• الظهور: الظاهرة التي تتفاعل فيها العديد من الكيانات الصغيرة لإنتاج كل أكبر، وتظهر عليه خصائص جديدة لا تمتلكها المكونات الفردية، مثل الظهور الملحوظ في النظم البيولوجية المدروسة في الكيمياء.
• الهلوسة: ميل النماذج لإنتاج بيانات خادعة، حيث تقوم نماذج الذكاء الاصطناعي بتوليد مخرجات تبدو صحيحة ولكنها في الواقع خاطئة.

أظهر الاتصال بين الذكاء الاصطناعي والعملات المشفرة تموجات واضحة. منذ أن هزم AlphaGo لاعبي Go المحترفين من البشر في عام 2016، شوهدت محاولات للجمع بين الاثنين، مثل الظهور التلقائي لمشاريع مثل Fetch.AI، في عالم العملات المشفرة. مع ظهور GPT-4 في عام 2023، عاد اتجاه AI + Crypto إلى الظهور، وهو ما يتجلى في إصدار WorldCoin. يبدو أن البشرية على وشك الدخول في عصر طوباوي حيث يكون الذكاء الاصطناعي مسؤولاً عن الإنتاجية، وتتولى شركة Crypto التوزيع.

وصلت هذه المشاعر إلى ذروتها بعد أن أطلقت OpenAI تطبيق Sora لتركيب النص إلى الفيديو. ومع ذلك، غالبا ما تنطوي العواطف على عناصر غير عقلانية. على سبيل المثال، يبدو لي ييتشو جزءًا من الجزء الذي أسيء فهمه، والذي يتمثل في:

• دمج تطبيقات الذكاء الاصطناعي المحددة مع تطوير الخوارزمية. في حين أن Sora ومبادئ Transformer الأساسية لـ GPT-4 مفتوحة المصدر، فإن استخدام كليهما يتطلب الدفع إلى OpenAI.
• إن الجمع بين الذكاء الاصطناعي والعملات المشفرة هو في الوقت الحالي بمثابة مبادرة لشركة Crypto للتعامل مع الذكاء الاصطناعي، حيث لم يُظهر عمالقة الذكاء الاصطناعي الرئيسيون استعدادًا واضحًا. في هذه المرحلة، ما يمكن أن يفعله الذكاء الاصطناعي لشركة Crypto يفوق ما يمكن أن تفعله شركة Crypto للذكاء الاصطناعي.
• إن استخدام تقنية الذكاء الاصطناعي في تطبيقات Crypto لا يعني تكامل الذكاء الاصطناعي وCrypto، كما هو موضح في تطبيقات مثل ألعاب blockchain وGameFi ومشاريع metaverse وألعاب Web3 والشخصيات الرقمية في عالم AW.
• تتضمن المساهمات التي يمكن أن تقدمها شركة Crypto لتطوير تكنولوجيا الذكاء الاصطناعي في المقام الأول اللامركزية والحوافز الرمزية في مكونات الذكاء الاصطناعي الثلاثة: قوة الحوسبة والبيانات والنماذج.
• تعمل WorldCoin بمثابة تكامل ناجح لكليهما، مع وضع zkML عند تقاطع تقنيات AI وCrypto، ونظرية UBI (الدخل الأساسي العالمي) التي تخضع لأول تطبيق على نطاق واسع.

في هذه المقالة، سيتم التركيز على الفوائد التي يمكن أن تقدمها Crypto للذكاء الاصطناعي، حيث يُنظر إلى مشاريع Crypto الحالية التي تركز على تطبيقات الذكاء الاصطناعي في الغالب على أنها حيل تسويقية ولا تساعد على مناقشتنا.

