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

Зі зростанням популярності AI-оповіді все більше уваги зосереджується на цьому напрямку. Ми провели глибокий аналіз технічної логіки, сценаріїв застосування та представницьких проєктів у Web3-AI, щоб повністю представити вам панораму та тенденції розвитку цієї галузі.

Один. Web3-AI: аналіз технологічної логіки та можливостей нових ринків

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

Протягом минулого року AI наратив в індустрії Web3 був надзвичайно популярним, проекти AI з'являлися, як гриби після дощу. Хоча багато проектів включають технологію AI, деякі проекти використовують AI лише в певних частинах своїх продуктів, основна токенна економіка не має суттєвого зв'язку з продуктами AI, тому такі проекти не включаються до обговорення Web3-AI проектів у цій статті.

Основна увага цієї статті зосереджена на використанні блокчейн-технологій для вирішення проблем виробничих відносин, а також на проєктах, які використовують ШІ для вирішення проблем продуктивності. Ці проєкти самі по собі пропонують продукти ШІ, одночасно базуючись на економічній моделі Web3 як інструменті виробничих відносин, що доповнює одне одного. Ми класифікуємо такі проєкти як напрямок Web3-AI. Щоб краще допомогти читачам зрозуміти напрямок Web3-AI, ми розглянемо процес розробки ШІ та виклики, а також те, як поєднання Web3 і ШІ може ідеально вирішити проблеми та створити нові сценарії застосування.

1.2 Розробка та виклики ШІ: від збору даних до інференції моделі

Технології ШІ - це технології, які дозволяють комп'ютерам імітувати, розширювати та покращувати людський інтелект. Вони дозволяють комп'ютерам виконувати різноманітні складні завдання, від перекладу мов, класифікації зображень до розпізнавання облич і автоматичного водіння, ШІ змінює способи нашого життя та роботи.

Процес розробки моделей штучного інтелекту зазвичай включає кілька ключових етапів: збір даних та їх попередня обробка, вибір та налаштування моделі, навчання моделі та інференція. Наприклад, для розробки моделі для класифікації зображень котів і собак вам потрібно:

1. Збір даних та попередня обробка даних: зібрати набір зображень, що містять котів та собак, можна використовувати відкриті набори даних або самостійно зібрати реальні дані. Потім для кожного зображення потрібно позначити категорію (кіт або собака), забезпечивши точність міток. Перетворити зображення в формат, який може розпізнати модель, розділити набір даних на навчальний набір, валідаційний набір та тестовий набір.

2. Вибір та налаштування моделі: вибір відповідної моделі, наприклад, згорткової нейронної мережі (CNN), яка більш підходить для завдань класифікації зображень. Налаштуйте параметри або архітектуру моделі відповідно до різних вимог; зазвичай, рівні мережі моделі можна коригувати залежно від складності AI завдання. У цьому простому прикладі класифікації, менш глибокі рівні мережі можуть бути достатніми.

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

4. Моделювання: Файл з навченою моделлю зазвичай називається вагами моделі, а процес моделювання означає використання вже навчених моделей 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 допомогою таких показників, як точність, відзив, F1-score тощо.

Як показано на малюнку, після збору даних та їх попередньої обробки, вибору та налаштування моделі, а також навчання, модель, що була навчена, проводить інференцію на тестовому наборі, що дає ймовірності P (імовірність) для котів та собак, тобто ймовірність того, що модель визначає об'єкт як кота або собаку.

Навчена AI модель може бути додатково інтегрована в різні програми для виконання різних завдань. У цьому прикладі, AI модель 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:

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

Отримання джерела даних: невеликі команди або особи під час отримання даних у конкретних сферах (наприклад, медичних даних) можуть стикатися з обмеженнями щодо відсутності відкритості даних.

Вибір моделі та налаштування: для малих команд важко отримати ресурси моделі в певній сфері або витратити великі кошти на налаштування моделі.

