Web3-AI всесторонний анализ:融合 технологий, сценарные приложения и глубокая интерпретация топовых проектов

Обзор области Web3-AI: техническая логика, сценарные применения и глубокий анализ ведущих проектов

С увеличением популярности AI-нарративов все больше внимания сосредоточено на этой области. Проведен глубокий анализ технологической логики, сценариев применения и представительных проектов в области Web3-AI, чтобы в полном объеме представить вам панораму и тенденции развития этой сферы.

Один. Web3-AI: Анализ технической логики и возможностей на новых рынках

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

В течение прошлого года AI-нарратив в отрасли Web3 стал необычайно популярным, и AI-проекты появлялись как грибы после дождя. Хотя существует множество проектов, связанных с AI-технологиями, некоторые проекты используют AI лишь в определённых частях своих продуктов, а базовая токеномика не имеет существенной связи с AI-продуктами, поэтому такие проекты не будут обсуждаться в данной статье в контексте Web3-AI.

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 предоставляют ИИ-продукты и основаны на экономической модели Web3 в качестве инструмента производственных отношений, что дополняет друг друга. Мы классифицируем такие проекты как трек Web3-AI. Чтобы читатели лучше поняли трек Web3-AI, будет подробно представлен процесс разработки ИИ и вызовы, а также то, как сочетание Web3 и ИИ идеально решает проблемы и создает новые сценарии применения.

1.2 Процесс разработки ИИ и его вызовы: от сбора данных до вывода модели

Технология ИИ — это технология, позволяющая компьютерам моделировать, расширять и улучшать человеческий интеллект. Она позволяет компьютерам выполнять различные сложные задачи, от перевода языков, классификации изображений до распознавания лиц, автономного вождения и других областей применения. ИИ меняет способы нашей жизни и работы.

Процесс разработки моделей искусственного интеллекта обычно включает в себя несколько ключевых этапов: сбор данных и предобработка данных, выбор и настройка модели, обучение модели и вывод. Приведем простой пример: для разработки модели, которая классифицирует изображения кошек и собак, вам потребуется:

1. Сбор данных и предварительная обработка данных: Соберите набор данных с изображениями кошек и собак, можно использовать открытые наборы данных или собрать реальные данные самостоятельно. Затем для каждого изображения укажите категорию (кошка или собака), убедившись, что метки точны. Преобразуйте изображения в формат, который может распознавать модель, и разделите набор данных на обучающую выборку, валидационную выборку и тестовую выборку.

2. Выбор модели и настройка: выберите подходящую модель, например, сверточную нейронную сеть (CNN), которая хорошо подходит для задач классификации изображений. Настройте параметры модели или архитектуру в зависимости от различных требований; как правило, уровни сети модели могут быть отрегулированы в зависимости от сложности задачи ИИ. В этом простом примере классификации может быть достаточно более поверхностного уровня 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: Файл с обученной моделью обычно называется весами модели, а процесс вывода — это использование 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 оценивая эффективность модели с помощью таких показателей, как точность, полнота, F1-score и т.д.

На рисунке показано, что после сбора данных и предобработки данных, выбора и настройки модели, а также обучения, полученная модель применяется для вывода на тестовом наборе данных, что приведет к получению предсказанных значений P (вероятность) для кошек и собак, то есть вероятности того, что модель определит объект как кошку 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 изображения кошек или собак и получают результаты классификации.

Однако централизованный процесс разработки ИИ имеет некоторые проблемы в следующих сценариях:

Пользовательская конфиденциальность: в централизованных сценариях процесс разработки ИИ обычно не прозрачен. Данные пользователей могут быть украдены без их ведома и использованы для обучения ИИ.

Получение источника данных: небольшие команды или отдельные лица могут столкнуться с ограничениями по неоткрытым данным при получении данных в определенной области (например, медицинских 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 высокие затраты на покупку GPU и аренду облачной вычислительной мощности могут составлять значительное экономическое бремя.

AI активы доход: работники по аннотированию данных часто не могут получить доход, соответствующий их усилиям, а результаты исследований разработчиков AI также трудно сопоставить с покупателями, имеющими потребность.

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: изменения ролей и инновационные приложения

Сочетание Web3 и ИИ может усилить суверенитет пользователей, предоставляя им открытую платформу для сотрудничества с ИИ, позволяя пользователям перейти от использования ИИ в эпоху Web2 к участию, создавая ИИ, которым могут владеть все. В то же время, интеграция мира Web3 и технологий ИИ может привести к появлению более инновационных приложений и игровых сценариев.

На основе технологии Web3 разработка и применение ИИ вступят в новую эру кооперативной экономики. Конфиденциальность данных людей может быть защищена, модель краудсорсинга данных способствует прогрессу ИИ-моделей, множество открытых ресурсов ИИ доступны пользователям, а совместно используемые вычислительные мощности можно получить 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 оказывать положительное влияние в различных областях. Например, модели ИИ могут быть интегрированы в смарт-контракты, улучшая рабочую эффективность в различных приложениях, таких как рыночный анализ, безопасность, социальная кластеризация и многое другое. Генеративный ИИ не только позволяет пользователям испытать себя в роли "художника", создавая свои собственные NFT с помощью технологий ИИ, но также может создавать разнообразные игровые сцены и интересные взаимодействия в GameFi. Разнообразная инфраструктура обеспечивает плавный опыт разработки, и как эксперты в области ИИ, так и новички, желающие войти в область ИИ, могут найти подходящий вход в этот мир.

