Laporan Panorama Web3-AI: Analisis Mendalam Logika Teknologi, Aplikasi Skenario, dan Proyek-Proyek Teratas

Dengan meningkatnya perhatian terhadap narasi AI, semakin banyak fokus tertuju pada jalur ini. Kami melakukan analisis mendalam tentang logika teknologi, skenario aplikasi, dan proyek perwakilan di jalur Web3-AI, untuk menyajikan panorama dan tren perkembangan di bidang ini secara menyeluruh.

Satu, Web3-AI: Analisis Logika Teknologi dan Peluang Pasar Baru

1.1 Logika penggabungan Web3 dan AI: bagaimana mendefinisikan jalur Web-AI

Dalam setahun terakhir, narasi AI telah sangat populer di industri Web3, dengan proyek AI bermunculan bak jamur setelah hujan. Meskipun banyak proyek yang melibatkan teknologi AI, beberapa proyek hanya menggunakan AI di bagian tertentu dari produk mereka, sementara ekonomi token yang mendasarinya tidak memiliki hubungan substansial dengan produk AI, sehingga proyek semacam itu tidak termasuk dalam diskusi proyek Web3-AI dalam artikel ini.

Fokus artikel ini adalah pada penggunaan blockchain untuk menyelesaikan masalah hubungan produksi, dan proyek yang menggunakan AI untuk menyelesaikan masalah produktivitas, di mana proyek-proyek ini sendiri menyediakan produk AI, sekaligus berbasis pada model ekonomi Web3 sebagai alat hubungan produksi, keduanya saling melengkapi. Kami mengklasifikasikan proyek-proyek semacam ini sebagai jalur Web3-AI. Untuk membantu pembaca memahami jalur Web3-AI dengan lebih baik, kami akan menjelaskan proses pengembangan AI dan tantangannya, serta bagaimana kombinasi Web3 dan AI dapat secara sempurna menyelesaikan masalah dan menciptakan skenario aplikasi baru.

1.2 Proses dan Tantangan Pengembangan AI: Dari Pengumpulan Data hingga Inferensi Model

Teknologi AI adalah teknologi yang memungkinkan komputer untuk mensimulasikan, memperluas, dan meningkatkan kecerdasan manusia. Ini memungkinkan komputer untuk melakukan berbagai tugas kompleks, dari terjemahan bahasa, klasifikasi gambar hingga pengenalan wajah, dan aplikasi seperti mengemudi otomatis, AI sedang mengubah cara kita hidup dan bekerja.

Proses pengembangan model kecerdasan buatan biasanya terdiri dari beberapa langkah kunci berikut: pengumpulan data dan pra-pemrosesan data, pemilihan dan penyesuaian model, pelatihan model dan inferensi. Misalnya, untuk mengembangkan model yang dapat mengklasifikasikan gambar kucing dan anjing, Anda perlu:

1. Pengumpulan data dan pra-pemrosesan data: Kumpulkan dataset gambar yang berisi kucing dan anjing, Anda dapat menggunakan dataset publik atau mengumpulkan data nyata sendiri. Kemudian beri label kategori (kucing atau anjing) untuk setiap gambar, pastikan labelnya akurat. Ubah gambar menjadi format yang dapat dikenali oleh model, bagi dataset menjadi set pelatihan, set validasi, dan set pengujian.

2. Pemilihan dan Penyesuaian Model: Memilih model yang tepat, seperti Jaringan Saraf Konvolusional (CNN), yang lebih cocok untuk tugas klasifikasi gambar. Sesuaikan parameter atau arsitektur model sesuai dengan kebutuhan yang berbeda, biasanya, lapisan jaringan model dapat disesuaikan berdasarkan kompleksitas tugas AI. Dalam contoh klasifikasi sederhana ini, lapisan jaringan yang lebih dangkal mungkin sudah cukup.

3. Pelatihan model: Anda dapat menggunakan GPU, TPU, atau cluster komputasi berkinerja tinggi untuk melatih model, waktu pelatihan dipengaruhi oleh kompleksitas model dan kemampuan komputasi.

