۱۰ شرکت برتر هوش مصنوعی که در حال توسعه مدل‌های زبانی بزرگ برای ارزهای دیجیتال هستند
هوش مصنوعی و ارزهای دیجیتال دیگر در گوشه‌های جداگانه‌ای از صنعت فناوری در حال توسعه نیستند. با پیچیده‌تر شدن برنامه‌های کاربردی بلاکچین، توسعه‌دهندگان و کاربران به طور فزاینده‌ای به سیستم‌های هوش مصنوعی نیاز دارند که قراردادهای هوشمند، توکنومیک، فعالیت‌های درون زنجیره‌ای، امور مالی غیرمتمرکز و زبان خاص ... را درک کنند. Web3.
اینجاست که مدل‌های زبان بزرگ مختص کریپتو شروع به ایجاد تغییر می‌کنند. مدل‌های همه منظوره می‌توانند توضیح دهند که بلاکچین چیست، اما وقتی از آنها خواسته می‌شود یک تراکنش پیچیده را تفسیر کنند، ارزیابی کنند، به مشکل برمی‌خورند. DeFi پروتکل یا درک رابطه بین فعالیت کیف پول و شرایط بازار. مدل‌های متمرکز بر کریپتو در حال آموزش، تنظیم دقیق یا اتصال به مجموعه داده‌هایی هستند که درک بسیار قوی‌تری از این محیط‌ها به آنها می‌دهد.
بازار هنوز نسبتاً جوان است و هر پروژه‌ای که به عنوان «شرکت هوش مصنوعی کریپتو» توصیف می‌شود، در حال ساخت یک مدل بنیادی از ابتدا نیست. برخی در حال آموزش مدل‌های خود هستند، در حالی که برخی دیگر در حال تنظیم دقیق مدل‌های متن‌باز موجود یا ایجاد زیرساخت‌های تخصصی پیرامون LLMها هستند. با این حال، این شرکت‌ها و پلتفرم‌ها به سوق دادن صنعت به سمت سیستم‌های هوش مصنوعی که می‌توانند کاری بیش از صرفاً صحبت کردن در مورد کریپتو انجام دهند، کمک می‌کنند.
زنجیرGPT
زنجیرGPT یکی از واضح‌ترین نمونه‌های شرکتی است که هوش مصنوعی را به‌طور خاص حول نیازهای ... می‌سازد. Web3 صنعت. آن Web3 رشته هوش مصنوعی (AI LLM) حول داده‌های بلاکچین، قراردادهای هوشمند طراحی شده است. DeFi, NFTs و اقتصاد توکنی به جای تکیه صرف بر دانش گسترده موجود در مدل‌های همه منظوره.
یکی از جالب‌ترین جنبه‌های ChainGPTرویکرد این پلتفرم، ارتباط آن با اطلاعات زنده است. مستندات آن می‌گوید که این مدل می‌تواند با داده‌های درون زنجیره‌ای، اطلاعات بازار، اخبار و فیدهای اجتماعی کار کند و به توسعه‌دهندگان اجازه می‌دهد برنامه‌هایی بسازند که به زمینه‌های فعلی بیشتری نسبت به آنچه یک مدل زبانی ایستا ارائه می‌دهد، نیاز دارند.
این امر باعث می‌شود این فناوری برای همه چیز، از تحقیقات کریپتو و پشتیبانی مشتری گرفته تا کمک به معاملات و تجزیه و تحلیل قراردادهای هوشمند، مفید باشد.GPT همچنین مدل خود را از طریق APIها و SDKها در دسترس قرار داده است و موارد دیگری را نیز ارائه می‌دهد Web3 شرکت‌ها راهی برای افزودن هوش مصنوعی آگاه از رمزنگاری بدون نیاز به توسعه کل یک مدل توسط خودشان.