من الانحدار الخطي إلى المحولات

لفترة طويلة، كانت النقطة المحورية في المناقشات حول الذكاء الاصطناعي هي ما إذا كان "ظهور" الذكاء الاصطناعي سيؤدي إلى خلق كائنات واعية تشبه تلك الموجودة في فيلم "الماتريكس" أو حضارة قائمة على السيليكون. استمرت المخاوف بشأن التفاعل بين البشر وتقنيات الذكاء الاصطناعي، مع الأمثلة الحديثة مثل ظهور سورا وحالات سابقة مثل جي بي تي-4 (2023)، وألفا جو (2016)، وديب بلو من آي بي إم الذي هزم بطل العالم في الشطرنج في عام 1997.

على الرغم من أن هذه المخاوف لم تتحقق، دعونا نسترخي ونلخص بإيجاز الآلية الكامنة وراء الذكاء الاصطناعي.

بدءًا من الانحدار الخطي، وهي في الأساس معادلة خطية بسيطة، مثل آلية فقدان الوزن لجيا لينغ، الممثل الصيني الشهير، يمكننا إجراء التعميم التالي. هنا، تمثل x وy العلاقة بين تناول السعرات الحرارية والوزن، مما يشير إلى أن تناول الطعام بشكل طبيعي أكثر يؤدي إلى زيادة الوزن، وإذا كنت تريد إنقاص الوزن، فيجب عليك تناول كميات أقل.

ومع ذلك، فإن هذا النهج يثير بعض القضايا. أولاً، هناك حدود فسيولوجية لطول الإنسان ووزنه، ومن غير المرجح أن تواجه عمالقة يبلغ طولهم 3 أمتار أو سيدات يبلغ وزنهن ألف كيلوغرام. ولذلك، فإن النظر في الحالات التي تتجاوز هذه الحدود يفتقر إلى الأهمية العملية. ثانيًا، إن مجرد تناول كميات أقل من الطعام وممارسة المزيد من التمارين الرياضية لا يلتزم بالمبادئ العلمية لفقدان الوزن ويمكن أن يضر الجسم في الحالات الشديدة.

نقدم مؤشر كتلة الجسم (BMI)، الذي يقيس العلاقة بين الوزن والطول عن طريق قسمة الوزن على مربع الطول. من خلال ثلاثة عوامل - الأكل والنوم وممارسة الرياضة - لتقييم العلاقة بين الطول والوزن، نحتاج الآن إلى ثلاثة معلمات ومخرجين. ومن الواضح أن الانحدار الخطي غير كاف، مما يؤدي إلى ظهور الشبكات العصبية. كما يوحي اسمها، تحاكي الشبكات العصبية بنية الدماغ البشري، مع احتمال أن يؤدي المزيد من التفكير إلى مزيد من العقلانية. إن زيادة تواتر وعمق التفكير، المعروف بالتعلم العميق (أقوم هنا بتشبيه فضفاض إلى حد ما)، يتيح دراسة أكثر شمولاً قبل اتخاذ أي إجراء.

نظرة عامة مختصرة على تاريخ تطور خوارزميات الذكاء الاصطناعي

ومع ذلك، فإن الزيادة في عدد الطبقات ليست بلا حدود؛ لا يزال هناك سقف. بمجرد الوصول إلى عتبة حرجة، قد تنخفض الفعالية. ولذلك، يصبح من الضروري فهم العلاقة بين المعلومات الموجودة بطريقة أكثر منطقية. على سبيل المثال، الفهم العميق للعلاقة الأكثر دقة بين الطول والوزن، أو اكتشاف عوامل لم تتم ملاحظتها من قبل، أو العثور على جيا لينغ لمدرب كبير ولكنها مترددة في التعبير بشكل مباشر عن رغبتها في فقدان الوزن.

في مثل هذه السيناريوهات، يشكل جيا لينغ والمدرب خصمين في التشفير وفك التشفير، حيث ينقلان المعاني ذهابًا وإيابًا التي تمثل النوايا الحقيقية لكلا الطرفين. ومع ذلك، على عكس العبارة المباشرة "أريد إنقاص الوزن، فهذه هدية للمدرب"، فإن النوايا الحقيقية لكلا الجانبين مخفية خلف "المعنى".

ونلاحظ حقيقة: إذا كان عدد التكرارات بين الطرفين كافيا، يصبح فك رموز كل اتصال أسهل.

