jakiro
المؤلف: Zeke ، YBB Capital ؛
مقدمة
في 16 فبراير ، أعلنت Openai عن إطلاق أحدث نموذج نشر الفيديو Wensheng يسمى “Sora”.على عكس Pika وغيرها من أدوات توليد الفيديو AI التي تنشئ عدة ثوان من الفيديو من صور متعددة ، تتدرب Sora في المساحة المحتملة المضغوطة للفيديو والصور لتحليلها إلى تصحيح وقت الفضاء لإنشاء مقاطع فيديو قابلة للتطوير.بالإضافة إلى ذلك ، يوضح النموذج قدرة العوالم المادية والرقمية المحاكاة ، ويوصف عرضه المظاهر الـ 60 بأنه “محاكاة عامة للعالم المادي”.
تواصل SORA المسار الفني لنموذج GPT السابق “المصدر لبيانات الانتشار-الانتشار” ، مما يشير إلى أن نضجه على تطويره يعتمد أيضًا على قوة الحوسبة.بالنظر إلى أن كمية البيانات المطلوبة للتدريب على الفيديو أكبر من النص ، فمن المتوقع أن يزداد طلبها على قوة الحوسبة.ومع ذلك ، كما ناقشنا مقالنا السابق “تعميم الصناعة المحتملة: سوق اللامركزية” ، تمت مناقشة أهمية الحوسبة في عصر الذكاء الاصطناعي. وقت المحاولات في وقت المحاولات.بالإضافة إلى DePin ، تهدف هذه المقالة إلى تحديث وتحسين المناقشات السابقة ، والتفكير في الشرارات التي قد تنتجها Web3 و AI والفرص في المسار في عصر الذكاء الاصطناعي.
الاتجاهات الثلاثة لتطوير الذكاء الاصطناعي
الذكاء الاصطناعى هو العلوم والتكنولوجيا الناشئة التي تهدف إلى محاكاة وتوسيع وتعزيز الذكاء البشري.منذ ولادة الخمسينيات والستينيات من القرن الماضي ، تطورت الذكاء الاصطناعى لأكثر من نصف قرن ، وأصبحت الآن تقنية رئيسية لتعزيز الحياة الاجتماعية والمختلف الصناعات.في هذه العملية ، وضع التطور المتشابك في اتجاهات البحث الرئيسية الثلاثة للرمزية والعلاقة والسلوكية الأساس للتطور السريع للذكاء الاصطناعي اليوم.
رمزية
تُعرف الرمزية أيضًا بالمنطق أو المنطق القائم على القواعد.تستخدم هذه الطريقة الرموز لتمثيل الكائنات والمفاهيم والعلاقات في مجال المشكلة ، واستخدام التفكير المنطقي لحل المشكلة.حققت الرمزية نجاحًا كبيرًا ، خاصة فيما يتعلق بأنظمة الخبراء والمعرفة.الفكرة الأساسية للرمزية هي أن السلوك الذكي يمكن تحقيقه من خلال التلاعب الرمزي والتفكير المنطقي.
المرتبطة
أو يطلق عليه طريقة الشبكة العصبية ، لإدراك الذكاء من خلال تقليد بنية ووظائف الدماغ البشري.تقوم هذه الطريقة بإنشاء شبكة تتكون من العديد من وحدات المعالجة البسيطة (على غرار الخلايا العصبية) ، وتعدل شدة الاتصال بين هذه الوحدات (على غرار المشابك) لتعزيز التعلم.تؤكد Connectism على القدرة على التعلم والتعميم من البيانات ، بحيث تكون مناسبة بشكل خاص للتعرف على الوضع وتصنيفها ومشكلات تعيين الإدخال والمخرجات المستمرة.مع تطور التواصل ، حقق التعلم العميق اختراقات في مجالات التعرف على الصور ، والتعرف على الصوت ، ومعالجة اللغة الطبيعية.