Отримання обчислювальної потужності: для індивідуальних розробників та невеликих команд висока вартість придбання GPU та витрати на оренду хмарної обчислювальної потужності можуть стати суттєвим економічним тягарем.

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

Виклики, що існують у централізованих AI-сценаріях, можуть бути подолані шляхом поєднання з Web3, який є новою формою виробничих відносин, що природно підходить для представлення нової продуктивності AI, 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 штучного інтелекту може посилити суверенітет користувачів, надаючи їм відкриту платформу для співпраці з ШІ, що дозволяє користувачам перетворитися з користувачів ШІ епохи Web2 на учасників, створюючи ШІ, яким може володіти кожен. Одночасно інтеграція світу Web3 та технологій ШІ також може породити більше інноваційних застосунків та ігор.

На базі 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, а спільні обчислювальні потужності можна отримати за нижчою ціною. Завдяки децентралізованій механіці кооперативного краудсорсингу та відкритому ринку ШІ можна реалізувати справедливу систему розподілу доходів, що стимулює більше людей до просування прогресу технології ШІ.

У сценах Web3 AI може мати позитивний вплив у кількох напрямках. Наприклад, моделі AI можуть бути інтегровані в смарт-контракти, щоб покращити ефективність роботи в різних застосунках, таких як аналіз ринку, безпекова перевірка, соціальна кластеризація та багато інших функцій. Генеративний AI не лише дозволяє користувачам відчути себе "художниками", наприклад, за допомогою технології AI створювати свої власні NFT, але й може створювати різноманітні ігрові сцени та цікаві інтерактивні досвіди в GameFi. Розвинена інфраструктура забезпечує плавний досвід розробки, незалежно від того, чи є ви експертом з AI, чи новачком, який хоче увійти в цю галузь, у цьому світі можна знайти відповідний вхід.

Два, аналіз екосистеми проектів Web3-AI та їх архітектури

Ми в основному досліджували 41 проект у сфері Web3-AI та розділили ці проекти на різні рівні. Логіка поділу кожного рівня показана на малюнку нижче, включаючи рівень інфраструктури, середній рівень та рівень додатків, кожен з яких поділений на різні секції. У наступному розділі ми проведемо глибокий аналіз деяких репрезентативних проектів.

Інфраструктурний рівень охоплює обчислювальні ресурси та технологічну архітектуру, що підтримують весь цикл життя ШІ, тоді як проміжний рівень включає управління даними, розробку моделей та сервіси верифікації, що з'єднують інфраструктуру з застосунками. Рівень застосунків зосереджується на різних застосунках та рішеннях, що безпосередньо орієнтовані на користувачів.

Інфраструктурний рівень:

Інфраструктурний рівень є основою життєвого циклу ШІ, у цій статті обчислювальну потужність, AI Chain та платформу розробки класифікують як інфраструктурний рівень. Саме завдяки підтримці цих інфраструктур стає можливим навчання та інференція моделей ШІ, а також надання потужних і практичних застосунків ШІ користувачам.

• Децентралізована обчислювальна мережа: може забезпечити розподілену обчислювальну потужність для навчання AI моделей, забезпечуючи ефективне та економічне використання обчислювальних ресурсів. Деякі проекти пропонують децентралізований ринок обчислювальної потужності, де користувачі можуть за низькою ціною орендувати обчислювальну потужність або ділитися обчислювальною потужністю для отримання прибутку, представники проектів, такі як IO.NET та Hyperbolic. Крім того, деякі проекти розвинули нові способи використання, такі як Compute Labs, які запропонували токенізований протокол, де користувачі, купуючи NFT, що представляє фізичний GPU, можуть по-різному брати участь в оренді обчислювальної потужності для отримання прибутку.