إذا قمنا بتوسيع هذا النموذج، فإنه يمثل ما يعرف بالعامية بنموذج اللغة الكبير (LLM)، الذي يدرس العلاقات السياقية بين الكلمات والجمل. حاليًا، توسعت النماذج الكبيرة لتتعمق في سيناريوهات مثل الصور ومقاطع الفيديو.

في نطاق الذكاء الاصطناعي، سواء كان ذلك انحدارًا خطيًا بسيطًا أو محولًا معقدًا للغاية، فكلها خوارزميات أو نماذج. بالإضافة إلى ذلك، هناك عاملان أساسيان: قوة الحوسبة والبيانات.

الوصف: تاريخ موجز لتطور الذكاء الاصطناعي، المصدر: https://ourworldindata.org/brief-history-of-ai

ببساطة، الذكاء الاصطناعي هو آلة تعالج البيانات، وتجري العمليات الحسابية، وتنتج النتائج. ومع ذلك، بالمقارنة مع الكيانات المادية مثل الروبوتات، فإن الذكاء الاصطناعي أكثر افتراضية. فيما يتعلق بقوة الحوسبة والبيانات والنماذج، فإن العملية التشغيلية الحالية في تسويق Web2 هي كما يلي:

• تنقسم البيانات إلى بيانات عامة، وبيانات مملوكة للشركة، وبيانات تجارية، مما يتطلب شرحًا احترافيًا ومعالجة مسبقة. على سبيل المثال، يوفر Scale AI المعالجة المسبقة للبيانات لشركات الذكاء الاصطناعي الرئيسية.
• تنقسم قوة الحوسبة إلى وضعين: تأجير الحوسبة السحابية والبناء الذاتي. حاليًا، تهيمن NVIDIA على أجهزة GPU، وقد تم إعداد مكتبة CUDA لسنوات عديدة. تهيمن شركة واحدة على النظام البيئي للأجهزة والبرامج. والخيار الثاني هو استئجار مقدمي الخدمات السحابية لطاقة الحوسبة، مثل Microsoft Azure، وGoogle Cloud، وAWS، التي توفر خدمات حوسبة شاملة ونشر النماذج.
• يمكن تصنيف النماذج إلى أطر وخوارزميات. لقد انتهت معركة النماذج بالفعل، حيث ظهر TensorFlow من Google في المركز الأول بينما تعرض للنكسة الأولية، وجاء PyTorch من Meta في وقت لاحق ولكنه في المقدمة. ومع ذلك، سواء كانت Google، التي قدمت Transformer، أو Meta، مع PyTorch، فإن كلاهما يتخلفان تدريجيًا عن OpenAI في التسويق. ومع ذلك، فإن قوتهم لا تزال هائلة. تهيمن شركة Transformer حاليًا على الخوارزميات، وتتنافس النماذج الكبيرة المختلفة بشكل أساسي من حيث مصادر البيانات والتفاصيل.

عملية عمل الذكاء الاصطناعي

كما ذكرنا سابقًا، تتمتع تطبيقات الذكاء الاصطناعي بمجموعة واسعة من المجالات، مثل تصحيح التعليمات البرمجية الذي ذكره Vitalik، والذي تم وضعه بالفعل قيد الاستخدام. وبالنظر من منظور مختلف، تركز مساهمة شركة Crypto في الذكاء الاصطناعي في المقام الأول على المجالات غير التقنية، مثل أسواق البيانات اللامركزية، ومنصات الطاقة الحاسوبية اللامركزية، وما إلى ذلك. كانت هناك بعض التجارب مع نماذج اللغات الكبيرة اللامركزية (LLMs). ومع ذلك، من المهم ملاحظة أن تحليل كود التشفير باستخدام الذكاء الاصطناعي وتشغيل نماذج الذكاء الاصطناعي واسعة النطاق على البلوكشين يختلفان جوهريًا. لا يمكن اعتبار دمج بعض عناصر التشفير في نماذج الذكاء الاصطناعي تكاملاً مثاليًا.

