ولد سورا، هل يمكن أن يكون عام 2024 هو العام الأول لثورة الذكاء الاصطناعي والويب 3؟

المؤلف: YBB Capital Zeke

المقدمة

في 16 فبراير، أعلنت شركة OpenAI عن أحدث نموذج لنشر إنشاء الفيديو الذي يتم التحكم فيه بالنص "Sora"، والذي أظهر لحظة بارزة أخرى في الذكاء الاصطناعي التوليدي من خلال العديد من مقاطع الفيديو المولدة عالية الجودة والتي تغطي مجموعة واسعة من أنواع البيانات المرئية. على عكس أدوات إنشاء فيديو الذكاء الاصطناعي مثل Pika، التي لا تزال في حالة إنشاء بضع ثوانٍ من الفيديو من صور متعددة، يحقق Sora إنشاء فيديو قابلاً للتطوير من خلال التدريب في المساحة الكامنة المضغوطة لمقاطع الفيديو والصور، وتحللها إلى بقع موضعية زمانية مكانية. . بالإضافة إلى ذلك، يعكس النموذج أيضًا القدرة على محاكاة العالم المادي والعالم الرقمي، وليس من قبيل المبالغة القول إن العرض التجريبي الذي مدته 60 ثانية والذي تم تقديمه أخيرًا هو "محاكاة عالمية للعالم المادي".

فيما يتعلق بطريقة البناء، يواصل Sora نموذج GPT السابق "بيانات المصدر- المسار التكنولوجي لـ "المحول-الانتشار-النشوء" يعني أن تطوره الناضج يتطلب أيضًا قوة حاسوبية كمحرك، وبما أن كمية البيانات المطلوبة للتدريب عبر الفيديو أكبر بكثير من كمية البيانات المطلوبة للتدريب على النصوص، فإن الطلب على ستزداد قوة الحوسبة. ومع ذلك، فقد ناقشنا بالفعل أهمية قوة الحوسبة في عصر الذكاء الاصطناعي في مقالتنا السابقة "معاينة المسار المحتمل: سوق طاقة الحوسبة اللامركزية"، ومع الارتفاع الأخير في شعبية الذكاء الاصطناعي، هناك بالفعل عدد كبير بدأت مشاريع الطاقة الحاسوبية في الظهور في السوق، وشهدت مشاريع Depin الأخرى (التخزين، والقدرة الحاسوبية، وما إلى ذلك) التي استفادت بشكل سلبي أيضًا طفرة. لذا، بالإضافة إلى Depin، ما هي الشرارات الأخرى التي يمكن أن يخلقها تقاطع Web3 والذكاء الاصطناعي؟ ما هي الفرص الأخرى التي يحتويها هذا المسار؟ الغرض الرئيسي من هذه المقالة هو تحديث واستكمال المقالات السابقة، والتفكير في إمكانيات Web3 في عصر الذكاء الاصطناعي.

الاتجاهات الرئيسية الثلاثة لـ تاريخ تطور الذكاء الاصطناعي

الذكاء الاصطناعي هو مجال ناشئ يهدف إلى محاكاة وتوسيع و تعزيز الذكاء البشري العلوم والتكنولوجيا. منذ ولادته في الخمسينيات والستينيات من القرن الماضي، شهد الذكاء الاصطناعي أكثر من نصف قرن من التطور وأصبح الآن تقنية مهمة تعزز التغييرات في الحياة الاجتماعية وجميع مناحي الحياة. في هذه العملية، أصبح التطوير المتشابك لاتجاهات البحث الرئيسية الثلاثة وهي الرمزية والاتصالية والسلوكية حجر الزاوية في التطور السريع للذكاء الاصطناعي اليوم.