• AI Chain: Використання блокчейну як основи життєвого циклу AI для забезпечення безшовної взаємодії AI-ресурсів як на ланцюгу, так і поза ним, сприяння розвитку екосистеми галузі. Децентралізований AI-ринок на ланцюгу може торгувати AI-активами, такими як дані, моделі, агенти тощо, і надавати AI-розробницькі рамки та супутні інструменти для розробки, прикладом проекту є Sahara AI. AI Chain також може сприяти прогресу AI-технологій у різних сферах, таких як Bittensor, який через інноваційний механізм заохочення підмереж сприяє конкуренції між різними типами AI-підмереж.

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

Проміжний шар:

Цей рівень стосується даних AI, моделей, а також висновків і верифікації, 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 через краудсорсинг даних та кооперативну обробку даних можна оптимізувати використання ресурсів та знизити витрати на дані. Користувачі можуть мати автономію над даними, продаючи свої дані за умов захисту конфіденційності, щоб уникнути крадіжки даних недобросовісними підприємцями та отримання високих прибутків. Для замовників даних ці платформи пропонують широкий вибір і надзвичайно низькі витрати. Представлені проекти, такі як Grass, використовують пропускну здатність користувачів для збору веб-даних, xData збирає медіаінформацію через зручні плагіни для користувачів і підтримує завантаження інформації про твіти.

Крім того, деякі платформи дозволяють експертам у певних галузях або звичайним користувачам виконувати завдання з попередньої обробки даних, такі як розмітка зображень, класифікація даних, які можуть вимагати професійних знань у фінансовій та юридичній обробці даних. Користувачі можуть токенізувати свої навички, реалізуючи колабораційне краудсорсинг попередньої обробки даних. Представник, як-от AI-ринок Sahara AI, має різні завдання з даними в різних галузях, що може охоплювати багатогалузеві сценарії даних; в той час як AIT Protocolt здійснює розмітку даних через співпрацю людини і машини.

• Модель: У процесі розробки ШІ, про який згадувалося раніше, різні типи вимог потребують підбору відповідної моделі. Для завдань з обробки зображень зазвичай використовують моделі, такі як CNN, GAN, для завдань виявлення об'єктів можна вибрати серію Yolo, для текстових завдань поширені моделі RNN, Transformer тощо, звісно, є також деякі специфічні або універсальні великі моделі. Моделі з різною складністю завдань потребують різної глибини, іноді потрібно проводити налаштування моделі.

Деякі проекти підтримують користувачів, які надають різні типи моделей або співпрацюють у навчанні моделей через краудсорсинг, такі як Sentient, завдяки модульному дизайну, дозволяє користувачам розміщувати надійні дані моделей на рівні зберігання та розподілу для оптимізації моделей. Інструменти розробки, що надаються Sahara AI, вбудовані з передовими алгоритмами AI та обчислювальними фреймворками, а також мають можливість кооперативного навчання.

• Висновки та перевірка: після навчання моделі створюється файл ваг моделі, який можна використовувати для безпосередньої класифікації, прогнозування або інших специфічних завдань, цей процес називається висновком. Процес висновку зазвичай супроводжується механізмом перевірки, щоб перевірити, чи є джерело моделі вірним, чи є зловмисна діяльність тощо. Висновки Web3 зазвичай можна інтегрувати в смарт-контракти, викликаючи модель для проведення висновків, поширені способи перевірки включають технології ZKML, OPML та TEE. Представники проектів, такі як AI-оракул на ланцюзі ORA (OAO), ввели OPML як перевіряємий шар для AI-оракулів, на офіційному сайті ORA також згадуються їхні дослідження щодо ZKML та opp/ai (ZKML в поєднанні з OPML).

Рівень застосунків:

Цей рівень головним чином є застосунком, орієнтованим на користувачів, який поєднує ШІ з Web3, створюючи більше цікавих і інноваційних способів використання. У цій статті головна увага приділяється проектам у кількох секторах: AIGC (AI згенерований контент), AI-агенти та аналіз даних.

• AIGC: З його допомогою AIGC можна