حاليًا، تتفوق شركة Crypto في الإنتاج والحوافز. ليس من الضروري تغيير نموذج إنتاج الذكاء الاصطناعي باستخدام Crypto بالقوة. الخيار العقلاني هو دمج Crypto في سير عمل الذكاء الاصطناعي وتمكين الذكاء الاصطناعي باستخدام Crypto. فيما يلي بعض التكامل المحتمل الذي قمت بتلخيصه:

1. إنتاج البيانات اللامركزية، مثل جمع بيانات DePIN، وانفتاح البيانات الموجودة على السلسلة التي تحتوي على بيانات المعاملات الغنية للتحليل المالي، والتحليل الأمني، والتدريب على البيانات.
2. منصات المعالجة المسبقة اللامركزية، حيث لا يشكل التدريب المسبق التقليدي حواجز تقنية لا يمكن التغلب عليها. وراء النماذج الكبيرة في أوروبا والولايات المتحدة، يكمن العمل المكثف الذي يقوم به المفسرون اليدويون من العالم الثالث.
3. منصات طاقة الحوسبة اللامركزية، مع حوافز لا مركزية واستخدام النطاق الترددي الشخصي، وقوة حوسبة وحدة معالجة الرسومات، وموارد الأجهزة الأخرى.
4. zkML، نظرًا لأن أساليب الخصوصية التقليدية مثل إزالة حساسية البيانات قد لا تحل المشكلة تمامًا. يمكن لـ zkML إخفاء اتجاه البيانات وتقييم صحة وفعالية النماذج مفتوحة المصدر ومغلقة المصدر بشكل فعال.

هذه الجوانب الأربعة هي سيناريوهات محتملة أعتقد أن شركة Crypto يمكنها تمكين الذكاء الاصطناعي. الذكاء الاصطناعي هو أداة متعددة الاستخدامات، ولم يتم هنا مناقشة مجالات ومشاريع الذكاء الاصطناعي للعملات المشفرة بشكل أكبر؛ يمكنك استكشافهم بأنفسهم.

يمكن ملاحظة أن Crypto يلعب حاليًا دورًا رئيسيًا في التشفير وحماية الخصوصية والتصميم الاقتصادي. محاولة التكامل الفني الوحيدة هي zkML. هنا، دعونا نفكر قليلاً: إذا كان بإمكان Solana TPS، في المستقبل، أن يصل بالفعل إلى أكثر من 100000، وإذا كان الجمع بين Filecoin و Solana مثاليًا، فهل يمكننا إنشاء بيئة LLM على السلسلة؟ يمكن أن يؤدي هذا إلى إنشاء ذكاء اصطناعي حقيقي على السلسلة، مما يغير العلاقة غير المتكافئة الحالية حيث يتم دمج Crypto في الذكاء الاصطناعي.

تكامل Web3 في سير عمل الذكاء الاصطناعي

كما هو معروف للجميع، تعد بطاقة الرسوميات NVIDIA RTX 4090 سلعة ثمينة يصعب الحصول عليها حاليًا في دولة معينة في شرق آسيا. والأمر الأكثر خطورة هو أن الأفراد والشركات الصغيرة والمؤسسات الأكاديمية واجهوا أيضًا أزمة بطاقات الرسومات. ففي نهاية المطاف، الشركات التجارية الكبيرة هي المنفق الأكبر. وإذا أمكن فتح مسار ثالث خارج نطاق المشتريات الشخصية ومقدمي الخدمات السحابية، فمن الواضح أنه سيكون له قيمة تجارية عملية، ويبتعد عن أغراض المضاربة البحتة. يجب أن يكون النهج المنطقي لـ Web3 للذكاء الاصطناعي هو: "إذا لم يتم استخدام Web3، فلن يتمكن المشروع من الاستمرار".

