في مشاركتنا السابقة، استكشفنا تاريخ تصميم التطبيقات. في الجزء 1 من سلسلة Agentic AI الثانية لدينا، نفحص المشهد الحالي لـ Web2 AI واتجاهاته ومنصاته وتقنياته الرئيسية. في الجزء 2، نستكشف كيف تمكّن تقنية البلوكشين والتحقق بدون ثقة تطور وكلاء الذكاء الاصطناعي إلى أنظمة فعلاً وكالية.

1. مشهد وكلاء الذكاء الاصطناعي Web2

الحالة الحالية لوكلاء الذكاء الاصطناعي المركزي

شكل 1. مشهد وكيل الذكاء الاصطناعي لويب2 E2B.

تتميز مناظر الذكاء الاصطناعي المعاصرة في الغالب بالمنصات المركزية والخدمات التي تسيطر عليها الشركات التكنولوجية الكبرى. توفر شركات مثل OpenAI، Anthropic، Google، و Microsoft نماذج لغوية كبيرة (LLMs) وتحتفظ بالبنية التحتية السحابية الحاسمة وخدمات واجهة برمجة التطبيقات التي تدعم معظم وكلاء الذكاء الاصطناعي.

البنية التحتية لوكيل الذكاء الاصطناعي

التطورات الأخيرة في البنية التحتية للذكاء الاصطناعي قد غيرت بشكل جوهري كيفية إنشاء وكلاء الذكاء الاصطناعي من قبل المطورين. بدلاً من ترميز التفاعلات المحددة، يمكن للمطورين الآن استخدام اللغة الطبيعية لتحديد سلوكيات وأهداف الوكيل، مما يؤدي إلى أنظمة أكثر قابلية للتكيف وتطورًا.

الشكل 2. بنية تقسيم البنية التحتية لوكيل الذكاء الاصطناعي.

تقدمات رئيسية في المجالات التالية أدت إلى انتشار وكلاء الذكاء الاصطناعي:

• نماذج اللغات الكبيرة المتقدمة (LLMs): أحدثت LLMs ثورة في كيفية فهم الوكلاء للغة الطبيعية وتوليدها ، واستبدلت الأنظمة الصلبة القائمة على القواعد بقدرات فهم أكثر تعقيدا. إنها تمكن من التفكير والتخطيط المتقدمين من خلال التفكير "المتسلسل الفكري".
  معظم تطبيقات الذكاء الاصطناعي مبنية على نماذج LLM المركزية ، مثل GPT-4 بواسطة OpenAI, كلود بواسطةأنثروبيك, وجيميني بواسطة جوجل.
  تشمل نماذج الذكاء الاصطناعي مفتوحة المصدر DeepSeek و LLaMa by Meta و PaLM 2 و LaMDA من Google و Mistral 7B by الذكاء الاصطناعي ميسترال, Grok و Grok-1 بواسطةxAI, Vicuna-13B بواسطةاستوديو LM, ونماذج Falcon من معهد الابتكار التكنولوجي (TII).
• أطر الوكلاء: تظهر العديد من الأطر والأدوات لتسهيل إنشاء تطبيقات الذكاء الاصطناعي متعددة الوكلاء للشركات. تدعم هذه الأطر العديد من نماذج اللغة الطبيعية وتوفر ميزات معبأة مسبقًا لتطوير الوكيل، بما في ذلك إدارة الذاكرة، والأدوات المخصصة، وتكامل البيانات الخارجية. تقلل هذه الأطر بشكل كبير التحديات الهندسية، مما يسرع من النمو والابتكار.
  أهم الأطر الوكيلة تتضمن Phidata, OpenAI سوارم, CrewAI, LangChain LangGraph, LlamaIndex, Microsoft المفتوح المصدرأوتوجين, Vertex الذكاء الاصطناعي ،ولانغ فلو,التي تقدم إمكانيات لبناء مساعدي الذكاء الاصطناعي مع الحد الأدنى من البرمجة المطلوبة.
• منصات الذكاء الوكيل: تركز منصات الذكاء الوكيل على تنسيق وكلاء الذكاء الاصطناعي المتعددين في بيئة موزعة لحل المشاكل المعقدة بشكل آلي. يمكن لهذه الأنظمة التكيف بشكل ديناميكي والتعاون، مما يسمح بحلول موجهة للمقياس الكبير. تهدف هذه الخدمات إلى تحويل كيفية استخدام الشركات للذكاء الاصطناعي من خلال جعل تكنولوجيا الوكيل متاحة وقابلة للتطبيق مباشرة على الأنظمة الحالية.
  تشمل أفضل منصات الذكاء الاصطناعي الوكلاء Microsoft Autogen و Langchain LangGraph و Microsoft نواة دلالية، و CrewAI.
• توليد معزز بالاسترجاع (RAG): يسمح التوليد المعزز بالاسترجاع (RAG) لنماذج اللغة الطويلة القصيرة بالوصول إلى قواعد بيانات خارجية أو مستندات قبل الرد على الاستفسارات، مما يعزز الدقة ويقلل من الهلوسة. تمكن تطورات RAG الوكلاء من التكيف والتعلم من مصادر المعلومات الجديدة وتجنب الحاجة إلى إعادة تدريب النماذج.
  أدوات RAG الأعلى هي من GateK2View, كومه قش, سلسلة اللغة, LlamaIndex, راجاتوي, ومفتوح المصدر EmbedChain و إنفينيفلو.
• أنظمة الذاكرة: للتغلب على قيود وكلاء الذكاء الاصطناعي التقليدية في التعامل مع المهام طويلة الأمد، توفر خدمات الذاكرة ذاكرة قصيرة المدى للمهام الوسيطة أو ذاكرة طويلة المدى لتخزين واسترجاع المعلومات للمهام الممتدة.
  تشمل الذاكرة طويلة الأمد:
  • الذاكرة العرضية. يسجل تجارب محددة للتعلم وحل المشكلات ويستخدم في سياق الاستعلام الحالي.
  • الذاكرة الدلالية. معلومات عامة وعالية المستوى حول بيئة الوكيل.
  • الذاكرة الإجرائية. يخزن الإجراءات المستخدمة في اتخاذ القرار والتفكير التدريجي المستخدم لحل المشكلات الرياضية.
• زعماء في خدمات الذاكرة تشمل ليتا، مفتوح المصدر MemGPT, زيبو ميم0.
• منصات الذكاء الاصطناعي الخالية من التعليمات البرمجية: تمكن الأنظمة الأساسية الخالية من التعليمات البرمجية المستخدمين من إنشاء نماذج الذكاء الاصطناعي من خلال أدوات السحب والإفلات والواجهات المرئية أو معالج الأسئلة والأجوبة. يمكن للمستخدمين نشر الوكلاء مباشرة إلى تطبيقاتهم وأتمتة مهام سير العمل. من خلال تبسيط سير عمل عامل الذكاء الاصطناعي ، يمكن لأي شخص إنشاء الذكاء الاصطناعي واستخدامه ، مما يؤدي إلى زيادة إمكانية الوصول ودورات تطوير أسرع وزيادة الابتكار.
  يشمل القادة الذين لا يشملوا التعليمات البرمجية BuildFire الذكاء الاصطناعي, آلة جوجل القابلة للتعليم، وأمازون سيج ميكر.
  توجد العديد من الأنظمة الأساسية المتخصصة التي لا تحتوي على تعليمات برمجية لوكلاء الذكاء الاصطناعي مثل من الواضح أن الذكاء الاصطناعي للتنبؤات التجارية ، Lobe AI لتصنيف الصور ، و الشبكات النانوية لمعالجة المستندات.

