كيف يمكن توسيع نطاق The Graph ليشمل البنية التحتية لـ Web3 المعتمدة على الذكاء الاصطناعي؟

المؤلف: LINDABELL المصدر: ChainFeeds 

في عام 2022، أطلقت OpenAI برنامج ChatGPT القائم على نموذج GPT-3.5 ، والتي أطلقت منذ ذلك الحين موجات من موجات الذكاء الاصطناعي السردية. ومع ذلك، على الرغم من أن ChatGPT يمكنه التعامل مع المشكلات بشكل فعال في معظم الحالات، إلا أن أدائه قد يظل محدودًا عندما تكون هناك حاجة إلى معرفة خاصة بالمجال أو بيانات في الوقت الفعلي. على سبيل المثال، عندما سُئل عن تاريخ تداول الرموز المميزة لـ Vitalik Buterin على مدار الـ 18 شهرًا الماضية، لم يتمكن من تقديم معلومات موثوقة ومفصلة. ولتحقيق هذه الغاية، قام فريق التطوير الأساسي لـ Graph Semiotic Labs بدمج مجموعة برامج مؤشر Graph وOpenAI لإطلاق مشروع Agentc، والذي يمكن أن يزود المستخدمين بتحليل اتجاهات سوق العملات المشفرة وخدمات الاستعلام عن بيانات المعاملات.

لدعم هذا الهدف، ستفتح Semiotic Labs أيضًا مصدر قاعدة أكواد Agentc، مما يسمح للمطورين بإنشاء تطبيقات الذكاء الاصطناعي اللامركزية بوظائف مشابهة لـ Agentc، مثل وكلاء تحليل اتجاه السوق NFT ووكلاء مساعدي التداول DeFi.

خارطة طريق الذكاء الاصطناعي اللامركزي للرسم البياني

تم إطلاقها في يوليو 2018، The Graph هو بروتوكول لا مركزي للفهرسة والاستعلام عن بيانات blockchain. من خلال هذا البروتوكول، يمكن للمطورين استخدام واجهات برمجة التطبيقات المفتوحة لإنشاء ونشر فهارس البيانات التي تسمى الرسوم البيانية الفرعية، مما يسمح للتطبيقات باسترداد البيانات الموجودة على السلسلة بكفاءة. حتى الآن، دعمت The Graph أكثر من 50 سلسلة، واستضافت أكثر من 75000 مشروع، وعالجت أكثر من 1.26 تريليون استفسار.

يمكن لـ Graph التعامل مع مثل هذه البيانات الضخمة دون دعم الفريق الأساسي الذي يقف خلفه، بما في ذلك Edge & وبيناكس. من بينها، يوفر Streamingfast بشكل أساسي تقنية الهندسة المعمارية عبر السلاسل لتدفق بيانات blockchain، بينما يركز Semiotic AI على تطبيق الذكاء الاصطناعي والتشفير على The Graph. تركز كل من Guild وGraphOps وMessari وPinax على مجالات مثل تطوير GraphQL وخدمات الفهرسة وتطوير الرسم البياني الفرعي وحلول تدفق البيانات.

p>

الذكاء الاصطناعي لتخطيط الرسم البياني ليس فكرة جديدة. في شهر مارس من العام الماضي، نشرت مدونة The Graph مقالًا يوضح إمكانية الاستفادة من إمكانات فهرسة البيانات لتطبيقات الذكاء الاصطناعي. في ديسمبر من العام الماضي، أصدرت The Graph خريطة طريق جديدة تسمى "New Era"، وتخطط لإضافة استعلامات مدعومة بالذكاء الاصطناعي لنماذج اللغات الكبيرة. أصبحت خارطة طريق الذكاء الاصطناعي الخاصة بها أكثر وضوحًا مع الإصدار الأخير للورقة البيضاء. تم تقديم خدمتين للذكاء الاصطناعي في المستند التقني: خدمة الاستدلال وخدمة الوكيل، والتي تسمح للمطورين بدمج وظائف الذكاء الاصطناعي مباشرة في الواجهة الأمامية للتطبيق، ويتم دعم العملية بأكملها بواسطة The Graph.

