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

З продовженням зростання популярності AI наративу все більше уваги зосереджується на цій сфері. 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 можливостей нових ринків

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

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

Основна увага в цій статті зосереджена на використанні блокчейну для вирішення проблем виробничих відносин та застосування ШІ для вирішення проблем продуктивності. Ці проекти пропонують продукти на основі ШІ та одночасно використовують економічну модель Web3 як інструмент виробничих відносин, що взаємодоповнює одне одного. Ми класифікуємо такі проекти як Web3-AI трек. Щоб допомогти читачам краще зрозуміти Web3-AI трек, буде докладно розглянуто процес розробки ШІ та виклики, а також те, як поєднання Web3 та ШІ ідеально вирішує проблеми та створює нові сценарії застосування.

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

Технологія штучного інтелекту є технологією, яка дозволяє комп'ютерам імітувати, розширювати та посилювати людський інтелект. Вона здатна дозволити комп'ютерам виконувати різноманітні складні завдання, від перекладу мов, класифікації зображень до розпізнавання облич, автоматичного водіння та інших прикладних сценаріїв, штучний інтелект змінює спосіб нашого життя та роботи.

Процес розробки моделей штучного інтелекту зазвичай містить кілька ключових етапів: збір даних та їх попередня обробка, вибір моделі та її налаштування, навчання моделі та її інференція. Наприклад, для розробки моделі, яка класифікує зображення котів і собак, вам потрібно:

1. Збір даних та попередня обробка даних: зібрати набір зображень, що містять котів і собак, можна використовувати публічні набори даних або самостійно збирати реальні дані. Потім для кожного зображення потрібно позначити категорію (кіт або собака), забезпечивши точність міток. Перетворити зображення в формат, який може розпізнати модель, поділити набір даних на навчальний набір, перевірочний набір та тестовий набір.

2. Вибір і налаштування моделі: вибір відповідної моделі, наприклад, згорткової нейронної мережі (CNN), яка добре підходить для завдань класифікації зображень. Налаштування параметрів або архітектури моделі відповідно до різних вимог, зазвичай, рівні мережі моделі можуть бути змінені відповідно до складності AI завдання. У цьому простому прикладі класифікації, менш глибока мережа може бути достатньою.

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: Файли, які містять натреновану модель, зазвичай називаються вагами моделі. Процес інференції полягає в тому, щоб використовувати вже натреновану модель для прогнозування або класифікації нових даних. У цьому процесі можна використовувати тестовий набір або нові дані для перевірки ефективності класифікації моделі, зазвичай для оцінки ефективності моделі використовуються такі показники, як точність, відгук, F1-score тощо.

Як показано на малюнку, після збору даних, попередньої обробки даних, вибору моделі та налаштування, проведення інференції навченої моделі на тестовому наборі дасть значення прогнозу для котів та собак P (ймовірність), тобто ймовірність, що модель визначає, що 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 користувачі завантажують зображення кота або собаки, і отримують результати класифікації.

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

Приватність користувачів: в централізованих сценаріях процес розробки ШІ, як правило, є непрозорим. Дані користувачів можуть бути вкрадені без їх відома та використані для навчання ШІ.

Отримання джерела даних: невеликі команди або особи, які намагаються отримати дані в певних сферах (наприклад, в медицині), можуть зіткнутися з обмеженнями на отримання відкритих даних.

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

Отримання обчислювальної потужності: для окремих розробників і невеликих команд висока вартість купівлі GPU та витрати на оренду хмарної обчислювальної потужності можуть становити значне економічне навантаження.

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

Виклики, що існують у централізованих AI-сценаріях, можуть бути подолані шляхом поєднання з Web3. Web3, як новий тип виробничих відносин, природно підходить для представлення нових виробничих сил AI, що, в свою чергу, сприяє одночасному прогресу технологій і виробничих можливостей.

1.3 Взаємодія Web3 та ШІ: зміна ролей та інноваційні застосування

Поєднання Web3 та AI може посилити суверенітет користувачів, надаючи їм відкриту платформу для співпраці з AI, що дозволяє користувачам перетворитися з користувачів AI епохи Web2 на учасників, створюючи AI, що належить всім. Одночасно злиття світу Web3 та технологій AI може породити ще більше інноваційних застосувань та ігрових механік.

На основі технології Web3 розвиток і застосування штучного інтелекту вступлять у нову систему кооперативної економіки. Конфіденційність даних людей може бути забезпечена, модель краудсорсингу даних сприяє прогресу моделей ШІ, численні відкриті ресурси ШІ доступні для користувачів, а спільні обчислювальні потужності можна отримати за нижчою ціною. Завдяки децентралізованій механіці кооперативного краудсорсингу та відкритому ринку ШІ можна реалізувати справедливу систему розподілу доходів, що стимулює більше людей до розвитку технологій штучного інтелекту.

У сцені Web3 ШІ може справити позитивний вплив у кількох напрямках. Наприклад, моделі ШІ можуть бути інтегровані в смарт-контракти, підвищуючи ефективність роботи в різних застосунках, таких як аналіз ринку, безпекова перевірка, соціальна кластеризація та багато інших функцій. Генеративний ШІ не лише дозволяє користувачам відчути себе "художниками", наприклад, створюючи свої власні NFT за допомогою технології ШІ, але також 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 ШІ, чи новачком, який хоче увійти в галузь ШІ, ви зможете знайти відповідний вхід у цьому світі.

