معرفی پروژه های هوش مصنوعی ارز های دیجیتال و توکن های هوش مصنوعی؛ یک راهنمای جامع

نوآوری بدون مجوز که توسط فناوری ‌های همتا به همتا فعال می‌ شود، به عنوان یک اخلالگر مهم در حوزه مالی مدرن ظاهر شده است. گسترش سریع برنامه های کاربردی هوش مصنوعی ارز های دیجیتال مبتنی بر LLM مصرف کننده، این روند را بیشتر تشدید می کند. همانطور که هوش مصنوعی در حال تکامل است، به طور فزاینده ای محیطی مساعد در حوزه ارز های هوش مصنوعی ارز های دیجیتال و Web3 پیدا می کند.

این ادغام پویا از فناوری ‌های انقلابی به طور مؤثری با مسائل اساسی در حوزه کریپتو مقابله می‌ کند و مقیاس ‌پذیری، حریم خصوصی و قابلیت ‌های تصمیم‌ گیری هوشمند را به ‌وجود می ‌آورد. از لحاظ تاریخی، فناوری بلاک چین، سنگ بنای ارز های دیجیتال، برای برآوردن نیاز های محاسباتی پیچیده سیستم‌ های هوش مصنوعی ارز های دیجیتال پیشرفته تلاش کرده است.

علاوه بر این، نگرانی ‌های مربوط به حریم خصوصی و اختیارات متمرکز همچنان ادامه دارد. توکن های ارز های کریپتو شده هوش مصنوعی این پتانسیل را دارند که چشم انداز موجود را به چالش بکشند و تغییر دهند. این مقاله به یک روایت جدید می پردازد – همگرایی ارز های دیجیتال و ابتکارات بلاک چین با پشتیبانی از هوش مصنوعی، همچنین به عنوان توکن های هوش مصنوعی شناخته می شود.

آشنایی با پروژه های هوش مصنوعی ارز های دیجیتال

توسعه هوش مصنوعی با یک مانع مهم در قالب نیاز به منابع محاسباتی قابل توجهی مواجه است. آموزش و اجرای مدل‌ های پیچیده هوش مصنوعی به سخت ‌افزار با کارایی بالا مانند GPU نیاز دارد. افزایش تقاضا برای این سخت افزار منجر به کمبود و ایجاد موانعی برای تحقیق و توسعه هوش مصنوعی شده است.

برای رسیدگی به این مشکل، پروژه‌ های هوش مصنوعی ارز های دیجیتال ظهور کرده ‌اند که سیستم ‌های محاسباتی غیر متمرکز را ارائه می ‌کنند که دسترسی به سخت ‌افزار تخصصی را در صورت تقاضا فراهم می‌ کنند. این پروژه ها از بازار های مبتنی بر بلاک چین برای اتصال ارائه دهندگان سخت افزار با توسعه دهندگان هوش مصنوعی استفاده می کنند و تخصیص کارآمد منابع را تضمین می کنند.

پروژه های هوش مصنوعی ارز های دیجیتال در خط مقدم نوآوری در حوزه های مختلف قرار دارند. به عنوان مثال، یادگیری ماشینی با دانش صفر (zkML) مدل های هوش مصنوعی را با قرارداد های هوشمند با استفاده از zk-proofs ادغام می کند. این فناوری به محاسبات خارج از زنجیره اجازه می ‌دهد تا روی زنجیره تأیید شوند و مقیاس ‌پذیری بلاک چین را بهبود بخشد و قرارداد های هوشمند را قادر می‌ سازد تا از قابلیت‌ های هوش مصنوعی بدون به خطر انداختن کارایی یا امنیت استفاده کنند.

یکی دیگر از حوزه‌ های نوآوری در پروژه ‌های هوش مصنوعی ارز های دیجیتال، توسعه عوامل هوش مصنوعی، نهاد های مستقلی است که وظایفی را از طرف کاربران انجام می‌ دهند. این عوامل از کیف پول ‌های کریپتو برای تراکنش در شبکه ‌های بلاک چین استفاده می ‌کنند و تعامل یکپارچه با سیستم ‌های غیر متمرکز را ممکن می ‌سازند.

