Панорамний звіт про Web3-AI: технологічна логіка, сценарні застосування та глибокий аналіз провідних проєктів

З розвитком наративу AI все більше уваги зосереджується на цьому напрямку. Проведено глибокий аналіз технологічної логіки, застосункових сценаріїв та представницьких проектів у сфері Web3-AI, щоб повністю представити панораму та тенденції розвитку цієї галузі.

Один, Web3-AI: аналіз технічної логіки та нових ринкових можливостей

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

Протягом минулого року AI наратив в індустрії Web3 був надзвичайно популярним, проекти з AI з'являлися, як гриби після дощу. Хоча багато проектів пов'язані з технологією AI, деякі з них використовують AI лише в певних частинах своїх продуктів, а основна токеноміка не має суттєвого зв'язку з продуктами AI, тому такі проекти не будуть обговорюватися в цій статті про Web3-AI.

Основна увага в цій статті приділяється проектам, які використовують блокчейн для вирішення проблем виробничих відносин, а штучний інтелект - для вирішення проблем продуктивності. Ці проекти, в свою чергу, надають продукти штучного інтелекту, а також базуються на економічних моделях Web3 як інструментах виробничих відносин, обидва аспекти доповнюють один одного. Ми відносимо ці проекти до сегменту Web3-AI. Щоб читачі краще зрозуміли сегмент Web3-AI, ми розглянемо процес розробки штучного інтелекту та виклики, а також те, як поєднання Web3 та штучного інтелекту може ідеально вирішити проблеми та створити нові сценарії застосування.

1.2 Розробка та виклики ШІ: від збору даних до моделювання

Технологія штучного інтелекту є технологією, що дозволяє комп'ютерам імітувати, розширювати та підвищувати людський інтелект. Вона дозволяє комп'ютерам виконувати різноманітні складні завдання, від мовного перекладу, класифікації зображень до розпізнавання облич, автоматичного водіння та інших застосувань, штучний інтелект змінює спосіб, яким ми живемо та працюємо.

Процес створення моделей штучного інтелекту зазвичай включає кілька ключових етапів: збір даних та їх попередня обробка, вибір моделі та її налаштування, навчання моделі та інференція. Наприклад, щоб розробити модель для класифікації зображень котів та собак, вам потрібно:

1. Збір даних та попередня обробка даних: зібрати набір даних з зображеннями котів і собак, можна використовувати відкриті набори даних або самостійно зібрати реальні дані. Потім для кожного зображення маркуйте категорію (кіт або собака), переконайтеся, що мітки точні. Перетворіть зображення у формат, який може розпізнати модель, розділіть набір даних на навчальний набір, валідаційний набір і тестовий набір.

2. Вибір моделі та налаштування: виберіть відповідну модель, наприклад, згорткову нейронну мережу (CNN), яка є більш підходящою для завдань класифікації зображень. Налаштуйте параметри або архітектуру моделі відповідно до різних вимог; зазвичай, мережеві шари моделі можна налаштувати відповідно до складності AI завдання. У цьому простому прикладі класифікації може бути достатньо менш глибоких мережевих шарів.

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

4. Моделювання: Файли, що містять навчену модель, зазвичай називаються вагами моделі, а процес інференції - це використання вже навченого моделі для прогнозування або класифікації нових даних. У цьому процесі можна використовувати тестовий набір або нові дані для перевірки класифікаційної ефективності моделі, зазвичай оцінюють ефективність моделі за допомогою таких показників, як точність, відзив, F1-скора тощо.

Після збору даних та їх попередньої обробки, вибору та налаштування моделі, а також навчання, отриману модель тестують на тестовому наборі, щоб отримати прогнози для котів і собак P (ймовірність), тобто ймовірність того, що модель визначила, чи це кіт, чи собака.

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, де користувач завантажує зображення кота або собаки і отримує результати класифікації.

Проте, централізований процес розробки ШІ має деякі проблеми в наступних сценаріях:

Приватність користувачів: у централізованих сценаріях процес розробки ШІ зазвичай є непрозорим. Дані користувачів можуть бути вкрадені без їх відома та використані для навчання ШІ.

Отримання джерел даних: невеликі команди або особи, які отримують дані з певної області (наприклад, медичні дані), можуть стикатися з обмеженнями щодо відкриття даних.

