فهم تقاطع العملة المشفرة والذكاء الاصطناعي

مؤلف المقالة: Lucas Tcheyanمترجم المقالة: Block unicorn

مقدمة

يعد ظهور blockchains العامة أحد أعمق التطورات في تاريخ الكمبيوتر علوم . إن تطوير 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، يدرس هذا التقرير مشاريع تطوير بروتوكولات الحوسبة اللامركزية، والبنية التحتية للتعلم الآلي بدون معرفة (zkML)، ووكلاء الذكاء الاصطناعي.

توفر العملة المشفرة طبقة تسوية غير مسموح بها وغير موثوقة وقابلة للتركيب للذكاء الاصطناعي. ويفتح هذا حالات استخدام مثل جعل الوصول إلى الأجهزة أكثر سهولة من خلال أنظمة الحوسبة اللامركزية، وبناء عملاء ذكاء اصطناعي 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 تعزيز تجربة المستخدم (UX) للمستخدمين والمطورين من خلال نماذج لغوية كبيرة (أي ChatGPT وCopilot المدربة خصيصًا)، بالإضافة إلى إمكانية 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 بيئة غير مرخصة وغير موثوقة طبقة التزامن لتسهيل 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 عام واحد)، ستهيمن تطبيقات الذكاء الاصطناعي على تكامل العملات المشفرة والذكاء الاصطناعي، مما يزيد من كفاءة المطورين وأمن قابلية تدقيق العقود الذكية وإمكانية وصول المستخدم. عمليات التكامل هذه ليست خاصة بالعملات المشفرة ولكنها تعمل على تحسين تجربة المطور والمستخدم على السلسلة.

• مثلما يوجد نقص خطير في وحدات معالجة الرسوميات عالية الأداء، فإن منتجات الحوسبة اللامركزية تنفذ عمليات اصطناعية منتجات GPU للتخصيص الذكي، مما يزيد من اعتمادها.

• 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 غير المرخصة والمقاومة للرقابة واللامركزية.

• يحتاج تكامل الذكاء الاصطناعي على السلسلة، وخاصة العقود الذكية التي يمكنها استخدام نماذج الذكاء الاصطناعي، إلى التحسين 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.

• يعتبر وكلاء الذكاء الاصطناعي رائعين بالنسبة للعملات المشفرة، ويمكن للمستخدمين (أو الوكلاء أنفسهم) إنشاء محافظ التفاعل مع الخدمات أو الوكلاء أو الأشخاص الآخرين لإجراء المعاملات. هذا غير ممكن حاليًا باستخدام القضبان المالية التقليدية. ومن أجل اعتماد أوسع، يلزم إجراء عمليات تكامل إضافية مع المنتجات غير المشفرة.

المصطلحات

الذكاء الاصطناعي هو استخدام الحوسبة والآلات لتقليد التفكير البشري وقدراته على حل المشكلات.

الشبكة العصبية هي طريقة تدريب لنماذج الذكاء الاصطناعي. يقومون بتشغيل المدخلات من خلال طبقات منفصلة من الخوارزميات، وتحسينها 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 نتيجة (على سبيل المثال، استخدام ChatGPT الذي تم إنشاؤه لورقة بحثية على تقاطع العملة المشفرة ومخطط الذكاء 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.

يسمح إثبات المعرفة الصفرية (ZKP) بالتحقق من صحة الادعاءات دون الكشف عن المعلومات الأساسية. 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. لمزيد من المعلومات حول المعرفة الصفرية ودورها في آلة إيثريوم الافتراضية، راجع تقرير كريستين كيم zkEVMs: مستقبل قابلية التوسع في إيثريوم.

خريطة سوق الذكاء الاصطناعي/العملات المشفرة

لا تزال المشاريع التي تدمج الذكاء الاصطناعي والعملات المشفرة قيد الإنشاء لدعم النطاق الواسع النطاق. chain البنية التحتية الأساسية اللازمة لتفاعل الذكاء الاصطناعي.

ينشأ سوق الحوسبة اللامركزية لتوفير كميات هائلة من الأجهزة المادية اللازمة لتدريب واستنتاج نماذج الذكاء الاصطناعي، في المقام الأول في شكل وحدات معالجة الرسومات (GPUs) ) . 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 السوق ثنائي الجانب، سيفحص هذا التقرير موردي التدريب على التعلم الآلي المتخصصين في توفير تدريب يمكن التحقق منه ومخرجات دقيقة، بالإضافة إلى المشاريع المخصصة لربط الحوسبة وتوليد النماذج لتحقيق الذكاء الاصطناعي، والذي يشار إليه غالبًا باسم شبكات الحوافز الذكية

zkML هو مجال تركيز ناشئ للمشاريع التي تتطلع إلى توفير مخرجات نموذجية يمكن التحقق منها على السلسلة بطريقة فعالة من حيث التكلفة وفي الوقت المناسب. 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 الإمداد الكافي بالحوسبة والقدرة على التحقق من الحسابات على السلسلة الباب أمام عملاء الذكاء الاصطناعي على السلسلة. الوكلاء هم نماذج تم تدريبهم على تنفيذ الطلبات نيابة عن المستخدمين. يقدم الوكلاء الفرصة لتعزيز تجربة السلسلة بشكل كبير، مما يسمح للمستخدمين بإجراء معاملات معقدة ببساطة عن طريق التحدث إلى روبوت الدردشة. ومع ذلك، في الوقت الحالي، يظل مشروع الوكيل يركز على تطوير البنية التحتية والأدوات لتمكين النشر السهل والسريع.

