• التقاطع بين الذكاء الاصطناعي (AI) والعملات الرقمية واسع ولكن غالبا ما يتم تفسيره بشكل غير جيد. نحن نعتقد أن الأقسام المختلفة في هذا التقاطع لديها فرص مميزة وجداول زمنية للتطوير مختلفة.
• نعتقد عمومًا أنه بالنسبة لمنتجات الذكاء الاصطناعي، ليس اللامركزية وحدها كافية لتحقيق ميزة تنافسية - يجب أيضًا تحقيق المساواة الوظيفية مع المنتجات المركزية في بعض المجالات الرئيسية الأخرى.
• رأينا المعاكس هو أنه نظرًا للانتباه الواسع المنتشر على صناعة الذكاء الاصطناعي، قد تكون قيمة العديد من الرموز المتعلقة بالذكاء الاصطناعي مبالغًا فيها، وقد تفتقر العديد من الرموز المتعلقة بالذكاء الاصطناعي إلى عوامل دافعة مستدامة من جانب الطلب على المدى القصير إلى المتوسط.

في السنوات الأخيرة، شهدت الذكاء الاصطناعي اختراقات مستمرة، خاصة في مجال الذكاء الاصطناعي الإنشائي، مما جذب اهتماما كبيرا لصناعة الذكاء الاصطناعي وقدم فرصًا لمشاريع العملات الرقمية الموجودة عند تقاطع الاثنين. ناقشنا في تقرير سابق بعض الاحتمالات للقطاع في تقرير في وقت مبكر في يونيو 2023، لافتين إلى أن توزيع رأس المال العام في العملات الرقمية يبدو أنه يستثمر قليلا في الذكاء الاصطناعي. لقد نمت مجال الذكاء الاصطناعي في عالم العملات الرقمية بشكل هائل منذ ذلك الحين، ونعتقد أنه من المهم أن نشير إلى بعض التحديات العملية التي قد تعيق اعتماده على نطاق واسع.

التغيير السريع في الذكاء الاصطناعي يجعلنا حذرين من الادعاءات الجريئة التي تزعم أن منصات العملات الرقمية موجهة بشكل فريد لتعطيل الصناعة؛ هذا يدفعنا إلى الاعتقاد بأن معظم الرموز الخاصة بالذكاء الاصطناعي لديها مسار زيادة قيمة طويل الأمد ومستدام. الطريق مليء بعدم اليقين، خاصة بالنسبة للمشاريع ذات النماذج الاقتصادية للرموز الثابتة. بدلاً من ذلك، نعتقد أن بعض الاتجاهات الناشئة في مجال الذكاء الاصطناعي قد تجعل بالفعل من الصعب اعتماد الابتكارات المعتمدة على العملات الرقمية، نظرًا للمنافسة الأوسع في السوق والتنظيم.

ومع ذلك، نعتقد أن النقطة بين الذكاء الاصطناعي والعملات الرقمية واسعة ولديها فرص متنوعة، مع احتمالية التبني بشكل أسرع في بعض الأقسام الفرعية، على الرغم من عدم وجود رموز تم تسويقها بالفعل في العديد من هذه المجالات. ومع ذلك، لا يبدو أن هذا يقلل من اهتمام المستثمرين. نجد أن أداء الرموز الرقمية المتعلقة بالذكاء الاصطناعي مدعوم بعناوين سوق الذكاء الاصطناعي وقد يكون له تأثير سعري إيجابي حتى في الأيام التي يتداول فيها بيتكوين بقيمة أقل. لذلك، نعتقد أن العديد من الرموز المتعلقة بالذكاء الاصطناعي يمكن أن تستمر في التداول كتمثيل لتقدم الذكاء الاصطناعي.

الاتجاهات الرئيسية في الذكاء الاصطناعي

واحدة من أهم الاتجاهات في مجال الذكاء الاصطناعي (المتعلقة بمنتجات العملات الرقمية) هو الثقافة المستمرة المحيطة بنماذج المصدر المفتوح. يتم عرض أكثر من 530،000 نموذج على Hugging Face للباحثين والمستخدمين لتلاعبها وضبطها بشكل جيد. دور Hugging Face في التعاون في الذكاء الاصطناعي ليس مختلفًا عن الاعتماد على GitHub لاستضافة الشفرة أو Discord لإدارة المجتمع (كلاهما مستخدم على نطاق واسع في مجال العملات الرقمية). باستثناء التسيير السيئ الجدّي، لا يُعتقد أن هذا الوضع سيتغير في المستقبل القريب.

