Панорамный отчет о Web3-AI: глубокий анализ технической логики, сценарных приложений и ведущих проектов
С ростом интереса к AI-нарративам все больше внимания сосредоточено на этой области. Проведен глубокий анализ технической логики, сценариев применения и представительных проектов в области Web3-AI, чтобы полностью представить вам панораму и тенденции развития этой области.
Один, Web3-AI: Анализ технологической логики и возможностей новых рынков
1.1 Логика интеграции Web3 и ИИ: как определить сегмент Web-AI
В прошлом году AI-нарратив стал необычайно популярен в индустрии Web3, и проекты на базе ИИ стали появляться как грибы после дождя. Хотя много проектов вовлечены в технологии ИИ, некоторые из них используют ИИ только в определённых частях своих продуктов, а основная токеномика не имеет существенной связи с продуктами ИИ, поэтому такие проекты не будут обсуждаться в данной статье о Web3-AI проектах.
Основное внимание в статье уделяется проектам, которые используют блокчейн для решения проблем производственных отношений и AI для решения проблем производительных сил. Эти проекты сами по себе предлагают AI-продукты и основаны на экономической модели Web3 как инструмента производственных отношений, оба направления дополняют друг друга. Мы классифицируем такие проекты как область Web3-AI. Чтобы читатели лучше поняли область Web3-AI, будет подробно представлен процесс разработки AI и его вызовы, а также то, как сочетание Web3 и AI идеально решает проблемы и создает новые приложения.
1.2 Процесс разработки ИИ и вызовы: от сбора данных до вывода модели
Технология ИИ — это технология, позволяющая компьютерам имитировать, 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 изменяет наш образ жизни и работы.
Процесс разработки искусственного интеллекта обычно включает в себя следующие ключевые этапы: сбор данных и предварительная обработка данных, выбор и настройка модели, обучение модели и вывод. Приведем простой пример: для разработки модели, которая классифицирует изображения кошек и собак, вам необходимо:
Сбор данных и предобработка данных: соберите набор изображений, содержащий кошек и собак, можно использовать открытые наборы данных или самостоятельно собрать реальные данные. Затем отметьте категорию (кошка или собака) для каждого изображения, чтобы убедиться, что метки точные. Преобразуйте изображения в формат, который может распознать модель, разделите набор данных на обучающую выборку, валидационную выборку и тестовую выборку.
Выбор и настройка модели: выберите подходящую модель, например, сверточную нейронную сеть (CNN), которая хорошо подходит для задач классификации изображений. Настройте параметры или архитектуру модели в зависимости от различных требований, как правило, уровни сети модели можно регулировать в зависимости от сложности задачи ИИ. В этом простом примере классификации может быть достаточно более мелкой сети.
Обучение модели: можно использовать GPU, TPU или высокопроизводительные вычислительные кластеры для обучения модели, время обучения зависит от сложности модели и вычислительной мощности.
Модельное вывод: Файл с обученной моделью обычно называется весами модели, а процесс вывода означает использование уже обученной модели для прогнозирования или классификации новых данных. В этом процессе можно использовать тестовый набор или новые данные для проверки классификационного эффекта модели, обычно для оценки эффективности модели используют такие показатели, как точность, полнота, F1-мерка и т.д.
Как показано на рисунке, после сбора данных и предобработки данных, выбора и настройки модели, а также обучения, применение обученной модели на тестовом наборе данных даст предсказанные значения P (вероятность) для котов и собак, то есть вероятность того, что модель определяет объект как кота или собаку.
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, где пользователи загружают фотографии кошек или собак и получают результаты классификации.
Однако централизованный процесс разработки ИИ имеет некоторые проблемы 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 источников данных: небольшие группы или отдельные лица, получающие данные в специфических областях (например, медицинских данных), могут столкнуться с ограничениями на открытость данных.
Выбор и настройка модели: для небольших команд трудно получить ресурсы модели 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 стать значительным экономическим бременем.
AI активы доход: работники по разметке данных часто не могут получить доход, соответствующий их усилиям, в то время как результаты исследований разработчиков AI также трудно сопоставить с покупателями, имеющими потребность.
Вызовы, существующие в централизованных AI-сценариях, могут быть преодолены через интеграцию с Web3. Web3, как новая производственная связь, естественно адаптируется к AI, представляющему новую производственную силу, и таким образом способствует одновременному прогрессу технологий и производственных возможностей.
