قاعدة بيانات متجهات كروميا: تجربة جديدة لدمج الذكاء الاصطناعي مع البلوكتشين
مؤخراً، أثار قاعدة بيانات متجهات على السلسلة مبنية على PostgreSQL اهتمام الصناعة، ويعتبر ذلك خطوة مهمة في دمج تقنيات الذكاء الاصطناعي والبلوكتشين. تقلل هذه القاعدة من عوائق تطوير تطبيقات الذكاء الاصطناعي-Web3 من خلال توفير بيئة تطوير متكاملة بتكلفة أقل بنسبة 57% مقارنةً بالحلول التقليدية. في المستقبل، تخطط هذه المنصة للتوسع إلى فهرسة EVM، وقدرات استنتاج الذكاء الاصطناعي ودعم أوسع للبيئة المطورة، مما يجعلها قادرة على أن تكون رائدة محتملة في ابتكار الذكاء الاصطناعي في مجال Web3.
حالة دمج الذكاء الاصطناعي والبلوكتشين
لقد جذبت تقاطع الذكاء الاصطناعي والبلوكتشين اهتمام الصناعة لفترة طويلة. لا تزال أنظمة الذكاء الاصطناعي المركزية تواجه تحديات مثل الشفافية والموثوقية وقابلية التنبؤ بالتكاليف، وغالبًا ما تعتبر هذه المجالات حلولاً محتملة للبلوكتشين.
على الرغم من أن سوق وكلاء الذكاء الاصطناعي شهد انفجارًا في نهاية عام 2024، إلا أن معظم المشاريع حققت فقط تكاملًا سطحيًا بين تقنيتين. تعتمد العديد من المبادرات على اهتمام المضاربة بالعملات المشفرة للحصول على التمويل والتعرض، بدلاً من استكشاف التوافق العميق من الناحية التكنولوجية أو الوظيفية مع Web3. وبالتالي، انخفضت تقييمات العديد من المشاريع بأكثر من 90% من ذروتها.
جذور صعوبة تحقيق التعاون الجوهري بين الذكاء الاصطناعي والبلوكتشين تكمن في العديد من المشكلات الهيكلية. ومن أبرزها تعقيد معالجة البيانات على السلسلة، حيث تظل البيانات متفرقة وتتميز بتقلبات تقنية قوية. إذا كان بإمكان الوصول إلى البيانات واستخدامها أن يكون سهلاً مثل الأنظمة التقليدية، لربما كانت الصناعة قد حققت نتائج أوضح.
تُشبه هذه المعضلة نص روميو وجولييت: تقنيتان قويتان من مجالات مختلفة تفتقران إلى لغة مشتركة أو نقطة تقاطع حقيقية. من الواضح بشكل متزايد أن الصناعة بحاجة إلى بنية تحتية قادرة على سد الفجوة، بحيث تكمل مزايا الذكاء الاصطناعي والبلوكتشين وتعمل كنقطة تقاطع بين الاثنين.
يتطلب مواجهة هذا التحدي أنظمة تجمع بين الكفاءة من حيث التكلفة والأداء العالي لتتناسب مع موثوقية الأدوات المركزية الموجودة. في هذا السياق، أصبحت تقنية قواعد بيانات المتجهات التي تدعم معظم ابتكارات الذكاء الاصطناعي اليوم المحرك الأساسي.
ضرورة قواعد بيانات المتجهات
مع انتشار تطبيقات الذكاء الاصطناعي، بدأت قواعد البيانات القائمة على المتجهات في الظهور كحل للقيود التي تواجه أنظمة قواعد البيانات التقليدية. تقوم هذه القواعد بتخزين البيانات المعقدة مثل النصوص والصور والصوت من خلال تحويلها إلى تمثيلات رياضية تُعرف باسم "المتجهات". نظرًا لأنها تستند إلى استرجاع البيانات بناءً على التشابه (بدلاً من الدقة)، فإن قواعد البيانات القائمة على المتجهات تتماشى بشكل أفضل مع منطق فهم الذكاء الاصطناعي للغة والسياق.
تعمل قواعد البيانات التقليدية مثل فهرس المكتبة، حيث تعيد فقط الكتب التي تحتوي على كلمة "kitten"، بينما يمكن لقواعد البيانات المتجهة عرض محتويات ذات صلة مثل "cat" و "dog" و "wolf". ويعود ذلك إلى تخزين النظام للمعلومات في شكل متجهات عددية، مما يلتقط العلاقات بناءً على التشابه المفهومي (بدلاً من التعبيرات الدقيقة).
خذ المحادثة كمثال: عندما يُسأل "كيف تشعر اليوم؟"، إذا كانت الإجابة "السماء مشرقة بشكل خاص"، لا يزال بإمكاننا فهم مشاعره الإيجابية، على الرغم من عدم استخدام كلمات عاطفية واضحة. تعمل قاعدة بيانات المتجهات بطريقة مشابهة، مما يمكّن النظام من تفسير المعاني المحتملة بدلاً من الاعتماد على المطابقة المباشرة للكلمات. وهذا يُحاكي نمط الإدراك البشري، مما يُحقق تفاعلات أكثر طبيعية وذكاءً للذكاء الاصطناعي.
