Laporan Panorama Web3-AI: Analisis Mendalam Logika Teknologi, Aplikasi Skenario dan Proyek Terbaik

Dengan meningkatnya perhatian terhadap narasi AI, semakin banyak fokus yang tertuju pada jalur ini. Analisis mendalam tentang logika teknologi, skenario aplikasi, dan proyek-proyek representatif dari jalur Web3-AI telah dilakukan, untuk menyajikan panorama dan tren perkembangan di bidang ini secara komprehensif.

I. Web3-AI: Analisis Logika Teknologi dan Peluang Pasar Baru

1.1 Logika Integrasi Web3 dan AI: Bagaimana Mendefinisikan Jalur Web-AI

Dalam setahun terakhir, narasi AI sangat populer di industri Web3, dengan proyek AI bermunculan seperti jamur setelah hujan. Meskipun banyak proyek yang melibatkan teknologi AI, beberapa proyek hanya menggunakan AI di beberapa bagian produknya, dan ekonomi token yang mendasarinya tidak memiliki keterkaitan substansial dengan produk AI, oleh karena itu proyek semacam ini tidak termasuk dalam diskusi proyek Web3-AI dalam artikel ini.

Fokus artikel ini adalah pada penggunaan blockchain untuk menyelesaikan masalah hubungan produksi, dan AI untuk menyelesaikan masalah produktivitas. Proyek-proyek ini sendiri menyediakan produk AI, sekaligus berlandaskan pada model ekonomi Web3 sebagai alat hubungan produksi, keduanya saling melengkapi. Kami mengklasifikasikan jenis proyek ini sebagai jalur Web3-AI. Untuk membantu pembaca memahami jalur Web3-AI dengan lebih baik, kami akan menjelaskan proses pengembangan AI dan tantangannya, serta bagaimana kombinasi Web3 dan AI dapat menyelesaikan masalah dengan sempurna dan menciptakan skenario aplikasi baru.

1.2 Proses dan Tantangan Pengembangan AI: Dari Pengumpulan Data hingga Inferensi Model

Teknologi AI adalah teknologi yang memungkinkan komputer untuk mensimulasikan, memperluas, dan meningkatkan kecerdasan manusia. Ini memungkinkan komputer untuk menjalankan berbagai tugas kompleks, dari penerjemahan bahasa, klasifikasi gambar hingga pengenalan wajah, dan aplikasi seperti mengemudi otomatis, AI sedang mengubah cara kita hidup dan bekerja.

Proses pengembangan model kecerdasan buatan biasanya melibatkan beberapa langkah kunci berikut: pengumpulan data dan pra-pemrosesan data, pemilihan dan penyesuaian model, pelatihan model dan inferensi. Sebagai contoh sederhana, untuk mengembangkan model yang mengklasifikasikan gambar kucing dan anjing, Anda perlu:

1. Pengumpulan data dan praproses data: Kumpulkan dataset gambar yang berisi kucing dan anjing, dapat menggunakan dataset publik atau mengumpulkan data nyata sendiri. Kemudian beri label kategori (kucing atau anjing) untuk setiap gambar, pastikan labelnya akurat. Ubah gambar menjadi format yang dapat dikenali oleh model, bagi dataset menjadi set pelatihan, set validasi, dan set pengujian.

2. Pemilihan dan Penyesuaian Model: Memilih model yang tepat, seperti jaringan saraf konvolusional (CNN), yang lebih cocok untuk tugas klasifikasi gambar. Sesuaikan parameter atau arsitektur model sesuai dengan kebutuhan yang berbeda, secara umum, tingkat jaringan model dapat disesuaikan berdasarkan kompleksitas tugas AI. Dalam contoh klasifikasi sederhana ini, tingkat jaringan yang lebih dangkal mungkin sudah cukup.

3. Pelatihan model: Anda dapat menggunakan GPU, TPU, atau kluster komputasi berkinerja tinggi untuk melatih model, waktu pelatihan dipengaruhi oleh kompleksitas model dan kemampuan komputasi.