figure_3_ai_business_models1920×1080 178 كيلوبايت
الشكل 3. نماذج أعمال الذكاء الاصطناعي.

نماذج الأعمال

تستخدم شركات الذكاء الاصطناعي التقليدية Web2 بشكل أساسي الاشتراكات المتدرجة والخدمات الاستشارية كنماذج أعمالها.

النماذج التجارية الناشئة لوكلاء الذكاء الاصطناعي تشمل:

• الاشتراك / القائم على الاستخدام. يتم تحصيل رسوم من المستخدمين استنادا إلى عدد عمليات تشغيل العامل أو الموارد الحسابية المستخدمة، على غرار خدمات نموذج اللغة الكبيرة (LLM).
• نماذج السوق. تأخذ منصات الوكلاء نسبة مئوية من المعاملات التي تتم على النظام الأساسي ، على غرار نماذج متجر التطبيقات.
• ترخيص المؤسسات. حلول وكيل مخصصة مع رسوم التنفيذ والدعم.
• الوصول إلى واجهة برمجة التطبيقات. توفر الأنظمة الأساسية للوكلاء واجهات برمجة تطبيقات تسمح للمطورين بدمج الوكلاء في تطبيقاتهم، مع رسوم تستند إلى استدعاءات واجهة برمجة التطبيقات أو حجم الاستخدام.
• مفتوح المصدر مع ميزات ممتازة. تقدم مشاريع مفتوحة المصدر نموذجًا أساسيًا مجانيًا ولكنها تفرض رسومًا على الميزات المتقدمة أو الاستضافة أو دعم الشركات.
• تكامل الأداة. قد تأخذ الأنظمة الأساسية للوكلاء عمولة من موفري الأدوات لاستخدام واجهة برمجة التطبيقات أو الخدمات.

2. القيود المرتبطة بالذكاء الاصطناعي المركزي

في حين أن أنظمة الذكاء الاصطناعي Web2 الحالية قد بشرت بعصر جديد من التكنولوجيا والكفاءة ، إلا أنها تواجه العديد من التحديات.

