النمو ذج الجديد لاقتصاد بيانات الذكاء الاصطناعي: طموحات DIN وبيع العقد من منظور المعالجة المعيارية للبيانات
في الوقت الحاضر، يُعد الذكاء الاصطناعي بلا شك أحد أكثر القطاعات رواجًا على مستوى العالم، سواء كان ذلك من خلال OpenAI في وادي السيليكون أو Moonshot وZhipu Qingyan في الصين، حيث انضم العديد من رواد الأعمال الجدد والشركات التقليدية الكبرى إلى هذه الثورة في مجال الذكاء الاصطناعي.

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.
إخلاء المسؤولية: يعكس محتوى هذه المقالة رأي المؤلف فقط ولا يمثل المنصة بأي صفة. لا يُقصد من هذه المقالة أن تكون بمثابة مرجع لاتخاذ قرارات الاستثمار.
You may also like
سيناريو نهاية عام 2018: استمرار رفع أسعار الفائدة من قبل البنك الفيدرالي، انهيار الأسهم الأمريكية بنسبة 20% من أعلى مستوياتها في سبتمبر، مما أجبر البنك الفيدرالي على "تغيير الاتجاه" في يناير
يعتقد مدير التداول في Goldman Sachs أن سوق الأسهم الأمريكي الحالي يعيد سيناريو أواخر عام 2018 عندما شهدت السياسة النقدية تشديدًا وضغوطًا على الأسهم. فقد ارتفع مؤشر الشروط المالية لشركة Goldman Sachs حوالي 8 نقاط خلال أسبوعين، مسجلاً أعلى مستوى له في عام، كما أن عمليات البيع في السوق انتشرت من أسهم التكنولوجيا إلى القطاعات الدفاعية. تراجعت أسعار الذهب والأسهم في الوقت ذاته، ما قد يعكس قيام المستثمرين ببيع الأصول لجمع السيولة النقدية، ولهذا أصبح الذهب مؤشرًا رئيسيًا لمراقبة ضغوط السيولة.

تاجر من Goldman Sachs "يكرر سيناريو 2018": ما زلت أتذكر بوضوح "في يوم 24 ديسمبر، سألني العملاء لم اذا انخفض السوق بهذا القدر؟ ولم أكن أعرف السبب إطلاقاً"
أشار برايان غاريت إلى أن تعديل سوق الأسهم الأمريكية الحالي يشبه الانهيار الذي حدث في الربع الرابع من عام 2018: حيث أن مؤشر S&P 500 قد أكمل 42% من الانخفاض الذي حدث في نفس الفترة من ذلك العام، كما أن مؤشر VIX يقترب من الذروة التي سبقت عطلة عيد الميلاد. وإذا تكررت نفس الوتيرة التاريخية، فقد تظهر القاع في يناير من العام المقبل، لكن أسواق الائتمان وسياسات الاحتياطي الفيدرالي لم تصدر بعد إشارات واضحة على تكوين القاع.
كادت Anthropic (ANT.US) أن تنخفض قيمتها بشكل كبير، بينما Claude يقترب من تحقيق إنجاز "الجبل المقدس الأول في مجال الرياضيات"! 17 مليون سطر من كود Lean لكتابة إثبات مرشح لحدسية ريمان
في توقيت الساحل الشرقي للولايات المتحدة يوم 20 نوفمبر، في اليوم التالي لإدراج Anthropic، بلغت أدنى قيمة سنوية للسهم خلال التداول 83.05 دولار، أي فقط بفارق 5 سنتات عن سعر الإصدار البالغ 83 دولار، وأغلق السهم في نهاية الجلسة عند 88.91 دولار، بانخفاض قدره 8.50%. في اليوم نفسه، أعلن عالم الرياضيات في الشركة، ليفينت ألبيرغ، على موقعه الشخصي، أنه مع Claude وجدوا برهاناً مرشحاً لمسألة ريمان التي شغلت الأوساط الرياضية لمدة 167 عاماً، كما نشروا حوالي 17 مليون سطر من الشيفرة الشكلية باستخدام Lean بشكل علني.

في ظل الانهيار الحاد في س وق الأسهم الأمريكية، ارتفعت أسهم الشركة الأم للعبة GTA 6 بشكل مخالف للاتجاه العام! مبيعات اليوم الأول بلغت 3.79 مليار دولار محققةً رقماً قياسياً، وتركز وول ستريت الآن على الجيل القادم من GTA Online
تشير بيانات Rentrak إلى أن إجمالي إيرادات فيلم "Grand Theft Auto VI" تجاوزت الإيرادات العالمية لفيلم "Avengers: Endgame"، الذي يعد أعلى الأفلام تحقيقًا للإيرادات في التاريخ حيث بلغت إيراداته العالمية نحو 2.94 مليار دولار.

