مع ظهور Chat-GPT ، دخلنا عصر الابتكار التخريبي الذي جلبته AIGC.
يعتبر AIGC (المحتوى الذي يتم إنشاؤه بواسطة AI) طريقة جديدة لإنتاج المحتوى بعد UGC و PGC. تعد اللوحة AI وكتابة AI وما إلى ذلك كلها فروعًا لـ AIGC. Chat-GPT هو نموذج لغة AI كبير لمعالجة اللغة الطبيعية ، نموذج AI كشكل محدد من AIGC ، ما هي العناصر الرئيسية في عملية التدريب وعملية التفكير؟
** العنصر 1: قوة الحوسبة **
تعد البيانات عالية الجودة والمتنوعة أساس تدريب نماذج الذكاء الاصطناعي ، وتوفر قوة الحوسبة القوة الدافعة لتدريب النموذج.
فيما يتعلق بتوفير طاقة الحوسبة ، بالنسبة لمرحلة تدريب نموذج الذكاء الاصطناعي ، يتم استخدام قوة الحوسبة لأداء مهام مثل النشر العكسي وتحديث المعلمات وتحسين النموذج على مجموعات البيانات واسعة النطاق. يمكن أن تؤدي قوة الحوسبة العالية إلى تسريع عملية التدريب ، مما يمكّن النموذج من التقارب بشكل أسرع ومعرفة خصائص البيانات. بالنسبة لمرحلة الاستدلال بنموذج الذكاء الاصطناعي ، تُستخدم قوة الحوسبة لتطبيق النموذج المدرب على مثيلات البيانات الجديدة للتنبؤ والاستدلال. في تطبيقات الوقت الفعلي ، يحدد مستوى قوة الحوسبة مقدار الطلبات وسرعة الاستجابة التي يمكن أن يتعامل معها النموذج.
تتطلب العديد من خوارزميات الذكاء الاصطناعي المعقدة موارد حوسبة ضخمة. إن تطوير الذكاء الاصطناعي التقليدي مقيد بأداء الأجهزة وقوتها الحاسوبية. يتطلب الأمر قوة حوسبة أكثر قوة ، خاصة عند معالجة مجموعات البيانات واسعة النطاق أو إجراء تدريب نموذجي شديد التعقيد.
في الوقت الحالي ، لا يزال هناك نقص في المنتجات والحلول الناضجة لتقاسم قوة الحوسبة الذكية في السوق. يقدم سوق طاقة الحوسبة التقليدية قوة الحوسبة الاجتماعية الخاملة لجهات خارجية مثل المحطات الطرفية الشخصية ، ولا يمتلك مشغلو خدمات الطاقة الحاسوبية القدرة على التحكم الفعال في العقد. لا يمكن ضمان أمان ومصداقية عقد الطاقة الحاسوبية ، مما يزيد بشكل كبير من اتساع وصعوبة الحماية الأمنية.
العنصر 2: البيانات
تعد مشاركة البيانات على أساس حماية الخصوصية دعمًا مهمًا لنمذجة AIGC.
من حيث توفير البيانات ، يحتاج تدريب نموذج AIGC إلى استخدام كمية كبيرة من البيانات للحصول على أداء جيد وتحسين القدرة على التفكير ودقة النموذج. بأخذ ChatGPT كمثال ، يستخدم تدريب GPT بيانات عشرات المليارات من الرموز المميزة. كنموذج لغة ذكاء اصطناعي واسع النطاق ، تتضمن بيانات تدريب GPT مجموعة واسعة من مصادر النصوص على الإنترنت ، بما في ذلك صفحات الويب والكتب والمقالات والأطروحات وغيرها من الموارد النصية المتاحة للجمهور. تغطي هذه البيانات مجالات وموضوعات متعددة ، وتمكين النماذج ذات المعرفة الواسعة وقدرات فهم اللغة.