الرمزية

تُعرف أيضًا باسم المنطق أو الانتظام، ويُعتقد أنه من الممكن محاكاة الذكاء البشري عن طريق معالجة الرموز. تستخدم هذه الطريقة الرموز لتمثيل وتشغيل الأشياء والمفاهيم وعلاقاتها المتبادلة في مجال المشكلة، وتستخدم الاستدلال المنطقي لحل المشكلات، خاصة في النظم الخبيرة وتمثيل المعرفة، مما حقق إنجازات ملحوظة. الفكرة الأساسية للرمزية هي أنه يمكن تحقيق السلوك الذكي من خلال تشغيل الرموز والتفكير المنطقي، حيث تمثل الرموز درجة عالية من التجريد من العالم الحقيقي؛

الاتصالية

المعروفة أيضًا باسم طريقة الشبكة العصبية، وتهدف إلى تحقيق الذكاء من خلال تقليد بنية ووظيفة الدماغ البشري. تحقق هذه الطريقة التعلم من خلال بناء شبكة من العديد من وحدات المعالجة البسيطة (المشابهة للخلايا العصبية) وضبط قوة الاتصالات بين هذه الوحدات (المشابهة للمشابك العصبية). تؤكد الترابطية بشكل خاص على القدرة على التعلم والتعميم من البيانات، وهي مناسبة بشكل خاص للتعرف على الأنماط والتصنيف ومشاكل رسم خرائط المدخلات والمخرجات المستمرة. حقق التعلم العميق، باعتباره تطورًا للاتصالية، اختراقات في مجالات التعرف على الصور والتعرف على الكلام ومعالجة اللغة الطبيعية؛

السلوكية

السلوكية ترتبط ارتباطًا وثيقًا إلى أبحاث الروبوتات الإلكترونية والأنظمة الذكية المستقلة، مع التأكيد 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 تركز على تحقيق السلوك التكيفي من خلال دورات الإدراك والفعل. تعتقد المدرسة السلوكية أن الذكاء يظهر من خلال التفاعل الديناميكي والتعلم مع البيئة، وهذه الطريقة فعالة بشكل خاص عند تطبيقها على الروبوتات المتنقلة وأنظمة التحكم التكيفية التي تحتاج إلى العمل في بيئات معقدة وغير متوقعة.

على الرغم من وجود اختلافات جوهرية بين اتجاهات البحث الثلاثة هذه، إلا أنه في أبحاث الذكاء الاصطناعي الفعلية و التطبيقات، يمكنهم أيضًا التفاعل والتكامل لتعزيز تطوير مجال الذكاء الاصطناعي بشكل مشترك.

نظرة عامة على مبادئ AIGC

الذكاء الاصطناعي التوليدي (المحتوى الناتج عن الذكاء الاصطناعي، اختصارًا AIGC)، والذي يخضع حاليًا لتطور هائل، هو نوع من الاتصالية التي تم تطويرها وتطبيقها ، AIGC قادر على تقليد الإبداع البشري لإنشاء محتوى جديد. يتم تدريب هذه النماذج باستخدام مجموعات بيانات كبيرة وخوارزميات التعلم العميق لمعرفة الهياكل الأساسية والعلاقات والأنماط الموجودة في البيانات. قم بإنشاء مخرجات جديدة وفريدة من نوعها بناءً على مطالبات إدخال المستخدم، بما في ذلك الصور ومقاطع الفيديو والتعليمات البرمجية والموسيقى والتصميمات والترجمات وإجابات الأسئلة والنص. يتكون AIGC الحالي بشكل أساسي من ثلاثة عناصر: التعلم العميق (DL)، والبيانات الضخمة، وقدرة الحوسبة واسعة النطاق.

التعلم العميق

التعلم العميق هو مجال فرعي من التعلم الآلي (ML). خوارزميات التعلم العميق هي شبكات عصبية تم تصميمها على غرار الدماغ البشري. على سبيل المثال، يحتوي الدماغ البشري على 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. الخلايا العصبية الاصطناعية هي وحدات برمجية تسمى العقد التي تستخدم الحسابات الرياضية لمعالجة البيانات. الشبكات العصبية الاصطناعية هي خوارزميات التعلم العميق التي تستخدم هذه العقد لحل المشكلات المعقدة.

