مقالة طويلة من Galaxy مكونة من 10000 كلمة: جرد مناطق التقاطع والمشاريع بين العملة المشفرة والذكاء الاصطناعي

المؤلف: لوكاس تشيان، باحث مشارك في جالاكسي؛ الترجمة: 0xjs@金财经

مقدمة

يعد ظهور السلاسل العامة أحد أعمق التطورات في تاريخ الكمبيوتر علوم. لكن تطور الذكاء الاصطناعي سيكون له بالفعل تأثير عميق على عالمنا. إذا كانت تقنية blockchain توفر نموذجًا جديدًا لتسوية المعاملات وتخزين البيانات وتصميم النظام، فإن الذكاء الاصطناعي يمثل ثورة في الحوسبة والتحليل وتقديم المحتوى. تفتح الابتكارات في هاتين الصناعتين حالات استخدام جديدة من المرجح أن تؤدي إلى تسريع اعتمادها في كلا الصناعتين في السنوات القادمة. يستكشف هذا التقرير التكامل المستمر بين العملات المشفرة والذكاء الاصطناعي، مع التركيز على حالات الاستخدام الجديدة التي تسعى إلى سد الفجوة بين الاثنين وتسخير قوة كليهما. على وجه التحديد،يبحث هذا التقرير في تطوير بروتوكولات الحوسبة اللامركزية، والبنية التحتية للتعلم الآلي بدون معرفة (zkML)، ومشروع وكلاء الذكاء الاصطناعي.

توفر العملة المشفرة طبقة تسوية غير مرخصة وغير موثوقة وقابلة للتركيب للذكاء الاصطناعي. يؤدي هذا إلى فتح حالات الاستخدام مثل جعل الوصول إلى الأجهزة أكثر سهولة من خلال أنظمة الحوسبة اللامركزية، وبناء وكلاء الذكاء الاصطناعي الذين يمكنهم أداء مهام معقدة تتطلب تبادل القيمة، وتطوير حلول الهوية والمصدر لمكافحة هجمات Sybil والتزييف العميق. يجلب الذكاء الاصطناعي العديد من الفوائد نفسها للعملات المشفرة التي رأيناها في الويب 2. يتضمن ذلك تجربة مستخدم محسنة (UX) للمستخدمين والمطورين بسبب نماذج اللغات الكبيرة (أي الإصدارات المدربة خصيصًا من ChatGPT وCopilot) وإمكانية تحسين وظائف العقود الذكية والأتمتة بشكل كبير. Blockchain هي البيئة الشفافة الغنية بالبيانات المطلوبة للذكاء الاصطناعي. لكن تقنية blockchain تتمتع أيضًا بقدرة حاسوبية محدودة، وهو ما يمثل عقبة رئيسية أمام التكامل المباشر بين نماذج الذكاء الاصطناعي.

إن القوى الدافعة وراء التجريب المستمر والاعتماد النهائي عند تقاطع العملات المشفرة والذكاء الاصطناعي هي نفسها التي تقود حالات الاستخدام الواعدة للعملات المشفرة - الوصول إلى طبقة تنسيق غير مصرح بها وغير موثوقة تتيح تسهيل نقل القيمة بشكل أفضل. ونظراً للإمكانات الهائلة، يحتاج اللاعبون في هذا المجال إلى فهم الطرق الأساسية التي تتقاطع بها هاتان التقنيتان.

النقاط الرئيسية:

• في المستقبل القريب (من 6 أشهر إلى سنة واحدة)، ستهيمن تطبيقات الذكاء الاصطناعي على تكامل العملات المشفرة والذكاء الاصطناعي التي تعمل على تحسين كفاءة المطورين وإمكانية تدقيق العقود الذكية وأمانها وإمكانية وصول المستخدمين. عمليات التكامل هذه ليست خاصة بالعملات المشفرة ولكنها تعمل على تحسين تجربة المطور والمستخدم على السلسلة.

• مثلما يوجد نقص خطير في وحدات معالجة الرسومات عالية الأداء، يتم تنفيذ منتجات الحوسبة اللامركزية منتجات GPU المخصصة للذكاء الاصطناعي، مما يوفر قوة دافعة لاعتمادها.

• تظل تجربة المستخدم والتنظيم عائقًا أمام جذب عملاء الحوسبة اللامركزية. ومع ذلك، فإن التطورات الأخيرة في OpenAI والتدقيق التنظيمي المستمر في الولايات المتحدة تسلط الضوء على القيمة المقترحة لشبكات الذكاء الاصطناعي اللامركزية غير المرخصة والمقاومة للرقابة.

• يحتاج تكامل الذكاء الاصطناعي على السلسلة، وخاصة العقود الذكية التي يمكنها استخدام نماذج الذكاء الاصطناعي، إلى تحسين تقنية zkML والأساليب الحسابية الأخرى للتحقق من صحة الحسابات خارج السلسلة. يعد الافتقار إلى الأدوات الشاملة وموهبة المطورين، فضلاً عن التكاليف المرتفعة، من العوائق التي تحول دون اعتمادها.

• يُعد وكلاء الذكاء الاصطناعي مثاليين للعملات المشفرة أو المستخدم (أو الوكيل نفسه ) يمكنه إنشاء محافظ لإجراء المعاملات مع خدمات أو وكلاء أو أشخاص آخرين. وهذا غير ممكن حاليًا باستخدام الطرق المالية التقليدية. ومن أجل اعتماد أوسع، يلزم إجراء عمليات تكامل إضافية مع المنتجات غير المشفرة.

الشروط

AI< /span> هو استخدام الحوسبة والآلات لتقليد التفكير البشري وقدراته على حل المشكلات.

الشبكة العصبية هي طريقة تدريب لنماذج الذكاء الاصطناعي. يقومون بتشغيل الإدخال من خلال طبقات منفصلة من الخوارزميات، وتحسينه حتى ينتجوا المخرجات المطلوبة. تتكون الشبكات العصبية من معادلات ذات أوزان يمكن تعديلها لتغيير المخرجات. وقد يحتاجون إلى كميات كبيرة من البيانات والحسابات للتدريب حتى تكون نتائجهم دقيقة. هذه إحدى الطرق الأكثر شيوعًا لتطوير نماذج الذكاء الاصطناعي (يستخدم ChatGPT عملية شبكة عصبية تعتمد على المحول).

التدريب هو عملية تطوير الشبكات العصبية ونماذج الذكاء الاصطناعي الأخرى. يتطلب الأمر كميات كبيرة من البيانات لتدريب النموذج على تفسير المدخلات بشكل صحيح وإنتاج مخرجات دقيقة. أثناء عملية التدريب يتم تعديل أوزان المعادلات النموذجية بشكل مستمر حتى يتم الحصول على مخرجات مرضية. يمكن أن يكون التدريب مكلفًا للغاية. على سبيل المثال، يستخدم ChatGPT عشرات الآلاف من وحدات معالجة الرسومات الخاصة به لمعالجة البيانات. غالبًا ما تعتمد الفرق ذات الموارد الأقل على موفري خدمات الحوسبة المتخصصة مثل Amazon Web Services وAzure وGoogle Cloud.

الاستدلال هو الاستخدام الفعلي لنموذج الذكاء الاصطناعي للحصول على مخرجات أو النتيجة (على سبيل المثال، استخدم ChatGPT لإنشاء مخطط تفصيلي لورقة بحثية حول تقاطع العملة المشفرة والذكاء الاصطناعي). يتم استخدام الاستدلال طوال عملية التدريب وفي المنتج النهائي. يمكن أن يكون تشغيلها مكلفًا حتى بعد اكتمال التدريب بسبب التكلفة الحسابية، ولكنها أقل كثافة من الناحية الحسابية من التدريب.

