Sora لا في أي مكان.

المؤلف: YBB Capital Zeke

مقدمة

في 16 فبراير ، أعلنت Openai عن أحدث نموذج نشر لتوليد الفيديو الذي يتم التحكم فيه عن النص “Sora” ، والذي يوضح علامة فارقة أخرى في الذكاء الاصطناعى التوليدي من خلال توليد عالي الجودة من مقاطع الفيديو لمجموعة واسعة من أنواع البيانات البصرية التي تغطيها قطاعات متعددة.على عكس Pika ، لا تزال أدوات توليد الفيديو في حالة توليد مقاطع فيديو لعدة ثوانٍ مع صور متعددة ، وقد حققت Sora توليد الفيديو القابل للتطوير من خلال التدريب في المساحة الكامنة المضغوطة من الفيديو والصور وتحللها في تصحيحات موضع الفضاء.بالإضافة إلى ذلك ، يعكس النموذج أيضًا القدرة على محاكاة العالم المادي والعالم الرقمي.

فيما يتعلق بطرق البناء ، واصلت سورا المسار الفني السابق لنموذج GPT “المصدر لعملية نقل البيانات” ، مما يعني أن تطوره ونضجه يتطلبان أيضًا طاقة الحوسبة كمحرك ، وبما أن كمية البيانات المطلوبة التدريب على الفيديو أكبر بكثير من نص النص ، فإن كمية البيانات المدربة ستزيد من الطلب على طاقة الحوسبة.ومع ذلك ، فقد ناقشنا بالفعل أهمية قوة الحوسبة في عصر الذكاء الاصطناعى في المقالة المبكرة “معاينة المسار الشعبية: سوق طاقة الحوسبة اللامركزية” ، ومع ارتفاع شعبية منظمة العفو الدولية الأخيرة ، هناك بالفعل عدد كبير من قوة الحوسبة المشاريع في السوق.لذا ، بالإضافة إلى Depin ، ما نوع الشرر الذي يمكن أن يصطدم به تشابك Web3 و AI؟ما هي الفرص الأخرى التي يحتوي عليها هذا المسار؟الغرض الرئيسي من هذه المقالة هو تحديث المقالات السابقة واستكمالها ، والتفكير في إمكانيات Web3 في عصر الذكاء الاصطناعي.

ثلاثة اتجاهات رئيسية في تاريخ تنمية الذكاء الاصطناعي

الذكاء الاصطناعي هو العلوم والتكنولوجيا الناشئة المصممة لمحاكاة وتوسيع وتعزيز الذكاء البشري.منذ ولادتها في الخمسينيات والستينيات ، أصبحت الذكاء الاصطناعي تقنية مهمة لتعزيز التغييرات في الحياة الاجتماعية وجميع مناحي الحياة بعد أكثر من نصف قرن من التنمية.في هذه العملية ، أصبح تطور المتشابك في اتجاهات البحث الثلاثة للرمزية والاتصال والسلوكية حجر الزاوية في التطور السريع لمنظمة العفو الدولية اليوم.

رمزية

المعروف أيضًا باسم المنغوبة أو الحكم ، فهي تعتقد أنه من الممكن محاكاة الذكاء البشري من خلال معالجة الرموز.تستخدم هذه الطريقة الرموز لتمثيل وتشغيل الكائنات والمفاهيم وعلاقاتها المتبادلة في مجال المشكلة ، وتستخدم التفكير المنطقي لحل المشكلات ، وخاصة في أنظمة الخبراء وتمثيل المعرفة.النظرة الأساسية للرمزية هي أن السلوك الذكي يمكن تحقيقه من خلال التشغيل والتفكير المنطقي للرموز ، حيث تمثل الرموز درجة عالية من تجريد العالم الحقيقي ؛

