Звіт про панораму Web3-AI: технічна логіка, сценарні застосування та глибокий аналіз провідних проектів

З огляду на постійне зростання популярності AI-оповіді, все більше уваги зосереджується на цій галузі. Проведено глибокий аналіз технологічної логіки, застосункових сцен та представницьких проектів у секторі Web3-AI, щоб повноцінно представити панораму та тенденції розвитку цієї сфери.

Один. Web3-AI: технічна логіка та аналіз нових ринкових можливостей

1.1 Логіка інтеграції Web3 та AI: як визначити напрямок Web-AI

Протягом минулого року AI наратив в індустрії Web3 був надзвичайно популярним, проекти AI з'являлися, як гриби після дощу. Хоча багато проектів пов'язані з технологією AI, деякі з них використовують AI лише в певних частинах своїх продуктів, тоді як основна токеноміка не має суттєвого зв'язку з продуктами AI, тому такі проекти не входять у обговорення Web3-AI проектів у цій статті.

Основна увага в цій статті зосереджена на використанні блокчейн для вирішення проблем виробничих відносин та проектах, які використовують AI для вирішення проблем продуктивності. Ці проекти самі по собі пропонують AI продукти, одночасно базуючись на економічній моделі Web3 як інструменті виробничих відносин, що доповнюють одне одного. Ми класифікуємо такі проекти як Web3-AI сектор. Щоб читачі краще зрозуміли Web3-AI сектор, буде розглянуто процес розробки AI та виклики, а також як поєднання Web3 та AI може ідеально вирішити проблеми та створити нові сценарії використання.

1.2 Розробка ШІ: від збору даних до моделювання висновків

Технологія ШІ - це технологія, що дозволяє комп'ютерам імітувати, розширювати та посилювати людський інтелект. Вона дозволяє комп'ютерам виконувати різноманітні складні завдання, від перекладу мов, класифікації зображень до розпізнавання облич, автономного водіння та інших застосувань, ШІ змінює спосіб нашого життя та роботи.

Процес розробки моделей штучного інтелекту зазвичай включає в себе кілька ключових етапів: збір даних і попередня обробка даних, вибір і налаштування моделі, навчання моделі та інференція. Як простий приклад, розробка моделі для класифікації зображень котів і собак вимагає від вас:

1. Збір даних та попередня обробка даних: Зібрати набір даних з зображеннями котів і собак, можна використовувати відкриті набори даних або самостійно зібрати реальні дані. Потім для кожного зображення потрібно позначити категорію (кіт або собака), щоб забезпечити точність міток. Перетворити зображення в формат, який може розпізнати модель, поділити набір даних на навчальний набір, валідаційний набір та тестовий набір.

2. Вибір та налаштування моделі: вибір відповідної моделі, наприклад, згорткової нейронної мережі (CNN), яка більше підходить для завдань класифікації зображень. Налаштування параметрів або архітектури моделі відповідно до різних вимог, зазвичай, мережеві рівні моделі можуть бути налаштовані в залежності від складності завдання ШІ. У цьому простому прикладі класифікації, менш глибокі мережеві рівні можуть бути достатніми.

3. Навчання моделі: можна використовувати GPU, TPU або високопродуктивні обчислювальні кластери для навчання моделі, час навчання залежить від складності моделі та обчислювальної потужності.

4. Інференція моделі: Файл, який містить навчальну модель, зазвичай називається вагою моделі. Процес інференції стосується використання вже навченої моделі для прогнозування або класифікації нових даних. У цьому процесі можна використовувати тестовий набір або нові дані для перевірки ефективності класифікації моделі, зазвичай оцінюючи ефективність моделі за такими показниками, як точність, відгук, F1-score тощо.

Як показано на малюнку, після збору даних і попередньої обробки даних, вибору та налаштування моделі, а також навчання, отриману модель застосовують для інференції на тестовій вибірці, щоб отримати прогнозовані значення котів та собак P (ймовірність), тобто ймовірність, що модель вважає об'єкт котом або собакою.

Навчена AI модель може бути додатково інтегрована в різні програми для виконання різних завдань. У цьому прикладі модель AI для класифікації котів і собак може бути інтегрована в мобільний додаток, де користувач завантажує зображення кота або собаки, щоб отримати результати класифікації.

Однак, централізований процес розробки ШІ має деякі проблеми в наступних сценаріях:

Конфіденційність користувачів: у централізованих сценаріях процес розробки ШІ зазвичай є непрозорим. Дані користувачів можуть бути вкрадені без їх відома і використані для навчання ШІ.