إثبات المعرفة الصفرية(ZKP) يسمح بالكشف عن المعلومات الأساسية دون تسرب القضية للتحقق من البيان. يعد هذا مفيدًا في العملات المشفرة لسببين رئيسيين: 1) الخصوصية و2) التوسع. ولحماية الخصوصية، يمكّن هذا المستخدمين من إجراء المعاملات دون الكشف عن معلومات حساسة مثل مقدار ETH الموجود في المحفظة. بالنسبة للتوسع، فهو يتيح إثبات الحسابات خارج السلسلة على السلسلة بشكل أسرع من إعادة تنفيذ الحسابات. وهذا يمكّن سلاسل الكتل والتطبيقات من تشغيل العمليات الحسابية خارج السلسلة بتكلفة زهيدة ومن ثم التحقق منها على السلسلة. "

لا تزال المشاريع التي تقع عند تقاطع الذكاء الاصطناعي والعملات المشفرة تقوم ببناء البنية التحتية الأساسية اللازمة لدعم تفاعلات الذكاء الاصطناعي على نطاق واسع على السلسلة.

سوق الحوسبة اللامركزية آخذ في الظهور لتوفير التدريب والاستدلال على الذكاء الاصطناعي أ مطلوب كمية كبيرة من الأجهزة المادية للنماذج الذكية، وخاصة في شكل وحدات معالجة الرسومات. تربط هذه الأسواق ذات الوجهين بين المستأجرين والباحثين عن حسابات الإيجار، مما يسهل نقل القيمة والتحقق من الحسابات. ضمن الحوسبة اللامركزية، تظهر عدة فئات فرعية توفر وظائف إضافية. بالإضافة إلى الأسواق ذات الوجهين، سيفحص هذا التقرير مقدمي التدريب على التعلم الآلي المتخصصين في توفير تدريب يمكن التحقق منه ومخرجات الضبط الدقيق، بالإضافة إلى المشاريع المخصصة لربط الحوسبة وإنشاء النماذج لتمكين الذكاء الاصطناعي، والذي يشار إليه غالبًا باسم الحافز الذكي. الشبكات.

zkML تأمل أن يتم توفيرها في السلسلة بطريقة فعالة من حيث التكلفة و في الوقت المناسب مجال تركيز ناشئ للمشاريع التي تتحقق من صحة مخرجات النموذج. تعمل هذه المشاريع في المقام الأول على تمكين التطبيقات من التعامل مع طلبات الحوسبة الثقيلة خارج السلسلة ثم نشر مخرجات يمكن التحقق منها عبر السلسلة، مما يثبت أن عبء العمل خارج السلسلة كامل ودقيق. يعد zkML مكلفًا ويستغرق وقتًا طويلاً في الحالات الحالية، ولكن يتم استخدامه بشكل متزايد كحل. ويتجلى ذلك في العدد المتزايد من عمليات التكامل بين موفري zkML وتطبيقات DeFi/الألعاب التي ترغب في الاستفادة من نماذج الذكاء الاصطناعي.

يفتح توفير الحوسبة الكافية والقدرة على التحقق من الحسابات على السلسلة وكلاء الذكاء الاصطناعي على السلسلة

Bittensor هو بروتوكول حوسبة لا مركزي مبني على الركيزة ويحاول الإجابة على السؤال "كيف ندمج الذكاء الاصطناعي" إلى التحول إلى نهج تعاوني؟" السؤال. يهدف Bittensor إلى تحقيق اللامركزية وتسليع توليد الذكاء الاصطناعي. تم إطلاق البروتوكول في عام 2021، ويأمل في تسخير قوة نماذج التعلم الآلي التعاونية للتكرار المستمر وإنتاج ذكاء اصطناعي أفضل.

يستمد Bittensor الإلهام من Bitcoin، التي يبلغ عرض عملتها الأصلية TAO 21 مليونًا ودورة النصف مدتها أربع سنوات (سيكون النصف الأول في عام 2025). بدلاً من استخدام إثبات العمل لإنشاء أرقام عشوائية صحيحة والحصول على مكافآت الكتلة، يعتمد Bittensor على "إثبات الذكاء"، الذي يتطلب من القائمين بالتعدين تشغيل نماذج لتوليد المخرجات استجابة لطلبات الاستدلال.

الذكاء المحفز

اعتمد بيتنسور في البداية على نماذج خليط الخبراء (MoE) لتوليد المخرجات. عند تقديم طلب الاستدلال، لا يعتمد نموذج وزارة التعليم على نموذج معمم، بل يقوم بإعادة توجيه طلب الاستدلال إلى النموذج الأكثر دقة لنوع الإدخال المحدد. تخيل أنك تقوم ببناء منزل وتقوم بتعيين خبراء مختلفين للاهتمام بالجوانب المختلفة لعملية البناء (على سبيل المثال: المهندسين المعماريين، المهندسين، الرسامين، عمال البناء، إلخ...). تطبق وزارة التربية والتعليم هذا على نماذج التعلم الآلي، في محاولة للاستفادة من مخرجات النماذج المختلفة اعتمادًا على المدخلات. وكما يوضح مؤسس Bittensor، علاء شعبانة، فإن الأمر يشبه "التحدث إلى غرفة من الأشخاص الأذكياء والحصول على أفضل الإجابات، بدلاً من التحدث إلى شخص واحد". ونظرًا للتحديات في ضمان التوجيه الصحيح، ومزامنة الرسائل مع النموذج الصحيح، والحوافز، فقد تم تعليق هذا النهج حتى يتم تطوير المشروع بشكل أكبر.

هناك مشاركين رئيسيين في شبكة Bittensor: المدققون وعمال المناجم. يتم تكليف المدققين بإرسال طلبات الاستدلال إلى القائمين بالتعدين، ومراجعة مخرجاتهم، وتصنيفها بناءً على جودة استجاباتهم. للتأكد من موثوقية تصنيفاتهم، يتم منح المدققين نقاط "vtrust" بناءً على مدى اتساق تصنيفاتهم مع تصنيفات المدققين الآخرين. كلما ارتفعت درجة vtrust للمدقق، زاد عدد عملات TAO التي يتلقاها. يهدف هذا إلى تحفيز المدققين على الاتفاق على تصنيف النموذج بمرور الوقت، حيث كلما زاد عدد المدققين الذين وافقوا على التصنيف، زادت درجات vtrust الفردية الخاصة بهم.

إن القائمين بالتعدين، المعروفين أيضًا باسم الخوادم، هم مشاركين في الشبكة يقومون بتشغيل نماذج التعلم الآلي الفعلية. يتنافس القائمون بالتعدين مع بعضهم البعض لتزويد المدققين بالمخرجات الأكثر دقة لاستعلام معين، وكلما كانت المخرجات أكثر دقة، زاد ربح TAO. يمكن لعمال المناجم إنشاء هذه المخرجات كيفما يريدون. على سبيل المثال، في المستقبل، من الممكن تمامًا أن يكون عمال المناجم في Bittensor قد قاموا مسبقًا بتدريب النماذج على Gensyn واستخدموها للحصول على TAO.

اليوم، تحدث معظم التفاعلات مباشرة بين المدققين والقائمين بالتعدين. يقوم المدققون بإرسال المدخلات إلى عمال المناجم وطلب المخرجات (أي نماذج القطار). بمجرد قيام المدققين بالاستعلام عن عمال المناجم على الشبكة وتلقي ردودهم، يقومون بتصنيف عمال المناجم وإرسال تصنيفاتهم إلى الشبكة.

يسمى هذا التفاعل بين المدققين (الذين يعتمدون على إثبات الحصة) والقائمين بالتعدين (الذين يعتمدون على نموذج إثبات، وهو شكل من أشكال إثبات العمل) بإجماع يوما. تم تصميمه لتحفيز القائمين بالتعدين على إنتاج أفضل مخرجات لكسب TAO، ولتحفيز المدققين على تصنيف مخرجات المعدنين بدقة للحصول على درجات أعلى من vtrust وزيادة مكافآت TAO الخاصة بهم، وبالتالي تشكيل آلية الإجماع للشبكة.

الشبكات الفرعية والتطبيقات

يتكون التفاعل على Bittensor بشكل أساسي من المدققين الذين يرسلون الطلبات إلى القائمين بالتعدين ويقيمون مخرجاتهم. ومع ذلك، مع تحسن جودة القائمين بالتعدين المساهمين ونمو الذكاء العام للشبكة، ستقوم Bittensor بإنشاء طبقة تطبيق أعلى مجموعتها الحالية حتى يتمكن المطورون من إنشاء تطبيقات تستعلم عن شبكة Bittensor.

