Звіт про панораму Web3-AI: технічна логіка, сценарні застосування та глибокий аналіз провідних проектів

З огляду на зростаючий інтерес до наративів AI, все більше уваги зосереджується на цій галузі. Ця стаття детально аналізує технічну логіку, сценарії використання та представницькі проекти в галузі Web3-AI, щоб повністю представити панораму та тенденції розвитку цієї сфери.

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

1.1 Логіка інтеграції Web3 та AI: як визначити сектор Web3-AI

Протягом минулого року AI оповідання в індустрії Web3 стало надзвичайно популярним, проєкти на основі AI з'являються як гриби після дощу. Хоча існує багато проєктів, що стосуються технологій AI, деякі з них використовують AI лише в певних частинах своїх продуктів, тоді як основна токеноміка не має суттєвого зв'язку з продуктами AI, тому такі проєкти не входять до обговорення Web3-AI проєктів у цій статті.

Основна увага цієї статті зосереджена на використанні блокчейн-технологій для вирішення проблем виробничих відносин, а також на проєктах, які використовують ШІ для вирішення проблем продуктивності. Ці проєкти самі по собі пропонують продукти ШІ, одночасно базуючись на економічній моделі Web3 як інструменті виробничих відносин, що взаємодоповнюють одне одного. Ми відносимо такі проєкти до категорії Web3-AI. Щоб читачі краще зрозуміли категорію Web3-AI, ця стаття розкриє процес розробки ШІ та його виклики, а також те, як поєднання Web3 і ШІ ідеально вирішує проблеми та створює нові сценарії застосування.

1.2 Розробка та виклики ШІ: від збору даних до моделювання висновків

Технологія ШІ – це технологія, що дозволяє комп'ютерам імітувати, розширювати та посилювати людський інтелект. Вона дозволяє комп'ютерам виконувати різноманітні складні завдання, від перекладу мов, класифікації зображень до розпізнавання облич, автономного водіння та інших застосувань, ШІ змінює способи нашого життя та роботи.

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

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

2. Вибір та налаштування моделі: вибір відповідної моделі, наприклад, згорткової нейронної мережі (CNN), яка більш підходить для завдань класифікації зображень. Налаштування параметрів або архітектури моделі відповідно до різних вимог, зазвичай, ієрархія мережі моделі може бути змінена залежно від складності AI завдання. У цьому простому прикладі класифікації може бути достатньо менш глибокої ієрархії 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. Моделювання висновків: Файли, в яких модель була навчена, зазвичай називаються вагами моделі, а процес висновку означає використання вже навченої моделі для прогнозування або класифікації нових даних. У цьому процесі можна використовувати тестовий набір або нові дані для перевірки ефективності класифікації моделі, зазвичай оцінюючи ефективність моделі за допомогою таких показників, як точність, відзив та F1-score.

Як показано на малюнку, після збору даних, їх попередньої обробки, вибору та налаштування моделі, а також навчання, проведення інференції за допомогою навченого моделі на тестовому наборі даних дасть прогнозовані значення P (ймовірність) для котів і собак, тобто ймовірність того, що модель визначить об'єкт як кота або собаку.

Навчена модель ШІ може бути додатково інтегрована в різні програми для виконання різних завдань. У цьому прикладі модель ШІ для класифікації котів і собак може бути інтегрована в мобільний додаток, де користувач завантажує зображення кота або собаки, і отримує результат класифікації.

Однак, централізований процес розробки AI має деякі проблеми в наступних сценаріях:

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

Отримання джерела даних: невеликі команди або окремі особи, які отримують дані в певній області (наприклад, медичні дані), можуть стикатися з обмеженнями щодо відкритості даних.

Вибір моделі та її налаштування: для невеликих команд важко отримати ресурси моделі для конкретної області або витратити значні кошти на налаштування моделі.

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

AI активи доходів: працівники з розмітки даних часто не можуть отримати доходи, які відповідають їхнім витратам, а результати досліджень розробників AI також важко співвіднести з покупцями, які мають попит.

