AI تستقبل "لحظة USB-C"، كيف يمكن أن يتكامل MCP بشكل مثالي مع إثيريوم؟

المحتوى | بروس

تحرير & تنسيق | هوانغ هوانغ

تصميم | ديزي

“لحظة USB-C” في تاريخ تطور الذكاء الاصطناعي ، في نوفمبر 2024 ، يتسبب بروتوكول MCP الخاص ب Anthropic في حدوث زلزال في وادي السيليكون. هذا المعيار المفتوح ، المعروف باسم “USB-C للعالم الذكاء الاصطناعي” ، لا يعيد بناء العلاقة بين النماذج الكبيرة والعالم المادي فحسب ، بل يخفي أيضا الشفرة لكسر معضلة الاحتكار الذكاء الاصطناعي وإعادة بناء علاقة إنتاج الحضارة الرقمية. بينما لا نزال نناقش مقياس معلمات GPT-5 ، مهد MCP الطريق بهدوء إلى اللامركزية في عصر AGI…

بروس: كنت أبحث مؤخراً في بروتوكول سياق النموذج (MCP). هذا هو الشيء الثاني الذي أثار حماستي في مجال الذكاء الاصطناعي بعد ChatGPT، لأنه من المحتمل أن يحل ثلاثة مشاكل كنت أفكر فيها لسنوات.

• كيف يمكن للأشخاص العاديين غير العلماء والعباقرة المشاركة في صناعة الذكاء الاصطناعي وكسب الدخل؟
• ما هي الجوانب التي تحقق الفوز المزدوج بين الذكاء الاصطناعي وإيثريوم؟
• كيف يمكن تحقيق AI d/acc؟ تجنب احتكار الشركات الكبرى المركزية، والرقابة، وتدمير AGI للبشرية؟

01، ما هو MCP؟

MCP هو إطار معيار مفتوح يمكن أن يبسط تكامل LLM مع مصادر البيانات والأدوات الخارجية. إذا قمنا بمقارنة LLM بنظام التشغيل Windows، فإن تطبيقات مثل Cursor هي لوحة المفاتيح والأجهزة، فإن MCP هو واجهة USB، تدعم إدخال البيانات والأدوات الخارجية بشكل مرن، بعد ذلك يمكن للمستخدم قراءة واستخدام هذه البيانات والأدوات الخارجية.

يوفر MCP ثلاث قدرات لتوسيع LLM:

• الموارد (توسيع المعرفة)
• أدوات（تنفيذ الدوال، استدعاء الأنظمة الخارجية）
• المطالبات (قوالب نصية مكتوبة مسبقًا)

يمكن لأي شخص تطوير وإدارة MCP، وتقديمه كخدمة Server، ويمكن إيقاف الخدمة في أي وقت.

02، لماذا نحتاج إلى MCP

في الوقت الحالي، تستخدم نماذج LLM أكبر قدر ممكن من البيانات لإجراء عمليات حسابية كبيرة وتوليد عدد كبير من المعلمات، ودمج المعرفة في النموذج، مما يتيح إخراج محادثات تحتوي على المعرفة المناسبة. ومع ذلك، هناك عدة مشكلات كبيرة.

1. تحتاج كميات كبيرة من البيانات والحسابات إلى الكثير من الوقت والعتاد، وغالبًا ما تكون المعرفة المستخدمة في التدريب قديمة.
2. نموذج يحتوي على عدد كبير من المعلمات، من الصعب نشره واستخدامه على الأجهزة المحلية، ولكن في الواقع فإن معظم سيناريوهات المستخدمين قد لا تحتاج إلى كل المعلومات لإكمال المطالب.
3. بعض النماذج تستخدم طريقة الزاحف لقراءة المعلومات الخارجية وإجراء العمليات لتحقيق الفعالية الزمنية، ولكن بسبب قيود الزاحف وجودة البيانات الخارجية، قد تنتج محتوى مضلل بشكل أكبر.
4. نظرًا لأن الذكاء الاصطناعي لم يقدم فوائد جيدة للمبدعين، بدأت العديد من المواقع والمحتويات في تنفيذ إجراءات ضد الذكاء الاصطناعي، مما أدى إلى توليد كميات كبيرة من المعلومات غير المفيدة، مما سيؤدي إلى تراجع جودة نماذج اللغة الكبيرة تدريجيًا.
5. من الصعب توسيع LLM لتغطية جميع الوظائف والعمليات الخارجية، مثل استدعاء واجهة GitHub بدقة لتنفيذ بعض العمليات، حيث يقوم بإنشاء كود بناءً على وثائق قديمة، لكنه لا يمكنه ضمان التنفيذ الدقيق.

