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

З ростом популярності AI наративу все більше уваги зосереджується на цій ніші. Проведено глибокий аналіз технологічної логіки, сценаріїв використання та представницьких проєктів у Web3-AI, щоб повністю представити панораму та тенденції розвитку цієї сфери.

Один. Web3-AI: аналіз технологічної логіки та нових ринкових можливостей

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

Протягом минулого року AI наратив у Web3 індустрії був надзвичайно популярним, AI проекти з'являлися як гриби після дощу. Хоча існує багато проектів, що використовують AI технології, деякі проекти використовують AI лише в певних частинах своїх продуктів, а основна токеноміка не має суттєвого зв’язку з AI продуктом, тому такі проекти не є частиною обговорення Web3-AI проектів у цій статті.

Основна увага в цій статті зосереджена на використанні блокчейн-технологій для вирішення проблем виробничих відносин та на проєктах, які використовують ШІ для вирішення проблем продуктивності. Ці проєкти самі пропонують продукти ШІ та базуються на економічній моделі Web3 як інструменті виробничих відносин, які взаємодоповнюють одне одного. Ми класифікуємо такі проєкти як Web3-AI сегмент. Щоб читачі краще зрозуміли сегмент Web3-AI, ми розглянемо процес розробки ШІ та виклики, а також 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

Технологія ШІ є технологією, яка дозволяє комп'ютерам імітувати, розширювати та покращувати 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 спосіб, яким ми живемо та працюємо.

Процес розробки моделей штучного інтелекту зазвичай містить кілька ключових етапів: збір даних та попередня обробка даних, вибір моделі та налаштування, навчання моделі та висновки. Наприклад, для розробки моделі для класифікації зображень котів та собак вам потрібно:

1. Збір даних та попередня обробка даних: збір набору зображень, що містять котів та собак, можна використовувати відкриті набори даних або самостійно збирати реальні дані. Потім для кожного зображення позначте категорію (кіт або собака), переконайтеся, що мітки точні. Перетворіть зображення в формат, який може розпізнавати модель, поділіть набір даних на навчальний набір, валідаційний набір та тестовий набір.

2. Вибір та налаштування моделі: вибір відповідної моделі, наприклад, згорткової нейронної мережі (CNN), яка більше підходить для завдань класифікації зображень. Налаштування параметрів або архітектури моделі відповідно до різних вимог, зазвичай, глибина мережі може бути налаштована залежно від складності AI завдання. У цьому простому прикладі класифікації може бути достатньо менш глибокої 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: Файл з навченою моделлю зазвичай називають вагою моделі, а процес інференції - це 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 оцінюють ефективність моделі за допомогою таких показників, як точність, відгук, F1-score тощо.

Як показано на малюнку, після збору даних, попередньої обробки даних, вибору моделі та налаштування, а також навчання, інферуючи навченою моделлю на тестовому наборі, можна отримати прогнози для котів і собак P (ймовірність), тобто ймовірність того, що модель визначить, чи 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 користувач завантажує зображення кота або собаки і отримує результати класифікації.

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

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

Отримання джерела даних: невеликі команди або особи, що отримують дані в певних сферах (наприклад, медичні дані), можуть стикатися з обмеженнями щодо відкритості даних.

Вибір моделі та її налаштування: для маленьких команд важко отримати ресурси моделей у певній галузі або витратити великі кошти на налаштування моделей.

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

AI активи доходу: працівники з розмітки даних часто не можуть отримати доходи, що відповідають їхнім витратам, а результати досліджень розробників AI також важко узгодити з покупцями, які мають потребу.

Виклики, що існують у централізованих AI-сценаріях, можуть бути подолані шляхом інтеграції з Web3; Web3, як новий тип виробничих відносин, природно адаптується до AI, що представляє нову виробничу силу, тим самим сприяючи одночасному прогресу технологій і виробничих можливостей.

1.3 Взаємодія Web3 та ШІ: зміна ролей та інноваційні застосування

Поєднання Web3 та ШІ може посилити суверенітет користувачів, надаючи їм відкриту платформу для співпраці з ШІ, що дозволяє користувачам перетворитися з користувачів ШІ епохи Web2 на учасників, створюючи ШІ, яким може володіти кожен. Крім того, інтеграція світу Web3 та технологій ШІ може спричинити виникнення нових інноваційних застосунків та ігор.

На основі технології Web3, розробка та застосування ШІ увійдуть у нову систему кооперативної економіки. Приватність даних людей може бути забезпечена, модель краудсорсингу даних сприяє прогресу моделей ШІ, численні відкриті ресурси ШІ доступні для користувачів, а спільні обчислювальні потужності можуть бути отримані за нижчою ціною. Завдяки децентралізованій механіці кооперативного краудсорсингу та відкритому ринку ШІ можна реалізувати справедливу систему розподілу доходів, що стимулює більше людей до просування технологій ШІ.

У сцені Web3 ШІ може мати позитивний вплив у кількох напрямках. Наприклад, моделі ШІ можуть бути інтегровані в смарт-контракти, підвищуючи ефективність роботи в різних застосунках, таких як аналіз ринку, безпекове тестування, соціальна кластеризація та інші функції. Генеративний ШІ не лише дозволяє користувачам відчути себе "художниками", наприклад, створюючи свої власні NFT за допомогою технологій ШІ, але також може створювати різноманітні ігрові сцени та цікаві інтерактивні досвіди в GameFi. Розвинена інфраструктура забезпечує плавний досвід розробки, незалежно від того, чи є ви експертом з ШІ, чи новачком, який прагне увійти в цю сферу.

