پنج روند کلیدی در هوش مصنوعی تولیدی که Web3 نباید از دست بدهد
۱. انتقال یادگیری: استفاده از مدل‌های آموزش دیده در یک دامنه وظایف برای حل مسائل مشابه در دامنه‌های دیگر. Web3 باید زیرساخت‌هایی فراهم کند که این انتقال یادگیری را به راحتی امکان‌پذیر کند.
۲. شبکه‌های عصبی توزیع‌شده: توسعه مدل‌های عصبی بر روی بلاکچین و شبکه‌های توزیع‌شده جهت افزایش امنیت، حفظ حریم خصوصی و بهبود عملکرد مدل‌های هوش مصنوعی.
۳. اطلاعات کریپتوگرافیک: استفاده از تکنولوژی رمزنگاری برای حفظ امنیت داده‌های مدل‌های هوش مصنوعی و اطمینان از تصدیق منابع و نتایج اعمال الگوریتمی.
۴. یادگیری تقویتی با حکمت: توسعه مدل‌های یادگیری تقویتی با قابلیت ارزش‌یابی خودآموز مدل‌ها و انجام تصمیمات هوشمند بر مبنای سیاست‌های منطقی و اخلاقی.
۵. انسان‌محوری: یادگیری از تعامل انسان‌ها با محیط و نگاه به مسائل اخلاقی و اجتماعی در استفاده از هوش مصنوعی، به‌طوری که Web3 برای ایجاد یک زمینه پایدار و بازخوردی برای تضمین اثربخشی و پذیرش از سوی انسان‌ها آماده شود.
به گزارش زوم ارز، زمانی که ساختار برای مکانی ایجاد می‌شود که صنایع در آن معطل می‌شوند، در وهله‌ی اول به ساختار نگاه نمی‌کنیم. به عنوان مثال، در چندین دهه گذشته، شرکت‌ها نظیر مایکروسافت با سرمایه‌گذاری در فناوری‌های نوین مثل ریزپردازنده، سالزفورس با بهره‌گیری از ابر، و اوبر با بهره‌بردن از نوآوری‌های موبایل، به دنبال ایجاد تحولاتی چشمگیر بوده‌اند.
همانطور که هوش مصنوعی در حال تحول است، این اصل نیز برای آن اعمال می‌شود. استفاده از Web3 در تکامل هوش مصنوعی از منظر تاریخی مقرون به شکست بوده است. با این حال، نمی‌توان تضمین کرد که Web3 با تغییرات جدیدی که در صنعت رخ می‌دهد، سازگار خواهد بود یا خیر؟
سال ۲۰۲۴ برای صنعت هوش مصنوعی یک سال حیاتی بود. در این سال، پیشرفت‌های چشمگیری در زمینه تحقیقات و مهندسی هوش مصنوعی انجام شد. همچنین مفهوم Web3-Ai که اعتیاد به مفاهیم مخدرانه را به جنبه‌های عملی واقعی منتقل می‌کرد، به طور چشمگیری به توجه عمومی دست یافت. در حالی که ما با موج اولیه هوش مصنوعی، با مدل‌های بزرگ، چرخه‌های آموزش طولانی، محاسبات گسترده و حیطه‌های شرکت‌های عریض-که آنها را تقریباً غیر قابل دسترسی برای Web3 می‌سازد-مواجه بودیم، سال ۲۰۲۴ درهایی جدید برای ادغام معنادار Web3 باز کرد.
در سال ۲۰۲۴، در جبهه Web3-AI، پروژه‌هایی مانند سیستم‌های عامل محور Meme حاکم بودند که تمایلات بازار را با اعکس کردن احساسات مردم به نمایش می‌گذاشتند، اما به طور کلی ارزش کمی در دنیای واقعی ایجاد نمی‌کردند. با تلاشی فرا روی کاهش اعتیاد مردم به این محصولات، اکنون فرصتی روشن برای مصرف هوشمندانه آنها در اوج است. چشم انداز AI مولد در سال ۲۰۲۵ توسط تحولات بسیار گسترده‌ای در زمینه تحقیق و فناوری شکل گرفته است. این تغییرات بسیار ممکن است بر فرایند پذیرش Web3 تأثیرگذار باشند، اما تنها در صورتی که تلاش برای ایجاد یک صنعت دقیق و پایدار برای آینده نیز انجام شود.
بیایید پنج مرحله اصلی را در تکوین هوش مصنوعی و فرصت‌هایی که برای Web3 ارائه می‌شود، بررسی کنیم.
