النموذج الجديد لاقتصاد بيانات الذكاء الاصطناعي: طموحات DIN وبيع العقد من منظور المعالجة المعيارية للبيانات

المقدمة

في الوقت الحاضر، تُعد الذكاء الاصطناعي (AI) بلا شك أحد أكثر المسارات سخونة على مستوى العالم، سواء في وادي السيليكون مع OpenAI أو في الصين مع Moonshot وZhipu Qingyan، حيث دخل العديد من رواد الأعمال الجدد والشركات الكبرى التقليدية في هذه الثورة. فهي لا تقود فقط الاتجاه في مجال التكنولوجيا، بل تُعد أيضًا من أكثر القطاعات بروزًا في سوق العملات المشفرة هذا العام. بالنظر إلى المشاريع المدرجة في منصات CEX الكبرى هذا العام، وعلى الرغم من تقلبات السوق الأخيرة، لا يزال Bittensor (TAO) الرائد في مجال الذكاء الاصطناعي يحقق عائدًا يزيد عن 5 أضعاف، متصدرًا جميع العملات الجديدة لهذا العام. ومع استمرار تطور وتطبيق تقنيات الذكاء الاصطناعي، أصبحت البيانات، باعتبارها حجر الأساس لتطور الذكاء الاصطناعي، أكثر أهمية من أي وقت مضى.

في عصر الذكاء الاصطناعي، تم رفع أهمية وقيمة البيانات المحتملة إلى مستوى غير مسبوق

وفقًا للإحصاءات، تحتاج شركات النماذج الكبيرة للذكاء الاصطناعي السائدة حاليًا إلى معالجة واستهلاك مئات الملايين من مجموعات البيانات سنويًا، وتؤثر فعالية ودقة هذه البيانات بشكل مباشر على نتائج تدريب نماذج الذكاء الاصطناعي. ومع ذلك، فإن تكلفة الحصول على البيانات في ارتفاع مستمر، مما يشكل تحديًا كبيرًا تواجهه جميع شركات الذكاء الاصطناعي.

تحسين الأداء يعتمد على زيادة استهلاك البيانات يومًا بعد يوم

في السوق الحالي، تتعامل شركات النماذج الكبيرة مع كميات هائلة من البيانات سنويًا. على سبيل المثال، استخدمت OpenAI حوالي 45 تيرابايت من البيانات النصية لتدريب نموذج GPT-3، بينما بلغت تكلفة تدريب GPT-4 حوالي 78 مليون دولار أمريكي؛ أما تكلفة الحوسبة لتدريب نموذج Gemini Ultra من Google فقد بلغت حوالي 191 مليون دولار أمريكي. ولا تقتصر هذه الحاجة الضخمة للبيانات على OpenAI فقط، بل تحتاج شركات الذكاء الاصطناعي الأخرى مثل Google وMeta أيضًا إلى معالجة كميات هائلة من البيانات عند تدريب نماذج الذكاء الاصطناعي الكبيرة.

يجب الانتباه إلى فعالية البيانات

يجب أن تتميز البيانات الفعالة بجودة عالية وخالية من التحيز وغنية بالمعلومات المميزة، لضمان قدرة نماذج الذكاء الاصطناعي على التعلم منها وإجراء تنبؤات دقيقة. فعلى سبيل المثال، عند تدريب GPT-3، استخدمت OpenAI بيانات نصية من مصادر متنوعة، بما في ذلك الكتب والمقالات والمواقع الإلكترونية، لضمان تنوع البيانات وتمثيلها. ومع ذلك، لا تعتمد فعالية البيانات فقط على مصدرها، بل تشمل أيضًا عمليات تنظيف البيانات ووضع العلامات والمعالجة المسبقة، وهي عمليات تتطلب استثمارًا كبيرًا في القوى العاملة والموارد.

الاقتصاد الذي لا يمكن تجاهله: تكلفة جمع ومعالجة البيانات

في تدريب نماذج الذكاء الاصطناعي الفعلي، غالبًا ما يتم التقليل من شأن تكاليف جمع البيانات ووضع العلامات والمعالجة، لكن هذه التكاليف يمكن أن تكون كبيرة جدًا. على وجه التحديد، فإن وضع العلامات على البيانات هو عملية تستغرق وقتًا طويلاً ومكلفة، وغالبًا ما تتطلب عملًا يدويًا. وبمجرد جمع البيانات، يجب تنظيفها وتنظيمها ومعالجتها حتى يتمكن خوارزم الذكاء الاصطناعي من الاستفادة منها بفعالية. ووفقًا لتقرير McKinsey، يمكن أن تصل تكلفة تدريب نموذج ذكاء اصطناعي كبير إلى عدة ملايين من الدولارات. بالإضافة إلى ذلك، فإن بناء وصيانة مراكز البيانات والبنية التحتية الحاسوبية لشركات الذكاء الاصطناعي تمثل أيضًا نفقات ضخمة.

بشكل عام، يتطلب تدريب النماذج الكبيرة للذكاء الاصطناعي الاعتماد على كميات هائلة من البيانات عالية الجودة، حيث تحدد كمية وفعالية وتكلفة الحصول على هذه البيانات بشكل مباشر أداء ونجاح نموذج الذكاء الاصطناعي. وفي المستقبل، ومع التقدم المستمر في تقنيات الذكاء الاصطناعي، سيصبح كيفية الحصول على البيانات واستخدامها بكفاءة عاملًا رئيسيًا في تنافس شركات الذكاء الاصطناعي.

طبقة معالجة البيانات المعيارية: حل بيانات ذكاء اصطناعي لامركزي قائم على البلوكشين

في هذا السياق، ظهرت DIN (التي كانت تُعرف سابقًا باسم Web3Go) كأول طبقة معالجة بيانات معيارية أصلية للذكاء الاصطناعي. تهدف DIN إلى تمكين الجميع من تزويد الذكاء الاصطناعي بالبيانات والحصول على مكافآت من خلال التحقق اللامركزي من البيانات والمعالجة الشعاعية، مما يقود موجة اقتصادية جديدة حيث يمكن للجميع تحقيق الدخل من بياناتهم الشخصية، ويمكن للشركات الحصول على البيانات بكفاءة وبتكلفة أقل. حاليًا، حصلت DIN على تمويل أولي بقيمة 4 ملايين دولار من Binance Labs، وتلقت لاحقًا تمويلًا إضافيًا بقيمة 4 ملايين دولار قبل الإدراج من مؤسسات أخرى والمجتمع وشبكة KOL، وتبلغ قيمتها الحالية 80 مليون دولار، مما يُظهر اعتراف السوق بإمكاناتها الهائلة وتطورها المستقبلي. وتشمل شركاؤها Polkadot وBNB Chain وMoonbeam Network وManta Network وغيرهم.

عقدة معالجة البيانات في DIN – Chipper Node

تتمتع DIN بوضوح كبير في تحديد موقعها في السوق، حيث تركز على بناء شبكة ذكاء بيانات لامركزية في مجال الذكاء الاصطناعي والبيانات.تلعب Chipper Node دورًا مهمًا في نظام DIN البيئي،حيث تتولى مسؤولية التحقق من البيانات، والمعالجة الشعاعية، وحساب المكافآت، وهي المكون الأساسي في طبقة معالجة البيانات في DIN.