03، تطور هيكل LLM السمين وLLM النحيف + MCP

يمكننا اعتبار النماذج فائقة الحجم الحالية كنموذج LLM سمين، حيث يمكن تمثيل هيكله في الرسم البياني البسيط أدناه:

بعد إدخال المعلومات من قبل المستخدم، يتم تحليل المدخلات واستنتاجها من خلال طبقة الإدراك والاستدلال، ثم يتم استدعاء معلمات ضخمة لتوليد النتائج.

بعد MCP، قد يركز LLM على تحليل اللغة نفسها، مفصولًا عن المعرفة والقدرات، ليصبح LLM نحيفًا:

في إطار هيكل LLM النحيف، ستركز طبقة الإدراك والتفكير على كيفية تحليل معلومات البيئة الفيزيائية البشرية الشاملة إلى رموز، بما في ذلك على سبيل المثال لا الحصر: الصوت، والنبرة، والرائحة، والصور، والنصوص، والجاذبية، ودرجة الحرارة، ثم من خلال منسق MCP تنسيق وتنسيق مئات من خوادم MCP لإكمال المهام. ستزداد تكاليف التدريب وسرعة LLM النحيف بشكل كبير، مما يجعل متطلبات الأجهزة للنشر منخفضة جدًا.

04، كيف يحل MCP ثلاث مشاكل رئيسية

كيف يشارك الأشخاص العاديون في صناعة الذكاء الاصطناعي؟

يمكن لأي شخص يمتلك موهبة فريدة إنشاء خادم MCP الخاص به لتقديم الخدمات لـ LLM. على سبيل المثال، يمكن لعشاق الطيور تقديم ملاحظاتهم عن الطيور على مر السنين من خلال MCP. عندما يقوم شخص ما باستخدام LLM للبحث عن معلومات تتعلق بالطيور، سيتم استدعاء خدمة MCP الحالية لملاحظات الطيور. سيحصل المبدع أيضًا على حصة من الإيرادات نتيجة لذلك.

هذه دورة اقتصادية للمبدعين أكثر دقة وأتمتة، حيث تكون محتويات الخدمة أكثر معيارية، ويمكن إحصاء عدد الاستدعاءات و tokens المخرجة بدقة. يمكن لمزودي LLM حتى استدعاء عدة خوادم MCP من Bird Notes في نفس الوقت ليختار المستخدمون ويقيموا لتحديد من لديه جودة أفضل للحصول على وزن مطابقة أعلى.

الدمج المربح بين الذكاء الاصطناعي وإيثريوم

a. يمكننا بناء شبكة تحفيز للمبدعين OpenMCP.Network استنادًا إلى Ethereum. يحتاج خادم MCP إلى استضافة وتقديم خدمات مستقرة، يدفع المستخدمون لمزودي LLM، ويقوم مزودو LLM بتوزيع الحوافز الفعلية عبر الشبكة إلى خوادم MCP المستدعاة، مما يحافظ على استدامة الشبكة واستقرارها، ويحفز المبدعين في MCP على الاستمرار في الإبداع وتقديم محتوى عالي الجودة. ستحتاج هذه الشبكة إلى استخدام العقود الذكية لتحقيق الأتمتة والشفافية والثقة والمقاومة للرقابة في التحفيز. يمكن تنفيذ التوقيع، والتحقق من الأذونات، وحماية الخصوصية خلال العملية باستخدام محفظة Ethereum، وتقنيات ZK وغيرها.

b. تطوير خوادم MCP المتعلقة بعمليات سلسلة Ethereum، مثل خدمات استدعاء محفظة AA، حيث سيتمكن المستخدمون من دعم الدفع من خلال LLM باستخدام اللغة دون الكشف عن المفاتيح الخاصة والأذونات ذات الصلة لـ LLM.

ج. هناك أيضًا مجموعة متنوعة من أدوات المطورين التي تبسط بشكل أكبر تطوير عقود Ethereum الذكية وتوليد الشيفرة.