السلوكية
ترتبط السلوكية ارتباطًا وثيقًا ببحث الروبوتات البايونية والأنظمة الذكية المستقلة ، مع التأكيد على أن الذكاء يمكن أن يتعلم من خلال التفاعل مع البيئة.على عكس الاثنين السابقتين ، لا تركز السلوكية على محاكاة الخصائص الداخلية أو عمليات التفكير ، ولكن لتحقيق السلوك التكيفي من خلال دورة الإدراك والعمل.تعتقد السلوكية أن الذكاء ينعكس من خلال التفاعل الديناميكي والتعلم مع البيئة ، مما يجعلها فعالة بشكل خاص للروبوتات المتنقلة وأنظمة التحكم التكيفية التي تعمل في بيئة معقدة وغير متوقعة.
على الرغم من وجود اختلافات أساسية في هذه الاتجاهات البحثية الثلاثة ، إلا أنها يمكن أن تتفاعل مع بعضها البعض في البحث الفعلي وتطبيق الذكاء الاصطناعي بشكل مشترك لتطوير الذكاء الاصطناعي.
مبدأ AIGC
يمثل مجال التطوير المتفجر لـ AIGC تطور التواصل وتطبيقه ، ويمكنه إنشاء محتوى جديد عن طريق تقليد الإبداع الإنساني.تستخدم هذه النماذج مجموعات بيانات كبيرة وخوارزميات التعلم العميق للتدريب ، والهيكل الأساسي والعلاقات والأنماط في بيانات التعلم.وفقًا لمطالبات المستخدم ، فإنها تقوم بإنشاء مخرجات فريدة ، بما في ذلك الصور ومقاطع الفيديو والرمز والموسيقى والتصميم والترجمة وإجابات الأسئلة والنصوص.في الوقت الحاضر ، تتكون AIGC بشكل أساسي من ثلاثة عناصر: التعلم العميق والبيانات الكبيرة وقدرات الحوسبة الضخمة.
التعلم العميق
التعلم العميق هو حقل فرعي للتعلم الآلي ، والذي يستخدم الخوارزميات التي تقلد الشبكات العصبية البشرية.على سبيل المثال ، يتكون الدماغ البشري من ملايين الخلايا العصبية المترابطة ، ويعملون معًا للتعلم ومعالجة المعلومات.وبالمثل ، تتكون الشبكات العصبية التعليمية العميقة (أو الشبكات العصبية الاصطناعية) من الخلايا العصبية الاصطناعية متعددة الأطباق التي تعمل معًا في أجهزة الكمبيوتر.تستخدم هذه الخلايا العصبية الاصطناعية (المشار إليها باسم العقد) الحسابات الرياضية لمعالجة البيانات.تستخدم الشبكات العصبية الاصطناعية هذه العقد لحل المشكلات المعقدة من خلال خوارزميات التعلم العميق.
تنقسم الشبكة العصبية إلى طبقات: طبقات الإدخال ، والطبقات المخفية وطبقات الإخراج ، والمعلمات متصلة بطبقات مختلفة.
أدخل الطبقة:الطبقة الأولى من الشبكة العصبية هي المسؤولة عن تلقي بيانات الإدخال الخارجية.كل خلية عصبية في طبقة الإدخال تتوافق مع ميزة بيانات الإدخال.على سبيل المثال ، عند معالجة بيانات الصورة ، قد تتوافق كل خلية عصبية مع قيمة بكسل للصورة.
الطبقة المخفية:تقوم طبقة الإدخال بمعالجة البيانات ويتم تمريرها إلى الشبكة.تقوم هذه الطبقات المخفية بمعالجة المعلومات بمستويات مختلفة وضبط سلوكها عند تلقي معلومات جديدة.هناك المئات من الطبقات المخفية في شبكات التعلم العميق ، والتي يمكن أن تحلل المشكلات من زوايا متعددة.على سبيل المثال ، عندما تكون صورة لحيوان غير معروف يجب تصنيفه ، يمكنك مقارنته بالحيوانات التي تعرفها بالفعل عن طريق التحقق من شكل الأذنين وعدد الأرجل وحجم التلميذ.تعمل الطبقة المخفية في الشبكة العصبية العميقة بطريقة مماثلة.إذا حاولت خوارزميات التعلم العميق تصنيف الصور الحيوانية ، فستتعامل كل طبقة مخفية مع الخصائص المختلفة للحيوانات ومحاولة تصنيفها بدقة.