• التحكم المركزي: يؤدي تركيز نماذج الذكاء الاصطناعي وبيانات التدريب في أيدي عدد قليل من شركات التكنولوجيا الكبيرة إلى مخاطر تقييد الوصول والتدريب الخاضع للرقابة والتكامل الرأسي القسري.
• خصوصية البيانات وملكيتها: يفتقر المستخدمون إلى التحكم في كيفية استخدام بياناتهم ولا يتلقون أي تعويض عن استخدامها في تدريب أنظمة الذكاء الاصطناعي. تخلق مركزية البيانات أيضا نقطة فشل واحدة ويمكن أن تكون هدفا لخروقات البيانات.
• قضايا الشفافية: تمنع طبيعة "الصندوق الأسود" للنماذج المركزية المستخدمين من فهم كيفية اتخاذ القرارات أو التحقق من مصادر بيانات التدريب. لا يمكن للتطبيقات المبنية على هذه النماذج تفسير التحيزات المحتملة ، ولا يمتلك المستخدمون سوى القليل من التحكم في كيفية استخدام بياناتهم.
• التحديات التنظيمية: يؤدي المنظر التنظيمي العالمي المعقد المتعلق باستخدام الذكاء الاصطناعي وخصوصية البيانات إلى خلق عدم اليقين وتحديات الامتثال. قد تخضع الوكلاء والتطبيقات المبنية على نماذج الذكاء الاصطناعي المركزية للتنظيمات من بلد مالك النموذج.
• الهجمات العدائية: يمكن أن تكون نماذج الذكاء الاصطناعي عرضة للهجمات العدائية ، حيث يتم تعديل المدخلات لخداع النموذج لإنتاج مخرجات غير صحيحة. مطلوب التحقق من صحة المدخلات والمخرجات ، جنبا إلى جنب مع أمان وكيل الذكاء الاصطناعي ومراقبته.
• موثوقية المخرجات: تتطلب مخرجات نموذج الذكاء الاصطناعي التحقق الفني وعملية شفافة وقابلة للتدقيق لإثبات الجدارة بالثقة. مع توسع عوامل الذكاء الاصطناعي ، تصبح صحة مخرجات نموذج الذكاء الاصطناعي أمرا بالغ الأهمية.
• التزييف العميق: الصور المعدلة بواسطة الذكاء الاصطناعي، والكلام، ومقاطع الفيديو، المعروفة باسم "التزييف العميق"، تشكل تحديات كبيرة حيث يمكن أن تنتشر المعلومات الخاطئة وتخلق تهديدات أمنية وتؤدي إلى تآكل الثقة العامة.

3. حلول الذكاء الاصطناعي اللامركزية

تتم معالجة القيود الرئيسية ل Web2 الذكاء الاصطناعي - المركزية وملكية البيانات والشفافية - من خلال blockchain والترميز. يقدم Web3 الحلول التالية:

• شبكات الحوسبة اللامركزية. بدلاً من استخدام مزودي السحابة المركزية، يمكن لنماذج الذكاء الاصطناعي الاستفادة من شبكات الحوسبة الموزعة للتدريب وتشغيل الاستدلال.
• البنية التحتية المعيارية. يمكن للفرق الصغيرة الاستفادة من شبكات الحوسبة اللامركزية وداو البيانات لتدريب نماذج جديدة ومحددة. يمكن للبنائين تعزيز وكلائهم بأدوات معيارية وأدوات واجهة برمجة تطبيقات نموذجية أخرى.
• أنظمة شفافة وقابلة للتحقق. يمكن للويب 3 أن تقدم طريقة قابلة للتحقق لتتبع تطوير النماذج واستخدامها مع تقنية البلوكشين. يمكن التحقق من مدخلات النموذج ومخرجاته عبر الأدلة الصفرية المعرفة (ZKPs) والبيئات القابلة للتنفيذ الموثوقة (TEEs) وتسجيلها بشكل دائم على السلسلة.
• ملكية البيانات والسيادة. يمكن تحقيق الدخل من البيانات عبر الأسواق أو DAOs للبيانات ، والتي تتعامل مع البيانات كأصل جماعي ويمكنها إعادة توزيع الأرباح من استخدام البيانات على المساهمين في DAO.
• التمهيد الشبكي. **يمكن أن تساعد حوافز الرمز المميز في تمهيد الشبكات من خلال مكافأة المساهمين الأوائل في الحوسبة اللامركزية والبيانات اللامركزية وأسواق الوكلاء. يمكن أن تخلق الرموز الحوافز الاقتصادية الفورية التي تساعد في التغلب على مشاكل التنسيق الأولية التي تعيق اعتماد الشبكة.

4. مشهد وكيل الذكاء الاصطناعي Web3

كل من Web2 و Web3 AI وكومة وكومة تقاسم العناصر الأساسية مثل تنسيق النموذج والموارد والأدوات والخدمات الأخرى وأنظمة الذاكرة للاحتفاظ بالسياق. ومع ذلك، تسمح إدماج تقنيات سلسلة الكتل Web3 بالتموزج لموارد الحوسبة، والرموز لتحفيز مشاركة البيانات وملكية المستخدم، والتنفيذ بدون ثقة عبر العقود الذكية، وشبكات التنسيق بتحميل النظام.

figure_4_web3_ai_agent_stack1920×3627 407 كيلوبايت
الشكل 4. مكدس وكيل الذكاء الاصطناعي Web3.

بيانات

طبقة البيانات هي أساس مكدس وكيل الذكاء الاصطناعي Web3 وتشمل جميع جوانب البيانات. ويشمل مصادر البيانات ، وتتبع المصدر والتحقق من المصداقية ، وأنظمة الملصقات ، وأدوات ذكاء البيانات للتحليلات والبحث ، وحلول التخزين لاحتياجات الاحتفاظ بالبيانات المختلفة.

