«برای جایی که صنعت به سمت آن می‌رود بسازید، نه برای جایی که اکنون هست.» این شعار برای دهه‌ها نوآوری‌های مخرب را تقویت کرده است — مایکروسافت از میکروپروسسورها بهره برد، سیلزفورس از ابر استفاده کرد و اوبر در انقلاب موبایل شکوفا شد.
همین اصل در مورد هوش مصنوعی نیز صدق می‌کند — هوش مصنوعی مولد به سرعت در حال تکامل است و ساختن بر اساس قابلیت‌های امروزی خطر منسوخ شدن را به همراه دارد. به طور تاریخی، وب۳ نقش کمی در این تکامل هوش مصنوعی ایفا کرده است. اما آیا می‌تواند با آخرین روندهایی که صنعت را تغییر می‌دهند، سازگار شود؟
سال ۲۰۲۴ سالی محوری برای هوش مصنوعی مولد بود، با تحقیقات و پیشرفت‌های مهندسی پیشگامانه. همچنین سالی بود که روایت وب۳-هوش مصنوعی از هیاهوی گمانه‌زنی به نگاهی به کاربرد واقعی تبدیل شد. در حالی که موج اول هوش مصنوعی حول مدل‌های بزرگ، چرخه‌های طولانی آموزش، خوشه‌های محاسباتی وسیع و جیب‌های عمیق سازمانی می‌چرخید — که آنها را عمدتاً برای وب۳ غیرقابل دسترس می‌کرد — روندهای جدید در سال ۲۰۲۴ درهای ادغام معنادار وب۳ را باز می‌کنند.
در جبهه وب۳-هوش مصنوعی، سال ۲۰۲۴ تحت سلطه پروژه‌های گمانه‌زنی مانند پلتفرم‌های عامل‌محور مبتنی بر میم بود که احساسات بازار صعودی را منعکس می‌کردند اما کاربرد واقعی کمی داشتند. با فروکش کردن این هیاهو، فرصتی برای تمرکز مجدد بر موارد استفاده ملموس پدیدار می‌شود. چشم‌انداز هوش مصنوعی مولد در سال ۲۰۲۵ به طور چشمگیری متفاوت خواهد بود، با تغییرات تحول‌آفرین در تحقیق و فناوری. بسیاری از این تغییرات می‌توانند پذیرش وب۳ را تسریع کنند، اما تنها در صورتی که صنعت برای آینده بسازد.
بیایید پنج روند کلیدی که هوش مصنوعی را شکل می‌دهند و پتانسیلی که برای وب۳ ارائه می‌دهند را بررسی کنیم.
۱. مسابقه استدلال
استدلال به مرز بعدی برای مدل‌های زبان بزرگ (LLMs) تبدیل شده است. مدل‌های اخیر مانند GPT-01، DeepSeek R1 و Gemini Flash قابلیت‌های استدلال را در مرکز پیشرفت‌های خود قرار داده‌اند. به طور عملکردی، استدلال به هوش مصنوعی اجازه می‌دهد تا وظایف استنتاج پیچیده را به فرآیندهای ساختاریافته و چندمرحله‌ای تقسیم کند، که اغلب از تکنیک‌های زنجیره تفکر (CoT) استفاده می‌کند. همان‌طور که پیروی از دستورالعمل به استانداردی برای LLMها تبدیل شد، استدلال به زودی به یک قابلیت پایه برای همه مدل‌های اصلی تبدیل خواهد شد.
فرصت وب۳-هوش مصنوعی
استدلال شامل جریان‌های کاری پیچیده‌ای است که نیاز به قابلیت ردیابی و شفافیت دارند — جایی که وب۳ می‌درخشد. تصور کنید مقاله‌ای که توسط هوش مصنوعی تولید شده است و هر مرحله استدلال آن به صورت زنجیره‌ای قابل تأیید است، ارائه‌دهنده یک رکورد غیرقابل تغییر از توالی منطقی آن. در دنیایی که محتوای تولید شده توسط هوش مصنوعی تعاملات دیجیتال را تحت سلطه قرار می‌دهد، این سطح از منشأ می‌تواند به یک نیاز اساسی تبدیل شود. وب۳ می‌تواند یک لایه غیرمتمرکز و بدون اعتماد برای تأیید مسیرهای استدلال هوش مصنوعی فراهم کند و شکاف مهمی را در اکوسیستم هوش مصنوعی امروزی پر کند.
۲. مقیاس‌پذیری آموزش داده‌های مصنوعی
یک عامل کلیدی در استدلال پیشرفته، داده‌های مصنوعی است. مدل‌هایی مانند DeepSeek R1 از سیستم‌های واسطه‌ای (مانند R1-Zero) برای تولید مجموعه داده‌های استدلال با کیفیت بالا استفاده می‌کنند که سپس برای تنظیم دقیق استفاده می‌شوند. این رویکرد وابستگی به مجموعه داده‌های دنیای واقعی را کاهش می‌دهد، توسعه مدل را تسریع می‌کند و استحکام را بهبود می‌بخشد.
فرصت وب۳-هوش مصنوعی
تولید داده‌های مصنوعی یک وظیفه بسیار قابل موازی‌سازی است که برای شبکه‌های غیرمتمرکز ایده‌آل است. یک چارچوب وب۳ می‌تواند گره‌ها را برای مشارکت در قدرت محاسباتی به منظور تولید داده‌های مصنوعی تشویق کند و بر اساس استفاده از مجموعه داده‌ها پاداش دهد. این می‌تواند یک اقتصاد داده هوش مصنوعی غیرمتمرکز را تقویت کند که در آن مجموعه داده‌های مصنوعی مدل‌های هوش مصنوعی منبع باز و اختصاصی را تغذیه می‌کنند.