۱. مسابقه بحث و استدلال
مرزهای جدیدی با مدل‌های زبان بزرگ (LLMS) به وجود آمده است. مدل‌های اخیر مانند GPT-01، Deepseek R1 و Gemini Flash Place قابلیت‌های استدلال را در هسته پیشرفت‌های خود دارند. از نظر عملکرد، استدلال به هوش مصنوعی این امکان را می‌دهد که وظایف استنتاج پیچیده را در فرآیندهای ساختاری و چندمرحله‌ای، که اغلب تکنیک‌های زنجیره‌ای فکری (COT) را به کار می‌گیرند، انجام دهد. زمانی که پیروی از دستورالعمل‌هایی به عنوان استاندارد برای LLMS مانند GPT-01 انجام شد، استدلال به زودی یک قابلیت اساسی برای همه مدل‌های اصلی خواهد شد.
فرصت web3-ai
استدلال یک فرآیند پیچیده است که نیازمند ردیابی و شفافیت است – دنیایی که توسط Web3 روشن می شود. تصور کنید یک مقاله از طریق هوش مصنوعی پردازش شود که هر گام از استدلال قابل اثبات در یک زنجیره است و یک سابقه ناپذیر از توالی منطقی آن را نشان می دهد. در محیطی که تولید محتوا توسط هوش مصنوعی حاکم است ، این سطح از پیشرفت می تواند به یک ضرورت تبدیل شود. Web3 می تواند یک لایه غیرمتمرکز و بدون نیاز به اعتماد برای تأیید مسیرهای استدلال هوش مصنوعی ارائه دهد و این باعث ایجاد یک شکاف مهم در اکوسیستم فعلی هوش مصنوعی شود.
۲. ارتقاء سطح آموزش داده‌های مصنوعی
یکی از مهمترین جنبه‌های پیشروی در حوزه داده‌های مصنوعی استفاده از استدلال پیشرفته است. به‌عنوان مثال، مدل‌های مانند Deepseek R1 از سیستم‌های میانی مانند R1-Zero برای ایجاد مجموعه داده‌های استدلال با کیفیت بالا استفاده می‌کنند. این داده‌ها سپس برای تنظیم دقیق مدل‌ها به‌کار می‌روند. این رویکرد منجر به کاهش وابستگی به داده‌های واقعی، سرعت بخشیدن به فرآیند توسعه مدل‌ها و بهبود کیفیت مدل‌ها می‌شود.
فرصت web3-ai
تولید داده مصنوعی در یک فرایند بسیار همزمان، برای شبکه‌های غیر متمرکز، بسیار مناسب است. یک چارچوب Web3 می تواند گره‌ها را تشویق کند تا به تولید داده مصنوعی کمک کرده و در ازای استفاده از این داده‌ها پاداش دریافت کنند. این فرایند می تواند به پیشرانی اقتصاد داده مصنوعی غیرمتمرکز منجر شود، جایی که داده‌های سیستم‌عامل‌های باز، منابع باز و مدل‌های هوش مصنوعی اختصاصی با هم به اشتراک گذاشته می‌شوند.
تغییر گردش کار پس از آموزش
مدل‌های اولیه هوش مصنوعی که قبلاً به بارهای گسترده از GPU نیاز داشتند متمرکز بودند. با این حال، مدل‌هایی مانند GPT-3 به سمت آموزش میانی و تغییر پس از آموزش تمرکز کرده‌اند و خصوصیت‌های تخصصی مثل استدلال پیشرفته را فراهم می‌کنند. این تحول به طور چشمگیری نیازهای محاسباتی را تغییر داده و وابستگی به خوشه‌های متمرکز را کاهش می‌دهد.
فرصت web3-ai
همچنین با Web3 می‌توان مدل‌های هوش مصنوعی غیرمتمرکز را تسهیل کرد و به همکاران این امکان را می‌دهد تا منابع محاسباتی خود را به ازای مدیریت یا پاداش‌های مالی دریافت کنند، گامی است که توسعه AI را دموکراتیک می‌کند و زیرساخت‌های آموزشی غیرمتمرکز را پویا می‌کند. این رویکرد به توسعه AI دموکراتیکتری کمک می‌کند و زیرساخت‌های آموزشی غیرمتمرکز را تقویت می‌کند.
۴. ظهور مدل های کوچک میتواند باشد.