تتراوح النماذج المتوفرة على Hugging Face من نماذج اللغات الكبيرة (LLMs) إلى نماذج الصور والفيديو التوليدية ، وتشمل إبداعات من اللاعبين الرئيسيين في الصناعة مثل Open الذكاء الاصطناعي و Meta و Google ، بالإضافة إلى المطورين المستقلين. حتى أن بعض نماذج اللغات مفتوحة المصدر لها مزايا أداء على أحدث نماذج المصادر المغلقة من حيث الإنتاجية (مع الحفاظ على جودة مخرجات مماثلة) ، مما يضمن درجة من المنافسة بين النماذج مفتوحة المصدر والنماذج التجارية (انظر الشكل 1). الأهم من ذلك ، نعتقد أن هذا النظام البيئي المفتوح المصدر النابض بالحياة جنبا إلى جنب مع قطاع تجاري شديد التنافسية قد مكن صناعة يتم فيها إخراج النماذج السيئة من المنافسة.

الاتجاه الثاني هو زيادة جودة وكفاءة تكلفة النماذج الأصغر (المسلطة عليها في بحث LLM في عام 2020 وفي ورقة حديثة من Microsoft)، والتي تتزامن أيضًا مع ثقافة المصدر المفتوح لتمكين الأداء العالي، وتشغيل نماذج الذكاء الاصطناعي محليًا. يمكن أن تتفوق بعض النماذج المصدر المفتوح المعدلة بدقة حتى على النماذج المغلقة الرائدة على بعض المعايير. في مثل هذا العالم، يمكن تشغيل بعض نماذج الذكاء الاصطناعي محليًا، مما يعزز اللامركزية. بالطبع، ستستمر الشركات التكنولوجية الحالية في تدريب وتشغيل النماذج الأكبر على السحابة، ولكن المساحة التصميمية بين النموذجين ستتطلب تنازلات.

بالإضافة إلى ذلك، نظرًا لتزايد تعقيد مهمة مقارنة نماذج الذكاء الاصطناعي (بما في ذلك تلوث البيانات وتغيير نطاقات الاختبار)، قد يكون توليد نواتج النموذج تقييمها في النهاية أمرًا يتم تقييمه بشكل أفضل من قبل المستخدمين النهائيين في سوق حر. في الواقع، يمكن للمستخدمين النهائيين استخدام الأدوات الحالية لمقارنة نواتج النموذج جنبًا إلى جنب مع الشركات الرائدة التي تقوم بنفس العمليات. يمكن الحصول على فكرة تقريبية عن صعوبة مقايسات الذكاء الاصطناعي التوليدية من خلال تنوع متزايد لمقايسات اللغة الطبيعية العميقة المفتوحة، بما في ذلك MMLU، HellaSwag، TriviaQA، BoolQ، الخ، التي تختبر كل من الحالات الاستخدام المختلفة مثل الاستدلال بالحس السليم، المواضيع الأكاديمية، وتنسيقات الأسئلة المختلفة.

الاتجاه الثالث الذي نراقبه في مجال الذكاء الاصطناعي هو أن المنصات الحالية ذات الالتصاق القوي للمستخدم أو حلول محددة لمشاكل الأعمال يمكن أن تستفيد بشكل مفرط من دمج الذكاء الاصطناعي. على سبيل المثال، فإن دمج GitHub Copilot مع محررات الشفرة يعزز بيئة تطوير قوية بالفعل. كما أن تضمين واجهات الذكاء الاصطناعي في أدوات أخرى، من عملاء البريد الإلكتروني إلى جداول البيانات وبرامج إدارة علاقات العملاء، هي حالات استخدام طبيعية أيضًا للذكاء الاصطناعي (على سبيل المثال، يقوم مساعد Klarna للذكاء الاصطناعي بعمل 700 موظف خدمة عملاء بدوام كامل).

ولكن من الجدير بالذكر أن في العديد من هذه السيناريوهات، لن تؤدي نماذج الذكاء الاصطناعي إلى إنشاء منصات جديدة، بل ستعزز فقط تلك الموجودة بالفعل. تعتمد نماذج الذكاء الاصطناعي الأخرى التي تحسن العمليات التجارية التقليدية داخليًا (على سبيل المثال، نظام الشبكة العنقودية لشركة ميتا، الذي ساعد في استعادة أداء إعلانات آبل إلى المستويات القديمة بعد إطلاق شفافية تتبع التطبيقات) كثيرًا ما تعتمد على البيانات المملوكة والأنظمة المغلقة. من المحتمل أن تظل هذه الأنواع من نماذج الذكاء الاصطناعي مغلقة المصدر لأنها متكاملة رأسيًا في المنتج الأساسي وتستخدم بيانات مملوكة.