طبقة الإخراج:الطبقة الأخيرة من الشبكة العصبية هي المسؤولة عن توليد إخراج الشبكة.تمثل كل خلية عصبية في طبقة الإخراج فئة أو قيمة إخراج محتملة.على سبيل المثال ، في مشكلة التصنيف ، قد تتوافق كل خلية عصبية لطبقة الإخراج مع فئة واحدة ، وفي مشكلة الانحدار ، قد تحتوي طبقة الإخراج على خلية عصبية واحدة فقط ، وتمثل قيمتها النتيجة التنبؤية.
المعلمة:في الشبكات العصبية ، يتم تمثيل الاتصالات بين الطبقات المختلفة بالأوزان والانحرافات التي يتم تحسينها أثناء عملية التدريب حتى تتمكن الشبكة من تحديد الأنماط في البيانات بدقة.يمكن أن تعزز زيادة المعلمات من قدرة الشبكة العصبية ، أي القدرة على التعلم وتمثيل الوضع المعقد في البيانات.ومع ذلك ، فإن هذا يزيد أيضًا من الطلب على قوة الحوسبة.
البيانات الكبيرة
من أجل إجراء تدريب فعال ، عادة ما تحتاج الشبكات العصبية إلى بيانات كبيرة ومتنوعة وعالية الجودة ومتعددة الأعمال.فهو يشكل أساس نماذج التدريب والتحقق من التعلم الآلي.من خلال تحليل البيانات الكبيرة ، يمكن أن تتعلم نماذج التعلم الآلي الأنماط والعلاقات في البيانات ، وذلك لتحقيق التنبؤ أو التصنيف.
قوة الحوسبة الضخمة
إن الهيكل متعدد الطبقات للشبكات العصبية معقدة ، وهناك العديد من المعلمات ، ومتطلبات معالجة البيانات الضخمة ، وطرق التدريب التكراري (يجب تكرار النموذج مرارًا وتكرارًا أثناء التدريب ، بما في ذلك حسابات الإرسال إلى الأمام والخلف لكل طبقة ، بما في ذلك حساب وظيفة التنشيط ، حساب وظائف الخسارة ، وحساب مستوى التدرج وتجديد الوزن) ، ومتطلبات الحوسبة عالية الدقة ، وقدرات الحوسبة المتوازية ، وتقنيات التحسين والتنظيم ، وعمليات تقييم النماذج والتحقق معًا تؤدي إلى متطلبات طاقة الحوسبة العالية.
سورا
كأحدث مقطع فيديو يولد نموذج الذكاء الاصطناعي في Openai ، تمثل Sora تقدمًا كبيرًا في معالجة الذكاء الاصطناعي وفهم البيانات البصرية المتنوعة.باستخدام شبكة ضغط الفيديو وتكنولوجيا تصحيح الوقت ، يمكن لـ SORA تحويل البيانات المرئية الضخمة التي تم التقاطها بواسطة أجهزة مختلفة في جميع أنحاء العالم إلى نموذج تمثيل موحد ، وبالتالي تحقيق معالجة وفهم فعالة للمحتوى المرئي المعقد.باستخدام ظروف النص لنماذج منتشرة ، يمكن لـ SORA إنشاء مقاطع فيديو أو صور تتطابق مع مطالبات نصية للغاية ، مما يدل على إبداع عالٍ وقدرة على التكيف.
ومع ذلك ، على الرغم من أن Sora قد حققت اختراقات في تفاعل توليد الفيديو والمحاكاة في العالم الحقيقي ، إلا أنها لا تزال تواجه بعض القيود ، بما في ذلك دقة محاكاة العالم المادي ، واتساق فيديو النمو ، وتعليمات النص المعقدة ، والتدريب ، جيل من كفاءة التوليد.في جوهرها ، تواصل Sora المسار التقني القديم لـ “الانتشار الناتج عن البيانات الضخمة” من خلال قوة الحوسبة الاحتكارية في Openai ومزايا المحرك الأول ، ويدرك جماليات وحشية.لا تزال شركات الذكاء الاصطناعي الأخرى لديها القدرة على تجاوز الابتكار التكنولوجي.