العلاقة

أو طرق الشبكة العصبية ، المصممة لتحقيق الذكاء من خلال محاكاة بنية ووظائف الدماغ البشري.تتيح هذه الطريقة التعلم من خلال إنشاء شبكة من العديد من وحدات المعالجة البسيطة (مثل الخلايا العصبية) وضبط قوة الاتصال بين هذه الوحدات (مثل المشابك العصبية).تؤكد Connectionism على القدرة على التعلم والتعميم من البيانات ، وهي مناسبة بشكل خاص للتعرف على أنماط وتصنيف ومشكلات تعيين الإدخال والمخرجات المستمرة.لقد حقق التعلم العميق ، باعتباره تطور Connectivism ، اختراقات في مجالات مثل التعرف على الصور والتعرف على الكلام ومعالجة اللغة الطبيعية ؛

السلوكية

ترتبط السلوكية ارتباطًا وثيقًا ببحث الروبوتات البايونية والأنظمة الذكية المستقلة ، مع التأكيد على أنه يمكن للوكلاء التعلم من خلال التفاعل مع البيئة.على عكس الأولين ، لا تركز السلوكية على محاكاة التمثيلات الداخلية أو عمليات التفكير ، بل تحقق السلوك التكيفي من خلال دورة من الإدراك والعمل.تعتقد السلوكية أن الذكاء يتجلى من خلال التفاعل الديناميكي والتعلم مع البيئة ، وهو فعال بشكل خاص عند تطبيقه على الروبوتات المتنقلة وأنظمة التحكم التكيفية التي تتطلب إجراء في بيئات معقدة وغير متوقعة.

على الرغم من وجود اختلافات أساسية في اتجاهات البحث الثلاثة هذه ، يمكنهم أيضًا التفاعل والتكامل في أبحاث الذكاء الاصطناعى الفعلي وتطبيقها للترويج بشكل مشترك لتطوير حقل الذكاء الاصطناعي.

نظرة عامة على مبدأ AIGC

إن المحتوى الذكي الاصطناعي الذي تم إنشاؤه (AIGC) ، الذي يخضع حاليًا للتطور المتفجر ، هو تطور وتطبيق التوصيلية.يتم تدريب هذه النماذج باستخدام مجموعات بيانات كبيرة وخوارزميات التعلم العميق لتعلم الهياكل والعلاقات والأنماط الأساسية الموجودة في البيانات.قم بإنشاء نتائج إخراج جديدة وفريدة من نوعها بناءً على مطالبات إدخال المستخدم ، بما في ذلك الصور ومقاطع الفيديو والرموز والموسيقى والتصميم والترجمات وإجابات الأسئلة والنص.يتكون AIGC الحالي بشكل أساسي من ثلاثة عناصر: التعلم العميق (DL) ، والبيانات الكبيرة ، وقوة الحوسبة واسعة النطاق.

التعلم العميق

التعلم العميق هو حقل فرعي للتعلم الآلي (ML) ، وخوارزميات التعلم العميق هي شبكات عصبية على غرار الدماغ البشري.على سبيل المثال ، يحتوي الدماغ البشري على ملايين الخلايا العصبية المترابطة التي تعمل معًا للتعلم ومعالجة المعلومات.وبالمثل ، تتكون الشبكات العصبية التعليمية العميقة (أو الشبكات العصبية الاصطناعية) من الخلايا العصبية الاصطناعية متعددة الطبقات تعمل معًا داخل الكمبيوتر.الخلايا العصبية الاصطناعية هي وحدات برامج تسمى العقد التي تستخدم الحسابات الرياضية لمعالجة البيانات.الشبكات العصبية الاصطناعية هي خوارزميات تعليمية عميقة تستخدم هذه العقد لحل المشكلات المعقدة.

يمكن تقسيم الشبكات العصبية من التسلسل الهرمي إلى طبقة إدخال ، وطبقة مخفية ، وطبقة الإخراج ، والمعلمات متصلة بين طبقات مختلفة.

