Web3-AI Секторний огляд: технічна логіка, сценарії застосування та глибокий аналіз провідних проектів

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

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

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

Протягом минулого року AI наратив у Web3 індустрії був надзвичайно популярним, проекти AI з'являлися, як гриби після дощу. Хоча є багато проектів, які використовують технологію AI, деякі проекти лише в деяких частинах своїх продуктів застосовують AI, а основна токеноміка не має суттєвого зв'язку з продуктами AI, тому такі проекти не входять до обговорення Web3-AI проектів у цій статті.

У цій статті акцентується увага на використанні блокчейну для вирішення проблем виробничих відносин та штучного інтелекту для вирішення проблем продуктивності. Ці проекти самі пропонують продукти штучного інтелекту, водночас базуючись на економічній моделі Web3 як інструменті виробничих відносин, обидва аспекти взаємодоповнюють один одного. Ми класифікуємо такі проекти як Web3-AI трек. Щоб читачі краще зрозуміли Web3-AI трек, ми розглянемо процес розробки штучного інтелекту та виклики, а також як поєднання Web3 та AI ідеально вирішує проблеми та створює нові сценарії застосування.

1.2 Розробка та виклики штучного інтелекту: від збору даних до моделювання

Технологія штучного інтелекту є технологією, яка дозволяє комп'ютерам імітувати, розширювати та посилювати людський інтелект. Вона дозволяє комп'ютерам виконувати різні складні завдання, від перекладу мов, класифікації зображень до розпізнавання облич та автономного водіння, штучний інтелект змінює спосіб, яким ми живемо та працюємо.

Процес розробки моделей штучного інтелекту зазвичай містить кілька ключових етапів: збір даних та попередня обробка даних, вибір та налаштування моделі, навчання моделі та інференція. Наведемо простий приклад: щоб розробити модель для класифікації зображень котів і собак, вам потрібно:

1. Збір даних та попередня обробка даних: збір набору даних з зображеннями котів та собак, можна використовувати відкриті набори даних або самостійно збирати реальні дані. Потім для кожного зображення потрібно позначити категорію (кіт або собака), забезпечити точність міток. Перетворити зображення в формат, який може розпізнати модель, розділити набір даних на навчальний набір, валідаційний набір і тестовий набір.

2. Вибір моделі та налаштування: вибір відповідної моделі, наприклад, згорткової нейронної мережі (CNN), яка більше підходить для завдань класифікації зображень. Налаштування параметрів або архітектури моделі відповідно до різних вимог, зазвичай, рівень мережі моделі можна налаштувати залежно від складності AI-завдання. У цьому простому прикладі класифікації може бути достатньо більш поверхневого рівня мережі.

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

4. Інференція моделі: Файли, в яких тренується модель, зазвичай називають вагами моделі, а процес інференції - це 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 застосовуються такі показники, як точність, відгук, F1-оцінка тощо, для оцінки ефективності моделі.

Як показано на малюнку, після збору даних і попередньої обробки даних, вибору та налаштування моделі, а також навчання, проведення інференції навченої моделі на тестовому наборі дасть прогнози для котів і собак P (імовірність), тобто ймовірність того, що модель вважає це котом чи собакою.

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, у якому користувачі завантажують зображення котів або собак і отримують результати класифікації.

Однак централізований процес розробки ШІ має певні проблеми в наступних сценаріях:

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

Отримання джерел даних: невеликі команди або особи, які отримують дані в певній галузі (наприклад, медичні дані), можуть стикатися з обмеженнями щодо закритих даних.

Вибір і налаштування моделі: для малих команд важко отримати ресурси моделі в конкретній галузі або витратити великі кошти на налаштування моделі.

Отримання обчислювальної потужності: для окремих розробників та невеликих команд високі витрати на купівлю GPU та оренду хмарної обчислювальної потужності можуть стати суттєвим економічним тягарем.

Доходи від активів ШІ: працівники з розмітки даних часто не можуть отримати доходи, які відповідають їхнім витратам, а результати досліджень розробників ШІ також важко узгодити з покупцями, які мають попит.