1. مصادر البيانات. تمثل مصادر البيانات مصادر البيانات المختلفة في النظام البيئي.
   • Data DAOs. Data DAOs (فاناوماسا الذكاء الاصطناعي) هي منظمات يديرها المجتمع المحلي وتسهل تبادل البيانات وتحقيق الدخل.
   • الاسواق. المنصات (بروتوكول المحيطات و الصحراء الذكاء الاصطناعي) إنشاء سوق لامركزي لتبادل البيانات.
   • البيانات الخاصة. يمكن تجهيز البيانات الاجتماعية والمالية والصحية بشكل مجهول وجلبها على السلسلة لتسويقها.Kaito AI يفهرس البيانات الاجتماعية من X وينشئ بيانات المشاعر من خلال واجهة برمجة التطبيقات الخاصة بهم.
   • البيانات العامة. خدمات تجريف Web2 (عشب) جمع البيانات العامة ثم معالجتها إلى بيانات منظمة لتدريب الذكاء الاصطناعي.
   • البيانات الاصطناعية. البيانات العامة محدودة وقد ثبت أن البيانات الاصطناعية القائمة على البيانات العامة الحقيقية تعتبر بديلاً مناسبًا لتدريب نماذج الذكاء الاصطناعي.مجموعة موالفة الوضع الفرعيةهو مجموعة بيانات سعرية اصطناعية مصممة لتدريب واختبار نماذج الذكاء الاصطناعي.
   • Oracles. تقوم Oracles بتجميع البيانات من مصادر خارج السلسلة للاتصال ب blockchain عبر العقود الذكية. تشمل Oracles for الذكاء الاصطناعي ما يلي بروتوكول أورا, Chainlink, و Masa AI.
2. المصدر. مصداقية البيانات مهمة لضمان سلامة البيانات، وتقليل التحيز، وإمكانية إعادة الإنتاج في الذكاء الاصطناعي. مصداقية البيانات تتتبع أصل البيانات وتسجل نسبها.
   يقدم Web3 العديد من الحلول لمصدر البيانات ، بما في ذلك تسجيل أصول البيانات والتعديلات على السلسلة عبر البيانات الوصفية المستندة إلى blockchain (بروتوكول المحيط وأصل مشروع Filecoin) ، وتتبع نسب البيانات عبر الرسوم البيانية المعرفية اللامركزية (أوريجينتريل) ، وإنتاج براهين المعرفة الصفرية لمصدر البيانات وعمليات التدقيق (Fact Fortress ، بروتوكول الاسترداد).
3. تسمية البيانات. كان تسمية البيانات تتطلب تقليديًا من البشر وضع علامات أو تسمية البيانات في نماذج التعلم المشرف. يمكن أن تساعد الحوافز بالرموز في جذب عمال لمعالجة البيانات.
   في Web2، تطوير الذكاء الصناعيلديها إيراد سنوي بقيمة 1 مليار دولار وتعتبر OpenAI وAnthropic وCohere من العملاء. في Web3،البروتوكول الإنساني وتصنيف بيانات Ocean Protocol الجماعي ومكافأة المساهمين في الملصقات بالرموز المميزة. اليايا الذكاء الاصطناعيوفِتش.اي توظيف وكلاء الذكاء الاصطناعي لتصنيف البيانات.
4. أدوات الذكاء البيانات. أدوات الذكاء البيانات هي حلول برمجية تحلل وتستخرج رؤى من البيانات. تحسن جودة البيانات، وتضمن الامتثال والأمان، وتعزز أداء نموذج الذكاء الاصطناعي من خلال تحسين جودة البيانات.
   تتضمن شركات تحليل سلسلة الكتل أركام, Nansen, و رمل. البحث خارج السلسلة بواسطة مساريوتحليل المشاعر عبر وسائل التواصل الاجتماعي بواسطةكايتولدينا أيضًا واجهات برمجة تطبيقات لاستهلاك نماذج الذكاء الاصطناعي.
5. تخزين البيانات. تسمح حوافز الرمز المميز بتخزين البيانات اللامركزية والموزعة عبر شبكات العقد المستقلة. عادة ما يتم تشفير البيانات ومشاركتها عبر عقد متعددة للحفاظ على التكرار والخصوصية.
   فايلكوينكان أحد أول مشاريع تخزين البيانات الموزعة التي تسمح للأشخاص بتقديم مساحة القرص الصلب غير المستخدمة الخاصة بهم لتخزين البيانات المشفرة مقابل الرموز.IPFS (نظام الملفات بين الكواكب) يُنشئ شبكة نظير إلى نظير لتخزين ومشاركة البيانات باستخدام تجزئات تشفيرية فريدة. أرويفطورت حلاً دائم البقاء لحل مشكلة تكاليف التخزين من خلال مكافآت الكتل.Storjيقدم واجهات برمجة التطبيقات المتوافقة مع S3 التي تسمح للتطبيقات الحالية بالتبديل من تخزين السحابي إلى تخزين مركزي بسهولة.

حساب

يوفر طبقة الحوسبة البنية التحتية اللازمة لتشغيل عمليات الذكاء الاصطناعي. يمكن تقسيم موارد الحوسبة إلى فئات مختلفة: بنية تحتية للتدريب لتطوير النموذج، وأنظمة الاستنتاج لتنفيذ النموذج وعمليات الوكيل، والحوسبة الحافة لمعالجة محلية مركزية.