۳. تغییر به جریان‌های کاری پس از آموزش
مدل‌های اولیه هوش مصنوعی به بارهای کاری پیش‌آموزشی عظیمی متکی بودند که به هزاران GPU نیاز داشتند. با این حال، مدل‌هایی مانند GPT-01 تمرکز خود را به آموزش میانی و پس از آموزش تغییر داده‌اند و قابلیت‌های تخصصی‌تری مانند استدلال پیشرفته را ممکن می‌سازند. این تغییر به طور چشمگیری نیازهای محاسباتی را تغییر می‌دهد و وابستگی به خوشه‌های متمرکز را کاهش می‌دهد.
فرصت وب۳-هوش مصنوعی
در حالی که پیش‌آموزش به مزارع GPU متمرکز نیاز دارد، پس‌آموزش می‌تواند در شبکه‌های غیرمتمرکز توزیع شود. وب۳ می‌تواند تسهیل‌کننده بهبود مدل‌های هوش مصنوعی غیرمتمرکز باشد و به مشارکت‌کنندگان اجازه دهد منابع محاسباتی را در ازای مشوق‌های حکومتی یا مالی به اشتراک بگذارند. این تغییر توسعه هوش مصنوعی را دموکراتیزه می‌کند و زیرساخت‌های آموزشی غیرمتمرکز را قابل اجرا می‌سازد.
۴. ظهور مدل‌های کوچک تقطیر شده
تقطیر، فرآیندی که در آن مدل‌های بزرگ برای آموزش نسخه‌های کوچک‌تر و تخصصی‌تر استفاده می‌شوند، شاهد افزایش پذیرش بوده است. خانواده‌های پیشرو هوش مصنوعی مانند Llama، Gemini، Gemma و DeepSeek اکنون شامل واریانت‌های تقطیر شده‌ای هستند که برای کارایی بهینه‌سازی شده‌اند و به آنها اجازه می‌دهند بر روی سخت‌افزارهای معمولی اجرا شوند.
فرصت وب۳-هوش مصنوعی
مدل‌های تقطیر شده به اندازه کافی فشرده هستند که بر روی GPUهای مصرفی یا حتی CPUها اجرا شوند و آنها را برای شبکه‌های استنتاج غیرمتمرکز مناسب می‌سازد. بازارهای استنتاج هوش مصنوعی مبتنی بر وب۳ می‌توانند ظهور کنند، جایی که گره‌ها قدرت محاسباتی را برای اجرای مدل‌های سبک و تقطیر شده فراهم می‌کنند. این امر استنتاج هوش مصنوعی را غیرمتمرکز می‌کند، وابستگی به ارائه‌دهندگان ابری را کاهش می‌دهد و ساختارهای مشوق توکنیزه جدیدی را برای شرکت‌کنندگان باز می‌کند.
۵. تقاضا برای ارزیابی‌های شفاف هوش مصنوعی
یکی از بزرگترین چالش‌ها در هوش مصنوعی مولد، ارزیابی است. بسیاری از مدل‌های برتر به طور مؤثری معیارهای صنعت موجود را حفظ کرده‌اند و آنها را برای ارزیابی عملکرد دنیای واقعی غیرقابل اعتماد می‌سازند. وقتی می‌بینید مدلی در یک معیار خاص امتیاز بسیار بالایی کسب می‌کند، اغلب به این دلیل است که آن معیار در مجموعه آموزشی مدل گنجانده شده است. امروزه هیچ مکانیزم قوی برای تأیید نتایج ارزیابی مدل وجود ندارد و شرکت‌ها به اعداد گزارش شده در مقالات فنی تکیه می‌کنند.
فرصت وب۳-هوش مصنوعی
اثبات‌های رمزنگاری مبتنی بر بلاکچین می‌توانند شفافیت رادیکالی را در ارزیابی‌های هوش مصنوعی معرفی کنند. شبکه‌های غیرمتمرکز می‌توانند عملکرد مدل را در معیارهای استاندارد تأیید کنند و وابستگی به ادعاهای غیرقابل تأیید شرکت‌ها را کاهش دهند. علاوه بر این، مشوق‌های وب۳ می‌توانند توسعه استانداردهای ارزیابی جدید و مبتنی بر جامعه را تشویق کنند و مسئولیت‌پذیری هوش مصنوعی را به ارتفاعات جدیدی برسانند.
آیا وب۳ می‌تواند با موج بعدی هوش مصنوعی سازگار شود؟
هوش مصنوعی مولد در حال گذر از یک تغییر پارادایم است. مسیر به سمت هوش عمومی مصنوعی (AGI) دیگر تنها توسط مدل‌های یکپارچه با چرخه‌های آموزشی طولانی‌مدت تسلط ندارد. پیشرفت‌های جدید — مانند معماری‌های مبتنی بر استدلال، نوآوری‌های مجموعه داده‌های مصنوعی، بهینه‌سازی‌های پس از آموزش و تقطیر مدل — در حال غیرمتمرکز کردن جریان‌های کاری هوش مصنوعی هستند.
وب۳ در موج اول هوش مصنوعی مولد عمدتاً غایب بود، اما این روندهای نوظهور فرصت‌های تازه‌ای را معرفی می‌کنند که در آن معماری‌های غیرمتمرکز می‌توانند کاربرد واقعی داشته باشند. سوال مهم اکنون این است: آیا وب۳ می‌تواند به اندازه کافی سریع حرکت کند تا این لحظه را به دست آورد و به نیرویی مرتبط در انقلاب هوش مصنوعی تبدیل شود؟