گرفتن .ai
Fetch.ai با تمرکز بر مدل‌های هوش مصنوعی که می‌توانند به عنوان بخشی از سیستم‌های عامل خودمختار عمل کنند، مسیر کمی متفاوتی را در پیش گرفته است. در فوریه 2025، Fetch.ai ASI-1 Mini را معرفی کرد که آن را به عنوان ... توصیف کرد. Web3مدل زبان بزرگ بومی ساخته شده برای گردش‌های کاری هوش مصنوعی عامل‌دار.
تمایز مهم این است که ASI-1 Mini صرفاً به عنوان یک چت‌بات دیگر که برای پاسخ به سوالات مربوط به ارزهای دیجیتال آموزش دیده است، قرار نگرفته است. Fetch.ai آن را حول استدلال، تصمیم‌گیری و گردش‌های کاری مستقل طراحی کرده است و حالت‌های استدلال چندگانه برای ایجاد تعادل بین سرعت و عمق در نظر گرفته شده است.
این رویکرد اهمیت دارد زیرا مرحله بعدی هوش مصنوعی رمزنگاری احتمالاً شامل عواملی خواهد بود که می‌توانند با شبکه‌های بلاکچین تعامل داشته باشند. به جای اینکه از یک هوش مصنوعی پرسیده شود کدام توکن بیشترین بازده را دارد و سپس به صورت دستی یک تراکنش را اجرا کند، کاربران در نهایت می‌توانند بخش‌هایی از آن فرآیند را به سیستم‌های خودکار واگذار کنند. مدل‌هایی مانند ASI-1 Mini با در نظر گرفتن این دیدگاه وسیع‌تر در حال توسعه هستند.
رمزارزها (Crypto): دروازه ورود شما به دنیای دارایی‌های دیجیتالGPT
رمزارزها (Crypto): دروازه ورود شما به دنیای دارایی‌های دیجیتالGPT پروژه دیگری است که تلاش کرده است زیرساخت هوش مصنوعی را به طور خاص برای بخش‌های ارز دیجیتال و بلاکچین ایجاد کند. تمرکز اعلام شده آن فراتر از یک چت‌بات هوش مصنوعی ساده است و به برنامه‌هایی مانند تولید قرارداد هوشمند، حسابرسی، کمک به معاملات و موارد دیگر گسترش می‌یابد. Web3-ابزارهای مرتبط
این پروژه همچنین برنامه‌هایی را برای زیرساخت بلاکچین متمرکز بر هوش مصنوعی از طریق AIVM خود تشریح کرده است که هدف آن پشتیبانی از اجرا، آموزش و ارائه منابع محاسباتی برای مدل‌های هوش مصنوعی به صورت درون زنجیره‌ای است.
با این حال، یک تمایز مهم در اینجا وجود دارد.GPTمستندات خود شرکت می‌گوید مدل‌های هوش مصنوعی آن متن‌باز نیستند، در حالی که قرار است دسترسی از طریق APIها و SDKها فراهم شود. این امر استراتژی آن را به یک ارائه‌دهنده زیرساخت هوش مصنوعی نزدیک‌تر می‌کند تا یک آزمایشگاه تحقیقاتی باز.
برای کاربران ارزهای دیجیتال، جذابیت این موضوع نسبتاً سرراست است. به جای اینکه یک سیستم هوش مصنوعی عمومی مجبور شود اصطلاحات بلاکچین را از ابتدا یاد بگیرد، کریپتوGPT در تلاش است تا آن دانش دامنه را در محصول بگنجاند.
BytomDAO
BytomDAO یکی از رویکردهای مستقیم‌تر را برای ایجاد یک مدل زبانی متمرکز بر رمزنگاری در پیش گرفته است.GPT این ابتکار بر اساس CryptoInstruct است، یک مجموعه داده حاوی میلیون‌ها نمونه دستورالعمل که پیرامون اطلاعات و وظایف مرتبط با ارزهای دیجیتال طراحی شده‌اند.