تزيل موارد الحوسبة الموزعة الاعتماد على شبكات السحابة المركزية وتعزز الأمان، وتقلل من مشكلة نقطة الفشل الوحيدة، وتسمح للشركات الصغيرة في مجال الذكاء الاصطناعي باستغلال الموارد الحوسبة الزائدة.

1. التدريب. نماذج الذكاء الاصطناعي للتدريب مكلفة من الناحية الحسابية ومكثفة. تعمل حوسبة التدريب اللامركزي على إضفاء الطابع الديمقراطي على تطوير الذكاء الاصطناعي مع زيادة الخصوصية والأمان حيث يمكن معالجة البيانات الحساسة محليا دون تحكم مركزي.
بيتينسور و شبكة Golemهي أسواق للتدريب اللامركزي لموارد الذكاء الاصطناعي.شبكة أكاشوفالاتوفير موارد الحوسبة اللامركزية مع TEEs.شبكة التقديمأعاد توجيه شبكة GPU الرسومية الخاصة به لتوفير الحوسبة لمهام الذكاء الاصطناعي.

2. الاستنتاج. يشير حساب الاستنتاج إلى الموارد اللازمة للنماذج لتوليد مخرجات جديدة أو لتشغيل تطبيقات الذكاء الاصطناعي والوكلاء. تستخدم التطبيقات في الوقت الحقيقي التي تعالج كميات كبيرة من البيانات أو الوكلاء الذين يتطلبون عمليات متعددة كميات أكبر من طاقة الحساب الاستنتاجية.
هايبربوليك, ديفينيتي, و الفضاء الفائقتقديم حوسبة الاستنتاج بشكل خاص. مختبرات الاستنتاجOmronهو سوق للاستدلال والتحقق من الحوسبة على Bittensor. تقدم شبكات الحوسبة اللامركزية مثل Bittensor، Golem Network، Akash Network، Phala، و Render Network موارد الحوسبة للتدريب والاستدلال.

3.Edge Compute. تشمل الحوسبة على الحافة معالجة البيانات محلياً على الأجهزة البعيدة مثل الهواتف الذكية، وأجهزة الإنترنت من الأشياء، أو الخوادم المحلية. تتيح الحوسبة على الحافة معالجة البيانات في الوقت الحقيقي وتقليل التأخير لأن النموذج والبيانات يعملان محلياً على نفس الجهاز.
شبكة التدرجشبكة حوسبة الحواف على سولانا.شبكة الحافة, شبكة ثيتا، وAIOZال Permettre ل Edge Computing العالمي.

التحقق / الخصوصية

تضمن طبقة التحقق والخصوصية سلامة النظام وحماية البيانات. تستخدم آليات الإجماع وبراهين المعرفة الصفرية (ZKPs) و TEEs للتحقق من تدريب النموذج والاستدلال والمخرجات. يتم استخدام FHE و TEEs لضمان خصوصية البيانات.

1. الحوسبة التي يمكن التحقق منها. تتضمن الحوسبة التي يمكن التحقق منها تدريب النموذج والاستنتاج.
Phala and شبكة اتومادمج TEEs مع الحوسبة التي يمكن التحقق منها.إنفيريوميستخدم مزيج من ZKPs و TEEs للاستنتاج القابل للتحقق.

2. براهين الإخراج. تتحقق إثباتات الإخراج من أن مخرجات نموذج الذكاء الاصطناعي أصلية ولم يتم العبث بها دون الكشف عن معلمات النموذج. توفر براهين الإخراج أيضا مصلا وهي مهمة للثقة في قرارات وكيل الذكاء الاصطناعي.
zkMLوشبكة آزتيككلاهما لديهما أنظمة ZKP التي تثبت سلامة الإخراج الحسابي.مارلينز أوستريوفر استنتاج AI القابل للتحقق من خلال شبكة من TEEs.

3. البيانات وسرية النموذج. تسمح FHE وتقنيات التشفير الأخرى للنماذج بمعالجة البيانات المشفرة دون تعريض المعلومات الحساسة. الخصوصية في البيانات ضرورية عند التعامل مع المعلومات الشخصية والحساسة وللحفاظ على الإجهاد.
بروتوكول أواسيسيوفر الحوسبة السرية عبر TEEs و تشفير البيانات.Partisia بلوكشين يستخدم الحوسبة متعددة الأطراف المتقدمة (MPC) لتوفير خصوصية بيانات الذكاء الاصطناعي.

التنسيق

يسهل طبقة التنسيق التفاعل بين مكونات مختلفة من بيئة Web3 AI. تشمل أسواق النماذج للتوزيع والبنية التحتية للتدريب وضبط الدقة، وشبكات الوكلاء للتواصل والتعاون بين الوكلاء.

1. الشبكات النموذجية. تم تصميم الشبكات النموذجية لمشاركة الموارد لتطوير نماذج الذكاء الاصطناعي.