الحوسبة اللامركزية

نظرة عامة

يتطلب الذكاء الاصطناعي الكثير من الحوسبة لتدريب النماذج وتشغيل الاستدلال. على مدى العقد الماضي، نمت المتطلبات الحسابية بشكل كبير حيث أصبحت النماذج أكثر تعقيدًا. على سبيل المثال، وجدت شركة OpenAI أنه في الفترة من 2012 إلى 2018، ارتفعت المتطلبات الحسابية لنماذجها من المضاعفة كل عامين إلى المضاعفة كل ثلاثة أشهر ونصف. وقد أدى ذلك إلى زيادة الطلب على وحدات معالجة الرسوميات، حتى أن بعض القائمين بتعدين العملات المشفرة قاموا بإعادة استخدام وحدات معالجة الرسوميات الخاصة بهم لتوفير خدمات الحوسبة السحابية. مع اشتداد المنافسة للوصول إلى الحوسبة وارتفاع التكاليف، تستفيد العديد من المشاريع من التشفير لتوفير حلول حوسبة لامركزية. أنها توفر الحوسبة عند الطلب بأسعار تنافسية حتى تتمكن الفرق من تدريب النماذج وتشغيلها بتكلفة معقولة. في بعض الحالات، قد تكون المقايضة هي الأداء والأمان.

يتزايد الطلب على وحدات معالجة الرسوميات الحديثة، مثل تلك التي تنتجها شركة Nvidia. في سبتمبر، استحوذت Tether على حصة في شركة تعدين Bitcoin الألمانية Northern Data، والتي يقال إنها أنفقت 420 مليون دولار لشراء 10000 وحدة معالجة رسوميات H100، وهي واحدة من وحدات معالجة الرسومات الأكثر تقدمًا المستخدمة للتدريب على الذكاء الاصطناعي. يمكن أن يصل وقت الانتظار للحصول على أفضل الأجهزة إلى ستة أشهر على الأقل، وفي كثير من الحالات أطول. ومما يزيد الطين بلة، أنه يُطلب من الشركات في كثير من الأحيان التوقيع على عقود طويلة الأجل للوصول إلى أحجام الحوسبة التي قد لا تستخدمها حتى. قد يؤدي هذا إلى حالة تكون فيها الحوسبة متاحة ولكنها غير متوفرة في السوق. وتساعد أنظمة الحوسبة اللامركزية في معالجة أوجه القصور في السوق، مما يخلق سوقا ثانوية حيث يستطيع أصحاب أجهزة الكمبيوتر تأجير قدراتهم الفائضة في أي لحظة، وبالتالي تحرير المعروض الجديد.

بصرف النظر عن الأسعار التنافسية وإمكانية الوصول، فإن عرض القيمة الرئيسية للحوسبة اللامركزية هو مقاومة الرقابة. تهيمن شركات التكنولوجيا الكبرى بشكل متزايد على تطوير الذكاء الاصطناعي المتطور الذي يتمتع بحوسبة لا مثيل لها وإمكانية الوصول إلى البيانات. الموضوع الرئيسي الأول الذي تم تسليط الضوء عليه في التقرير السنوي لمؤشر الذكاء الاصطناعي لعام 2023 هو أن الصناعة تتفوق بشكل متزايد على الأوساط الأكاديمية في تطوير نماذج الذكاء الاصطناعي، مع تركيز السيطرة في أيدي عدد قليل من قادة التكنولوجيا. وقد أثار هذا مخاوف بشأن قدرتها على التأثير بشكل كبير في تشكيل المعايير والقيم التي تقوم عليها نماذج الذكاء الاصطناعي، خاصة بعد أن دفعت شركات التكنولوجيا هذه إلى وضع قواعد تنظيمية للحد من تطوير الذكاء الاصطناعي خارج نطاق سيطرتها.

المجال الرأسي للحوسبة اللامركزية

في السنوات الأخيرة عدة وقد ظهرت نماذج من الحوسبة اللامركزية، ولكل منها تأكيداتها ومقايضاتها الخاصة.

الحوسبة العامة

Akash، وio.net، وiExec، وCudos وغيرها من المشاريع كلها تطبيقات للحوسبة اللامركزية. بالإضافة إلى ذلك للبيانات وحلول الحوسبة العامة، كما أنها توفر أو ستوفر قريبًا إمكانية الوصول إلى الحوسبة المتخصصة للتدريب والاستدلال على الذكاء الاصطناعي.

Akash هو حاليًا النظام الأساسي الوحيد مفتوح المصدر "super cloud". إنها شبكة إثبات الملكية باستخدام Cosmos SDK. AKT هو رمز Akash الأصلي ويعمل كطريقة للدفع لتأمين الشبكة وتحفيز المشاركة. أطلقت Akash أول شبكتها الرئيسية في عام 2020، مع التركيز على توفير سوق الحوسبة السحابية بدون إذن، والذي يتميز في البداية بخدمات التخزين وتأجير وحدة المعالجة المركزية. في يونيو 2023، أطلق Akash شبكة اختبار جديدة تركز على وحدات معالجة الرسومات، وأطلق شبكة GPU الرئيسية في سبتمبر، مما يمكّن المستخدمين من استئجار وحدات معالجة الرسومات للتدريب والاستدلال على الذكاء الاصطناعي.

هناك لاعبان رئيسيان في نظام Akash البيئي - المستأجرون والموردون. المستأجرون هم مستخدمو شبكة Akash الذين يرغبون في شراء موارد الحوسبة. المورد هو مورد الحوسبة. للمطابقة بين المستأجرين والبائعين، يعتمد Akash على عملية المزاد العكسي. يرسل المستأجرون متطلبات الحوسبة الخاصة بهم، حيث يمكنهم تحديد شروط معينة، مثل موقع الخوادم أو نوع الجهاز المطلوب إجراء الحوسبة، بالإضافة إلى المبلغ الذي يرغبون في دفعه. يقوم الموردون بعد ذلك بتقديم أسعارهم المطلوبة ويحصل مقدم العرض الأقل على المهمة.

يحافظ مدقق Akash على سلامة الشبكة.  تقتصر مجموعة أدوات التحقق حاليًا على 100، مع خطط لزيادة هذا العدد بمرور الوقت. يمكن لأي شخص أن يصبح مدققًا من خلال تكديس المزيد من AKT مقارنة بالمدقق الذي يقوم حاليًا بتخزين أصغر كمية من AKT. يمكن لحاملي AKT أيضًا تفويض AKT الخاص بهم إلى المدققين. يتم توزيع رسوم معاملات الشبكة ومكافآت الكتلة في AKT. بالإضافة إلى ذلك، مقابل كل عقد إيجار، تحصل شبكة Akash على "رسوم تحصيل" بمعدل يحدده المجتمع وتوزعها على حاملي AKT.

