سورا يظهر: هل سيكون عام 2024 عام ثورة الذكاء الاصطناعي والويب 3؟

المؤلف: زيكي، YBB Capital؛ الترجمة: 0xjs@金财经

مقدمة

في 16 فبراير، أعلنت OpenAI عن إطلاق أحدث جيل من مقاطع فيديو فنسنت يسمى "Sora" Diffusion تمثل النماذج، بقدرتها على إنشاء مقاطع فيديو عالية الجودة على مجموعة متنوعة من أنواع البيانات المرئية، علامة فارقة أخرى في الذكاء الاصطناعي التوليدي. على عكس أدوات إنشاء الفيديو المدعومة بالذكاء الاصطناعي مثل Pika التي تولد بضع ثوانٍ من الفيديو من صور متعددة، يتدرب Sora في المساحة الكامنة المضغوطة لمقاطع الفيديو والصور، ويحللها إلى بقع زمانية مكانية لإنشاء مقاطع فيديو قابلة للتطوير. بالإضافة إلى ذلك، يوضح النموذج القدرة على محاكاة العالمين المادي والرقمي، من خلال عرض توضيحي مدته 60 ثانية يوصف بأنه "محاكي عالمي للعالم المادي".

يواصل Sora مسار تقنية "مصدر البيانات - المحولات - الانتشار - الظهور" في نموذج GPT السابق، مما يشير إلى أن نضج تطويره يعتمد أيضًا على قوة الحوسبة. ونظرًا لأن التدريب عبر الفيديو يتطلب كمية أكبر من البيانات مقارنة بالنص، فمن المتوقع أن يزداد الطلب على القدرة الحاسوبية بشكل أكبر. ومع ذلك، كما تمت مناقشته في مقالتنا السابقة "توقعات الصناعة المحتملة: سوق طاقة الحوسبة اللامركزية"، تمت مناقشة أهمية قوة الحوسبة في عصر الذكاء الاصطناعي. ومع تزايد شعبية الذكاء الاصطناعي، ظهرت العديد من مشاريع الطاقة الحاسوبية. استفادت مشاريع DePIN (التخزين، والقدرة الحاسوبية، وما إلى ذلك)، وارتفعت قيمتها. بالإضافة إلى DePIN، تهدف هذه المقالة إلى تحديث وتحسين المناقشات السابقة، والتفكير في الشرارات المحتملة الناتجة عن تقاطع Web3 والذكاء الاصطناعي، والفرص المتاحة في هذا المسار في عصر الذكاء الاصطناعي.

ثلاثة جوانب للذكاء الاصطناعي الاتجاه العام للتنمية

الذكاء الاصطناعي هو علم وتكنولوجيا ناشئ مصمم لمحاكاة الذكاء البشري وتوسيعه وتعزيزه. منذ ولادته في الخمسينيات والستينيات من القرن الماضي، تطور الذكاء الاصطناعي لأكثر من نصف قرن وأصبح الآن تقنية رئيسية تقود التغييرات في الحياة الاجتماعية والصناعات المختلفة. في هذه العملية، أدى التطور المتشابك لاتجاهات البحث الرئيسية الثلاثة وهي الرمزية والاتصالية والسلوكية إلى إرساء الأساس للتطور السريع للذكاء الاصطناعي اليوم.

الرمزية

تعتقد الرمزية، المعروفة أيضًا باسم المنطق أو الاستدلال المبني على القواعد، أنه من الممكن محاكاة الذكاء البشري من خلال معالجة الرموز. يستخدم هذا الأسلوب الرموز لتمثيل ومعالجة الأشياء والمفاهيم وعلاقاتها ضمن مجال المشكلة، ويستخدم التفكير المنطقي لحل المشكلات. لقد حققت الرمزية نجاحا كبيرا، خاصة في الأنظمة الخبيرة وتمثيل المعرفة. الفكرة الأساسية للرمزية هي أن السلوك الذكي يمكن تحقيقه من خلال التلاعب والتفكير المنطقي للرموز، حيث تمثل الرموز تجريدات عالية المستوى للعالم الحقيقي.