• نماذج اللغة الكبيرة تتطلب كمية كبيرة من موارد الحوسبة والبيانات. تسمح شبكات نماذج اللغة الكبيرة للمطورين بنشر نماذج متخصصة.
  Bittensor، حية، وتوفر شبكة Akash للمستخدمين موارد الحوسبة وسوقا لبناء LLMs على شبكاتهم.
• البيانات المُنظمة. تعتمد شبكات البيانات المنظمة على مجموعات بيانات مُخصصة ومراجعة.
  Pond AIيستخدم نماذج الرسوم البيانية الأساسية لإنشاء تطبيقات ووكلاء يستخدمون بيانات سلسلة الكتل.
• الأسواق. تساعد الأسواق في تحقيق الربح من نماذج الذكاء الاصطناعي والوكلاء والبيانات.
  بروتوكول المحيطتوفر سوقًا للبيانات وخدمات معالجة البيانات والنماذج ونواتج النموذج.Fetch AIسوق وكيل الذكاء الاصطناعي.

2. التدريب / ضبط دقيق. تتخصص شبكات التدريب في توزيع وإدارة مجموعات بيانات التدريب. تركيز شبكات الضبط الدقيق على حلول البنية التحتية لتعزيز المعرفة الخارجية للنموذج من خلال RAGs (الاسترجاع المحسن بالتوليف) وواجهات برمجة التطبيقات.
شبكات تدريب وضبط دقيق تقدمها Bittensor و Akash Network و Golem Network.

3. شبكات الوكيل. توفر شبكات الوكلاء خدمتين رئيسيتين لوكلاء الذكاء الاصطناعي: 1) الأدوات و 2) منصات إطلاق الوكيل. تتضمن الأدوات الاتصالات مع البروتوكولات الأخرى وواجهات المستخدم الموحدة والتواصل مع الخدمات الخارجية. تسمح منصات تشغيل الوكيل بنشر عامل الذكاء الاصطناعي وإدارته بسهولة.
نظريةleverages وكلاء السرب لتشغيل حلول التداول DeFi. Virtuals هي منصة إطلاق العملاء الذكاء الاصطناعي الرائدة على Base.Eliza OSكانت أول شبكة نموذج LLM مفتوحة المصدر.شبكة البقرة الراعية و شبكة أولاسمنصات وكيل الذكاء الاصطناعي المملوكة من قبل المجتمع.

الخدمات

يوفر طبقة الخدمات الوسيطة والأدوات الأساسية التي تحتاجها تطبيقات الذكاء الاصطناعي والوكلاء للعمل بفعالية. تشمل هذه الطبقة أدوات التطوير وواجهات برمجة التطبيقات للبيانات الخارجية وتكامل التطبيقات وأنظمة الذاكرة للاحتفاظ بسياق الوكيل وتكامل الاسترجاع المحسن (RAG) للوصول إلى المعرفة المحسن، وبنية الاختبار.

• أدوات. مجموعة من الأدوات أو التطبيقات التي تسهل مختلف الوظائف داخل وكلاء الذكاء الاصطناعي:
  • الدفعات. يتيح دمج أنظمة الدفع اللامركزية للوكلاء إجراء المعاملات المالية بشكل مستقل ، مما يضمن تفاعلات اقتصادية سلسة داخل نظام Web3 البيئي.
    Coinbase AgentKitيسمح لوكلاء الذكاء الاصطناعي بإجراء المدفوعات ونقل الرموز. LangChain و بايمانعرض إرسال وطلب خيارات الدفع للوكلاء.
  • منصات الإطلاق. منصات تساعد في نشر وتوسيع وكلاء الذكاء الاصطناعي، وتوفير موارد مثل إطلاق الرموز، اختيار النموذج، واجهات برمجة التطبيقات، والوصول إلى الأدوات.
    بروتوكول الظاهريات هو لوحة إطلاق وكيل AI الرائدة التي تسمح للمستخدمين بإنشاء ونشر وتحقيق الربح من وكلاء AI. قبعة عاليةوGriffain هي منصات إطلاق عامل الذكاء الاصطناعي على Solana.
