Обзор экосистемы Web3-AI: техническая логика, сценарные приложения и глубокий анализ топовых проектов

С ростом популярности AI нарративов все больше внимания уделяется этому направлению. Мы провели глубокий анализ технической логики, сценариев применения и ведущих проектов в области Web3-AI, чтобы представить вам полную картину и тенденции развития этой сферы.

Один. Web3-AI: Анализ технологической логики и возможностей новых рынков

1.1 Логика интеграции Web3 и AI: как определить трек Web-AI

В прошедшем году AI-нарративы в индустрии Web3 стали необычайно популярными, и AI-проекты возникли, как грибы после дождя. Хотя многие проекты связаны с AI-технологиями, некоторые из них используют AI только в некоторых частях своих продуктов, и основная токеномика не имеет существенной связи с AI-продуктами, поэтому такие проекты не будут обсуждаться в этой статье как проекты Web3-AI.

Основное внимание в статье уделяется проектам, использующим блокчейн для решения проблем производственных отношений и ИИ для решения проблем производительности. Эти проекты сами предлагают ИИ-продукты, а также основаны на экономической модели Web3 в качестве инструмента производственных отношений, где оба аспекта взаимодополняют друг друга. Мы классифицируем такие проекты как трек Web3-AI. Чтобы читатели лучше поняли трек Web3-AI, мы подробно расскажем о процессе разработки ИИ и его сложностях, а также о том, как сочетание Web3 и ИИ идеально решает проблемы и создает новые сценарии применения.

1.2 Процесс разработки ИИ и вызовы: от сбора данных до вывода модели

Технология ИИ - это технология, позволяющая компьютерам имитировать, расширять и усиливать человеческий интеллект. Она позволяет компьютерам выполнять различные сложные задачи, от перевода языков и классификации изображений до распознавания лиц и автономного вождения. ИИ меняет способы, которыми мы живем и работаем.

Процесс разработки моделей искусственного интеллекта обычно включает в себя несколько ключевых этапов: сбор данных и предварительная обработка данных, выбор и настройка модели, обучение модели и вывод. Приведем простой пример: для разработки модели, которая классифицирует изображения кошек и собак, вам необходимо:

1. Сбор данных и предобработка данных: соберите набор данных с изображениями кошек и собак, можно использовать открытые наборы данных или самостоятельно собрать реальные данные. Затем для каждого изображения обозначьте категорию (кошка или собака), убедившись в точности меток. Преобразуйте изображения в формат, который может распознать модель, разделите набор данных на обучающую выборку, валидационную выборку и тестовую выборку.

2. Выбор и настройка модели: выберите подходящую модель, такую как сверточная нейронная сеть (CNN), которая более всего подходит для задач классификации изображений. Настройте параметры модели или архитектуру в зависимости от различных требований; как правило, уровень глубины модели можно регулировать в зависимости от сложности задачи ИИ. В этом простом примере классификации может быть достаточно более мелкой архитектуры.

3. Обучение модели: для обучения модели можно использовать GPU, TPU или высокопроизводительные вычислительные кластеры, время обучения зависит от сложности модели и вычислительной мощности.

4. Инференс модели: файл с хорошо обученной моделью обычно называется весами модели, а процесс инференса относится к использованию уже обученной модели для прогнозирования или классификации новых данных. В этом процессе можно использовать тестовый набор или новые данные для проверки классификационного эффекта модели, обычно используются такие показатели, как точность, полнота, F1-score и другие для оценки эффективности модели.

Как показано на рисунке, после сбора данных, предварительной обработки данных, выбора модели и ее настройки, а также обучения, применение обученной модели на тестовом наборе данных даст предсказанные значения для кошек и собак P (вероятность), то есть вероятность того, что модель определит объект как кошку или собаку.

Обученные модели ИИ могут быть дополнительно интегрированы в различные приложения для выполнения разных задач. В этом примере AI модель классификации кошек и собак может быть интегрирована в мобильное приложение, где пользователи загружают изображения кошек или собак и получают результаты классификации.

Однако централизованный процесс разработки ИИ имеет некоторые проблемы в следующих сценариях:

Пользовательская конфиденциальность: в централизованных сценариях процесс разработки ИИ обычно не прозрачен. Данные пользователей могут быть украдены без их ведома и использованы для обучения ИИ.