على الرغم من أن العلاقة بين Sora و blockchain ليست رائعة ، إلا أنني أعتقد أنه في العام أو العامين المقبلين ، بسبب تأثير Sora ، ستظهر أدوات توليد الذكاء الاصطناعى عالية الجودة وتتطور بسرعة ، وتأثير ، و Depin ، إلخ.لذلك ، من الضروري أن يكون لديك فهم عام لـ Sora.
أربع طرق من اندماج AI X Web3
كما تمت مناقشته سابقًا ، يمكننا أن نفهم أن العناصر الأساسية التي يتطلبها Generation AI هي في الأساس ثلاثة: الخوارزميات والبيانات وقوة الحوسبة.من ناحية أخرى ، بالنظر إلى شمولية وتأثير الإخراج ، فإن الذكاء الاصطناعى هو أداة تغير تمامًا طريقة الإنتاج.في الوقت نفسه ، فإن أكبر تأثير في blockchain هو مزدوج: إعادة تنظيم علاقات الإنتاج واللامركزية.
لذلك ، أعتقد أن تصادم هاتين التقنيتين يمكن أن ينتج المسارات الأربعة التالية:
اللامركزية
كما ذكرنا سابقًا ، يهدف هذا القسم إلى تحديث حالة قدرات الحوسبة.عندما يتعلق الأمر بـ AI ، فإن قوة الحوسبة هي جانب لا غنى عنه.جعل ظهور سورا طلب الذكاء الاصطناعى الذي لا يمكن تصوره على قوة الحوسبة.في الآونة الأخيرة ، خلال منتدى دافوس العالمي الاقتصادي في سويسرا في عام 2024 ، صرح الرئيس التنفيذي لشركة Openai Sam Altman علنًا بأن قوة الحوسبة والطاقة هما أكبر القيود في الوقت الحالي ، مما يعني أن أهميتها المستقبلية قد تكون مكافئة للعملة.بعد ذلك ، في 10 فبراير ، أعلن سام ألمان عن خطة مروعة على Twitter التي ستجمع 7 تريليون دولار أمريكي (أي ما يعادل 40 ٪ من الناتج المحلي الإجمالي الصيني في عام 2023) لإصلاح صناعة أشباه الموصلات العالمية الحالية.يقتصر تفكيري السابق في حوسبة الحوسبة على الحصار الوطني واحتكار الشركات ؛
لذلك ، فإن أهمية قوة الحوسبة اللامركزية واضحة.يمكن أن تحل خصائص blockchain بالفعل مشكلة الاحتكار الشديد في قوة الحوسبة الحالية ، وكذلك التكلفة باهظة الثمن المتعلقة بالحصول على وحدة معالجة الرسومات المخصصة.من منظور متطلبات الذكاء الاصطناعي ، يمكن تقسيم استخدام قوة الحوسبة إلى اتجاهين: التفكير والتدريب.هناك عدد قليل جدًا من المشاريع التي تركز على التدريب ، لأن الشبكات اللامركزية تحتاج إلى دمج تصميم الشبكة العصبية ، ومتطلبات الأجهزة عالية للغاية.في المقابل ، يكون المنطق بسيطًا نسبيًا ، لأن تصميم الشبكة اللامركزية ليس معقدًا للغاية ، كما أن متطلبات الأجهزة والعرض المنخفضة أيضًا ، وهو اتجاه أكثر سهولة.
يحتوي سوق طاقة الحوسبة المركزي على مجموعة واسعة من الخيال ، وغالبًا ما يرتبط بالكلمات الرئيسية “لمستويات تريليون” ، وهو أيضًا أسهل موضوع في عصر الذكاء الاصطناعي.ومع ذلك ، بالنظر إلى العديد من المشاريع التي ظهرت مؤخرًا ، يبدو أن معظمها يستخدم الاتجاه للنظر في محاولات غير متوقعة.غالبًا ما يرفعون علم اللامركزية ، لكنهم يتجنبون مناقشة عدم كفاءة الشبكات اللامركزية.بالإضافة إلى ذلك ، فإن درجة تجانس التصميم مرتفعة للغاية.