في أكتوبر 2023، اتخذ Bittensor خطوة كبيرة نحو تحقيق هذا الهدف من خلال تقديم شبكات فرعية مع ترقية Revolution. الشبكات الفرعية هي شبكات منفصلة على Bittensor تحفز سلوكيات معينة. تفتح الثورة الشبكة لأي شخص مهتم بإنشاء شبكة فرعية. في الأشهر التي تلت الإطلاق، تم إطلاق أكثر من 32 شبكة فرعية، بما في ذلك الشبكات الفرعية للمطالبات النصية، وتجميع البيانات، وإنشاء الصور وتخزينها. عندما تنضج الشبكات الفرعية وتصبح جاهزة للمنتج، سيقوم منشئو الشبكات الفرعية أيضًا بإنشاء عمليات تكامل التطبيقات التي تمكن الفرق من إنشاء تطبيقات تستعلم عن شبكات فرعية محددة. توجد حاليًا بعض التطبيقات (روبوتات الدردشة، ومولدات الصور، وروبوتات الرد على تويتر، وأسواق التنبؤ)، ولكن بصرف النظر عن التمويل المقدم من مؤسسة Bittensor، لا توجد حوافز رسمية للمدققين لقبول هذه الاستفسارات وإعادة توجيهها.

لتقديم شرح أكثر وضوحًا، فيما يلي مثال لكيفية عمل Bittensor بمجرد دمج التطبيق في الشبكة.

تعتمد الشبكة الفرعية على الجذر، يكسب أداء تقييم شبكة الجذر TAO. تقع الشبكة الجذرية فوق جميع الشبكات الفرعية، وتعمل بشكل أساسي كشبكة فرعية خاصة ويتم التحكم فيها على أساس كل حصة على حدة من خلال أكبر 64 مدققًا للشبكة الفرعية. يقوم مدققو الشبكة الجذرية بتصنيف الشبكات الفرعية بناءً على أدائها ويقومون بانتظام بتخصيص رموز TAO المميزة للشبكات الفرعية. وبهذه الطريقة، تعمل الشبكات الفرعية الفردية كعمال تعدين للشبكة الجذرية.

Bittensor Outlook

لا يزال Bittensor يعاني من آلام متزايدة حيث يقوم بتوسيع وظائف البروتوكول لتحفيز توليد المعلومات عبر شبكات فرعية متعددة. يبتكر القائمون بالتعدين باستمرار طرقًا جديدة لمهاجمة الشبكة للحصول على المزيد من مكافآت TAO، مثل التعديل الطفيف لمخرجات الاستدلال عالي التصنيف الذي يتم تشغيله بواسطة نموذجهم ثم إرسال أشكال متعددة. لا يمكن تقديم مقترحات الحوكمة التي تؤثر على الشبكة بأكملها وتنفيذها إلا من قبل Triumvirate، والتي تتألف بالكامل من أصحاب المصلحة في مؤسسة Opentensor (من المهم ملاحظة أن المقترحات تحتاج إلى موافقة مجلس الشيوخ في Bittensor، المكون من مدققي Bittensor، قبل التنفيذ). يتم تعديل اقتصاديات المشروع المميزة لزيادة الحوافز لاستخدام TAO عبر الشبكات الفرعية. وسرعان ما اكتسب المشروع شهرة بسبب نهجه الفريد، وقال الرئيس التنفيذي لموقع HuggingFace، أحد أشهر مواقع الذكاء الاصطناعي، إن على Bittensor إضافة موارده إلى الموقع.

في منشور حديث للمطورين الأساسيين بعنوان "نموذج Bittensor"، وضع الفريق رؤيته لـ Bittensor ليصبح في النهاية "لا أدري ما يتم قياسه". من الناحية النظرية، يمكن أن يمكّن هذا الشبكات الفرعية لتطوير Bittensor من تحفيز أي نوع من السلوك الذي يدعمه TAO. ولا تزال هناك قيود عملية كبيرة ــ وأبرزها إثبات أن هذه الشبكات قادرة على التوسع للتعامل مع مثل هذه العمليات المتنوعة والحوافز المحتملة لدفع التقدم إلى ما هو أبعد من المنتجات المركزية.

إنشاء مجموعة حوسبة لامركزية لنماذج الذكاء الاصطناعي

يوفر القسم أعلاه نظرة عامة تقريبية على الأنواع المختلفة لبروتوكولات حوسبة الذكاء الاصطناعي اللامركزية التي يجري تطويرها. في المراحل الأولى من تطويرها واعتمادها، توفر الأساس لنظام بيئي يمكن أن يسهل في نهاية المطاف إنشاء "لبنات بناء الذكاء الاصطناعي"، مثل مفهوم "Money Lego" الخاص بـ DeFi. تفتح قابلية تركيب سلاسل الكتل غير المسموح بها إمكانية بناء كل بروتوكول فوق الآخر لتوفير نظام بيئي لامركزي أكثر شمولاً للذكاء الاصطناعي.

على سبيل المثال، هذه إحدى الطرق التي قد يتفاعل بها كل من Akash وGensyn وBittensor استجابةً لطلبات الاستدلال.

لكي نكون واضحين، هذا مجرد احتمال في المستقبل مثال على شيء ما، وليس تمثيلاً للنظام البيئي الحالي أو الشراكات القائمة أو النتائج المحتملة. إن قيود قابلية التشغيل البيني والاعتبارات الأخرى الموضحة أدناه تحد بشكل كبير من إمكانيات التكامل اليوم. علاوة على ذلك، فإن تجزئة السيولة والحاجة إلى استخدام رموز متعددة يمكن أن تضر بتجربة المستخدم، وهو ما أشار إليه مؤسسو Akash وBittensor.

منتجات لامركزية أخرى

بالإضافة إلى الحوسبة، تم إطلاق العديد من خدمات البنية التحتية اللامركزية الأخرى لدعم النظام البيئي الناشئ للذكاء الاصطناعي للعملات المشفرة.

يتجاوز نطاق هذا التقرير سردها جميعًا، ولكن تتضمن بعض الأمثلة المثيرة للاهتمام والتوضيحية ما يلي:

• المحيط: سوق بيانات لا مركزية. يمكن للمستخدمين إنشاء NFTs للبيانات التي تمثل بياناتهم ويمكنهم شراؤها باستخدام رموز البيانات. يمكن للمستخدمين تحقيق الدخل والحصول على سيادة أكبر على بياناتهم، مع تزويد فرق الذكاء الاصطناعي بإمكانية الوصول إلى البيانات التي يحتاجونها لتطوير النماذج وتدريبها.

• العشب:سوق النطاق الترددي اللامركزي. يمكن للمستخدمين بيع النطاق الترددي الزائد لشركات الذكاء الاصطناعي، التي تستخدمه لاستخراج البيانات من الإنترنت. تم بناء Grass على قمة شبكة Wynd، والتي لا تمكن الأفراد من تحقيق الدخل من النطاق الترددي الخاص بهم فحسب، بل توفر أيضًا لمشتري النطاق الترددي رؤية أكثر تنوعًا لما يراه المستخدمون الفرديون عبر الإنترنت (حيث يتم عادةً تخصيص وصول الفرد إلى الإنترنت بشكل خاص بناءً على عنوان IP الخاص به) عنوان) ).

• HiveMapper:إنشاء نظام لا مركزي لرسم الخرائط المنتجات التي تحتوي على معلومات تم جمعها من سائقي السيارات اليومية. يعتمد HiveMapper على الذكاء الاصطناعي لتفسير الصور التي تم جمعها من كاميرات لوحة المعلومات الخاصة بالمستخدمين ويكافئ المستخدمين بالرموز المميزة للمساعدة في تحسين نماذج الذكاء الاصطناعي من خلال تعليقات التعلم البشري المعززة (RHLF).

تشير هذه الأمور مجتمعة إلى فرص غير محدودة تقريبًا لاستكشاف نماذج السوق اللامركزية التي تدعم نماذج الذكاء الاصطناعي أو تطوير البنية التحتية المحيطة المطلوبة لها. حاليًا، معظم هذه المشاريع هي في مرحلة إثبات المفهوم وتتطلب المزيد من البحث والتطوير لإثبات قدرتها على العمل على المستوى المطلوب لتقديم خدمات الذكاء الاصطناعي الكاملة.

