نیاز بلاکچین به کاربردهای مؤثر برای عوامل هوش مصنوعی
هوش مصنوعی به طور پیوسته در حال تبدیل شدن به بخشی جداییناپذیر از فرآیندهای کسبوکار است. بلاکچینها نیز به ویژه از عوامل هوش مصنوعی که میتوانند انواع وظایف را به صورت زنجیرهای خودکار کنند، بهره زیادی میبرند. با این حال، ادغام آنها نیاز به بهبود دارد تا به کاربردهای مؤثرتری منجر شود.
Cointelegraph Accelerator اخیراً در یک جلسه X Spaces، سرمایهگذاران خطرپذیر را گرد هم آورد تا به بررسی این موضوع بپردازند. زویی ژانگ، یکی از بنیانگذاران Stealth Project؛ فیونا ما، رهبر سرمایهگذاری و تحقیقات در DWF Ventures و سامیز بیان، سرمایهگذار در Draper Dragon، درباره تقاطع عوامل هوش مصنوعی و کریپتو، چگونگی بهبود توسعه هوش مصنوعی توسط بلاکچین و تغییرات بالقوه در صنعت بحث کردند.
نیاز به عوامل هوش مصنوعی پیشرفته
ما گفت: «ما به عوامل هوش مصنوعی پیشرفتهتری در بازار نیاز داریم. ما به عوامل هوش مصنوعی نیاز داریم که بتوانند تصمیمات پیچیده بگیرند و با پلتفرمهای مختلف تعامل داشته باشند. در حال حاضر، بازار بیشتر از عوامل ابتدایی و متوسط پر شده است.»
ما اعتراف کرد که سرمایهگذاران اغلب هوش مصنوعی را به عنوان یک کلمه پر زرق و برق میبینند، به ویژه زمانی که بنیانگذاران نتوانند به وضوح توضیح دهند که چرا هوش مصنوعی برای پروژههایشان ضروری است. او گفت: «وقتی تعداد زیادی ارائه مشابه درباره هوش مصنوعی بدون یک کاربرد واضح میبینید، احساس میکنید که این فقط یک برندینگ است.» او همچنین تأکید کرد که عوامل هوش مصنوعی میتوانند کاربردهای خاصی را نشان دهند.
پتانسیل عوامل هوش مصنوعی در DeFi
ژانگ خاطرنشان کرد: «بسیاری از عوامل هوش مصنوعی میتوانند راهی عالی برای کسب درآمد از محتوای تولید شده توسط کاربر (UGC) باشند. بسیاری از این پروژهها واقعاً توسط جامعه هدایت میشوند. به عنوان مثال، چارچوبهایی مانند Griffin AI یا OpenAI Swarm، جریانهای کاری را کارآمدتر میکنند و به طور معناداری با مردم تعامل دارند.»
بیان افزود: «DeFi و هوش مصنوعی یک جفت قوی هستند و این فقط به اجرای معاملات محدود نمیشود؛ بلکه به استفاده از هوش مصنوعی برای نظارت بر موقعیتها، اجرای دستورات سریع و اقدام زمانی که شما از صفحه نمایش دور هستید، مربوط میشود.»
ما به چند پروژه DeFAI اشاره کرد که DWF Labs در حال کار بر روی آنها است. او گفت: «HeyAnon هوش مصنوعی مکالمهای را با تجمیع دادههای بلادرنگ ترکیب میکند. این پروژه به کاربران کمک میکند تا عملیات DeFi مانند پلزدن، مبادله، سهامگذاری و وامگیری را مدیریت کنند و با استخراج بینش از پلتفرمهایی مانند توییتر، تلگرام، دیسکورد و گیتهاب، روندها را تحلیل کنند.»
او افزود: «پروژه دیگری که ما به دقت آن را زیر نظر داریم، AI16Z است که مدلهای مدیریت صندوقهای سنتی را بازتعریف میکند. عامل هوش مصنوعی آنها مانند یک مدیر صندوق پوشش مجازی عمل میکند - او فقط از قوانین از پیش تعیین شده پیروی نمیکند، بلکه احساسات بازار، دادههای زنجیرهای و شرایط روند را تحلیل میکند تا تصمیمگیری کند.»
هماهنگی و همکاری عوامل هوش مصنوعی
همانطور که سخنرانان اشاره کردند، توجه فزایندهای به نحوه همکاری عوامل هوش مصنوعی، به ویژه از طریق جریانهای کاری عاملمحور و لایههای هماهنگی وجود دارد. این تنظیمات تعیین میکنند که آیا عوامل به صورت متوالی یا موازی عمل میکنند و چگونه دادهها و حافظه را برای دستیابی به نتایج به اشتراک میگذارند.
ژانگ گفت: «فکر کردن به هماهنگی عوامل جذاب است. در آینده، مردم معتقدند که بیش از ۹۰٪ از عملکردهای یک شرکت میتواند توسط عوامل خودمختار انجام شود - مدیریت، توسعه کسبوکار، بازاریابی، حسابداری - همه به صورت خودکار.»