  • إذن. الآليات التي تدير الأذونات والتحكم في الوصول، وتضمن عمل الوكلاء ضمن حدود محددة والحفاظ على بروتوكولات الأمان.
    Biconomy تقدممفاتيح الجلسةلضمان أن يتمكن الوكلاء فقط من التفاعل مع العقود الذكية المدرجة في القائمة البيضاء.
  • الأمان. تنفيذ تدابير أمان قوية لحماية الوكلاء من التهديدات، وضمان سلامة البيانات وسرية ومقاومة الهجمات.
    أمان جوبلسأضافت إضافة تسمح لوكلاء ElizaOS AI باستخدام ميزات الأمان على السلسلة التي تمنع الاحتيال والصيد الاحتيالي والمعاملات المشبوهة عبر سلاسل الكتل المتعددة.
• واجهات برمجة التطبيقات (APIs). تسهل واجهات برمجة التطبيقات التكامل السلس للبيانات والخدمات الخارجية في وكلاء الذكاء الاصطناعي. توفر واجهات برمجة تطبيقات الوصول إلى البيانات للوكلاء إمكانية الوصول إلى البيانات في الوقت الفعلي من مصادر خارجية ، مما يعزز قدراتهم على اتخاذ القرار. تسمح واجهات برمجة تطبيقات الخدمة للوكلاء بالتفاعل مع التطبيقات والخدمات الخارجية لتوسيع وظائفهم ووصولهم.
  شبكة Datai يوفر بيانات blockchain لوكلاء الذكاء الاصطناعي من خلال واجهة برمجة تطبيقات البيانات المنظمة. شبكة الاستعلام الفرعي يقدم مفهرسات البيانات اللامركزية ونقاط نهاية RPC لوكلاء وتطبيقات الذكاء الاصطناعي.
• زيادة الاسترجاع المحسنة (RAG) . تعزز زيادة RAG وصول الوكلاء إلى المعرفة من خلال دمج LLMs مع استرجاع البيانات الخارجية.
  • استرجاع المعلومات الديناميكي. يمكن للوكلاء جلب المعلومات الحديثة من قواعد البيانات الخارجية أو الإنترنت لتوفير ردود دقيقة وحديثة.
  • تكامل المعرفة. يسمح دمج البيانات المستردة في عملية الإنشاء للوكلاء بإنتاج مخرجات أكثر استنارة وذات صلة بالسياق.
• شبكة Atoma يوفر تنظيما آمنا للبيانات وواجهات برمجة تطبيقات البيانات العامة لوحدات RAG المخصصة. إليزاوبروتوكول KIPتقدم الوكيل مكونات إضافية لمصادر البيانات الخارجية مثل X وFarcaster.
• الذاكرة. يتطلب وكلاء الذكاء الاصطناعي نظام ذاكرة للاحتفاظ بالسياق والتعلم من تفاعلاتهم. من خلال الاحتفاظ بالسياق، يحتفظ الوكلاء بتاريخ التفاعلات لتوفير ردود منطقية وملائمة للسياق. تخزين الذاكرة الطويل يسمح للوكلاء بتخزين وتحليل التفاعلات السابقة مما يمكن أن يحسن أدائهم ويُضفي تجربة شخصية على المستخدم مع مرور الوقت.
  إليزا تقدم إدارة الذاكرة كجزء من شبكة الوكلاء الخاصة بها. ميم 0 آي و الذكاء الاصطناعي أحادي القاعدةنحن نقوم ببناء طبقة ذاكرة لتطبيقات الذكاء الاصطناعي والوكلاء.
• اختبار البنية التحتية. المنصات المصممة لضمان موثوقية ومتانة وكلاء الذكاء الاصطناعي. يمكن للوكلاء العمل في بيئات محاكاة خاضعة للرقابة لتقييم الأداء في ظل سيناريوهات مختلفة. تسمح منصات الاختبار بمراقبة الأداء والتقييم المستمر لعمليات الوكلاء لتحديد أي مشاكل.
  مساعد الذكاء الاصطناعي Alchemy، ChatWeb3، يمكن اختبار عوامل الذكاء الاصطناعي من خلال الاستعلامات والاختبارات المعقدة على تطبيقات الوظائف.