Джерело даних: невеликі команди або особи, які отримують дані з конкретних областей (наприклад, медичних даних), можуть стикатися з обмеженнями щодо закритості даних.

Вибір та налаштування моделей: для маленьких команд важко отримати ресурси моделей у певній галузі або витратити великі кошти на налаштування моделей.

Отримання обчислювальної потужності: для окремих розробників і невеликих команд висока вартість покупки GPU та витрати на оренду хмарної обчислювальної потужності можуть становити значний економічний тягар.

AI активи доходу: працівники з розмітки даних часто не можуть отримати доходи, що відповідають їхнім витратам, а результати досліджень розробників AI також важко співвіднести з покупцями, які мають попит.

Виклики, які існують у централізованих AI-сценах, можуть бути подолані через інтеграцію з Web3. Web3, як новий тип виробничих відносин, природно адаптується до AI, який представляє нові виробничі сили, що, в свою чергу, сприяє одночасному прогресу технологій та виробничих можливостей.

1.3 Взаємодія Web3 та AI: зміна ролей та інноваційні застосування

Поєднання Web3 та AI може зміцнити суверенітет користувачів, надаючи їм відкриту платформу для співпраці з AI, що дозволяє користувачам перейти від ролі користувачів AI в епоху Web2 до ролі учасників, створюючи AI, яким може володіти кожен. Крім того, інтеграція світу Web3 та технологій AI може спровокувати виникнення більшої кількості інноваційних застосувань та ігор.

На основі технології Web3 розробка та застосування ШІ вступлять у нову еру кооперативної економіки. Приватність даних людей може бути забезпечена, модель краудсорсингу даних сприяє прогресу моделей ШІ, безліч відкритих ресурсів ШІ доступні для користувачів, спільні обчислювальні потужності можна отримати за нижчою вартістю. Завдяки децентралізованому механізму кооперативного краудсорсингу та відкритому ринку ШІ можна реалізувати справедливу систему розподілу доходів, що стимулює більше людей до просування технологій ШІ.

У сцені Web3 штучний інтелект може мати позитивний вплив у кількох напрямках. Наприклад, моделі штучного інтелекту можуть бути інтегровані в смарт-контракти для підвищення ефективності роботи в різних застосунках, таких як аналіз ринку, безпекове тестування, соціальна кластеризація та багато інших функцій. Генеративний штучний інтелект не лише дозволяє користувачам відчути себе "художником", наприклад, створюючи свої власні NFT за допомогою технологій штучного інтелекту, але й може створювати різноманітні ігрові сцени та цікаві інтерактивні досвіди в GameFi. Різноманітна інфраструктура забезпечує плавний досвід розробки, незалежно від того, чи є ви експертом у галузі штучного інтелекту, чи новачком, який хоче увійти в цю сферу, кожен може знайти відповідний вхід у цьому світі.

Два, аналіз екосистеми Web3-AI проектів та архітектури

Ми в основному досліджували 41 проект у секторі Web3-AI і розділили ці проекти на різні рівні. Логіка розподілу кожного рівня зображена на наступній ілюстрації, включаючи рівень інфраструктури, проміжний рівень і рівень застосування, кожен з яких ще поділений на різні секції. У наступному розділі ми проведемо глибокий аналіз деяких репрезентативних проектів.

Інфраструктурний рівень охоплює обчислювальні ресурси та технологічну архітектуру, які підтримують весь життєвий цикл AI, тоді як проміжний рівень включає управління даними, розробку моделей та послуги верифікації, які з'єднують інфраструктуру та додатки. Рівень застосувань зосереджений на різних застосуваннях і рішеннях, спрямованих безпосередньо на користувачів.

Інфраструктурний рівень:

Інфраструктурний рівень є основою життєвого циклу ШІ, у цій статті обчислювальну потужність, AI Chain та платформу для розробки класифікують як інфраструктурний рівень. Саме підтримка цієї інфраструктури дозволяє реалізувати навчання та інференцію моделей ШІ та представити користувачам потужні та практичні програми ШІ.

• Децентралізована обчислювальна мережа: може забезпечити розподілену обчислювальну потужність для навчання AI моделей, гарантуючи ефективне та економічне використання обчислювальних ресурсів. Деякі проекти пропонують децентралізований ринок обчислювальної потужності, де користувачі можуть орендувати обчислювальну потужність за низькою вартістю або ділитися обчислювальною потужністю для отримання прибутку, зокрема проекти такі як IO.NET та Hyperbolic. Крім того, деякі проекти розробили нові ігрові механіки, такі як Compute Labs, які запропонували токенізований протокол, де користувачі можуть купувати NFT, що представляють фізичні GPU, і брати участь в оренді обчислювальної потужності різними способами для отримання прибутку.