الخوارزمية والنموذج التعاوني النموذجي
خوارزميات التعلم الآلي هي خوارزميات يمكن أن تتعلم أوضاع وقواعد من البيانات واتخاذ التنبؤات أو القرارات بناءً عليها.الخوارزمية كثيفة التكنولوجيا ، لأن تصميمها وتحسينه يتطلبون معرفة مهنية عميقة والابتكار التكنولوجي.الخوارزميات هي جوهر تدريب نماذج الذكاء الاصطناعي ، وتحديد كيفية تحويل البيانات إلى رؤى أو قرارات مفيدة.تشمل الجيل المشترك من خوارزميات الذكاء الاصطناعي توليد شبكات المواجهة (GAN) (GAN) ، والتشفير الذاتي للمحول (VAE) ، والمحولات. ثم تستخدم لتدريب نماذج الذكاء الاصطناعي المتخصصة.
لذلك ، هناك العديد من الخوارزميات والنماذج ، كل منها ممكن لدمجها في نموذج مشترك؟Pittersor هو مشروع حديث جذب الكثير من الاهتمام.تشمل المشاريع الأخرى التي تركز على هذا الاتجاه Commune AI (Code Collaboration) ، ولكن الخوارزميات والنماذج سرية تمامًا لشركات الذكاء الاصطناعي وليس من السهل مشاركتها.
لذلك ، فإن سرد النظام الإيكولوجي التعاوني الذكاء الاصطناعى هو جديد ومثير للاهتمام.يستخدم النظام الإيكولوجي التعاوني مزايا blockchain لدمج عيب خوارزمية AI المعزولة ، ولكن يبقى أن يلاحظ ما إذا كان يمكن أن يخلق قيمة مقابلة.بعد كل شيء ، فإن شركة AI الرائدة مع خوارزميات ونماذج مستقلة لديها تحديثات قوية ، والتكرارات وإمكانيات التكامل.على سبيل المثال ، تطورت Openai من نماذج توليد النص المبكرة إلى نماذج توليد حقل متعددة في أقل من عامين.قد تحتاج مشاريع مثل Pittersor إلى استكشاف مسارات جديدة في نماذجها وحقولها المستهدفة للخوارزمية.
اللامركزية البيانات الكبيرة
من وجهة نظر بسيطة ، فإن استخدام بيانات الخصوصية لتغذية AI وبيانات التعليقات التوضيحية يتسق للغاية مع تقنية blockchain.بالإضافة إلى ذلك ، يمكن لتخزين البيانات الاستفادة من مشاريع DEPIN مثل FIL و AR.من منظور أكثر تعقيدًا ، يعد استخدام بيانات blockchain للتعلم الآلي لحل إمكانية الوصول إلى بيانات blockchain اتجاهًا مثيرًا للاهتمام (أحد استكشاف Giza).
من الناحية النظرية ، يمكن الوصول إلى بيانات blockchain في أي وقت ، مما يعكس حالة blockchain بأكملها.ومع ذلك ، بالنسبة للأشخاص خارج النظام البيئي blockchain ، ليس من السهل الوصول إلى هذه الكميات الكبيرة من البيانات.يتطلب تخزين blockchain بأكمله معرفة مهنية غنية وعدد كبير من موارد الأجهزة المهنية.من أجل التغلب على تحديات الوصول إلى بيانات blockchain ، ظهرت حلول مختلفة في الصناعة.على سبيل المثال ، يوفر مقدمو RPC الوصول إلى العقدة من خلال واجهة برمجة التطبيقات ، وخدمات الفهرس تجعل استرجاع البيانات ممكنًا من خلال SQL و GraphQL ، والذي يلعب دورًا حيويًا في حل هذه المشكلة.ومع ذلك ، فإن هذه الأساليب لها حدودها.خدمات RPC ليست مناسبة للحالات عالية الكثافة التي تحتاج إلى كمية كبيرة من استعلام البيانات ، وغالبًا ما لا يمكن تلبية الاحتياجات.في الوقت نفسه ، على الرغم من أن خدمة الفهرس توفر طريقة استرداد بيانات أكثر هيكلية ، فإن تعقيد بروتوكول Web3 يجعل من الصعب للغاية على الاستعلامات الهيكلية الفعالة ، وأحيانًا مئات أو حتى الآلاف من التعليمات البرمجية المعقدة.هذا التعقيد هو عقبة رئيسية أمام ممارسي البيانات العامة وأولئك الذين لديهم فهم محدود لتفاصيل Web3.تسلط هذه التأثيرات التراكمية المقيدة الضوء على الحاجة إلى الوصول إلى بيانات blockchain واستخدامها والتي تتطلب المزيد من الوصول والاستخدام ، والتي يمكن أن تعزز التطبيق والابتكار الأوسع في هذا المجال.