الاتصالية

المعروف أيضًا باسم نهج الشبكة العصبية، ويهدف إلى تحقيق الذكاء من خلال تقليد بنية ووظيفة الدماغ البشري. تقوم الطريقة ببناء شبكات من العديد من وحدات المعالجة البسيطة (المشابهة للخلايا العصبية) وضبط قوة الاتصالات بين هذه الوحدات (على غرار المشابك العصبية) لتسهيل التعلم. تؤكد الوصلية على القدرة على التعلم والتعميم من البيانات، مما يجعلها مناسبة بشكل خاص للتعرف على الأنماط، والتصنيف، ومشاكل رسم خرائط المدخلات والمخرجات المستمرة. كتطور للاتصالية، حقق التعلم العميق اختراقات في مجالات مثل التعرف على الصور، والتعرف على الكلام، ومعالجة اللغة الطبيعية.

السلوكية

ترتبط السلوكية ارتباطًا وثيقًا بدراسة الروبوتات الإلكترونية والأنظمة الذكية المستقلة، مع التركيز على أن العناصر الذكية يمكنها التعلم من خلال التفاعل مع البيئة. على عكس الأولين، لا تركز السلوكية على محاكاة التمثيلات الداخلية أو عمليات التفكير، بل تحقق السلوك التكيفي من خلال دورات الإدراك والفعل. تعتقد المدرسة السلوكية أن الذكاء يتجلى من خلال التفاعل الديناميكي مع البيئة والتعلم، مما يجعله فعالا بشكل خاص للروبوتات المتنقلة وأنظمة التحكم التكيفية التي تعمل في بيئات معقدة وغير متوقعة.

على الرغم من وجود اختلافات جوهرية في اتجاهات البحث الثلاثة هذه، إلا أنها يمكن أن تتفاعل وتتكامل مع بعضها البعض في البحث الفعلي وتطبيق الذكاء الاصطناعي، وتعزز بشكل مشترك تطوير مجال الذكاء الاصطناعي.

مبادئ AIGC

يمثل مجال التطوير المتفجر لـ AIGC تطور وتطبيق الاتصالية، القادرة على توليد محتوى جديد عن طريق تقليد الإبداع البشري. يتم تدريب هذه النماذج باستخدام مجموعات بيانات كبيرة وخوارزميات التعلم العميق لمعرفة البنية الأساسية والعلاقات والأنماط في البيانات. بناءً على مطالبات المستخدم، يقومون بإنشاء مخرجات فريدة بما في ذلك الصور ومقاطع الفيديو والأكواد والموسيقى والتصميمات والترجمات والإجابات على الأسئلة والنصوص. في الوقت الحاضر، يتكون AIGC بشكل أساسي من ثلاثة عناصر: التعلم العميق والبيانات الضخمة وقدرة الحوسبة الهائلة.

التعلم العميق

التعلم العميق هو مجال فرعي من التعلم الآلي الذي يستخدم الخوارزميات التي تحاكي الشبكات العصبية للدماغ البشري. على سبيل المثال، يتكون الدماغ البشري من ملايين الخلايا العصبية المترابطة التي تعمل معًا لتعلم المعلومات ومعالجتها. وبالمثل، تتكون الشبكات العصبية للتعلم العميق (أو الشبكات العصبية الاصطناعية) من طبقات متعددة من الخلايا العصبية الاصطناعية التي تعمل معًا داخل الكمبيوتر. تستخدم هذه الخلايا العصبية الاصطناعية، التي تسمى العقد، الحسابات الرياضية لمعالجة البيانات. تستخدم الشبكات العصبية الاصطناعية هذه العقد لحل المشكلات المعقدة من خلال خوارزميات التعلم العميق.

تنقسم الشبكة العصبية إلى طبقات: طبقة الإدخال وطبقة الإدخال الطبقة المخفية وطبقة الإخراج، المعلمات التي تربط الطبقات المختلفة.