في Web2، تم الاعتراف على نطاق واسع بقيمة قواعد بيانات المتجهات. حصلت عدة منصات على استثمارات ضخمة. بالمقارنة، لا يزال Web3 يواجه صعوبة في تطوير حلول قابلة للمقارنة، مما يجعل دمج الذكاء الاصطناعي مع البلوكتشين يتوقف أكثر عند المستوى النظري.
رؤية قاعدة بيانات المتجهات على البلوكتشين
ظهرت بعض سلاسل الكتل العلائقية من الطبقة 1 المبنية على PostgreSQL بفضل قدرتها على معالجة البيانات الهيكلية وبيئة صديقة للمطورين. بالاعتماد على قاعدة بياناتها العلائقية، بدأت هذه المنصة في استكشاف التكامل العميق بين تقنيات البلوكتشين والذكاء الاصطناعي.
المعالم الأخيرة هي إطلاق موسع، يدمج PgVector (أداة بحث عن تشابه المتجهات مفتوحة المصدر المستخدمة على نطاق واسع في قاعدة بيانات PostgreSQL). يدعم PgVector استعلامات فعالة للنصوص أو الصور المتشابهة، مما يوفر فائدة واضحة للتطبيقات المدفوعة بالذكاء الاصطناعي.
لقد رسخ PgVector نفسه بقوة في النظام البيئي للتكنولوجيا التقليدية. تُعتبر Supabase، التي غالبًا ما يُنظر إليها كبديل لخدمات قواعد البيانات الرئيسية، تدعم البحث عن المتجهات عالية الأداء باستخدام PgVector. تعكس شعبيته المتزايدة على منصة PostgreSQL الثقة الواسعة في هذه الأداة من قبل الصناعة.
من خلال دمج PgVector، ستقدم هذه المنصة قدرات البحث عن المتجهات إلى Web3، مما يجعل بنيتها التحتية متوافقة مع المعايير المثبتة في تقنية التقليدية. سيكون لهذا الدمج دور رئيسي في ترقية الشبكة الرئيسية في مارس 2025، ويعتبر خطوة أساسية نحو التشغيل المتداخل السلس بين AI والبلوكتشين.
بيئة متكاملة: الدمج التام بين البلوكتشين و الذكاء الاصطناعي
التحدي الأكبر الذي يواجهه المطورون عند محاولة دمج البلوكتشين مع الذكاء الاصطناعي هو التعقيد. يتطلب إنشاء تطبيقات الذكاء الاصطناعي على البلوكتشين الحالي ربط عمليات معقدة متعددة من الأنظمة الخارجية. على سبيل المثال، يحتاج المطورون إلى تخزين البيانات على السلسلة، وتشغيل نماذج الذكاء الاصطناعي على خوادم خارجية، وبناء قاعدة بيانات متجهات مستقلة.
هذا الهيكل المجزأ يؤدي إلى تشغيل غير فعال. يتم معالجة استفسارات المستخدمين خارج البلوكتشين، ويجب أن تنتقل البيانات باستمرار بين البيئات على البلوكتشين وخارجها. وهذا لا يزيد فقط من الوقت اللازم للتطوير وتكاليف البنية التحتية، بل يؤدي أيضًا إلى ثغرات أمنية خطيرة، حيث تزيد نقل البيانات بين الأنظمة من خطر الهجمات الإلكترونية وتقلل من الشفافية العامة.
توفر هذه المنصة حلاً جذريًا من خلال دمج قاعدة بيانات المتجهات مباشرةً في البلوكتشين. على هذه المنصة، يتم تنفيذ جميع المعالجات داخل السلسلة: يتم تحويل استفسارات المستخدمين إلى متجهات، والبحث عن بيانات مشابهة مباشرةً داخل السلسلة وإرجاع النتائج، مما يحقق معالجة شاملة في بيئة واحدة.
لتوضيح الأمر بمقارنة بسيطة: كان على المطورين إدارة المكونات بشكل منفصل، مثلما يحتاج الطهي إلى شراء قدر، ومقلاة، وخلاط، وفرن. يقوم هذا المنصة بتبسيط العملية من خلال توفير جهاز طهي متعدد الوظائف، حيث يتم دمج جميع الميزات في نظام واحد.
تسهل هذه الطريقة المتكاملة بشكل كبير عملية التطوير. لا حاجة إلى خدمات خارجية أو أكواد اتصال معقدة، مما يقلل من وقت وكلفة التطوير. بالإضافة إلى ذلك، يتم تسجيل جميع البيانات والمعالجة على البلوكتشين، مما يضمن الشفافية التامة. هذه علامة على بداية دمج البلوكتشين مع الذكاء الاصطناعي بشكل كامل.