السوق الثانوية

الغرض من سوق الحوسبة اللامركزية سد أوجه القصور في أسواق الحوسبة الحالية. وتؤدي القيود المفروضة على العرض إلى قيام الشركات بتخزين موارد الحوسبة بما يتجاوز ما قد تحتاج إليه، كما أن العرض مقيد بشكل أكبر لأن هياكل العقود مع موفري الخدمات السحابية تقيد العملاء بعقود طويلة الأجل حتى عندما لا تكون هناك حاجة إلى الوصول المستمر. تفتح منصات الحوسبة اللامركزية الباب أمام إمدادات جديدة، مما يسمح لأي شخص في العالم لديه حاجة إلى الحوسبة بأن يصبح مورداً.

يبقى أن نرى ما إذا كانت الزيادة في الطلب على وحدة معالجة الرسومات لتدريب الذكاء الاصطناعي ستترجم إلى استخدام الشبكة على المدى الطويل على Akash. على سبيل المثال، قدمت شركة Akash منذ فترة طويلة سوقًا لوحدات المعالجة المركزية (CPU)، حيث تقدم خدمات مشابهة للبدائل المركزية بخصم يتراوح بين 70% إلى 80%. ومع ذلك، فإن انخفاض السعر لم يؤد إلى اعتماد كبير. لقد استقرت عقود الإيجار النشطة على الشبكة، حيث بلغ متوسطها 33% فقط من الحوسبة، و16% من الذاكرة، و13% من مساحة التخزين اعتبارًا من الربع الثاني من عام 2023. في حين أن هذه مقاييس مثيرة للإعجاب للاعتماد على السلسلة (كمرجع، كان لدى شركة Filecoin، مزود التخزين الرائد، استخدام للتخزين في الربع الثالث من عام 2023 بنسبة 12.6٪)، فإن هذا يشير إلى أن المعروض من هذه المنتجات لا يزال يتجاوز الطلب.

لقد مر أكثر من نصف عام منذ أن أطلقت Akash شبكة GPU الخاصة بها، ومن السابق لأوانه تقييم معدلات الاعتماد على المدى الطويل بدقة. حتى الآن، بلغ متوسط ​​استخدام وحدة معالجة الرسومات 44%، وهو أعلى من وحدة المعالجة المركزية والذاكرة والتخزين، وهي علامة على الطلب. ويرجع ذلك في المقام الأول إلى الطلب على وحدات معالجة الرسومات عالية الجودة مثل A100، مع تأجير أكثر من 90% منها.

لقد زادت أيضًا مدفوعات Akash اليومية، حيث تضاعفت تقريبًا عما كانت عليه قبل ظهور وحدات معالجة الرسومات. ويرجع ذلك جزئيًا إلى زيادة استخدام الخدمات الأخرى، وخاصة وحدة المعالجة المركزية (CPU)، ولكنه يرجع في الغالب إلى استخدام وحدة معالجة الرسومات (GPU) الجديدة.

الأسعار قابلة للمقارنة (أو في بعض الحالات أكثر تكلفة) مع المنافسين المركزيين مثل Lambda Cloud وVast.ai. إن الطلب الكبير على وحدات معالجة الرسومات المتطورة، مثل H100 وA100، يعني أن معظم مالكي الجهاز ليس لديهم اهتمام كبير بإطلاقه في سوق يواجه أسعارًا تنافسية.

على الرغم من أن الأرباح الأولية إيجابية، إلا أنه لا تزال هناك عوائق أمام التبني (تتم مناقشتها أدناه). تحتاج شبكات الحوسبة اللامركزية إلى بذل المزيد من الجهد لتوليد الطلب والعرض، وتقوم الفرق بتجربة أفضل السبل لجذب مستخدمين جدد. على سبيل المثال، في أوائل عام 2024، أقر Akash الاقتراح 240 لزيادة انبعاثات AKT لموردي وحدات معالجة الرسومات وتحفيز المزيد من العرض، واستهداف وحدات معالجة الرسومات المتطورة على وجه التحديد. ويعمل الفريق أيضًا على إطلاق نموذج لإثبات المفهوم لإظهار قدرات شبكته في الوقت الفعلي للمستخدمين المحتملين. يقوم Akash بتدريب نماذجه الأساسية وأطلق منتجات chatbot وإنشاء الصور التي يمكنها إنشاء مخرجات باستخدام وحدات معالجة الرسومات Akash. وبالمثل، قامت io.net بتطوير نموذج نشر مستقر وتقوم بطرح ميزات شبكة جديدة لمحاكاة أداء الشبكة وحجمها بشكل أفضل.

التدريب على التعلم الآلي اللامركزي

بالإضافة إلى الاجتماع في بالإضافة إلى منصة الحوسبة العامة التي يتطلبها الذكاء الاصطناعي، تظهر أيضًا مجموعة من موردي GPU المحترفين للذكاء الاصطناعي الذين يركزون على التدريب على نماذج التعلم الآلي. جينسين، على سبيل المثال، هو "تنسيق القوة والأجهزة لبناء الذكاء الجماعي"، مع فكرة أنه "إذا أراد شخص ما تدريب شيء ما، وكان شخص ما على استعداد لتدريبه، فيجب السماح بحدوث هذا التدريب".

< p style="text-align: left;">يحتوي البروتوكول على أربعة مشاركين رئيسيين: الملتزمون، والمحللون، والمتحققون، والمبلغون عن المخالفات. يرسل مقدمو الطلبات المهام مع طلبات التدريب إلى الشبكة. تتضمن هذه المهام أهداف التدريب، والنموذج المطلوب تدريبه، وبيانات التدريب. كجزء من عملية التقديم، يُطلب من مقدمي الطلبات الدفع مقدمًا مقابل الجهد الحسابي المقدر الذي يتطلبه الحل.