4. Inferensi model: File yang sudah dilatih model biasanya disebut sebagai bobot model, proses inferensi adalah proses menggunakan model yang sudah dilatih untuk memprediksi atau mengklasifikasikan data baru. Dalam proses ini, dapat menggunakan set uji atau data baru untuk menguji efektivitas klasifikasi model, biasanya menggunakan metrik seperti akurasi, recall, dan F1-score untuk mengevaluasi efektivitas model.

Seperti yang ditunjukkan pada gambar, setelah pengumpulan data dan pra-pemrosesan data, pemilihan dan penyesuaian model, serta pelatihan, model yang telah dilatih akan melakukan inferensi pada kumpulan pengujian dan menghasilkan nilai prediksi kucing dan anjing P (probabilitas), yaitu probabilitas yang dihasilkan model untuk mengidentifikasi apakah itu kucing atau anjing.

Model AI yang telah dilatih dapat diintegrasikan lebih lanjut ke dalam berbagai aplikasi, menjalankan tugas yang berbeda. Dalam contoh ini, model AI klasifikasi kucing dan anjing dapat diintegrasikan ke dalam aplikasi ponsel, di mana pengguna mengunggah gambar kucing atau anjing, dan kemudian mendapatkan hasil klasifikasi.

Namun, proses pengembangan AI yang terpusat memiliki beberapa masalah dalam skenario berikut:

Privasi Pengguna: Dalam skenario terpusat, proses pengembangan AI biasanya tidak transparan. Data pengguna dapat dicuri tanpa sepengetahuan mereka dan digunakan untuk pelatihan AI.

Sumber data yang diperoleh: tim kecil atau individu mungkin menghadapi batasan ketika memperoleh data di bidang tertentu (seperti data medis) jika data tersebut tidak bersifat open source.

Pemilihan dan penyetelan model: Untuk tim kecil, sulit untuk mendapatkan sumber daya model khusus atau menghabiskan banyak biaya untuk penyetelan model.

Pengambilan daya komputasi: bagi pengembang individu dan tim kecil, biaya pembelian GPU yang tinggi dan biaya sewa daya komputasi cloud dapat menjadi beban ekonomi yang signifikan.

Pendapatan aset AI: Pekerja pengkategorian data sering kali tidak dapat memperoleh pendapatan yang sebanding dengan usaha mereka, dan hasil penelitian pengembang AI juga sulit untuk dicocokkan dengan pembeli yang membutuhkan.

Tantangan yang ada dalam skenario AI terpusat dapat diatasi dengan menggabungkannya dengan Web3. Web3, sebagai hubungan produksi baru, secara alami cocok untuk mewakili produktivitas baru yang dihasilkan oleh AI, sehingga mendorong kemajuan teknologi dan kapasitas produksi secara bersamaan.

1.3 Web3 dan AI: Sinergi, Perubahan Peran, dan Aplikasi Inovatif

Web3 dan AI yang digabungkan dapat meningkatkan kedaulatan pengguna, menyediakan platform kolaborasi AI yang terbuka bagi pengguna, memungkinkan pengguna beralih dari pengguna AI di era Web2 menjadi peserta, menciptakan AI yang dapat dimiliki oleh semua orang. Sementara itu, integrasi dunia Web3 dengan teknologi AI juga dapat menghasilkan lebih banyak skenario aplikasi dan cara bermain yang inovatif.

Berdasarkan teknologi Web3, pengembangan dan aplikasi AI akan menyambut sebuah sistem ekonomi kolaboratif yang baru. Privasi data orang dapat terjaga, model data crowdsourcing mendorong kemajuan model AI, banyak sumber daya AI sumber terbuka tersedia untuk pengguna, dan daya komputasi yang dibagikan dapat diperoleh dengan biaya yang lebih rendah. Dengan bantuan mekanisme crowdsourcing kolaboratif yang terdesentralisasi dan pasar AI yang terbuka, sistem distribusi pendapatan yang adil dapat dicapai, sehingga mendorong lebih banyak orang untuk mendorong kemajuan teknologi AI.