Вибір моделі та налаштування: для невеликих команд важко отримати ресурси моделей у специфічній галузі або витратити значні кошти на налаштування моделі.

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

AI активи доходу: працівники з розмітки даних часто не можуть отримати доход, який відповідає їхнім витратам, а результати досліджень розробників штучного інтелекту також важко узгодити з покупцями, які мають попит.

Виклики, що існують у централізованих AI-сценаріях, можуть бути подолані шляхом поєднання з Web3. Web3, як нова форма виробничих відносин, природно підходить для представлення нових виробничих сил AI, тим самим сприяючи одночасному прогресу технологій і виробничих можливостей.

1.3 Взаємодія Web3 та AI: зміна ролей та інноваційні застосування

Поєднання Web3 та ШІ може посилити суверенітет користувачів, надаючи їм відкриту платформу для співпраці з ШІ, що дозволяє користувачам перейти від споживачів ШІ часів Web2 до активних учасників, створюючи ШІ, яким може володіти кожен. Одночасно, інтеграція світу Web3 та технологій ШІ може призвести до нових інноваційних сценаріїв використання та способів гри.

На основі технології Web3 розробка та впровадження AI зможе зустріти нову систему співпраці в економіці. Приватність даних людей може бути гарантована, модель краудсорсингу даних сприяє прогресу AI моделей, безліч відкритих ресурсів AI доступні для користувачів, а спільна обчислювальна потужність може бути отримана за нижчою ціною. Завдяки децентралізованому механізму краудсорсингу та відкритому AI ринку можна реалізувати справедливу систему розподілу доходів, що спонукатиме більше людей сприяти прогресу технології AI.

У сцені Web3 штучний інтелект може справляти позитивний вплив у кількох напрямках. Наприклад, моделі ШІ можуть бути інтегровані в смарт-контракти, підвищуючи ефективність роботи в різних застосуваннях, таких як ринковий аналіз, безпекова перевірка, соціальна кластеризація та багато інших функцій. Генеративний ШІ не лише дозволяє користувачам відчути себе "художником", наприклад, створюючи свої власні NFT за допомогою технологій ШІ, але й може створювати різноманітні ігрові сцени та цікаві інтерактивні досвіди в GameFi. Багата інфраструктура забезпечує плавний досвід розробки, незалежно від того, чи є ви експертом у сфері ШІ, чи новачком, який хоче увійти в цю галузь, ви завжди зможете знайти відповідний вхід у цьому світі.

Два, аналіз екосистеми Web3-AI та архітектури проекту

Ми в основному досліджували 41 проєкт у сфері Web3-AI і розділили ці проєкти на різні рівні. Логіка розподілу кожного рівня наведена на малюнку нижче, включаючи рівень інфраструктури, середній рівень та рівень застосування, кожен з яких далі розділений на різні сегменти. У наступному розділі ми проведемо глибокий аналіз деяких репрезентативних проєктів.

Інфраструктурний рівень охоплює обчислювальні ресурси та технологічну архітектуру, що підтримують роботу протягом усього життєвого циклу ШІ, середній рівень включає управління даними, розробку моделей і послуги верифікації моделі, що з'єднують інфраструктуру з застосунками, тоді як рівень застосунків зосереджується на різних застосунках та рішеннях, які безпосередньо спрямовані на користувачів.

Інфраструктурний рівень:

Інфраструктурний рівень є основою життєвого циклу ШІ, в цій статті обчислювальні потужності, AI Chain та розробницька платформа класифікуються як інфраструктурний рівень. Саме підтримка цих інфраструктур дозволяє реалізувати навчання та висновки моделей ШІ та представити потужні та практичні програми 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, отримуючи прибуток, такі проекти, як IO.NET і Hyperbolic. Крім того, деякі проекти розробили нові ігрові механіки, такі як Compute Labs, які запропонували токенізований протокол, де користувачі, купуючи NFT, що представляють фізичні GPU, можуть брати участь в оренді обчислювальної потужності різними способами для отримання прибутку.

