المؤلف: بول فيراديتاكيت المصدر: VeradiVerdict الترجمة: شان أوبا، جولدن فاينانس
كان DeepSeek في الأصل مشروعًا جانبيًا لصندوق التحوط High-Flyer وتم إطلاقه مع بضعة آلاف من وحدات معالجة الرسوميات Nvidia. صدمت DeepSeek R1 العالم عندما تجاوزت تكلفتها مليار دولار، واستخدمت 2000 وحدة معالجة رسومية من نوع Nvidia H800، واستغرق تطويرها 55 يومًا، متغلبة على خط الأساس من نموذج o1 الخاص بشركة OpenAI والذي تطلب مئات المليارات من الدولارات وأكثر من 16000 وحدة معالجة رسومية متقدمة للتطوير. يحتوي DeepSeek R1 على 671 مليار معلمة، في حين يحتوي GPT-4 على 1.76 تريليون معلمة. في حين أن نماذج OpenAI الكبيرة قد تتطلب آلاف وحدات معالجة الرسوميات للتدريب ومجموعات متطورة للاستدلال، يمكن تشغيل DeepSeek 7B و67B على أجهزة مخصصة للمستهلك (مجموعة قليلة من A100s أو H100s).

DeepSeek-R1 والمنافسون
واستجابة لذلك، انخفض سعر سهم إنفيديا بنسبة 18% (خسارة 600 مليار دولار من القيمة السوقية). إن الفكرة القديمة القائلة بأن نماذج الذكاء الاصطناعي يجب أن تكون مغلقة المصدر ومكلفة حسابيًا لتحقيق النجاح آخذة في الانهيار.
السرد الحالي للذكاء الاصطناعي اللامركزي

كشف الغموض عن مجموعة Crypto x AI
يعتقد مشروع AI x Crypto أن الذكاء الاصطناعي العام واللامركزي الذي يتم الحصول عليه من الجماهير سيخلق في النهاية نماذج أفضل من الذكاء الاصطناعي المركزي. حتى الآن، لم يكن هذا هو الحال، حيث تأتي النماذج الأعلى أداءً من شركات مغلقة المصدر مثل OpenAI وAnthropic. لقد تكيفت شركات التشفير والذكاء الاصطناعي مع هذا الوضع، من خلال التركيز على البنية التحتية بدلاً من بناء النماذج. على سبيل المثال، حققت أسواق وحدات معالجة الرسوميات مثل Akash، وRender، وIoNet، وExabits إيرادات مستدامة. لقد وجدت الشركات التي تسمح للمستخدمين بمشاركة عرض النطاق الترددي للشبكة، مثل Grass وGradient، مكانها المناسب في تقديم خدمات مثل كشط الويب الموزع لعملاء web2. وقد نجحت شبكات التخزين مثل Arweave وFilecoin وOcean أيضًا في كونها المنصات التي تم بناء هذه المشاريع عليها. تزدهر شبكات التوريد لأنها قادرة على تصميم خدمات أرخص وأكثر قابلية للتطوير للعملاء خارج السلسلة.

تقرير مساري عن DePin وAI x Crypto
الآن بعد أن لم تعد وحدات معالجة الرسوميات والموارد المالية تشكل قيدًا على إنشاء نماذج الذكاء الاصطناعي عالية الجودة، يمكن لشركات الذكاء الاصطناعي على شبكة الويب 3 التركيز على تكرار فعالية DeepSeek مع توفير مزايا جديدة مثل الوسيلة وملكية المستخدم ومكافحة الرقابة والخصوصية وما إلى ذلك. قامت شركة Pantera بتمويل شركات مثل SaharaAI و Sentient، معتقدة أنها قادرة على مطابقة أداء شركات الذكاء الاصطناعي التقليدية أو تجاوزه مع الحفاظ على القدرة التنافسية من خلال تقديم خدمات أخرى. على سبيل المثال، تقوم شركة Sahara AI ببناء منصة حيث يمكن لأي شخص تحقيق الدخل من نماذج الذكاء الاصطناعي ومجموعات البيانات والتطبيقات في مساحة تعاونية. يمكن للمستخدمين تدريب النماذج يدويًا دون أذونات، وتوفير بيانات التدريب، وإنشاء نماذج الذكاء الاصطناعي المخصصة باستخدام أدوات بدون تعليمات برمجية. يمكنهم فقط تلبية احتياجات كل هؤلاء أصحاب المصلحة (مطوري الذكاء الاصطناعي والمستخدمين ومقدمي الموارد) لأن كل شيء مرتبط بسلسلة الكتل الصحراوية الأصلية الخاصة بهم. سيتم بناء مستقبل الذكاء الاصطناعي على البنية التحتية لـ Web3 لقد أثبتت DeepSeek أن نماذج الذكاء الاصطناعي عالية الأداء لا يجب بناؤها بطريقة مغلقة المصدر أو تحمل تكاليف حسابية. يسعدني أن أرى نماذج الذكاء الاصطناعي التي سيتم تطويرها باستخدام مجموعة web3 AI الكاملة على مدار العام المقبل. أعتقد أن مشاريع جانب العرض سوف تستمر في النمو، في حين يمكن للمشاريع التي تواجه المستهلكين الاستفادة من قدرتها على بناء شبكات تدعو إلى مشاركة المجتمع للبدء في التنافس مع منافسي الويب 2. على سبيل المثال، يرغب المستخدمون في التسجيل لتدريب نماذج web3 ويحاولون بشكل نشط تجربة هذه النماذج من خلال الهاكاثونات وبرامج المنح.
في المستقبل القريب، أعتقد أن أفضل نماذج الذكاء الاصطناعي أداءً سيتم بناؤها على السلسلة.