Виклики, що існують у централізованих сценаріях AI, можуть бути подолані через інтеграцію з Web3. Web3, як нова форма виробничих відносин, природно підходить для представлення нової виробничої сили AI, що сприяє одночасному прогресу технологій та виробничих можливостей.

1.3 Взаємодія Web3 та AI: зміна ролей та інноваційні застосування

Поєднання Web3 та AI може посилити суверенітет користувачів, надаючи їм відкриту платформу для співпраці з AI, що дозволяє користувачам перейти від ролі користувача AI в епоху Web2 до ролі учасника, створюючи AI, яким можуть володіти всі. У той же час, інтеграція світу Web3 та технологій AI може створити більше інноваційних сценаріїв застосування та ігор.

На основі технології Web3 розробка та застосування ШІ набуде абсолютно нової системи кооперативної економіки. Приватність даних людей може бути забезпечена, моделі краудсорсингу даних сприятимуть прогресу ШІ, безліч відкритих ресурсів ШІ буде доступна користувачам, а спільні обчислювальні потужності можна буде отримати за нижчою ціною. Завдяки децентралізованим механізмам кооперативного краудсорсингу та відкритому ринку ШІ можна реалізувати справедливу систему розподілу доходів, що стимулюватиме більше людей сприяти розвитку технологій ШІ.

У сцені Web3 штучний інтелект може мати позитивний вплив у різних напрямках. Наприклад, штучні інтелектуальні моделі можуть бути інтегровані в смарт-контракти, підвищуючи ефективність роботи в різних застосуваннях, таких як аналіз ринку, перевірка безпеки, соціальне згрупування та багато інших функцій. Генеративний штучний інтелект не лише дозволяє користувачам відчути себе "художниками", наприклад, створюючи свої власні NFT за допомогою технологій ШІ, але й може створювати різноманітні ігрові сцени та цікаві інтерактивні досвіди в GameFi. Різноманітна інфраструктура забезпечує зручний досвід розробки, незалежно від того, чи є ви експертом у галузі ШІ, чи новачком, який хоче увійти у світ ШІ.

Два, розгляд екосистеми Web3-AI та її архітектури

Ми в основному досліджували 41 проект у сегменті Web3-AI та розділили ці проекти на різні рівні. Логіка розподілу кожного рівня наведена на малюнку нижче, включаючи рівень інфраструктури, середній рівень та рівень застосувань, кожен з яких також поділяється на різні сегменти. У наступному розділі ми проведемо глибокий аналіз деяких представницьких проектів.

Інфраструктурний рівень охоплює обчислювальні ресурси та технологічну архітектуру, що підтримують увесь життєвий цикл AI, тоді як середній рівень включає в себе управління даними, розробку моделей та послуги верифікації та висновку, що з'єднують інфраструктуру з додатками; прикладний рівень зосереджується на різних додатках та рішеннях, що безпосередньо орієнтовані на користувача.

Інфраструктурний рівень:

Інфраструктурний шар є основою життєвого циклу ШІ, у цій статті обчислювальні потужності, AI Chain та платформи для розробки класифікуються як інфраструктурний шар. Саме завдяки підтримці цих інфраструктур стає можливим навчання та інференція моделей ШІ, а також надання користувачам потужних і практичних програм ШІ.