بعد الإرسال، سيتم إسناد المهمة إلى القائم بالحل الذي سيقوم بالفعل بتدريب النموذج. يقوم القائم بالحل بعد ذلك بإرسال المهمة المكتملة إلى المدقق، الذي يكون مسؤولاً عن التحقق من التدريب للتأكد من اكتماله بشكل صحيح. تقع على عاتق المبلغ عن المخالفات مسؤولية التأكد من أن المصادقين يتصرفون بأمانة. لتحفيز المبلغين عن المخالفات على المشاركة في الشبكة، تخطط جينسين لتقديم أدلة منتظمة على الأخطاء المتعمدة، ومكافأة المبلغين عن المخالفات للقبض عليهم.

بالإضافة إلى توفير الحوسبة لأحمال العمل المتعلقة بالذكاء الاصطناعي، فإن القيمة الرئيسية المقترحة لشركة Gensyn هي نظام التحقق الخاص بها، والذي لا يزال قيد التطوير. يعد التحقق من الصحة ضروريًا لضمان تنفيذ الحسابات الخارجية لموفر وحدة معالجة الرسومات بشكل صحيح (أي لضمان تدريب نموذج المستخدم بالطريقة التي يريدها). يتبع Gensyn نهجًا فريدًا لحل هذه المشكلة، من خلال الاستفادة من طرق التحقق الجديدة التي تسمى "براهين التعلم الاحتمالية، وبروتوكولات الدقة القائمة على الرسم البياني، وألعاب الحوافز على طراز Truebit". هذا هو وضع الحل المتفائل الذي يسمح للمدقق بالتأكد من أن القائم بالحل قد قام بتشغيل النموذج بشكل صحيح دون الحاجة إلى إعادة تشغيل النموذج بالكامل بنفسه، وهي عملية مكلفة وغير فعالة.

بالإضافة إلى أساليب التحقق المبتكرة، تدعي Gensyn أيضًا أنها فعالة من حيث التكلفة مقارنة بالبدائل المركزية ومنافسي العملات المشفرة - يتم توفير التدريب على تعلم الآلة. السعر يصل إلى 80 دولارًا أرخص بنسبة % من AWS، ويتفوق في الاختبار على المشاريع المشابهة مثل Truebit.

ما إذا كان من الممكن استخدام هذه النتائج الأولية في شبكة لا مركزية ويبقى أن نرى تكرارا على نطاق واسع. ويأمل جينسين في الاستفادة من قوة الحوسبة الزائدة من مقدمي الخدمات مثل مراكز البيانات الصغيرة ومستخدمي التجزئة والأجهزة المحمولة الصغيرة المستقبلية مثل الهواتف المحمولة. ومع ذلك، كما يعترف فريق Gensyn أنفسهم، فإن الاعتماد على بائعي الحوسبة غير المتجانسين يطرح بعض التحديات الجديدة.

بالنسبة لمقدمي الخدمات المركزيين مثل Google Cloud وCoreweave، تعد العمليات الحسابية باهظة الثمن، في حين أن الاتصال (عرض النطاق الترددي وزمن الوصول) بين العمليات الحسابية رخيص. تم تصميم هذه الأنظمة لتمكين الاتصال بين الأجهزة في أسرع وقت ممكن. يقلب Gensyn هذا الإطار رأسًا على عقب، مما يخفض تكاليف الحوسبة من خلال السماح لأي شخص في العالم بتوفير وحدة معالجة الرسومات، ولكنه يزيد أيضًا من تكاليف الاتصال لأن الشبكة يجب أن تنسق الآن وظائف الحوسبة على أجهزة غير متجانسة منفصلة على نطاق واسع. لم يتم إصدار Gensyn بعد، ولكنه دليل على مفهوم ما هو ممكن عند بناء بروتوكولات تدريب لامركزية للتعلم الآلي.

الذكاء العام اللامركزي

الحوسبة اللامركزية توفر المنصة أيضًا إمكانيات تصميم طرق إنشاء الذكاء الاصطناعي. Bittensor هو بروتوكول حوسبة لامركزي مبني على Substrate ويحاول الإجابة على السؤال "كيف يمكننا تحويل الذكاء الاصطناعي إلى نهج تعاوني؟". يهدف Bittensor إلى تحقيق اللامركزية وتسليع توليد الذكاء الاصطناعي. ويأمل البروتوكول، الذي سيتم إطلاقه في عام 2021، في تسخير قوة نماذج التعلم الآلي التعاونية للتكرار المستمر وإنتاج ذكاء اصطناعي أفضل.

تستمد Bittensor الإلهام من Bitcoin. ويبلغ المعروض من عملتها الأصلية TAO 21 مليونًا، وتبلغ دورة النصف أربع سنوات (سيكون النصف الأول في عام 2025) . بدلاً من استخدام إثبات العمل لإنشاء أرقام عشوائية صحيحة والحصول على مكافآت الكتلة، يعتمد Bittensor على "البراهين الذكية" التي تتطلب من القائمين بالتعدين تشغيل النماذج التي تولد مخرجات استجابة لطلبات الاستدلال.

الذكاء المحفز

اعتمد بيتنسور في البداية على مزيج من الخبراء نموذج (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 انبعاثات 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.

عمال المناجم، المعروفون أيضًا بالخوادم، هم مشاركين في الشبكة يقومون بتشغيل نماذج التعلم الآلي الفعلية. يتنافس القائمون بالتعدين مع بعضهم البعض لتزويد المدققين بالمخرجات الأكثر دقة لاستعلام معين، وكلما زادت دقة المخرجات، زادت انبعاثات TAO المكتسبة. يمكن لعمال المناجم توليد هذه المخرجات كيفما يريدون. على سبيل المثال، من الممكن تمامًا أن يكون عمال مناجم Bittensor قد قاموا في المستقبل بتدريب نماذج على Gensyn واستخدموها للحصول على انبعاثات 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.