رابطه همزیستی بین کریپتوکارنسی و هوش مصنوعی

کریپتوکارنسی و هوش مصنوعی رابطه عمیقی در هم تنیده و دوجانبه دارند. ماهیت غیر متمرکز و تغییر ناپذیر ارز های کریپتو، پایه محکمی برای توسعه هوش مصنوعی، رسیدگی به مسائل حیاتی، تقویت اعتماد، و بازگشایی برنامه های کاربردی نوآورانه فراهم می کند.

محیط غیرقابل اعتماد ایجاد شده توسط ماهیت غیر متمرکز ارز های دیجیتال به مدل ‌ها و الگوریتم ‌های هوش مصنوعی اجازه می ‌دهد تا بدون نیاز به واسطه با یکدیگر تعامل داشته باشند. این راه را برای بازار های امن برای داده ها، مدل ها و قدرت محاسباتی هوش مصنوعی هموار می کند.

راستی ‌آزمایی زنجیره‌ ای و ردیابی منشأ اطلاعات می ‌تواند به کاهش خطرات مرتبط با اطلاعات نادرست، مانند تبلیغات ژئوپلیتیکی و جعلی ‌های عمیق، که اغلب نگران محتوای تولید شده توسط هوش مصنوعی است، کمک کند.

شبکه های بلاک چین مقادیر زیادی داده از جمله تاریخچه تراکنش، فعالیت شبکه و تعاملات توکن تولید می کنند. این داده ها به عنوان یک منبع ارزشمند برای آموزش مدل های هوش مصنوعی عمل می کند. الگوریتم‌ های هوش مصنوعی می ‌توانند این داده ‌ها را برای شناسایی الگو ها، پیش ‌بینی روند بازار در معاملات کریپتو، بهینه ‌سازی مکانیسم‌ های اجماع بلاک چین و تقویت امنیت سایبری در اکوسیستم کریپتو تجزیه و تحلیل کنند.

کنترل متمرکز توسعه هوش مصنوعی نگرانی‌هایی را در مورد سانسور و تعصب ایجاد می‌ کند، زیرا چند غول فناوری بر این حوزه تسلط دارند. پروژه های هوش مصنوعی ارز های دیجیتال جایگزینی مقاوم در برابر سانسور ارائه می کنند که ایجاد و انتشار مدل های هوش مصنوعی را غیر متمرکز می کند.

الگوریتم‌ های یادگیری ماشینی می ‌توانند شبکه ‌های بلاک چین را برای الگو ها یا رفتار های غیر عادی بررسی کنند و به شناسایی و پیشگیری از فعالیت ‌های مخرب کمک کنند. این ادغام امنیت کلی سیستم های بلاک چین را افزایش می دهد و آن ها را در برابر حملات انعطاف پذیرتر و قوی تر می کند.

برترین پروژه های کریپتو هوش مصنوعی در سال 2024

در سال 2024، مجموع ارزش بازار توکن های هوش مصنوعی از 27 میلیارد دلار فراتر رفته است. در اینجا چهار پروژه برجسته (به همراه توکن های هوش مصنوعی مربوطه خود) وجود دارد که در خط مقدم بحث AI-crypto قرار دارند.

1. Fetch.Ai ($FET)

Fetch.ai (FET) یک پروژه بلاک چین است که هوش مصنوعی (AI) و یادگیری ماشین (ML) را برای ایجاد یک اقتصاد هوش مصنوعی ارز های دیجیتال غیر متمرکز ادغام می کند. این پروژه از عوامل نرم افزاری مستقل، معروف به عاملان اقتصادی مستقل (AEA) برای انجام وظایف و تعامل در شبکه استفاده می کند. Fetch.ai اساساً به عنوان یک بازار غیر متمرکز هوش مصنوعی گسترده برای دستیاران نرم افزار بسیار هوشمند عمل می کند.