في عالم الأجهزة والحوسبة الذكاء الاصطناعي ، نرى اتجاهين آخرين مرتبطين. الأول هو التحول في استخدام الحوسبة من التدريب إلى الاستدلال. أي أنه عندما يتم تطوير نماذج الذكاء الاصطناعي لأول مرة ، يتم استخدام كميات هائلة من موارد الحوسبة "لتدريب" النموذج عن طريق تغذيته بمجموعات بيانات كبيرة. لقد انتقلنا الآن إلى نشر النموذج والاستعلام عنه.

أظهرت مكالمة أرباح NVIDIA في فبراير 2024 أن حوالي 40٪ من أعمالهم تم استخدامها للاستدلال. أدلى ساتيا ناديلا بتصريحات مماثلة في مكالمة أرباح Microsoft في الشهر السابق لشهر يناير ، مشيرا إلى أن "معظم" استخدام Azure الذكاء الاصطناعي هو للتفكير. مع استمرار هذا الاتجاه ، نعتقد أن الكيانات التي تسعى إلى تحقيق الدخل من النماذج ستعطي الأولوية للمنصات التي يمكنها تشغيل النماذج بشكل موثوق بطريقة آمنة وجاهزة للإنتاج.

الاتجاه الرئيسي الثاني هو المنافسة المحيطة ببنية الأجهزة. ستكون معالجات Nvidia H200 متاحة ابتداءً من الربع الثاني من عام 2024، مع توقع زيادة أداء الجيل القادم B100 بشكل مزدوج. بالإضافة إلى ذلك، قد تزيد الدعم المستمر من Google لوحدة معالجة Tensor الخاصة بها (TPU) ووحدة معالجة اللغة الحديثة من Groq (LPU) من حصتها السوقية كبدائل في هذا المجال في السنوات القادمة (انظر الشكل 2). يمكن أن تغير مثل هذه التطورات ديناميكيات التكلفة في صناعة الذكاء الاصطناعي ويمكن أن تعود بالفائدة على مزودي خدمات السحابة، مما يمكنهم من التحول بسرعة، وشراء الأجهزة بالجملة، وتكوين أي متطلبات شبكات فيزيائية ذات صلة وأدوات تطوير البرمجيات المتصلة.

بصفة عامة، مجال الذكاء الاصطناعي هو مجال ناشئ ومتطور بسرعة. أقل من 1.5 عامًا بعد إطلاق ChatGPT لأول مرة إلى السوق في نوفمبر 2022 (على الرغم من أن نموذج GPT 3 الذي يكمن أساسه قد كان موجودًا منذ يونيو 2020)، كان النمو السريع في المجال منذ ذلك الحين مدهشًا. على الرغم من بعض السلوكيات المشكوك فيها بشأن التحيزات وراء بعض نماذج الذكاء الاصطناعي الإبداعي، يمكننا رؤية نماذج أداء أقل تدريجيًا تُستبدل بوتيرة أفضل من خلال السوق لصالح بدائل أفضل. النمو السريع للصناعة والإمكانية الكبيرة لتنظيمات قادمة تعني أن مشاكل الصناعة تتغير بانتظام مع توافر حلول جديدة.

بالنسبة لمثل هذا المجال سريع الابتكار ، فإن "الحل اللامركزي [XXX]" الذي كثيرا ما يوصف به كنتيجة مفروغ منها سابق لأوانه. كما أنه يحل بشكل استباقي مشكلة مركزية قد لا تكون موجودة بالضرورة. الحقيقة هي أن صناعة الذكاء الاصطناعي حققت درجة كبيرة من اللامركزية عبر قطاعات التكنولوجيا والأعمال من خلال المنافسة بين العديد من الشركات المختلفة والمشاريع مفتوحة المصدر. علاوة على ذلك ، نظرا لطبيعة عمليات صنع القرار وتوافق الآراء ، تتقدم البروتوكولات اللامركزية بوتيرة أبطأ من البروتوكولات المركزية على المستويين التقني والاجتماعي. وهذا يمكن أن يخلق عقبات في السعي إلى تحقيق التوازن بين اللامركزية والمنتجات التنافسية في هذه المرحلة من تطور الذكاء الاصطناعي. بمعنى آخر ، هناك أوجه تآزر بين العملة المشفرة والذكاء الاصطناعي يمكن تحقيقها بشكل هادف على مدى فترة طويلة من الزمن.