خدمة الاستدلال: تدعم العديد من نماذج الذكاء الاصطناعي مفتوحة المصدر

في الاستدلال التقليدي في الخدمة، يتنبأ النموذج بالبيانات المدخلة من خلال موارد الحوسبة السحابية المركزية. على سبيل المثال، عندما تطرح سؤالاً على ChatGPT، فإنه سيفكر ويعيد الإجابة. ومع ذلك، فإن هذا النهج المركزي لا يزيد التكاليف فحسب، بل يخلق أيضًا مخاطر الرقابة. يأمل The Graph في حل هذه المشكلة من خلال بناء سوق استضافة نماذج لامركزية، مما يسمح لمطوري التطبيقات اللامركزية بأن يكونوا أكثر مرونة عند نشر نماذج الذكاء الاصطناعي واستضافتها.

يقدم الرسم البياني مثالاً في المستند التقني لكيفية إنشاء تطبيق لمساعدة مستخدمي Farcaster على فهم ما إذا كانت منشوراتهم ستتلقى الكثير من الإعجابات. أولاً، استخدم خدمة بيانات الرسم البياني الفرعي الخاصة بـ The Graph لفهرسة عدد التعليقات والإعجابات على منشورات Farcaster. بعد ذلك، يتم تدريب الشبكة العصبية على التنبؤ بما إذا كان تعليق Farcaster الجديد سيحظى بالإعجاب، ويتم نشر الشبكة العصبية في خدمة الاستدلال الخاصة بـ The Graph. تم تطوير التطبيق اللامركزي الناتج لمساعدة المستخدمين على كتابة المنشورات التي تحصل على المزيد من الإعجابات.

يمكّن هذا الأسلوب المطورين من الاستفادة بسهولة من البنية التحتية لـ The Graph، واستضافة النماذج المدربة مسبقًا على شبكة The Graph، واستخدامها عبر واجهات برمجة التطبيقات. الواجهة متكاملة في التطبيق حتى يتمكن المستخدمون من تجربة هذه الوظائف مباشرة عند استخدام dApp.

من أجل تزويد المطورين بمزيد من الخيارات والمرونة، تدعم خدمة Graph's Inference Service معظم النماذج الشائعة الموجودة. لقد كتب في المستند التقني، "في مرحلة MVP، ستدعم خدمة Graph's Inference Service مجموعة مختارة من نماذج الذكاء الاصطناعي الشائعة مفتوحة المصدر، بما في ذلك Stable Diffusion، وStable Video Diffusion، وLLaMA، وMixtral، وGrok، وWhisper، وما إلى ذلك." في المستقبل، يمكن نشر أي نموذج مفتوح خضع لعمليات اختبار وفهرسة كافية في خدمة Graph Inference Service. علاوة على ذلك، ومن أجل تقليل التعقيد الفني لنشر نماذج الذكاء الاصطناعي، يوفر The Graph واجهة سهلة الاستخدام تعمل على تبسيط العملية بأكملها، مما يسمح للمطورين بتحميل نماذج الذكاء الاصطناعي الخاصة بهم وإدارتها بسهولة دون القلق بشأن صيانة البنية التحتية.

من أجل تحسين أداء النموذج بشكل أكبر في سيناريوهات تطبيق محددة، يدعم الرسم البياني أيضًا الضبط الدقيق للنموذج لمجموعات بيانات محددة. ولكن من المهم ملاحظة أن الضبط الدقيق لا يتم عادةً في The Graph. يحتاج المطورون إلى ضبط النماذج خارجيًا ثم نشرها باستخدام خدمة الاستدلال الخاصة بـ The Graph. لتشجيع المطورين على نشر النماذج المضبوطة بدقة للعامة، تعمل The Graph على تطوير حوافز مثل تخصيص رسوم الاستعلام بين منشئي النماذج والمفهرسين الذين يقدمون النماذج.