Два, розширення та архітектура проєктів екосистеми Web3-AI

Ми в основному вивчали 41 проект у сегменті Web3-AI і розділили ці проекти на різні рівні. Логіка розподілу кожного рівня показана на малюнку нижче, включаючи рівень інфраструктури, проміжний рівень і рівень застосунків, при цьому кожен рівень ділиться на різні секції. У наступному розділі ми проведемо глибокий аналіз деяких представницьких проектів.

Інфраструктурний рівень включає обчислювальні ресурси та технологічну архітектуру, які підтримують весь життєвий цикл AI, тоді як проміжний рівень охоплює управління даними, розробку моделей та послуги перевірки виводу, що з'єднують інфраструктуру з додатками. Рівень застосувань зосереджується на різних застосунках та рішеннях, орієнтованих безпосередньо на користувачів.

Інфраструктурний рівень:

Інфраструктурний рівень є основою життєвого циклу ШІ, у цій статті обчислювальні потужності, AI Chain та платформи розробки класифікуються як інфраструктурний рівень. Саме підтримка цих інфраструктур дозволяє реалізувати навчання та інференцію моделей ШІ, а також представити користувачам потужні та практичні програми ШІ.

• Децентралізована обчислювальна мережа: може забезпечити розподілену обчислювальну потужність для навчання AI моделей, забезпечуючи ефективне та економічне використання обчислювальних ресурсів. Деякі проекти пропонують децентралізований ринок обчислювальної потужності, де користувачі можуть орендувати обчислювальну потужність за низькою ціною або ділитися обчислювальною потужністю для отримання прибутку, представниками таких проектів є IO.NET та Hyperbolic. Крім того, деякі проекти розвинули нові ігрові механіки, такі як Compute Labs, які запропонували токенізований протокол, де користувачі можуть купувати NFT, що представляють фізичні GPU, і різними способами брати участь в оренді обчислювальної потужності для отримання прибутку.

• AI Chain: використовує блокчейн як основу для життєвого циклу AI, забезпечуючи безшовну взаємодію AI-ресурсів на ланцюгу і поза ним, сприяючи розвитку екосистеми індустрії. Децентралізований AI-ринок на ланцюгу може торгувати AI-активами, такими як дані, моделі, агенти тощо, і надає рамки для розробки AI та супутні інструменти розробки, прикладом є проект Sahara AI. AI Chain також може сприяти прогресу AI-технологій у різних сферах, наприклад, Bittensor за допомогою інноваційного механізму стимулювання субмереж сприяє конкуренції різних типів AI-субмереж.

• Платформа для розробки: деякі проекти пропонують платформи для розробки AI-агентів, а також можуть реалізувати торгівлю AI-агентами, такі як Fetch.ai та ChainML. Універсальні інструменти допомагають розробникам зручніше створювати, навчати та впроваджувати AI-моделі, такими проектами є Nimble. Ця інфраструктура сприяє широкому застосуванню технології AI в екосистемі Web3.

Проміжний шар：

Цей рівень стосується даних AI, моделей, а також міркувань та 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 колаборативну обробку даних, можна оптимізувати використання ресурсів і знизити витрати на дані. Користувачі можуть мати автономію над даними, продаючи свої дані в умовах захисту приватності, щоб уникнути їх крадіжки і отримання високих прибутків недобросовісними компаніями. 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 інформацію про медіа через зручний плагін і підтримує можливість завантаження інформації про твіти.

Крім того, деякі платформи дозволяють експертам у галузі або звичайним користувачам виконувати завдання попередньої обробки даних, такі як маркування зображень, класифікація даних, які можуть вимагати професійних знань у фінансовій та юридичній обробці даних. Користувачі можуть токенізувати свої навички, реалізуючи колективну краудсорсингову попередню обробку даних. Прикладом є AI-ринок, такий як Sahara AI, який має різні дані завдань у різних галузях, що може охоплювати багатогалузеві сценарії даних; в той час як AIT Protocol здійснює маркування даних за допомогою людсько-машинної співпраці.

• Модель: У процесі розробки ШІ, про який згадувалося раніше, різні типи вимог потребують відповідних моделей. Для завдань обробки зображень зазвичай використовуються моделі, такі як CNN, GAN, для завдань виявлення об'єктів можна вибрати серію Yolo, а для текстових завдань поширені моделі RNN, Transformer тощо, звичайно, є ще деякі специфічні або загальні великі моделі. Моделі глибини, необхідні для завдань різної складності, також різні, іноді потрібна тонка настройка моделей.

Деякі проекти підтримують користувачів у наданні різних типів моделей або в спільному навчанні моделей через краудсорсинг, такі як Sentient, який завдяки модульному дизайну дозволяє користувачам розміщувати надійні дані моделей на рівні зберігання та розподілу для оптимізації моделей. Інструменти розробки, що надаються Sahara AI, вбудовані з передовими алгоритмами ШІ та обчислювальними фреймворками, а також мають можливість спільного навчання.

• Висновок і 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 є джерело моделі висновку правильним, чи є шкідлива поведінка тощо. Висновок у Web3 зазвичай може бути інтегровано в смарт-контракти, шляхом виклику моделі для виконання висновку, поширеними методами верифікації є технології ZKML, OPML та TEE. Представницькі проекти, такі як AI оракул на ланцюзі ORA (OAO), впровадили OPML як перевіряємий шар для AI оракулів, на офіційному сайті ORA також згадується їхнє дослідження щодо ZKML та opp/ai (ZKML у поєднанні з OPML).

Рівень застосування:

Цей рівень в основному є програмами, орієнтованими безпосередньо на користувачів, які поєднують AI з Web3, створюючи більше цікавих і інноваційних способів взаємодії. У цій статті основна увага приділяється проектам у таких секторах, як AIGC (AI-генерований контент), AI-агенти та аналіз даних.

• AIGC: через AIGC можна