يمكن تقسيم الشبكات العصبية إلى طبقات الإدخال بشكل هرمي، والطبقة المخفية، وطبقة الإخراج، والمعلمات المتصلة بين الطبقات المختلفة.

• < strong>طبقة الإدخال: طبقة الإدخال هي الطبقة الأولى من الشبكة العصبية وهي 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 طبقات أخرى في الشبكة العصبية. تقوم هذه الطبقات المخفية بمعالجة المعلومات على مستويات مختلفة، وتعديل سلوكها عندما تتلقى معلومات جديدة. تحتوي شبكات التعلم العميق على مئات الطبقات المخفية ويمكن استخدامها لتحليل المشكلات من وجهات نظر مختلفة. على سبيل المثال، إذا تم إعطاؤك صورة لحيوان غير معروف ويجب عليك تصنيفه، فيمكنك مقارنتها بالحيوانات التي تعرفها بالفعل. على سبيل المثال، يمكنك معرفة نوع هذا الحيوان من خلال شكل أذنيه وعدد أرجله وحجم بؤبؤ العين. تعمل الطبقات المخفية في الشبكات العصبية العميقة بنفس الطريقة. إذا حاولت خوارزمية التعلم العميق تصنيف صورة لحيوان، فإن كل طبقة من طبقاتها المخفية تعالج خصائص مختلفة للحيوان وتحاول تصنيفها بدقة؛

• طبقة الإخراج: طبقة الإخراج هي الطبقة الأخيرة من الشبكة العصبية وهي مسؤولة عن إنشاء 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 ومن خلال معلمات الأوزان والتحيزات، يتم تحسين هذه المعلمات أثناء التدريب لتمكين الشبكة من تحديد الأنماط في البيانات بدقة وإجراء التنبؤات. يمكن أن تؤدي الزيادة في المعلمات إلى تحسين القدرة النموذجية للشبكة العصبية، أي قدرة النموذج على التعلم وتمثيل الأنماط المعقدة في البيانات. ولكن في المقابل، فإن الزيادة في المعلمات ستؤدي إلى زيادة الطلب على الطاقة الحاسوبية.

البيانات الضخمة

لكي يتم تدريبها بشكل فعال، تتطلب الشبكات العصبية عادةً كميات كبيرة من العناصر المتنوعة وعالية الجودة والمتعددة. مصدر معلومات. إنه الأساس للتدريب على نموذج التعلم الآلي والتحقق من صحته. من خلال تحليل البيانات الضخمة، يمكن لنماذج التعلم الآلي أن تتعلم الأنماط والعلاقات في البيانات لإجراء تنبؤات أو تصنيفات.

قوة حوسبة واسعة النطاق

البنية المعقدة متعددة الطبقات للشبكة العصبية، وعدد كبير من المعلمات، ومتطلبات معالجة البيانات الضخمة، وطرق التدريب التكرارية ( في مرحلة التدريب، يحتاج النموذج إلى التكرار بشكل متكرر، وتتطلب عملية التدريب الانتشار الأمامي والانتشار الخلفي لكل حساب طبقة، بما في ذلك حساب وظيفة التنشيط، وحساب وظيفة الخسارة، وحساب التدرج وتحديث الوزن)، ودقة عالية متطلبات الحوسبة، وقدرات الحوسبة المتوازية، والتحسين والجمع بين تقنيات التنظيم وتقييم النماذج وعمليات التحقق من صحتها يؤدي إلى حاجتها إلى قوة حوسبة عالية.

سورا< /h4>

باعتباره أحدث نموذج للذكاء الاصطناعي لجيل الفيديو تم إصداره بواسطة OpenAI، يمثل Sora تقدمًا هائلاً في قدرة الذكاء الاصطناعي على معالجة وفهم البيانات المرئية المتنوعة. باستخدام شبكة ضغط الفيديو وتقنية التصحيح المكاني والزماني، يستطيع Sora تحويل البيانات المرئية الضخمة التي تم التقاطها بواسطة أجهزة مختلفة من جميع أنحاء العالم إلى تمثيل موحد، وبالتالي تحقيق معالجة وفهم فعالين للمحتوى المرئي المعقد. بالاعتماد على نموذج الانتشار المشروط بالنص، يمكن لـ Sora إنشاء مقاطع فيديو أو صور متطابقة للغاية بناءً على المطالبات النصية، مما يُظهر إبداعًا عاليًا للغاية وقدرة على التكيف.

