Панорамный отчет о Web3-AI: углубленный анализ технической логики, сценарных приложений и ведущих проектов Глубина

С увеличением популярности AI-нарративов все больше внимания сосредоточено на этом направлении. Проведен глубокий анализ технической логики, приложений и представительных проектов в сфере Web3-AI, чтобы полностью представить панораму и тенденции развития этой области.

Один. Web3-AI: анализ технической логики и возможностей новых рынков

1.1 Логика слияния Web3 и ИИ: как определить рынок Web-AI

За последний год AI-нарративы в индустрии Web3 стали невероятно популярными, AI-проекты возникли как грибы после дождя. Хотя существует множество проектов, связанных с AI-технологиями, некоторые из них используют AI лишь в определённых частях своих продуктов, при этом базовая токеномика не имеет существенной связи с AI-продуктами, поэтому такие проекты не рассматриваются в данной статье как Web3-AI проекты.

Основное внимание в статье уделяется проектам, которые используют блокчейн для решения проблем производственных отношений и ИИ для решения проблем производительных сил. Эти проекты сами по себе предлагают ИИ-продукты, одновременно основываясь на экономической модели Web3 в качестве инструмента производственных отношений, что дополняет друг друга. Мы классифицируем такие проекты как сектор Web3-AI. Чтобы читатели лучше поняли сектор Web3-AI, будет раскрыт процесс разработки ИИ и его вызовы, а также то, 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 моделировать, 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 нашей жизни и работы.

Процесс разработки моделей искусственного интеллекта обычно включает в себя следующие ключевые этапы: сбор и предварительная обработка данных, выбор и настройка модели, обучение и вывод модели. Например, чтобы разработать модель для классификации изображений кошек и собак, вам потребуется:

1. Сбор данных и предварительная обработка данных: Соберите набор данных изображений, содержащий кошек и собак, можно использовать открытые наборы данных или собрать реальные данные самостоятельно. Затем для каждого изображения укажите категорию ( кошка или собака ), убедитесь, что метки точны. 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, например, сверточную нейронную 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 могут быть настроены в зависимости от сложности задачи ИИ. В этом простом примере классификации может быть достаточно более легкой сети.

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

4. Инференция модели: Файлы с обученной моделью обычно называются весами модели, процесс инференции относится к использованию уже обученной модели для прогнозирования 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-меры и т.д.

Как показано на рисунке, после сбора данных и предварительной обработки данных, выбора и настройки модели, а также обучения, применение обученной модели на тестовом наборе данных даст предсказанные значения для котов и собак P(вероятность), то есть вероятность того, что модель определяет, является ли это котом или собакой.

Обученная модель ИИ может быть дополнительно интегрирована в различные приложения для выполнения различных задач. В этом примере модель ИИ для классификации кошек и собак может быть интегрирована в мобильное приложение, в которое пользователи загружают изображения кошек или собак, чтобы получить результаты классификации.

Однако централизованный процесс разработки ИИ сталкивается с некоторыми проблемами в следующих сценариях:

Конфиденциальность пользователей: в централизованных сценариях процесс разработки ИИ обычно непрозрачен. Данные пользователей могут быть украдены без их ведома и использованы для обучения ИИ.

Получение данных: Небольшие команды или отдельные лица, получая данные в определенной области (, такие как медицинские данные ), могут столкнуться с ограничениями на использование закрытых данных.

Выбор и настройка модели: для небольших команд сложно получить ресурсы моделей в конкретной 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 могут представлять собой значительное экономическое бремя.

Доход от активов ИИ: работники по аннотации данных часто не могут получить доход, соответствующий их усилиям, а результаты исследований разработчиков ИИ также трудно сопоставить с покупателями, которым это нужно.

Вызовы, существующие в централизованных AI-сценариях, могут быть преодолены через сочетание с Web3. Web3, как новая производственная связь, естественно адаптируется к AI, представляющему новую производительную силу, тем самым способствуя одновременному прогрессу технологий и производственных мощностей.