كفاءة التكلفة: مقارنةً بالتنافسية السعرية الممتازة للخدمات الحالية
يوجد اعتقاد شائع أن خدمات "البلوكتشين" "غير مريحة ومكلفة". خاصة في نماذج البلوكتشين التقليدية، حيث تبرز العيوب الهيكلية بشكل كبير نتيجة تكاليف الوقود لكل معاملة وزيادة تكاليف الاكتظاظ على الشبكة. أصبحت عدم قابلية التنبؤ بالتكاليف العقبة الرئيسية أمام اعتماد الشركات على حلول البلوكتشين.
يعمل هذا النظام على حل نقاط الألم من خلال هيكل فعال ونموذج تجاري متميز. على عكس نموذج رسوم الوقود التقليدي في البلوكتشين، يقدم النظام نظام تأجير وحدات حساب الخادم (SCU)، مشابهًا لهياكل التسعير في بعض خدمات السحاب. تتوافق هذه الطريقة في التجسيد مع التسعير المعروف في خدمات السحاب، مما يلغي تقلبات التكلفة الشائعة في شبكة البلوكتشين.
على وجه التحديد، يمكن للمستخدمين استئجار SCU أسبوعيًا باستخدام الرموز الأصلية. يوفر كل SCU سعة تخزين أساسية تبلغ 16 جيجابايت، وتكاليفه تتوسع خطيًا مع الاستخدام. يمكن تعديل SCU بشكل مرن وفقًا للاحتياجات، مما يحقق تخصيصًا فعالًا ومرنًا للموارد. تعزز هذه النموذج الشفافية والكفاءة في التكاليف بشكل كبير من خلال دمج تسعير الاستخدام القابل للتنبؤ لخدمات Web2 مع الحفاظ على لامركزية الشبكة.
تعزز قاعدة بيانات المتجهات على المنصة ميزة التكلفة بشكل أكبر. وفقًا للاختبارات المعيارية الداخلية، فإن تكلفة تشغيل هذه القاعدة البيانات الشهرية تبلغ 727 دولارًا (استنادًا إلى 2 SCU و50GB من التخزين)، والتي تقل بنسبة 57% عن حلول قواعد بيانات المتجهات في Web2 المماثلة.
تستند هذه القدرة التنافسية السعرية إلى كفاءة هيكلية متعددة. تستفيد المنصة من تحسين التكنولوجيا المتعلق بتكييف PgVector مع البيئة على البلوكتشين، لكن التأثير الأكبر يأتي من نموذج توفير الموارد اللامركزي الخاص بها. تضيف الخدمات التقليدية علاوة خدمة عالية على البنية التحتية، بينما تقدم هذه المنصة القدرة الحاسوبية والتخزين مباشرة من خلال مشغلي العقد، مما يقلل من الطبقات الوسيطة والتكاليف ذات الصلة.
تساهم البنية الموزعة أيضًا في تعزيز موثوقية الخدمة. إن التشغيل المتوازي للعديد من العقد يجعل الشبكة تتمتع بتوافر عالٍ بشكل طبيعي، حتى في حالة تعطل بعض العقد. وبالتالي، فإن الحاجة إلى بنية تحتية عالية التوافر باهظة الثمن وفرق دعم كبيرة، كما هو معتاد في نموذج SaaS للويب 2، تقل بشكل ملحوظ، مما يقلل من تكاليف التشغيل ويعزز مرونة النظام.
بداية دمج البلوكتشين والذكاء الاصطناعي
على الرغم من إطلاقه منذ شهر واحد فقط، إلا أن قاعدة بيانات المتجهات الخاصة بالمنصة قد أظهرت جاذبية مبكرة، حيث يتم تطوير العديد من حالات الاستخدام المبتكرة. لتسريع الاعتماد، تدعم المنصة البناءين بنشاط من خلال تمويل تكاليف استخدام قاعدة بيانات المتجهات.
تخفض هذه التمويلات من عتبة التجربة، مما يسمح للمطورين باستكشاف أفكار جديدة بمخاطر أقل. تشمل التطبيقات المحتملة خدمات DeFi المتكاملة مع الذكاء الاصطناعي، ونظم توصية المحتوى الشفافة، ومنصات مشاركة البيانات المملوكة للمستخدمين، وأدوات إدارة المعرفة المدفوعة من المجتمع.
افترض أن الحالة هي "محور أبحاث AI Web3" الذي تم تطويره. يستخدم هذا النظام بنية المنصة لتحويل محتوى البحث وبيانات مشاريع Web3 على السلسلة إلى تضمينات متجهية، لتقديم خدمات ذكية من قبل وكلاء AI.
يمكن لوكلاء الذكاء الاصطناعي هؤلاء الاستعلام عن البيانات على السلسلة مباشرة من قاعدة بيانات المتجهات عبر هذه المنصة، مما يحقق تسريعًا ملحوظًا في الاستجابة. بالاقتران مع قدرة فهرسة EVM، يمكن للنظام تحليل الأنشطة على السلسلة مثل إيثيريوم وBNB Chain وBase، ودعم مشاريع واسعة النطاق. من الجدير بالذكر أن سياق محادثة المستخدم يتم تخزينه على السلسلة، مما يوفر تدفق توصيات شفاف تمامًا للمستثمرين وغيرها من المستخدمين النهائيين.