طبقة الإدخال: الطبقة الأولى من الشبكة العصبية مسؤولة عن تلقي بيانات الإدخال الخارجية. تتوافق كل خلية عصبية في طبقة الإدخال مع إحدى ميزات البيانات المدخلة. على سبيل المثال، عند معالجة بيانات الصورة، قد تتوافق كل خلية عصبية مع قيمة بكسل في الصورة.

الطبقة المخفية: تقوم طبقة الإدخال بمعالجة البيانات وتمريرها إلى الشبكة. تقوم هذه الطبقات المخفية بمعالجة المعلومات على مستويات مختلفة، وتعديل سلوكها عندما تتلقى معلومات جديدة. تحتوي شبكات التعلم العميق على مئات الطبقات المخفية ويمكنها تحليل المشكلات من وجهات نظر متعددة. على سبيل المثال، عند عرض صورة لحيوان غير معروف يحتاج إلى تصنيف، يمكنك مقارنته بحيوانات تعرفها بالفعل من خلال فحص شكل الأذن وعدد الأرجل وحجم حدقة العين وما إلى ذلك. تعمل الطبقات المخفية في الشبكات العصبية العميقة بطريقة مماثلة. إذا كانت خوارزمية التعلم العميق تحاول تصنيف صورة لحيوان، فستقوم كل طبقة مخفية بمعالجة سمة مختلفة للحيوان ومحاولة تصنيفها بدقة.

طبقة الإخراج: الطبقة الأخيرة من الشبكة العصبية، المسؤولة عن توليد مخرجات الشبكة. تمثل كل خلية عصبية في طبقة الإخراج فئة أو قيمة إخراج محتملة. على سبيل المثال، في مشكلة التصنيف، قد تتوافق كل خلية عصبية في طبقة الإخراج مع فئة ما، بينما في مشكلة الانحدار، قد تحتوي طبقة الإخراج على خلية عصبية واحدة فقط تمثل قيمتها نتيجة التنبؤ.

المعلمات: في الشبكات العصبية، يتم تمثيل الاتصالات بين الطبقات المختلفة بالأوزان والتحيزات، والتي يتم تحسينها أثناء التدريب لتمكين الشبكة من تحديد الميزات بدقة في أنماط البيانات و جعل التنبؤات. يمكن لزيادة المعلمات أن تعزز قدرة نموذج الشبكة العصبية، أي قدرتها على التعلم وتمثيل الأنماط المعقدة في البيانات. ومع ذلك، فإن هذا يزيد أيضًا من الطلب على الطاقة الحاسوبية.

البيانات الضخمة

من أجل التدريب الفعال، تتطلب الشبكات العصبية عادةً كميات كبيرة من البيانات المتنوعة وعالية الجودة ومتعددة المصادر. إنه يشكل الأساس للتدريب والتحقق من صحة نماذج التعلم الآلي. من خلال تحليل البيانات الضخمة، يمكن لنماذج التعلم الآلي أن تتعلم الأنماط والعلاقات في البيانات لإجراء تنبؤات أو تصنيفات.

قوة حوسبة هائلة

تحتوي الشبكات العصبية على هياكل معقدة متعددة الطبقات، ومعلمات عديدة، ومتطلبات معالجة البيانات الضخمة، وطرق تدريب متكررة (يحتاج النموذج إلى التكرار بشكل متكرر أثناء التدريب، بما في ذلك الواجهة الأمامية لكل طبقة) (بما في ذلك حساب وظيفة التنشيط، وحساب وظيفة الخسارة، وحساب التدرج وتحديث الوزن)، ومتطلبات الحساب عالية الدقة، وقدرات الحوسبة المتوازية، وتقنيات التحسين والتنظيم، وعمليات تقييم النموذج والتحقق أدت بشكل مشترك إلى تطوير قوة الحوسبة العالية.