• طبقة الإدخال: طبقة الإدخال هي الطبقة الأولى من الشبكة العصبية ، وهي مسؤولة 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 ؛

• طبقة خفية: تقوم طبقة الإدخال بمعالجة البيانات وتنقلها إلى طبقة أخرى في الشبكة العصبية.تقوم هذه الطبقات المخفية بمعالجة المعلومات بمستويات مختلفة وضبط سلوكها عند تلقي معلومات جديدة.تحتوي شبكات التعلم العميقة على مئات الطبقات الخفية التي يمكن استخدامها لتحليل المشكلات من زوايا مختلفة متعددة.على سبيل المثال ، إذا حصلت على صورة لحيوان غير معروف يجب تصنيفه ، فيمكنك مقارنته بحيوان تعرفه بالفعل.على سبيل المثال ، يمكننا الحكم على أي حيوان يعتمد على شكل الأذن وعدد الأرجل وحجم التلاميذ.تعمل الطبقات الخفية في الشبكات العصبية العميقة بنفس الطريقة.إذا حاولت خوارزمية التعلم العميق تصنيف صور الحيوانات ، فإن كل من طبقاتها المخفية تعالج ميزات مختلفة للحيوان ومحاولات تصنيفها بدقة ؛

• طبقة الإخراج: طبقة الإخراج هي الطبقة الأخيرة من الشبكة العصبية ، وهي مسؤولة 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 ، بينما في مشكلة الانحدار ، قد تحتوي طبقة الإخراج على خلية عصبية واحدة فقط ، تمثل قيمتها نتيجة التنبؤ ؛

• المعلمة: في الشبكات العصبية ، يتم تمثيل الاتصالات بين الطبقات المختلفة بأوزان ومعلمات التحيزات ، والتي يتم تحسينها أثناء التدريب لتمكين الشبكة من تحديد الأنماط بدقة في البيانات وجعل التنبؤات.يمكن أن تزيد الزيادة في المعلمات من سعة النموذج للشبكة العصبية ، أي قدرة النموذج على تعلم وتمثيل الأنماط المعقدة في البيانات.لكن الزيادة المقابلة في المعلمات ستزيد من الطلب على قوة الحوسبة.

البيانات الكبيرة

للتدريب الفعال ، تتطلب الشبكات العصبية عادة بيانات كبيرة ومتنوعة وعالية الجودة ومتعددة المصادر.هذا هو الأساس لتدريب نموذج التعلم الآلي والتحقق منه.من خلال تحليل البيانات الكبيرة ، يمكن أن تتعلم نماذج التعلم الآلي الأنماط والعلاقات في البيانات لإجراء تنبؤات أو تصنيفات.

قوة الحوسبة واسعة النطاق

الهيكل المعقد متعدد الطبقات للشبكات العصبية ، وعدد كبير من المعلمات ، ومتطلبات معالجة البيانات الضخمة ، وطرق التدريب التكرارية (في مرحلة التدريب ، يحتاج النموذج إلى التكرار بشكل متكرر ، وخلال عملية التدريب ، من الضروري نشر وتراجع الخلفية كل طبقة من الحساب ، بما في ذلك وظائف التنشيط ، حساب وظيفة الخسارة ، وحساب التدرج وتحديث الأوزان ، ومتطلبات الحساب عالي الدقة ، وقوة الحوسبة المتوازية ، وتكنولوجيا التحسين والتنظيم ، وعمليات تقييم النموذج والتحقق لطلبهم على قوة الحوسبة العالية.

سورا

كأحدث نموذج من الذكاء الاصطناعي من AI من Openai ، تمثل Sora تقدمًا كبيرًا في قدرة الذكاء الاصطناعي على معالجة وفهم البيانات المرئية المتنوعة.من خلال تبني شبكة ضغط الفيديو وتكنولوجيا تصحيح وقت الفضاء ، يمكن لـ SORA تحويل البيانات المرئية الضخمة من أجهزة مختلفة في جميع أنحاء العالم إلى شكل موحد من التعبير ، وبالتالي تحقيق معالجة وفهم فعالة للمحتوى البصري المعقد.بالاعتماد على نموذج الانتشار المكيف النص ، يمكن لـ Sora إنشاء مقاطع فيديو أو صور متطابقة للغاية بناءً على مطالبات نصية ، والتي تُظهر إبداعًا كبيرًا للغاية وقدرة على التكيف.