هذا التفاعل بين المدققين (الذين يعتمدون على إثبات الحصة) وعمال المناجم (الذين يعتمدون على نموذج إثبات، وهو شكل من أشكال إثبات العمل) يسمى إجماع يوما. تم تصميمه لتحفيز القائمين بالتعدين على إنتاج أفضل مخرجات للحصول على انبعاثات 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

التفاعل على Bittensor يتضمن بشكل أساسي أدوات التحقق من الصحة تقديم الطلبات لعمال المناجم وتقييم 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. وفي الأشهر التي تلت الإطلاق، تم إطلاق أكثر من 32 شبكة فرعية، بما في ذلك الشبكات الخاصة بالمطالبات النصية، واستخراج 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. بعض التطبيقات (مثل روبوتات الدردشة، ومولدات الصور، وروبوتات الرد على التغريدات، وأسواق التنبؤ) موجودة حاليًا، ولكن بصرف النظر عن التمويل المقدم من مؤسسة Bittensor، لا توجد حوافز رسمية للمدققين لقبول هذه الاستفسارات وإعادة توجيهها.

لتقديم شرح أكثر وضوحًا، إليك مثال لكيفية عمل Bittensor عند دمج التطبيق في الشبكة.

تكسب الشبكات الفرعية TAO بناءً على الأداء الذي تم تقييمه بواسطة الشبكة الجذرية. 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. تقوم أداة التحقق من الشبكة الجذرية بتصنيف الشبكات الفرعية بناءً على أدائها وتخصيص انبعاثات TAO للشبكات الفرعية بشكل دوري. بهذه الطريقة، تعمل الشبكات الفرعية الفردية كعمال تعدين للشبكة الجذرية.

توقعات Bittensor

لا يزال Bittensor يواجه إزعاج النمو لأنه يعمل على توسيع وظائف البروتوكول لتحفيز التوليد الذكي 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 (تجدر الإشارة إلى 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 سمعة سيئة بسبب نهجه الفريد، حيث قال الرئيس التنفيذي لأحد مواقع الذكاء الاصطناعي الأكثر شهرة، HuggingFace، إن Bittensor يجب أن يضيف موارده إلى الموقع.

في منشور حديث للمطورين الأساسيين بعنوان "Bittensor Paradigm"، وضع الفريق رؤية لـ Bittensor ليتطور في النهاية إلى ما يتم قياسه غير معروف ". من الناحية النظرية، قد يسمح هذا لـ Bittensor بتطوير شبكات فرعية لتحفيز أي نوع من السلوك المدعوم من 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

توفر الأقسام المذكورة أعلاه نظرة عامة متعمقة على الأنواع المختلفة لبروتوكولات حوسبة الذكاء الاصطناعي اللامركزية التي يتم تطويرها. في المراحل الأولى من التطوير والاعتماد، 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 مثال لما قد يحدث في المستقبل ولا يمثل النظام البيئي الحالي أو الشراكات الحالية أو النتائج المحتملة.  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

إلى جانب الحوسبة، تم إطلاقها أيضًا العديد من خدمات البنية التحتية اللامركزية الأخرى لدعم النظام البيئي للذكاء الاصطناعي الناشئ للعملات المشفرة. إن إدراجها كلها خارج نطاق هذا التقرير، ولكن بعض الأمثلة المثيرة للاهتمام والتوضيحية تشمل:

• 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:انطلق سوق النطاق الترددي المركزي. يمكن للمستخدمين بيع النطاق الترددي الزائد لشركات الذكاء الاصطناعي، التي تستخدمه لاستخراج البيانات من الإنترنت. مبني على شبكة Wynd، وهذا لا يمكّن الأفراد من تحقيق الدخل من النطاق الترددي الخاص بهم فحسب، بل يوفر أيضًا لمشتري النطاق الترددي رؤية أكثر تنوعًا لما يراه المستخدمون الفرديون عبر الإنترنت (حيث غالبًا ما يتم تخصيص وصول الفرد إلى الإنترنت على وجه التحديد وفقًا لعنوان IP الخاص به)).

• HiveMapper:Build منتج خرائط لا مركزي يحتوي على معلومات تم جمعها من سائقي السيارات العاديين. 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).

بشكل عام، تشير جميع هذه الأمور إلى استكشاف الأسواق اللامركزية التي تدعم نماذج الذكاء الاصطناعي بشكل غير محدود تقريبًا فرص لنمذجة أو تطوير البنية التحتية المحيطة المطلوبة لهم. حاليًا، معظم هذه المشاريع هي في مرحلة إثبات المفهوم وتتطلب المزيد من البحث والتطوير لإثبات قدرتها على العمل على النطاق المطلوب لتقديم خدمات الذكاء الاصطناعي واسعة النطاق.

Outlook

لا تزال منتجات الحوسبة اللامركزية قيد التطوير مبكرًا منصة. لقد بدأوا للتو في طرح أحدث إمكانات الحوسبة 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. تتضمن المحفزات المحتملة للاعتماد على نطاق أوسع ما يلي:

• عرض/طلب وحدة معالجة الرسومات.  تؤدي ندرة وحدات معالجة الرسومات إلى جانب متطلبات الحوسبة السريعة 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 القادمة فرصة فريدة بشكل خاص لموردي 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 LLaMA2، لم يعد المستخدمون يواجهون نفس العقبات في نشر نماذج فعالة ومضبوطة 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). عليهم أن يتصرفوا بسرعة. يجري الاستثمار والبناء في البنية التحتية لوحدة معالجة الرسومات بوتيرة مذهلة.

• الأحكام. يظل التنظيم بمثابة رياح معاكسة لحركة 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 عناصر التحكم في منصاتها أو إضافة مرشحات للوصول فقط إلى موفري خدمات الحوسبة المعروفين (أي توفير معلومات اعرف عميلك (KYC)، ولكن هناك حاجة إلى أساليب أقوى لحماية الخصوصية مع ضمان الامتثال. 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 بإطار تنظيمي جديد محتمل في الولايات المتحدة، والذي يتجلى بشكل أفضل في إصدار الأمر التنفيذي بشأن تطوير واستخدام الذكاء الاصطناعي الآمن والمأمون والجدير بالثقة، تسلط الضوء على إمكانية اتخاذ إجراءات تنظيمية لتقييد الوصول إلى وحدات معالجة الرسومات بشكل أكبر. .