بشكل عام ، يتطلب تدريب نموذج كبير للذكاء الاصطناعي كميات هائلة من البيانات ، وغالبًا ما تكون البيانات الداخلية لمؤسسة واحدة غير كافية لتلبية الطلب. لذلك ، فإن مشاركة البيانات مطلوبة في هذه العملية. ومع ذلك ، في حين أن حجم البيانات العالمية هو يتزايد بسرعة ، وقد أثر تسرب الخصوصية الناجم عن مشاركة البيانات بشكل خطير على الاستفادة الكاملة من قيمة البيانات. وفقًا لتقرير IBM Security الصادر في يوليو 2022 ، حدثت خروقات للبيانات في 550 شركة حول العالم بين مارس 2021 ومارس 2022 ، وبلغ متوسط الخسارة الناجمة عن خرق البيانات 4.4 مليون دولار أمريكي ، بزيادة قدرها 13٪ مقارنة بعام 2020. ولذلك ، فإن كيفية تنفيذ تداول البيانات واستخراج القيمة في إطار فرضية ضمان خصوصية البيانات وأمنها ، وخدمة نمو تكنولوجيا AIGC ، أصبح موضوعًا يحظى باهتمام متزايد في الصناعة.
ما هي التحسينات التي يمكن أن يحققها الجمع بين Web3 والذكاء الاصطناعي؟
كجيل جديد من الإنترنت مبني على blockchain والتكنولوجيا اللامركزية ، يتمتع Web3 بقدر أكبر من اللامركزية والانفتاح والشفافية. عند دمج الذكاء الاصطناعي مع Web3 ، يمكن أن يكتسب العديد من المزايا التي تختلف عن الذكاء الاصطناعي التقليدي.
موارد الحوسبة الموزعة:
تتيح الطبيعة اللامركزية لـ Web3 دمج موارد الحوسبة على نطاق عالمي ومشاركتها. يوفر هذا قوة حوسبية أكبر للتدريب والاستدلال على نموذج الذكاء الاصطناعي. يعتمد تدريب نموذج الذكاء الاصطناعي التقليدي عادةً على جهاز حوسبة واحد أو مزود خدمة سحابية ، ولكن مع Web3 ، يمكن استخدام موارد الحوسبة الموزعة في الشبكة العالمية لتوفير دعم طاقة حوسبة أكثر كفاءة ومرونة.
مشاركة البيانات وحماية الخصوصية:
أحد المفاهيم الأساسية لـ Web3 هو اللامركزية وقوة المستخدمين على البيانات. بالاقتران مع الذكاء الاصطناعي ، يمكن أن يوفر Web3 للمستخدمين مزيدًا من فرص التحكم ومشاركة البيانات ، مما يمكنهم من المشاركة في تدريب نموذج الذكاء الاصطناعي ومشاركة البيانات بطريقة أكثر خصوصية وأمانًا.
تطوير النموذج اللامركزي ونشره:
يمكن للعقود الذكية ومنصة الحوسبة الموزعة الخاصة بـ Web3 تسهيل تطوير ونشر نماذج الذكاء الاصطناعي. يمكن أن توفر العقود الذكية طريقة لامركزية لإدارة عملية التدريب الخاصة بالنموذج والتحقق منها ، بينما يمكن لمنصة الحوسبة الموزعة استخدام موارد الحوسبة في الشبكة العالمية لتسريع تدريب النموذج واستنتاجه.
تعزيز جودة البيانات وتنوعها:
يمكن أن يشجع Web3 المستخدمين على توفير المزيد من البيانات عالية الجودة والمتنوعة من خلال آلية تحفيز وسوق بيانات لامركزية ، وبالتالي تحسين مشكلة تقييد البيانات التي يواجهها الذكاء الاصطناعي التقليدي.
خذ منصة AIGC WaterWheel من Web3.0 كمثال
في وحدة الطاقة الحاسوبية:
تجمع شبكة الطاقة الحاسوبية الخاصة بـ Waterwheel بين تقنية TEE وتقنية blockchain لبناء منصة مشاركة طاقة حوسبة ذات مصداقية ومفتوحة وفعالة.لديها القدرة على تنسيق وجرد عقد طاقة حوسبة الشبكة بالكامل وعقد blockchain ، ويمكنها إدارة الموارد الخاملة حول العالم قوة الحوسبة.
في وحدة البيانات:
Waterwheel هي عبارة عن منصة لا مركزية لمشاركة البيانات تعتمد على blockchain وحوسبة الخصوصية ، وتبني شبكة عالمية لأصول البيانات ، وتدعم المساهمين في البيانات لتسجيل البيانات والمشاركة في مهام التمويل الجماعي للبيانات ، وتحل عملية تداول البيانات من خلال تقنية حوسبة الخصوصية من أجل حل الأمن قضايا تسرب البيانات في الوسيط ، على أساس ضمان أمن وخصوصية البيانات ، ستحقق فوائد قيمة للمساهمين بالبيانات.