ومع ذلك ، على الرغم من اختراقات سورا في توليد الفيديو ومحاكاة التفاعلات في العالم الحقيقي ، فإنها لا تزال تواجه بعض القيود ، بما في ذلك دقة محاكاة العالم المادي ، واتساق توليد الفيديو الطويل ، وفهم تعليمات النص المعقدة ، وكفاءة التدريب والتوليد.في جوهرها ، تواصل Sora المسار التقني القديم لـ “انتشار البيانات الضخمة” من خلال قوة الحوسبة الاحتكارية الخاصة بـ Openai ، وقد حققت جمالية عنيفة .

على الرغم من أن Sora ليس له علاقة كبيرة بـ blockchain ، إلا أنني أعتقد شخصياً أن الأمر سيستغرق الساعة أو عامين التاليين.نظرًا لأن تأثير سورا سيجبر أدوات توليد الذكاء الاصطناعى عالية الجودة الأخرى على الظهور والتطور بسرعة ، وسوف تشع إلى مسارات متعددة مثل GameFI ، الشبكات الاجتماعية ، المنصات الإبداعية ، و Depin في Web3 ، من الضروري أن يكون لديك فهم عام لـ Sora. قد تكون كيفية دمج الذكاء الاصطناعى في المستقبل بشكل فعال مع Web3 نقطة أساسية نحتاج إلى التفكير فيها.

أربعة مسارات رئيسية إلى AI X Web3

كما ذكرنا أعلاه ، يمكننا أن نعرف أن هناك بالفعل ثلاثة قواعد أساسية مطلوبة لعلم الذكاء الاصطناعي: الخوارزميات ، والبيانات ، وقوة الحوسبة. .الدور الأكبر في blockchain هو اثنين: إعادة بناء علاقات الإنتاج واللامركزية.لذلك أنا شخصياً أعتقد أن هناك أربع طرق لتوليد تصادم بين الاثنين:

قوة الحوسبة اللامركزية

نظرًا لأننا كتبنا مقالات ذات صلة في الماضي ، فإن الغرض الرئيسي من هذه الفقرة هو تحديث الموقف الأخير لمسار قوة الحوسبة.عندما يتعلق الأمر بـ AI ، تكون قوة الحوسبة دائمًا رابطًا صعبًا للتجاوز.إن الطلب الكبير على قوة الحوسبة في الذكاء الاصطناعى لا يمكن تصوره بالفعل بعد ولادة سورا.في الآونة الأخيرة ، خلال المنتدى الاقتصادي العالمي لعام 2024 في دافوس ، قال الرئيس التنفيذي لشركة Openai ، بصراحة أن قوة الحوسبة والطاقة هما أكبر قيود في هذه المرحلة ، وستكون أهمية الاثنين في المستقبل مكافئة للعملة.في 10 فبراير ، أصدرت Ultraman Sam خطة رائعة للغاية لتجمع 7 تريليون دولار أمريكي (أي ما يعادل 40 ٪ من الناتج المحلي الإجمالي الوطني في الصين في 23 عامًا) لإعادة كتابة هيكل صناعة أشباه الموصلات العالمي الحالي.عند كتابة المقالات المتعلقة بقوة الحوسبة ، لا يزال مخيلتي مقصورة على الحصار الوطني ويحتكر العمالقة.

لذلك ، فإن أهمية قوة الحوسبة اللامركزية تكون بديهية بشكل طبيعي.من منظور الذكاء الاصطناعي ، يمكن تقسيم قوة الحوسبة إلى اتجاهين: لا يزال هناك عدد قليل جدًا من المشاريع التي تركز على التدريب. يُقدر أن يكون الطلب بمثابة اتجاه ذو عتبة عالية للغاية ويصعب تنفيذه.التفكير بسيط نسبيا.