مع زيادة حالات الاستخدام المتنوعة، يتم إنتاج المزيد من البيانات باستمرار وتخزينها على هذه المنصة، مما يضع الأساس لـ "دوامة الذكاء الاصطناعي". يتم تخزين النصوص والصور وبيانات المعاملات المستمدة من تطبيقات البلوكتشين في قاعدة البيانات على شكل متجهات هيكلية، مما يشكل مجموعة بيانات غنية قابلة للتدريب بواسطة الذكاء الاصطناعي.
تشكل هذه البيانات المتراكمة المواد الأساسية لتعلم الذكاء الاصطناعي، مما يحفز تحسين الأداء بشكل مستمر. على سبيل المثال، يمكن للذكاء الاصطناعي الذي يتعلم من أنماط تداول المستخدمين الضخمة تقديم نصائح مالية مخصصة بدقة أكبر. تجذب هذه التطبيقات المتقدمة للذكاء الاصطناعي المزيد من المستخدمين من خلال تعزيز تجربة المستخدم، مما يؤدي إلى زيادة عدد المستخدمين وبالتالي توليد المزيد من البيانات المتراكمة، مما يشكل حلقة مغلقة من التنمية المستدامة للنظام البيئي.
خارطة الطريق المستقبلية
بعد إطلاق الشبكة الرئيسية، ستتركز المنصة على ثلاثة مجالات:
تعزيز فهرسة EVM لسلاسل رئيسية مثل BSC وإيثيريوم وBase؛
توسيع قدرات استنتاج الذكاء الاصطناعي لدعم نماذج وحالات استخدام أوسع؛
توسيع نظام مطوري البرمجيات من خلال أدوات وبنى تحتية أكثر سهولة.
ابتكار فهرس EVM
لطالما كانت التعقيدات الكامنة في البلوكتشين العقبة الرئيسية أمام المطورين. ولذا، أطلق هذا المنصة حل فهرسة مبتكر يركز على المطورين، يهدف إلى تبسيط استعلامات البيانات على السلسلة بشكل جذري. الهدف واضح: من خلال تحسين كفاءة ومرونة الاستعلام بشكل كبير، لجعل بيانات البلوكتشين أكثر سهولة في الوصول.
تمثل هذه الطريقة تحولًا كبيرًا في أسلوب تتبع معاملات NFT على الإيثيريوم. يتعلم النظام الأساسي ديناميكيًا أنماط البيانات وهيكلها، مما يحل محل هيكل الاستعلامات المحددة مسبقًا، وبالتالي التعرف على أكثر مسارات استرجاع المعلومات فعالية. يمكن لمطوري الألعاب تحليل تاريخ معاملات العناصر على السلسلة على الفور، بينما يمكن لمشاريع DeFi تتبع تدفقات المعاملات المعقدة بسرعة.
توسيع قدرات الذكاء الاصطناعي
أدى التقدم المذكور في فهرسة البيانات إلى وضع أساس لتوسيع قدرات الاستنتاج للذكاء الاصطناعي على هذه المنصة. وقد تم إطلاق أول توسيع لاستنتاج الذكاء الاصطناعي بنجاح على شبكة الاختبار، مع التركيز على دعم نماذج الذكاء الاصطناعي مفتوحة المصدر. من الجدير بالذكر أن إدخال عميل Python قد خفض بشكل كبير من صعوبة دمج نماذج التعلم الآلي في هذا البيئة.
هذا التطور يتجاوز تحسين التكنولوجيا، ويعكس التوافق الاستراتيجي مع الابتكارات السريعة لنماذج الذكاء الاصطناعي. من خلال دعم التشغيل المباشر لنماذج الذكاء الاصطناعي القوية والمتنوعة على نقاط الموردين، تهدف هذه المنصة إلى تجاوز حدود التعلم والتفكير الذكي الموزع.
استراتيجية توسيع النظام البيئي للمطورين
تعمل هذه المنصة بنشاط على تأسيس شراكات، لإطلاق العنان لكامل إمكانيات تقنية قاعدة البيانات المتجهة، مع التركيز على تطوير التطبيقات المدفوعة بالذكاء الاصطناعي. تهدف هذه الجهود إلى تعزيز فائدة الشبكة والطلب.