نطاق الفرصة

بشكل عام، نقسم تقاطع الذكاء الصناعي والعملات الرقمية إلى فئتين رئيسيتين. الفئة الأولى هي حالات الاستخدام التي تحسن منتجات الذكاء الصناعي صناعة العملات الرقمية. وهذا يشمل سيناريوهات تتراوح بين إنشاء معاملات قابلة للقراءة من قبل الإنسان وتحسين تحليل بيانات البلوكشين، إلى استغلال الناتج النموذجي على السلسلة كجزء من بروتوكول غير مرخص. الفئة الثانية هي حالات الاستخدام التي تهدف فيها العملات الرقمية إلى تعطيل خطوط الأنابيب الصناعية التقليدية من خلال الحوسبة اللامركزية، والتحقق، والهوية، إلخ.

حالات الاستخدام لفئة السيناريوهات ذات الصلة بالأعمال السابقة واضحة، ونحن نعتقد أنه بينما تظل تحديات تقنية كبيرة قائمة، هناك أيضًا آفاق طويلة الأمد في سيناريوهات نماذج استدلالية أكثر تعقيدًا على السلسلة. يمكن لنماذج الذكاء الاصطناعي المركزية تحسين عملات مثل أي صناعة أخرى موجهة تقنيًا، بدءًا من تحسين أدوات المطور ومراجعة الشيفرة إلى ترجمة اللغة البشرية إلى إجراءات على السلسلة. ومع ذلك، يتدفق الاستثمار في هذا المجال عادةً إلى الشركات الخاصة من خلال رأس المال الاستثماري، لذا فإنه غالبًا ما يتم تجاهله من قبل الأسواق العامة.

ومع ذلك، فإن الآثار والفوائد من كيفية استفزاز العملات الرقمية لخطوط الأنابيب الحالية للذكاء الاصطناعي أقل تأكيدًا بالنسبة لنا. الصعوبات في الفئة الأخيرة ليست مجرد تحديات تقنية (التي نعتقد أنها عمومًا قابلة للحل على المدى الطويل)، ولكن أيضًا معارك صعودية مع قوى السوق والتنظيم الأوسع نطاقًا. كانت الكثير من الاهتمام الأخير بالذكاء الاصطناعي والعملات الرقمية مركزة على هذه الفئة، حيث تكون حالات الاستخدام هذه أكثر ملاءمة لامتلاك الرموز السائلة. هذا هو تركيز قسمنا التالي، حيث يوجد حاليًا عدد قليل نسبيًا من الرموز السائلة ذات الصلة بأدوات الذكاء الاصطناعي المركزية في العملات الرقمية.

دور العملات الرقمية في خطوط الذكاء الاصطناعي

على مر الخطر من تبسيط المسألة، نحن نعتبر الأثر المحتمل للعملات الرقمية على الذكاء الاصطناعي في أربع مراحل رئيسية من خط الذكاء الاصطناعي:

1. جمع البيانات، وتخزينها، ومعالجتها

2. تدريب النموذج والاستدلال

3. التحقق من إخراج النموذج

4. تتبع إخراج نموذج الذكاء الاصطناعي

ظهرت العديد من مشاريع الذكاء الاصطناعي في مجال العملات الرقمية في هذه المجالات. ومع ذلك، ستواجه العديد منها تحديات جادة في الفترة القصيرة إلى المتوسطة من جهة توليد الطلب والمنافسة الشرسة من الشركات المركزية والحلول مفتوحة المصدر.

بيانات خاصة

البيانات هي أساس جميع نماذج الذكاء الاصطناعي ويمكن أن تكون العامل المميز الرئيسي في أداء نموذج الذكاء الاصطناعي المهني. بيانات سلسلة الكتل التاريخية بحد ذاتها مصدر غني جديد للبيانات للنماذج، وتهدف بعض المشاريع مثل Grass أيضًا إلى الاستفادة من حوافز العملات الرقمية لتنظيم مجموعات بيانات جديدة من الإنترنت المفتوح. في هذا الصدد، لدى مجال العملات الرقمية الفرصة لتوفير مجموعات بيانات خاصة بالصناعة وتحفيز إنشاء مجموعات بيانات قيمة جديدة. (نعتقد أن صفقة ترخيص بيانات Reddit البالغة 60 مليون دولار سنويًا مع Google تبشر بمستقبل تسويق مجموعات البيانات.)