وحدات التأليف في AIGC:
تفتقر AIGC التقليدية أيضًا إلى حماية الخصوصية.سيتم الكشف عن معظم الأفكار الفريدة للمستخدمين بشكل مباشر من خلال المدخلات السريعة. تم الانتهاء من نموذج الذكاء الاصطناعي ، ومن الصعب على المبدعين الحصول على دخل معقول من خلال معاملات حقوق النشر التقليدية.
في وحدة تقديم النموذج:
تدمج Waterwheel blockchain وحوسبة الخصوصية وتكنولوجيا الذكاء الاصطناعي لإنشاء منصة تدريب نموذجية آمنة وذات مصداقية.من خلال استخدام الشهادة عن بُعد وبيئة الخصوصية لتقنية TEE الخاصة بحوسبة الخصوصية ، فإنها تحل الفجوة بين أطراف التدريب النموذجية ومقدمي البيانات ومقدمي طاقة الحوسبة. قضايا عدم الثقة المتبادلة ومخاطر تسرب البيانات ، مما يضمن أن تكون البيانات والنماذج في حالة "متاحة وغير مرئية" طوال عملية التدريب النموذجية ، مما يساعد مدربي نموذج الذكاء الاصطناعي في الحصول على المزيد من البيانات بطريقة آمنة ومتوافقة ، مع استضافة نماذج الذكاء الاصطناعي في In بيئة الخصوصية وأمن وخصوصية النموذج مضمون.
نتطلع إلى رؤية المزيد من منصات Web3.0 التي تعزز تطوير وتطبيق صناعة الذكاء الاصطناعي!
شاهد النسخة الأصلية
المحتوى هو للمرجعية فقط، وليس دعوة أو عرضًا. لا يتم تقديم أي مشورة استثمارية أو ضريبية أو قانونية. للمزيد من الإفصاحات حول المخاطر، يُرجى الاطلاع على إخلاء المسؤولية.
الذكاء الاصطناعي في عصر الويب 3: استكشاف الإمكانات غير المحدودة لـ Blockchain والذكاء الاصطناعي
مع ظهور Chat-GPT ، دخلنا عصر الابتكار التخريبي الذي جلبته AIGC.
يعتبر AIGC (المحتوى الذي يتم إنشاؤه بواسطة AI) طريقة جديدة لإنتاج المحتوى بعد UGC و PGC. تعد اللوحة AI وكتابة AI وما إلى ذلك كلها فروعًا لـ AIGC. Chat-GPT هو نموذج لغة AI كبير لمعالجة اللغة الطبيعية ، نموذج AI كشكل محدد من AIGC ، ما هي العناصر الرئيسية في عملية التدريب وعملية التفكير؟
** العنصر 1: قوة الحوسبة **
تعد البيانات عالية الجودة والمتنوعة أساس تدريب نماذج الذكاء الاصطناعي ، وتوفر قوة الحوسبة القوة الدافعة لتدريب النموذج.
فيما يتعلق بتوفير طاقة الحوسبة ، بالنسبة لمرحلة تدريب نموذج الذكاء الاصطناعي ، يتم استخدام قوة الحوسبة لأداء مهام مثل النشر العكسي وتحديث المعلمات وتحسين النموذج على مجموعات البيانات واسعة النطاق. يمكن أن تؤدي قوة الحوسبة العالية إلى تسريع عملية التدريب ، مما يمكّن النموذج من التقارب بشكل أسرع ومعرفة خصائص البيانات. بالنسبة لمرحلة الاستدلال بنموذج الذكاء الاصطناعي ، تُستخدم قوة الحوسبة لتطبيق النموذج المدرب على مثيلات البيانات الجديدة للتنبؤ والاستدلال. في تطبيقات الوقت الفعلي ، يحدد مستوى قوة الحوسبة مقدار الطلبات وسرعة الاستجابة التي يمكن أن يتعامل معها النموذج.