تستهدف الشركة مجالات التأثير العالية مثل وكالات أبحاث الذكاء الاصطناعي، ونظم التوصية اللامركزية، والبحث النصي القائم على السياق، والبحث عن التشابه الدلالي. تتجاوز هذه الخطة الدعم الفني، حيث تُنشئ منصة يمكن للمطورين من خلالها بناء تطبيقات ذات قيمة حقيقية للمستخدمين. كانت الفهارس البيانات المعززة السابقة وAI推
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
قاعدة بيانات Chromia: الابتكار في الذكاء الاصطناعي داخل السلسلة يقود عصر Web3 الجديد
قاعدة بيانات متجهات كروميا: تجربة جديدة لدمج الذكاء الاصطناعي مع البلوكتشين
مؤخراً، أثار قاعدة بيانات متجهات على السلسلة مبنية على PostgreSQL اهتمام الصناعة، ويعتبر ذلك خطوة مهمة في دمج تقنيات الذكاء الاصطناعي والبلوكتشين. تقلل هذه القاعدة من عوائق تطوير تطبيقات الذكاء الاصطناعي-Web3 من خلال توفير بيئة تطوير متكاملة بتكلفة أقل بنسبة 57% مقارنةً بالحلول التقليدية. في المستقبل، تخطط هذه المنصة للتوسع إلى فهرسة EVM، وقدرات استنتاج الذكاء الاصطناعي ودعم أوسع للبيئة المطورة، مما يجعلها قادرة على أن تكون رائدة محتملة في ابتكار الذكاء الاصطناعي في مجال Web3.
حالة دمج الذكاء الاصطناعي والبلوكتشين
لقد جذبت تقاطع الذكاء الاصطناعي والبلوكتشين اهتمام الصناعة لفترة طويلة. لا تزال أنظمة الذكاء الاصطناعي المركزية تواجه تحديات مثل الشفافية والموثوقية وقابلية التنبؤ بالتكاليف، وغالبًا ما تعتبر هذه المجالات حلولاً محتملة للبلوكتشين.
على الرغم من أن سوق وكلاء الذكاء الاصطناعي شهد انفجارًا في نهاية عام 2024، إلا أن معظم المشاريع حققت فقط تكاملًا سطحيًا بين تقنيتين. تعتمد العديد من المبادرات على اهتمام المضاربة بالعملات المشفرة للحصول على التمويل والتعرض، بدلاً من استكشاف التوافق العميق من الناحية التكنولوجية أو الوظيفية مع Web3. وبالتالي، انخفضت تقييمات العديد من المشاريع بأكثر من 90% من ذروتها.
جذور صعوبة تحقيق التعاون الجوهري بين الذكاء الاصطناعي والبلوكتشين تكمن في العديد من المشكلات الهيكلية. ومن أبرزها تعقيد معالجة البيانات على السلسلة، حيث تظل البيانات متفرقة وتتميز بتقلبات تقنية قوية. إذا كان بإمكان الوصول إلى البيانات واستخدامها أن يكون سهلاً مثل الأنظمة التقليدية، لربما كانت الصناعة قد حققت نتائج أوضح.
تُشبه هذه المعضلة نص روميو وجولييت: تقنيتان قويتان من مجالات مختلفة تفتقران إلى لغة مشتركة أو نقطة تقاطع حقيقية. من الواضح بشكل متزايد أن الصناعة بحاجة إلى بنية تحتية قادرة على سد الفجوة، بحيث تكمل مزايا الذكاء الاصطناعي والبلوكتشين وتعمل كنقطة تقاطع بين الاثنين.
يتطلب مواجهة هذا التحدي أنظمة تجمع بين الكفاءة من حيث التكلفة والأداء العالي لتتناسب مع موثوقية الأدوات المركزية الموجودة. في هذا السياق، أصبحت تقنية قواعد بيانات المتجهات التي تدعم معظم ابتكارات الذكاء الاصطناعي اليوم المحرك الأساسي.
ضرورة قواعد بيانات المتجهات
مع انتشار تطبيقات الذكاء الاصطناعي، بدأت قواعد البيانات القائمة على المتجهات في الظهور كحل للقيود التي تواجه أنظمة قواعد البيانات التقليدية. تقوم هذه القواعد بتخزين البيانات المعقدة مثل النصوص والصور والصوت من خلال تحويلها إلى تمثيلات رياضية تُعرف باسم "المتجهات". نظرًا لأنها تستند إلى استرجاع البيانات بناءً على التشابه (بدلاً من الدقة)، فإن قواعد البيانات القائمة على المتجهات تتماشى بشكل أفضل مع منطق فهم الذكاء الاصطناعي للغة والسياق.
تعمل قواعد البيانات التقليدية مثل فهرس المكتبة، حيث تعيد فقط الكتب التي تحتوي على كلمة "kitten"، بينما يمكن لقواعد البيانات المتجهة عرض محتويات ذات صلة مثل "cat" و "dog" و "wolf". ويعود ذلك إلى تخزين النظام للمعلومات في شكل متجهات عددية، مما يلتقط العلاقات بناءً على التشابه المفهومي (بدلاً من التعبيرات الدقيقة).
خذ المحادثة كمثال: عندما يُسأل "كيف تشعر اليوم؟"، إذا كانت الإجابة "السماء مشرقة بشكل خاص"، لا يزال بإمكاننا فهم مشاعره الإيجابية، على الرغم من عدم استخدام كلمات عاطفية واضحة. تعمل قاعدة بيانات المتجهات بطريقة مشابهة، مما يمكّن النظام من تفسير المعاني المحتملة بدلاً من الاعتماد على المطابقة المباشرة للكلمات. وهذا يُحاكي نمط الإدراك البشري، مما يُحقق تفاعلات أكثر طبيعية وذكاءً للذكاء الاصطناعي.