فرایند تقطیر، روشی است که محققان از مدل‌های بزرگ برای آموزش و تنظیم مدل‌های کوچک‌تر و متخصص استفاده می‌کنند. این رویکرد در زمینه هوش مصنوعی به شدت پذیرش یافته است. خانواده‌های پیشرو مانند Llama، Gemini، Gemma و Deepseek، اکنون دسترسی به انواع مدل‌های تقطیرشده و بهینه‌سازی شده برای افزایش کارایی دارند. این امکان به آنها می‌دهد که بر روی سخت‌افزارهای با منابع محدود کار کنند.
فرصت web3-ai
مدل‌های مقطر، که به خوبی بهینه شده‌اند، باعث می‌شوند که بتوانند حتی در GPUها و CPUهای با منابع محدود، بدون مشکل اجرا شوند و در نهایت به مناسبی مناسبی برای استفاده در شبکه‌های استنتاج غیرمتمرکز تبدیل شوند. با ظهور بازارهای استنتاج هوش مصنوعی مبتنی بر Web3، گره‌ها توانایی محاسباتی را برای اجرای مدل‌های سبک و مقطر فراهم می‌کنند. این تحول میتواند به بهبود عملکرد استنتاج هوش مصنوعی، کاهش وابستگی به ارائه‌دهندگان ابر، و ایجاد ساختارهای تحریکی برای توکن‌های جدید برای شرکت‌کنندگان منجر شود.
۵. نیاز به ارزیابی شفافیت هوش مصنوعی
یکی از چالش‌های عمده در حوزه هوش مصنوعی ارزیابی مدل‌ها است. بسیاری از مدل‌های پیشرفته قادرند با اثربخشی به معیارهای مشخص صنعتی وفادار باشند و از آنها برای ارزیابی عملکرد در محیط‌های واقعی استفاده می‌کنند. اما وقتی یک مدل به نتیجه عالی در یک معیار خاص می‌رسد، ممکن است به علت این باشد که آن معیار همگرا شدنی در زمان آموزش مدل استفاده شده است. امروزه، مکانیزم قوی‌ای برای تأیید نتایج ارزیابی مدل‌ها وجود ندارد و بنابراین شرکت‌های پیشرو بیشتر باید به تصدیق اعدادی که در مقالات فنّی منتشر شده اعتماد کنند.
فرصت web3-ai
استفاده از رمزنگاری مبتنی بر blockchain میتواند شفافیت را در ارزیابی‌های هوش مصنوعی افزایش دهد. با استفاده از این رویکرد، شبکه‌های غیرمتمرکز می‌توانند عملکرد مدل‌های هوش مصنوعی را به صورت شفاف و واضح ارزیابی کنند و از تأیید مطابقت آن با استانداردهای معتبر بهره‌برند. این کار باعث کاهش اعتماد به ادعاهای غیرقابل تصویب شرکت‌هایی می‌شود که در زمینه هوش مصنوعی فعالیت می‌کنند.
همچنین، رویکرد Web3 انگیزه‌های جدیدی برای توسعه استانداردهای ارزیابی هوش مصنوعی فراهم می‌کند. این مشوق‌ها می‌توانند افراد جامعه را به مشارکت فعال در فرایند ارزیابی و تصمیم‌گیری‌های مربوط ترغیب کنند. این اقدام باعث افزایش مسئولیت پذیری و شفافیت در عرصه هوش مصنوعی می‌شود و به ارتقاء اعتماد در این زمینه کمک می‌کند.
آیا Web3 و AI می‌توانند با هم سازگاری داشته باشند؟
هوش مصنوعی در حال تغییر پارادایم است. راه برای رسیدن به هوش عمومی مصنوعی (AGI) دیگر فقط از طریق مدل‌های یکپارچه با چرخه آموزش طولانی نیست. پیشرفت‌های جدید، از جمله استفاده از معماری‌های استدلال محور، نوآوری‌های مرتبط با داده‌های مصنوعی، بهینه‌سازی‌های پس از آموزش و تکنیک‌های تقطیر مدل، رویکردهای غیرمتمرکز را به ارمغان می‌آورند.
هوش مصنوعی نخستین موج، به طور قدرتمندی در Web3 حضور نداشت، اما این روال‌های جدید فرصت‌های تازه‌ای ارائه داده‌اند که می‌توانند با استفاده از معماری‌های غیرمتمرکز، ابزارهای واقعی ایجاد کنند. سوال اساسی این است: آیا Web3 به اندازه کافی سریع پیشروی خواهد کرد تا در این انقلاب هوش مصنوعی جای سهم بگیرد؟