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

Seiring dengan meningkatnya minat terhadap narasi AI, semakin banyak perhatian tertuju pada jalur ini. Analisis mendalam mengenai logika teknologi, skenario aplikasi, dan proyek-proyek perwakilan di jalur Web3-AI telah dilakukan untuk menyajikan gambaran menyeluruh dan tren perkembangan di bidang ini.

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

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

Dalam setahun terakhir, narasi AI telah sangat populer di industri Web3, dengan proyek AI bermunculan bagai jamur setelah hujan. Meskipun banyak proyek yang melibatkan teknologi AI, beberapa proyek hanya menggunakan AI pada bagian tertentu dari produk mereka, dan ekonomi token dasar tidak memiliki hubungan substansial dengan produk AI. Oleh karena itu, proyek semacam ini 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. 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 ke dalam jalur Web3-AI. Untuk membantu pembaca memahami jalur Web3-AI dengan lebih baik, akan dijelaskan 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, mulai 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 mencakup beberapa langkah kunci berikut: pengumpulan data dan pra-pemrosesan data, pemilihan dan penyetelan model, pelatihan dan inferensi model. Sebagai contoh sederhana, 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, 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: Pilih model yang sesuai, seperti Jaringan Saraf Konvolusional (CNN), yang lebih cocok untuk tugas klasifikasi gambar. Sesuaikan parameter atau arsitektur model sesuai dengan kebutuhan yang berbeda, biasanya, tingkat jaringan model dapat disesuaikan berdasarkan kompleksitas tugas AI. Dalam contoh klasifikasi sederhana ini, tingkat 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 dengan model biasanya disebut sebagai bobot model, proses inferensi merujuk pada penggunaan model yang sudah dilatih untuk memprediksi atau mengklasifikasikan data baru. Dalam proses ini, dapat digunakan set pengujian atau data baru untuk menguji efektivitas klasifikasi model, biasanya dievaluasi dengan metrik seperti akurasi, rasio pengembalian, F1-score, dan sebagainya.

Setelah pengumpulan data dan pra-pemrosesan data, pemilihan dan penyesuaian model, serta pelatihan, model yang telah dilatih akan melakukan inferensi pada kumpulan tes untuk 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, melakukan berbagai tugas. 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 yang terpusat memiliki beberapa masalah dalam skenario berikut:

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

Sumber data diperoleh: Tim kecil atau individu mungkin menghadapi batasan data yang tidak open source saat mendapatkan data di bidang tertentu (seperti data medis).

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

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

Pendapatan Aset AI: Pekerja penandaan data sering kali tidak dapat memperoleh pendapatan yang sebanding dengan usaha mereka, sementara hasil penelitian pengembang AI juga sulit untuk dipadankan 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 untuk mewakili produktivitas baru yaitu AI, sehingga mendorong kemajuan teknologi dan kapasitas produksi secara bersamaan.

1.3 Sinergi Web3 dan AI: Perubahan Peran dan Aplikasi Inovatif

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

Berdasarkan teknologi Web3, pengembangan dan penerapan AI akan menyambut sistem ekonomi kolaboratif yang baru. Privasi data orang dapat terjamin, model data crowdsourcing mendorong kemajuan model AI, banyak sumber daya AI sumber terbuka tersedia untuk digunakan oleh pengguna, dan daya komputasi yang dibagikan dapat diperoleh dengan biaya yang lebih rendah. Dengan bantuan mekanisme kolaborasi crowdsourcing terdesentralisasi dan pasar AI terbuka, sistem distribusi pendapatan yang adil dapat diwujudkan, 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, kluster sosial, dan berbagai fungsi lainnya. AI generatif tidak hanya memungkinkan pengguna merasakan peran "seniman", seperti menggunakan teknologi AI untuk membuat NFT mereka sendiri, tetapi juga dapat menciptakan beragam skenario permainan dan pengalaman interaksi yang menarik di GameFi. Infrastruktur yang kaya menyediakan pengalaman pengembangan yang lancar, baik bagi para ahli AI maupun pemula yang ingin memasuki bidang AI, 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 mengkategorikan proyek-proyek ini ke dalam berbagai tingkatan. Logika pembagian setiap tingkatan ditunjukkan dalam gambar di bawah ini, termasuk lapisan infrastruktur, lapisan menengah, dan lapisan aplikasi, di mana setiap lapisan dibagi menjadi berbagai sektor. Di bab selanjutnya, kami akan melakukan analisis mendalam terhadap beberapa proyek yang representatif.