Виклики, що існують у централізованих AI-сценаріях, можуть бути подолані через поєднання з Web3. Web3, як нова форма виробничих відносин, природно адаптується до AI, що представляє нові виробничі сили, сприяючи таким чином одночасному прогресу технологій і виробничих можливостей.

1.3 Співпраця Web3 та AI: зміна ролей та інноваційні застосування

Web3 та AI у поєднанні можуть зміцнити суверенітет користувачів, надаючи відкриту платформу для співпраці з AI, що дозволяє користувачам перетворитися з користувачів AI епохи Web2 на учасників, створюючи AI, що належить всім. Водночас інтеграція світу Web3 з технологією AI може породжувати ще більше інноваційних застосунків і ігор.

На основі технології Web3, розробка та застосування AI зустрінуть нову кооперативну економічну систему. Приватність даних людей може бути забезпечена, модель краудсорсингу даних сприяє прогресу AI-моделей, численні відкриті ресурси AI доступні для користувачів, спільні обчислювальні потужності можна отримати за нижчою ціною. Завдяки децентралізованому механізму кооперативного краудсорсингу та відкритому AI-ринку можна реалізувати справедливу систему розподілу доходів, що стимулює більше людей до просування прогресу технологій AI.

У сцені Web3 ШІ може мати позитивний вплив у кількох напрямках. Наприклад, моделі ШІ можуть бути інтегровані в смарт-контракти, підвищуючи ефективність роботи в різних застосунках, таких як аналіз ринку, безпекове виявлення, соціальна кластеризація та інші функції. Генеративний ШІ може не лише дозволити користувачам відчути себе "художниками", наприклад, створюючи свої власні NFT за допомогою технології ШІ, але й створювати різноманітні ігрові сцени та цікаві інтерактивні досвіди в GameFi. Багата інфраструктура забезпечує плавний досвід розробки, незалежно від того, чи є ви експертом з ШІ, чи новачком, який бажає увійти в сферу ШІ, ви завжди можете знайти відповідний вхід у цьому світі.

Два, огляд екосистеми Web3-AI проектів та їх архітектури

Ми переважно досліджували 41 проект у галузі Web3-AI і поділили їх на різні рівні. Логіка розподілу кожного рівня показана на наступному малюнку, включаючи інфраструктурний рівень, середній рівень та рівень додатків, кожен з яких поділений на різні сектори. У наступному розділі ми проведемо глибокий аналіз деяких представницьких проектів.

Інфраструктурний рівень охоплює обчислювальні ресурси та технічну архітектуру, які підтримують весь цикл життя ШІ, проміжний рівень включає управління даними, розробку моделей та послуги верифікації, що з'єднують інфраструктуру з додатками, а прикладний рівень зосереджений на різних додатках та рішеннях, які безпосередньо орієнтовані на користувачів.

Інфраструктурний рівень:

Інфраструктурний рівень є основою життєвого циклу ШІ, у цій статті обчислювальні потужності, AI Chain та платформи розробки класифікуються як інфраструктурний рівень. Саме підтримка цих інфраструктур дозволяє здійснювати навчання та виведення моделей ШІ і представляти потужні, практичні додатки 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 орендувати обчислювальну потужність за низькою ціною або ділитися нею для отримання прибутку, представляючи проекти, такі як IO.NET та Hyperbolic. Крім того, деякі проекти вивели нові ігрові механіки, такі як Compute Labs, які запропонували токенізований протокол, де користувачі можуть купувати NFT, що представляє фізичний GPU, щоб брати участь в оренді обчислювальної потужності різними способами для отримання прибутку.

• AI Chain: Використання блокчейну як основи для життєвого циклу AI, що забезпечує безшовну взаємодію AI-ресурсів на ланцюгу та поза ним, сприяючи розвитку екосистеми галузі. Децентралізований AI-ринок на ланцюгу може торгувати AI-активами, такими як дані, моделі, агенти тощо, і надавати AI-розробницьку платформу та супутні інструменти для розробки, проект, що представляє, наприклад, Sahara AI. AI Chain також може сприяти прогресу AI-технологій у різних сферах, наприклад, Bittensor через інноваційний механізм заохочення підмереж для стимулювання конкуренції між різними типами AI-підмереж.