استخدمت العديد من النماذج الأولية (مثل GPT 3) مزيجًا من مجموعات البيانات المفتوحة مثل CommonCrawl و WebText2 والكتب وويكيبيديا، بالإضافة إلى مجموعات بيانات مماثلة متاحة بحرية على Hugging Face (الذي يضم حاليًا أكثر من 110،000 خيار). ومع ذلك، ربما من أجل حماية المصالح التجارية، لم تطلق العديد من النماذج الحديثة المغلقة المصدر بعد تكوين مجموعة بيانات التدريب النهائية الخاصة بها. سيستمر الاتجاه نحو مجموعات بيانات ممتلكات الحقوق، خاصة في نماذج الأعمال، وسيزيد من أهمية تراخيص البيانات.

تعمل الأسواق المركزية الحالية للبيانات بالفعل على سد الفجوة بين مقدمي البيانات والمستهلكين، مما يترك فرصة لحلول أسواق بيانات لامركزية جديدة محشورة بين فهارس البيانات مفتوحة المصدر والمنافسين المؤسسيين. من دون دعم هيكل قانوني، سيحتاج السوق المركزية للبيانات بشكل نقدي أيضًا إلى بناء واجهات بيانات موحدة وأنابيب بيانات، والتحقق من سلامة البيانات والتكوين، وحل مشكلة البدء البارد لمنتجاتها - مع موازنة حوافز الرموز بين المشاركين في السوق.

بالإضافة إلى ذلك، قد تجد حلول التخزين اللامركزية مكانًا في نهاية المطاف في صناعة الذكاء الاصطناعي، على الرغم من وجود العديد من التحديات في هذا الصدد. من جهة، توجد بالفعل خطوط أنابيب لتوزيع مجموعات بيانات مفتوحة المصدر وتستخدم على نطاق واسع. من ناحية أخرى، العديد من أصحاب مجموعات البيانات الممتلكة لديهم متطلبات صارمة في مجال الأمان والامتثال.

حالياً، لا توجد مسارات تنظيمية لاستضافة البيانات الحساسة على منصات التخزين اللامركزية مثل Filecoin و Arweave. العديد من المؤسسات لا تزال في مرحلة الانتقال من خوادم الأمانة إلى مزودي تخزين السحابة المركزية. علاوة على ذلك، الطبيعة اللامركزية لهذه الشبكات لا تلبي حالياً بعض متطلبات الموقع الجغرافي والعزل الفعلي للبيانات لتخزين البيانات الحساسة على المستوى الفني.

على الرغم من أن مقارنات الأسعار بين حلول التخزين اللامركزي ومزودي السحابة المعتمدين تشير إلى أن وحدات التخزين اللامركزية أرخص لكل وحدة، إلا أن هذا يتجاهل فرضية هامة. أولاً، يجب أن تُدرَس التكاليف الأولية المرتبطة بترحيل الأنظمة بين المزودين بالإضافة إلى نفقات التشغيل اليومية. ثانياً، تحتاج منصات التخزين اللامركزية المعتمدة على العملات الرقمية إلى مواءمة أدوات أفضل وتكامل مع أنظمة السحابة الناضجة التي تم تطويرها على مدى العقدين الماضيين. توفر حلول السحابة أيضاً تكاليف متوقعة أكثر من منظور عمليات الأعمال، وتقدم التزامات تعاقدية وفرق دعم مخصصة، وتمتلك مجموعة كبيرة من المواهب المطورة الحالية.

تجدر الإشارة أيضا إلى أن المقارنة السريعة مع مزودي الخدمات السحابية الرئيسيين الثلاثة (Amazon Web Services و Google Cloud Platform و Microsoft Azure) غير مكتملة. هناك العشرات من الشركات السحابية منخفضة التكلفة التي تتنافس أيضا على حصة السوق من خلال تقديم رفوف خوادم أساسية أرخص. نعتقد أن هؤلاء هم المنافسون الرئيسيون الحقيقيون على المدى القريب للمستهلكين المهتمين بالتكلفة.

بمعنى آخر، قد تلعب الابتكارات الحديثة مثل حسابات بيانات Filecoin وبيئة حسابات AO لـ Arweave دورًا في المشاريع الجديدة التي قد تستخدم مجموعات بيانات أقل حساسية أو للشركات التي لم تصبح بعد موردين حساسين للتكاليف (ربما أصغر من حيث الحجم).

لذلك، بينما يوجد بالتأكيد مجال لمنتجات تشفيرية جديدة في مجال البيانات، ستحدث اضطرابات تكنولوجية حديثة حيث يمكنها توليد عروض قيم فريدة. المجالات التي تنافس المنتجات اللامركزية بشكل مباشر مع المنافسين التقليديين ومفتوحي المصدر ستستغرق وقتًا أطول للتقدم.