في Web2، تم الاعتراف على نطاق واسع بقيمة قواعد بيانات المتجهات. حصلت عدة منصات على استثمارات ضخمة. بالمقارنة، لا يزال Web3 يواجه صعوبة في تطوير حلول قابلة للمقارنة، مما يجعل دمج الذكاء الاصطناعي مع البلوكتشين يتوقف أكثر عند المستوى النظري.
رؤية قاعدة بيانات المتجهات على البلوكتشين
ظهرت بعض سلاسل الكتل العلائقية من الطبقة 1 المبنية على PostgreSQL بفضل قدرتها على معالجة البيانات الهيكلية وبيئة صديقة للمطورين. بالاعتماد على قاعدة بياناتها العلائقية، بدأت هذه المنصة في استكشاف التكامل العميق بين تقنيات البلوكتشين والذكاء الاصطناعي.
المعالم الأخيرة هي إطلاق موسع، يدمج PgVector (أداة بحث عن تشابه المتجهات مفتوحة المصدر المستخدمة على نطاق واسع في قاعدة بيانات PostgreSQL). يدعم PgVector استعلامات فعالة للنصوص أو الصور المتشابهة، مما يوفر فائدة واضحة للتطبيقات المدفوعة بالذكاء الاصطناعي.
لقد رسخ PgVector نفسه بقوة في النظام البيئي للتكنولوجيا التقليدية. تُعتبر Supabase، التي غالبًا ما يُنظر إليها كبديل لخدمات قواعد البيانات الرئيسية، تدعم البحث عن المتجهات عالية الأداء باستخدام PgVector. تعكس شعبيته المتزايدة على منصة PostgreSQL الثقة الواسعة في هذه الأداة من قبل الصناعة.
من خلال دمج PgVector، ستقدم هذه المنصة قدرات البحث عن المتجهات إلى Web3، مما يجعل بنيتها التحتية متوافقة مع المعايير المثبتة في تقنية التقليدية. سيكون لهذا الدمج دور رئيسي في ترقية الشبكة الرئيسية في مارس 2025، ويعتبر خطوة أساسية نحو التشغيل المتداخل السلس بين AI والبلوكتشين.
بيئة متكاملة: الدمج التام بين البلوكتشين و الذكاء الاصطناعي
التحدي الأكبر الذي يواجهه المطورون عند محاولة دمج البلوكتشين مع الذكاء الاصطناعي هو التعقيد. يتطلب إنشاء تطبيقات الذكاء الاصطناعي على البلوكتشين الحالي ربط عمليات معقدة متعددة من الأنظمة الخارجية. على سبيل المثال، يحتاج المطورون إلى تخزين البيانات على السلسلة، وتشغيل نماذج الذكاء الاصطناعي على خوادم خارجية، وبناء قاعدة بيانات متجهات مستقلة.
هذا الهيكل المجزأ يؤدي إلى تشغيل غير فعال. يتم معالجة استفسارات المستخدمين خارج البلوكتشين، ويجب أن تنتقل البيانات باستمرار بين البيئات على البلوكتشين وخارجها. وهذا لا يزيد فقط من الوقت اللازم للتطوير وتكاليف البنية التحتية، بل يؤدي أيضًا إلى ثغرات أمنية خطيرة، حيث تزيد نقل البيانات بين الأنظمة من خطر الهجمات الإلكترونية وتقلل من الشفافية العامة.
توفر هذه المنصة حلاً جذريًا من خلال دمج قاعدة بيانات المتجهات مباشرةً في البلوكتشين. على هذه المنصة، يتم تنفيذ جميع المعالجات داخل السلسلة: يتم تحويل استفسارات المستخدمين إلى متجهات، والبحث عن بيانات مشابهة مباشرةً داخل السلسلة وإرجاع النتائج، مما يحقق معالجة شاملة في بيئة واحدة.
لتوضيح الأمر بمقارنة بسيطة: كان على المطورين إدارة المكونات بشكل منفصل، مثلما يحتاج الطهي إلى شراء قدر، ومقلاة، وخلاط، وفرن. يقوم هذا المنصة بتبسيط العملية من خلال توفير جهاز طهي متعدد الوظائف، حيث يتم دمج جميع الميزات في نظام واحد.
تسهل هذه الطريقة المتكاملة بشكل كبير عملية التطوير. لا حاجة إلى خدمات خارجية أو أكواد اتصال معقدة، مما يقلل من وقت وكلفة التطوير. بالإضافة إلى ذلك، يتم تسجيل جميع البيانات والمعالجة على البلوكتشين، مما يضمن الشفافية التامة. هذه علامة على بداية دمج البلوكتشين مع الذكاء الاصطناعي بشكل كامل.
