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

Seiring dengan semakin meningkatnya perhatian terhadap narasi AI, semakin banyak fokus tertuju pada jalur ini. Analisis mendalam telah dilakukan terhadap logika teknologi, skenario aplikasi, dan proyek-proyek representatif di jalur Web3-AI, untuk menyajikan panorama dan tren perkembangan di bidang ini secara komprehensif.

I. Web3-AI: Analisis Logika Teknologi dan Peluang Pasar Baru

1.1 Logika Perpaduan Web3 dan AI: Bagaimana Mendefinisikan Jalur Web-AI

Dalam setahun terakhir, narasi AI telah sangat populer di industri Web3, dengan proyek AI muncul bak jamur setelah hujan. Meskipun ada banyak proyek yang melibatkan teknologi AI, beberapa proyek hanya menggunakan AI di beberapa bagian produk mereka, dan ekonomi token yang mendasarinya tidak memiliki hubungan substansial dengan produk AI, sehingga proyek semacam ini tidak termasuk dalam diskusi tentang 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. Proyek-proyek ini sendiri menyediakan produk AI, sekaligus didasarkan pada model ekonomi Web3 sebagai alat hubungan produksi, keduanya saling melengkapi. Kami mengklasifikasikan jenis proyek ini sebagai jalur Web3-AI. Untuk membantu pembaca lebih memahami jalur Web3-AI, akan dijelaskan proses pengembangan AI dan tantangannya, serta bagaimana penggabungan Web3 dan AI dapat menyelesaikan masalah dan menciptakan skenario aplikasi baru dengan sempurna.

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. Teknologi ini memungkinkan komputer untuk melakukan berbagai tugas kompleks, mulai dari terjemahan bahasa, pengklasifikasian gambar hingga pengenalan wajah, dan aplikasi seperti pengemudian otomatis, AI sedang mengubah cara kita hidup dan bekerja.

Proses pengembangan model kecerdasan buatan biasanya mencakup beberapa langkah kunci berikut: pengumpulan data dan praproses data, pemilihan dan penyempurnaan model, pelatihan dan inferensi model. Ambil contoh sederhana, untuk mengembangkan model yang dapat mengklasifikasikan gambar kucing dan anjing, Anda perlu:

1. Pengumpulan data dan praproses 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 ke dalam format yang dapat dikenali model, bagi dataset menjadi kumpulan pelatihan, kumpulan validasi, dan kumpulan pengujian.

2. Pemilihan dan Penyesuaian Model: Pilih model yang sesuai, seperti Jaringan Saraf Konvolusional (CNN), yang lebih cocok untuk tugas klasifikasi gambar. Sesuaikan parameter atau arsitektur model berdasarkan 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: Model dapat dilatih menggunakan GPU, TPU, atau cluster komputasi berkinerja tinggi, waktu pelatihan dipengaruhi oleh kompleksitas model dan kemampuan komputasi.

4. Inferensi Model: File yang sudah dilatih untuk 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 pengujian atau data baru untuk menguji efektivitas klasifikasi model, biasanya menggunakan akurasi, tingkat pengembalian, F1-score, dan indikator lainnya untuk mengevaluasi keefektifan model.

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

Model AI yang telah dilatih dapat lebih lanjut diintegrasikan 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 akan mendapatkan hasil klasifikasi.

Namun, proses pengembangan AI 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 diperoleh: Tim kecil atau individu mungkin menghadapi batasan data yang tidak bersifat open source saat mendapatkan data di bidang tertentu (seperti data medis).

Pemilihan dan penyetelan model: Bagi tim kecil, sulit untuk mendapatkan sumber daya model di bidang tertentu atau menghabiskan biaya besar untuk penyetelan model.

Perolehan daya komputasi: Bagi pengembang individu dan tim kecil, biaya pembelian GPU yang tinggi dan biaya sewa daya komputasi awan dapat menjadi beban ekonomi yang signifikan.

Pendapatan Aset AI: Pekerja penandaan data sering kali tidak dapat memperoleh pendapatan yang sebanding dengan usaha yang mereka berikan, sementara 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, yang merupakan bentuk hubungan produksi baru, secara alami cocok dengan AI yang mewakili produktivitas baru, 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, memberikan platform kolaborasi AI yang terbuka, memungkinkan pengguna untuk beralih dari pengguna AI di era Web2 menjadi peserta, menciptakan AI yang dimiliki oleh semua orang. Sementara itu, perpaduan antara dunia Web3 dan teknologi AI juga dapat menghasilkan lebih banyak skenario aplikasi inovatif dan cara bermain.