Получение источников данных: небольшие команды или отдельные лица, получая данные в определенных областях (например, медицинские данные), могут столкнуться с ограничениями, связанными с отсутствием открытых данных.

Выбор и настройка модели: для небольших команд сложно получить ресурсы модели в конкретной области или потратить большие средства на ее настройку.

Получение вычислительной мощности: Для индивидуальных разработчиков и небольших команд высокая стоимость покупки GPU и аренды облачной вычислительной мощности могут стать значительным экономическим бременем.

AI активы доход: Специалисты по аннотированию данных часто не могут получить доход, соответствующий их усилиям, а результаты исследований разработчиков ИИ также трудно сопоставить с покупателями, которые имеют спрос.

Вызовы, существующие в централизованных AI-сценариях, могут быть решены через интеграцию с Web3. Web3, как новая производственная связь, естественно адаптируется к AI, представляющему собой новый тип производительных сил, тем самым способствуя одновременному прогрессу технологий и производственных мощностей.

1.3 Взаимодействие Web3 и ИИ: изменения ролей и инновационные приложения

Сочетание Web3 и ИИ может усилить суверенитет пользователей, предоставив им открытую платформу для сотрудничества с ИИ, позволяя пользователям перейти от роли пользователей ИИ в эпоху Web2 к роли участников, создавая ИИ, которым могут владеть все. В то же время, интеграция мира Web3 и технологий ИИ может привести к возникновению большего количества инновационных приложений и возможностей.

На основе технологий Web3 разработка и применение ИИ вступят в совершенно новую систему кооперативной экономики. Конфиденциальность данных людей может быть защищена, модель краудсорсинга данных способствует прогрессу моделей ИИ, множество открытых ресурсов ИИ доступны для пользователей, а совместно используемые вычислительные мощности можно получить по более низкой цене. С помощью децентрализованного механизма кооперативного краудсорсинга и открытого рынка ИИ можно реализовать справедливую систему распределения доходов, что, в свою очередь, стимулирует больше людей к продвижению прогресса технологий ИИ.

В сценарии Web3 ИИ может оказать положительное влияние в нескольких областях. Например, ИИ модели могут быть интегрированы в смарт-контракты, чтобы повысить эффективность работы в различных приложениях, таких как рыночный анализ, безопасность, социальная кластеризация и многие другие функции. Генеративный ИИ не только позволяет пользователям испытать роль "художника", создавая свои собственные NFT с использованием ИИ технологий, но и создает разнообразные игровые сценарии и интересные взаимодействия в GameFi. Разнообразная инфраструктура обеспечивает плавный опыт разработки, и как ИИ-эксперты, так и новички, желающие войти в область ИИ, могут найти подходящий вход в этот мир.

Два. Интерпретация карты и архитектуры экосистемы Web3-AI

Мы в основном исследовали 41 проект в области Web3-AI и разделили эти проекты на различные уровни. Логика разделения каждого уровня показана на рисунке ниже, включая уровень инфраструктуры, промежуточный уровень и уровень приложений, каждый из которых делится на различные сектора. В следующей главе мы проведем глубокий анализ некоторых представительных проектов.

Уровень инфраструктуры охватывает вычислительные ресурсы и технологическую архитектуру, поддерживающие весь жизненный цикл ИИ, в то время как промежуточный уровень включает в себя управление данными, разработку моделей и услуги верификации и вывода, соединяющие инфраструктуру и приложения. Уровень приложений сосредоточен на различных приложениях и решениях, ориентированных непосредственно на пользователей.

Инфраструктурный уровень:

Инфраструктурный уровень является основой жизненного цикла ИИ, в этой статье вычислительная мощность, AI Chain и платформы разработки классифицируются как инфраструктурный уровень. Именно благодаря поддержке этих инфраструктур становится возможным обучение и вывод ИИ моделей, а также представление пользователям мощных и практичных приложений ИИ.

• Децентрализованная вычислительная сеть: может предоставлять распределенные вычислительные мощности для обучения AI-моделей, обеспечивая эффективное и экономичное использование вычислительных ресурсов. Некоторые проекты предлагают децентрализованный рынок вычислительных мощностей, где пользователи могут арендовать вычислительные мощности по низкой цене или делиться вычислительными мощностями для получения дохода, такие как IO.NET и Hyperbolic. Кроме того, некоторые проекты разработали новые способы взаимодействия, такие как Compute Labs, которые предложили токенизированный протокол, позволяющий пользователям участвовать в аренде вычислительных мощностей различными способами, покупая NFT, представляющие собой реальные GPU.