• الرقابة. 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 مؤسس OpenAI سام ألتمان بشهادته أمام الكونجرس حول حاجة الهيئات التنظيمية إلى إصدار تراخيص لتطوير 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. إن التغييرات التي طرأت على قيادة شركة OpenAI (أو عدم حدوثها) في شهر نوفمبر/تشرين الثاني تُعَد دليلاً إضافياً على مخاطر منح سلطة اتخاذ القرار على أقوى نماذج الذكاء الاصطناعي الحالية لعدد قليل من الناس. 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. عند التكامل مع البيانات الخارجية وحلول الخصوصية التي توفر للمستخدمين استقلالية البيانات، قد تصبح الحوسبة اللامركزية أكثر جاذبية من البدائل المركزية. وقعت سامسونج ضحية 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 تطبيقات الحفاظ على 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 على الأساسيات، مثل الانضمام واستخراج التفاعلات مع blockchain، لتوفير نفس المخرجات عالية الجودة مثل قادة 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، لا تزال وظائف العقود الذكية محدودة لأنها يتم تنفيذها بناءً على معلمات محددة مسبقًا يجب تحديثها.

على سبيل المثال، قم بنشر عقد ذكي لبروتوكول الإقراض/الاقتراض الذي يحتوي على مواصفات متى سيتم 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 ضمان عدم استغلال النماذج التي تقوم عليها هذه العقود الذكية أو حسابها في المواقف الطويلة الأمد (مما يجعل من الصعب تدريب النماذج نظرًا لندرة مدخلات البيانات).

التعلم الآلي بدون معرفة (zkML)

الآلة التعلم يتطلب قدرًا كبيرًا من العمليات الحسابية لتشغيل النماذج المعقدة، مما يجعل نماذج الذكاء الاصطناعي غير قادرة على التشغيل مباشرة في العقود الذكية بسبب تكلفتها العالية. على سبيل المثال، سيواجه بروتوكول DeFi الذي يوفر للمستخدمين نموذجًا لتحسين الإيرادات صعوبة في تشغيل 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 طبيعة 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 مزودًا للحوسبة اللامركزية لتدريب نماذجهم، ويشعرون بالقلق من أن المزود يحاول خفض التكاليف باستخدام نموذج أرخص مع اختلاف غير محسوس تقريبًا 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 لدى موفري 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، لكنه لا يريد أن يتمكن المشروع الذي يوفر النموذج من الوصول إلى بياناته بسبب مخاوف تتعلق بالخصوصية (على سبيل المثال، في حالة الفحوصات الطبية أو معلومات الأعمال الخاصة)، فيمكن للمستخدم تشغيل نموذج على بياناتهم قم بتشغيل النموذج دون مشاركة البيانات، ثم تحقق من أنهم قاموا بتشغيل النموذج الصحيح مع إثبات. تعمل هذه الإمكانيات على توسيع مساحة التصميم بشكل كبير لتكامل الذكاء الاصطناعي ووظائف العقود الذكية من خلال حل القيود الحسابية الباهظة.

البنية الأساسية والأدوات

بالنظر إلى الأيام الأولى للثورة حالة حقل zkML، يركز التطوير بشكل أساسي على بناء البنية التحتية والأدوات التي يحتاجها الفريق لتحويل نماذجه ومخرجاته إلى أدلة يمكن التحقق منها عبر السلسلة. تعمل هذه المنتجات على استخلاص أكبر قدر ممكن من تطوير المعرفة الصفرية.

EZKL وGese هما مشروعان يبنيان هذه الأداة من خلال توفير أدلة يمكن التحقق منها لتنفيذ نموذج التعلم الآلي. يساعد كلا الفريقين على بناء نماذج التعلم الآلي لضمان أداء هذه النماذج في نموذج يمكن الوثوق بالنتائج والتحقق منها عبر السلسلة. 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.

لقد حققت EZKL تقدمًا كبيرًا في تعزيز حل zkML الخاص بها خلال الأشهر القليلة الماضية، مع التركيز بشكل أساسي 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 منطقة الجيزة فريدة من نوعها من حيث أنها، 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 منتج 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 نموذج مصمم خصيصًا للذكاء الاصطناعي تقنية إثبات zk الجديدة المخصصة. نشرت Modulus ورقة بحثية بعنوان "تكلفة الذكاء" (مما يشير إلى أن تكلفة تشغيل نماذج الذكاء الاصطناعي على السلسلة مرتفعة للغاية)، والتي قامت بقياس نظام إثبات zk الحالي في ذلك الوقت لتحديد كيفية تحسين إثبات zk في نماذج الذكاء الاصطناعي. والاختناقات. وتشير الدراسة، التي نُشرت في يناير 2023، إلى أن المنتجات الحالية باهظة الثمن وغير فعالة لتمكين تطبيقات الذكاء الاصطناعي على نطاق واسع. بناءً على البحث الأولي، أطلقت Modulus Remainder في نوفمبر، وهو برنامج متخصص لإثبات المعرفة الصفرية مصمم خصيصًا لتقليل التكلفة ووقت الإثبات لنماذج الذكاء الاصطناعي، بهدف جعل المشاريع قابلة للحياة اقتصاديًا وتحويل النماذج للتكامل في العقود الذكية على نطاق واسع. إن عملهم مغلق المصدر وبالتالي لا يمكن مقارنته بالحلول المذكورة أعلاه، ولكن تم الاستشهاد بعملهم مؤخرًا في منشور مدونة Vitalik حول العملات المشفرة والذكاء الاصطناعي.