Два, аналіз карти та архітектури екосистеми Web3-AI

Ми в основному досліджували 41 проект у секторі Web3-AI та розділили ці проекти на різні рівні. Логіка розподілу кожного рівня показана на наступному малюнку, включаючи рівень інфраструктури, середній рівень та рівень застосувань, при цьому кожен рівень поділяється на різні секції. У наступному розділі ми проведемо глибокий аналіз деяких репрезентативних проектів.

Інфраструктурний рівень охоплює обчислювальні ресурси та технологічну архітектуру, що підтримують роботу всього життя AI, середній рівень включає управління даними, розробку моделей та послуги верифікації й інференції, які зв'язують інфраструктуру з додатками, в той час як рівень додатків зосереджується на різних додатках та рішеннях, орієнтованих безпосередньо на користувачів.

Інфраструктурний рівень:

Інфраструктурний рівень є основою життєвого циклу ШІ, у цій статті обчислювальну потужність, AI Chain та платформу для розробки віднесено до інфраструктурного рівня. Саме завдяки підтримці цієї інфраструктури можливе навчання та інференція ШІ моделей, а також надання потужних і практичних застосунків ШІ користувачам.

• Децентралізована обчислювальна мережа: може забезпечити розподілену обчислювальну потужність для навчання AI моделей, гарантуючи ефективне та економічне використання обчислювальних ресурсів. Деякі проекти пропонують децентралізований ринок обчислювальної потужності, де користувачі можуть орендувати обчислювальну потужність з низькими витратами або ділитися обчислювальною потужністю для отримання прибутку, такі проекти, як IO.NET і Hyperbolic. Крім того, деякі проекти отримали нові ігрові механіки, 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 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, та надавати AI розробницькі рамки і супутні інструменти для розробки, такими як проект Sahara AI. AI Chain також може сприяти прогресу AI технологій у різних сферах, наприклад, Bittensor шляхом інноваційного механізму стимулювання підмереж для сприяння конкуренції між різними типами AI підмереж.

• Розробницька платформа: деякі проекти пропонують платформи для розробки AI-агентів, а також можливість торгівлі AI-агентами, такі як Fetch.ai та ChainML. Інструменти «все в одному» допомагають розробникам легше створювати, навчати та впроваджувати AI-моделі, такими як Nimble. Ця інфраструктура сприяє широкому застосуванню AI-технологій у екосистемі Web3.

Проміжний шар:

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

• Дані: Якість і кількість даних є ключовими факторами, що впливають на ефективність навчання моделі. У світі Web3, через краудсорсинг даних і кооперативну обробку даних, можна оптимізувати використання ресурсів і знизити витрати на дані. Користувачі можуть мати автономію над своїми даними, продаючи їх у межах захисту конфіденційності, щоб уникнути крадіжки даних недобросовісними підприємцями та отримання високих прибутків. Для замовників даних ці платформи пропонують широкий вибір та надзвичайно низькі витрати. Представлені проекти, такі як Grass, використовують пропускну здатність користувачів для збору даних з вебу, xData збирає медійну інформацію за допомогою зручних плагінів і підтримує завантаження користувачами інформації з твітів.

Крім того, деякі платформи дозволяють експертам у певній сфері або звичайним користувачам виконувати завдання з попередньої обробки даних, такі як розмітка зображень, класифікація даних; ці завдання можуть вимагати професійних знань у фінансовій та юридичній обробці даних. Користувачі можуть токенізувати свої навички, реалізуючи співпрацю в рамках краудсорсингу попередньої обробки даних. Наприклад, ринок AI, як-от Sahara AI, має завдання з даними в різних сферах, що може охоплювати багатосферні сценарії даних; а AIT Protocolt здійснює розмітку даних за допомогою співпраці людини та машини.

• Модель: У процесі розробки ШІ, про який згадувалося раніше, різні типи вимог потребують відповідних моделей. Для завдань з обробки зображень зазвичай використовуються моделі, такі як CNN, GAN, для завдань виявлення об'єктів можна вибрати серію Yolo, а для текстових завдань поширеними є моделі RNN, Transformer тощо, звичайно, є також деякі специфічні або універсальні великі моделі. Моделі, необхідні для завдань різної складності, також відрізняються за глибиною; іноді потрібно налаштовувати моделі.

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, надані Sahara AI, вбудовують передові алгоритми ШІ та обчислювальні фреймворки, а також мають можливість спільного навчання.

• Висновок і верифікація: Після навчання модель генерує файли ваг моделі, які можуть бути використані 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 шкідливі дії тощо. Висновок Web3 зазвичай може бути інтегрований в смарт-контракти, шляхом виклику моделі для висновку, поширені способи верифікації включають технології ZKML, OPML і TEE. Представлені проекти, такі як AI оракул на ланцюгу ORA (OAO), впровадили OPML як перевіряємий шар для AI оракула, на офіційному сайті ORA також згадуються їхні дослідження щодо ZKML та opp/ai (ZKML у поєднанні з OPML).

Рівень застосування:

Цей рівень в основному є програмами, які безпосередньо орієнтовані на користувачів, поєднуючи ШІ з Web3, створюючи більше цікавих та інноваційних способів гри. У цій статті в основному розглядаються проекти в кількох розділах, таких як AIGC (AI генерований контент), AI агенти та аналіз даних.

• AIGC: через AIGC