Outlook

لا تزال منتجات الحوسبة اللامركزية في المراحل الأولى من التطوير. لقد بدأوا للتو في طرح أحدث القدرات الحاسوبية القادرة على تدريب أقوى نماذج الذكاء الاصطناعي في الإنتاج. ومن أجل الحصول على حصة سوقية ذات مغزى، يتعين عليهم إظهار مزايا حقيقية مقارنة بالبدائل المركزية. تشمل المحفزات المحتملة للاعتماد على نطاق أوسع ما يلي:

• < strong> العرض/الطلب على وحدة معالجة الرسومات.  تؤدي ندرة وحدات معالجة الرسومات إلى جانب متطلبات الحوسبة سريعة النمو إلى سباق تسلح GPU. قام OpenAI بالفعل بتقييد الوصول إلى نظامه الأساسي بسبب قيود وحدة معالجة الرسومات. يمكن لمنصات مثل Akash وGensyn توفير بدائل ذات تكلفة تنافسية للفرق التي تحتاج إلى حوسبة عالية الأداء. تمثل الأشهر الستة إلى الـ 12 المقبلة فرصة فريدة بشكل خاص لمقدمي الحوسبة اللامركزية لجذب مستخدمين جدد يضطرون إلى التفكير في المنتجات اللامركزية بسبب الافتقار إلى الوصول إلى الأسواق على نطاق أوسع. إلى جانب الأداء المتزايد للنماذج مفتوحة المصدر مثل Meta’s LLaMA 2، لم يعد المستخدمون يواجهون نفس العوائق في نشر النماذج الفعالة المضبوطة بدقة، مما يجعل موارد الحوسبة بمثابة عنق الزجاجة الرئيسي. ومع ذلك، فإن وجود المنصة نفسها لا يضمن العرض الكافي للحوسبة والطلب المقابل من المستهلكين. لا يزال شراء وحدات معالجة الرسوميات المتطورة أمرًا صعبًا، والتكلفة ليست دائمًا الدافع الأساسي في جانب الطلب. ستواجه هذه المنصات تحديًا يتمثل في تجميع المستخدمين الثابتين من خلال إظهار الفوائد الحقيقية لاستخدام خيارات الحوسبة اللامركزية (سواء كان ذلك بسبب التكلفة، أو مقاومة الرقابة، أو وقت التشغيل والمرونة، أو إمكانية الوصول). يجب عليهم التحرك بسرعة. يجري الاستثمار والبناء في البنية التحتية لوحدة معالجة الرسومات بوتيرة مذهلة.

• الإشراف. لا يزال التنظيم يشكل عائقًا أمام حركة الحوسبة اللامركزية. على المدى القصير، يعني عدم وجود تنظيم واضح أن مقدمي الخدمات والمستخدمين يواجهون مخاطر محتملة في استخدام هذه الخدمات. ماذا لو قدم المورد حسابات أو قام المشتري بشراء حسابات من كيان خاضع للعقوبات دون علمه؟ قد يتردد المستخدمون في استخدام المنصات اللامركزية التي تفتقر إلى السيطرة والإشراف من كيان مركزي. تحاول البروتوكولات التخفيف من هذه المخاوف من خلال دمج الضوابط في منصاتها أو إضافة مرشحات للوصول إلى موفري الحوسبة المعروفين فقط (أي توفير معلومات اعرف عميلك)، ولكن هناك حاجة إلى أساليب أكثر قوة لضمان الامتثال مع حماية الخصوصية. على المدى القصير، قد نشهد ظهور منصات "اعرف عميلك" (KYC) والامتثال التي تقيد الوصول إلى بروتوكولاتها لمعالجة هذه المشكلات. بالإضافة إلى ذلك، فإن المناقشات المحيطة بالأطر التنظيمية الجديدة المحتملة في الولايات المتحدة (أفضل مثال على ذلك هو إصدار الأمر التنفيذي بشأن تطوير واستخدام الذكاء الاصطناعي الآمن والمأمون والجدير بالثقة) تسلط الضوء على إمكانية اتخاذ إجراءات تنظيمية لزيادة تقييد الوصول إلى وحدات معالجة الرسومات.

• مراجعة. يعمل التنظيم في كلا الاتجاهين، ويمكن أن تستفيد منتجات الحوسبة اللامركزية من الإجراءات التي تحد من الوصول إلى الذكاء الاصطناعي. بالإضافة إلى الأمر التنفيذي، أدلى سام ألتمان، مؤسس شركة OpenAI، بشهادته أمام الكونجرس حول حاجة الهيئات التنظيمية لترخيص تطوير الذكاء الاصطناعي. لقد بدأت المناقشات حول تنظيم الذكاء الاصطناعي للتو، ولكن أي محاولات من هذا القبيل للحد من الوصول إلى قدرات الذكاء الاصطناعي أو فرض رقابة عليها من الممكن أن تعمل على تسريع تبني المنصات اللامركزية حيث لا توجد مثل هذه الحواجز. توضح التغييرات التي طرأت على قيادة OpenAI في نوفمبر 2023 (أو عدم وجودها) مخاطر منح سلطة اتخاذ القرار على أقوى نماذج الذكاء الاصطناعي الحالية لعدد قليل من الأشخاص. علاوة على ذلك، تعكس جميع نماذج الذكاء الاصطناعي بالضرورة تحيزات الأشخاص الذين أنشأوها، سواء عن قصد أم بغير قصد. تتمثل إحدى طرق القضاء على هذه التحيزات في جعل النماذج مفتوحة قدر الإمكان للضبط الدقيق والتدريب، مما يضمن أن أي شخص في أي مكان يمكنه الوصول إلى النماذج بجميع أنواعها وتحيزاتها.

• خصوصية البيانات. قد تصبح الحوسبة اللامركزية أكثر جاذبية من البدائل المركزية عند دمجها مع البيانات الخارجية وحلول الخصوصية التي توفر للمستخدمين استقلالية البيانات. وقعت سامسونج ضحية لهذا الحادث عندما أدركت أن المهندسين كانوا يستخدمون ChatGPT للمساعدة في تصميم الرقائق وتسريب المعلومات الحساسة إلى ChatGPT. تدعي Phala Network وiExec أنهما توفران للمستخدمين جيوب SGX آمنة لحماية بيانات المستخدم، ويمكن للبحث المستمر في التشفير المتماثل بالكامل أن يفتح المزيد من الحوسبة اللامركزية التي تضمن الخصوصية. ومع تزايد اندماج الذكاء الاصطناعي في حياتنا، سيعطي المستخدمون قيمة أكبر للقدرة على تشغيل النماذج على التطبيقات ذات حماية الخصوصية. يحتاج المستخدمون أيضًا إلى خدمات تدعم إمكانية تكوين البيانات حتى يتمكنوا من نقل البيانات بسلاسة من نموذج إلى آخر.

• تجربة المستخدم (UX).  تظل تجربة المستخدم عائقًا كبيرًا أمام الاعتماد على نطاق أوسع لجميع أنواع تطبيقات التشفير والبنية التحتية. ولا يختلف هذا الأمر بالنسبة لمنتجات الحوسبة اللامركزية، وفي بعض الحالات يتفاقم بسبب حاجة المطورين إلى فهم العملات المشفرة والذكاء الاصطناعي. هناك حاجة إلى تحسينات من الأساسيات، مثل تفاعل تجريد تسجيل الدخول مع blockchain، لتوفير نفس المخرجات عالية الجودة مثل رواد السوق الحاليين. وهذا واضح بالنظر إلى أن العديد من بروتوكولات الحوسبة اللامركزية التشغيلية التي تقدم منتجات أرخص تكافح من أجل الحصول على استخدام منتظم.

العقود الذكية وzkML

العقود الذكية هي اللبنات الأساسية لأي نظام بيئي لسلسلة الكتل. إنها تعمل على أتمتة وتقليل أو إلغاء الحاجة إلى طرف ثالث موثوق به في ظل مجموعة محددة من الشروط، مما يتيح إنشاء تطبيقات لامركزية معقدة مثل تلك الموجودة في DeFi. ومع ذلك، نظرًا لوجود العقود الذكية حاليًا في معظمها، فإن وظائفها لا تزال محدودة حيث يتم تنفيذها بناءً على معلمات محددة مسبقًا يجب تحديثها.