Dalam skenario Web3, AI dapat memberikan dampak positif di berbagai jalur. Misalnya, model AI dapat diintegrasikan ke dalam kontrak pintar untuk meningkatkan efisiensi kerja dalam berbagai aplikasi, seperti analisis pasar, deteksi keamanan, pengelompokan sosial, dan berbagai fungsi lainnya. AI generatif tidak hanya memungkinkan pengguna mengalami peran "seniman", seperti menggunakan teknologi AI untuk menciptakan NFT mereka sendiri, tetapi juga dapat menciptakan berbagai macam skenario permainan dan pengalaman interaksi yang menarik dalam GameFi. Infrastruktur yang kaya menyediakan pengalaman pengembangan yang lancar, baik bagi ahli AI maupun pemula yang ingin memasuki bidang AI, mereka semua dapat menemukan pintu masuk yang sesuai di dunia ini.

Dua, Peta dan Arsitektur Proyek Ekosistem Web3-AI

Kami terutama meneliti 41 proyek di jalur Web3-AI, dan mengelompokkan proyek-proyek ini ke dalam berbagai tingkatan. Logika pengelompokan setiap tingkatan ditunjukkan pada gambar di bawah, termasuk lapisan infrastruktur, lapisan menengah, dan lapisan aplikasi, masing-masing dibagi menjadi berbagai sektor. Di bab berikutnya, kami akan melakukan analisis mendalam terhadap beberapa proyek yang representatif.

Lapisan infrastruktur mencakup sumber daya komputasi dan arsitektur teknologi yang mendukung seluruh siklus hidup AI, lapisan tengah mencakup manajemen data, pengembangan model, dan layanan verifikasi inferensi yang menghubungkan infrastruktur dengan aplikasi, sedangkan lapisan aplikasi fokus pada berbagai aplikasi dan solusi yang langsung ditujukan kepada pengguna.

Lapisan infrastruktur:

Lapisan infrastruktur merupakan dasar dari siklus hidup AI, artikel ini mengklasifikasikan daya komputasi, AI Chain, dan platform pengembangan sebagai lapisan infrastruktur. Hanya dengan dukungan infrastruktur ini, pelatihan dan inferensi model AI dapat dilakukan, serta aplikasi AI yang kuat dan praktis dapat disajikan kepada pengguna.

• Jaringan komputasi terdesentralisasi: dapat menyediakan daya komputasi terdistribusi untuk pelatihan model AI, memastikan penggunaan sumber daya komputasi yang efisien dan ekonomis. Beberapa proyek menawarkan pasar daya komputasi terdesentralisasi, di mana pengguna dapat menyewa daya komputasi dengan biaya rendah atau berbagi daya komputasi untuk mendapatkan keuntungan, proyek-proyek yang mewakili seperti IO.NET dan Hyperbolic. Selain itu, beberapa proyek telah berkembang menjadi cara baru, seperti Compute Labs, yang mengusulkan protokol tokenisasi, di mana pengguna dapat berpartisipasi dalam sewa daya komputasi untuk mendapatkan keuntungan dengan membeli NFT yang mewakili entitas GPU dengan cara yang berbeda.

• AI Chain: Memanfaatkan blockchain sebagai dasar siklus hidup AI, mencapai interaksi tanpa batas antara sumber daya AI di dalam dan di luar rantai, dan mendorong perkembangan ekosistem industri. Pasar AI terdesentralisasi di dalam rantai dapat memperdagangkan aset AI seperti data, model, agen, dan menyediakan kerangka pengembangan AI dan alat pengembangan yang mendukung, dengan proyek yang diwakili seperti Sahara AI. AI Chain juga dapat memfasilitasi kemajuan teknologi AI di berbagai bidang, seperti Bittensor yang mendorong kompetisi subnet AI yang berbeda melalui mekanisme insentif subnet yang inovatif.

• Platform pengembangan: Beberapa proyek menyediakan platform pengembangan agen AI, dan juga dapat melakukan perdagangan agen AI, seperti Fetch.ai dan ChainML. Alat satu atap membantu pengembang untuk lebih mudah membuat, melatih, dan menerapkan model AI, seperti proyek Nimble. Infrastruktur ini mendorong penerapan teknologi AI yang luas dalam ekosistem Web3.

Lapisan tengah:

Lapisan ini melibatkan data AI, model, serta inferensi dan verifikasi, menggunakan teknologi Web3 dapat mencapai efisiensi kerja yang lebih tinggi.