این پروژه می‌گوید که به خوبی تنظیم شده است Llama ۳ استفاده از مجموعه داده CryptoInstruct برای تولید CryptoGPT مدل‌ها در مقیاس‌های پارامتری مختلف. ایده پشت این رویکرد به طور خاص به صنعت کریپتو مربوط می‌شود زیرا اطلاعات بلاکچین بسیار تخصصی و دائماً در حال تغییر است.
یک مدل تخصصی به جای تلاش برای رقابت با بزرگترین مدل‌های عمومی در هر موضوع ممکن، می‌تواند قابلیت‌های خود را بر حوزه‌هایی مانند اطلاعات پروژه، مفاهیم بلاکچین و وظایف خاص کریپتو متمرکز کند.
این یکی از واضح‌ترین نمونه‌هایی است که نشان می‌دهد چرا آموزش‌های تخصصی می‌تواند در ... مهم شود. Web3یک مدل کوچک‌تر که عمیقاً کریپتو را درک می‌کند، گاهی اوقات می‌تواند برای یک کاربرد بلاکچین مفیدتر از یک مدل بسیار بزرگتر باشد که کمی در مورد همه چیز می‌داند.
شاخص هوش مصنوعی
IndexAI پروژه دیگری است که حول این ایده ساخته شده است که مدل‌های زبانی باید بتوانند مستقیماً با شبکه‌های بلاکچین تعامل داشته باشند. این پلتفرم مدل بنیادی خود را به عنوان یک LLM متن‌باز آموزش‌دیده بر اساس دانش بلاکچین توصیف می‌کند.
جاه‌طلبی این شرکت فراتر از پاسخ دادن به سوالات است. IndexAI می‌گوید فناوری آن به عوامل هوش مصنوعی اجازه می‌دهد تا اطلاعات را در چندین بلاکچین بخوانند و با قابلیت‌های مناسب، با امضای تراکنش‌ها، اجرای معاملات و انجام مبادلات، در آن شبکه‌ها بنویسند.
این تمایز قابل توجه است. فرصت واقعی در LLM های مخصوص ارزهای دیجیتال ممکن است گفتگوهای بهتر در مورد بیت کوین یا اتریوم نباشد. بلکه ممکن است توانایی تبدیل دستورالعمل‌های زبان طبیعی به اقدامات ایمن و قابل تأیید بلاکچین باشد.
یک کاربر در نهایت می‌تواند یک هدف را به زبان عادی توصیف کند در حالی که یک سیستم هوش مصنوعی تعاملات زیربنایی بلاکچین را مدیریت می‌کند. این امر به آگاهی دامنه بسیار بیشتری نسبت به یک چت‌بات معمولی نیاز دارد.
دی‌مایند
دی‌مایند (DMind) خود را به عنوان یک سازمان تحقیقاتی هوش مصنوعی عمومی متن‌باز (OPG) معرفی می‌کند که به طور خاص بر امور مالی دیجیتال متمرکز است. کار آن شامل مدل‌های زبانی بزرگ، مجموعه داده‌ها، معیارها و ابزارهایی است که با هدف امور مالی و Web3 برنامه های کاربردی.
مدل‌های DMind-3 این شرکت به طور خاص جالب توجه هستند زیرا بر اساس واقعیت‌های اجرای مالی طراحی شده‌اند. Web3دی‌مایند می‌گوید این مدل‌ها برای رسیدگی به موقعیت‌هایی در نظر گرفته شده‌اند که در آنها یک اقدام کاربر می‌تواند از چندین قرارداد هوشمند عبور کند، باعث انحلال شود یا وجوه را در معرض اجرای خصمانه قرار دهد.
این یک مشکل متفاوت از صرفاً تولید یک پاسخ منسجم است. در امور مالی غیرمتمرکز، یک سیستم هوش مصنوعی می‌تواند به طور بالقوه بر تراکنش‌های مربوط به پول واقعی تأثیر بگذارد. در نتیجه، درک محیط اجرای اطراف، خطرات و تعاملات بین قراردادها به همان اندازه تولید متن روان اهمیت پیدا می‌کند.