على سبيل المثال، يحتوي العقد الذكي لبروتوكول الإقراض المنشور على مواصفات تتعلق بوقت تصفية المركز بناءً على نسبة محددة من القرض إلى القيمة. على الرغم من أنها مفيدة في البيئات الثابتة، إلا أنها في المواقف الديناميكية التي تتغير فيها المخاطر باستمرار، يجب تحديث هذه العقود الذكية باستمرار للتكيف مع التغيرات في تحمل المخاطر، مما يخلق تحديات للعقود التي لا تتم إدارتها من خلال عملية مركزية. على سبيل المثال، قد لا تتمكن المنظمة اللامركزية المستقلة التي تعتمد على عمليات الإدارة اللامركزية من الاستجابة بسرعة للمخاطر النظامية.

تعد العقود الذكية التي تدمج الذكاء الاصطناعي (أي نماذج التعلم الآلي) إحدى الطرق الممكنة لتعزيز الوظائف والأمان والكفاءة مع تحسين تجربة المستخدم الشاملة. ومع ذلك، فإن عمليات التكامل هذه تجلب أيضًا مخاطر إضافية، لأنه من المستحيل التأكد من عدم إمكانية مهاجمة النماذج التي تقوم عليها هذه العقود الذكية أو تفسير الحالات الطويلة الأمد (مما يجعل من الصعب تدريب النماذج نظرًا لندرة مدخلات البيانات).

التعلم الآلي بدون معرفة (zkML)

يتطلب التعلم الآلي الكثير من العمليات الحسابية لتشغيل النماذج المعقدة، مما يجعل نماذج الذكاء الاصطناعي غير قادرة على العمل مباشرة في العقود الذكية بسبب ارتفاع التكاليف. على سبيل المثال، سيواجه بروتوكول التمويل اللامركزي (DeFi) الذي يوفر للمستخدمين نموذجًا محسنًا للإيرادات، صعوبة في تشغيل هذا النموذج على السلسلة دون دفع رسوم الغاز الباهظة. أحد الحلول هو زيادة قوة الحوسبة لسلسلة الكتل الأساسية. ومع ذلك، فإن هذا يزيد أيضًا من متطلبات مجموعة أدوات التحقق من صحة السلسلة، مما قد يؤدي إلى كسر الطبيعة اللامركزية. وبدلاً من ذلك، تستكشف بعض المشاريع استخدام zkML للتحقق من المخرجات بطريقة غير موثوقة دون الحاجة إلى عمليات حسابية مكثفة على السلسلة.

من الأمثلة الشائعة التي توضح فائدة zkML عندما يحتاج المستخدم إلى شخص آخر لتشغيل البيانات من خلال النموذج والتحقق من أن الطرف المقابل يقوم بالفعل بتشغيل النموذج الصحيح. ربما يستخدم المطورون مزود حوسبة لامركزي لتدريب نماذجهم، ويشعرون بالقلق من أن المزود يحاول خفض التكاليف باستخدام نموذج أرخص مع اختلاف غير محسوس في الإنتاج. يمكّن zkML موفري الحوسبة من تشغيل البيانات من خلال نماذجهم ثم إنشاء أدلة يمكن التحقق منها على السلسلة لإثبات أن مخرجات النموذج في ضوء المدخلات صحيحة. في هذه الحالة، سيكون لمقدمي النماذج ميزة إضافية تتمثل في قدرتهم على تقديم نماذجهم دون الحاجة إلى الكشف عن الأوزان الأساسية التي أنتجت المخرجات.

يمكنك أيضًا أن تفعل العكس. إذا أراد المستخدم تشغيل نموذج باستخدام بياناته ولكنه لا يريد أن يتمكن المشروع الذي يوفر النموذج من الوصول إلى بياناته بسبب مخاوف تتعلق بالخصوصية (كما هو الحال في حالة الفحوصات الطبية أو معلومات الأعمال الخاصة)، فيمكن للمستخدم تشغيله في نموذج البيانات الخاص بهم دون مشاركة البيانات، ثم التحقق من خلال الأدلة من أنهم قاموا بتشغيل النموذج الصحيح. تعمل هذه الإمكانيات على توسيع مساحة التصميم بشكل كبير لتكامل الذكاء الاصطناعي ووظائف العقود الذكية من خلال حل القيود الحسابية الباهظة.

البنية التحتية والأدوات

نظرًا للحالة المبكرة لمجال zkML، يركز التطوير بشكل أساسي على بناء البنية التحتية والأدوات التي يحتاجها الفريق لتحويل نماذجه ومخرجاته إلى شيء يمكن استخدامه تستخدم على السلسلة.إثبات التحقق. تلخص هذه المنتجات جوانب المعرفة الصفرية للتنمية قدر الإمكان.

يتم تنفيذ EZKL والجيزة من خلال تقديم أدلة يمكن التحقق منها لتنفيذ نموذج التعلم الآلي مشروعان لبناء هذه الأداة. يساعد كلا الفريقين على بناء نماذج التعلم الآلي لضمان إمكانية تنفيذ هذه النماذج على السلسلة بطريقة يمكن الوثوق بالنتائج والتحقق منها. يستخدم كلا المشروعين Open Neural Network Exchange (ONNX) لتحويل نماذج التعلم الآلي المكتوبة بلغات الأغراض العامة مثل TensorFlow وPytorch إلى تنسيقات قياسية. ثم يقومون بعد ذلك بإخراج إصدارات من هذه النماذج التي تولد أيضًا أدلة zk عند تنفيذها. EZKL مفتوح المصدر وينتج zk-SNARKS، بينما الجيزة مغلق المصدر وينتج zk-STARKS. كلا المشروعين متوافقان حاليًا مع EVM فقط.

حققت EZKL تقدمًا كبيرًا في تعزيز حلول zkML خلال الأشهر القليلة الماضية، مع التركيز على تقليل التكاليف وتحسين الأمان وتسريع عملية إنشاء الأدلة. على سبيل المثال، في نوفمبر 2023، قامت EZKL بدمج مكتبة GPU جديدة مفتوحة المصدر تقلل وقت الإثبات الإجمالي بنسبة 35٪؛ في يناير، أصدرت EZKL Lilith، وهو حل برمجي للتكامل عند استخدام بروفات EZKL مجموعات الحوسبة عالية الأداء وأنظمة العمل المتزامنة المنسقة . تعد شركة جيزة فريدة من نوعها من حيث أنه، بالإضافة إلى توفير أدوات لإنشاء نماذج تعلم آلي يمكن التحقق منها، فإنها تخطط لتنفيذ ما يعادل Hugging Face على شبكة الإنترنت 3، وفتح سوق مستخدم للتعاون ومشاركة النماذج في zkML، وفي النهاية دمج منتجات الحوسبة اللامركزية. في يناير، نشرت EZKL تقييمًا مرجعيًا يقارن أداء EZKL، وGese، وRiscZero (كما هو موضح أدناه). يوضح EZKL أوقات إثبات أسرع واستخدامًا للذاكرة.

تعمل شركة Modulus Labs أيضًا على تطوير تقنية جديدة مقاومة لـ zk مخصصة لنماذج الذكاء الاصطناعي. نشرت شركة Modulus ورقة بحثية بعنوان "تكلفة الذكاء" (مما يشير إلى أن تكلفة تشغيل نماذج الذكاء الاصطناعي على السلسلة مرتفعة للغاية)، والتي قامت بقياس نظام zk-proof الموجود في ذلك الوقت. لتحديد القدرات والاختناقات في تحسين الذكاء الاصطناعي نموذج البراهين zk. وتشير الدراسة، التي نُشرت في يناير 2023، إلى أن المنتجات الحالية باهظة الثمن وغير فعالة لتمكين تطبيقات الذكاء الاصطناعي على نطاق واسع. وبناءً على البحث الأولي، أطلقت مودولوس Remainder في نوفمبر، وهو برنامج متخصص لإثبات المعرفة الصفرية مصمم خصيصًا لتقليل التكلفة ووقت الإثبات لنماذج الذكاء الاصطناعي، بهدف جعل المشاريع قابلة للحياة اقتصاديًا وتقديم النماذج على نطاق واسع. العقود الذكية. إن عملهم مغلق المصدر، وبالتالي لا يمكن مقارنته بالحلول المذكورة أعلاه، ولكن تم الاستشهاد بعملهم مؤخرًا في منشور مدونة Vitalik حول التشفير والذكاء الاصطناعي.