• Data: Kualitas dan jumlah data adalah faktor kunci yang mempengaruhi efektivitas pelatihan model. Di dunia Web3, melalui data yang didapat dari kerumunan dan pemrosesan data secara kolaboratif, pemanfaatan sumber daya dapat dioptimalkan dan biaya data dapat diturunkan. Pengguna dapat memiliki kedaulatan atas data mereka, menjual data mereka sendiri dalam perlindungan privasi, untuk menghindari pencurian data oleh pedagang yang tidak bertanggung jawab dan meraup keuntungan yang tinggi. Bagi pihak yang membutuhkan data, platform ini menawarkan berbagai pilihan dan biaya yang sangat rendah. Proyek yang mewakili seperti Grass memanfaatkan bandwidth pengguna untuk mengambil data Web, xData mengumpulkan informasi media melalui plugin yang ramah pengguna, dan mendukung pengguna untuk mengunggah informasi tweet.

Selain itu, beberapa platform memungkinkan ahli di bidang tertentu atau pengguna biasa untuk melakukan tugas praprosesan data, seperti penandaan gambar dan pengkategorian data. Tugas-tugas ini mungkin memerlukan pemrosesan data untuk tugas-tugas keuangan dan hukum yang membutuhkan pengetahuan khusus, pengguna dapat men-token-kan keterampilan mereka untuk mewujudkan kolaborasi crowdsourcing dalam praprosesan data. Contohnya adalah pasar AI seperti Sahara AI, yang memiliki berbagai tugas data di berbagai bidang, dapat mencakup berbagai skenario data; sementara AIT Protocol melakukan penandaan data melalui kolaborasi manusia-mesin.

• Model: Dalam proses pengembangan AI yang telah disebutkan sebelumnya, berbagai jenis kebutuhan perlu mencocokkan model yang sesuai. Model yang umum digunakan untuk tugas gambar seperti CNN, GAN, untuk tugas deteksi objek dapat memilih seri Yolo, dan untuk tugas teks model yang biasa digunakan adalah RNN, Transformer, dan tentu saja ada beberapa model besar yang spesifik atau umum. Kedalaman model yang diperlukan untuk tugas dengan kompleksitas yang berbeda juga berbeda, kadang-kadang perlu melakukan penyesuaian pada model.

Beberapa proyek mendukung pengguna untuk menyediakan berbagai jenis model atau berkolaborasi dalam pelatihan model melalui metode crowdsourcing, seperti Sentient yang melalui desain modular, memungkinkan pengguna untuk menyimpan data model yang dapat dipercaya di lapisan penyimpanan dan lapisan distribusi untuk optimasi model, alat pengembangan yang disediakan oleh Sahara AI sudah dilengkapi dengan algoritma AI canggih dan kerangka perhitungan, serta memiliki kemampuan pelatihan kolaboratif.

• Inferensi dan Validasi: Setelah model dilatih, model akan menghasilkan file bobot model yang dapat digunakan untuk langsung melakukan klasifikasi, prediksi, atau tugas spesifik lainnya, proses ini disebut inferensi. Proses inferensi biasanya disertai dengan mekanisme validasi untuk memverifikasi apakah sumber model inferensi benar, apakah ada perilaku jahat, dan lain-lain. Inferensi Web3 biasanya dapat diintegrasikan dalam kontrak pintar, dengan memanggil model untuk melakukan inferensi. Metode validasi yang umum termasuk teknologi ZKML, OPML, dan TEE. Proyek perwakilan seperti oracle AI di blockchain ORA (OAO) telah memperkenalkan OPML sebagai lapisan yang dapat divalidasi untuk oracle AI, dan situs resmi ORA juga menyebutkan penelitian mereka tentang ZKML dan opp/ai (ZKML menggabungkan OPML).

Lapisan aplikasi:

Tingkat ini terutama merupakan aplikasi yang langsung ditujukan kepada pengguna, menggabungkan AI dengan Web3, menciptakan lebih banyak cara yang menarik dan inovatif untuk bermain. Artikel ini terutama merangkum proyek-proyek dari beberapa sektor seperti AIGC (Konten yang Dihasilkan AI), agen AI, dan analisis data.

• AIGC: Melalui AIGC dapat