4. Inferensi Model: File yang sudah dilatih model biasanya disebut sebagai bobot model, proses inferensi merujuk pada penggunaan model yang sudah dilatih untuk memprediksi atau mengklasifikasikan data baru. Dalam proses ini, set pengujian atau data baru dapat digunakan untuk menguji efektivitas klasifikasi model, biasanya dievaluasi dengan indikator seperti akurasi, rasio panggilan, dan F1-score.

Seperti yang ditunjukkan pada gambar, setelah pengumpulan data dan pra-pemrosesan data, pemilihan model dan penyetelan serta pelatihan, model yang telah dilatih akan dilakukan inferensi pada set pengujian yang menghasilkan nilai prediksi kucing dan anjing P (probabilitas), yaitu probabilitas bahwa model menyimpulkan itu adalah kucing atau anjing.

Model AI yang telah dilatih dapat diintegrasikan lebih lanjut ke dalam berbagai aplikasi, melakukan berbagai tugas. Dalam contoh ini, model AI untuk klasifikasi kucing dan anjing dapat diintegrasikan ke dalam aplikasi ponsel, di mana pengguna mengunggah gambar kucing atau anjing dan menerima hasil klasifikasi.

Namun, proses pengembangan AI terpusat memiliki beberapa masalah dalam skenario berikut:

Privasi Pengguna: Dalam skenario terpusat, proses pengembangan AI biasanya tidak transparan. Data pengguna mungkin dicuri tanpa sepengetahuan dan digunakan untuk pelatihan AI.

Sumber data diperoleh: Tim kecil atau individu mungkin menghadapi keterbatasan data yang tidak bersifat open source ketika memperoleh data di bidang tertentu (seperti data medis).

Pemilihan dan penyempurnaan model: Untuk tim kecil, sulit untuk mendapatkan sumber daya model di bidang tertentu atau menghabiskan banyak biaya untuk penyempurnaan model.

Perolehan daya komputasi: Bagi pengembang individu dan tim kecil, biaya pembelian GPU yang tinggi dan biaya sewa daya komputasi cloud dapat menjadi beban ekonomi yang signifikan.

Pendapatan Aset AI: Pekerja penandaan data sering kali tidak dapat memperoleh pendapatan yang sebanding dengan usaha mereka, sementara hasil penelitian pengembang AI juga sulit untuk dicocokkan dengan pembeli yang membutuhkan.

Tantangan yang ada dalam skenario AI terpusat dapat diatasi dengan menggabungkannya dengan Web3. Web3 sebagai bentuk hubungan produksi baru, secara alami cocok untuk mewakili produktivitas baru AI, sehingga mendorong kemajuan teknologi dan kapasitas produksi secara bersamaan.

1.3 Web3 dan AI: Sinergi, Perubahan Peran dan Aplikasi Inovatif

Web3 dan AI yang digabungkan dapat meningkatkan kedaulatan pengguna, menyediakan platform kolaborasi AI yang terbuka bagi pengguna, memungkinkan pengguna beralih dari pengguna AI di era Web2 menjadi peserta, menciptakan AI yang dapat dimiliki oleh semua orang. Sementara itu, penggabungan dunia Web3 dengan teknologi AI juga dapat menghasilkan lebih banyak skenario aplikasi dan cara bermain yang inovatif.

Berdasarkan teknologi Web3, pengembangan dan penerapan AI akan memasuki sistem ekonomi kolaboratif yang baru. Privasi data orang dapat terjaga, model data crowdsourcing mendorong kemajuan model AI, banyak sumber daya AI sumber terbuka tersedia untuk pengguna, dan daya komputasi yang dibagikan dapat diperoleh dengan biaya yang lebih rendah. Dengan bantuan mekanisme kolaborasi crowdsourcing terdesentralisasi dan pasar AI terbuka, sistem distribusi pendapatan yang adil dapat diwujudkan, sehingga mendorong lebih banyak orang untuk mendorong kemajuan teknologi AI.