این عوامل هوش مصنوعی را می توان طوری برنامه ریزی کرد که به طور مستقل طیف گسترده ای از وظایف را انجام دهند، از تضمین بهترین معاملات پرواز تا مدیریت مصرف انرژی در خانه ها. آن ها همچنین می توانند برای حل مشکلات پیچیده، مانند بهینه سازی زنجیره تامین یا ایجاد بازار مالی کارآمد تر، همکاری کنند.

سازندگان این پروژه آینده ای را تصور می کنند که در آن ماشین ها می توانند به طور مستقل یاد بگیرند و عمل کنند، نه اینکه صرفاً دستورالعمل ها را دنبال کنند. AEA ها موجودیت های دیجیتالی مبتنی بر هوش مصنوعی هستند که می توانند از طرف کاربران، دستگاه ها یا خدمات عمل کنند. آن ها قادر به جستجو و کشف منابع، خدمات یا داده ها در شبکه Fetch.ai، مذاکره مبادلات یا تعامل با سایر AEA ها، استفاده از نشانه اصلی Fetch.ai (FET) برای پرداخت یا انتقال ارزش، و بهبود تصمیم گیری خود هستند.

در مورد تجربیات و تعاملات گذشته چارچوب اقتصاد باز (OEF) به عنوان محیطی عمل می کند که AEA ها به یکدیگر متصل می شوند، یکدیگر را کشف می کنند و اطلاعات را مبادله می کنند. این به عنوان یک فهرست غیر متمرکز برای نمایندگان و خدماتی که ارائه می دهند یا نمایندگی می کنند، عمل می کند و از قرارداد های هوشمند برای تسهیل تراکنش های ایمن و قابل اعتماد استفاده می کند.

Fetch.Ai Smart Ledger یک ساختار ابتکاری شبیه بلاک چین است که یک دفتر کل توزیع شده را با یک نمودار غیر چرخه ای جهت دار (DAG) ترکیب می کند و امکان مقیاس بندی کارآمد و مدیریت تعاملات پیچیده بین تعداد زیادی عامل را فراهم می کند.

2. Bittensor ($TAO)

Bittensor (TAO) یک پروتکل غیر متمرکز است که هدف آن ایجاد بازاری برای مدل ‌های یادگیری ماشین است. به اشتراک گذاری، آموزش و ارزیابی این مدل ها را در یک شبکه همتا به همتا، تشویق به همکاری و پیشرفت سیستم های هوش مصنوعی کارآمدتر می دهد.

برخلاف توسعه متعارف هوش مصنوعی، که تمایل به جداسازی و منابع سنگین دارد، Bittensor همکاری را تقویت می کند. از طریق Bittensor، توسعه دهندگان این توانایی را دارند:

مدل‌ های هوش مصنوعی را به اشتراک بگذارید: مدل‌ های هوش مصنوعی از پیش آموزش ‌دیده‌ شان را در شبکه مشارکت دهید.
از مدل های مشترک استفاده کنید: از مدل های موجود از شبکه به عنوان پایه ای برای پروژه های خود استفاده کنید.
آموزش مدل‌ های مشارکتی: چندین شرکت ‌کننده می ‌توانند با یکدیگر برای آموزش و ارتقای مدل ‌های هوش مصنوعی در یک زیر شبکه همکاری کنند.

شبکه شامل دو دسته اصلی شرکت کننده است:

اعتبار سنجی: مسئول ارزیابی عملکرد و کیفیت مدل های یادگیری ماشینی است.
سرور ها: منابع محاسباتی مورد نیاز برای آموزش و اجرای مدل ها را فراهم می کند.

زیر شبکه ها

Bittensor بر روی بلاک چین خود، متمایز از بلاک چین های اصلی مانند اتریوم عمل می کند. این بلاک چین استقرار و تعامل زیر شبکه های تخصصی معروف به زیر شبکه را تسهیل می کند.