تتطلب العديد من خوارزميات الذكاء الاصطناعي المعقدة موارد حوسبة ضخمة. إن تطوير الذكاء الاصطناعي التقليدي مقيد بأداء الأجهزة وقوتها الحاسوبية. يتطلب الأمر قوة حوسبة أكثر قوة ، خاصة عند معالجة مجموعات البيانات واسعة النطاق أو إجراء تدريب نموذجي شديد التعقيد.
في الوقت الحالي ، لا يزال هناك نقص في المنتجات والحلول الناضجة لتقاسم قوة الحوسبة الذكية في السوق. يقدم سوق طاقة الحوسبة التقليدية قوة الحوسبة الاجتماعية الخاملة لجهات خارجية مثل المحطات الطرفية الشخصية ، ولا يمتلك مشغلو خدمات الطاقة الحاسوبية القدرة على التحكم الفعال في العقد. لا يمكن ضمان أمان ومصداقية عقد الطاقة الحاسوبية ، مما يزيد بشكل كبير من اتساع وصعوبة الحماية الأمنية.
العنصر 2: البيانات
تعد مشاركة البيانات على أساس حماية الخصوصية دعمًا مهمًا لنمذجة AIGC.
من حيث توفير البيانات ، يحتاج تدريب نموذج AIGC إلى استخدام كمية كبيرة من البيانات للحصول على أداء جيد وتحسين القدرة على التفكير ودقة النموذج. بأخذ ChatGPT كمثال ، يستخدم تدريب GPT بيانات عشرات المليارات من الرموز المميزة. كنموذج لغة ذكاء اصطناعي واسع النطاق ، تتضمن بيانات تدريب GPT مجموعة واسعة من مصادر النصوص على الإنترنت ، بما في ذلك صفحات الويب والكتب والمقالات والأطروحات وغيرها من الموارد النصية المتاحة للجمهور. تغطي هذه البيانات مجالات وموضوعات متعددة ، وتمكين النماذج ذات المعرفة الواسعة وقدرات فهم اللغة.
بشكل عام ، يتطلب تدريب نموذج كبير للذكاء الاصطناعي كميات هائلة من البيانات ، وغالبًا ما تكون البيانات الداخلية لمؤسسة واحدة غير كافية لتلبية الطلب. لذلك ، فإن مشاركة البيانات مطلوبة في هذه العملية. ومع ذلك ، في حين أن حجم البيانات العالمية هو يتزايد بسرعة ، وقد أثر تسرب الخصوصية الناجم عن مشاركة البيانات بشكل خطير على الاستفادة الكاملة من قيمة البيانات. وفقًا لتقرير IBM Security الصادر في يوليو 2022 ، حدثت خروقات للبيانات في 550 شركة حول العالم بين مارس 2021 ومارس 2022 ، وبلغ متوسط الخسارة الناجمة عن خرق البيانات 4.4 مليون دولار أمريكي ، بزيادة قدرها 13٪ مقارنة بعام 2020. ولذلك ، فإن كيفية تنفيذ تداول البيانات واستخراج القيمة في إطار فرضية ضمان خصوصية البيانات وأمنها ، وخدمة نمو تكنولوجيا AIGC ، أصبح موضوعًا يحظى باهتمام متزايد في الصناعة.
ما هي التحسينات التي يمكن أن يحققها الجمع بين Web3 والذكاء الاصطناعي؟
كجيل جديد من الإنترنت مبني على blockchain والتكنولوجيا اللامركزية ، يتمتع Web3 بقدر أكبر من اللامركزية والانفتاح والشفافية. عند دمج الذكاء الاصطناعي مع Web3 ، يمكن أن يكتسب العديد من المزايا التي تختلف عن الذكاء الاصطناعي التقليدي.
موارد الحوسبة الموزعة:
تتيح الطبيعة اللامركزية لـ Web3 دمج موارد الحوسبة على نطاق عالمي ومشاركتها. يوفر هذا قوة حوسبية أكبر للتدريب والاستدلال على نموذج الذكاء الاصطناعي. يعتمد تدريب نموذج الذكاء الاصطناعي التقليدي عادةً على جهاز حوسبة واحد أو مزود خدمة سحابية ، ولكن مع Web3 ، يمكن استخدام موارد الحوسبة الموزعة في الشبكة العالمية لتوفير دعم طاقة حوسبة أكثر كفاءة ومرونة.