تعد الأدوات وتطوير البنية التحتية أمرًا بالغ الأهمية للنمو المستقبلي لمساحة zkML، حيث يمكن أن تقلل بشكل كبير من الحاجة إلى نشر وتشغيل حسابات خارج السلسلة يمكن التحقق منها. احتكاك خط الفريق. 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.

المعالج المساعد

حلول أخرى قيد التطوير (تسمى "المعالجات المساعدة" ") تشمل RiscZero وAxiom وRitual. مصطلح المعالج المشترك هو مصطلح دلالي في المقام الأول - تؤدي هذه الشبكات العديد من الأدوار المختلفة، بما في ذلك التحقق من صحة الحسابات خارج السلسلة على 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 أكثر عمومية، في حين تم تصميم Ritual خصيصًا للاستخدام مع نماذج الذكاء الاصطناعي.

Infernet هو المثيل الأول لـ Ritual ويتضمن Infernet SDK الذي يسمح للمطورين بإضافة إرسال طلب الاستدلال وتلقي المخرجات والإثبات (اختياري) في المقابل. Infernet تتلقى العقد 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 البائعين الرائدين الآخرين. 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 المفضل للبنية التحتية المفتوحة للذكاء الاصطناعي، القادرة على خدمة التعلم الآلي والمهام الأخرى المتعلقة بالذكاء الاصطناعي على أي شبكة، ولأي عبء عمل.

التطبيق

zkML يساعد في التوفيق بين الكتل والتناقض بين blockchain والذكاء الاصطناعي هو أن الأول محدود الموارد بطبيعته، في حين أن الأخير يتطلب كمية كبيرة من الحوسبة والبيانات. كما قال أحد مؤسسي الجيزة، "حالات الاستخدام غنية جدًا... إنها تشبه إلى حد ما الأيام الأولى لطرح الإيثريوم وهي تسأل عن حالات الاستخدام للعقود الذكية... كل ما فعلناه هو توسيع حالات الاستخدام للعقود الذكية". المذكورة أعلاه، اليوم يتم التطوير 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. يقوم zkML 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 عوائد 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 بروتوكولات مثل NOYA (الاستفادة من EZKL) وMozaic إمكانية الوصول إلى نماذج خاصة خارج السلسلة تتيح للمستخدمين الوصول إلى تعدين السيولة الآلي مع تمكينهم من التحقق من مدخلات البيانات والبراهين الموجودة على السلسلة. تقوم 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.

• لعبة. من المعتقد منذ فترة طويلة أن الألعاب قد تم تعطيلها وتعزيزها بواسطة سلاسل الكتل العامة. يجعل zkML اللعب على السلسلة ممكنًا باستخدام الذكاء الاصطناعي. نفذت Modulus Labs إثباتًا لمفهوم لعبة بسيطة على السلسلة. Leela vs the World هي لعبة شطرنج نظرية للعبة حيث يلعب المستخدمون ضد نموذج شطرنج يعمل بالذكاء الاصطناعي، وتتحقق zkML من أن كل حركة تقوم بها Leela تعتمد على النموذج الذي يدير اللعبة. وبالمثل، استخدم الفريق أيضًا إطار عمل EZKL لإنشاء مسابقات غنائية بسيطة وتيك تاك تو على السلسلة. تستخدم شركة Cartridge شركة جيزة لتمكين الفرق من نشر الألعاب بشكل كامل على السلسلة، وسلطت الضوء مؤخرًا على 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 ممثلين NPC المعقدين القادرين على التفاعل مع الاقتصاد داخل اللعبة، كما هو موضح في AI Arena، فإن Super Smash Bros. لعبة يمكن للاعبين من خلالها تدريب محاربيهم ومن ثم نشرهم في المعركة كنماذج للذكاء الاصطناعي.

• الهوية والمصدر 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.

التوقعات

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 ومعالجة هذه القيود، سيصبح 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.

وكيل الذكاء الاصطناعي

الذكاء الاصطناعي والعملات المشفرة هما إحدى عمليات التكامل المثيرة هي التجربة المستمرة مع عملاء الذكاء الاصطناعي. الوكلاء هم روبوتات مستقلة قادرة على تلقي وتفسير وتنفيذ المهام باستخدام نماذج الذكاء الاصطناعي. يمكن أن يكون هذا أي شيء بدءًا من وجود مساعد شخصي متاح دائمًا لضبط تفضيلاتك، وحتى تعيين وكيل مالي لإدارة محفظتك وتعديلها 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، يمكن للوكلاء اليوم جمع المعلومات على الإنترنت ثم التداول في أسواق التنبؤ بناءً على النماذج.

موفر الوكيل

Morpheus هو أحد 2024 Ethereum أحدث مشاريع الوكيل مفتوحة المصدر التي تم إطلاقها على Fang وArbitrum. قدمت ورقتها البيضاء، التي نُشرت بشكل مجهول في سبتمبر 2023، الأساس لتشكيل وبناء المجتمع (بما في ذلك شخصيات بارزة مثل إريك فورهيس). تتضمن الوثيقة التقنية بروتوكول وكيل ذكي 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.

توفر الورقة البيضاء أيضًا إطارًا لبناء شبكة Morpheus، مثل هيكل الحوافز والبنية التحتية المطلوبة لتشغيل بروتوكول الوكيل الذكي. يتضمن ذلك تحفيز المساهمين لبناء واجهات أمامية للتفاعل مع الوكلاء، وواجهات برمجة التطبيقات للمطورين لإنشاء تطبيقات يتم توصيلها بالوكلاء حتى يتمكنوا من التفاعل مع بعضهم البعض، وتمكين المستخدمين من الوصول إلى الحوسبة والتخزين المطلوب لتشغيل الوكلاء وعلى الأجهزة الطرفية. الحلول السحابية. 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 بنية تحتية جديد للوكيل يقوم ببناء اقتصاد وكيل إلى وكيل على Solana. الهدف من DAIN هو السماح للوكلاء من مؤسسات مختلفة بالتفاعل مع بعضهم البعض بسلاسة 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 "موقعي الوكيل" إلى التوقيعات المتعددة الخاصة بهم، والذين يمكنهم تفسير المعاملات والموافقة/الرفض وفقًا للقواعد التي حددها المستخدم.