مساحة خيال سوق الحوسبة المركزية ضخمة ، وغالبًا ما تكون مرتبطة بالكلمة الرئيسية “على مستوى تريليون”.ومع ذلك ، انطلاقًا من العدد الكبير من المشاريع التي ظهرت مؤخرًا ، لا يزال معظمها على الرفوف والاستفادة من الشعبية.احصل دائمًا على عالية من اللافتة الصحيحة من اللامركزية ، ولكن حافظ على صمت حول عدم كفاءة الشبكات اللامركزية.وهناك درجة عالية من التجانس في التصميم ، وعدد كبير من المشاريع متشابهة للغاية (نقرة واحدة L2 بالإضافة إلى تصميم التعدين) ، مما قد يؤدي في النهاية إلى فوضى. تتبع في مثل هذا الموقف.

الخوارزمية ونظام التعاون النموذجي

تشير خوارزميات التعلم الآلي إلى أن هذه الخوارزميات قادرة على تعلم القوانين والأنماط من البيانات واتخاذ التنبؤات أو القرارات بناءً عليها.الخوارزميات كثيفة التكنولوجيا لأن تصميمها وتحسينها يتطلبون خبرة عميقة والابتكار التكنولوجي.توجد خوارزميات في قلب نماذج تدريب الذكاء الاصطناعي ، والتي تحدد كيفية ترجمة البيانات إلى رؤى أو قرارات مفيدة.خوارزميات الذكاء الاصطناعي الأكثر شيوعًا مثل شبكات العدوانية (GANS) ، وأدوات تلقائية مختلفة (VAEs) ، والتحولات. ثم يتم تدريب نموذج AI مخصص من خلال الخوارزميات.

الكثير من الخوارزميات والموديلات لها مزاياها الخاصة.يعد Bittensor ، الذي كان يتمتع بشعبية شائعة مؤخرًا ، الرائد في هذا الاتجاه.تعتمد Commune AI (تعاون الكود) والجوانب الأخرى بشكل أساسي على هذا الاتجاه.

لذلك ، فإن سرد النظام الإيكولوجي للتعاون من الذكاء الاصطناعي هو جديد ومثير للاهتمام.بعد كل شيء ، تتمتع خوارزميات المصدر المغلقة ونماذج من شركات AI الرائدة في التحديثات ، والتكرار والتكامل على سبيل المثال. نماذج التوليد.

البيانات الكبيرة اللامركزية

من وجهة نظر بسيطة ، يعد استخدام بيانات خاصة لتغذية بيانات العلامات وعلامًا ثابتًا للغاية مع blockchain تستفيد المشاريع.من منظور معقد ، يعد استخدام بيانات blockchain للتعلم الآلي (ML) لحل إمكانية الوصول إلى بيانات blockchain أيضًا اتجاهًا مثيرًا للاهتمام (أحد اتجاهات استكشاف Giza).

من الناحية النظرية ، يمكن الوصول إلى بيانات blockchain في أي وقت ، مما يعكس حالة blockchain بأكملها.ولكن بالنسبة لأولئك خارج النظام البيئي blockchain ، ليس من السهل الحصول على هذه الكميات الضخمة من البيانات.يتطلب تخزين blockchain بالكامل خبرة غنية وكمية كبيرة من موارد الأجهزة المتخصصة.للتغلب على التحدي المتمثل في الوصول إلى بيانات blockchain ، ظهرت عدة حلول في هذه الصناعة.على سبيل المثال ، يقوم مقدمو خدمات RPC بالوصول إلى العقد من خلال واجهات برمجة التطبيقات ، في حين أن خدمات الفهرسة تجعل استخراج البيانات ممكنًا من خلال SQL و GraphQL ، وكلاهما يلعب دورًا رئيسيًا في حل المشكلات.ومع ذلك ، فإن هذه الطرق لها قيود.خدمات RPC ليست مناسبة لسيناريوهات الاستخدام عالية الكثافة التي تتطلب كميات كبيرة من استعلامات البيانات وغالبًا ما لا يمكنها تلبية الاحتياجات.وفي الوقت نفسه ، على الرغم من أن خدمات الفهرسة توفر طريقة أكثر تنظيماً لاسترداد البيانات ، فإن تعقيد بروتوكول Web3 يجعل من الصعب للغاية بناء استعلامات فعالة ، مما يتطلب أحيانًا مئات أو حتى آلاف الخطوط من التعليمات البرمجية المعقدة.هذا التعقيد يمثل عقبة كبيرة أمام ممارسي البيانات العامة وأولئك الذين ليس لديهم فهم عميق لتفاصيل Web3.يبرز التأثير التراكمي لهذه القيود الحاجة إلى طريقة أسهل للوصول إلى بيانات blockchain والاستفادة منها التي يمكن أن تسهل التطبيق والابتكار في هذا المجال.