1.3 Синергия Web3 и ИИ: изменения ролей и инновационные приложения
Слияние Web3 и ИИ может усилить суверенитет пользователей, предоставляя открытые платформы для сотрудничества с ИИ, что позволяет пользователям переходить от роли пользователей ИИ в эпоху Web2 к активным участникам, создающим ИИ, принадлежащий всем. В то же время интеграция мира Web3 и технологий ИИ может привести к возникновению множества инновационных сценариев применения и игровых механик.
На основе технологий Web3 разработка и применение ИИ вступит в новую эру кооперативной экономической системы. Конфиденциальность данных людей будет защищена, модель краудсорсинга данных будет способствовать прогрессу моделей ИИ, множество открытых ресурсов ИИ будет доступно для пользователей, а совместно используемая вычислительная мощность может быть получена по более низкой цене. С помощью децентрализованного механизма кооперативного краудсорсинга и открытого рынка ИИ можно реализовать справедливую систему распределения доходов, что, в свою очередь, будет стимулировать больше людей к продвижению прогресса технологий ИИ.
В сцене Web3 ИИ может оказать положительное влияние в нескольких областях. Например, модели ИИ могут быть интегрированы в смарт-контракты, чтобы повысить эффективность работы в различных приложениях, таких как рыночный анализ, безопасность, социальная кластеризация и многие другие функции. Генеративный ИИ не только позволяет пользователям испытать себя в роли "художника", создавая свои собственные NFT с использованием ИИ-технологий, но и создает разнообразные игровые сцены и интересные взаимодействия в GameFi. Разнообразная инфраструктура обеспечивает плавный опыт разработки, и как эксперты ИИ, так и новички, желающие войти в область ИИ, могут найти подходящий вход в этом мире.
Два, Интерпретация структуры и карты 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 рисунке ниже, включая уровень инфраструктуры, промежуточный уровень и уровень приложений, каждый из которых делится на разные секции. В следующей главе мы проведем глубокий анализ некоторых представительных проектов.
Слой инфраструктуры охватывает вычислительные ресурсы и технологическую архитектуру, поддерживающие работу всего жизненного цикла ИИ, тогда как промежуточный слой включает в себя управление данными, разработку моделей и услуги по верификации и выводу, которые соединяют инфраструктуру и приложения. Приложенческий слой сосредоточен на различных приложениях и решениях, непосредственно ориентированных на пользователей.
Инфраструктурный уровень:
Инфраструктурный уровень является основой жизненного цикла ИИ, в этой статье вычислительные мощности, AI Chain и платформы для разработки отнесены к инфраструктурному уровню. Именно благодаря поддержке этих инфраструктур становится возможным обучение и вывод ИИ моделей, а также представление мощных и практичных ИИ приложений пользователям.
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, такими проектами являются IO.NET и Hyperbolic. Кроме того, некоторые проекты разработали новые способы использования, такие как Compute Labs, которые предложили токенизированный протокол, позволяющий пользователям участвовать в аренде вычислительных мощностей различными способами через покупку NFT, представляющих собой физические GPU.
AI Chain: Использует блокчейн в качестве основы для жизненного цикла ИИ, обеспечивая бесшовное взаимодействие ИИ-ресурсов на цепочке и вне её, способствуя развитию отраслевой экосистемы. Децентрализованный ИИ-рынок на цепочке может торговать ИИ-активами, такими как данные, модели, агенты и т. д., и предоставляет ИИ-разработческую платформу и сопутствующие инструменты разработки, примеры проектов, такие как Sahara AI. AI Chain также может способствовать прогрессу ИИ-технологий в различных областях, например, Bittensor способствует конкуренции между подсетями различных типов ИИ через инновационный механизм стимулирования подсетей.
Платформа разработки: некоторые проекты предлагают платформу разработки AI-агентов, а также могут осуществлять торговлю AI-агентами, такие как Fetch.ai и ChainML. Универсальные инструменты помогают разработчикам более удобно создавать, обучать и развертывать модели AI, представленные проектом Nimble. Эта инфраструктура способствует широкому применению технологий AI в экосистеме Web3.
Средний уровень:
Этот уровень касается данных AI, моделей, а также вывода и верификации, используя технологии Web3, можно достичь более высокой рабочей эффективности.
Данные: Качество и количество данных являются ключевыми факторами, влияющими на эффективность обучения моделей. В мире Web3 оптимизация использования ресурсов и снижение затрат на данные возможны благодаря краудсорсингу данных и совместной обработке данных. Пользователи могут обладать правом на свои данные и продавать их с соблюдением конфиденциальности, чтобы избежать кражи данных недобросовестными компаниями и получения высокой прибыли. Для сторон, нуждающихся в данных, эти платформы предлагают широкий выбор и очень низкие затраты. Примеры проектов, таких как Grass, используют пропускную способность пользователей для сбора данных из Интернета, а xData собирает медиаподробности с помощью удобного плагина и поддерживает загрузку твитов пользователями.