Lapisan infrastruktur mencakup sumber daya komputasi dan arsitektur teknologi yang mendukung operasi 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 adalah dasar dari siklus hidup AI, artikel ini mengklasifikasikan daya komputasi, AI Chain, dan platform pengembangan sebagai lapisan infrastruktur. Justru dukungan dari infrastruktur-infrastruktur ini yang memungkinkan pelatihan dan inferensi model AI, serta menyajikan 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, dengan proyek perwakilan seperti IO.NET dan Hyperbolic. Selain itu, beberapa proyek telah mengembangkan cara baru, seperti Compute Labs, yang mengusulkan protokol tokenisasi, di mana pengguna dapat berpartisipasi dalam penyewaan daya komputasi untuk mendapatkan keuntungan dengan membeli NFT yang mewakili entitas GPU.

• AI Chain: Memanfaatkan blockchain sebagai dasar siklus hidup AI, untuk mewujudkan interaksi tanpa hambatan antara sumber daya AI di dalam dan di luar rantai, serta mempromosikan perkembangan ekosistem industri. Pasar AI terdesentralisasi di dalam rantai dapat memperdagangkan aset AI seperti data, model, agen, dan menyediakan kerangka pengembangan AI serta alat pengembangan pendukung, dengan proyek yang diwakili seperti Sahara AI. AI Chain juga dapat memfasilitasi kemajuan teknologi AI di berbagai bidang, seperti Bittensor yang mendorong persaingan subnet berbagai jenis AI 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 serba ada membantu pengembang untuk lebih mudah membuat, melatih, dan menerapkan model AI, diwakili oleh proyek seperti Nimble. Infrastruktur ini mendorong penerapan teknologi AI yang luas dalam ekosistem Web3.

Lapisan tengah:

Tingkat ini melibatkan data AI, model, serta inferensi dan verifikasi, 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, sumber daya dapat dioptimalkan dan biaya data dapat dikurangi. Pengguna dapat memiliki otonomi atas data mereka, menjual data mereka dalam kondisi perlindungan privasi untuk menghindari pencurian data oleh pihak yang tidak bertanggung jawab dan meraih 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 menangkap data web, xData mengumpulkan informasi media melalui plugin yang ramah pengguna, dan mendukung pengguna untuk mengunggah informasi tweet.

Selain itu, beberapa platform memungkinkan para ahli di bidangnya atau pengguna biasa untuk melakukan tugas pra-pemrosesan data, seperti penandaan gambar, pengklasifikasian data, yang mungkin memerlukan pengetahuan profesional dalam pemrosesan data untuk tugas keuangan dan hukum. Pengguna dapat men-token-kan keterampilan mereka untuk mewujudkan kolaborasi crowdsourcing dalam pra-pemrosesan data. Contohnya adalah pasar AI seperti Sahara AI, yang memiliki berbagai tugas data di berbagai bidang dan dapat mencakup berbagai skenario data; sementara AIT Protocol melakukan penandaan data melalui kolaborasi antara manusia dan mesin.

• Model: Dalam proses pengembangan AI yang telah disebutkan sebelumnya, berbagai jenis kebutuhan perlu dipadankan dengan model yang sesuai. Model yang umum digunakan untuk tugas citra seperti CNN, GAN, untuk tugas deteksi objek dapat memilih seri Yolo, dan untuk tugas berbasis teks model yang umum adalah RNN, Transformer, dan tentu saja ada beberapa model besar yang spesifik atau umum. Kedalaman model yang diperlukan untuk tugas dengan kompleksitas berbeda juga bervariasi, terkadang 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 lapisan distribusi untuk optimasi model. Alat pengembangan yang disediakan oleh Sahara AI dilengkapi dengan algoritma AI canggih dan kerangka komputasi, serta memiliki kemampuan pelatihan kolaboratif.

• Inferensi dan verifikasi: Setelah model dilatih, model akan menghasilkan file bobot model yang dapat digunakan untuk klasifikasi, prediksi, atau tugas spesifik lainnya, proses ini disebut inferensi. Proses inferensi biasanya disertai dengan mekanisme verifikasi, 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 verifikasi yang umum termasuk teknologi ZKML, OPML, dan TEE. Proyek perwakilan seperti ORA AI oracle di blockchain (OAO), memperkenalkan OPML sebagai lapisan yang dapat diverifikasi untuk oracle AI, di situs resmi ORA juga disebutkan 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 untuk menciptakan lebih banyak cara bermain yang menarik dan inovatif. Artikel ini terutama merangkum proyek-proyek di beberapa bidang seperti AIGC (Konten yang Dihasilkan AI), agen AI, dan analisis data.

• AIGC: Melalui AIGC, dapat diperluas ke NFT, game, dan jalur lainnya di Web3, pengguna dapat langsung menghasilkan teks, gambar, dan audio melalui Prompt (kata kunci yang diberikan pengguna), bahkan dapat menghasilkan konten kustom dalam game sesuai preferensi mereka.