رویکرد متن‌باز دی‌مایند همچنین می‌تواند کار آن را برای توسعه‌دهندگانی که می‌خواهند مدل‌های هوش مصنوعی مالی تخصصی را بررسی، تطبیق و بر اساس آنها بسازند، به جای اینکه کاملاً به سیستم‌های تجاری بسته وابسته باشند، مفید کند.
آزمایشگاه‌های نکسیس
آزمایشگاه‌های Nexis در حال کار بر روی تلفیق مدل‌های زبانی بزرگ، عامل‌های خودمختار و اجرای بلاکچین از طریق پلتفرم Nex-T1 خود هستند. این شرکت Nex-T1 را به عنوان یک سیستم هوش مصنوعی در سطح سازمانی توصیف می‌کند که برای اتصال LLM های پیشرفته با اجرای بلاکچین عملی طراحی شده است.
تمرکز آن به طور خاص مربوط به DeFi، جایی که سیستم‌های خودمختار نیاز به تفسیر اطلاعات بازار و سپس اقدام بالقوه دارند. Nexis Labs کار خود را پیرامون هماهنگی چند عاملی، خودمختاری توصیف می‌کند. DeFi تجارت و کنترل‌های انسانی در حلقه.
این موضوع، یک تحول مهم در بازار هوش مصنوعی ارزهای دیجیتال را برجسته می‌کند. خود مدل تنها یک قطعه از پازل است. برای اینکه یک سیستم هوش مصنوعی واقعاً در امور مالی غیرمتمرکز مفید واقع شود، به یک لایه هماهنگ‌سازی، دسترسی به اطلاعات قابل اعتماد بلاکچین و حفاظت در اطراف اجرا نیاز دارد.
بنابراین، Nexis Labs از سمت عامل به این مشکل نزدیک می‌شود، جایی که یک LLM بخشی از یک سیستم بزرگتر می‌شود که قادر به استدلال اطلاعات مالی و تعامل با زیرساخت بلاکچین است.
0G
0G در حال ساخت یک اکوسیستم هوش مصنوعی غیرمتمرکز گسترده‌تر است که شامل زیرساخت مدل خاص خود می‌شود. پلتفرم آن در حال حاضر مدل‌هایی از جمله 0GM-1.0-35B-A3B را در کنار سایر مدل‌های موجود از طریق آن فهرست می‌کند. AI پشته.
هدف بزرگتر این شرکت، نزدیک‌تر کردن محاسبات، ذخیره‌سازی و استنتاج هوش مصنوعی به زیرساخت بلاکچین است. این شرکت شبکه خود را به گونه‌ای توصیف می‌کند که از هوش مصنوعی کاملاً درون زنجیره‌ای، محاسبات قابل تأیید و استنتاج خصوصی پشتیبانی می‌کند.
این امر باعث می‌شود 0G با بحث LLM مختص ارزهای دیجیتال مرتبط باشد، حتی اگر جاه‌طلبی آن فراتر از یک مدل زبانی خاص باشد. این شرکت به طور مؤثر روی زیرساخت‌های مورد نیاز برای عملکرد مدل‌های هوش مصنوعی در برنامه‌های غیرمتمرکز کار می‌کند.
این می‌تواند به اندازه خود مدل‌ها مهم باشد. اجرای سیستم‌های پیشرفته هوش مصنوعی به منابع محاسباتی و ذخیره‌سازی عظیمی نیاز دارد، در حالی که برنامه‌های بلاکچین به شفافیت و قابلیت تأیید نیاز دارند. کنار هم قرار دادن این دو الزام یکی از بزرگترین چالش‌های فنی این صنعت است.