< /p>

Sora

باعتباره أحدث نموذج للذكاء الاصطناعي لجيل الفيديو من OpenAI، يمثل Sora تقدمًا كبيرًا في قدرة الذكاء الاصطناعي على معالجة وفهم البيانات المرئية المتنوعة. من خلال استخدام شبكة ضغط الفيديو وتقنية التصحيح المكاني والزماني، يستطيع Sora تحويل كميات هائلة من البيانات المرئية التي تم التقاطها بواسطة أجهزة مختلفة حول العالم إلى تمثيل موحد، مما يتيح المعالجة الفعالة وفهم المحتوى المرئي المعقد. باستخدام نموذج النشر الشرطي للنص، يستطيع Sora إنشاء مقاطع فيديو أو صور تتطابق بشكل وثيق مع المطالبات النصية، مما يدل على درجة عالية من الإبداع والقدرة على التكيف.

ومع ذلك، على الرغم من اختراقات Sora في توليد الفيديو ومحاكاة التفاعلات في العالم الحقيقي، فإنه لا يزال يواجه بعض القيود، بما في ذلك دقة محاكاة العالم المادي، واتساق إنشاء مقاطع فيديو طويلة، والقدرة على فهم النص المعقد التعليمات والتدريب وكفاءة التوليد. في جوهر الأمر، يستخدم Sora قوة الحوسبة الاحتكارية لـ OpenAI وميزة المحرك الأول لمواصلة مسار التكنولوجيا القديم المتمثل في "ظهور البيانات الضخمة - محولات - الانتشار -" وتحقيق جمالية القوة الغاشمة. لا تزال شركات الذكاء الاصطناعي الأخرى لديها القدرة على التفوق من خلال الابتكار التكنولوجي.

على الرغم من أن Sora لا علاقة له بـ blockchain، أعتقد أنه في العام أو العامين المقبلين، وبسبب تأثير Sora، ستظهر أدوات أخرى عالية الجودة لإنشاء الذكاء الاصطناعي وتتطور بسرعة، مما يؤثر على مجالات Web3 المختلفة مثل مثل GameFi، ومنصة اجتماعية، ومنصة إبداعية، وDepin، وما إلى ذلك. لذلك، من الضروري أن يكون لديك فهم عام لـ Sora، وتعتبر كيفية الجمع بين الذكاء الاصطناعي وWeb3 بشكل فعال في المستقبل أحد الاعتبارات الرئيسية.

أربع طرق لتكامل الذكاء الاصطناعي مع Web3

كما ناقشنا سابقًا، يمكننا أن نفهم أن العناصر الأساسية المطلوبة للذكاء الاصطناعي التوليدي هي في الأساس ثلاثية الأبعاد: الخوارزمية والبيانات وقوة الحوسبة. ومن ناحية أخرى، ونظراً لانتشاره وتأثيراته على الإنتاج، فإن الذكاء الاصطناعي هو أداة من شأنها أن تحدث ثورة في أساليب الإنتاج. وفي الوقت نفسه، فإن التأثير الأكبر لـ blockchain ذو شقين: إعادة تنظيم علاقات الإنتاج واللامركزية.

لذلك، أعتقد أن تصادم هاتين التقنيتين يمكن أن ينتج المسارات الأربعة التالية:

قوة الحوسبة اللامركزية

كما ذكرنا أعلاه، تم تصميم هذا القسم للتحديث حالة مشهد الطاقة الحاسوبية. عندما يتعلق الأمر بالذكاء الاصطناعي، فإن قوة الحوسبة تعد جانبًا لا غنى عنه. لقد أدى ظهور Sora إلى تسليط الضوء على الطلب الذي لم يكن من الممكن تصوره سابقًا على قوة الحوسبة من الذكاء الاصطناعي. في الآونة الأخيرة، خلال المنتدى الاقتصادي العالمي لعام 2024 في دافوس بسويسرا، صرح سام ألتمان، الرئيس التنفيذي لشركة OpenAI، علنًا أن قوة الحوسبة والطاقة تمثل أكبر القيود الحالية، مما يشير إلى أن أهميتها المستقبلية قد تكون مساوية للعملة. وفي وقت لاحق، في العاشر من فبراير/شباط، أعلن سام ألتمان عن خطة صادمة على تويتر لجمع 7 تريليون دولار أمريكي (أي ما يعادل 40% من الناتج المحلي الإجمالي للصين في عام 2023) لإصلاح صناعة أشباه الموصلات العالمية الحالية بشكل كامل. وبناء إمبراطورية أشباه الموصلات. كانت أفكاري السابقة حول قوة الحوسبة مقتصرة على عمليات الإغلاق الوطنية واحتكارات الشركات؛ وفكرة رغبة شركة واحدة في السيطرة على صناعة أشباه الموصلات العالمية هي فكرة مجنونة حقا.