تدريب النماذج واستنتاجها

يهدف مجال الحوسبة اللامركزية (DeComp) في مجال العملات الرقمية أيضًا إلى خدمة بديلة للحوسبة السحابية المركزية، جزئيًا بسبب نقص إمدادات وحدة المعالجة الرسومية الحالية. تم اقتراح حل واحد لمعالجة هذه المشكلة هو إعادة استخدام موارد الحوسبة الخاملة داخل الشبكات الجماعية، مما يقلل من التكاليف لمقدمي الخدمات السحابية المركزية. قامت بروتوكولات مثل Akash و Render بتنفيذ حلول مماثلة. تشير المؤشرات الأولية إلى أن مثل هذه المشاريع تشهد زيادة في استخدامها من قبل العملاء والموردين على حد سواء. على سبيل المثال، تضاعفت عقود الإيجار النشطة لـ Akash (أي عدد المستخدمين) ثلاث مرات منذ بداية العام (انظر الشكل رقم 3)، وذلك بسبب الاستخدام المتزايد لمواردها في التخزين والحوسبة.

ومع ذلك ، فقد انخفضت الرسوم المدفوعة للشبكة بالفعل منذ الذروة في ديسمبر 2023 ، حيث تجاوز المعروض من وحدات معالجة الرسومات المتاحة النمو في الطلب على هذه الموارد. ومع ذلك ، مع انضمام المزيد من مقدمي الخدمات إلى الشبكة ، انخفض عدد وحدات معالجة الرسومات المستأجرة (والتي يبدو أنها أكبر محرك للإيرادات نسبيا) (انظر الشكل 4). بالنسبة للشبكات التي يمكن أن تتغير فيها الأسعار الحسابية بناء على التغيرات في العرض والطلب ، فمن غير الواضح أين سيظهر الطلب المستدام المدفوع بالاستخدام على الرموز الأصلية في النهاية إذا تجاوز نمو جانب العرض نمو جانب الطلب. في حين أن التأثير طويل الأجل لمثل هذه التغييرات غير واضح ، فقد تحتاج هذه النماذج الاقتصادية الرمزية إلى المراجعة في المستقبل لتحسين تغيرات السوق.

من الناحية التقنية، تواجه الحلول المحوسبة اللامركزية أيضًا تحديات قيود عرض النطاق الترددي للشبكة. بالنسبة للنماذج الكبيرة التي تتطلب تدريب على عدة عقد، يلعب طبقة البنية التحتية للشبكة الفعلية دورًا حاسمًا. سرعات نقل البيانات، التزامن الزائد، ودعم بعض خوارزميات التدريب الموزعة تعني أن تكوينات الشبكة المحددة والاتصالات الشبكية المخصصة (مثل InfiniBand) مطلوبة لتيسير التنفيذ عالي الأداء. عند تجاوز حجم معين للعنقود، يصعب تنفيذه بطريقة لامركزية.

في الختام، يواجه النجاح على المدى الطويل للحوسبة (والتخزين) اللامركزية منافسة شرسة من مقدمي الخدمات السحابية المركزية. ستكون أي اعتماد عملية طويلة المدى تشبه الجدول الزمني للاعتماد على السحابة. نظرًا للتعقيد التكنولوجي المتزايد لتطوير الشبكات اللامركزية، جنبًا إلى جنب مع نقص فرق التطوير والمبيعات القابلة للتوسيع بنفس القدر، ستكون رحلة تحقيق رؤية الحوسبة اللامركزية تحديًا.

التحقق والثقة في النماذج

مع تزايد أهمية نماذج الذكاء الاصطناعي في الحياة اليومية، تتزايد المخاوف بشأن جودة إخراجها والانحيازات المتزايدة. بعض مشاريع العملات الرقمية تهدف إلى معالجة هذه المسألة من خلال الاستفادة من نهج خوارزمي لتقييم الإخراجات عبر فئات مختلفة، بحثًا عن حلا مركزيًا مبنيًا على السوق. ومع ذلك، تجعل التحديات المحيطة بمعايرة النموذج، جنبًا إلى جنب مع التناقضات الواضحة بين التكلفة والإنتاجية والجودة، من الصعب إجراء مقارنات وجهاً لوجه. بيت تنسور هي واحدة من أكبر العملات الرقمية المركزة على الذكاء الاصطناعي وتهدف إلى معالجة هذه المسألة، على الرغم من أن التحديات التقنية البارزة العديدة قد تعيق اعتمادها على نطاق واسع (انظر الملحق 1).