تعد الأدوات وتطوير البنية التحتية أمرًا بالغ الأهمية للنمو المستقبلي لمساحة zkML، حيث يمكنها تقليل الاحتكاك بشكل كبير للفرق التي تحتاج إلى نشر دوائر zk المطلوبة لتشغيل حسابات خارج السلسلة يمكن التحقق منها. إن إنشاء واجهات آمنة تمكن المطورين غير الأصليين للعملات المشفرة الذين يعملون على التعلم الآلي من جلب نماذجهم على السلسلة سيمكن التطبيقات من تمكين تجربة أكبر مع حالات استخدام جديدة حقًا. تعالج الأدوات أيضًا عائقًا رئيسيًا أمام اعتماد zkML على نطاق أوسع، وهو الافتقار إلى المطورين ذوي المعرفة المهتمين بالعمل عند تقاطع المعرفة الصفرية والتعلم الآلي والتشفير.

المعالجات المساعدة

تتضمن الحلول الأخرى (التي تسمى "المعالجات المساعدة") قيد التطوير RiscZero , البديهية والطقوس. مصطلح المعالج المشترك هو مصطلح دلالي في المقام الأول - تؤدي هذه الشبكات العديد من الأدوار المختلفة، بما في ذلك التحقق من العمليات الحسابية خارج السلسلة. مثل EZKL، وGese، وModulus، فإن هدفهم هو التجريد الكامل لعملية توليد إثبات المعرفة الصفرية، وإنشاء آلة افتراضية ذات معرفة صفرية قادرة على تنفيذ برامج خارج السلسلة وإنشاء إثباتات التحقق على السلسلة. يمكن لـ RiscZero وAxiom تقديم نماذج ذكاء اصطناعي بسيطة لأنها معالجات مساعدة ذات أغراض عامة، في حين تم تصميم Ritual خصيصًا للاستخدام مع نماذج الذكاء الاصطناعي.

Infernet هو أول مثيل لـ Ritual ويحتوي على Infernet SDK. يسمح للمطورين إرسال طلبات الاستدلال إلى الشبكة وتلقي المخرجات والبراهين (اختياري) في المقابل.  تستقبل عقد Infernet هذه الطلبات وتعالج العمليات الحسابية خارج السلسلة قبل إرجاع المخرجات. على سبيل المثال، يمكن لـ DAO إنشاء عملية تضمن أن جميع مقترحات الإدارة الجديدة تلبي متطلبات مسبقة معينة قبل تقديمها. في كل مرة يتم تقديم اقتراح جديد، يقوم عقد الحوكمة بتشغيل طلب استدلال عبر Infernet، واستدعاء نموذج الذكاء الاصطناعي المدرب على الحوكمة الخاص بـ DAO. يقوم النموذج بمراجعة المقترحات لضمان تقديم جميع المعايير الضرورية وإرجاع المخرجات والأدلة للموافقة على تقديم الاقتراح أو رفضه.

في العام المقبل، يخطط فريق Ritual لإطلاق المزيد من الميزات لتشكيل طبقة بنية تحتية تسمى Ritual Super Chain. يمكن توصيل العديد من المشاريع التي تمت مناقشتها سابقًا في Ritual كمقدمي خدمات. لقد تكامل فريق Ritual مع EZKL لإنشاء البراهين، وقد يضيف قريبًا وظائف من مقدمي خدمات رائدين آخرين. يمكن لعقد Infernet الموجودة في Ritual أيضًا استخدام وحدات معالجة الرسومات Akash أو io.net مع نماذج استعلام مدربة على شبكات Bittensor الفرعية. هدفهم النهائي هو أن يصبحوا المزود الأساسي للبنية التحتية المفتوحة للذكاء الاصطناعي، القادرة على خدمة التعلم الآلي والمهام الأخرى المتعلقة بالذكاء الاصطناعي على أي شبكة، ولأي عبء عمل.

التطبيقات

يساعد zkML في التوفيق بين التناقض بين تقنية blockchain والذكاء الاصطناعي. فالأول بطبيعته محدود الموارد، في حين أن الأخير يتطلب كميات كبيرة من الحوسبة والبيانات. كما قال أحد مؤسسي جيزة، "حالات الاستخدام غنية جدًا... إنها تشبه إلى حد ما التساؤل عن حالات استخدام العقود الذكية في الأيام الأولى للإيثريوم... كل ما فعلناه هو توسيع حالات استخدام العقود الذكية." كما ذكر أعلاه، يتم التطوير اليوم بشكل رئيسي على مستوى الأداة والبنية التحتية. لا يزال التطبيق في مرحلة الاستكشاف، والتحدي الذي يواجه الفريق هو إثبات أن قيمة تنفيذ النموذج باستخدام zkML تفوق تعقيده وتكلفته.

تتضمن بعض التطبيقات الحالية ما يلي:

• التمويل اللامركزي.  zkML تقوم بترقية مساحة تصميم DeFi من خلال تعزيز قدرات العقود الذكية. توفر بروتوكولات DeFi كميات كبيرة من البيانات التي يمكن التحقق منها وغير القابلة للتغيير لنماذج التعلم الآلي، والتي يمكن استخدامها لتوليد الإيرادات أو استراتيجيات التداول، وتحليل المخاطر، وتجربة المستخدم، والمزيد. على سبيل المثال، دخلت شركة جيزة في شراكة مع Yearn Finance لبناء محرك تقييم المخاطر الآلي لإثبات المفهوم لخزنة Yearn v3 الجديدة. عقدت Modulus Labs شراكة مع Lyra Finance لدمج التعلم الآلي في AMM، وعملت مع Ion Protocol لتنفيذ نماذج تحلل مخاطر أداة التحقق، وساعدت Upshot في التحقق من صحة خلاصات أسعار NFT المدعومة بالذكاء الاصطناعي.  توفر البروتوكولات مثل NOYA (الاستفادة من EZKL) وMozaic إمكانية الوصول إلى نماذج خاصة خارج السلسلة تتيح للمستخدمين إمكانية الوصول إلى تعدين السيولة الآلي مع تمكينهم من التحقق من مدخلات البيانات والبراهين على السلسلة.  تقوم شركة Spectral Finance ببناء محرك تسجيل ائتماني على السلسلة للتنبؤ باحتمالية تخلف مقترضي Compound أو Aave عن سداد قروضهم. من المرجح أن تصبح منتجات "De-Ai-Fi" المزعومة أكثر شعبية في السنوات القادمة بفضل zkML.

• الألعاب.  لطالما اعتبرت الألعاب تخريبية ويتم تعزيزها من خلال السلاسل العامة. يجعل zkML اللعب على السلسلة ممكنًا باستخدام الذكاء الاصطناعي.  نفذت شركة Modulus Labs إثباتًا لمفهوم لعبة بسيطة على السلسلة.  Leela vs the World هي لعبة شطرنج نظرية للعبة يلعب فيها المستخدمون ضد نموذج شطرنج يعمل بالذكاء الاصطناعي، وتتحقق zkML من أن كل حركة تقوم بها Leela تعتمد على النموذج الذي تعمل عليه اللعبة. وبالمثل، استخدم الفريق أيضًا إطار عمل EZKL لبناء مسابقة غنائية بسيطة ولعبة tic-tac-toe على السلسلة.  تستخدم شركة Cartridge شركة جيزة لتمكين الفريق من نشر الألعاب المتسلسلة بالكامل، مع التركيز مؤخرًا على تقديم لعبة قيادة بسيطة تعمل بالذكاء الاصطناعي حيث يتنافس المستخدمون لإنشاء نماذج أفضل من السيارات التي تحاول تجنب العوائق. على الرغم من بساطتها، إلا أن إثبات المفاهيم هذا يشير إلى تطبيقات مستقبلية قادرة على عمليات تحقق أكثر تعقيدًا على السلسلة، مثل الجهات الفاعلة المعقدة غير القابلة للعب القادرة على التفاعل مع الاقتصاد داخل اللعبة، كما رأينا في AI Arena، وهي لعبة من ألعاب Super Smash Bros. حيث يمكن للاعبين تدريب مقاتليهم ثم نشرهم كنماذج ذكاء اصطناعي للقتال.