فيما يتعلق بالتحقق من تنفيذ مهام الاستدلال، يوفر الرسم البياني مجموعة متنوعة من الأساليب، مثل السلطة الموثوقة، وإجماع M-of-N، وإثبات الاحتيال التفاعلي و zk -SNARKs. كل من هذه الطرق الأربع لها مزاياها وعيوبها، من بينها أن السلطة الموثوقة تعتمد على كيانات موثوقة؛ ويتطلب إجماع M-of-N التحقق من مفهرسة متعددة، مما يزيد من صعوبة الغش ويزيد من تكاليف الحساب والتنسيق الأمني ​​التفاعلي أكثر قوة، ولكنها غير مناسبة للتطبيقات التي تتطلب استجابة سريعة، في حين أن zk-SNARKs أكثر تعقيدًا في التنفيذ الفني وغير مناسب للنماذج الكبيرة.

يعتقد الرسم البياني أنه يجب أن يكون للمطورين والمستخدمين الحق في اختيار مستوى الأمان المناسب بناءً على احتياجاتهم. ولذلك، يخطط The Graph لدعم طرق التحقق المتعددة في خدمة الاستدلال الخاصة به للتكيف مع متطلبات الأمان المختلفة وسيناريوهات التطبيق. على سبيل المثال، عندما يتعلق الأمر بمعاملات مالية أو منطق عمل مهم، قد يكون من الضروري استخدام طرق تحقق أمنية أعلى، مثل zk-SNARKs أو إجماع M-of-N. بالنسبة لبعض التطبيقات منخفضة المخاطر أو الموجهة للترفيه، يمكنك اختيار طرق تحقق أقل تكلفة وأسهل في التنفيذ، مثل السلطات الموثوقة أو إثباتات الاحتيال التفاعلية. بالإضافة إلى ذلك، يخطط The Graph لاستكشاف تقنيات تعزيز الخصوصية لتحسين مشكلات خصوصية النموذج والمستخدم.

خدمة الوكيل: تساعد المطورين على إنشاء تطبيقات مستقلة تعتمد على الذكاء الاصطناعي

مقارنة بخدمة الاستدلال تدير بشكل أساسي نموذج الذكاء الاصطناعي المُدرب للاستدلال. تعد خدمة الوكيل أكثر تعقيدًا وتتطلب مكونات متعددة للعمل معًا حتى يتمكن هؤلاء الوكلاء من تنفيذ سلسلة من المهام المعقدة والآلية. تتمثل القيمة المقترحة لخدمة Graph’s Agent Service في أن بناء الوكيل واستضافته وتنفيذه يتم دمجها جميعًا في The Graph ويتم تقديمها بواسطة شبكة من المفهرسين.

على وجه التحديد، سيوفر The Graph شبكة لا مركزية لدعم إنشاء الوكلاء واستضافتهم. عندما يتم نشر وكيل على شبكة Graph، سيوفر مفهرس Graph دعم التنفيذ اللازم، بما في ذلك فهرسة البيانات والاستجابة للأحداث على السلسلة والطلبات التفاعلية الأخرى.

p>

كما هو مذكور أعلاه، أطلق فريق التطوير الأساسي لـ The Graph Semiotic Labs منتجًا تجريبيًا مبكرًا للوكيل، والذي يجمع بين مجموعة برامج فهرسة The Graph والوظيفة الرئيسية لـ OpenAI هي لتحويل مدخلات اللغة الطبيعية إلى استعلامات SQL، مما يسمح للمستخدمين بالاستعلام مباشرة عن البيانات في الوقت الفعلي على blockchain وتقديم نتائج الاستعلام للمستخدمين في نموذج سهل الفهم. لفهم ذلك ببساطة، تركز Agentc على تزويد المستخدمين بتحليل مناسب لاتجاهات سوق العملات المشفرة والاستعلام عن بيانات المعاملات، وتأتي جميع بياناتها من Uniswap V2 وUniswap V3 وUniswap X وشوكاتها على Ethereum، ويتم تحديث الأسعار كل ساعة.