لكن على الرغم من اختراق سورا في توليد الفيديو ومحاكاة التفاعلات في العالم الحقيقي، إلا أنه لا تزال تواجه بعض القيود، بما في ذلك دقة محاكاة العالم المادي، واتساق إنشاء مقاطع فيديو طويلة، وفهم تعليمات النص المعقدة، وكفاءة التدريب والتوليد. ويحقق Sora بشكل أساسي جمالية عنيفة من خلال قوة الحوسبة الاحتكارية لشركة OpenAI وميزة المتحرك الأول، مع الاستمرار في مسار التكنولوجيا القديم المتمثل في "ظهور البيانات الضخمة - المحولات - الانتشار"، في حين لا تزال شركات الذكاء الاصطناعي الأخرى لديها طرق التفافية تكنولوجية وإمكانية التجاوز.

على الرغم من أن علاقة Sora قليلة مع blockchain، إلا أنني شخصيًا أعتقد أنه بعد عام واحد أو سنتين. بسبب تأثير Sora، فإنه سيجبر أدوات توليد الذكاء الاصطناعي الأخرى عالية الجودة على الظهور والتطور بسرعة، وسوف تشع إلى العديد من المسارات مثل GameFi والشبكات الاجتماعية ومنصات الإنشاء وDepin في Web3، لذلك من الضروري أن يكون لديك نظرة عامة فهم سورا: قد تكون كيفية دمج الذكاء الاصطناعي بشكل فعال مع Web3 في المستقبل نقطة أساسية نحتاج إلى التفكير فيها.

أربعة مسارات رئيسية لـ AI x Web3

قوة الحوسبة اللامركزية

نظرًا لأنه تمت كتابة المقالات ذات الصلة في في الماضي، الغرض الرئيسي من هذه المقالة هو تحديث الوضع الحالي لمسار طاقة الحوسبة. عندما يتعلق الأمر بالذكاء الاصطناعي، فإن قوة الحوسبة تعد دائمًا عاملاً لا مفر منه. إن طلب الذكاء الاصطناعي على القوة الحاسوبية كبير جدًا لدرجة أنه لم يكن من الممكن تصوره بعد ولادة سورا. في الآونة الأخيرة، خلال المنتدى الاقتصادي العالمي لعام 2024 في دافوس بسويسرا، صرح سام ألتمان، الرئيس التنفيذي لشركة OpenAI، بصراحة أن قوة الحوسبة والطاقة هما أكبر الأغلال في هذه المرحلة، وأن أهميتهما في المستقبل ستكون مساوية للعملة. في العاشر من فبراير/شباط، أعلن سام ألتمان على تويتر عن خطة مذهلة للغاية لجمع 7 تريليون دولار أمريكي (أي ما يعادل 40% من الناتج المحلي الإجمالي الوطني للصين في 23 عاما) لإعادة كتابة النمط العالمي الحالي لصناعة أشباه الموصلات. وإنشاء إمبراطورية الرقائق. عندما كنت أكتب مقالات تتعلق بقوة الحوسبة، كان مخيلتي لا تزال مقتصرة على الحصارات الوطنية والاحتكارات العملاقة. وفي أيامنا هذه، أصبح من الجنون حقاً أن ترغب شركة واحدة في السيطرة على صناعة أشباه الموصلات العالمية.