• الهوية وإمكانية التتبع والخصوصية. يتم بالفعل استخدام العملات المشفرة كوسيلة للتحقق من صحتها ومكافحة العدد المتزايد من المحتوى الذي يتم إنشاؤه/التلاعب به بواسطة الذكاء الاصطناعي والتزييف العميق. يمكن لـ zkML تعزيز هذه الجهود. WorldCoin هو حل لإثبات الهوية يتطلب من المستخدمين مسح قزحية العين الخاصة بهم لإنشاء معرف فريد. في المستقبل، يمكن استضافة معرفات القياسات الحيوية ذاتيًا على الأجهزة الشخصية باستخدام التخزين المشفر واستخدام النماذج المطلوبة لمصادقة القياسات الحيوية التي يتم تشغيلها محليًا. يمكن للمستخدمين بعد ذلك تقديم أدلة بيومترية دون الكشف عن هويتهم، مما يضمن الخصوصية مع مقاومة هجمات Sybil. ويمكن تطبيق ذلك أيضًا على النتائج الطبيعية الأخرى التي تتطلب الخصوصية، مثل استخدام النماذج لتحليل البيانات/الصور الطبية للكشف عن المرض، والتحقق من الشخصية وتطوير خوارزميات المطابقة في تطبيقات المواعدة، أو مؤسسات التأمين والإقراض التي تتطلب التحقق من المعلومات المالية.

Outlook

لا يزال zkML في المرحلة التجريبية، حيث تركز معظم المشاريع على بناء أساسيات البنية التحتية وإثباتات المفهوم. تشمل تحديات اليوم التكلفة الحسابية، وقيود الذاكرة، وتعقيد النموذج، والأدوات والبنية التحتية المحدودة، وموهبة المطورين. باختصار، هناك الكثير من العمل الذي يتعين القيام به قبل أن يتم تنفيذ zkML على النطاق المطلوب للمنتجات الاستهلاكية.

ومع ذلك، مع نضوج المجال وحل هذه القيود، ستصبح zkML مكونًا رئيسيًا في تكامل الذكاء الاصطناعي والتشفير. في جوهر الأمر، تعد zkML بالقدرة على جلب العمليات الحسابية خارج السلسلة على أي نطاق مع الحفاظ على نفس الضمانات الأمنية أو بالقرب منها مثل التشغيل على السلسلة. ومع ذلك، حتى تتحقق هذه الرؤية، سيستمر المتبنون الأوائل للتكنولوجيا في الموازنة بين خصوصية وأمان zkML وبين كفاءة البدائل.

وكلاء الذكاء الاصطناعي

أحد أكثر عمليات التكامل إثارة بين الذكاء الاصطناعي والعملات المشفرة هي تجربة وكيل الذكاء الاصطناعي المستمرة. الوكلاء عبارة عن روبوتات مستقلة قادرة على تلقي المهام وتفسيرها وتنفيذها باستخدام نماذج الذكاء الاصطناعي. يمكن أن يكون هذا أي شيء بدءًا من وجود مساعد شخصي في متناول يدك يتم ضبطه وفقًا لتفضيلاتك، إلى استئجار روبوت مالي يدير محفظتك ويضبطها بناءً على رغبتك في المخاطرة.

نظرًا لأن العملات المشفرة توفر بنية تحتية للدفع غير مرخصة وغير موثوقة، يمكن للوكلاء والعملات المشفرة العمل معًا بشكل جيد. بعد التدريب، يتم منح الوكلاء محفظة حتى يتمكنوا من إجراء المعاملات باستخدام العقود الذكية بأنفسهم. على سبيل المثال، يستطيع الوكلاء البسطاء اليوم جمع المعلومات من شبكة الإنترنت ثم التداول في أسواق التنبؤ استناداً إلى النماذج.

موفر الوكيل

Morpheusهو عام 2024 واحد من أحدث مشاريع الوكلاء مفتوحة المصدر المدرجة على Ethereum وArbitrum. تم نشر ورقتها البيضاء بشكل مجهول في سبتمبر 2023، مما يوفر الأساس لتشكيل وبناء المجتمع (بما في ذلك شخصيات مشهورة مثل إريك فورهيس). تتضمن الوثيقة التقنية بروتوكول وكيل قابل للتنزيل، وهو LLM مفتوح المصدر يمكن تشغيله محليًا وإدارته بواسطة محفظة المستخدم والتفاعل مع العقود الذكية. ويستخدم تصنيفات العقود الذكية لمساعدة الوكلاء على تحديد العقود الذكية الآمنة للتفاعل معها بناءً على معايير مثل عدد المعاملات التي تتم معالجتها.

يوفر المستند التقني أيضًا إطارًا لبناء شبكة Morpheus، مثل هيكل الحوافز والبنية التحتية المطلوبة لتشغيل بروتوكول الوكيل. يتضمن ذلك حوافز للمساهمين لبناء واجهات أمامية للتفاعل مع الوكلاء، وواجهات برمجة التطبيقات للمطورين لبناء تطبيقات يتم توصيلها بالوكلاء حتى يتمكنوا من التفاعل مع بعضهم البعض، وسحابة تمكن المستخدمين من الوصول إلى الحوسبة والتخزين اللازمين لتشغيل الوكلاء. الحل يكمن في الأجهزة المتطورة. بدأ التمويل الأولي للمشروع في أوائل فبراير، ومن المتوقع إطلاق الاتفاقية الكاملة في الربع الثاني من عام 2024.

شبكة البنية التحتية اللامركزية المستقلة (DAIN) هي بروتوكول البنية التحتية للوكيل الجديد يبني اقتصاد وكيل إلى وكيل على سولانا. الهدف من DAIN هو السماح للوكلاء من مؤسسات مختلفة بالتفاعل بسلاسة مع بعضهم البعض من خلال واجهة برمجة التطبيقات المشتركة، وبالتالي فتح مساحة التصميم بشكل كبير لوكلاء الذكاء الاصطناعي، مع التركيز على وكلاء التنفيذ الذين يمكنهم التفاعل مع منتجات web2 وweb3. في يناير، أعلنت DAIN عن أول شراكة لها مع Asset Shield لتمكين المستخدمين من إضافة "وكلاء الموقعين" إلى التوقيعات المتعددة الخاصة بهم، والذين لديهم القدرة على تفسير المعاملات والموافقة/الرفض وفقًا للقواعد التي يحددها المستخدم.

Fetch.AI هو أحد أقدم بروتوكولات وكيل الذكاء الاصطناعي المنشورة. طورت نظامًا بيئيًا لبناء ونشر واستخدام الوكلاء على السلسلة باستخدام رموز FET ومحفظة Fetch.AI. يوفر البروتوكول مجموعة شاملة من الأدوات والتطبيقات للعمل مع الوكلاء، بما في ذلك وظائف المحفظة للتفاعل مع الوكلاء وطلب الوكلاء.

مؤسسو Autonolas يضمون أعضاء سابقين في فريق Fetch؛ وهو مفتوح سوق لإنشاء واستخدام وكلاء الذكاء الاصطناعي اللامركزيين. توفر Autonolas أيضًا للمطورين مجموعة من الأدوات لإنشاء وكلاء ذكاء اصطناعي مُدار خارج السلسلة يمكنهم توصيلهم بسلاسل كتل متعددة، بما في ذلك Polygon وEthereum وGnosis Chain وSolana. لديهم حاليًا عدد من منتجات إثبات المفهوم للوكيل النشط، بما في ذلك أسواق التنبؤ وإدارة DAO.