• AI Chain: Використання блокчейну як основи життєвого циклу AI для досягнення безшовної взаємодії AI-ресурсів на ланцюгу та за його межами, сприяння розвитку екосистеми галузі. Децентралізований AI-ринок на ланцюгу може торгувати AI-активами, такими як дані, моделі, агенти тощо, а також надавати AI-розробницьку платформу та супутні інструменти розробки, приклад проекту - Sahara AI. AI Chain також може сприяти прогресу AI-технологій в різних сферах, таких як Bittensor, що сприяє конкуренції підмереж різних типів AI через інноваційний механізм стимулювання.

• Розробницька платформа: деякі проекти пропонують платформи для розробки AI-агентів, а також можуть здійснювати торгівлю AI-агентами, такі як Fetch.ai та ChainML. Універсальні інструменти допомагають розробникам легше створювати, навчати та впроваджувати AI-моделі, представником яких є Nimble. Ця інфраструктура сприяє широкому застосуванню AI-технологій в екосистемі Web3.

Середній шар:

Цей рівень стосується даних AI, моделей, а також висновків і валідації, використання технології Web3 може забезпечити вищу ефективність роботи.

• Дані: Якість і кількість даних є ключовими факторами, що впливають на ефективність навчання моделей. У світі Web3, завдяки краудсорсинговим даним та кооперативній обробці даних, можна оптимізувати використання ресурсів і знизити витрати на дані. Користувачі можуть мати автономію над даними, продаючи свої дані з урахуванням захисту приватності, щоб уникнути викрадення даних недобросовісними підприємцями та отримання високих прибутків. Для замовників даних ці платформи пропонують широкий вибір та надзвичайно низькі витрати. Представлені проекти, такі як Grass, використовують пропускну здатність користувачів для збору веб-даних, а xData збирає медіаінформацію через зручні для користувача плагіни та підтримує можливість завантаження твітів.

Крім того, деякі платформи дозволяють експертам у галузі або звичайним користувачам виконувати завдання з попередньої обробки даних, такі як маркування зображень, класифікація даних, які можуть вимагати спеціальних знань для обробки даних у фінансовій та юридичній сферах. Користувачі можуть токенізувати свої навички, реалізуючи колективне краудсорсинг для попередньої обробки даних. Прикладом є ринок Шараха AI, що має різноманітні завдання з даними у різних сферах, які можуть охоплювати багатогалузеві сценарії даних; тоді як протокол AIT здійснює маркування даних за допомогою співпраці людини і машини.

• Модель: Як вже згадувалося раніше, у процесі розробки ШІ різні типи вимог потребують відповідних моделей. Для завдань з обробки зображень зазвичай використовують моделі, такі як CNN, GAN, для завдань виявлення об'єктів можна обрати серію Yolo, для текстових завдань поширеними є моделі RNN, Transformer тощо, звісно, є також деякі специфічні або універсальні великі моделі. Моделі з різною складністю завдань потребують різної глибини, іноді потрібно налаштувати модель.

Деякі проекти підтримують користувачів у наданні різних типів моделей або в колективному навчанні моделей через краудсорсинг, такі як Sentient, що завдяки модульному дизайну дозволяє користувачам зберігати надійні дані моделей на рівні зберігання та розповсюдження для оптимізації моделей. Інструменти розробки, надані Sahara AI, вбудовані з передовими алгоритмами ШІ та обчислювальними фреймворками, а також мають можливість колективного навчання.

• Висновки та верифікація: модель, після навчання, генерує файл ваг моделі, який можна використовувати для безпосередньої класифікації, прогнозування або інших специфічних завдань, цей процес називається висновком. Процес висновку зазвичай супроводжується механізмом верифікації, щоб перевірити, чи є джерело моделі правильним, чи немає зловмисних дій тощо. Висновки Web3 зазвичай можна інтегрувати в смарт-контракти, викликаючи модель для висновку, поширені способи верифікації включають технології ZKML, OPML та TEE тощо. Представлені проекти, такі як ORA на базі AI предсказувач (OAO), впровадили OPML як верифікований рівень для AI предсказувача, на офіційному сайті ORA також згадуються їхні дослідження щодо ZKML та opp/ai (ZKML у поєднанні з OPML).

Рівень застосунку:

Цей рівень в основному є безпосередньо орієнтованим на користувача додатком, який поєднує AI з Web3, створюючи більше цікавих та інноваційних ігор. У цій статті основну увагу приділено проектам у кількох секторах, таких як AIGC (AI згенерований контент), AI-агенти та аналіз даних.

• AIGC: через AIGC