Dalam skenario Web3, AI dapat memberikan dampak positif di berbagai jalur. Misalnya, model AI dapat diintegrasikan ke dalam kontrak pintar untuk meningkatkan efisiensi kerja dalam berbagai aplikasi, seperti analisis pasar, deteksi keamanan, pengelompokan sosial, dan berbagai fungsi lainnya. AI generatif tidak hanya memungkinkan pengguna merasakan peran "seniman", seperti menggunakan teknologi AI untuk membuat NFT mereka sendiri, tetapi juga dapat menciptakan berbagai skenario permainan dan pengalaman interaksi yang menarik dalam GameFi. Infrastruktur yang kaya menyediakan pengalaman pengembangan yang lancar, baik bagi para ahli AI maupun pemula yang ingin memasuki bidang AI dapat menemukan pintu masuk yang sesuai di dunia ini.

Dua, Peta dan Penjelasan Arsitektur Proyek Ekosistem Web3-AI

Kami terutama meneliti 41 proyek di jalur Web3-AI dan membagi proyek-proyek ini ke dalam berbagai tingkat. Logika pembagian setiap tingkat ditunjukkan pada gambar di bawah, termasuk lapisan infrastruktur, lapisan tengah, dan lapisan aplikasi, di mana setiap lapisan dibagi menjadi berbagai sektor. Di bab berikutnya, kami akan melakukan analisis kedalaman terhadap beberapa proyek yang representatif.

Lapisan infrastruktur mencakup sumber daya komputasi dan arsitektur teknologi yang mendukung seluruh siklus hidup AI, lapisan tengah mencakup manajemen data, pengembangan model, dan layanan inferensi verifikasi yang menghubungkan infrastruktur dengan aplikasi, sedangkan lapisan aplikasi berfokus pada berbagai aplikasi dan solusi yang langsung ditujukan kepada pengguna.

Lapisan infrastruktur:

Lapisan infrastruktur adalah dasar dari siklus hidup AI, artikel ini mengklasifikasikan kekuatan komputasi, AI Chain, dan platform pengembangan sebagai lapisan infrastruktur. Hanya dengan dukungan infrastruktur ini, pelatihan dan inferensi model AI dapat direalisasikan, serta menyajikan aplikasi AI yang kuat dan praktis kepada pengguna.

• Jaringan komputasi terdesentralisasi: dapat menyediakan daya komputasi terdistribusi untuk pelatihan model AI, memastikan pemanfaatan sumber daya komputasi yang efisien dan ekonomis. Beberapa proyek menawarkan pasar daya komputasi terdesentralisasi, di mana pengguna dapat menyewa daya komputasi dengan biaya rendah atau berbagi daya komputasi untuk mendapatkan keuntungan, proyek yang mewakili seperti IO.NET dan Hyperbolic. Selain itu, beberapa proyek telah menghasilkan cara baru, seperti Compute Labs, yang mengusulkan protokol tokenisasi, di mana pengguna dapat berpartisipasi dalam penyewaan daya komputasi dengan cara berbeda untuk mendapatkan keuntungan dengan membeli NFT yang mewakili entitas GPU.

• AI Chain: Memanfaatkan blockchain sebagai dasar siklus hidup AI, mewujudkan interaksi sumber daya AI yang mulus antara on-chain dan off-chain, serta mendorong perkembangan ekosistem industri. Pasar AI terdesentralisasi di blockchain dapat memperdagangkan aset AI seperti data, model, agen, dll., dan menyediakan kerangka pengembangan AI serta alat pengembangan pendukung, dengan proyek perwakilan seperti Sahara AI. AI Chain juga dapat memfasilitasi kemajuan teknologi AI di berbagai bidang, seperti Bittensor yang mendorong persaingan subnet yang berbeda melalui mekanisme insentif subnet yang inovatif.

• Platform pengembangan: Beberapa proyek menyediakan platform pengembangan agen AI, dan juga dapat melakukan perdagangan agen AI, seperti Fetch.ai dan ChainML. Alat serbaguna membantu pengembang untuk lebih mudah membuat, melatih, dan menerapkan model AI, mewakili proyek seperti Nimble. Infrastruktur ini mendorong penerapan luas teknologi AI dalam ekosistem Web3.

Lapisan tengah:

Lapisan ini melibatkan data AI, model, serta inferensi dan verifikasi, menggunakan teknologi Web3 dapat mencapai efisiensi kerja yang lebih tinggi.

