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

З огляду на те, що AI наратив продовжує набирати популярності, все більше уваги зосереджується на цій ніші. Ми провели 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 ринкових можливостей

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

Протягом минулого року AI наратив у Web3 індустрії був надзвичайно популярним, AI проекти з'являлися як гриби після дощу. Хоча існує безліч проектів, що містять AI технології, деякі з них використовують AI лише в певних частинах своїх продуктів, базова токеноміка не має суттєвого зв'язку з AI продуктами, тому такі проекти не підпадають під обговорення Web3-AI проектів у цій статті.

Основна увага цієї статті зосереджена на використанні блокчейну для вирішення проблем виробничих відносин, а також на проектах, які використовують ШІ для вирішення проблем продуктивності. Ці проекти самі пропонують продукти ШІ та базуються на економічній моделі Web3 як інструменту виробничих відносин, що взаємодоповнюють одне одного. Ми класифікуємо такі проекти як напрямок Web3-AI. Щоб читачі краще зрозуміли напрямок 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 та виклики ШІ: від збору даних до моделювання

Технологія ШІ є технологією, яка дозволяє комп'ютерам імітувати, розширювати та покращувати людський інтелект. Вона здатна виконувати різні складні завдання, від перекладу мов, класифікації зображень до розпізнавання облич, автономного водіння та інших застосувань, ШІ змінює спосіб нашого життя та роботи.

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

1. Збір даних та попередня обробка даних: зібрати набір зображень, що містять котів і собак, можна використовувати відкриті набори даних або самостійно зібрати реальні дані. Потім для кожного зображення позначити категорію (кіт або собака), забезпечуючи точність міток. Перетворіть зображення в формат, який може розпізнати модель, розділіть набір даних на навчальний набір, валідаційний набір та тестовий набір.

2. Вибір моделі та налаштування: вибір відповідної моделі, наприклад, згорткової нейронної мережі (CNN), яка більше підходить для завдань класифікації зображень. Налаштування параметрів або архітектури моделі відповідно до різних вимог, як правило, рівні мережі моделі можуть коригуватися в залежності від складності AI-завдання. У цьому простому прикладі класифікації може бути достатньо більш поверхневих 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. Моделювання висновків: Файли, що містять навчану модель, зазвичай називаються вагами моделі. Процес висновку - 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 із використанням таких показників, як точність, відзив, F1-score для оцінки ефективності моделі.

Як показано на малюнку, після збору даних, попередньої обробки даних, вибору та налаштування моделі, а також навчання, отримана модель виконує інференцію на тестовому наборі, що дає прогнозовані значення для котів і собак P (ймовірність), тобто ймовірність того, що модель визначає, що це кіт або 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: в централізованих сценаріях процес розробки ШІ зазвичай є непрозорим. Дані користувачів можуть бути викрадені без їх відома і використані для навчання ШІ.

Отримання джерела даних: невеликі команди або окремі особи, які отримують дані з певної області (наприклад, медичні дані), можуть зіткнутися з обмеженням щодо відкритості даних.

Вибір і налаштування моделей: для малих команд важко отримати ресурси моделей у певній галузі або витратити великі кошти на налаштування моделей.

Отримання обчислювальної потужності: для окремих розробників і невеликих команд висока вартість покупки GPU та витрати на оренду хмарної обчислювальної потужності можуть становити суттєве економічне навантаження.

AI активи доходи: працівники з маркування даних часто не можуть отримати дохід, який відповідає їхнім витратам, а результати досліджень розробників ШІ також важко узгодити з покупцями, які мають попит.

Виклики, що існують у централізованих AI-сценаріях, можна подолати, поєднуючи їх з Web3. Web3, як новий тип виробничих відносин, природно підходить для представлення нових виробничих сил AI, що сприяє одночасному прогресу технологій і виробничих можливостей.

1.3 Співпраця Web3 та AI: зміна ролей та інноваційні застосування

Поєднання Web3 та AI може посилити суверенітет користувачів, надаючи їм відкриту платформу для співпраці з AI, що дозволяє користувачам перетворитися з користувачів AI епохи Web2 на активних учасників, створюючи AI, яким можуть володіти всі. Водночас, інтеграція світу Web3 та технологій AI може призвести до виникнення нових інноваційних сценаріїв застосування та ігор.

На основі технології Web3 розробка та застосування ШІ вступлять у нову еру кооперативної економіки. Приватність даних людей буде захищена, модель краудсорсингу даних сприятиме прогресу моделей ШІ, безліч відкритих ресурсів ШІ буде доступна для користувачів, а спільні обчислювальні потужності можна буде отримати за нижчою ціною. Завдяки децентралізованій механізму кооперативного краудсорсингу та відкритому ринку ШІ можна реалізувати справедливу систему розподілу доходів, що стимулюватиме більше людей до просування технологій ШІ.

