Обзор веб3-AI: технология, сценарии применения и глубокий анализ лучших проектов Глубина

С учетом продолжающегося роста интереса к AI-нарративу, всё больше внимания сосредоточено на этом направлении. В данной статье проведён глубокий анализ технической логики, сценариев применения и представительных 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 слияния Web3 и ИИ: как определить сектор Web3-AI

В прошлом году AI-нарратив был необычайно популярен в индустрии Web3, и AI-проекты возникали как грибы после дождя. Хотя существует множество проектов, связанных с AI-технологиями, некоторые из них используют AI только в определенных частях своих продуктов, а основная токеномика не имеет существенной связи с AI-продуктами, поэтому такие проекты не будут обсуждаться в данной статье как Web3-AI проекты.

Основное внимание в этой статье уделяется проектам, использующим блокчейн для решения проблем производственных отношений и искусственный интеллект для решения проблем производительных сил. Эти проекты сами предлагают AI-продукты и одновременно основаны на экономической модели Web3 в качестве инструмента производственных отношений, что делает их взаимодополняющими. Мы классифицируем такие проекты как трек Web3-AI. Чтобы читатели лучше понимали трек Web3-AI, в статье подробно рассматриваются процесс разработки AI и вызовы, а также то, как сочетание Web3 и AI 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 моделировать, расширять и усиливать человеческий интеллект. Она позволяет компьютерам выполнять различные сложные задачи, от перевода языков, классификации изображений до распознавания лиц, автономного вождения и других прикладных сценариев. ИИ меняет наш образ жизни и работы.

Процесс разработки моделей искусственного интеллекта обычно включает в себя несколько ключевых этапов: сбор данных и предварительную обработку данных, выбор и настройку модели, обучение модели и вывод. Приведем простой пример: для разработки модели, которая будет классифицировать изображения кошек и собак, вам потребуется:

1. Сбор данных и предварительная обработка данных: соберите датасет изображений, содержащий кошек и собак, можно использовать открытые датасеты или самостоятельно собрать реальные данные. Затем отметьте категорию (кошка или собака) для каждого изображения, убедившись, что метки точны. Преобразуйте изображения в формат, который может распознать модель, и разделите датасет на обучающую, валидационную и тестовую выборки.

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

3. Обучение модели: можно использовать GPU, TPU или вычислительные кластеры высокой производительности для обучения модели, время обучения зависит от сложности модели и вычислительных возможностей.

4. Модельное выведение: Файл с обученной моделью обычно называется весами модели, а процесс выведения означает использование уже обученной модели для предсказания или классификации новых данных. В этом процессе можно использовать тестовый набор или новые данные для проверки эффективности классификации модели, обычно для оценки эффективности модели используются такие показатели, как точность, полнота, F1-score и т.д.

Как показано на рисунке, после сбора данных, предварительной обработки данных, выбора и настройки модели, а также обучения, применение обученной модели к тестовому набору данных даст предсказанные значения P (вероятность) для кошек и собак, то есть вероятность того, что модель предсказывает, что это кошка или собака.

Обученная модель ИИ может быть дополнительно интегрирована в различные приложения для выполнения разных задач. В этом примере модель ИИ для классификации кошек и собак может быть интегрирована в мобильное приложение, где пользователи загружают фотографии 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 непрозрачен. Данные пользователей могут быть украдены без их ведома и использованы для обучения ИИ.

Получение источников данных: небольшие команды или отдельные лица, пытаясь получить данные в определенных областях (например, медицинские данные), могут столкнуться с ограничением на закрытость данных.

Выбор и настройка модели: для небольших команд трудно получить ресурсы модели в определенной области или потратить значительные средства на настройку модели.

Получение вычислительной мощности: для индивидуальных разработчиков и небольших команд высокая стоимость покупки GPU и аренды облачной вычислительной мощности может представлять собой значительное финансовое бремя.

AI активы доход: Работники по маркировке данных часто не могут получить доход, соответствующий их усилиям, а результаты исследований разработчиков ИИ также трудно сопоставить с покупателями, которые в них нуждаются.

Вызовы, существующие в централизованных AI-сценариях, могут быть решены через комбинацию с Web3, который, как новая производственная связь, естественно адаптируется к AI, представляющему новые производительные силы, тем самым способствуя одновременному прогрессу технологий и производственных мощностей.

1.3 Синергия Web3 и ИИ: изменения ролей и инновационные приложения

Сочетание Web3 и ИИ может усилить суверенитет пользователей, предоставляя откры платформу для сотрудничества ИИ, позволяя пользователям перейти от использования ИИ в эпоху Web2 к участию, создавая ИИ, которым может владеть каждый. В то же время, слияние мира Web3 и технологий ИИ может привести к возникновению большего количества инновационных сценариев применения и игровых механик.

На основе технологии Web3 разработка и применение ИИ вступит в совершенно новую систему кооперативной экономики. Конфиденциальность данных людей может быть обеспечена, модель краудсорсинга данных способствует прогрессу моделей ИИ, множество открытых ресурсов ИИ доступно 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 будет стимулировать больше людей к продвижению прогресса технологий ИИ.

В сцене Web3 ИИ может оказывать положительное влияние в нескольких областях. Например, модели ИИ могут быть интегрированы в смарт-контракты, повышая эффективность работы в различных приложениях, таких как рыночный анализ, безопасность, кластеризация в социальных сетях и многие другие функции. Генеративный ИИ позволяет пользователям испытать роль "художника", например, создавая свои собственные NFT с использованием технологий ИИ, а также создавать разнообразные игровые сцены и интересные интерактивные опыты в GameFi. Богатая инфраструктура обеспечивает плавный опыт разработки, и как эксперты ИИ, так и новички, желающие войти в сферу ИИ, могут найти подходящий вход в этом мире.