1.3 Синергия Web3 и ИИ: Изменение ролей и инновационные приложения

Сочетание Web3 и ИИ может усилить суверенитет пользователей, предоставляя пользователям открытую платформу для сотрудничества в области ИИ, позволяя им перейти от пользователей ИИ в эпоху Web2 к участникам, создающим ИИ, которым могут владеть все. В то же время интеграция мира Web3 и технологий ИИ может привести к возникновению более инновационных сценариев применения и способов взаимодействия.

На основе технологий Web3, разработка и применение ИИ вступят в новую эпоху кооперативной экономики. Конфиденциальность данных людей будет защищена, модель краудсорсинга данных будет способствовать развитию ИИ-моделей, множество открытых ресурсов ИИ будет доступно пользователям, а общий вычислительный потенциал можно будет получить по более низкой цене. С помощью децентрализованной механики краудсорсинга и открытого ИИ-рынка можно реализовать справедливую систему распределения доходов, что будет стимулировать больше людей к продвижению технологий ИИ.

В сценариях Web3 ИИ может оказывать положительное влияние в нескольких областях. Например, модели ИИ могут быть интегрированы в смарт-контракты для повышения рабочей эффективности в различных приложениях, таких как рыночный анализ, безопасность, кластеризация социальных сетей и многие другие функции. Генеративный ИИ не только позволяет пользователям почувствовать себя "художниками", создавая свои собственные NFT с помощью ИИ-технологий, но также может создавать разнообразные игровые сценарии и интересные взаимодействия в GameFi. Богатая инфраструктура обеспечивает плавный процесс разработки, и как эксперты в области ИИ, так и новички, стремящиеся войти в эту область, могут найти подходящий вход в этом мире.

Два, интерпретация карты и структуры экосистемы Web3-AI

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 дополнительно делится на разные секции. В следующей главе мы проведем глубокий анализ некоторых представительных проектов.

Инфраструктурный уровень охватывает вычислительные ресурсы и технологическую архитектуру, поддерживающие весь жизненный цикл ИИ, промежуточный уровень включает в себя управление данными, разработку моделей и услуги верификации и вывода, соединяющие инфраструктуру и приложения, тогда как уровень приложений сосредоточен на различных приложениях и решениях, направленных непосредственно на пользователя.

Инфраструктурный уровень:

Инфраструктурный уровень является основой жизненного цикла ИИ, в данной статье вычислительная мощность, AI Chain и платформа разработки классифицируются как инфраструктурный уровень. Именно благодаря поддержке этой инфраструктуры становится возможным обучение и вывод моделей ИИ, а также представление пользователям мощных и практичных приложений 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 вычислительные мощности по низкой цене или делиться мощностями для получения прибыли, такие как IO.NET и Hyperbolic. Кроме того, некоторые проекты разработали новые способы, такие как Compute Labs, которые предложили токенизированные протоколы, позволяя пользователям приобретать NFT, представляющие реальные GPU, чтобы участвовать в аренде вычислительных мощностей различными способами для получения прибыли.

• AI Chain: Используя блокчейн в качестве основы для жизненного цикла AI, обеспечивает бесшовное взаимодействие AI-ресурсов на цепи и вне ее, способствуя развитию отраслевой экосистемы. Децентрализованный AI-рынок на цепи может торговать активами AI, такими как данные, модели, агенты и т. д., а также предоставляет рамки для разработки AI и сопутствующие инструменты для разработки, примеры проектов включают Sahara AI. AI Chain также может способствовать прогрессу технологий AI в различных областях, например, Bittensor стимулирует конкуренцию между подсетями различных типов AI через инновационный механизм стимулов для подсетей.

• Платформа разработки: некоторые проекты предлагают платформы для разработки AI-агентов, а также могут осуществлять сделки с AI-агентами, такие как Fetch.ai и ChainML. Комплексные инструменты помогают разработчикам более удобно создавать, обучать и развертывать AI-модели, такие как Nimble. Эта инфраструктура способствует широкому применению технологий AI в экосистеме Web3.

Промежуточный слой:

Этот уровень касается данных AI, моделей, а также вывода и проверки, использование технологий Web3 может обеспечить более высокую эффективность работы.