تقوم SingularityNet ببناء سوق لا مركزية لعملاء الذكاء الاصطناعي، حيث يمكن للأشخاص النشر وكلاء الذكاء الاصطناعي المخصصون الذين يمكن تعيينهم من قبل أشخاص أو وكلاء آخرين لأداء مهام معقدة. تقوم شركات أخرى، مثل AlteredStateMachine، ببناء عمليات تكامل بين وكلاء الذكاء الاصطناعي مع NFTs. يقوم المستخدمون بصك NFTs بخصائص عشوائية تمنحهم نقاط القوة والضعف في مهام مختلفة. يمكن بعد ذلك تدريب هؤلاء الوكلاء لتحسين خصائص معينة لاستخدامها في الألعاب أو DeFi أو كمساعدين افتراضيين والتعامل مع مستخدمين آخرين.

بشكل جماعي، تتصور هذه المشاريع نظامًا بيئيًا مستقبليًا من الوكلاء الذين يعملون معًا ليس فقط لأداء المهام ولكن أيضًا للمساعدة في بناء الذكاء الاصطناعي العام. سيكون لدى الوكلاء المعقدين حقًا القدرة على إكمال أي مهمة مستخدم بشكل مستقل. على سبيل المثال، سيكون الوكيل المستقل تمامًا قادرًا على معرفة كيفية توظيف وكيل آخر لدمج واجهة برمجة التطبيقات ثم تنفيذها، بدلاً من الاضطرار إلى التأكد من دمج الوكيل مع واجهة برمجة التطبيقات الخارجية (مثل موقع ويب لحجز السفر) و أداء المهمة قبل استخدامه. من وجهة نظر المستخدم، ليست هناك حاجة للتحقق مما إذا كان الوكيل يمكنه إكمال المهمة، لأن الوكيل يمكنه تحديدها بمفرده.

عملاء البيتكوين والذكاء الاصطناعي

يوليو 2023، Lightning Network Lab < /strong>تم تقديم تطبيق إثبات المفهوم لاستخدام الوكلاء على شبكة Lightning Network، والذي يُسمى LangChain Bitcoin Kit. يعد هذا المنتج مثيرًا للاهتمام بشكل خاص لأنه يهدف إلى حل مشكلة متنامية في عالم Web 2 - مفاتيح واجهة برمجة التطبيقات (API) المسورة والمكلفة لتطبيقات الويب.

تحل LangChain هذه المشكلة من خلال تزويد المطورين بمجموعة من الأدوات التي تمكن الوكلاء من شراء وبيع والاحتفاظ بالبيتكوين، بالإضافة إلى الاستعلام عن مفاتيح واجهة برمجة التطبيقات وإرسال المدفوعات الصغيرة. في عالم الدفع التقليدي، تكون عمليات الدفع الصغيرة مكلفة بسبب الرسوم، ولكن في شبكة Lightning Network، يمكن للوكلاء إرسال عمليات دفع صغيرة غير محدودة يوميًا بأقل رسوم. عند دمجها مع إطار عمل واجهة برمجة التطبيقات لقياس الدفع L402 من LangChain، يسمح ذلك للشركات بتعديل رسوم الوصول إلى واجهات برمجة التطبيقات الخاصة بها بناءً على الزيادات والنقصان في الاستخدام، بدلاً من وضع معيار واحد باهظ التكلفة.

في المستقبل، حيث تهيمن التفاعلات من وكيل إلى وكيل على النشاط على السلسلة، سيكون شيء كهذا ضروريًا لضمان قدرة الوكلاء على التفاعل مع بعضهم البعض بطريقة ليست مكلفة للغاية. وهذا مثال مبكر على كيفية استخدام الوكلاء في دائرة دفع غير مصرح بها وفعالة من حيث التكلفة، مما يفتح إمكانيات لأسواق وتفاعلات اقتصادية جديدة.

التوقعات

لا يزال مجال العملاء الأذكياء في مرحلته الناشئة. لقد بدأ المشروع للتو في طرح وكلاء وظيفيين يمكنهم التعامل مع المهام البسيطة باستخدام البنية التحتية الخاصة به - وهو أمر لا يمكن الوصول إليه عادة إلا للمطورين والمستخدمين ذوي الخبرة. ومع ذلك، بمرور الوقت، سيكون أحد أكبر تأثيرات وكلاء الذكاء الاصطناعي على العملات المشفرة هو تحسين تجربة المستخدم في جميع القطاعات. ستبدأ المعاملات في التحول من المعاملات القائمة على النقر إلى المعاملات النصية، وسيتمكن المستخدمون من التفاعل مع الوكلاء الموجودين على السلسلة من خلال أساليب لغوية كبيرة. أطلقت Dawn Wallet وفرق أخرى محفظة chatbot للمستخدمين للتفاعل على السلسلة.

علاوة على ذلك، ليس من الواضح كيف سيعمل الوكلاء في الويب 2، حيث يعتمد القطاع المالي على المؤسسات المصرفية المنظمة التي لا يمكنها العمل على مدار الساعة طوال أيام الأسبوع وإجراء معاملات سلسة عبر الحدود. وكما أوضح لين ألدن، فإن الافتقار إلى المبالغ المستردة والقدرة على معالجة المعاملات الدقيقة يجعل مسار العملات المشفرة جذابًا بشكل خاص مقارنة ببطاقات الائتمان. ومع ذلك، إذا أصبحت الروبوتات وسيلة أكثر شيوعًا للمعاملات، فمن المرجح أن يتحرك مقدمو وتطبيقات الدفع الحاليون بسرعة لتنفيذ البنية التحتية المطلوبة للعمل في القطاع المالي الحالي، وبالتالي تقويض بعض فوائد استخدام العملات المشفرة.

في الوقت الحالي، قد يقتصر عمل الوكلاء على معاملات العملة المشفرة الحتمية، حيث يضمن مدخل معين مخرجات معينة. ويحدد كلا النموذجين قدرة هؤلاء الوكلاء على معرفة كيفية أداء المهام المعقدة، وتعمل الأدوات على توسيع نطاق ما يمكنهم إنجازه، وكلاهما يتطلب المزيد من التطوير. لكي يصبح وكلاء العملات المشفرة مفيدًا بما يتجاوز حالات استخدام العملات المشفرة الجديدة على السلسلة، هناك حاجة إلى تكامل وقبول أوسع للعملات المشفرة كشكل من أشكال الدفع بالإضافة إلى الوضوح التنظيمي. ومع ذلك، مع تطور هذه المكونات، يستعد الوكلاء ليصبحوا أحد أكبر المستهلكين لحلول الحوسبة اللامركزية وzkML المذكورة أعلاه، حيث يتلقون أي مهمة ويحلونها بطريقة مستقلة وغير حتمية.

الاستنتاج

يجلب الذكاء الاصطناعي نفس الابتكار إلى العملات المشفرة التي رأيناها في web2، مما يعزز كل شيء بدءًا من تطوير البنية التحتية وحتى تجربة المستخدم وإمكانية الوصول. ومع ذلك، لا يزال المشروع في مراحله الأولى من التطوير، وسيهيمن التكامل خارج السلسلة على تكامل العملة المشفرة والذكاء الاصطناعي في المستقبل القريب.

ستعمل منتجات مثل Copilot على "زيادة كفاءة المطورين بمقدار 10 أضعاف"، وقد عقدت تطبيقات Layer1 وDeFi شراكة مع شركات كبرى مثل Microsoft لإطلاق منصات تطوير مدعومة بالذكاء الاصطناعي. تعمل شركات مثل Cub3.ai وTest Machine على تطوير تكاملات الذكاء الاصطناعي لتدقيق العقود الذكية ومراقبة التهديدات في الوقت الفعلي لتعزيز الأمان على السلسلة. يتم تدريب روبوتات الدردشة LLM باستخدام البيانات الموجودة على السلسلة ومستندات البروتوكول والتطبيقات لتزويد المستخدمين بإمكانية وصول محسنة وتجربة مستخدم.

بالنسبة لعمليات التكامل الأكثر تقدمًا التي تستفيد حقًا من التكنولوجيا الأساسية للعملات المشفرة، يظل التحدي يتمثل في إثبات أن تنفيذ حلول الذكاء الاصطناعي على السلسلة ليس ممكنًا من الناحية الفنية فحسب، بل ممكن أيضًا من الناحية الاقتصادية. يشير تطوير الحوسبة اللامركزية وzkML ووكلاء الذكاء الاصطناعي إلى قطاعات واعدة تضع الأساس لمستقبل مترابط بعمق بين العملات المشفرة والذكاء الاصطناعي.