Два, Интерпретация экосистемы Web3-AI и архитектуры проектов

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

Инфраструктурный уровень охватывает вычислительные ресурсы и технологическую архитектуру, поддерживающую функционирование всего жизненного цикла ИИ, промежуточный уровень включает в себя управление данными, разработку моделей и сервисы верификации и вывода, соединяющие инфраструктуру с приложениями, а уровень приложений сосредоточен на различных приложениях и решениях, непосредственно ориентированных на пользователей.

Инфраструктурный уровень:

Инфраструктурный слой является основой жизненного цикла ИИ, в этой статье вычислительная мощность, AI Chain и платформа разработки классифицируются как инфраструктурный слой. Именно поддержка этих инфраструктур позволяет осуществлять обучение и вывод моделей ИИ и предоставлять пользователям мощные и практичные приложения ИИ.

• Децентрализованная вычислительная сеть: может предоставить 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 мощности по низкой цене или делиться мощностями для получения дохода, примеры таких проектов: IO.NET и Hyperbolic. Кроме того, некоторые проекты предложили новые способы использования, такие как Compute Labs, которые представили токенизированный протокол, позволяющий пользователям участвовать в аренде вычислительных мощностей различными способами, покупая NFT, представляющие физические GPU.

• AI Chain: Использование блокчейна в качестве основы для жизненного цикла ИИ, что обеспечивает бесшовное взаимодействие AI-ресурсов на цепочке и вне ее, способствуя развитию отраслевой экосистемы. Децентрализованный AI-рынок на цепочке позволяет торговать AI-активами, такими как данные, модели, агенты и т.д., и предоставляет фреймворк для разработки ИИ и сопутствующие инструменты разработки, такие как проект Sahara AI. AI Chain также может способствовать прогрессу технологий ИИ в разных областях, таких как Bittensor, который стимулирует конкуренцию среди подсетей различных типов ИИ с помощью инновационного механизма вознаграждения.

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

Посреднический уровень:

Этот уровень включает данные AI, модели, а также вывод и верификацию, использование технологий Web3 может обеспечить более высокую эффективность работы.

• Данные: Качество и количество данных являются ключевыми факторами, влияющими на эффективность обучения моделей. В мире Web3 совместная обработка данных и краудсорсинг данных могут оптимизировать использование ресурсов и снизить затраты на данные. Пользователи могут иметь автономию над своими данными, продавая их в условиях защиты конфиденциальности, чтобы избежать кражи данных недобросовестными бизнесменами и получения высокой прибыли. Для потребителей данных эти платформы предлагают широкий выбор и очень низкие затраты. Примеры таких проектов включают Grass, который использует пропускную способность пользователей для сбора данных из Интернета, и xData, который собирает информацию о медиа через удобные для пользователя плагины и поддерживает возможность загрузки твитов пользователями.

Кроме того, некоторые платформы позволяют экспертам в области или обычным пользователям выполнять задачи предварительной обработки данных, такие как аннотирование изображений и классификация данных. Эти задачи могут требовать специализированных знаний в области финансов и права. Пользователи могут токенизировать свои навыки, реализуя совместное краудсорсинг предварительной обработки данных. Примером является AI-рынок Sahara AI, который охватывает разные области задач с данными и может покрывать многообразные сценарии данных; в то время как протокол AIT осуществляет аннотирование данных с помощью взаимодействия человека и машины.

• Модель: В процессе разработки ИИ, упомянутом ранее, различные типы требований требуют соответствия подходящей модели. Для задач обработки изображений часто используются модели, такие как CNN и GAN, для задач обнаружения объектов можно выбрать серию Yolo, для текстовых задач распространены модели RNN, Transformer и другие, конечно, есть также некоторые специфические или универсальные большие модели. Модели глубины, необходимые для задач разной сложности, также различаются, иногда требуется настройка модели.

Некоторые проекты поддерживают пользователей в предоставлении различных типов моделей или в совместной тренировке 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, предоставляемые Sahara AI, встроены в современные алгоритмы ИИ и вычислительные фреймворки, а также обладают возможностью совместной тренировки.

• Инференция и валидация: после обучения модель генерирует файл весов модели, который можно использовать для классификации, предсказания или других конкретных задач, этот процесс называется инференцией. Процесс инференции обычно сопровождается механизмом валидации, чтобы проверить, правильен ли источник инференционной модели, есть ли злонамеренные действия и т.д. Инференция в Web3 обычно может быть интегрирована в смарт-контракты, вызывая модель для инференции, общие способы валидации включают технологии ZKML, OPML и TEE. Представляющие проекты, такие как ORA на блокчейне AI предсказатель (OAO), внедрили OPML в качестве проверяемого слоя для AI предсказателя, на официальном сайте ORA также упоминается их исследование по ZKML и opp/ai (ZKML в сочетании с OPML).

Прикладной уровень:

Этот уровень в основном представляет собой приложения, ориентированные на пользователя, которые объединяют ИИ и Web3, создавая больше интересных и инновационных игровых механик. В данной статье в основном рассматриваются проекты в нескольких областях: AIGC (генерация контента с помощью ИИ), ИИ-агенты и анализ данных.

• AIGC：Через AIGC можно