Панорамный отчет о Web3-AI: Технологическая логика, сценарные приложения и глубокий анализ лучших проектов Глубина

С ростом популярности AI нарратива все больше внимания уделяется этой области. Проведен глубокий анализ технологической логики, сценариев применения и представительных проектов в области Web3-AI, чтобы всесторонне представить вам панораму и тенденции развития этой сферы.

Один, Web3-AI: анализ технологической логики и возможностей новых рынков

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

За последний год AI-нарратив стал исключительно популярен в индустрии Web3, и AI-проекты появлялись как грибы после дождя. Хотя существует множество проектов, связанных с AI-технологиями, некоторые из них используют AI только в определенных частях своих продуктов, и основная токеномика не имеет существенной связи с AI-продуктами, поэтому такие проекты не будут обсуждаться в рамках Web3-AI проектов в данной статье.

Основное внимание в данной статье уделяется проектам, использующим блокчейн для решения проблем производственных отношений и ИИ для решения проблем производительности. Эти проекты сами по себе предлагают ИИ-продукты и одновременно основаны на экономической модели Web3 как инструменте производственных отношений, что позволяет им взаимно дополнять друг друга. Мы классифицируем такие проекты как нишу Web3-AI. Чтобы читатели лучше поняли нишу Web3-AI, будет подробно рассмотрен процесс разработки ИИ и возникающие проблемы, а также то, как сочетание Web3 и ИИ может идеально решить проблемы и создать новые сценарии применения.

1.2 Процесс разработки ИИ и его 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, классификации изображений до распознавания лиц и автономного вождения; ИИ меняет наш способ жизни и работы.

Процесс разработки моделей искусственного интеллекта обычно включает в себя несколько ключевых этапов: сбор данных и предварительная обработка данных, выбор и настройка модели, обучение модели и вывод. Приведем простой пример: для разработки модели для классификации изображений кошек и собак вам понадобится:

1. Сбор данных и предварительная обработка данных: соберите набор данных изображений, содержащий котов и собак, можно использовать открытые наборы данных или самостоятельно собрать реальные данные. Затем отметьте категорию (кот или собака) для каждого изображения, убедившись, 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 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 простой структуры сети.

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

4. Моделирование вывода: Файлы, в которых обучена модель, обычно называются весами модели. Процесс вывода относится к использованию уже обученной модели для прогнозирования или классификации новых данных. В этом процессе можно использовать тестовый набор или новые данные для проверки классификационной эффективности модели, обычно оценка эффективности модели производится с помощью таких показателей, как точность, полнота, F1-оценка и т.д.

Как показано на рисунке, после сбора данных и их предварительной обработки, выбора и настройки модели, а также обучения, применение обученной модели на тестовом наборе данных даст предсказания значений для кошек и собак P (вероятность), то есть вероятность того, что модель определяет объект как кошку или собаку.

Обученные модели ИИ могут быть дополнительно интегрированы 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:

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

Получение данных: небольшие команды или отдельные лица, получающие данные в определенной области (например, медицинские данные), могут столкнуться с ограничениями, связанными с отсутствием открытых данных.

Выбор и настройка модели: для небольших команд трудно получить ресурсы модели в конкретной области или потратить большие средства на настройку модели.

Получение вычислительной мощности: для индивидуальных разработчиков и небольших команд высокая стоимость покупки GPU и аренды облачной вычислительной мощности может представлять собой значительное экономическое бремя.

AI активы доход: работники по аннотации данных часто не могут получить доход, соответствующий их усилиям, а результаты исследований разработчиков AI также трудно сопоставить с покупателями, нуждающимися в них.

Вызовы, возникающие в условиях централизованного искусственного интеллекта, могут быть преодолены за счет интеграции с Web3, который, будучи новой производственной системой, естественным образом адаптируется к искусственному интеллекту как новой производительной силе, тем самым способствуя одновременному прогрессу технологий и производственных мощностей.

1.3 Синергия Web3 и ИИ: изменения ролей и инновационные приложения

Сочетание Web3 и ИИ может усиливать суверенитет пользователей, предоставляя им открытую платформу для сотрудничества с ИИ, позволяя пользователям перейти от роли пользователей ИИ в эпоху Web2 к участникам, создающим ИИ, принадлежащий всем. В то же время, интеграция мира Web3 и технологий ИИ также может привести к возникновению более инновационных приложений и игровых сценариев.

На основе технологии Web3 разработка и применение ИИ вступят в новую эру кооперативной экономической системы. Конфиденциальность данных людей может быть обеспечена, модель краудсорсинга данных способствует прогрессу моделей ИИ, множество открытых ресурсов ИИ доступны для пользователей, а совместно используемые вычислительные мощности можно получить по низкой стоимости. С помощью децентрализованного механизма кооперативного краудсорсинга и открытого рынка ИИ можно создать справедливую систему распределения доходов, что будет стимулировать больше людей к продвижению технологий ИИ.