سير عمل الذكاء الاصطناعي من منظور Web3

مصدر البيانات: النظام البيئي للسيارات Grass وDePIN

يعتبر Grass، الذي قدمته Wynd Network، سوقًا لبيع النطاق الترددي الخامل. تعمل Grass كشبكة مفتوحة للحصول على البيانات وتوزيعها، مما يميزها عن جمع البيانات البسيطة والمبيعات. لدى Grass وظائف لتنظيف البيانات والتحقق من صحتها للتنقل في بيئة الشبكة المغلقة بشكل متزايد. أبعد من ذلك، يهدف غراس إلى التفاعل مباشرة مع نماذج الذكاء الاصطناعي، وتزويدها بمجموعات بيانات قابلة للاستخدام بسهولة. تتطلب مجموعات بيانات الذكاء الاصطناعي معالجة احترافية، بما في ذلك الضبط اليدوي الشامل لتلبية الاحتياجات المحددة لنماذج الذكاء الاصطناعي.

بالتوسع في هذا الأمر، يعالج Grass مسألة مبيعات البيانات، بينما يمكن لقطاع DePIN في Web3 إنتاج البيانات التي يتطلبها الذكاء الاصطناعي. يركز هذا القطاع في المقام الأول على القيادة الآلية للمركبات. تقليديا، تطلبت القيادة الذاتية من الشركات تجميع البيانات المقابلة. ومع ذلك، فإن مشاريع مثل DIMO وHivemapper تعمل مباشرة على المركبات، وتجمع كمية متزايدة من معلومات القيادة وبيانات الطريق.

في سيناريوهات القيادة الذاتية السابقة، كانت تكنولوجيا التعرف على المركبات والخرائط عالية الدقة ضرورية. تم تجميع معلومات مثل الخرائط عالية الدقة من قبل شركات مثل NavInfo، مما أدى إلى إنشاء حواجز في الصناعة. إذا استفاد القادمون الجدد من بيانات Web3، فقد تكون لديهم فرصة للتغلب على المنافسين في المنعطف.

المعالجة المسبقة للبيانات: تحرير البشر المستعبدين بواسطة الذكاء الاصطناعي

يمكن تقسيم الذكاء الاصطناعي إلى قسمين: التعليقات التوضيحية اليدوية والخوارزميات الذكية. في مناطق العالم الثالث مثل كينيا والفلبين، حيث يكون منحنى القيمة للتعليقات التوضيحية اليدوية في أدنى مستوياته، يكون الأشخاص مسؤولين عن هذه المهمة. وفي الوقت نفسه، تحصل شركات المعالجة المسبقة للذكاء الاصطناعي في أوروبا والولايات المتحدة على نصيب الأسد من الدخل، ثم تبيعه بعد ذلك إلى مؤسسات البحث والتطوير في مجال الذكاء الاصطناعي.

مع تقدم الذكاء الاصطناعي، تتطلع المزيد من الشركات إلى هذا العمل. وفي مواجهة المنافسة، يستمر سعر الوحدة لشرح البيانات في الانخفاض. يتضمن هذا العمل بشكل أساسي تصنيف البيانات، على غرار مهام مثل التعرف على رموز التحقق، بدون حد فني، وحتى أسعار منخفضة للغاية مثل 0.01 يوان صيني.

المصدر: https://aim.baidu.com/product/0793f1f1-f1cb-4f9f-b3a7-ef31335bd7f0

في هذا السيناريو، تتمتع منصات التعليقات التوضيحية لبيانات Web3 مثل Public AI بسوق أعمال عملي. فهي تربط مؤسسات الذكاء الاصطناعي بالعاملين في مجال شرح البيانات، وتستبدل نموذج المنافسة التجارية البسيط منخفض السعر بنظام الحوافز. ومع ذلك، من الضروري ملاحظة أن الشركات الناضجة مثل Scale AI تضمن جودة موثوقة في تقنية التعليقات التوضيحية. بالنسبة لمنصات التعليقات التوضيحية للبيانات اللامركزية، يعد التحكم في الجودة ومنع إساءة الاستخدام من الضروريات المطلقة. في الأساس، يمثل هذا خدمة مؤسسة C2B2B، حيث لا يمكن لحجم البيانات وكميتها وحدها إقناع المؤسسات.