• Децентралізована обчислювальна мережа: може забезпечити розподілену обчислювальну потужність для навчання моделей штучного інтелекту, забезпечуючи ефективне та економічне використання обчислювальних ресурсів. Деякі проекти пропонують децентралізовані ринки обчислювальної потужності, де користувачі можуть орендувати обчислювальну потужність за низькою ціною або ділитися обчислювальною потужністю для отримання прибутку, такі проекти як IO.NET і Hyperbolic. Крім того, деякі проекти розробили нові ігри, такі як Compute Labs, які запропонували токенізований протокол, де користувачі можуть купувати NFT, що представляють фізичні 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 його межами, сприяючи розвитку галузевого екосистеми. Децентралізований AI-ринок на ланцюгу може торгувати AI-активами, такими як дані, моделі, агенти тощо, а також надає фреймворк для розробки AI та супутні інструменти розробки, прикладом проекту є Sahara AI. AI Chain також може сприяти прогресу AI-технологій у різних сферах, наприклад, Bittensor через інноваційний механізм стимулювання підмереж для сприяння конкуренції між різними типами AI-підмереж.

• Розробницька платформа: деякі проєкти пропонують платформи для розробки AI-агентів, а також можуть реалізувати торгівлю AI-агентами, такі як Fetch.ai та ChainML тощо. Інструменти «одного вікна» допомагають розробникам зручніше створювати, навчати та розгортати AI-моделі, представлений проєктами, такими як Nimble. Ця інфраструктура сприяє широкому використанню AI-технологій в екосистемі Web3.

Середній рівень:

Цей рівень стосується даних AI, моделей, а також висновків і верифікації, використовуючи технології Web3, можна досягти вищої робочої ефективності.

• Дані: Якість і кількість даних є ключовими факторами, що впливають на ефективність навчання моделі. У світі Web3, завдяки краудсорсингу даних та колаборативній обробці даних, можна оптимізувати використання ресурсів і знизити витрати на дані. Користувачі можуть володіти правами на дані, продаючи свої дані в умовах захисту приватності, 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 здатність користувачів для збору веб-даних, xData збирає медіаінформацію за допомогою зручних плагінів і підтримує можливість завантаження користувачами інформації твітів.

Крім того, деякі платформи дозволяють експертам у певних галузях або звичайним користувачам виконувати завдання з попередньої обробки даних, такі як позначення зображень, класифікація даних, які можуть вимагати спеціальних знань у фінансових та юридичних завданнях обробки даних. Користувачі можуть токенізувати свої навички, реалізуючи колабораційне краудсорсинг попередньої обробки даних. Прикладом є AI-ринок, як-от Sahara AI, який має дані завдання в різних областях та може охоплювати багатогалузеві сценарії даних; тоді як AIT Protocol позначає дані за допомогою співпраці людини та машини.

• Модель: В процесі розробки AI, про який згадувалося раніше, різні типи вимог потребують підбору відповідної моделі. Для завдань з обробки зображень часто використовуються моделі, такі як CNN, GAN, для завдань виявлення об'єктів можна вибрати серію Yolo, для текстових завдань поширеними є моделі RNN, Transformer тощо, звичайно, є також деякі специфічні або загальні великі моделі. Моделі з різним рівнем складності потребують різної Глибини, іноді потрібно виконувати налаштування моделі.

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

• Висновок та верифікація: після навчання модель генерує файли ваг моделі, які можна використовувати для безпосередньої класифікації, прогнозування або інших специфічних завдань, цей процес називається висновком. Процес висновку зазвичай супроводжується механізмом верифікації, щоб перевірити, чи правильне джерело моделі висновку, чи є зловмисні дії тощо. Висновок Web3 зазвичай можна інтегрувати в смарт-контракти, викликаючи модель для проведення висновку, поширеними методами верифікації є технології ZKML, OPML та TEE. Представлені проекти, такі як AI оракул на базі ORA (OAO), впровадили OPML як верифікаційний шар AI оракула, на офіційному сайті ORA також згадується їх дослідження щодо ZKML та opp/ai (ZKML у поєднанні з OPML).

Застосунковий рівень:

Цей рівень в основному є додатками, які безпосередньо орієнтовані на користувачів, поєднуючи ШІ з Web3, створюючи більше цікавих та інноваційних ігор. У цій статті в основному розглядаються проекти в кількох сегментах: AIGC (AI-генерований контент), AI-агенти та аналіз даних.

• AIGC: За допомогою AIGC можна