Web3-AI повний аналіз: технологічна інтеграція, сценарні застосування та глибоке вивчення топових проектів

Панорамний звіт про Web3-AI: технологічна логіка, сценарні застосування та глибокий аналіз провідних проєктів

Зі зростанням популярності AI-оповідання, все більше уваги зосереджується на цій галузі. Проведено глибокий аналіз технологічної логіки, сценаріїв застосування та представницьких проектів у Web3-AI, щоб повністю представити вам панораму та тенденції розвитку цієї сфери.

Один. Web3-AI: Аналіз технологічної логіки та нових можливостей ринку

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

Протягом минулого року AI наратив був надзвичайно популярним у Web3 індустрії, AI проекти з'являлися, як гриби після дощу. Хоча існує багато проектів, що мають відношення до AI технологій, 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 входять до обговорення Web3-AI проектів у цій статті.

Основна увага цієї статті зосереджена на використанні блокчейну для вирішення проблем виробничих відносин, проектами, які використовують ШІ для вирішення проблем продуктивності. Ці проекти самі пропонують продукти ШІ та базуються на економічній моделі Web3 як інструменті виробничих відносин, що доповнюють одне одного. Ми класифікуємо такі проекти як трасу Web3-AI. Щоб читачі краще зрозуміли трасу Web3-AI, буде 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 штучного інтелекту: від збору даних до моделювання

Технологія штучного інтелекту — це технологія, що дозволяє комп'ютерам імітувати, розширювати та покращувати людський інтелект. Вона дає змогу комп'ютерам виконувати різноманітні складні завдання, від перекладу мов, класифікації зображень до розпізнавання облич, автономного водіння та інших застосунків, штучний інтелект змінює наш спосіб життя та роботи.

Розробка моделей штучного інтелекту зазвичай включає в себе кілька ключових етапів: збір даних та їх попередня обробка, вибір і налаштування моделі, навчання моделі та інференція. Наведемо простий приклад: щоб розробити модель для класифікації зображень котів і собак, вам потрібно:

1. Збір даних та попередня обробка даних: Збирайте набір даних зображень, що містять котів і собак, можна використовувати відкриті набори даних або самостійно збирати реальні дані. Потім для кожного зображення позначте категорію (кіт або собака), переконавшись, що мітки точні. Перетворіть зображення у формат, який може розпізнати модель, розділіть набір даних на навчальний набір, валідаційний набір і тестовий набір.

2. Вибір моделі та налаштування: виберіть відповідну модель, наприклад, згорткову нейронну мережу (CNN), яка найкраще підходить для завдань класифікації зображень. Налаштуйте параметри моделі або архітектуру відповідно до різних вимог, зазвичай кажучи, рівень мережі моделі можна налаштувати залежно від складності завдання ШІ. У цьому простому прикладі класифікації може бути достатньо менш глибоких рівнів 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. Інференція моделі: Файл з навченою моделлю зазвичай називається вагами моделі, а процес інференції означає 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, відзив, F1-score тощо.

Як показано на рисунку, після збору даних, попередньої обробки даних, вибору моделі та налаштування, а також навчання, проведення інференції навченої моделі на тестовому наборі дасть значення прогнозу для котів і собак P (ймовірність), тобто ймовірність того, що модель визначає об'єкт як кота або собаку.

Навчена AI модель може бути додатково інтегрована в різні програми для виконання різних завдань. У цьому прикладі AI модель для класифікації котів та собак може бути інтегрована в мобільний додаток, де користувач завантажує зображення кота або собаки і отримує результати класифікації.

Проте, 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 викрадені без їх відома та використані для навчання ШІ.

Отримання джерела даних: невеликі команди або особи, які отримують дані в певній галузі (наприклад, медичні дані), можуть зіткнутися з обмеженнями, пов'язаними з недоступністю даних.

Вибір та налаштування моделі: для малих команд важко отримати ресурси моделі в конкретній галузі або витратити значні кошти на налаштування моделі.

Отримання обчислювальної потужності: для індивідуальних розробників та невеликих команд висока вартість покупки GPU та витрати на оренду хмарної обчислювальної потужності можуть становити суттєвий економічний тягар.

AI активи доходи: працівники з маркування даних часто не можуть отримати дохід, що відповідає їхнім витратам, а результати досліджень розробників AI також важко співвіднести з покупцями, які мають потребу.

Виклики, що існують в централізованих AI-сценаріях, можуть бути подолані шляхом поєднання з Web3. Web3, як нова форма виробничих відносин, природно адаптується до AI, який представляє нову продуктивність, що сприяє одночасному прогресу технологій та виробничих можливостей.

1.3 Співпраця Web3 та AI: зміна ролей та інноваційні застосування

Web3 та AI в комбінації можуть посилити суверенітет користувачів, надаючи їм відкриту платформу для співпраці з AI, що дозволяє користувачам перейти від ролі користувачів AI в епоху Web2 до ролі учасників, створюючи AI, яким можуть володіти всі. Водночас, інтеграція світу Web3 та технологій AI також може призвести до більшої кількості інноваційних сценаріїв застосування та ігор.

На основі технології Web3 розробка та застосування ШІ зустрінуть нову економічну систему співпраці. Приватність даних людей може бути захищена, 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 краудсорсингу та відкритому ринку ШІ можна реалізувати справедливу систему розподілу доходів, що стимулює більше людей сприяти прогресу технологій ШІ.