• AI Chain: Використання блокчейну як основи життєвого циклу AI для безшовної взаємодії AI-ресурсів на ланцюзі та поза ним, що сприяє розвитку галузевої екосистеми. Децентралізований AI-ринок на ланцюзі може торгувати AI-активами, такими як дані, моделі, агенти тощо, і надавати AI-розробницькі рамки та супутні інструменти для розробки, прикладом проекту є Sahara AI. AI Chain також може сприяти прогресу AI-технологій у різних сферах, наприклад, Bittensor за допомогою інноваційного механізму стимулювання підмереж сприяє конкуренції між різними типами AI-підмереж.

• Розробницька платформа: деякі проекти пропонують платформи для розробки AI-агентів, а також можуть реалізувати торгівлю AI-агентами, такі як Fetch.ai та ChainML. Універсальні інструменти допомагають розробникам зручніше створювати, навчати та впроваджувати AI-моделі, представником проекту є Nimble. Ця інфраструктура сприяє широкому застосуванню технологій AI в екосистемі Web3.

Проміжний шар:

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

• Дані: Якість та кількість даних є ключовими факторами, що впливають на ефективність навчання моделі. У світі Web3, за допомогою краудсорсингових даних та кооперативної обробки даних, можна оптимізувати використання ресурсів і знизити витрати на дані. Користувачі можуть володіти своїми даними, продаючи їх у випадках захисту конфіденційності, щоб уникнути крадіжки даних недобросовісними підприємцями та отримання високого прибутку. Для замовників даних ці платформи пропонують широкий вибір і надзвичайно низькі витрати. Представлені проекти, такі як Grass, використовують пропускну спроможність користувачів для збору веб-даних, xData збирає медіаінформацію через дружні до користувача плагіни та підтримує можливість завантаження інформації з твітів.

Крім того, деякі платформи дозволяють фахівцям у певних галузях або звичайним користувачам виконувати завдання попередньої обробки даних, такі як маркування зображень, класифікація даних, які можуть вимагати професійних знань у фінансових та юридичних завданнях обробки даних. Користувачі можуть токенізувати свої навички, реалізуючи кооперативний краудсорсинг попередньої обробки даних. Прикладом є ринок AI, такий як Sahara AI, який має різноманітні завдання з даними в різних областях, що можуть охоплювати багатогалузеві сценарії даних; в той час як AIT Protocolt здійснює маркування даних за допомогою людсько-машинної співпраці.

• Модель: У раніше згаданому процесі розробки ШІ різні типи вимог потребують підбору відповідної моделі. Для завдань з обробки зображень зазвичай використовуються моделі, такі як CNN, GAN; для задач виявлення об'єктів можна обрати серію Yolo; для текстових завдань поширеними є моделі RNN, Transformer та інші, звісно, є також деякі специфічні або загальні великі моделі. Моделі різної складності потребують різної глибини, іноді потрібно налаштувати модель.

Деякі проекти підтримують користувачів у наданні різних типів моделей або спільному навчанні моделей через краудсорсинг, такі як Sentient, що завдяки модульному дизайну дозволяє користувачам розміщувати надійні дані моделей на рівні зберігання та розподілу для оптимізації моделей. Інструменти розробки, що надаються Sahara AI, містять передові алгоритми ШІ та обчислювальні фреймворки, а також мають можливість спільного навчання.

• Висновок та перевірка: 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 перевірки, щоб підтвердити, чи правильне джерело моделі висновку, чи є злонамірені дії тощо. Висновок у Web3 зазвичай може бути інтегрований у смарт-контракти, шляхом виклику моделі для висновку, звичайні способи перевірки включають технології ZKML, OPML та TEE. Представлені проекти, такі як AI оракул на ланцюгу ORA (OAO), ввели OPML як перевіряємий шар для AI оракула, на офіційному сайті ORA також згадувалося про їхнє дослідження ZKML та opp/ai (ZKML у комбінації з OPML).

Рівень застосунків:

Цей шар в основному є програмами, які безпосередньо орієнтовані на користувачів, поєднуючи AI з Web3, створюючи більше цікавих та інноваційних ігор. У цій статті в основному розглядаються проекти в кількох категоріях: AIGC (AI згенерований контент), AI агенти та аналіз даних.

• AIGC: За допомогою AIGC можна розширити можливості в NFT, іграх та інших сегментах Web3, користувачі можуть безпосередньо через Prompt (підказки, надані користувачем) генерувати текст, зображення та аудіо, навіть у грі можна генерувати індивідуальний контент відповідно до своїх уподобань.