ژانگ گفت: «لایههای هماهنگی که به عوامل اجازه میدهند به طور مؤثر با هم کار کنند، به یک حوزه کلیدی علاقه تبدیل خواهند شد. ما به چارچوبهایی نیاز داریم که در آن عوامل متعدد بتوانند وظایف را با هم سازماندهی کنند تا یک نتیجه معنادار تولید کنند.»
او به عنوان مثال به Nethermind اشاره کرد، یک لایه ۲ که به طور کامل توسط عوامل خودمختار اداره میشود: «هر عامل به صورت زنجیرهای ثبت میشود و تراکنشها توسط اجماع بین عوامل اداره میشوند. از طریق سکوی پرتاب Nethermind، توسعهدهندگان میتوانند زنجیرههای تحت مدیریت عوامل را برای کاربردهای خاص سفارشی کنند، که امکانات زیادی را برای ساخت سیستمهای کاملاً خودمختار متناسب با بخشهای مختلف باز میکند.»
چالشهای پذیرش نهادی
از نظر پذیرش نهادی، بیان عدم قطعیتهای نظارتی و سیستمهای قدیمی ریشهدار را به عنوان موانع کلیدی ذکر کرد. او یک رویکرد ترکیبی را پیشنهاد کرد، جایی که مؤسسات همچنان به سیستمهای سنتی متکی هستند در حالی که بلاکچین را در برخی حوزهها ادغام میکنند، به عنوان یک سازش قابل پیشبینیتر.
او افزود: «آنها نیازی به ورود کامل ندارند، میتوانند با اجازه دادن به برخی بخشها برای آزمایش فناوریهای غیرمتمرکز شروع کنند و از آنجا پیشرفت کنند.»
او سپس به CARV به عنوان مثالی اشاره کرد که مؤسسات بزرگتر میتوانند از آن استفاده کنند: «آنها از دادههای بلاکچین برای مزایا و اعتبارنامهها استفاده میکنند، اما برای محاسبات به یادگیری ماشین خارج از زنجیره متکی هستند، که یک مدل پلزن عالی است.»
اهمیت آزمایش بازار قبل از راهاندازی توکن
به گفته ژانگ، هر پروژه عامل هوش مصنوعی نیازی به راهاندازی فوری با یک توکن ندارد. او تأکید کرد: «برخی از عوامل بهتر است ابتدا در بازار آزمایش شوند. دریافت بازخورد مشتری و اثبات کاربرد باید قبل از طراحی اقتصاد توکنی انجام شود. یک توکن باید اکوسیستم و حاکمیت را پس از تثبیت مدل کسبوکار بهبود بخشد.»
ما ادامه داد: «من نمیگویم که عوامل هوش مصنوعی همه درباره میمکوینها هستند، اما در ۹۹٪ مواقع، مردم آنها را اینگونه میبینند زیرا از طریق فروش جامعه راهاندازی میشوند.»
او افزود: «از دیدگاه سرمایهگذاری خطرپذیر، ما میخواهیم پروژههای هوش مصنوعی بیشتری را ببینیم که برای ارزش بلندمدت با محصولات قوی، درآمد واقعی و جریان نقدی مکرر ساخته شدهاند. ما به محصولاتی نیاز داریم که قدرت ماندگاری داشته باشند - نه فقط چیزی که در زمان عرضه توکن به اوج برسد و سپس ناپدید شود. در حال حاضر، پروژههای بسیار کمی در واقع به تقاضای پایدار دست یافتهاند.»
اهمیت سهولت استفاده و یکپارچگی
بیان این احساس را تکرار کرد و بر اهمیت سهولت استفاده برای هر دو کاربر نهایی و توسعهدهندگان تأکید کرد: «کاربران حتی نباید متوجه شوند که از بلاکچین یا وب ۳ استفاده میکنند. لحظه پیشرفت بعدی زمانی خواهد بود که شرکتهای بزرگ وب ۲ شروع به استفاده از محاسبات مبتنی بر بلاکچین کنند. این باید بدون زحمت احساس شود.»
ژانگ به روند استفاده از عوامل هوش مصنوعی - یا رباتها - برای سادهسازی جریانهای کاری و یکپارچهسازی کامل با پلتفرمهایی که کاربران از قبل استفاده میکنند، مانند رسانههای اجتماعی اشاره کرد: «عملکردهایی مانند شرطبندی اجتماعی یا اطلاعات بهداشتی میتوانند به راحتی توسط یک ربات مبتنی بر هوش مصنوعی در توییتر یا سایر پلتفرمهای رسانههای اجتماعی ارائه شوند. من فکر میکنم به زودی محصولات بسیار قدرتمندی را خواهیم دید که توسط رباتهای مبتنی بر هوش مصنوعی و عوامل هوش مصنوعی سادهشده پشتیبانی میشوند.»