لذا فإن أهمية قوة الحوسبة اللامركزية أمر بديهي بشكل طبيعي. يمكن لتقنية blockchain بالفعل أن تحل المشكلة الحالية المتمثلة في الاحتكار الشديد لقوة الحوسبة والشراء الباهظ الثمن لوحدات معالجة الرسوميات المخصصة. من منظور احتياجات الذكاء الاصطناعي، يمكن تقسيم استخدام القوة الحاسوبية إلى اتجاهين: الاستدلال والتدريب، ولا يوجد حاليًا سوى عدد قليل من المشاريع التي تركز على التدريب، بدءًا من الحاجة إلى الشبكات اللامركزية إلى دمجها مع تصميم الشبكات العصبية، إلى الحاجة بالنسبة للأجهزة الفائقة، من المتوقع أن يكون الطلب المرتفع اتجاهًا ذو عتبة عالية للغاية ويصعب تنفيذه للغاية. السبب بسيط نسبيًا، فمن ناحية، تصميم الشبكة اللامركزية ليس معقدًا، ومن ناحية أخرى، متطلبات الأجهزة وعرض النطاق الترددي منخفضة، وهو ما يعتبر اتجاهًا سائدًا نسبيًا في الوقت الحاضر.

مساحة الخيال في سوق طاقة الحوسبة المركزية ضخمة، والتي غالبًا ما تتم مقارنتها مع "عشرة آلاف"، تعد الكلمة الرئيسية "مستوى المليار" أيضًا الموضوع الأكثر إثارة للاهتمام في عصر الذكاء الاصطناعي. ومع ذلك، انطلاقا من العدد الكبير من المشاريع التي ظهرت مؤخرا، فإن معظمها لا يزال يندفع إلى الرفوف لاكتساب الشعبية. نرفع دائمًا راية اللامركزية الصحيحة عالياً، ولكننا نلتزم الصمت بشأن عدم كفاءة الشبكات اللامركزية. علاوة على ذلك، هناك درجة عالية من التجانس في التصميم، وعدد كبير من المشاريع متشابهة جدًا (نقرة واحدة L2 بالإضافة إلى تصميم التعدين)، مما قد يؤدي في النهاية إلى موقف يصعب فيه الحصول على حصة من الذكاء الاصطناعي التقليدي مسار.

الخوارزمية ونظام التعاون النموذجي

تعني خوارزميات التعلم الآلي أن هذه الخوارزميات يمكنها تعلم القواعد والأنماط من البيانات وإجراء تنبؤات أو قرارات بناءً عليها. تعتمد الخوارزميات على التكنولوجيا بكثافة لأن تصميمها وتحسينها يتطلب خبرة عميقة وابتكارًا تكنولوجيًا. تعد الخوارزميات جوهر تدريب نماذج الذكاء الاصطناعي وتحدد كيفية تحويل البيانات إلى رؤى أو قرارات مفيدة. تم تصميم خوارزميات الذكاء الاصطناعي التوليدية الأكثر شيوعًا، مثل شبكة الخصومة التوليدية (GAN)، ووحدة التشفير التلقائي المتغيرة (VAE)، والمحولات (Transformer) لمجال معين (مثل الرسم والتعرف على اللغة والترجمة وتوليد الفيديو).) أو بمعنى آخر يتم إنشاؤه بناءً على الغرض، ثم يتم تدريب نموذج الذكاء الاصطناعي المخصص من خلال الخوارزمية.

هناك الكثير من الخوارزميات والنماذج، ولكل منها مزاياها الخاصة. هل يمكننا ذلك؟ دمجها في نموذج يمكن أن يكون مدنيًا وعسكريًا؟ وتُعد شركة Bittensor، التي اكتسبت شعبية كبيرة مؤخرًا، رائدة في هذا الاتجاه. فهي تستخدم حوافز التعدين للسماح لنماذج وخوارزميات الذكاء الاصطناعي المختلفة بالتعاون والتعلم من بعضها البعض، وبالتالي إنشاء نماذج ذكاء اصطناعي أكثر كفاءة وتنوعًا. تركز أيضًا على هذا الاتجاه Commune AI (التعاون البرمجي)، وما إلى ذلك. ومع ذلك، بالنسبة لشركات الذكاء الاصطناعي الحالية، تعد الخوارزميات والنماذج بمثابة أسلحة سحرية خاصة بها ولن يتم استعارتها حسب الرغبة.