تحقیق نوس
شرکت Nous Research تا حدودی با سایر نام‌های موجود در این لیست متفاوت است، زیرا مدل‌های زبانی آن منحصراً برای ارزهای دیجیتال طراحی نشده‌اند. اهمیت آن از کار این شرکت بر روی هوش مصنوعی متن‌باز و آموزش مدل غیرمتمرکز ناشی می‌شود.
این آزمایشگاه مدل‌های زبانی با وزن باز، از جمله خانواده Hermes خود را توسعه می‌دهد، ضمن اینکه روی زیرساخت‌های آموزش توزیع‌شده نیز کار می‌کند. تحقیقات آن در زمینه هوش مصنوعی غیرمتمرکز شامل استفاده از هماهنگی مبتنی بر بلاکچین و محاسبات توزیع‌شده بوده است.
بنابراین، ارتباط با کریپتو کمتر در مورد ایجاد یک «چت‌بات بیت‌کوین» و بیشتر در مورد تغییر نحوه آموزش و عملکرد مدل‌های زبانی قدرتمند است. این تمایز به طور فزاینده‌ای اهمیت می‌یابد، زیرا پروژه‌های کریپتو جایگزین‌های غیرمتمرکزی را برای زیرساخت هوش مصنوعی متمرکز که تحت سلطه گروه نسبتاً کوچکی از شرکت‌های فناوری است، بررسی می‌کنند.
کار Nous Research نشان می‌دهد که هوش مصنوعی مختص ارزهای دیجیتال لزوماً به معنای مدلی نیست که منحصراً بر اساس داده‌های ارزهای دیجیتال آموزش دیده باشد. همچنین می‌تواند به معنای ساخت مدل‌ها و زیرساخت‌هایی باشد که به طور طبیعی در اکوسیستم‌های غیرمتمرکز جای می‌گیرند.
گالادریل
گالادریل از زاویه دیگری به رابطه بین LLMها و بلاکچین می‌پردازد: قابل تأیید کردن استنتاج هوش مصنوعی.
پروژه Sentience آن به توسعه‌دهندگان اجازه می‌دهد تا عوامل هوش مصنوعی مستقلی ایجاد کنند که استنتاج‌های LLM آنها از طریق اثبات‌های رمزنگاری قابل تأیید باشد. این سیستم از محیط‌های اجرایی قابل اعتماد برای پردازش درخواست‌های LLM استفاده می‌کند و گواهی‌ها را در Solana ارسال می‌کند و به برنامه‌ها اجازه می‌دهد تا تأیید کنند که یک استنتاج همانطور که ادعا شده است، اجرا شده است.
اگرچه گالادریل صرفاً در حال ساخت یک چت‌بات اختصاصی برای ارزهای دیجیتال نیست، اما کار آن به یک مشکل بزرگ برای هوش مصنوعی مبتنی بر بلاکچین می‌پردازد. اگر یک عامل هوش مصنوعی تصمیماتی می‌گیرد که می‌تواند پول را جابجا کند یا تراکنش‌ها را انجام دهد، کاربران به چیزی بیش از تأیید یک مدل مبنی بر انجام صحیح این فرآیند نیاز دارند.
هوش مصنوعی قابل تأیید در نهایت می‌تواند به بخش مهمی از مدل‌های زبان بومی رمزنگاری تبدیل شود، به خصوص با توجه به اینکه عوامل خودمختار کنترل بیشتری بر کیف پول‌ها و تراکنش‌های مالی به دست می‌آورند.
مسابقه بزرگتر چیزی فراتر از چت‌بات‌ها است
ظهور LLM های اختصاصی کریپتو، به تغییر گسترده‌تری در صنعت هوش مصنوعی اشاره دارد. مدل‌های همه منظوره در حال حاضر به طور قابل توجهی در توضیح مفاهیم بلاکچین، نوشتن کد قرارداد هوشمند و خلاصه کردن اخبار کریپتو توانمند شده‌اند. چالش بعدی این است که هوش مصنوعی محیط بلاکچین را به اندازه کافی عمیق درک کند تا بتواند با خیال راحت در آن عمل کند.