لذلك ، قد يقوم الجمع بين ZKML (صفر -معرفة بالتعلم الآلي ، وتقليل العبء على التعلم الآلي على السلسلة) وبيانات blockchain عالية الجودة قد تنشئ مجموعات بيانات تحل إمكانية الوصول إلى بيانات blockchain.يمكن لمنظمة العفو الدولية تقليل حاجز الوصول إلى بيانات blockchain بشكل كبير.بمرور الوقت ، يمكن للمطورين والباحثين وعشاق التعلم الآلي الوصول إلى مجموعات البيانات ذات الجودة العالية والمماثلة لبناء حلول فعالة ومبتكرة.
منظمة العفو الدولية تمكين DAPP
منذ اندلاع chatgpt3 في عام 2023 ، أصبح تمكين منظمة العفو الدولية DAPP اتجاهًا شائعًا للغاية.يمكن دمج الذكاء الاصطناعي القائم على التطبيقات واسعة النطاق من خلال API ، وبالتالي تبسيط منصات البيانات الذكية ، والروبوتات التجارية ، وموسوعة blockchain ، والتطبيقات الأخرى.من ناحية أخرى ، يمكن أن يكون بمثابة روبوت الدردشة (مثل MyShell) أو شريك الذكاء الاصطناعى (AI بلا نوم) ، ويمكنه حتى استخدام الذكاء الاصطناعي التوليدي لإنشاء NPCs في لعبة blockchain.ومع ذلك ، نظرًا لأن العتبة التقنية منخفضة ، فإن معظمها مجرد تعديلات بعد واجهة برمجة التطبيقات المتكاملة ، ودمج المشروع نفسه ليس مثاليًا ، لذلك نادراً ما يتم ذكره.
لكن مع وصول سورا ، أعتقد شخصياً أن تمكين منظمة العفو الدولية لـ GameFi (بما في ذلك يوان الكون) والمنصات الإبداعية سيكون محور المستقبل.بالنظر إلى الطبيعة السفلية لحقل Web3 ، فمن غير المرجح أن تنتج منتجات يمكن أن تتنافس مع الألعاب التقليدية أو الشركات الإبداعية.ومع ذلك ، فإن ظهور سورا قد يكسر هذا الجمود (ربما سنتين إلى ثلاث سنوات فقط).انطلاقًا من مظاهرة سورا ، فإن لديها القدرة على التنافس مع شركات الدراما القصيرة.يمكن أن تلد ثقافة المجتمع النشط لـ Web3 الكثير من الأفكار المثيرة للاهتمام.
ختاماً
مع التطوير المستمر لتوليد أدوات الذكاء الاصطناعي ، سنشهد المزيد من “لحظات iPhone” في المستقبل.على الرغم من أن الأشخاص متشككين في تكامل الذكاء الاصطناعي و Web3 ، إلا أنني أعتقد أن الاتجاه الحالي صحيح بشكل أساسي ، ولا يلزم سوى ثلاث نقاط ألم رئيسية: الضرورة والكفاءة والملاءمة.على الرغم من أن دمج الاثنين لا يزال في مرحلة الاستكشاف ، إلا أنه لا يمنع هذا المسار من أن يصبح السائد في السوق الصاعدة التالية.
الحفاظ على ما يكفي من الفضول والانفتاح على الأشياء الجديدة هو عقليتنا الأساسية.تاريخيا ، تم حل التحول من عربة إلى سيارة على الفور ، حيث تم عرض النقوش و NFT الماضي.إن الاحتفاظ بالكثير من التحيز لن يسبب الفرص الضائعة فقط.