Два, интерпретация карты и архитектуры экосистемы Web3-AI.

Мы в основном исследовали 41 проект в области Web3-AI и классифицировали их на разные уровни. Логика разделения каждого уровня показана на следующем рисунке и включает в себя уровень инфраструктуры, промежуточный уровень и уровень приложений, каждый из которых дополнительно делится на разные сектора. В следующей главе мы проведем глубокий анализ некоторых наиболее значимых проектов.

Уровень инфраструктуры охватывает вычислительные ресурсы и техническую архитектуру, поддерживающие весь жизненный цикл ИИ, промежуточный уровень включает управление данными, разработку моделей и услуги проверки и вывода, которые связывают инфраструктуру с приложениями, а уровень приложений сосредоточен на различных приложениях и решениях, непосредственно ориентированных 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 благодаря поддержке этой инфраструктуры становится возможным обучение и вывод ИИ моделей, 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 вычислительными мощностями для получения дохода, такие как IO.NET и Hyperbolic. Кроме того, некоторые проекты создали новые способы использования, например, Compute Labs, который предложил 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 ресурсов ИИ на цепи и вне ее, способствуя развитию экосистемы отрасли. Децентрализованный рынок ИИ на цепи позволяет торговать активами ИИ, такими как данные, модели, агенты и др., а также предоставляет фреймворк для разработки ИИ и сопутствующие инструменты разработки, такими проектами, как Sahara AI. AI Chain также может способствовать прогрессу технологий ИИ в различных областях, например, Bittensor с помощью инновационного механизма стимулов для подсетей способствует конкуренции между различными типами ИИ.

• Платформа для разработки: некоторые проекты предлагают платформы для разработки AI-агентов и могут осуществлять торговлю AI-агентами, такие как Fetch.ai и ChainML. Унифицированные инструменты помогают разработчикам проще создавать, обучать и развертывать AI-модели, примером проектов является 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 совместная обработка данных и краудсорсинг данных могут оптимизировать использование ресурсов и снизить стоимость данных. Пользователи могут иметь автономию над своими данными и продавать свои данные в условиях защиты конфиденциальности, чтобы избежать их кражи и получения высокой прибыли недобросовестными торговцами. Для сторон, нуждающихся в данных, эти платформы предлагают широкий выбор и крайне низкие затраты. Представляющие проекты, такие как Grass, используют пропускную способность пользователей для сбора веб-данных, xData собирает информацию о медиа через удобные для пользователя плагины и поддерживает загрузку пользователями твитов.

Кроме того, некоторые платформы позволяют экспертам в области или обычным пользователям выполнять задачи предварительной обработки данных, такие как аннотация изображений, классификация данных; эти задачи могут требовать профессиональных знаний в области финансов и права. Пользователи могут токенизировать свои навыки, реализуя совместное краудсорсинг предварительной обработки данных. Примером является AI-рынок, такой как Sahara AI, который имеет различные задачи данных в различных областях и может охватывать многопрофильные сценарии данных; в то время как AIT Protocol осуществляет аннотацию данных с помощью человеческо-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 и GAN; для задач обнаружения объектов можно выбрать серию Yolo; для текстовых задач распространены модели RNN и Transformer, а также существуют некоторые специфические или универсальные большие модели. Модель Глубина, необходимая для задач различной сложности, также различается, иногда требуется настройка модели.

Некоторые проекты поддерживают пользователей в предоставлении различных типов моделей или в совместной обучении моделей через краудсорсинг, такие как Sentient, который благодаря модульному дизайну позволяет пользователям помещать доверенные данные моделей на уровень хранения и распределения для оптимизации модели. Инструменты разработки, предоставляемые Sahara AI, имеют встроенные современные алгоритмы ИИ и вычислительные фреймворки, а также обладают возможностью совместного обучения.

• Вывод и верификация: после обучения модель генерирует файл весов модели, который можно использовать для классификации, прогнозирования или других специфических задач, этот процесс называется выводом. Процесс вывода обычно сопровождается механизмом верификации, чтобы проверить, правильен ли источник выводящей 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 такие технологии, как ZKML, OPML и TEE. Представленные проекты, такие как AI-оракул (OAO) на ORA, внедрили OPML в качестве проверяемого слоя для AI-оракула, на официальном сайте ORA также упоминается их исследование по ZKML и opp/ai (ZKML в сочетании с OPML).

Прикладной уровень:

Этот уровень в основном представляет собой приложения, ориентированные непосредственно на пользователя, которые объединяют ИИ и Web3, создавая более интересные и инновационные способы взаимодействия. В данной статье в основном рассматриваются проекты в нескольких областях: AIGC (контент, сгенерированный ИИ), ИИ-агенты и анализ данных.

• AIGC: С помощью AIGC можно расширить до