В сценах Web3 ИИ может оказать положительное влияние на нескольких направлениях. 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 роль "художника", создавая свои собственные NFT с помощью ИИ-технологий, но также может создавать разнообразные игровые сцены и увлекательные интерактивные опыты в GameFi. Богатая инфраструктура обеспечивает плавный опыт разработки, и как специалисты по ИИ, так и новички, желающие войти в область ИИ, могут найти подходящий вход в этот мир.

Два, Интерпретация карты и архитектуры экосистемных проектов Web3-AI

Мы в основном исследовали 41 проект в области Web3-AI и разделили эти проекты на разные уровни. Логика деления каждого уровня показана на рисунке ниже, включая уровень инфраструктуры, промежуточный уровень и уровень приложений, каждый из которых также делится на разные секции. В следующей главе мы проведем глубокий анализ некоторых представительных проектов.

Слой инфраструктуры охватывает вычислительные ресурсы и технологическую архитектуру, поддерживающие весь жизненный цикл ИИ, промежуточный слой включает в себя управление данными, разработку моделей и услуги верификации и вывода, связывающие инфраструктуру с приложениями, в то время как прикладной слой сосредоточен на различных приложениях и решениях, ориентированных непосредственно на пользователя.

Инфраструктурный уровень:

Инфраструктурный уровень является основой жизненного цикла ИИ, в этой статье вычислительная мощность, AI Chain и платформы разработки классифицируются как инфраструктурный уровень. Именно поддержка этой инфраструктуры позволяет осуществлять обучение и вывод ИИ моделей и представлять пользователям мощные и практичные приложения 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 вычислительными мощностями для получения дохода, такие проекты, как IO.NET и Hyperbolic. Кроме того, некоторые проекты предложили новые способы, такие как Compute Labs, которые представили токенизированный протокол, позволяющий пользователям участвовать в аренде вычислительных мощностей различными способами, покупая NFT, представляющие физические GPU.

• AI Chain: Использует блокчейн в качестве основы для жизненного цикла ИИ, обеспечивая бесшовное взаимодействие ИИ-ресурсов на цепочке и вне ее, способствуя развитию отраслевой экосистемы. Децентрализованный ИИ-рынок на цепочке позволяет торговать ИИ-активами, такими как данные, модели, агенты и т. д., и предоставляет фреймворк для разработки ИИ и сопутствующие инструменты разработки, такие как проект Sahara AI. AI Chain также может способствовать прогрессу ИИ-технологий в различных областях, например, Bittensor стимулирует конкуренцию между подсетями разных типов ИИ с помощью инновационного механизма стимулов для подсетей.

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

Средний уровень:

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

• Данные: Качество и количество данных являются ключевыми факторами, влияющими на эффективность обучения модели. В мире Web3 через краудсорсинг данных и совместную обработку данных можно оптимизировать использование ресурсов и снизить стоимость данных. Пользователи могут иметь право собственности на данные, продавая свои данные при защите 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. Такие проекты, как Grass, используют пропускную способность пользователей для сбора веб-данных, xData собирает информацию о медиа через удобные для пользователя плагины и поддерживает загрузку пользователями информации о твитах.

Кроме того, некоторые платформы позволяют экспертам в области или обычным пользователям выполнять задачи предобработки данных, такие как аннотирование изображений и классификация данных, которые могут требовать профессиональных знаний в области финансов и юридической обработки данных. Пользователи могут токенизировать свои навыки, реализуя сотрудничество в предобработке данных. Примером является рынок AI, такой как Sahara AI, который охватывает различные задачи по данным в разных областях; в то время как AIT Protocol осуществляет аннотирование данных с помощью человеко-машинного взаимодействия.

• Модель: В процессе разработки ИИ, упомянутом ранее, различные типы требований требуют соответствующих моделей. Модели, часто используемые для задач обработки изображений, 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, необходимые для задач различной сложности, также имеют разную глубину, 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 уровня распространения для оптимизации моделей. Инструменты разработки, предоставляемые Sahara AI, встроены с современными алгоритмами ИИ и вычислительными фреймворками, и обладают возможностью совместной тренировки.

• Инференция и верификация: после обучения модели создается файл весов модели, который можно использовать для прямой классификации, предсказания или других специфических задач, этот процесс называется инференцией. Процесс инференции обычно сопровождается механизмом верификации, чтобы проверить, правильен ли источник инференционной модели, есть ли злонамеренные действия и т.д. Инференция в Web3 обычно может быть интегрирована в смарт-контракты, вызывая модель для выполнения инференции, распространенные методы верификации включают технологии ZKML, OPML и TEE. Представляющий проект, такой как AI-оракул на ORA (OAO), ввел OPML в качестве проверяемого слоя для AI-оракулов, 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, непосредственно ориентированные на пользователей, сочетая ИИ с Web3, создавая больше интересных и инновационных способов игры. В данной статье в основном рассматриваются проекты в таких областях, как AIGC (контент, создаваемый ИИ), AI-агенты и анализ данных.

• AIGC：С помощью AIGC можно