بعد ذلك ، من خلال ZKML (التعلم الآلي للمعرفة صفري ، تقليل العبء على سلسلة التعلم الآلي) جنبا إلى جنب مع بيانات blockchain عالية الجودة ، قد يكون من الممكن إنشاء مجموعات بيانات تحل إمكانية الوصول إلى blockchain .

الذكاء الاصطناعى تمكين dapp

منذ أن أصبحت ChatGPT3 شائعة منذ 23 عامًا ، أصبح منظمة العفو الدولية تمكين DAPPs اتجاهًا شائعًا جدًا.يمكن الوصول إلى الذكاء الاصطناعى التوليدي مع فائدة واسعة الانتشار من خلال واجهات برمجة التطبيقات ، وبالتالي تبسيط وتحليل منصات البيانات بذكاء ، والروبوتات التجارية ، وموسوعة blockchain والتطبيقات الأخرى.من ناحية أخرى ، يمكنك أيضًا اللعب بصفتك chatbot (مثل MyShell) أو AI Companion (AI بلا نوم) ، وحتى إنشاء NPCs في ألعاب السلسلة من خلال الذكاء الاصطناعي.ومع ذلك ، نظرًا لحواجز التقنية المنخفضة ، يتم ضبط معظمها بعد الوصول إلى واجهة برمجة التطبيقات ، والجمع بين المشروع نفسه ليس مثاليًا ، لذلك نادراً ما يتم ذكره.

ولكن بعد وصول سورا ، أعتقد شخصياً أن اتجاه AI الذي يمكّن GameFI (بما في ذلك Metaverse) وسيكون منصات الإبداع محور التركيز التالي.بسبب الطبيعة من أسفل إلى حقل Web3 ، من الصعب بالتأكيد إنتاج منتجات تتنافس مع الألعاب التقليدية أو الشركات الإبداعية ، ومن المرجح أن يكسر ظهور Sora هذه المعضلة (ربما سنتين إلى ثلاث سنوات فقط).انطلاقًا من العرض التوضيحي لـ Sora ، فإنه لديه بالفعل القدرة على التنافس مع شركات المجتمعات النشطة في Web3. -سيتم كسر الصناعات التقليدية.

خاتمة

مع التقدم المستمر لأدوات الذكاء الاصطناعى التوليدي ، سوف نختبر المزيد من “لحظات iPhone” صنع الحقبة في المستقبل.على الرغم من أن العديد من الأشخاص يسخرون من مزيج من الذكاء الاصطناعى و Web3 ، إلا أنني أعتقد في الواقع أن معظم الاتجاه الحالي ليس مشكلة ، وهناك في الواقع ثلاث نقاط ألم تحتاج إلى حل ، وهي الضرورة والكفاءة والملاءمة.على الرغم من أن تكامل الاثنين في مرحلة الاستكشاف ، إلا أنه لا يمنع هذا المسار من أن يصبح الذي يديه السوق الثور التالي.

الحفاظ على ما يكفي من الفضول وقبول الأشياء الجديدة هو عقلية ضرورية بالنسبة لنا افتقد الفرصة.