كفاءة التكلفة: مقارنةً بالتنافسية السعرية الممتازة للخدمات الحالية
يوجد اعتقاد شائع أن خدمات "البلوكتشين" "غير مريحة ومكلفة". خاصة في نماذج البلوكتشين التقليدية، حيث تبرز العيوب الهيكلية بشكل كبير نتيجة تكاليف الوقود لكل معاملة وزيادة تكاليف الاكتظاظ على الشبكة. أصبحت عدم قابلية التنبؤ بالتكاليف العقبة الرئيسية أمام اعتماد الشركات على حلول البلوكتشين.
يعمل هذا النظام على حل نقاط الألم من خلال هيكل فعال ونموذج تجاري متميز. على عكس نموذج رسوم الوقود التقليدي في البلوكتشين، يقدم النظام نظام تأجير وحدات حساب الخادم (SCU)، مشابهًا لهياكل التسعير في بعض خدمات السحاب. تتوافق هذه الطريقة في التجسيد مع التسعير المعروف في خدمات السحاب، مما يلغي تقلبات التكلفة الشائعة في شبكة البلوكتشين.
على وجه التحديد، يمكن للمستخدمين استئجار SCU أسبوعيًا باستخدام الرموز الأصلية. يوفر كل SCU سعة تخزين أساسية تبلغ 16 جيجابايت، وتكاليفه تتوسع خطيًا مع الاستخدام. يمكن تعديل SCU بشكل مرن وفقًا للاحتياجات، مما يحقق تخصيصًا فعالًا ومرنًا للموارد. تعزز هذه النموذج الشفافية والكفاءة في التكاليف بشكل كبير من خلال دمج تسعير الاستخدام القابل للتنبؤ لخدمات Web2 مع الحفاظ على لامركزية الشبكة.
تعزز قاعدة بيانات المتجهات على المنصة ميزة التكلفة بشكل أكبر. وفقًا للاختبارات المعيارية الداخلية، فإن تكلفة تشغيل هذه القاعدة البيانات الشهرية تبلغ 727 دولارًا (استنادًا إلى 2 SCU و50GB من التخزين)، والتي تقل بنسبة 57% عن حلول قواعد بيانات المتجهات في Web2 المماثلة.
تستند هذه القدرة التنافسية السعرية إلى كفاءة هيكلية متعددة. تستفيد المنصة من تحسين التكنولوجيا المتعلق بتكييف PgVector مع البيئة على البلوكتشين، لكن التأثير الأكبر يأتي من نموذج توفير الموارد اللامركزي الخاص بها. تضيف الخدمات التقليدية علاوة خدمة عالية على البنية التحتية، بينما تقدم هذه المنصة القدرة الحاسوبية والتخزين مباشرة من خلال مشغلي العقد، مما يقلل من الطبقات الوسيطة والتكاليف ذات الصلة.
تساهم البنية الموزعة أيضًا في تعزيز موثوقية الخدمة. إن التشغيل المتوازي للعديد من العقد يجعل الشبكة تتمتع بتوافر عالٍ بشكل طبيعي، حتى في حالة تعطل بعض العقد. وبالتالي، فإن الحاجة إلى بنية تحتية عالية التوافر باهظة الثمن وفرق دعم كبيرة، كما هو معتاد في نموذج SaaS للويب 2، تقل بشكل ملحوظ، مما يقلل من تكاليف التشغيل ويعزز مرونة النظام.
بداية دمج البلوكتشين والذكاء الاصطناعي
على الرغم من إطلاقه منذ شهر واحد فقط، إلا أن قاعدة بيانات المتجهات الخاصة بالمنصة قد أظهرت جاذبية مبكرة، حيث يتم تطوير العديد من حالات الاستخدام المبتكرة. لتسريع الاعتماد، تدعم المنصة البناءين بنشاط من خلال تمويل تكاليف استخدام قاعدة بيانات المتجهات.
تخفض هذه التمويلات من عتبة التجربة، مما يسمح للمطورين باستكشاف أفكار جديدة بمخاطر أقل. تشمل التطبيقات المحتملة خدمات DeFi المتكاملة مع الذكاء الاصطناعي، ونظم توصية المحتوى الشفافة، ومنصات مشاركة البيانات المملوكة للمستخدمين، وأدوات إدارة المعرفة المدفوعة من المجتمع.
افترض أن الحالة هي "محور أبحاث AI Web3" الذي تم تطويره. يستخدم هذا النظام بنية المنصة لتحويل محتوى البحث وبيانات مشاريع Web3 على السلسلة إلى تضمينات متجهية، لتقديم خدمات ذكية من قبل وكلاء AI.
يمكن لوكلاء الذكاء الاصطناعي هؤلاء الاستعلام عن البيانات على السلسلة مباشرة من قاعدة بيانات المتجهات عبر هذه المنصة، مما يحقق تسريعًا ملحوظًا في الاستجابة. بالاقتران مع قدرة فهرسة EVM، يمكن للنظام تحليل الأنشطة على السلسلة مثل إيثيريوم وBNB Chain وBase، ودعم مشاريع واسعة النطاق. من الجدير بالذكر أن سياق محادثة المستخدم يتم تخزينه على السلسلة، مما يوفر تدفق توصيات شفاف تمامًا للمستثمرين وغيرها من المستخدمين النهائيين.