Кроме того, некоторые платформы позволяют экспертам в данной области или обычным пользователям выполнять задачи по предварительной обработке данных, такие как аннотирование изображений и классификация данных. Эти задачи могут требовать профессиональных знаний в области финансов и права. Пользователи могут токенизировать свои навыки для реализации совместной краудсорсинга предварительной обработки данных. Примером является рынок AI, такой как Sahara AI, который охватывает различные задачи с данными и может покрывать многопрофильные сценарии данных; в то время как протокол AIT осуществляет аннотирование данных с помощью сотрудничества человека и машины.
Модель: В процессе разработки ИИ, о котором говорилось раньше, различные типы потребностей требуют соответствующих моделей. Для задач с изображениями часто используются такие модели, как CNN, GAN, для задач обнаружения объектов можно выбрать серию Yolo, для текстовых задач распространены модели RNN, Transformer и, конечно, есть и некоторые специфические или универсальные большие модели. Модель Глубина, необходимая для задач различной сложности, также различна, иногда требуется настройка модели.
Некоторые проекты поддерживают пользователей в предоставлении различных типов моделей или в совместной тренировке моделей через краудсорсинг, такие как Sentient, который с помощью модульного дизайна позволяет пользователям размещать надежные данные моделей на уровне хранения и распределения для оптимизации моделей. Инструменты разработки, предоставляемые Sahara AI, встроены с передовыми AI алгоритмами и вычислительными фреймворками, а также обладают возможностью совместной тренировки.
Вывод и верификация: После обучения модели создается файл весов модели, который можно использовать для прямой классификации, предсказания или других конкретных задач, этот процесс называется выводом. Процесс вывода обычно сопровождается механизмом верификации, чтобы проверить, правильен ли источник модели вывода, есть ли злонамеренные действия и т.д. Вывод Web3 обычно может быть интегрирован в смарт-контракты, через вызов модели для вывода, общие методы верификации включают такие технологии, как ZKML, OPML и TEE. Представляющие проекты, такие как ORA цепочечный AI оракул (OAO), внедрили OPML в качестве верифицируемого слоя для AI оракула, на официальном сайте ORA также упоминаются их исследования по ZKML и opp/ai (ZKML в сочетании с OPML).
Уровень приложения:
Этот уровень в основном представляет собой приложения, ориентированные на пользователей, которые объединяют ИИ и Web3, создавая больше интересных и инновационных способов игры. В данной статье основное внимание уделяется проектам в таких областях, как AIGC (контент, созданный ИИ), ИИ-агенты и анализ данных.
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
17 Лайков
Награда
17
5
Поделиться
комментарий
0/400
SlowLearnerWang
· 07-25 12:31
Наконец-то понял связь между ИИ и веб3... Опять опоздал на год.
Посмотреть ОригиналОтветить0
MEVSandwich
· 07-25 11:24
Со слезами торговал токенами целый год, уже привык.
Посмотреть ОригиналОтветить0
SchroedingerGas
· 07-25 11:15
С AI тоже не избежать судьбы неудачников.
Посмотреть ОригиналОтветить0
ser_ngmi
· 07-25 10:57
Поверхностный AI, за ним полностью централизованные NPC, кто не разыгрывает людей как лохов.
Web3-AI полное исследование: логика слияния технологий и глубокий анализ топовых проектов
Панорамный отчет о Web3-AI: глубокий анализ технической логики, сценарных приложений и ведущих проектов
С ростом интереса к AI-нарративам все больше внимания сосредоточено на этой области. Проведен глубокий анализ технической логики, сценариев применения и представительных проектов в области Web3-AI, чтобы полностью представить вам панораму и тенденции развития этой области.
Один, Web3-AI: Анализ технологической логики и возможностей новых рынков
1.1 Логика интеграции Web3 и ИИ: как определить сегмент Web-AI
В прошлом году AI-нарратив стал необычайно популярен в индустрии Web3, и проекты на базе ИИ стали появляться как грибы после дождя. Хотя много проектов вовлечены в технологии ИИ, некоторые из них используют ИИ только в определённых частях своих продуктов, а основная токеномика не имеет существенной связи с продуктами ИИ, поэтому такие проекты не будут обсуждаться в данной статье о Web3-AI проектах.
