وانا أتابع مشاريع البنية التحتية اللامركزية على Sui لفترة من الوقت الآن، و@Walrus 🦭/acc لفت انتباهي عندما بدأت أبحث في كيفية عمل الذكاء الاصطناعي فعليًا في بيئة سلسلية حقًا. ما جذبني لم يكن الإعلانات اللامعة، ولكن المشكلة العملية التي تستهدفها: التعامل مع بيانات كبيرة وغير منظمة مثل مجموعات البيانات الضخمة أو أوزان النماذج دون التنازلات المعتادة في التكلفة، أو التوفر، أو القابلية للتحقق التي تعاني منها معظم سلاسل الكتل. بعد شهور من قراءة مستنداتهم، ومتابعة التكاملات، ومراقبة تحديثات النظام البيئي، أصبح من الواضح لي أن Walrus تضع نفسها كطبقة تخزين أساسية مصممة خصيصًا لتطبيقات Web3 الأصلية للذكاء الاصطناعي.
لقد لاحظت على الفور كيف يستفيد Walrus من بنية Sui. تم بناؤه بواسطة Mysten Labs، يستخدم Sui للتنسيق، والبيانات الوصفية، والمدفوعات، بينما تعيش البيانات الفعلية في شبكة لامركزية من عقد التخزين. هذا الفصل منطقي للقياس حيث يتعامل Sui مع المنطق القابل للبرمجة بكفاءة، ويدير Walrus الحمل الثقيل للكتل (الأشياء الكبيرة الثنائية). ما برز لي هو نهج ترميز الإزالة: بدلاً من النسخ الكامل عبر العديد من العقد، يتم تجزئة البيانات وترميزها مع تكرار، مما يحقق حوالي 4x-5x من النسخ الفعالة. هذا يبقي التكاليف منخفضة بشكل كبير مقارنة بالبروتوكولات التي تكرر كل شيء، بينما لا تزال تقدم تحمل قوي للأخطاء ضد فشل العقد أو السلوك الخبيث. بالنسبة لحالات استخدام الذكاء الاصطناعي، حيث تصل الملفات بشكل روتيني إلى جيغابايت أو تيرابايت، فإن هذه الكفاءة تهم كثيرًا.
أدركت أن الملاءمة الحقيقية للذكاء الاصطناعي تأتي من كيفية ضمان Walrus توفر البيانات وأصالتها. في تطبيقات الذكاء الاصطناعي Web3، تعتقد الوكالات المستقلة، والتدريب اللامركزي، أو بيانات الاستدلال القابلة للتحقق لا يمكن أن تبقى فقط في مكان ما خارج السلسلة مع تضرع الأيدي. يقوم Walrus بتثبيت الأدلة على Sui، لذا يمكن للعقود الذكية الاستعلام إذا كانت كتلة البيانات حية، ومدة ضمانها، وما إذا كانت قد تم العبث بها. يمكن للمطورين تخزين مجموعات بيانات نظيفة وموثوقة أو أوزان نماذج بأصول قابلة للتتبع، مما يساعد على منع مشكلات مثل تسمم البيانات. بدأت أفكر بطريقة مختلفة حول هذا عندما رأيت الإشارات إلى الشركاء مثل Talus، حيث تستخدم وكلاء الذكاء الاصطناعي Walrus لتخزين واسترجاع ومعالجة البيانات على السلسلة بسلاسة. الأمر لا يتعلق بتخزين كل شيء على السلسلة بمعنى حرفي، ولكن بجعل البيانات الكبيرة قابلة للبرمجة والتحقق من صحتها من خلال نموذج كائنات Sui.
شيء آخر أصبح واضحًا هو الدعم لنماذج الذكاء الاصطناعي الناشئة في Web3. مشاريع مثل Hyvve تبني أسواق بيانات لامركزية على Sui، وتنسق مجموعات البيانات عبر تدفقات العمل متعددة الوكلاء وتخزينها على Walrus للشراء والاستخدام في التدريب. يقوم OpenGraph بنشر نماذج الذكاء الاصطناعي على السلسلة، باستخدام Walrus لتخزين فعال من حيث التكلفة للأوزان وبيانات التدريب لتمكين الاستدلال دون نقاط اختناق مركزية. حتى Chainbase تدمج ذلك لمجموعات بيانات سلسلة الكتل الضخمة التي تتغذى إلى أنابيب الذكاء الاصطناعي. هذه ليست افتراضية؛ إنها أمثلة حية تُظهر كيف يحول Walrus التخزين إلى أساس موثوق بدلاً من كونه عنق زجاجة.
من مشاهداتي، فإن $WAL token يربط هذا معًا عمليًا. يتعامل مع المدفوعات المقدمة للتخزين لفترة محددة، مع توزيع الأموال على مر الزمن على العقد، مما يخلق حوافز مستقرة. هذه القابلية للتنبؤ هي المفتاح لمطوري الذكاء الاصطناعي الذين يخططون لأحمال عمل طويلة الأجل دون مفاجآت في ارتفاع أسعار الغاز تعطل عملية التدريب. يركز البروتوكول على كتل البيانات منخفضة التكلفة وعالية التوفر، مما يجعل من الممكن بناء أشياء مثل اقتصادات البيانات المفتوحة أو مخرجات الذكاء الاصطناعي الموثوقة، حيث تهم الأصالة والوصول بقدر أهمية الحساب نفسه.
لذا، فإن Walrus لا تحاول أن تكون كل شيء للجميع؛ إنها تعمل على تحسين التخزين اللامركزي للواقع المعتمد على البيانات في الذكاء الاصطناعي في Web3. من خلال التكاملات مع المشاريع التي تتناول الوكلاء اللامركزية، والأسواق، والحوسبة القابلة للتحقق، تظهر كقطعة أساسية موثوقة بما يكفي لبناة حقيقيين، وفعالة بما يكفي للتوسع. إذا كنت تستكشف حيث يتقاطع الذكاء الاصطناعي وWeb3 حقًا، فإن تصميم هذه البروتوكول يجعل قضية مثيرة للجدل في العالم الحقيقي.💜
#WarshFedPolicyOutlook #JPMorganSaysBTCOverGold #EthereumLayer2Rethink? #BitcoinDropMarketImpact