لذلك، فإن أهمية قوة الحوسبة اللامركزية أمر بديهي. يمكن لخصائص blockchain أن تحل بالفعل المشكلة الحالية المتمثلة في الاحتكار الشديد لقوة الحوسبة والتكاليف الباهظة المرتبطة بالحصول على وحدات معالجة الرسومات المخصصة. من منظور متطلبات الذكاء الاصطناعي، يمكن تقسيم استخدام القوة الحاسوبية إلى اتجاهين: التفكير والتدريب. لا يزال هناك عدد قليل جدًا من المشاريع التي تركز على التدريب، لأن الشبكات اللامركزية تتطلب تصميمًا متكاملًا للشبكات العصبية، وهو ما يتطلب متطلبات عالية للغاية من الأجهزة، وهو اتجاه ذو عتبة عالية وصعب التنفيذ. وبالمقارنة، فإن المنطق بسيط نسبيًا، لأن تصميم الشبكة اللامركزية ليس بهذا التعقيد، وله متطلبات أقل من الأجهزة وعرض النطاق الترددي، وهو اتجاه أكثر انتشارًا.

يتمتع سوق طاقة الحوسبة المركزية بخيال واسع وغالبًا ما يرتبط بالكلمة الرئيسية "مستوى تريليون"، وهو أيضًا الموضوع الأكثر إثارة للاهتمام في عصر الذكاء الاصطناعي. ومع ذلك، وبالنظر إلى المشاريع العديدة التي ظهرت مؤخرًا، يبدو أن معظمها عبارة عن محاولات غير مدروسة للاستفادة من الاتجاهات السائدة. غالبًا ما يرفعون علم اللامركزية ولكنهم يتجنبون مناقشة أوجه القصور في الشبكات اللامركزية. بالإضافة إلى ذلك، فإن درجة تجانس التصميم عالية جدًا، والعديد من المشاريع متشابهة جدًا (نقرة واحدة L2 بالإضافة إلى تصميم التعدين)، مما قد يؤدي في النهاية إلى الفشل ويجعل من الصعب احتلال مكان في مسابقات الذكاء الاصطناعي التقليدية.

الخوارزمية والنظام التعاوني النموذجي

خوارزميات التعلم الآلي هي تلك التي يمكنها تعلم الأنماط والقواعد من البيانات وإجراء تنبؤات أو قرارات بناءً عليها. تعتمد الخوارزميات على التكنولوجيا بكثافة لأن تصميمها وتحسينها يتطلب خبرة عميقة وابتكارًا تكنولوجيًا. تقع الخوارزميات في صميم تدريب نماذج الذكاء الاصطناعي وتحدد كيفية تحويل البيانات إلى رؤى أو قرارات مفيدة. تتضمن خوارزميات الذكاء الاصطناعي التوليدية الشائعة شبكات الخصومة التوليدية (GAN)، وأجهزة التشفير التلقائي المتغيرة (VAE)، والمحولات، كل منها مصمم لمجال معين (مثل الرسم، أو التعرف على اللغة، أو الترجمة، أو إنشاء الفيديو) أو غرض معين، والذي يتم استخدامه بعد ذلك لتدريب نماذج الذكاء الاصطناعي المتخصصة.