Основное внимание в статье уделяется проектам, которые используют блокчейн для решения проблем производственных отношений и AI для решения проблем производительных сил. Эти проекты сами по себе предлагают AI-продукты и основаны на экономической модели Web3 как инструмента производственных отношений, оба направления дополняют друг друга. Мы классифицируем такие проекты как область Web3-AI. Чтобы читатели лучше поняли область Web3-AI, будет подробно представлен процесс разработки AI и его вызовы, а также то, как сочетание Web3 и AI идеально решает проблемы и создает новые приложения.
1.2 Процесс разработки ИИ и вызовы: от сбора данных до вывода модели
Технология ИИ — это технология, позволяющая компьютерам имитировать, 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 изменяет наш образ жизни и работы.
Процесс разработки искусственного интеллекта обычно включает в себя следующие ключевые этапы: сбор данных и предварительная обработка данных, выбор и настройка модели, обучение модели и вывод. Приведем простой пример: для разработки модели, которая классифицирует изображения кошек и собак, вам необходимо:
Сбор данных и предобработка данных: соберите набор изображений, содержащий кошек и собак, можно использовать открытые наборы данных или самостоятельно собрать реальные данные. Затем отметьте категорию (кошка или собака) для каждого изображения, чтобы убедиться, что метки точные. Преобразуйте изображения в формат, который может распознать модель, разделите набор данных на обучающую выборку, валидационную выборку и тестовую выборку.
Выбор и настройка модели: выберите подходящую модель, например, сверточную нейронную сеть (CNN), которая хорошо подходит для задач классификации изображений. Настройте параметры или архитектуру модели в зависимости от различных требований, как правило, уровни сети модели можно регулировать в зависимости от сложности задачи ИИ. В этом простом примере классификации может быть достаточно более мелкой сети.
Обучение модели: можно использовать GPU, TPU или высокопроизводительные вычислительные кластеры для обучения модели, время обучения зависит от сложности модели и вычислительной мощности.
Модельное вывод: Файл с обученной моделью обычно называется весами модели, а процесс вывода означает использование уже обученной модели для прогнозирования или классификации новых данных. В этом процессе можно использовать тестовый набор или новые данные для проверки классификационного эффекта модели, обычно для оценки эффективности модели используют такие показатели, как точность, полнота, F1-мерка и т.д.
Как показано на рисунке, после сбора данных и предобработки данных, выбора и настройки модели, а также обучения, применение обученной модели на тестовом наборе данных даст предсказанные значения P (вероятность) для котов и собак, то есть вероятность того, что модель определяет объект как кота или собаку.
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, где пользователи загружают фотографии кошек или собак и получают результаты классификации.
Однако централизованный процесс разработки ИИ имеет некоторые проблемы 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 источников данных: небольшие группы или отдельные лица, получающие данные в специфических областях (например, медицинских данных), могут столкнуться с ограничениями на открытость данных.
Выбор и настройка модели: для небольших команд трудно получить ресурсы модели 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 стать значительным экономическим бременем.
AI активы доход: работники по разметке данных часто не могут получить доход, соответствующий их усилиям, в то время как результаты исследований разработчиков AI также трудно сопоставить с покупателями, имеющими потребность.
Вызовы, существующие в централизованных AI-сценариях, могут быть преодолены через интеграцию с Web3. Web3, как новая производственная связь, естественно адаптируется к AI, представляющему новую производственную силу, и таким образом способствует одновременному прогрессу технологий и производственных возможностей.
1.3 Синергия Web3 и ИИ: изменения ролей и инновационные приложения
Слияние Web3 и ИИ может усилить суверенитет пользователей, предоставляя открытые платформы для сотрудничества с ИИ, что позволяет пользователям переходить от роли пользователей ИИ в эпоху Web2 к активным участникам, создающим ИИ, принадлежащий всем. В то же время интеграция мира Web3 и технологий ИИ может привести к возникновению множества инновационных сценариев применения и игровых механик.
На основе технологий Web3 разработка и применение ИИ вступит в новую эру кооперативной экономической системы. Конфиденциальность данных людей будет защищена, модель краудсорсинга данных будет способствовать прогрессу моделей ИИ, множество открытых ресурсов ИИ будет доступно для пользователей, а совместно используемая вычислительная мощность может быть получена по более низкой цене. С помощью децентрализованного механизма кооперативного краудсорсинга и открытого рынка ИИ можно реализовать справедливую систему распределения доходов, что, в свою очередь, будет стимулировать больше людей к продвижению прогресса технологий ИИ.