حرية الأجهزة: تقديم الشبكة وBittensor

يجب توضيح أنه، على عكس منصات تعدين البيتكوين، لا يوجد حاليًا أي أجهزة مخصصة لـ Web3 AI. يتم تحويل قوة الحوسبة والمنصات الحالية من الأجهزة الناضجة مع طبقات حوافز التشفير المضافة، والتي تندرج بشكل أساسي ضمن قطاع DePIN. ومع ذلك، نظرًا لأنه يختلف عن مشاريع مصدر البيانات، فقد تم تضمينه في سير عمل الذكاء الاصطناعي هنا.

للحصول على تعريف DePIN، يرجى الرجوع إلى المقالة التي كتبتها من قبل: DePIN قبل الهيليوم: استكشاف Bitcoin وArweave وSTEPN

يعد Render Network مشروعًا قديمًا ولم يتم تصميمه في البداية للذكاء الاصطناعي. بدأت عملياتها في عام 2017، مع التركيز على العرض، كما يوحي اسمها. في ذلك الوقت، لم يكن هناك طلب على وحدات معالجة الرسومات، ولكن ظهرت فرص السوق تدريجيًا. أعاق سوق GPU، وخاصة وحدات معالجة الرسومات المتطورة التي تحتكرها NVIDIA، دخول مستخدمي العرض والذكاء الاصطناعي والميتافيرس بسبب الأسعار الباهظة. إذا أمكن بناء قناة بين الطلب والعرض، فقد تكون هناك فرصة لإنشاء نموذج اقتصادي مماثل للدراجات المشتركة.

علاوة على ذلك، لا تتطلب موارد وحدة معالجة الرسومات النقل الفعلي للأجهزة؛ يمكن تخصيصها باستخدام موارد البرمجيات. ومن الجدير بالذكر أن Render Network تحولت إلى نظام Solana البيئي في عام 2023، لتتخلى عن Polygon. لقد أثبت الانتقال إلى سولانا، حتى قبل ظهوره من جديد، أنه قرار صائب مع مرور الوقت. بالنسبة لاستخدام وحدة معالجة الرسومات وتوزيعها، تعد الشبكة عالية السرعة مطلبًا بالغ الأهمية.

إذا كان من الممكن اعتبار Render Network مشروعًا راسخًا، فإن Bittensor يكتسب زخمًا حاليًا.

تم بناء BitTensor على Polkadot، بهدف تدريب نماذج الذكاء الاصطناعي من خلال الحوافز الاقتصادية. تتنافس العقد لتدريب نماذج الذكاء الاصطناعي مع الحد الأدنى من الأخطاء أو الحد الأقصى من الكفاءة، مما يشبه العمليات الكلاسيكية على السلسلة في مشاريع التشفير. ومع ذلك، فإن عملية التدريب الفعلية لا تزال تتطلب وحدات معالجة الرسومات NVIDIA والمنصات التقليدية، مما يجعلها مشابهة لمنصات المنافسة مثل Kaggle.

zkML وUBI: الجوانب المزدوجة لـ Worldcoin

يقدم التعلم الآلي بدون معرفة (zkML) تقنية zk في عملية التدريب على نموذج الذكاء الاصطناعي لمعالجة مشكلات مثل تسرب البيانات وفشل الخصوصية والتحقق من النموذج. من السهل فهم الأولين - لا يزال من الممكن تدريب البيانات المشفرة بواسطة zk دون تسريب معلومات شخصية أو خاصة.

يشير التحقق من النموذج إلى تقييم النماذج مغلقة المصدر. باستخدام تقنية zk، يمكن تحديد قيمة مستهدفة، مما يسمح للنماذج مغلقة المصدر بإثبات قدراتها من خلال التحقق من النتائج دون الكشف عن عملية الحساب.