لذلك، مع وجود العديد من الخوارزميات والنماذج، ولكل منها مزاياه الخاصة، هل من الممكن دمجها في نموذج عالمي؟ Bittensor هو مشروع حظي باهتمام كبير مؤخرًا، ويقود هذا الاتجاه من خلال تحفيز نماذج وخوارزميات الذكاء الاصطناعي المختلفة للتعاون والتعلم من بعضها البعض لإنشاء نماذج ذكاء اصطناعي أكثر كفاءة وقدرة. تشمل المشاريع الأخرى التي تركز على هذا الاتجاه Commune AI (التعاون البرمجي)، لكن الخوارزميات والنماذج سرية للغاية بالنسبة لشركات الذكاء الاصطناعي ولا يمكن مشاركتها بسهولة.

لذلك فإن سرد النظام البيئي التعاوني للذكاء الاصطناعي يعد جديدًا ومثيرًا للاهتمام. تستخدم النظم البيئية التعاونية مزايا تقنية blockchain لدمج عيوب خوارزميات الذكاء الاصطناعي المعزولة، ولكن يبقى أن نرى ما إذا كان بإمكانها إنشاء قيمة مقابلة. بعد كل شيء، تتمتع شركات الذكاء الاصطناعي الرائدة التي تمتلك خوارزميات ونماذج مستقلة بقدرات قوية على التحديث والتكرار والتكامل. على سبيل المثال، انتقلت OpenAI من نموذج توليدي نصي مبكر إلى نموذج توليدي متعدد المجالات في أقل من عامين. قد تحتاج مشاريع مثل Bittensor إلى استكشاف مسارات جديدة في المناطق المستهدفة للنموذج والخوارزمية.

البيانات الضخمة اللامركزية

من منظور بسيط، يعد استخدام البيانات الخاصة لتغذية الذكاء الاصطناعي والتعليق على البيانات اتجاهًا يتوافق تمامًا مع تقنية blockchain. وتتمثل الاعتبارات الرئيسية في كيفية منع البريد العشوائي والسلوك الخبيث. بالإضافة إلى ذلك، يمكن أن يفيد تخزين البيانات مشاريع DePIN مثل FIL وAR. من منظور أكثر تطورًا، يعد استخدام بيانات blockchain للتعلم الآلي لمعالجة إمكانية الوصول إلى بيانات blockchain اتجاهًا آخر مثيرًا للاهتمام (أحد استكشافات الجيزة).

من الناحية النظرية، يمكن الوصول إلى بيانات blockchain في أي وقت وتعكس حالة blockchain بأكملها. ومع ذلك، فإن الوصول إلى هذه الكمية الهائلة من البيانات ليس بالأمر السهل بالنسبة لأولئك الذين هم خارج النظام البيئي لتقنية blockchain. يتطلب تخزين blockchain بأكمله خبرة واسعة وكميات كبيرة من موارد الأجهزة المتخصصة. للتغلب على تحديات الوصول إلى بيانات blockchain، ظهرت العديد من الحلول داخل الصناعة. على سبيل المثال، يلعب موفرو RPC دورًا حاسمًا في حل هذه المشكلة من خلال توفير الوصول إلى العقدة عبر واجهات برمجة التطبيقات، كما تتيح خدمات الفهرسة استرداد البيانات عبر SQL وGraphQL. ومع ذلك، هذه الأساليب لها حدودها. خدمات RPC غير مناسبة لحالات الاستخدام عالية الكثافة التي تتطلب كميات كبيرة من استعلامات البيانات، وغالبًا ما لا يمكنها تلبية الطلب. وفي الوقت نفسه، على الرغم من أن خدمات الفهرسة توفر طريقة أكثر تنظيمًا لاسترداد البيانات، فإن تعقيد بروتوكول Web3 يجعل من الصعب للغاية إنشاء استعلامات فعالة، مما يتطلب أحيانًا مئات أو حتى آلاف الأسطر من التعليمات البرمجية المعقدة. يمثل هذا التعقيد عقبة كبيرة أمام ممارسي البيانات العامة وذوي المعرفة المحدودة بتفاصيل Web3. يسلط التأثير التراكمي لهذه القيود الضوء على الحاجة إلى طريقة أكثر سهولة وقابلية للاستغلال للحصول على بيانات blockchain واستخدامها، والتي يمكن أن تسهل الاعتماد والابتكار على نطاق أوسع في هذا المجال.