بالإضافة إلى ذلك ، يعد الاستدلال على النموذج غير الموثوق به (أي إثبات أن مخرجات النموذج يتم إنشاؤها بالفعل بواسطة النموذج المطالب به) مجالا بحثيا نشطا آخر في تقاطع العملة المشفرة و الذكاء الاصطناعي. ومع ذلك ، مع تقلص حجم النماذج مفتوحة المصدر ، قد تواجه هذه الحلول تحديات في الطلب. في عالم يمكن فيه تنزيل النماذج وتشغيلها محليا ويمكن التحقق من سلامة المحتوى من خلال طرق تجزئة / المجموع الاختباري القوية للملفات ، يكون دور الاستدلال غير الموثوق به أقل وضوحا. في الواقع ، لا يزال من غير الممكن تدريب العديد من نماذج اللغات الكبيرة (LLMs) وتشغيلها على أجهزة خفيفة الوزن مثل الهواتف الذكية ، ولكن أجهزة الكمبيوتر المكتبية القوية (مثل تلك المستخدمة في الألعاب المتطورة) يمكنها بالفعل تشغيل العديد من الطرز عالية الأداء.

أصل البيانات والهوية

مع تصبح إخراج الذكاء الاصطناعي الإنشائي أكثر صعوبة من التمييز عن الإخراج البشري، يبرز أهمية تحديد وتتبع ما يولده الذكاء الاصطناعي. يجتاز GPT 4 اختبار تورينج 3 مرات أسرع من GPT 3.5، ومن المرجح بشكل شبه لا مفر منه أن نكون يومًا ما غير قادرين على التمييز بين الروبوتات والبشر. في مثل هذا العالم، ستكون تحديد هوية المستخدمين عبر الإنترنت ووضع علامات مائية على المحتوى الذي يولده الذكاء الاصطناعي قدرات رئيسية.

المعرفون اللامركزية وآليات التحقق من الهوية مثل عملة العالم تهدف إلى معالجة التحديات السابقة في تحديد البشر على السلسلة. بالمثل، يمكن لنشر تجزئات البيانات إلى سلسلة الكتل أن يساعد في إنشاء الطابع الزمني والتحقق من مصدر المحتوى. ومع ذلك، كما هو الحال مع الحلول الجزئية المذكورة، نعتقد أنه يجب أن يكون هناك توازن بين إمكانية الحلول المستندة إلى العملات الرقمية والبدائل المركزية.

بعض البلدان، مثل الصين، تربط هويات الإنترنت بقواعد بيانات تسيطر عليها الحكومة. في حين أن درجة اللامركزية في أجزاء أخرى من العالم قد لا تكون مرتفعة بنفس القدر، يمكن أيضًا لتحالفات موفري معرف العميل (KYC) أن تقدم حلول التحقق من الهوية بشكل مستقل عن تقنية سلسلة الكتل (مماثلة لسلطات الشهادات الموثوقة التي تشكل أساس أمان الإنترنت اليوم). يجري حاليا بحث في ترميز الذكاء الاصطناعي لتضمين إشارات مخفية في النصوص والصور بحيث يمكن للخوارزميات اكتشاف ما إذا كان المحتوى مولدًا بواسطة الذكاء الاصطناعي. العديد من شركات الذكاء الصناعي الرائدة، بما في ذلك مايكروسوفت، وأنثروبيك، وأمازون، تلتزم علنًا بإضافة مثل هذه العلامات المائية إلى محتواها المولد.

علاوة على ذلك، تم تكليف العديد من مزودي المحتوى الحاليين بتسجيل بيانات التعريف للمحتوى بشكل صارم لتلبية متطلبات الامتثال. لذلك، غالبًا ما يُكلف المستخدمون ببيانات التعريف المرتبطة بمشاركات وسائل التواصل الاجتماعي (ولكن لا يثقون في لقطات الشاشة)، حتى لو كانت مخزنة مركزيًا. يجدر بالذكر أن أي حل معتمد على العملات الرقمية لجلب البيانات وحلول الهوية يحتاج إلى التكامل مع منصات المستخدمين لتحقيق فاعلية واسعة. لذلك، بينما تعتبر الحلول المعتمدة على العملات الرقمية لإثبات الهوية وجلب البيانات ممكنة تقنيًا، نعتقد أيضًا أن اعتمادها غير محدد مسبقًا وسيعتمد في النهاية على متطلبات الأعمال والامتثال والتنظيم.