يعد Fetch.AI واحدًا من أولى بروتوكولات وكيل الذكاء الاصطناعي المنشورة وقد طور نظامًا بيئيًا لاستخدام رموز FET ومحافظ Fetch.AI على السلسلة. استخدام وكلاء على. يوفر البروتوكول مجموعة شاملة من الأدوات والتطبيقات للعمل مع الوكلاء، بما في ذلك وظائف المحفظة للتفاعل مع الوكلاء وطلبهم.

Autonolas، التي يضم مؤسسوها أعضاء سابقين في فريق Fetch، هي سوق مفتوحة لإنشاء واستخدام عملاء الذكاء الاصطناعي اللامركزيين. توفر Autonolas أيضًا للمطورين مجموعة من الأدوات لإنشاء وكلاء ذكاء اصطناعي مستضافين خارج السلسلة يمكنهم توصيلهم بسلاسل كتل متعددة، بما في ذلك Polygon وEthereum وGnosis Chain وSolana. لديهم حاليًا عدد من منتجات إثبات المفهوم النشطة للوكيل، بما في ذلك أسواق التنبؤ وإدارة DAO.

تقوم SingularityNet ببناء سوق لا مركزي لوكلاء الذكاء الاصطناعي حيث يمكن للأشخاص نشر وكلاء ذكاء اصطناعي مخصصين يمكن أن يستخدمهم أشخاص آخرون أو وكلاء 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 الوكيل المتطور 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 تنفيذ المهمة، بدلاً من الاضطرار إلى التأكد من دمج الوكيل مع واجهة برمجة التطبيقات الخارجية (مثل موقع ويب لحجز السفر) قبل استخدامه. من وجهة نظر المستخدم، ليست هناك حاجة للتحقق مما إذا كان الوكيل يمكنه إكمال المهمة، حيث يمكن للوكيل تحديد ذلك بنفسه.

عملاء البيتكوين والذكاء الاصطناعي

2023 7 في مارس ، أطلقت Lightning Labs تطبيقًا لإثبات المفهوم لوكيل للاستخدام على Lightning Network، وهو عبارة عن مجموعة Bitcoin تسمى LangChain. 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 طرق الدفع التقليدية، تكون عمليات الدفع الصغيرة مكلفة بسبب الرسوم، بينما في شبكة Lightning Network، يمكن للوكلاء إرسال عمليات دفع صغيرة غير محدودة يوميًا بأقل رسوم. عند استخدامها جنبًا إلى جنب مع إطار عمل واجهة برمجة التطبيقات لقياس الدفع L402 الخاص بـ LangChain، يمكن للشركات تعديل رسوم الوصول إلى واجهات برمجة التطبيقات الخاصة بها بناءً على الزيادات والنقصان في الاستخدام، بدلاً من وضع معيار واحد مكلف.

في المستقبل، ستهيمن التفاعلات من وكيل إلى وكيل على الأنشطة الموجودة على السلسلة، وستكون مثل هذه الأشياء ضرورية لضمان قدرة الوكلاء على الوصول إلى الطريق السريع بشكل مفرط للتفاعل مع بعضهم البعض. وهذا مثال مبكر على كيفية استخدام الوكلاء في نظام دفع غير مصرح به وفعال من حيث التكلفة، مما يفتح إمكانيات لأسواق وتفاعلات اقتصادية جديدة.

التوقعات

مجال الوكالة لا يزال في نشوئه منصة. 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 القائمة على النقر إلى القائمة على النص، مع قدرة المستخدمين على التفاعل مع الوكلاء الموجودين على السلسلة عبر LLM. أطلقت فرق مثل Dawn Wallet محافظ chatbot للمستخدمين للتفاعل على السلسلة.

من غير الواضح أيضًا كيف سيعمل الوكلاء في Web 2، حيث تعتمد Financial Rail على المؤسسات المصرفية المنظمة التي لا تتوفر عمليات على مدار 24 ساعة يوميًا، ولا يمكنها إجراء معاملات سلسة عبر الحدود. وكما أوضح لين ألدن، فإن الافتقار إلى المبالغ المستردة والقدرة على معالجة المعاملات الدقيقة يجعل مسارات العملات المشفرة جذابة بشكل خاص مقارنة ببطاقات الائتمان. ومع ذلك، إذا أصبح الوكلاء وسيلة أكثر شيوعًا للمعاملات، فمن المرجح أن يتحرك مقدمو وتطبيقات الدفع الحاليون بسرعة لتنفيذ البنية التحتية المطلوبة للعمل على القضبان المالية الحالية، مما يقوض 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 خارج حالات استخدام العملات المشفرة الجديدة على السلسلة، هناك حاجة إلى تكامل وقبول العملات المشفرة على نطاق أوسع 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

لقد عرّفنا الذكاء الاصطناعي على العملات المشفرة بنفس الطريقة الابتكارات التي شوهدت في web2، تعزز 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 المستقبل القريب لتكامل العملات المشفرة والذكاء الاصطناعي.

ستعمل منتجات مثل Copilot على "زيادة كفاءة المطورين بمقدار 10 أضعاف"، وقد عقدت تطبيقات Layer 1 وDeFi شراكة مع شركات كبرى مثل Microsoft لإطلاق منصة تطوير مساعدة الذكاء 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.

للحصول على عمليات تكامل أكثر تقدمًا تستفيد حقًا من التكنولوجيا الأساسية للعملات المشفرة، يظل التحدي يتمثل في إثبات أن تنفيذ حلول الذكاء الاصطناعي على السلسلة أمر ممكن من الناحية الفنية، وهو أيضًا ممكن اقتصاديًا ممكن. تشير التطورات في الحوسبة اللامركزية وzkML ووكلاء الذكاء الاصطناعي إلى قطاعات واعدة تمهد الطريق لمستقبل متصل بعمق بين العملات المشفرة والذكاء الاصطناعي.