لذلك، فإن الجمع بين ZKML (التعلم الآلي الذي لا يعتمد على المعرفة صفر، وتخفيف عبء التعلم الآلي على السلسلة) مع بيانات blockchain عالية الجودة قد يؤدي إلى إنشاء بيانات تعالج إمكانية الوصول إلى مجموعة بيانات blockchain. يمكن للذكاء الاصطناعي أن يقلل بشكل كبير من العوائق التي تحول دون الوصول إلى بيانات blockchain. وبمرور الوقت، سيتمكن المطورون والباحثون وعشاق التعلم الآلي من الوصول إلى المزيد من مجموعات البيانات عالية الجودة وذات الصلة لبناء حلول فعالة ومبتكرة.

تمكين الذكاء الاصطناعي اللامركزي

منذ ظهور ChatGPT3 في عام 2023، أصبح تمكين الذكاء الاصطناعي اللامركزي اتجاهًا شائعًا للغاية. يمكن دمج الذكاء الاصطناعي التوليدي القابل للتطبيق على نطاق واسع عبر واجهات برمجة التطبيقات لتبسيط وذكاء منصات البيانات وروبوتات التداول وموسوعات blockchain والتطبيقات الأخرى. من ناحية أخرى، يمكنه أيضًا العمل كروبوت دردشة (مثل Myshell) أو رفيق ذكاء اصطناعي (Sleepless AI)، أو حتى استخدام الذكاء الاصطناعي التوليدي لإنشاء شخصيات غير قابلة للعب (NPCs) في ألعاب blockchain. ومع ذلك، نظرًا لانخفاض الحد الفني، فإن معظمها مجرد تعديلات بعد دمج واجهة برمجة التطبيقات (API)، والتكامل مع المشروع نفسه ليس مثاليًا، لذلك نادرًا ما يتم ذكرها.

ولكن مع وصول Sora، أعتقد شخصيًا أن تمكين الذكاء الاصطناعي لـ GameFi (بما في ذلك Metaverse) والمنصات الإبداعية سيكون محور التركيز في المستقبل. نظرًا للطبيعة التصاعدية لمساحة Web3، فمن غير المرجح أن يتم إنتاج منتج يمكنه التنافس مع شركات الألعاب التقليدية أو الشركات الإبداعية. ومع ذلك، فإن ظهور سورا قد يكسر هذا الجمود (ربما في غضون عامين إلى ثلاثة أعوام فقط). انطلاقًا من العرض التوضيحي الذي قدمه سورا، فإن لديه القدرة على التنافس مع شركات الدراما القصيرة. ومن الممكن أيضاً أن تولد ثقافة المجتمع النشطة في Web3 عدداً كبيراً من الأفكار المثيرة للاهتمام. وعندما يكون الخيال هو الحد الوحيد، فسوف يتم كسر الحواجز بين الصناعات من أسفل إلى أعلى والصناعات التقليدية من أعلى إلى أسفل.

الخلاصة

مع التطوير المستمر لأدوات الذكاء الاصطناعي التوليدي، سنشهد المزيد من "لحظات iPhone" الرائعة في المستقبل. على الرغم من وجود شكوك حول تكامل الذكاء الاصطناعي مع Web3، أعتقد أن الاتجاه الحالي هو الاتجاه الصحيح بشكل أساسي ويحتاج فقط إلى معالجة ثلاث نقاط ضعف رئيسية: الضرورة والكفاءة والملاءمة. على الرغم من أن التكامل بين الاثنين لا يزال في المرحلة الاستكشافية، إلا أنه لا يمنع هذا المسار من أن يصبح الاتجاه السائد في السوق الصاعدة القادمة.

إن الحفاظ على ما يكفي من الفضول والموقف المنفتح تجاه الأشياء الجديدة هو عقليتنا الأساسية. تاريخيًا، تم حل مشكلة الانتقال من العربات التي تجرها الخيول إلى السيارات على الفور، كما تظهر النقوش والرموز NFT السابقة. إن التمسك بالكثير من التحيزات لن يؤدي إلا إلى ضياع الفرص.