنا وفقًا لسير عمل الذكاء الاصطناعي .

Render Network هو "مشروع قديم" وغير جاهز تمامًا للذكاء الاصطناعي. لقد تم تخصيصه في البداية لتقديم العمل، تمامًا مثل اسم Render. بدأ عملياته في عام 2017. في ذلك الوقت، كانت وحدات معالجة الرسومات لم يكن هذا جنونًا، ولكن كانت هناك فرص في السوق، وقد ظهر تدريجيًا أن سوق بطاقات الرسومات GPU، وخاصة بطاقات الرسومات المتطورة، تحتكرها شركة NVIDIA، حيث تعيق الأسعار المرتفعة دخول مستخدمي العرض والذكاء الاصطناعي والميتافيرس. إذا تمكنت القناة من ذلك أن يتم بناؤها على جانب الطلب وجانب العرض، ثم هناك فرصة لإنشاء نموذج اقتصادي مماثل للدراجات المشتركة.

ولا تتطلب موارد وحدة معالجة الرسومات تسليمًا فعليًا للأجهزة، بل يمكن تخصيص موارد البرامج فقط، والأمر الجدير بالذكر هو أن Render Network تحولت إلى نظام Solana البيئي في عام 2023، وتخلت عن Polygon، ولم يختر Solana لقد ثبت أن قرار الوقت بالانتقال إلى وحدة معالجة الرسومات هو الخطوة الصحيحة. وبالنسبة لاستخدام وحدة معالجة الرسومات وتخصيصها، تعد الشبكة عالية السرعة أمرًا ضروريًا.

إذا كانت شبكة Render مشروعًا قديمًا، فإن Bittensor في ذروته.

تم بناء BitTensor على Polkadot، وهدفه هو تدريب نماذج الذكاء الاصطناعي من خلال الحوافز الاقتصادية، والتنافس على ما إذا كانت كل عقدة يمكنها تدريب نموذج الذكاء الاصطناعي على أصغر خطأ أو أعلى كفاءة، كما أنه أكثر من ذلك. تماشيًا مع عملية الذكاء الاصطناعي الكلاسيكية على سلسلة مشروع التشفير، لكن عملية التدريب الحقيقية لا تزال تتطلب وحدة معالجة الرسومات NVIDIA والمنصة التقليدية، والتي تشبه بشكل عام منصات المنافسة مثل Kaggle.

zkML وUBI: جانب AB من Worldcoin

يحل التعلم الآلي بدون معرفة (zkML) هذه المشكلة عن طريق إدخال تقنية zk في الذكاء الاصطناعي​ عملية التدريب النموذجية من السهل فهم مشاكل تسرب البيانات وفشل الخصوصية والتحقق من النموذج، ومن السهل فهم المشكلتين الأولين، ولا يزال من الممكن تدريب البيانات المشفرة بواسطة ZK، ولكن لن يتم تسريب البيانات الشخصية أو الخاصة بعد الآن.

يشير التحقق من النموذج إلى مشكلة تقييم بعض النماذج مغلقة المصدر، وبدعم تقنية zk يمكن تحديد قيمة مستهدفة معينة، ثم يمكن للنموذج مغلق المصدر إثبات قدرته من خلال التحقق من النتائج. ، وليس هناك حاجة للكشف عن عملية الحساب.

إن Worldcoin ليس فقط مشروعًا رئيسيًا مبكرًا يتصور zkML، ولكنه أيضًا مؤيد لـ UBI (الدخل الأساسي البشري). في رؤيته، ستتجاوز إنتاجية الذكاء الاصطناعي في المستقبل الحد الأعلى للدخل البشري بكثير. الطلب، وبالتالي فإن المشكلة الحقيقية من أجل توزيع فوائد الذكاء الاصطناعي بشكل عادل، ستتم مشاركة مفهوم UBI مع المستخدمين العالميين من خلال رمز WLD $، لذلك يجب إجراء تحديد الهوية البيومترية للشخص الحقيقي لاتباع مبدأ العدالة.

بالطبع، لا يزال zkML وUBI الحاليان في المرحلة التجريبية المبكرة، لكنهما مثيران للاهتمام بدرجة كافية لدرجة أنني سأستمر في الاهتمام بهما.

الاستنتاج

سوف يقع تطوير الذكاء الاصطناعي، الذي يمثله Transformer وLLM، في عنق الزجاجة تدريجيًا. تمامًا مثل الانحدار الخطي والشبكات العصبية، بعد كل شيء، من المستحيل زيادة النموذج معلمات بلا حدود، أو إذا استمرت كمية البيانات في الزيادة، فسوف تتضاءل العوائد الهامشية.

قد يكون الذكاء الاصطناعي هو اللاعب الأساسي للحكمة الناشئة، ولكن مشكلة الوهم أصبحت الآن خطيرة للغاية. في الواقع، يمكن ملاحظة أن الوهم الحالي بأن العملات المشفرة يمكنها تغيير الذكاء الاصطناعي هو نوع من الثقة، و إنه أيضًا وهم قياسي، ومن الصعب أن تحل إضافة Crypto مشكلة الوهم من الناحية الفنية، ولكنها يمكن على الأقل تغيير بعض الوضع الراهن من منظور العدالة والشفافية.

المراجع:

1. OpenAI: "التقرير الفني لـ GPT-4"، 2023؛ arXiv:2303.08774.

2. أشيش فاسواني، نعوم شازير، نيكي بارمار، جاكوب أوسزكوريت، ليون جونز، إيدان إن جوميز، لوكاس كايزر، إيليا بولوسوخين: "الانتباه هو كل ما تحتاجه" ", 2017; arXiv:1706.03762.

3. جاريد كابلان، سام ماكاندليش، توم هينيغان، توم بي براون، بنجامين تشيس، ريون تشايلد، سكوت جراي، أليك رادفورد، جيفري وو، داريو أمودي: "قياس قوانين نماذج اللغة العصبية"، 2020؛ arXiv:2001.08361.

4. هاو ليو، ويلسون يان، ماتي زاهاريا، بيتر أبيل: " النموذج العالمي لفيديو ولغة مليونية مع RingAttention"، 2024؛ arXiv:2402.08268.

5. Max Roser (2022) - "التاريخ الموجز للذكاء الاصطناعي: لقد تغير العالم بسرعة - ما الذي قد يكون التالي؟" تم نشره عبر الإنترنت على OurWorldInData.org. تم الاسترجاع من: 'https: / /ourworldindata.org/brief-history-of-ai' [مصدر عبر الإنترنت]

6. مقدمة للتعلم الآلي بدون معرفة (ZKML)

7. فهم التقاطع بين التشفير والذكاء الاصطناعي

8. العشب هو طبقة بيانات الذكاء الاصطناعي

9. Bittensor: سوق الذكاء من نظير إلى نظير