• Data: Kualitas dan jumlah data adalah faktor kunci yang mempengaruhi efektivitas pelatihan model. Di dunia Web3, melalui data crowdsourcing dan pemrosesan data kolaboratif, pemanfaatan sumber daya dapat dioptimalkan dan biaya data dapat ditekan. Pengguna dapat memiliki hak atas data mereka, dan dalam perlindungan privasi, mereka dapat menjual data mereka sendiri untuk menghindari data dicuri oleh pedagang yang tidak bertanggung jawab dan mendapatkan keuntungan besar. Bagi pihak yang membutuhkan data, platform-platform ini menyediakan berbagai pilihan dan biaya yang sangat rendah. Proyek-proyek yang mewakili seperti Grass memanfaatkan bandwidth pengguna untuk mengumpulkan data Web, xData mengumpulkan informasi media melalui plugin yang ramah pengguna, dan mendukung pengguna untuk mengunggah informasi tweet.

Selain itu, beberapa platform memungkinkan ahli di bidangnya atau pengguna biasa untuk melakukan tugas pra-pemrosesan data, seperti pelabelan gambar dan klasifikasi data, yang mungkin memerlukan pengetahuan profesional dalam pemrosesan data untuk tugas keuangan dan hukum. Pengguna dapat mem-tokenisasi keterampilan mereka untuk mewujudkan kolaborasi crowdsourcing dalam pra-pemrosesan data. Contohnya seperti pasar AI Sahara AI, yang memiliki berbagai tugas data di berbagai bidang, dapat mencakup berbagai skenario data; sementara AIT Protocol melakukan pelabelan data melalui cara kolaborasi manusia dan mesin.

• Model: Dalam proses pengembangan AI yang telah disebutkan sebelumnya, berbagai jenis kebutuhan perlu dipadankan dengan model yang sesuai. Model yang umum digunakan untuk tugas gambar seperti CNN, GAN, untuk tugas deteksi objek dapat memilih dari seri Yolo, dan untuk tugas teks model yang umum seperti RNN, Transformer, serta ada beberapa model besar tertentu atau umum. Kedalaman model yang dibutuhkan bervariasi tergantung pada kompleksitas tugas, kadang-kadang perlu dilakukan penyesuaian pada model.

Beberapa proyek mendukung pengguna untuk menyediakan berbagai jenis model atau berkolaborasi dalam pelatihan model melalui crowdsourcing, seperti Sentient yang melalui desain modular, memungkinkan pengguna untuk menyimpan data model yang dapat dipercaya di lapisan penyimpanan dan lapisan distribusi untuk optimasi model. Alat pengembangan yang disediakan oleh Sahara AI dilengkapi dengan algoritma AI canggih dan kerangka komputasi, serta memiliki kemampuan pelatihan kolaboratif.

• Penalaran dan verifikasi: Setelah model dilatih, model akan menghasilkan file bobot model yang dapat digunakan untuk klasifikasi, prediksi, atau tugas tertentu lainnya, proses ini disebut penalaran. Proses penalaran biasanya disertai dengan mekanisme verifikasi, untuk memverifikasi apakah sumber model penalaran benar, apakah ada perilaku jahat, dll. Penalaran Web3 biasanya dapat diintegrasikan ke dalam kontrak pintar, dengan memanggil model untuk melakukan penalaran, metode verifikasi yang umum termasuk teknologi ZKML, OPML, dan TEE. Proyek perwakilan seperti orakel AI di jaringan ORA (OAO), memperkenalkan OPML sebagai lapisan yang dapat diverifikasi untuk orakel AI, di situs resmi ORA juga disebutkan penelitian mereka tentang ZKML dan opp/ai (ZKML dikombinasikan dengan OPML).

Lapisan aplikasi:

Lapisan ini terutama merupakan aplikasi yang langsung ditujukan kepada pengguna, menggabungkan AI dengan Web3, menciptakan lebih banyak cara yang menarik dan inovatif. Artikel ini terutama menguraikan proyek-proyek di beberapa bidang seperti AIGC (Konten yang Dihasilkan AI), agen AI, dan analisis data.

• AIGC: Melalui AIGC