تداول السرد الذكي

على الرغم من الصعوبات المذكورة أعلاه، فقد تفوقت العديد من العملات الرقمية الذكاء الاصطناعي على بيتكوين وإيثيريوم ابتداءً من الربع الرابع من عام 2023، بالإضافة إلى الأسهم الرئيسية للذكاء الاصطناعي مثل نفيديا ومايكروسوفت. يعود ذلك إلى أن العملات الرقمية الذكاء الاصطناعي عادةً ما تستفيد من أداء نسبي قوي في السوق الرقمية الأوسع وعناوين أخبار الذكاء الاصطناعي ذات الصلة (انظر التذييل 2). لذلك، حتى إذا انخفض سعر بيتكوين، قد تتقلب أسعار العملات المركزة على الذكاء الاصطناعي صعودًا، مما يمكن أن يؤدي إلى تقلب صعودي أثناء انخفاض بيتكوين. يُظهر الشكل 5 تشتت العملات الرقمية الذكاء الاصطناعي بصورة بصرية أثناء تراجع تداول بيتكوين.

بشكل عام، لا يزال هناك العديد من العوامل التي تدعم الطلب على المدى القصير في سرد الذكاء الاصطناعي في مجال العملات الرقمية. غياب توقعات ومقاييس واضحة للاعتماد أدى إلى انتشار التكهنات الشبيهة بالميمات بشكل واسع، والتي قد لا تكون مستدامة على المدى الطويل. في نهاية المطاف، سيتلاقى السعر والفائدة - السؤال الغير محلول هو كم سيستغرق هذا وما إذا كانت الفائدة سترتفع لتلبية السعر، أم العكس. ذلك قال، فإن البناء المستمر لسوق العملات الرقمية والصناعة المزدهرة للذكاء الاصطناعي قد يدعم سردًا قويًا للذكاء الاصطناعي في مجال العملات الرقمية لفترة معينة.

استنتاج

إن دور العملة المشفرة في الذكاء الاصطناعي ليس مجرد تجريد - فأي منصة لامركزية تتنافس مع البدائل المركزية الحالية ويجب تحليلها مقابل المتطلبات التجارية والتنظيمية الأوسع. ولذلك، فإن مجرد الاستعاضة عن مقدمي الخدمات المركزية بأخرى "لا مركزية" لا يكفي لدفع تقدم ذي مغزى. توجد نماذج الذكاء الاصطناعي التوليدية منذ عدة سنوات واحتفظت بدرجة من اللامركزية بسبب المنافسة في السوق والبرامج مفتوحة المصدر.

موضوع متكرر في هذا التقرير هو الاعتراف بأن الحلول القائمة على العملات الرقمية غالباً ما تكون قابلة تقنياً، ولكن تتطلب لا تزال العمل الكبير لتحقيق وظائف تتماشى مع المنصات المركزية أكثر، التي من غير المرجح أن تبقى ثابتة في التطورات المستقبلية. في الواقع، بسبب آلية التوافق، يتقدم التطور المركزي في كثير من الأحيان بسرعة أكبر من التطوير اللامركزي، الأمر الذي قد يشكل تحديات لمجال مثل الذكاء الاصطناعي الذي يتطور بسرعة.

وبناءً على ذلك، فإن تقاطع الذكاء الاصطناعي والعملات الرقمية لا يزال في مراحله الأولى، وقد تحدث تغييرات سريعة في السنوات القادمة مع التطور الأوسع لمجال الذكاء الاصطناعي. لا يتمتع مستقبل الذكاء الاصطناعي اللامركزي بالضمانات، كما هو تصور العديد في صناعة العملات الرقمية - في الواقع، يظل مستقبل صناعة الذكاء الاصطناعي غير مؤكد إلى حد كبير. لذلك، نعتقد أن النهج الحكيم هو الملاحة بحذر في مثل هذه الأسواق، والتعمق في الحلول القائمة على العملات الرقمية، وفهم كيفية توفير بدائل أفضل أو فهم السرديات التجارية المحتملة بشكل حقيقي.

رابط المقال الأصلي

بيان:

1. This article originally titled “加密世界的AI海市蜃楼” is reproduced from [theblockbeats]. جميع حقوق الطبع والنشر تنتمي إلى الكاتب الأصلي [ديفيد هان]. إذا كان لديك أي اعتراض على إعادة الطبع، يرجى التواصلتعلم Gateالفريق، سيتولى الفريق الأمر في أقرب وقت ممكن.

2. تنويه: تعبر الآراء والآراء المعبر عنها في هذه المقالة فقط عن آراء الكاتب الشخصية ولا تشكل أي نصيحة استثمارية.

3. تتم ترجمة المقالات إلى لغات أخرى من قبل فريق Gate Learn. ما لم يرد غير ذلك، يُحظر نسخ أو توزيع أو نسخ المقالات المترجمة.