تنفيذ الذكاء الاصطناعي اللامركزي

أ. تقوم خوادم MCP بإ decentralizing المعرفة والقدرات الخاصة بالذكاء الاصطناعي، حيث يمكن لأي شخص إنشاء واستضافة خوادم MCP، والتسجيل في منصات مثل OpenMCP.Network للحصول على الحوافز وفقًا للاستدعاءات. لا يمكن لأي شركة السيطرة على جميع خوادم MCP. إذا قدم مزود LLM حوافز غير عادلة لخوادم MCP، سيدعم المبدعون حجب تلك الشركة، ولن يحصل المستخدمون على نتائج عالية الجودة مما سيدفعهم للانتقال إلى مزود LLM آخر لتحقيق منافسة أكثر عدلاً.

b. يمكن للمبدعين تنفيذ تحكم دقيق في الوصول إلى خوادم MCP الخاصة بهم لحماية الخصوصية وحقوق النشر. يجب على مزودي LLM النحيفين تقديم حوافز معقولة لجعل المبدعين يساهمون بخوادم MCP عالية الجودة.

c. ستتلاشى الفجوة في قدرات LLM الهزيلة ببطء، لأن لغة البشر لها حدود شاملة، والتطور أيضًا بطيء جدًا. سيحتاج مقدمو LLM إلى توجيه أنظارهم وأموالهم نحو خوادم MCP عالية الجودة، بدلاً من إعادة استخدام المزيد من بطاقات الرسوم.

d. سيتم توزيع وتخفيض قدرة AGI، حيث ستعمل LLM فقط كمعالجة لغة وتفاعل مع المستخدم، وستكون القدرات المحددة موزعة على خوادم MCP المختلفة. لن تشكل AGI تهديدًا للبشر، لأنه بعد إيقاف تشغيل خوادم MCP، لن يمكن فقط إجراء محادثات لغة أساسية.

05، مراجعة عامة

1. تطور بنية خوادم LLM + MCP هو في جوهره لامركزية قدرات الذكاء الاصطناعي، مما يقلل من خطر الذكاء الاصطناعي العام في تدمير البشرية.
2. طريقة استخدام LLM، تجعل من الممكن إحصاء واستكمال استدعاءات خوادم MCP على مستوى الرموز، مما يضع الأساس لبناء نظام الاقتصاد الإبداعي للذكاء الاصطناعي.
3. يمكن أن يؤدي نظام اقتصادي جيد إلى دفع المبدعين للمساهمة بنشاط في إنشاء خوادم MCP عالية الجودة، مما يعزز التنمية البشرية بشكل عام، ويحقق العجلة الإيجابية. لن يقاوم المبدعون الذكاء الاصطناعي بعد الآن، وسيقدم الذكاء الاصطناعي المزيد من الوظائف والدخل، مما يوزع بشكل عادل أرباح الشركات الاحتكارية التجارية مثل OpenAI.
4. هذا النظام الاقتصادي، مع خصائصه واحتياجات المبدع، مناسب جداً للتنفيذ على أساس Ethereum.

06، آفاق المستقبل: تطور السيناريو التالي

1. ستظهر بروتوكولات MCP أو بروتوكولات مشابهة لها بشكل متزايد، وستبدأ عدد من الشركات الكبرى في المنافسة على تعريف المعايير.
2. سيظهر نموذج LLM القائم على MCP ، يركز على تحليل ومعالجة اللغة البشرية مع نموذج صغير ، مصحوبًا بوحدة تنسيق MCP للاتصال بشبكة MCP. سيدعم LLM الاكتشاف التلقائي وجدولة خوادم MCP دون الحاجة إلى تكوين يدوي معقد.
3. ستظهر مقدمي خدمات شبكة MCP، حيث سيكون لكل منهم نظام تحفيز اقتصادي خاص به، وسيحصل منشئو MCP على دخل من خلال تسجيل واستضافة خادمهم.
4. إذا كان نظام الحوافز الاقتصادية لشبكة MCP مبنياً على Ethereum، استناداً إلى العقود الذكية، فإن المعاملات على شبكة Ethereum ستزداد بمعدل محافظ يبلغ حوالي 150 مرة (استناداً إلى تقدير متحفظ جداً بحدوث مليوني استدعاء من خوادم MCP يومياً، وحساباً على أن كل كتلة تأخذ 12 ثانية وتحتوي على 100 معاملة).