• Розробницька платформа: деякі проекти пропонують AI-агентів на розробницьких платформах, а також можуть здійснювати торгівлю AI-агентами, такі як Fetch.ai та ChainML. Усе-в-одному інструменти допомагають розробникам зручніше створювати, тренувати та впроваджувати AI-моделі, до яких належать проекти, такі як Nimble. Ця інфраструктура сприяє широкому використанню AI-технологій в екосистемі Web3.

Проміжний рівень:

Цей рівень стосується AI даних, моделей, а також міркувань та верифікації, використання технології Web3 може забезпечити вищу ефективність роботи.

• Дані: Якість та кількість даних є ключовими факторами, що впливають на ефективність навчання моделей. У світі Web3, через краудсорсинг даних та колективну обробку даних, можна оптимізувати використання ресурсів і знизити витрати на дані. Користувачі можуть мати автономію щодо даних, продаючи свої дані в умовах захисту конфіденційності, щоб уникнути викрадення даних недобросовісними підприємцями та отримання високих прибутків. Для замовників даних ці платформи пропонують широкий вибір і дуже низькі витрати. Представлені проекти, такі як Grass, використовують пропускну здатність користувачів для збору веб-даних, xData збирає медіаінформацію за допомогою зручних плагінів і підтримує можливість завантаження інформації з твітів.

Крім того, деякі платформи дозволяють експертам у певних сферах або звичайним користувачам виконувати завдання з попередньої обробки даних, такі як позначення зображень, класифікація даних, які можуть вимагати професійних знань у фінансовій та юридичній обробці даних. Користувачі можуть токенізувати свої навички, реалізуючи колективну краудсорсинг попередньої обробки даних. Представник, такий як ринок AI Sahara AI, має різноманітні завдання з даними в різних сферах, що можуть охоплювати багатосферні сценарії даних; в той час як AIT Protocolt виконує маркування даних через співпрацю людини і машини.

• Модель: У процесі розробки ШІ, про який вже згадувалося раніше, різні типи вимог потребують відповідних моделей. Для завдань з обробки зображень зазвичай використовують моделі, такі як CNN, GAN; для завдань виявлення об'єктів можна вибрати серію Yolo, а для текстових завдань поширеними є моделі RNN, Transformer та інші, звісно, є також деякі специфічні або універсальні великі моделі. Моделі з різною складністю завдань потребують різної глибини, іноді потрібно налаштувати модель.

Деякі проекти підтримують користувачів у наданні різних типів моделей або у спільному навчанні моделей через краудсорсинг, такі як Sentient, що завдяки модульному дизайну дозволяє користувачам розміщувати надійні дані моделей в шарі зберігання, а також у розподільному шарі для оптимізації моделей. Розробницькі інструменти, що надаються Sahara AI, вбудовують передові алгоритми ШІ та обчислювальні фреймворки, а також мають можливість спільного навчання.

• Висновок та верифікація: після навчання модель генерує файл ваг моделі, який можна використовувати для безпосередньої класифікації, прогнозування або інших специфічних завдань, цей процес називається висновком. Процес висновку зазвичай супроводжується механізмом верифікації, щоб перевірити, чи є джерело моделі правильним, чи є зловмисні дії тощо. Висновок Web3 зазвичай можна інтегрувати в смарт-контракти, шляхом виклику моделі для висновку, поширеними способами верифікації є технології ZKML, OPML та TEE тощо. Представлені проекти, такі як AI-оракул на ORA (OAO), вводять OPML як верифікаційний шар для AI-оракула, на офіційному сайті ORA також згадується їхнє дослідження щодо ZKML та opp/ai (поєднання ZKML з OPML).

Рівень застосунків:

Цей рівень в основному є програмами, орієнтованими на користувача, які поєднують ШІ та Web3, створюючи