• AI Chain: Использование блокчейна в качестве основы для жизненного цикла ИИ, обеспечивая бесшовное взаимодействие ИИ-ресурсов на цепочке и вне ее, способствуя развитию отраслевой экосистемы. Децентрализованный рынок ИИ на цепочке может торговать ИИ-активами, такими как данные, модели, агенты и т.д., и предоставляет платформу для разработки ИИ и сопутствующие инструменты разработки, такие как проект Sahara AI. AI Chain также может способствовать прогрессу технологий ИИ в различных областях, например, Bittensor способствует конкуренции между подсетями различных типов ИИ с помощью инновационного механизма стимулов для подсетей.

• Платформа разработки: некоторые проекты предлагают платформы разработки AI-агентов, а также могут осуществлять торговлю AI-агентами, такие как Fetch.ai и ChainML. Удобные инструменты помогают разработчикам легче создавать, обучать и развертывать AI-модели, такими проектами как Nimble. Эта инфраструктура способствует широкому применению технологий AI в экосистеме Web3.

Средний уровень:

Этот уровень включает в себя данные AI, модели, а также вывод и валидацию, применение технологий Web3 может обеспечить более высокую эффективность работы.

• Данные: Качество и количество данных являются ключевыми факторами, влияющими на эффективность обучения модели. В мире Web3 через краудсорсинг данных и совместную обработку данных можно оптимизировать использование ресурсов и снизить затраты на данные. Пользователи могут обладать правами на свои данные и продавать их с учетом защиты конфиденциальности, чтобы избежать кражи данных и получения высокой прибыли недобросовестными бизнесменами. Для сторон, нуждающихся в данных, эти платформы предлагают широкий выбор и крайне низкие затраты. Примеры проектов, таких как Grass, используют пропускную способность пользователей для сбора веб-данных, а xData собирает медиаинформацию через удобные плагины и поддерживает загрузку пользователями информации о твитах.

Кроме того, некоторые платформы позволяют экспертам в области или обычным пользователям выполнять задачи по предварительной обработке данных, такие как аннотирование изображений и классификация данных, которые могут требовать профессиональных знаний в области финансов и юридической обработки данных, пользователи могут токенизировать свои навыки для реализации коллаборативного краудсорсинга предварительной обработки данных. Примером является рынок AI, такой как Sahara AI, который охватывает задачи данных из различных областей и может охватывать многопрофильные сценарии данных; в то время как AIT Protocolt осуществляет аннотирование данных с помощью человеческо-машинного взаимодействия.

• Модель: В процессе разработки AI, упомянутом ранее, различные типы требований требуют соответствующих моделей. Модели, часто используемые для задач обработки изображений, такие как CNN и GAN, для задач обнаружения объектов можно выбрать серию Yolo, а для текстовых задач распространены модели RNN, Transformer и другие, конечно, есть и некоторые специфические или универсальные большие модели. Для задач различной сложности требуемая модель имеет разную глубину, иногда требуется настройка модели.

Некоторые проекты поддерживают пользователей в предоставлении различных типов моделей или совместном обучении моделей через краудсорсинг, такие как Sentient, который благодаря модульному дизайну позволяет пользователям размещать надежные данные модели на уровне хранения и распределения для оптимизации модели. Инструменты разработки, предлагаемые Sahara AI, встроены с передовыми AI алгоритмами и вычислительными фреймворками, а также обладают возможностью совместного обучения.

• Вывод и верификация: после обучения модель генерирует файлы весов модели, которые можно использовать для прямой классификации, прогнозирования или других специфических задач, этот процесс называется выводом. Процесс вывода обычно сопровождается механизмом верификации, чтобы проверить, правильно ли модель вывода, есть ли злонамеренные действия и т.д. Вывод в Web3 обычно может быть интегрирован в смарт-контракты, путем вызова модели для вывода, общие методы верификации включают технологии ZKML, OPML и TEE. Представляющие проекты, такие как AI оракул на цепи ORA (OAO), ввели OPML как проверяемый слой для AI оракула, на официальном сайте ORA также упоминается их исследование по ZKML и opp/ai (ZKML в сочетании с OPML).

Уровень приложения:

Этот уровень в основном представляет собой приложения, ориентированные на пользователей, которые объединяют ИИ и Web3, создавая