مشاركة البيانات وحماية الخصوصية:
أحد المفاهيم الأساسية لـ Web3 هو اللامركزية وقوة المستخدمين على البيانات. بالاقتران مع الذكاء الاصطناعي ، يمكن أن يوفر Web3 للمستخدمين مزيدًا من فرص التحكم ومشاركة البيانات ، مما يمكنهم من المشاركة في تدريب نموذج الذكاء الاصطناعي ومشاركة البيانات بطريقة أكثر خصوصية وأمانًا.
تطوير النموذج اللامركزي ونشره:
يمكن للعقود الذكية ومنصة الحوسبة الموزعة الخاصة بـ Web3 تسهيل تطوير ونشر نماذج الذكاء الاصطناعي. يمكن أن توفر العقود الذكية طريقة لامركزية لإدارة عملية التدريب الخاصة بالنموذج والتحقق منها ، بينما يمكن لمنصة الحوسبة الموزعة استخدام موارد الحوسبة في الشبكة العالمية لتسريع تدريب النموذج واستنتاجه.
تعزيز جودة البيانات وتنوعها:
يمكن أن يشجع Web3 المستخدمين على توفير المزيد من البيانات عالية الجودة والمتنوعة من خلال آلية تحفيز وسوق بيانات لامركزية ، وبالتالي تحسين مشكلة تقييد البيانات التي يواجهها الذكاء الاصطناعي التقليدي.
خذ منصة AIGC WaterWheel من Web3.0 كمثال
في وحدة الطاقة الحاسوبية:
تجمع شبكة الطاقة الحاسوبية الخاصة بـ Waterwheel بين تقنية TEE وتقنية blockchain لبناء منصة مشاركة طاقة حوسبة ذات مصداقية ومفتوحة وفعالة.لديها القدرة على تنسيق وجرد عقد طاقة حوسبة الشبكة بالكامل وعقد blockchain ، ويمكنها إدارة الموارد الخاملة حول العالم قوة الحوسبة.
في وحدة البيانات:
Waterwheel هي عبارة عن منصة لا مركزية لمشاركة البيانات تعتمد على blockchain وحوسبة الخصوصية ، وتبني شبكة عالمية لأصول البيانات ، وتدعم المساهمين في البيانات لتسجيل البيانات والمشاركة في مهام التمويل الجماعي للبيانات ، وتحل عملية تداول البيانات من خلال تقنية حوسبة الخصوصية من أجل حل الأمن قضايا تسرب البيانات في الوسيط ، على أساس ضمان أمن وخصوصية البيانات ، ستحقق فوائد قيمة للمساهمين بالبيانات.
وحدات التأليف في AIGC:
تفتقر AIGC التقليدية أيضًا إلى حماية الخصوصية.سيتم الكشف عن معظم الأفكار الفريدة للمستخدمين بشكل مباشر من خلال المدخلات السريعة. تم الانتهاء من نموذج الذكاء الاصطناعي ، ومن الصعب على المبدعين الحصول على دخل معقول من خلال معاملات حقوق النشر التقليدية.
في وحدة تقديم النموذج:
تدمج Waterwheel blockchain وحوسبة الخصوصية وتكنولوجيا الذكاء الاصطناعي لإنشاء منصة تدريب نموذجية آمنة وذات مصداقية.من خلال استخدام الشهادة عن بُعد وبيئة الخصوصية لتقنية TEE الخاصة بحوسبة الخصوصية ، فإنها تحل الفجوة بين أطراف التدريب النموذجية ومقدمي البيانات ومقدمي طاقة الحوسبة. قضايا عدم الثقة المتبادلة ومخاطر تسرب البيانات ، مما يضمن أن تكون البيانات والنماذج في حالة "متاحة وغير مرئية" طوال عملية التدريب النموذجية ، مما يساعد مدربي نموذج الذكاء الاصطناعي في الحصول على المزيد من البيانات بطريقة آمنة ومتوافقة ، مع استضافة نماذج الذكاء الاصطناعي في In بيئة الخصوصية وأمن وخصوصية النموذج مضمون.
نتطلع إلى رؤية المزيد من منصات Web3.0 التي تعزز تطوير وتطبيق صناعة الذكاء الاصطناعي!