لذا فإن سرد النظام البيئي التعاوني للذكاء الاصطناعي جديد ومثير للاهتمام للغاية، كما أن التعاون يستفيد النظام البيئي من مزايا blockchain التي يمكن استخدامها لدمج عيوب صوامع خوارزمية الذكاء الاصطناعي، ولكن لا يزال من غير الواضح ما إذا كان من الممكن إنشاء قيمة مقابلة. بعد كل شيء، تتمتع الخوارزميات والنماذج مغلقة المصدر لشركات الذكاء الاصطناعي الرائدة بقدرة قوية جدًا على التحديث والتكرار والتكامل، على سبيل المثال، تطورت OpenAI في أقل من عامين وتكررت من نماذج إنشاء النصوص المبكرة إلى النماذج التي تم إنشاؤها في مجالات متعددة. لقد حققت مشاريع مثل Bittensor تقدمًا كبيرًا في النماذج والخوارزميات، وقد تتطلب المناطق المستهدفة أساليب جديدة.

البيانات الضخمة اللامركزية

من منظور بسيط، فإن استخدام البيانات الخاصة لتغذية الذكاء الاصطناعي وتصنيف البيانات يتوافق تمامًا مع blockchain. في هذا الاتجاه، ما عليك سوى الدفع الاهتمام بكيفية منع البيانات غير المرغوب فيها والأفعال الشريرة، وتخزين البيانات يمكن أن يفيد أيضًا مشاريع Depin مثل FIL وAR. من منظور معقد، يعد استخدام بيانات blockchain للتعلم الآلي (ML) لحل إمكانية الوصول إلى بيانات blockchain أيضًا اتجاهًا مثيرًا للاهتمام (أحد اتجاهات الاستكشاف في الجيزة).

من الناحية النظرية، يمكن الوصول إلى بيانات blockchain في أي وقت، مما يعكس إجمالي حالة blockchain. ولكن بالنسبة لأولئك الذين هم خارج النظام البيئي للبلوكتشين، فإن الوصول إلى هذه الكميات الهائلة من البيانات ليس بالأمر السهل. يتطلب تخزين blockchain بالكامل خبرة واسعة وكمية كبيرة من موارد الأجهزة المخصصة. للتغلب على تحديات الوصول إلى بيانات blockchain، ظهرت العديد من الحلول في الصناعة. على سبيل المثال، يصل موفرو RPC إلى العقد من خلال واجهات برمجة التطبيقات، بينما تجعل خدمات الفهرسة استخراج البيانات ممكنًا من خلال SQL وGraphQL، وكلاهما يلعب دورًا رئيسيًا في حل المشكلة. ومع ذلك، هذه الأساليب لها قيود. خدمات RPC غير مناسبة لسيناريوهات الاستخدام عالي الكثافة التي تتطلب كميات كبيرة من استعلام البيانات، وغالبًا ما تفشل في تلبية الطلب. في الوقت نفسه، على الرغم من أن خدمة الفهرسة توفر طريقة أكثر تنظيمًا لاستعادة البيانات، إلا أن تعقيد بروتوكول Web3 يجعل من الصعب للغاية إنشاء استعلامات فعالة، مما يتطلب أحيانًا كتابة مئات أو حتى آلاف الأسطر من التعليمات البرمجية المعقدة. يمثل هذا التعقيد عائقًا كبيرًا أمام ممارسي البيانات العامة وأولئك الذين لا يفهمون تفاصيل Web3 بعمق. يسلط التأثير التراكمي لهذه القيود الضوء على الحاجة إلى طريقة أسهل للحصول على بيانات blockchain واستخدامها والتي يمكن أن تعزز الاعتماد والابتكار على نطاق أوسع في هذا المجال.