زیر شبکه ‌ها را می ‌توان به‌ عنوان بازار های تخصصی یا جوامع خاص در شبکه گسترده ‌تر Bittensor در نظر گرفت. هر زیر شبکه به حوزه خاصی از یادگیری ماشین یا هوش مصنوعی اختصاص داده شده است. مثال ها عبارتند از:

مدل‌ های هوش مصنوعی مبتنی بر متن و متخصص در ترجمه زبان یا خلاصه‌ سازی متن
زیر شبکه های پردازش تصویر با تمرکز بر وظایفی مانند تشخیص اشیا یا تولید تصویر
زیر شبکه های اختصاص داده شده به تجزیه و تحلیل پیش بینی یا مدل سازی مالی

جامعه توانایی پیشنهاد ایجاد زیر شبکه های جدید متناسب با نیاز های خاص هوش مصنوعی را دارد. هر زیر شبکه مکانیزم ‌های تشویقی منحصر به ‌فردی را در خود جای داده است تا اطمینان حاصل شود که پاداش ‌ها با ارزش مشارکت‌ های خاص آن دامنه مطابقت دارند.

3. The Graph ($GRT)

بلاک چین های عمومی، مانند اتریوم، موجودیت های گسترده ای هستند که دارای انبوهی از داده ها هستند که بین گره های متعدد توزیع شده اند. در نتیجه، استخراج اطلاعات خاص از این مجموعه داده های پراکنده یک کار زمان بر و منابع فشرده است.

این ناکارآمدی یک چالش مهم برای توسعه دهندگان ایجاد برنامه های غیر متمرکز (dApps) است که نیاز به دسترسی فوری به داده های بلاک چین دارند. Graph (GRT) با ارائه یک پروتکل غیر متمرکز برای نمایه سازی و پرس و جو از داده های بلاک چین، با این موانع مقابله می کند. این پروتکل یک راه حل موثر، مقیاس پذیر و قابل انطباق برای استخراج اطلاعات ضروری از شبکه های بلاک چین ارائه می دهد.

اساس این پروتکل بر شش ستون اساسی استوار است: GraphQL، زیر گراف ها، نمایه ساز ها، متصدیان، نمایندگان و مصرف کنندگان. از طریق GraphQL، یک زبان پرس و جو که توسط Meta توسعه یافته است، The Graph به توسعه دهندگان این امکان را می دهد تا داده های دقیق مورد نیاز خود را مشخص کنند و در نتیجه کارایی بازیابی داده ها را افزایش می دهد. این ویژگی به ویژه برای dApps، NFT ها و سایر سرویس های مبتنی بر بلاک چین که برای عملکرد خود به داده های بلادرنگ وابسته هستند، حیاتی است.

زیر گراف ‌ها در The Graph داده ‌ها را به بخش‌ های خاصی دسته ‌بندی می ‌کنند و داده‌ هایی را که قرار است از یک زنجیره بلوکی و ساختار ذخیره ‌سازی آن نمایه شوند، تعریف می‌ کنند. توسعه دهندگان با ترسیم ساختار داده و روابط لازم برای برنامه های خود زیر گراف ها را ایجاد می کنند.

نمایه ساز ها، به عنوان اپراتور های گره، داده ها را از زیر گراف ها نمایه می کنند و آن را در سراسر شبکه توزیع می کنند و برای تلاش های خود پاداش و کارمزدی در GRT (توکن بومی گراف) دریافت می کنند. متصدیان در شناسایی زیر گراف ‌های ارزشمند با قرار دادن GRT بر روی آن ها نقش دارند و سهمی از هزینه‌ های درخواست را از زیر گراف ‌هایی که سرپرستی می ‌کنند به دست می ‌آورند. این انگیزه برای کشف داده های مفید است.

نمایندگانی که تصمیم می‌ گیرند گره‌ های نمایه ‌ساز را اجرا نکنند، می ‌توانند GRT خود را به نمایه‌ ساز ها واگذار کنند و بخشی از پاداش ‌ها را دریافت کنند. مصرف کنندگان، چه کاربران نهایی و چه برنامه های کاربردی، زیر گراف ها را برای دسترسی به داده ها جستجو می کنند و هزینه خدمات را پرداخت می کنند.