این به معنای دسترسی به اطلاعات درون زنجیره‌ای در لحظه، درک تعاملات قراردادهای هوشمند، تشخیص ریسک‌های مالی و دانستن اینکه چه زمانی یک اقدام می‌تواند عواقب جبران‌ناپذیری داشته باشد، است.
شرکت‌هایی که در این حوزه فعالیت می‌کنند، از جهات مختلفی به این مشکل می‌پردازند. برخی در حال آموزش مدل‌ها بر روی مجموعه داده‌های خاص ارزهای دیجیتال هستند. برخی دیگر در حال ساخت... Web3- LLM های بومی، شبکه‌های آموزشی غیرمتمرکز، عوامل مستقل یا سیستم‌های تأیید که فعالیت هوش مصنوعی را شفاف‌تر می‌کنند.
بازار هنوز در مراحل اولیه است و احتمالاً چندین پروژه ناپدید می‌شوند در حالی که برخی دیگر به شرکت‌های زیرساخت هوش مصنوعی بسیار بزرگتری تبدیل می‌شوند. اما مسیر در حال روشن‌تر شدن است. کریپتو لزوماً به یک چت‌بات دیگر که بتواند بیت کوین را توضیح دهد نیاز ندارد. چیزی که نیاز دارد سیستم‌های هوش مصنوعی هستند که درک کنند بازارهای غیرمتمرکز چگونه کار می‌کنند.
اگر چنین اتفاقی بیفتد، مهم‌ترین مدل‌های هوش مصنوعی کریپتو ممکن است در نهایت همان‌هایی باشند که کاربران به ندرت متوجه آنها می‌شوند. آنها پشت کیف پول‌ها، صرافی‌ها، DeFi برنامه‌ها و عامل‌های خودمختار، داده‌های بلاک چین را به آرامی تفسیر می‌کنند و به تبدیل دستورالعمل‌های زبان طبیعی به اقدامات درون زنجیره‌ای کمک می‌کنند.
رفع مسئولیت
در خط با دستورالعمل های پروژه اعتماد، لطفاً توجه داشته باشید که اطلاعات ارائه شده در این صفحه به عنوان مشاوره حقوقی، مالیاتی، سرمایه گذاری، مالی یا هر شکل دیگری در نظر گرفته نشده است و نباید تفسیر شود. مهم است که فقط در موردی سرمایه گذاری کنید که توانایی از دست دادن آن را دارید و در صورت شک و تردید به دنبال مشاوره مالی مستقل باشید. برای کسب اطلاعات بیشتر، پیشنهاد می کنیم به شرایط و ضوابط و همچنین صفحات راهنمایی و پشتیبانی ارائه شده توسط صادرکننده یا تبلیغ کننده مراجعه کنید. MetaversePost متعهد به گزارش دقیق و بی طرفانه است، اما شرایط بازار بدون اطلاع قبلی ممکن است تغییر کند.
درباره نویسنده
آلیسا، یک روزنامه نگار اختصاصی در MPost، متخصص در ارزهای دیجیتال، هوش مصنوعی، سرمایه‌گذاری و حوزه گسترده... Web3. او با نگاهی دقیق به روندها و فناوری‌های نوظهور، پوشش جامعی را برای اطلاع‌رسانی و مشارکت خوانندگان در چشم‌انداز همیشه در حال تحول مالی دیجیتال ارائه می‌کند.
مقالات بیشتر
آلیسا، یک روزنامه نگار اختصاصی در MPost، متخصص در ارزهای دیجیتال، هوش مصنوعی، سرمایه‌گذاری و حوزه گسترده... Web3. او با نگاهی دقیق به روندها و فناوری‌های نوظهور، پوشش جامعی را برای اطلاع‌رسانی و مشارکت خوانندگان در چشم‌انداز همیشه در حال تحول مالی دیجیتال ارائه می‌کند.