ثم من خلال ZKML (التعلم الآلي بدون معرفة المعرفة، التعلم الآلي للسلسلة يتم تقليل) العبء) إلى جانب بيانات blockchain عالية الجودة، قد يكون من الممكن إنشاء مجموعة بيانات تحل مشكلة إمكانية الوصول إلى blockchain، ويمكن للذكاء الاصطناعي أن يخفض بشكل كبير عتبة إمكانية الوصول إلى بيانات blockchain، لذلك بمرور الوقت، سيتمكن المطورون والباحثون و سيتمكن المتحمسون في مجال تعلم الآلة من الوصول إلى مجموعات بيانات عالية الجودة وذات صلة لبناء حلول فعالة ومبتكرة.

تطبيق Dapp مُمكّن بالذكاء الاصطناعي

منذ أن أصبح ChatGPT3 شائعًا في عام 2023، أصبح التطبيق اللامركزي المدعوم بالذكاء الاصطناعي اتجاهًا شائعًا للغاية. يمكن الوصول إلى الذكاء الاصطناعي التوليدي متعدد الاستخدامات للغاية من خلال واجهة برمجة التطبيقات (API) لتبسيط منصات البيانات وتحليلها بذكاء وروبوتات التداول وموسوعات blockchain والتطبيقات الأخرى. من ناحية أخرى، يمكنك أيضًا العمل كروبوت محادثة (مثل Myshell) أو رفيق ذكاء اصطناعي (Sleepless AI)، أو حتى إنشاء شخصيات غير قابلة للعب في ألعاب متسلسلة من خلال الذكاء الاصطناعي التوليدي. ومع ذلك، نظرًا لأن العوائق التقنية منخفضة جدًا، يتم ضبط معظمها بدقة بعد الوصول إلى واجهة برمجة التطبيقات (API)، كما أن التكامل مع المشروع نفسه ليس مثاليًا، لذلك نادرًا ما يتم ذكره.

ولكن بعد وصول Sora، أعتقد شخصيًا أن الذكاء الاصطناعي يمكّن GameFi (بما في ذلك Yuan Universe) وسيكون اتجاه المنصة الإبداعية هو محور الاهتمام بعد ذلك. بسبب طبيعة مجال Web3 من القاعدة إلى القمة، سيكون من الصعب بالتأكيد إنتاج منتجات تنافس الألعاب التقليدية أو الشركات الإبداعية، ومن المرجح أن يؤدي ظهور Sora إلى كسر هذه المعضلة (ربما في غضون عامين إلى ثلاثة أعوام فقط). انطلاقًا من العرض التوضيحي الذي قدمه Sora، فإن لديها بالفعل القدرة على التنافس مع شركات الدراما القصيرة القصيرة. يمكن لثقافة المجتمع النشطة لـ Web3 أيضًا أن تولد عددًا كبيرًا من الأفكار المثيرة للاهتمام. عندما يكون الحد هو الخيال فقط، فإن الصناعة من القاعدة إلى القمة والأعلى- سيتم كسر الحواجز بين الصناعات التقليدية.

الاستنتاج

مع استمرار تقدم أدوات الذكاء الاصطناعي التوليدية، سنشهد المزيد من "لحظات iPhone" التي ستصنع عصرًا جديدًا في المستقبل. على الرغم من أن الكثير من الناس يسخرون من الجمع بين الذكاء الاصطناعي والويب 3، في الواقع، أعتقد أنه لا توجد مشاكل في الاتجاه الحالي في الغالب. هناك في الواقع ثلاث نقاط ضعف فقط تحتاج إلى حل، وهي 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.

من الضروري بالنسبة لنا أن نحافظ دائمًا على الفضول الكافي وقبول الأشياء الجديدة. في التاريخ، أصبح تحول السيارات لتحل محل العربات التي تجرها الخيول أمرا مفروغا منه في لحظة، تماما مثل النقوش والرموز غير القابلة للاستبدال في الماضي، فإن تحمل الكثير من التحيزات لن يؤدي إلا إلى ضياع الفرص.