4. Akash ($AKT)

Akash Network (AKT) یک بازار غیر متمرکز رایانش ابری است که هدف آن به چالش کشیدن غول های صنعتی مانند خدمات وب آمازون (AWS) و Microsoft Azure است. این یک جایگزین کارآمدتر، شفاف و مقرون به صرفه تر برای سرویس های ابری سنتی است. این شبکه از دو جزء کلیدی تشکیل شده است: ارائه دهندگان، که می توانند قدرت محاسباتی اضافی خود را در بازار فهرست کنند، و مستاجران، که می توانند این منابع را به صورت درخواستی اجاره کنند.

آکاش که بر روی یک بلاک چین اثبات سهام کار می کند، زیرساخت ایمن و مقیاس پذیر را برای شبکه تضمین می کند و امکان تراکنش های امن و قرارداد های هوشمند را فراهم می کند. سرویس اصلی، Akash DeCloud، به توسعه دهندگان اجازه می دهد تا برنامه های کاربردی کانتینری را در پلتفرم های مختلف ابری، مشابه Kubernetes، مستقر و مدیریت کنند. استقرار موثر و مدیریت اجاره برای تسهیل اجاره منابع رایانش ابری بین ارائه دهندگان و مستاجران ضروری است.

فرآیند استقرار در شبکه Akash شامل یک مستاجر است که با ارائه مشخصات برای برنامه یا حجم کاری که مایل به استقرار آن هستند، منابع رایانش ابری را درخواست می کند.

مستاجر یک مانیفست ایجاد می کند که یک فایل YAML است که نیازمندی های برنامه مانند تصاویر ظرف، نیازهای منابع (CPU، حافظه، ذخیره سازی) و پارامتر های پیکربندی را مشخص می کند.

پس از تهیه مانیفست، مستاجر آن را به بازار آکاش ارسال می کند، جایی که سفارشی برای استقرار ایجاد می شود. این سفارش از ارائه دهندگانی دعوت می کند که بتوانند شرایط مشخص شده را برآورده کنند.

سپس ارائه‌ دهندگان سفارش ‌های باز را بررسی می ‌کنند و مناقصه‌ هایی را با جزئیات شرایط آن ها، از جمله هزینه ‌ها و منابع خاصی که می‌ توانند برای رفع نیاز های استقرار ارائه دهند، ارائه کنند.

مستاجر پیشنهاد ها را ارزیابی می کند و مناسب ترین را انتخاب می کند و قرارداد اجاره را با ارائه دهنده انتخاب شده نهایی می کند. این اجاره، ارائه دهنده را متعهد می سازد که منابع مورد توافق را طبق شرایط قرارداد تحویل دهد.

در شبکه Akash، اجاره نامه بیانگر توافق رسمی بین یک ارائه دهنده منابع رایانش ابری و یک مستاجر است. مدیریت اجاره نامه شامل نظارت و نگهداری این قرارداد ها در طول مدت آن ها است.

فرآیند مدیریت اجاره به شرح زیر است:

استقرار: پس از ایجاد اجاره نامه، ارائه دهنده درخواست مستاجر را با استفاده از جزئیات ارائه شده در مانیفست اجرا می کند. مستاجران توانایی کنترل و مدیریت استقرار از طریق Akash CLI یا سایر رابط ها را دارند.

پرداخت: مستاجر با استفاده از رمز بومی AKT شبکه، منابع را مطابق با شرایط اجاره پرداخت می کند. پرداخت ها معمولاً در فواصل زمانی منظم و بر اساس مدت زمان و استفاده مشخص شده در اجاره نامه انجام می شود.

نظارت: هم مستأجر و هم ارائه‌ دهنده می ‌توانند بر استقرار نظارت داشته باشند تا اطمینان حاصل کنند که طبق انتظار عمل می‌کند. شبکه Akash ابزار های نظارتی را برای ردیابی عملکرد، زمان آپدیت و استفاده از منابع ارائه می دهد.