التطبيقات

تقع طبقة التطبيق في الجزء العلوي من مكدس الذكاء الاصطناعي وتمثل الحلول التي تواجه المستخدم النهائي. يتضمن ذلك الوكلاء الذين يحلون حالات الاستخدام مثل إدارة المحفظة والأمان والإنتاجية والمكاسب وأسواق التنبؤ وأنظمة الحوكمة وأدوات DeFAI.

• المحافظ. تعزز وكلاء الذكاء الاصطناعي محافظ الويب3 من خلال تفسير نوايا المستخدم وتلقين الصفقات المعقدة تلقائيًا، مما يعزز تجربة المستخدم.
  محفظة الدروع و محفظة فوكس استخدم وكلاء الذكاء الاصطناعي لتنفيذ نوايا المستخدم عبر منصات DeFi وسلاسل الكتل مما يسمح للمستخدمين بإدخال نواياهم عبر واجهة على غرار الدردشة. منصة مطوري Coinbaseتقدم وكلاء الذكاء الاصطناعي محافظ MPC التي تمكنهم من نقل الرموز بشكل مستقل.
• أمن. يراقب وكلاء الذكاء الاصطناعي نشاط blockchain لتحديد السلوك الاحتيالي ومعاملات العقود الذكية المشبوهة.
  ChainAware.aiʻs وكيل كاشف الاحتيال يوفر أمان محفظة في الوقت الحقيقي ومراقبة الامتثال عبر عدة سلاسل كتلية. AgentLayerʻs مدقق المحفظة يفحص المحافظ بحثا عن الثغرات الأمنية ويقدم توصيات لتعزيز الأمان.
• الإنتاجية. تساعد وكلاء الذكاء الاصطناعي في أتمتة المهام، وإدارة الجداول الزمنية، وتقديم توصيات ذكية لزيادة كفاءة المستخدم.
  العالم3يتميز بمنصة بدون كود لتصميم وكلاء الذكاء الاصطناعي القابلة للتعديل لمهام مثل إدارة وسائل التواصل الاجتماعي، وإطلاق رموز الويب3، ومساعدة البحث.
• الألعاب. تدير وكلاء الذكاء الاصطناعي الشخصيات غير اللاعبين (NPCs) التي تتكيف مع أفعال اللاعبين في الوقت الحقيقي، مما يعزز تجربة المستخدم. يمكنهم أيضًا إنشاء محتوى داخل اللعبة ومساعدة اللاعبين الجدد في تعلم اللعبة.
  ساحة الذكاء الاصطناعي يستخدم اللاعبين البشريين والتعلم المقلد لتدريب وكلاء ألعاب الذكاء الاصطناعي. شبكة نيمهي سلسلة ألعاب الذكاء الاصطناعي التي توفر معرفات الوكيل و ZKPs للتحقق من الوكلاء عبر سلاسل الكتل والألعاب.Game3s.GG يصمم وكلاء قادرين على التنقل والتدريب واللعب جنبا إلى جنب مع اللاعبين البشريين.
• التنبؤ. يقوم وكلاء الذكاء الاصطناعي بتحليل البيانات لتوفير رؤى وتسهيل اتخاذ القرارات المستنيرة لمنصات التنبؤ.
  متنبئ GOATs هو وكيل الذكاء الاصطناعي على شبكة Ton الذي يقدم توصيات تعتمد على البيانات. محطة التخزينهو سوق تنبؤ مملوك من قبل المجتمع على سونيوم الذي يوظف وكلاء الذكاء الاصطناعي لمساعدة المستخدمين في اتخاذ القرارات.
• الحكم. يسهل وكلاء الذكاء الاصطناعي حوكمة المنظمة المستقلة اللامركزية (DAO) من خلال أتمتة تقييمات المقترحات ، وإجراء فحوصات درجة حرارة المجتمع ، وضمان التصويت الخالي من Sybil ، وتنفيذ السياسات.
  شبكة SyncAIميزة وكيل ذكاء اصطناعي يعمل كممثل مركزي لنظام حوكمة Cardano. Olas يقدم وكيل الحكمالتي تصيغ مقترحات، تصوت، وتدير خزانة DAO. ElizaOS لديها وكيلالتي تجمع بيانات الرؤى من منتدى DAO وDiscord، وتقدم توصيات حكم.
• وكلاء DeFAI. يمكن للوكلاء مبادلة الرموز المميزة ، وتحديد استراتيجيات توليد العائد ، وتنفيذ استراتيجيات التداول ، وإدارة إعادة التوازن عبر السلاسل. يراقب وكلاء إدارة المخاطر النشاط على السلسلة لاكتشاف السلوك المشبوه وسحب السيولة إذا لزم الأمر.
  بروتوكول وكيل الذكاء الاصطناعي لشركة ثيوريكينفذ أسرابًا من الوكلاء لإدارة المعاملات المعقدة في DeFi وتحسين حمامات السيولة وتأتيني استراتيجيات الزراعة تلقائيًا.نوياهي منصة DeFi تستفيد من وكلاء الذكاء الاصطناعي لإدارة المخاطر والمحفظة.

بشكل جماعي، تُسهم هذه التطبيقات في خلق بيئات ذكاء اصطناعي آمنة وشفافة ولامركزية مصممة خصيصًا لاحتياجات الويب3.

استنتاج

تمثل التطور من Web2 إلى أنظمة Web3 AI تحولاً أساسياً في كيفية اقترابنا من تطوير ونشر الذكاء الاصطناعي. بينما بنية الذكاء الاصطناعي المركزية في Web2 قد دفعت بالابتكار الهائل، إلا أنها تواجه تحديات كبيرة فيما يتعلق بالخصوصية والشفافية والسيطرة المركزية. تظهر بنية Web3 AI كيف يمكن للأنظمة اللامركزية معالجة هذه القيود من خلال داوات البيانات وشبكات الحوسبة اللامركزية وأنظمة التحقق بدون ثقة. وربما الأهم من ذلك، تقوم المحافزات المميزة بإنشاء آليات تنسيق جديدة يمكن أن تساعد في تشغيل ودعم هذه الشبكات اللامركزية.

نظرًا للأمام، يمثل صعود وكلاء الذكاء الاصطناعي الحد الجديد في هذه التطور. كما سنستكشف في المقالة القادمة، فإن وكلاء الذكاء الاصطناعي - من الروبوتات البسيطة الموجهة لمهمة معينة إلى الأنظمة الذاتية المعقدة - يصبحون أكثر تطورًا وقدرة. إن دمج هؤلاء الوكلاء مع بنية الويب3، إلى جانب النظر الدقيق في الهندسة المعمارية التقنية والحوافز الاقتصادية والهياكل الإدارية، لديه القدرة على خلق أنظمة أكثر عدالة وشفافية وكفاءة مما كان ممكنًا في عصر الويب2. فهم كيفية عمل هؤلاء الوكلاء، مستويات تعقيدهم المختلفة، والفرق بين وكلاء الذكاء الاصطناعي والذكاء الاصطناعي الفعلي سيكون أمرًا حاسمًا لأي شخص يعمل عند تقاطع الذكاء الاصطناعي والويب3.

إخلاء المسؤولية:

1. تم نقل هذه المقالة من [Gateفلاشبوتس]. كل حقوق الطبع والنشر تنتمي إلى الكاتب الأصلي []. إذا كانت هناك اعتراضات على هذا النشر، يرجى التواصل مع بوابة تعلمالفريق، وسوف يتولونه على الفور.
2. إخلاء المسؤولية عن المسؤولية: الآراء والآراء المعبر عنها في هذه المقالة هي فقط تلك للكاتب ولا تشكل أي نصيحة استثمارية.
3. فريق Gate Learn يقوم بترجمة المقال إلى لغات أخرى. يُحظر نسخ أو توزيع أو انتحال حقوق الملكية الفكرية للمقالات المترجمة ما لم يُذكر.