ثلاثة اتجاهات استراتيجية لدمج الذكاء الاصطناعي والتشفير

حالياً، يدخل دمج الذكاء الاصطناعي مع التشفير مرحلة تطور سريعة. توضح هذه المقالة الاتجاهات الثلاثة الرئيسية لتطور دمج الذكاء الاصطناعي مع التشفير.

1. بناء اقتصاد مدفوع بالوكالات الذكية النشطة

لقد أثبتت الوكالات الذكية التي تعمل على السلسلة أنها قابلة للتطبيق. التجارب في هذا المجال تتجاوز باستمرار حدود العمليات على السلسلة، مما يتيح إمكانيات هائلة ومساحة تصميم واسعة. لقد أصبحت هذه بالفعل واحدة من أكثر الاتجاهات ابتكارًا في مجالات التشفير والذكاء الاصطناعي، وهذه ليست سوى البداية.

في المستقبل، قد تدير الوكالات الذكية مشاريع معقدة تتطلب تنسيقًا اقتصاديًا متعدد الأطراف. على سبيل المثال في مجال البحث العلمي، يمكن للوكالات أن تكون مسؤولة عن البحث عن مركبات علاجية لأمراض معينة:

• جمع التبرعات للرموز من خلال المنصات ذات الصلة
• استخدام الأموال المجمعة لدفع رسوم الوصول إلى بيانات البحث ورسوم الحوسبة لشبكة الحوسبة اللامركزية
• استقطاب البشر لتنفيذ أعمال التحقق من التجارب من خلال منصة المكافآت

بخلاف المشاريع المعقدة، يمكن للوكيل أيضًا تنفيذ مهام بسيطة مثل إنشاء مواقع شخصية، وإنتاج الأعمال الفنية، وما إلى ذلك، حيث أن سيناريوهات التطبيق لا حدود لها.

تتميز الوكالة باستخدام نظام التشفير للعملات الرقمية بمزايا فريدة:

• تطبيقات المدفوعات الصغيرة
• ميزة السرعة: تساعد وظيفة التسوية الفورية الوكلاء على تحقيق أقصى كفاءة رأسمالية
• الدخول إلى الأسواق المالية من خلال DeFi: يمكن للوكيل صك الأصول، التجارة، الاستثمار وإدارة الأموال، الاقتراض، واستخدام الرافعة المالية بشكل سلس.

يتطلع القطاع إلى رؤية الوكلاء المزودين بمحافظ التشفير يقومون بتجارب ابتكارية على السلسلة. التركيز بشكل خاص على الاتجاهات التالية:

1. آلية التحكم في المخاطر
2. دفع الاستخدامات غير المضاربة
3. متطلبات تقدم التطوير: يجب أن تصل على الأقل إلى مرحلة نموذج اختبار الشبكة، ويفضل أن تكون قد عملت على الشبكة الرئيسية.

2. تعزيز قدرات LLM في تطوير البرمجيات

تظهر النماذج اللغوية الكبيرة أداءً ممتازًا في كتابة الشيفرات، ومن المتوقع أن تتحسن أكثر في المستقبل. من خلال هذه القدرات، من المتوقع أن تزيد كفاءة المطورين بمعدل يتراوح بين 2-10 مرات. مؤخرًا، سيساعد إنشاء معايير عالية الجودة لتقييم قدرة LLMs على فهم وكتابة الشيفرات في فهم التأثير المحتمل لـ LLMs على النظام البيئي.

ومع ذلك، هناك عدة تحديات تعيق نماذج اللغة الكبيرة من تحقيق مستوى ممتاز في الفهم:

• نقص البيانات التدريبية الأصلية عالية الجودة
• عدد الإنشاءات المتحقق منها غير كاف
• نقص التفاعل عالي القيمة المعلوماتية في بعض المنصات
• تطور البنية التحتية بسرعة، قد لا تكون الشيفرة القديمة مناسبة للاحتياجات الحالية
• نقص طرق لفهم مستوى تقييم النماذج

تأمل الصناعة في رؤية:

• يساعد في الحصول على بيانات ذات صلة أفضل
• المزيد من الفرق نشر بناء التحقق
• يطرح المزيد من الأشخاص في النظام البيئي أسئلة جيدة بنشاط ويقدمون إجابات عالية الجودة على المنصات ذات الصلة
• إنشاء اختبارات معيارية عالية الجودة، لتقييم مستوى فهم LLMs
• إنشاء نموذج LLM مُعدَّل يظهر أداءً جيدًا في اختبارات المعايير

الإنجاز الكبير النهائي سيكون: عميل عقد التحقق الجديد والعالي الجودة والذي يختلف تمامًا والذي تم إنشاؤه بالكامل بواسطة AI.

3. دعم تقنيات الذكاء الاصطناعي المفتوحة واللامركزية

"تقنية الذكاء الاصطناعي المفتوحة واللامركزية" تحتوي على العناصر الرئيسية التالية:

• الحصول على بيانات التدريب
• قدرة الحساب على التدريب والاستدلال
• مشاركة أوزان النموذج
• قدرة التحقق من مخرجات النموذج

تتجلى أهمية هذه التقنية المفتوحة للذكاء الاصطناعي في:

• تسريع الابتكار والتجارب في تطوير النماذج
• تقديم بدائل للمستخدمين الذين لا يثقون في الذكاء الاصطناعي المركزي

هناك العديد من المشاريع في النظام البيئي الحالي تدعم مجموعة تقنيات الذكاء الاصطناعي المفتوحة:

• جمع البيانات
• قوة حوسبة لامركزية
• إطار تدريب لامركزي

تتطلع الصناعة إلى بناء المزيد من المنتجات في جميع جوانب مجموعة تقنيات الذكاء الاصطناعي مفتوحة المصدر:

• جمع البيانات اللامركزية
• الهوية على السلسلة: دعم بروتوكول تحقق هوية الإنسان من خلال المحفظة، بروتوكول تحقق استجابة واجهة برمجة التطبيقات للذكاء الاصطناعي
• تدريب لامركزي
• بنية تحتية IP: تمكين الذكاء الاصطناعي من الترخيص للمحتوى الذي يستخدمه (ودفع ثمنه)