فسخ اجاره: هر یک از طرفین این اختیار را دارد که اجاره را در زمانی که دیگر نیازی به آن نیست یا در صورت بروز مشکل، فسخ کند. اجاره را می توان با توافق دوجانبه یا در صورت تخطی از شرایط یکی از طرفین فسخ کرد. پس از خاتمه، ارائه دهنده منابع را واگذار می کند و وجوه پیش پرداخت باقی مانده به مستاجر بازپرداخت می شود.

حل اختلاف: شبکه آکاش مکانیسم هایی را برای حل و فصل اختلافات بین مستاجرین و ارائه دهندگان ایجاد کرده است. این مکانیسم ها شامل فرآیندهای داوری است که توسط ساختار حاکمیتی شبکه تسهیل می شود.

تاثیر هوش مصنوعی بر امنیت Web3

از منظر امنیتی، ادغام هوش مصنوعی (AI) در Web3 مزایا و چالش ‌هایی را به همراه دارد. در حالی که آسیب ‌پذیری ‌های امنیتی در اکوسیستم ‌های کریپتو پشتیبانی‌ شده با هوش مصنوعی را می‌ توان در طول زمان شناسایی و برطرف کرد، نگرانی ‌ها همچنان پابرجاست.

کلاهبرداری های فیشینگ همچنان یک مسئله مهم در فضای کریپتو است. گزارش Chainalysis نشان داد که تنها در سال 2023 نزدیک به 400 میلیون دلار به دلیل کلاهبرداری های فیشینگ از دست رفته است. فناوری هوش مصنوعی ابزار های اضافی را برای هدف قرار دادن قربانیان به طور مؤثر تری در اختیار کلاهبرداران قرار می دهد.

ربات ‌ها و سیستم‌ های مبتنی بر هوش مصنوعی می‌ توانند طرح‌ های فیشینگ بسیار شخصی‌ شده و دقیقی ایجاد کنند، که تشخیص فعالیت‌ های جعلی را برای کاربران دشوار تر می ‌کند.

عوامل مخرب می توانند از هوش مصنوعی برای اسکن سریع قرارداد های هوشمند و کد های بلاک چین برای نقاط ضعف استفاده کنند و آسیب پذیری ها را با سرعت بیشتری نسبت به فرآیند های دستی شناسایی کنند. برای مثال، GPT-4 می ‌تواند از 87 درصد آسیب ‌پذیری‌ ها زمانی که اطلاعات CVE خاص داده می‌ شود، بهره ‌برداری کند و توانایی خود را در شناسایی و بهره‌ برداری مستقل از نقص ‌های امنیتی نشان دهد.

از سوی دیگر، هوش مصنوعی می‌تواند امنیت سیستم ‌های فناوری دفتر کل توزیع‌شده (DLT) و قرارداد های هوشمند را با اطمینان از امنیت فضای باز افزایش دهد.

گزارش Halborn در سال 2023 با عنوان Can ChatGPT Detect Smart Contract Feedabilities نرخ موفقیت بالای ChatGPT-4 را در شناسایی آسیب ‌پذیری‌ های شناخته شده نشان می ‌دهد که در صورت درخواست به دقت تا 86.6 درصد می ‌رسد. این نشان می‌ دهد که هوش مصنوعی می ‌تواند با شناسایی سریع و رفع آسیب‌ پذیری ‌های رایج، نقش مهمی در افزایش امنیت Web3 ایفا کند.

در حالی که هوش مصنوعی در تقویت امنیت Web3 نویدبخش است، محدودیت هایی نیز دارد. این گزارش خاطر نشان کرد که هوش مصنوعی با آسیب‌ پذیری ‌های پیچیده یا نادری دست و پنجه نرم می‌کند که اغلب نیازمند تلاش‌ های متعدد برای شناسایی دقیق چنین مسائلی است. علاوه بر این، اثربخشی هوش مصنوعی در مواجهه با چالش‌ های پیچیده Capture the Flag (CTF) که شامل آسیب ‌پذیری‌ های متقابل متعدد است، کاهش می ‌یابد.

بنابراین، موثرترین رویکرد برای امنیت Web3 شامل یک استراتژی ترکیبی است که قابلیت ‌های هوش مصنوعی را با تخصص انسانی ترکیب می‌ کند.