مع زيادة حالات الاستخدام المتنوعة، يتم إنتاج المزيد من البيانات باستمرار وتخزينها على هذه المنصة، مما يضع الأساس لـ "دوامة الذكاء الاصطناعي". يتم تخزين النصوص والصور وبيانات المعاملات المستمدة من تطبيقات البلوكتشين في قاعدة البيانات على شكل متجهات هيكلية، مما يشكل مجموعة بيانات غنية قابلة للتدريب بواسطة الذكاء الاصطناعي.
تشكل هذه البيانات المتراكمة المواد الأساسية لتعلم الذكاء الاصطناعي، مما يحفز تحسين الأداء بشكل مستمر. على سبيل المثال، يمكن للذكاء الاصطناعي الذي يتعلم من أنماط تداول المستخدمين الضخمة تقديم نصائح مالية مخصصة بدقة أكبر. تجذب هذه التطبيقات المتقدمة للذكاء الاصطناعي المزيد من المستخدمين من خلال تعزيز تجربة المستخدم، مما يؤدي إلى زيادة عدد المستخدمين وبالتالي توليد المزيد من البيانات المتراكمة، مما يشكل حلقة مغلقة من التنمية المستدامة للنظام البيئي.
خارطة الطريق المستقبلية
بعد إطلاق الشبكة الرئيسية، ستتركز المنصة على ثلاثة مجالات:
تعزيز فهرسة EVM لسلاسل رئيسية مثل BSC وإيثيريوم وBase؛
توسيع قدرات استنتاج الذكاء الاصطناعي لدعم نماذج وحالات استخدام أوسع؛
توسيع نظام مطوري البرمجيات من خلال أدوات وبنى تحتية أكثر سهولة.
ابتكار فهرس EVM
لطالما كانت التعقيدات الكامنة في البلوكتشين العقبة الرئيسية أمام المطورين. ولذا، أطلق هذا المنصة حل فهرسة مبتكر يركز على المطورين، يهدف إلى تبسيط استعلامات البيانات على السلسلة بشكل جذري. الهدف واضح: من خلال تحسين كفاءة ومرونة الاستعلام بشكل كبير، لجعل بيانات البلوكتشين أكثر سهولة في الوصول.
تمثل هذه الطريقة تحولًا كبيرًا في أسلوب تتبع معاملات NFT على الإيثيريوم. يتعلم النظام الأساسي ديناميكيًا أنماط البيانات وهيكلها، مما يحل محل هيكل الاستعلامات المحددة مسبقًا، وبالتالي التعرف على أكثر مسارات استرجاع المعلومات فعالية. يمكن لمطوري الألعاب تحليل تاريخ معاملات العناصر على السلسلة على الفور، بينما يمكن لمشاريع DeFi تتبع تدفقات المعاملات المعقدة بسرعة.
توسيع قدرات الذكاء الاصطناعي
أدى التقدم المذكور في فهرسة البيانات إلى وضع أساس لتوسيع قدرات الاستنتاج للذكاء الاصطناعي على هذه المنصة. وقد تم إطلاق أول توسيع لاستنتاج الذكاء الاصطناعي بنجاح على شبكة الاختبار، مع التركيز على دعم نماذج الذكاء الاصطناعي مفتوحة المصدر. من الجدير بالذكر أن إدخال عميل Python قد خفض بشكل كبير من صعوبة دمج نماذج التعلم الآلي في هذا البيئة.
هذا التطور يتجاوز تحسين التكنولوجيا، ويعكس التوافق الاستراتيجي مع الابتكارات السريعة لنماذج الذكاء الاصطناعي. من خلال دعم التشغيل المباشر لنماذج الذكاء الاصطناعي القوية والمتنوعة على نقاط الموردين، تهدف هذه المنصة إلى تجاوز حدود التعلم والتفكير الذكي الموزع.
استراتيجية توسيع النظام البيئي للمطورين
تعمل هذه المنصة بنشاط على تأسيس شراكات، لإطلاق العنان لكامل إمكانيات تقنية قاعدة البيانات المتجهة، مع التركيز على تطوير التطبيقات المدفوعة بالذكاء الاصطناعي. تهدف هذه الجهود إلى تعزيز فائدة الشبكة والطلب.
تستهدف الشركة مجالات التأثير العالية مثل وكالات أبحاث الذكاء الاصطناعي، ونظم التوصية اللامركزية، والبحث النصي القائم على السياق، والبحث عن التشابه الدلالي. تتجاوز هذه الخطة الدعم الفني، حيث تُنشئ منصة يمكن للمطورين من خلالها بناء تطبيقات ذات قيمة حقيقية للمستخدمين. كانت الفهارس البيانات المعززة السابقة وAI推