Berdasarkan teknologi Web3, pengembangan dan aplikasi AI akan menyambut sistem ekonomi kolaboratif yang baru. Privasi data individu dapat terjamin, model pengumpulan data secara massal mendukung 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 kolaborasi terdesentralisasi dan pasar AI terbuka, sistem distribusi pendapatan yang adil dapat diwujudkan, sehingga mendorong lebih banyak orang untuk memajukan 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 untuk merasakan peran "seniman", seperti menggunakan teknologi AI untuk membuat NFT mereka sendiri, tetapi juga dapat menciptakan berbagai macam skenario permainan dan pengalaman interaktif yang menarik dalam GameFi. Infrastruktur yang kaya menyediakan pengalaman pengembangan yang lancar, baik untuk ahli AI maupun pemula yang ingin memasuki bidang AI dapat menemukan pintu masuk yang tepat di dunia ini.

Dua, Peta dan Arsitektur Proyek Ekosistem Web3-AI

Kami telah mempelajari 41 proyek di jalur Web3-AI dan membagi proyek-proyek ini menjadi berbagai tingkatan. Logika pembagian setiap tingkatan ditunjukkan pada gambar di bawah ini, termasuk lapisan infrastruktur, lapisan menengah, dan lapisan aplikasi, di mana setiap lapisan dibagi menjadi berbagai sektor. Di bab berikutnya, kami akan melakukan analisis kedalaman terhadap beberapa proyek yang representatif.

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

Lapisan infrastruktur:

Lapisan infrastruktur adalah dasar dari siklus hidup AI, artikel ini mengklasifikasikan komputasi, AI Chain, dan platform pengembangan sebagai lapisan infrastruktur. Dukungan dari infrastruktur ini memungkinkan pelatihan dan inferensi model AI, serta menghadirkan aplikasi AI yang kuat dan praktis kepada pengguna.

• Jaringan komputasi terdesentralisasi: dapat menyediakan daya komputasi terdistribusi untuk pelatihan model AI, memastikan pemanfaatan 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 yang mewakili seperti IO.NET dan Hyperbolic. Selain itu, beberapa proyek telah mengembangkan cara baru, seperti Compute Labs, yang mengusulkan protokol tokenisasi, di mana pengguna dapat membeli NFT yang mewakili entitas GPU untuk berpartisipasi dalam penyewaan daya komputasi dengan cara yang berbeda untuk mendapatkan keuntungan.

• AI Chain: Memanfaatkan blockchain sebagai dasar dari siklus hidup AI, untuk mewujudkan interaksi sumber daya AI yang mulus antara on-chain dan off-chain, serta mendorong perkembangan ekosistem industri. Pasar AI terdesentralisasi di atas blockchain dapat memperdagangkan aset AI seperti data, model, agen, dan menyediakan kerangka pengembangan AI serta alat pengembangan yang mendukung, seperti proyek yang diwakili oleh Sahara AI. AI Chain juga dapat memfasilitasi kemajuan teknologi AI di berbagai bidang, seperti Bittensor yang mempromosikan kompetisi subnet AI yang berbeda melalui mekanisme insentif subnet inovatif.

• Platform pengembangan: Beberapa proyek menyediakan platform pengembangan agen AI, yang 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, yang diwakili oleh proyek seperti Nimble. Infrastruktur ini memfasilitasi penerapan teknologi AI yang luas dalam ekosistem Web3.

Lapisan tengah:

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

• Data: Kualitas dan kuantitas data adalah faktor kunci yang mempengaruhi efektivitas pelatihan model. Di dunia Web3, melalui data crowdsourcing dan pemrosesan data kolaboratif, kita dapat mengoptimalkan penggunaan sumber daya dan mengurangi biaya data. Pengguna dapat memiliki otonomi atas data mereka, menjual data mereka dalam perlindungan privasi, untuk menghindari pencurian data oleh pedagang nakal dan meraup keuntungan besar. Bagi pihak yang membutuhkan data, platform-platform ini menawarkan pilihan yang luas 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 atau pengguna biasa untuk melakukan tugas praproses data, seperti penandaan gambar, klasifikasi data, yang mungkin memerlukan pengetahuan profesional dalam pengolahan data tugas keuangan dan hukum. Pengguna dapat mengubah keterampilan mereka menjadi token, memungkinkan kolaborasi dan crowdsourcing dalam praproses data. Contohnya adalah pasar AI seperti Sahara AI, yang memiliki berbagai tugas data di berbagai bidang, dapat mencakup berbagai skenario data; sedangkan 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 biasa digunakan untuk tugas gambar seperti CNN, GAN, untuk tugas deteksi objek bisa memilih seri Yolo, dan untuk tugas berbasis teks model umum yang digunakan adalah RNN, Transformer, dan tentu saja ada beberapa model besar yang spesifik atau umum. Kedalaman model yang dibutuhkan 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 crowdsourcing, seperti Sentient yang melalui desain modular, memungkinkan pengguna untuk menempatkan data model yang dapat dipercaya di lapisan penyimpanan dan distribusi untuk optimasi model, serta alat pengembangan yang disediakan oleh Sahara AI yang dilengkapi dengan algoritma AI canggih dan kerangka komputasi, serta memiliki kemampuan pelatihan kolaboratif.

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

Tingkat aplikasi:

Tingkat ini terutama adalah aplikasi yang langsung ditujukan kepada pengguna, menggabungkan AI dengan Web3, menciptakan