لم تتصور Worldcoin zkML في وقت مبكر فحسب، بل دعت أيضًا إلى الدخل الأساسي العالمي (UBI). في رؤيتها، سوف تتجاوز إنتاجية الذكاء الاصطناعي المستقبلية حدود الطلب البشري بكثير. التحدي الحقيقي هو التوزيع العادل لفوائد الذكاء الاصطناعي، ومفهوم الدخل الأساسي الشامل هو أن تتم مشاركته عالميًا من خلال رمز WLD $، مما يتطلب التعرف على القياسات الحيوية للشخص الحقيقي للالتزام بمبادئ العدالة.

بالطبع، لا يزال zkML وUBI في المراحل التجريبية المبكرة، لكنهما تطوران مثيران للاهتمام وسأواصل متابعتهما عن كثب.

خاتمة

إن تطوير الذكاء الاصطناعي، المتمثل في نماذج المحولات والنماذج اللغوية الكبيرة (LLMs)، يواجه تدريجياً اختناقات، على غرار الانحدار الخطي والشبكات العصبية. ليس من الممكن زيادة معلمات النموذج أو حجم البيانات إلى أجل غير مسمى، حيث أن العوائد الهامشية ستنخفض.

قد يكون الذكاء الاصطناعي هو اللاعب الأساسي الذي يظهر بالحكمة، لكن مشكلة الهلوسة حادة حاليًا. ويمكن ملاحظة أن الاعتقاد بأن الكريبتو قادر على تغيير الذكاء الاصطناعي هو شكل من أشكال الثقة والهلوسة المعتادة. في حين أن إضافة Crypto قد لا يحل مشاكل الهلوسة من الناحية الفنية، إلا أنه يمكن على الأقل تغيير بعض الجوانب من منظور العدالة والشفافية.

مراجع:

1. OpenAI: "التقرير الفني لـ GPT-4"، 2023؛ أرخايف:2303.08774.
2. أشيش فاسواني، نعوم شازير، نيكي بارمار، جاكوب أوسزكوريت، ليون جونز، إيدان إن. غوميز، لوكاس كايزر، إيليا بولوسوخين: “الانتباه هو كل ما تحتاجه”، 2017؛ أرخايف:1706.03762.
3. جاريد كابلان، سام ماكاندليش، توم هينيغان، توم بي براون، بنجامين تشيس، ريون تشايلد، سكوت جراي، أليك رادفورد، جيفري وو، داريو أمودي: “قياس قوانين نماذج اللغة العصبية”، 2020؛ أرخايف:2001.08361.
4. هاو ليو، ويلسون يان، ماتي زاهاريا، بيتر أبيل: "النموذج العالمي للفيديو واللغة ذات المليون طول مع RingAttention"، 2024؛ أرخايف:2402.08268.
5. ماكس روزر (2022) - "التاريخ الموجز للذكاء الاصطناعي: لقد تغير العالم بسرعة - فماذا قد يكون التالي؟" نشرت على الانترنت في OurWorldInData.org. تم الاسترجاع من: ' https://ourworldindata.org/brief-history-of-ai' [المصدر عبر الإنترنت]
6. مقدمة للتعلم الآلي بدون معرفة (ZKML)
7. فهم تقاطع التشفير والذكاء الاصطناعي
8. العشب هو طبقة بيانات الذكاء الاصطناعي
9. Bittensor: سوق الاستخبارات من نظير إلى نظير

تنصل:

1. تمت إعادة طبع هذه المقالة من [佐爷歪脖山]، جميع حقوق الطبع والنشر مملوكة للمؤلف الأصلي [佐爷]. إذا كانت هناك اعتراضات على إعادة الطبع هذه، فيرجى الاتصال بفريق Gate Learn ، وسوف يتعاملون معها على الفور.
2. إخلاء المسؤولية: الآراء والآراء الواردة في هذه المقالة هي فقط آراء المؤلف ولا تشكل أي نصيحة استثمارية.
3. تتم ترجمة المقالة إلى لغات أخرى بواسطة فريق Gate Learn. ما لم يُذكر ذلك، يُحظر نسخ أو توزيع أو سرقة المقالات المترجمة.