У сцені Web3 ШІ може позитивно впливати на кілька напрямків. Наприклад, моделі ШІ можна інтегрувати в смарт-контракти, щоб підвищити ефективність роботи в різних сценаріях застосування, таких як маркетинговий аналіз, безпека, соціальна кластеризація та багато інших функцій. Генеративний ШІ може не лише дозволити користувачам відчути себе "художником", створюючи свої власні NFT за допомогою технологій ШІ, але й створювати різноманітні ігрові сцени та цікаві інтерактивні досвіди у GameFi. Багата інфраструктура забезпечує плавний досвід розробки, і як експерти з ШІ, так і новачки, які прагнуть увійти в галузь ШІ, можуть знайти підходящий вхід у цьому світі.

Два, розшифровка екосистеми проектів Web3-AI та їхньої архітектури

Ми в основному досліджували 41 проект у сфері Web3-AI та розділили ці проекти на різні рівні. Логіка поділу кожного рівня показана на наступному малюнку, включаючи рівень інфраструктури, середній рівень та рівень застосування, кожен з яких далі розділений на різні сегменти. У наступному розділі ми проведемо глибокий аналіз деяких репрезентативних проектів.

Інфраструктурний рівень охоплює обчислювальні ресурси та технологічну архітектуру, які підтримують роботу всього життєвого циклу ШІ, тоді як середній рівень включає в себе управління даними, розробку моделей і послуги верифікації та інференції, що з'єднують інфраструктуру з додатками. Рівень застосувань фокусується на різноманітних додатках і рішеннях, що безпосередньо орієнтовані на користувачів.

Інфраструктурний рівень:

Інфраструктурний рівень є основою життєвого циклу ШІ, у цій статті обчислювальну потужність, AI Chain та розробницьку платформу класифікують як інфраструктурний рівень. Саме підтримка цієї інфраструктури дозволяє реалізувати навчання та інференцію моделей ШІ, а також представити потужні та практичні програми ШІ користувачам.

• Децентралізована обчислювальна мережа: може забезпечити розподілену обчислювальну потужність для навчання AI моделей, забезпечуючи ефективне та економічне використання обчислювальних ресурсів. Деякі проєкти надають децентралізований ринок потужності, де користувачі можуть орендувати потужність за низькою ціною або ділитися потужністю для отримання прибутку, приклади проєктів включають IO.NET та Hyperbolic. Крім того, деякі проєкти розвинули 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 потужності різними способами для отримання прибутку.

• AI Chain: Використання блокчейну як основи для життєвого циклу AI, забезпечуючи 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, і надавати фреймворк для розробки AI та супутні інструменти для розробки, представлені проектом, таким як Sahara AI. AI Chain також може сприяти прогресу AI-технологій в різних сферах, наприклад, Bittensor через інноваційний механізм стимулювання підмереж для сприяння конкуренції між різними типами AI-підмереж.

• 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, прикладом є Nimble. Ця інфраструктура сприяє широкому застосуванню технологій AI в екосистемі Web3.

Посередницький шар:

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

• Дані: Якість та кількість даних є ключовими факторами, що впливають на ефективність навчання моделі. У світі Web3, через краудсорсинг даних та колективну обробку даних, можна оптимізувати використання ресурсів та знизити витрати на дані. Користувачі можуть мати автономію над своїми даними, продаючи їх у рамках захисту приватності, щоб уникнути крадіжки даних недобросовісними підприємцями для отримання великого прибутку. 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 медіаінформацію за допомогою зручних плагінів, а також підтримує завантаження інформації про твіти користувачів.

Крім того, деякі платформи дозволяють експертам у галузі або звичайним користувачам виконувати завдання з попередньої обробки даних, такі як позначення зображень, категоризація даних, які можуть вимагати професійних знань у фінансових та юридичних питаннях. Користувачі можуть токенізувати свої навички, реалізуючи колективне краудсорсинг попередньої обробки даних. Прикладом може бути AI-ринок, такий як Sahara AI, що має різні завдання з даними в різних галузях, які можуть охоплювати багатогалузеві сценарії даних; тоді як AIT Protocolt здійснює позначення даних за допомогою взаємодії людини і машини.

• Модель: У процесі розробки штучного інтелекту, про який вже згадувалося, різні типи вимог потребують відповідних моделей. Для завдань з обробки зображень зазвичай використовуються моделі, такі як CNN, GAN; для завдань з виявлення об'єктів можна вибрати серію Yolo; для текстових завдань поширені моделі RNN, Transformer тощо, звичайно, є також деякі специфічні або універсальні великі моделі. Для завдань різної складності потрібна різна глибина моделей, іноді потрібно налаштовувати моделі.

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

• Висновки та верифікація: після навчання модель генерує файли ваг моделі, які можна використовувати для безпосередньої класифікації, прогнозування чи інших конкретних завдань, цей процес називається висновком. Процес висновку зазвичай супроводжується механізмом верифікації, щоб перевірити, чи є джерело моделі вірним, чи немає злочинних дій тощо. Висновок у Web3 зазвичай можна інтегрувати в смарт-контракти, шляхом виклику моделі для висновку, поширеними способами верифікації є технології ZKML, OPML та TEE. Представлені проекти, такі як AI-оракул на ланцюзі ORA (OAO), ввели OPML як верифікований рівень для AI-оракулів, на офіційному сайті ORA також згадується їхнє дослідження щодо ZKML та opp/ai (ZKML в поєднанні з OPML).

Рівень застосунку:

Цей рівень головним чином є додатками, які безпосередньо орієнтовані на користувача, поєднуючи AI з Web3, створюючи більше цікавих і інноваційних ігор. У цій статті головним чином розглядаються проекти в таких секторах, як AIGC (AI генерований контент), AI агенти та аналіз даних.

• AIGC: Через AIGC можна розширити на