В сцене Web3 ИИ может оказать положительное влияние в нескольких областях. Например, модели ИИ могут быть интегрированы в смарт-контракты, чтобы повысить эффективность работы в различных приложениях, таких как рыночный анализ, безопасность, социальная кластеризация и многие другие функции. Генеративный ИИ не только позволяет пользователям испытать себя в роли "художника", создавая свои собственные NFT с использованием ИИ-технологий, но и создает разнообразные игровые сцены и интересные взаимодействия в GameFi. Разнообразная инфраструктура обеспечивает плавный опыт разработки, и как эксперты ИИ, так и новички, желающие войти в область ИИ, могут найти подходящий вход в этом мире.
Два, Интерпретация структуры и карты 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 рисунке ниже, включая уровень инфраструктуры, промежуточный уровень и уровень приложений, каждый из которых делится на разные секции. В следующей главе мы проведем глубокий анализ некоторых представительных проектов.
Слой инфраструктуры охватывает вычислительные ресурсы и технологическую архитектуру, поддерживающие работу всего жизненного цикла ИИ, тогда как промежуточный слой включает в себя управление данными, разработку моделей и услуги по верификации и выводу, которые соединяют инфраструктуру и приложения. Приложенческий слой сосредоточен на различных приложениях и решениях, непосредственно ориентированных на пользователей.
Инфраструктурный уровень:
Инфраструктурный уровень является основой жизненного цикла ИИ, в этой статье вычислительные мощности, AI Chain и платформы для разработки отнесены к инфраструктурному уровню. Именно благодаря поддержке этих инфраструктур становится возможным обучение и вывод ИИ моделей, а также представление мощных и практичных ИИ приложений пользователям.
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, такими проектами являются IO.NET и Hyperbolic. Кроме того, некоторые проекты разработали новые способы использования, такие как Compute Labs, которые предложили токенизированный протокол, позволяющий пользователям участвовать в аренде вычислительных мощностей различными способами через покупку NFT, представляющих собой физические GPU.
AI Chain: Использует блокчейн в качестве основы для жизненного цикла ИИ, обеспечивая бесшовное взаимодействие ИИ-ресурсов на цепочке и вне её, способствуя развитию отраслевой экосистемы. Децентрализованный ИИ-рынок на цепочке может торговать ИИ-активами, такими как данные, модели, агенты и т. д., и предоставляет ИИ-разработческую платформу и сопутствующие инструменты разработки, примеры проектов, такие как Sahara AI. AI Chain также может способствовать прогрессу ИИ-технологий в различных областях, например, Bittensor способствует конкуренции между подсетями различных типов ИИ через инновационный механизм стимулирования подсетей.
Платформа разработки: некоторые проекты предлагают платформу разработки AI-агентов, а также могут осуществлять торговлю AI-агентами, такие как Fetch.ai и ChainML. Универсальные инструменты помогают разработчикам более удобно создавать, обучать и развертывать модели AI, представленные проектом Nimble. Эта инфраструктура способствует широкому применению технологий AI в экосистеме Web3.
Средний уровень:
Этот уровень касается данных AI, моделей, а также вывода и верификации, используя технологии Web3, можно достичь более высокой рабочей эффективности.
Кроме того, некоторые платформы позволяют экспертам в данной области или обычным пользователям выполнять задачи по предварительной обработке данных, такие как аннотирование изображений и классификация данных. Эти задачи могут требовать профессиональных знаний в области финансов и права. Пользователи могут токенизировать свои навыки для реализации совместной краудсорсинга предварительной обработки данных. Примером является рынок AI, такой как Sahara AI, который охватывает различные задачи с данными и может покрывать многопрофильные сценарии данных; в то время как протокол AIT осуществляет аннотирование данных с помощью сотрудничества человека и машины.
Некоторые проекты поддерживают пользователей в предоставлении различных типов моделей или в совместной тренировке моделей через краудсорсинг, такие как Sentient, который с помощью модульного дизайна позволяет пользователям размещать надежные данные моделей на уровне хранения и распределения для оптимизации моделей. Инструменты разработки, предоставляемые Sahara AI, встроены с передовыми AI алгоритмами и вычислительными фреймворками, а также обладают возможностью совместной тренировки.
Уровень приложения:
Этот уровень в основном представляет собой приложения, ориентированные на пользователей, которые объединяют ИИ и Web3, создавая больше интересных и инновационных способов игры. В данной статье основное внимание уделяется проектам в таких областях, как AIGC (контент, созданный ИИ), ИИ-агенты и анализ данных.