• Данные: Качество и количество данных являются ключевыми факторами, влияющими на эффективность обучения модели. В мире Web3, оптимизация использования ресурсов и снижение затрат на данные возможны благодаря краудсорсингу данных и совместной обработке данных. Пользователи могут обладать суверенитетом над своими данными и продавать их с учетом защиты конфиденциальности, чтобы избежать их кражи и получения высокой прибыли недобросовестными торговцами. Для потребителей данных эти платформы предлагают широкий выбор и крайне низкие затраты. Примеры проектов, таких как Grass, используют пропускную способность пользователей для сбора данных из Интернета, xData собирает информацию о медиа через удобные для пользователя плагины и поддерживает возможность загрузки твитов пользователями.

Кроме того, некоторые платформы позволяют отраслевым экспертам или обычным пользователям выполнять задачи предварительной обработки данных, такие как аннотирование изображений и классификация данных. Эти задачи могут требовать профессиональных знаний в области финансов и права, и пользователи могут токенизировать свои навыки, реализуя совместное краудсорсинг предварительной обработки данных. Представленный, например, на рынке AI Sahara AI, с различными задачами данных в разных областях, может охватывать многопрофильные сценарии данных; в то время как AIT Protocolt осуществляет аннотирование данных с помощью человеко-машинного взаимодействия.

• Модель: В процессе разработки ИИ, о котором упоминалось ранее, различные типы требований требуют соответствующих моделей. Для задач обработки изображений часто используются модели, такие как CNN, 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 различной сложности задач также различаются, иногда требуется настроить модель.

Некоторые проекты поддерживают пользователей в предоставлении различных типов моделей или в совместной тренировке моделей через краудсорсинг. Например, Sentient с помощью модульного дизайна позволяет пользователям размещать надежные данные моделей на уровне хранения и распределения для оптимизации моделей, а инструменты разработки, предоставляемые Sahara AI, встроены с передовыми алгоритмами ИИ и вычислительными框架ми, а также обладают возможностью совместной тренировки.

• Вывод и верификация: После обучения модель генерирует файл весов модели, который можно использовать для прямой классификации, предсказания или других специфических задач, этот процесс называется выводом. Процесс вывода обычно сопровождается механизмом верификации, чтобы проверить, правильен ли источник выводимой модели, есть ли злонамеренные действия и т.д. Вывод в Web3 обычно может быть интегрирован в смарт-контракты, путем вызова модели для вывода, распространенные методы верификации включают технологии ZKML, OPML и TEE. Представленный проект, такой как AI оракул на цепочке ORA (OAO), ввел OPML в качестве верифицируемого слоя для AI оракула, на официальном сайте ORA также упоминается их исследование о сочетании ZKML и opp/ai(ZKML с OPML).

Прикладной уровень:

Этот уровень в основном представляет собой приложения, ориентированные непосредственно на пользователей, которые объединяют ИИ и Web3, создавая больше интересных и инновационных способов использования. В статье в основном рассматриваются проекты в нескольких областях: AIGC(, генерация контента ИИ), ИИ-агенты и анализ данных.

• AIGC: С помощью AIGC можно расширить возможности в Web3, включая NFT, игры и другие направления. Пользователи могут напрямую генерировать текст, изображения и аудио, используя подсказки, предоставленные пользователем через Prompt(, и даже создавать индивидуальные игровые механики в зависимости от своих предпочтений. NFT-проекты, такие как NFPrompt, позволяют пользователям генерировать NFT с помощью ИИ и торговать ими на рынке; игры, такие как Sleepless, позволяют пользователям формировать характер виртуального партнера через диалоги, чтобы соответствовать своим предпочтениям.

• AI-агент: это искусственный интеллект, способный самостоятельно выполнять задачи и принимать решения. AI-агенты обычно обладают способностями восприятия, рассуждения, обучения и действия, что позволяет им выполнять сложные задачи в различных средах. Примеры распространенных AI-агентов включают языковой перевод и изучение языков,