p>

بالإضافة إلى ذلك، ذكر The Graph أيضًا أن دقة نموذج LLM الذي يستخدمه The Graph هي 63.41% فقط، لذلك هناك مشكلة الاستجابات غير الصحيحة. لحل هذه المشكلة، يقوم The Graph بتطوير نموذج لغة كبير جديد يسمى KGLLM (نماذج اللغة الكبيرة التي تدعم الرسم البياني المعرفي).

يمكن لـ KGLLM أن تقلل بشكل كبير من احتمالية إنشاء معلومات خاطئة باستخدام بيانات الرسم البياني المعرفي المنظم التي توفرها Geo. يتم دعم كل مطالبة في نظام Geo بطوابع زمنية على السلسلة والتحقق من التصويت. بعد دمج الرسم البياني للمعرفة الخاص بـ Geo، يمكن تطبيق الوكلاء على مجموعة متنوعة من السيناريوهات، بما في ذلك اللوائح الطبية، والتنمية السياسية، وتحليل السوق، وما إلى ذلك، وبالتالي تحسين تنوع ودقة خدمات الوكلاء. على سبيل المثال، يمكن لـ KGLLM الاستفادة من البيانات السياسية لتقديم توصيات لتغيير السياسات للمنظمات اللامركزية المستقلة (DAOs)، مما يضمن أنها تستند إلى معلومات حديثة ودقيقة.

تتضمن مزايا KGLLM أيضًا ما يلي:

• الاستخدام المنظم البيانات: تستخدم KGLLM قاعدة معارف خارجية منظمة. يتم تصميم المعلومات بيانيًا في الرسم البياني المعرفي، مما يجعل العلاقة بين البيانات واضحة في لمحة، لذلك يصبح الاستعلام عن البيانات وفهمها أكثر سهولة.

• قدرات معالجة البيانات العلائقية: تعد KGLLM مناسبة بشكل خاص لمعالجة البيانات العلائقية. على سبيل المثال، يمكنها فهم العلاقة بين الأشخاص، والعلاقة بين الأشخاص والأحداث، وما إلى ذلك. ويستخدم خوارزمية اجتياز الرسم البياني للعثور على المعلومات ذات الصلة عن طريق القفز على عقد متعددة في الرسم البياني المعرفي (على غرار التحرك على الخريطة). بهذه الطريقة، يمكن لـ KGLLM العثور على المعلومات الأكثر صلة بالإجابة على السؤال؛

• استرجاع المعلومات وإنشاءها بشكل فعال

  قوي>: من خلال خوارزمية اجتياز الرسم البياني، يتم تحويل العلاقات المستخرجة بواسطة KGLLM إلى مطالبات يمكن للنموذج فهمها باللغة الطبيعية، ومن خلال هذه التعليمات الواضحة، يمكن لنموذج KGLLM إنشاء إجابات أكثر دقة وذات صلة.

Outlook

الرسم البياني كـ "Google of Web3" "، وذلك باستخدام مزاياها لتعويض مشكلة نقص البيانات في خدمات الذكاء الاصطناعي الحالية، وتبسيط عملية تطوير مشاريع المطورين من خلال تقديم خدمات الذكاء الاصطناعي. ومع تطوير المزيد من تطبيقات الذكاء الاصطناعي واستخدامها، من المتوقع أن تتحسن تجربة المستخدم بشكل أكبر. في المستقبل، سيواصل فريق تطوير Graph استكشاف إمكانية الجمع بين الذكاء الاصطناعي وWeb3. بالإضافة إلى ذلك، تعمل فرق أخرى في نظامها البيئي، مثل Playgrounds Analytics وDappLooker، أيضًا على تصميم حلول تتعلق بخدمات الوكيل.