У сцені Web3 штучний інтелект може позитивно впливати на кілька напрямків. Наприклад, моделі ШІ можуть бути інтегровані в смарт-контракти, підвищуючи ефективність роботи в різних застосуваннях, таких як ринковий аналіз, безпекове тестування, соціальна кластеризація та інші функції. Генеративний ШІ не лише дозволяє користувачам відчути себе "художником", наприклад, використовуючи технології ШІ для створення своїх NFT, але й може створювати різноманітні ігрові сцени та цікаві інтерактивні досвіди в GameFi. Багата інфраструктура забезпечує безперебійну розробницьку діяльність, що дозволяє як експертам у сфері ШІ, так і новачкам, які хочуть зайти в цю галузь, знайти відповідний вхід у цьому світі.

Два, огляд екосистеми Web3-AI проектів та архітектури

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

Інфраструктурний рівень охоплює обчислювальні ресурси та технологічну архітектуру, які підтримують весь життєвий цикл AI, тоді як середній рівень включає управління даними, розробку моделей та послуги верифікації та інференції, які з'єднують інфраструктуру та додатки. Рівень додатків зосереджений на різноманітних додатках і рішеннях, які безпосередньо спрямовані на користувачів.

Інфраструктурний рівень:

Інфраструктурний рівень є основою життєвого циклу ШІ, у цій статті обчислювальну потужність, AI Chain та платформу для розробки класифікують як інфраструктурний рівень. Саме завдяки підтримці цих інфраструктур можливе навчання та висновки моделей ШІ, а також представлення потужних і практичних застосунків ШІ користувачам.

• Децентралізовані обчислювальні мережі: можуть забезпечити розподілену обчислювальну потужність для навчання AI моделей, забезпечуючи ефективне та економічне використання обчислювальних ресурсів. Деякі проекти пропонують децентралізовані ринки обчислювальної потужності, де користувачі можуть орендувати обчислювальну потужність за низькою ціною або ділитися обчислювальною потужністю для отримання доходу, до таких проектів відносяться IO.NET та Hyperbolic. Крім того, деякі проекти розробили нові ігрові механіки, такі як Compute Labs, які запропонували токенізований протокол, де користувачі можуть купувати NFT, які представляють фізичні GPU, і брати участь в оренді обчислювальної потужності різними способами для отримання доходу.

• AI Chain: Використовує блокчейн як основу життєвого циклу AI, забезпечуючи безшовну взаємодію AI ресурсів на ланцюгу та поза ним, сприяючи розвитку екосистеми галузі. Децентралізований AI ринок на ланцюгу може торгувати активами AI, такими як дані, моделі, агенти тощо, а також надавати фреймворк для розробки AI та супутні інструменти для розробників, прикладом проекту є Sahara AI. AI Chain також може сприяти прогресу AI технологій у різних сферах, таких як Bittensor, що сприяє конкуренції між різними типами підмережі через інноваційний механізм заохочення.

• Платформа для розробки: деякі проекти пропонують платформи для розробки AI-агентів, також можливі торги AI-агентами, такі як Fetch.ai та ChainML. Універсальні інструменти допомагають розробникам легше створювати, навчати та впроваджувати AI-моделі, представлені проектом Nimble. Ця інфраструктура сприяє широкому застосуванню AI-технологій в екосистемі Web3.

Проміжний шар:

Цей рівень стосується даних AI, моделей, а також міркувань і валідації, використання технологій Web3 може забезпечити вищу ефективність роботи.

• Дані: Якість і кількість даних є ключовими факторами, що впливають на ефективність навчання моделі. У світі Web3, завдяки краудсорсинговим даним та колаборативній обробці даних, можна оптимізувати використання ресурсів і знизити витрати на дані. Користувачі можуть мати право власності на дані, продаючи свої дані з урахуванням захисту конфіденційності, щоб уникнути крадіжки даних недобросовісними підприємцями та отримання високих прибутків. Для замовників даних ці платформи пропонують широкий вибір і дуже низькі витрати. Представлені проекти, такі як Grass, використовують пропускну здатність користувачів для збору веб-даних, xData збирає інформацію про медіа за допомогою зручних плагінів і підтримує завантаження інформації про твіти.

Крім того, деякі платформи дозволяють експертам у певній області або звичайним користувачам виконувати завдання з попередньої обробки даних, такі як позначення зображень, класифікація даних, які можуть вимагати професійних знань у фінансовій та юридичній обробці даних. Користувачі можуть токенізувати свої навички, щоб реалізувати кооперативний краудсорсинг попередньої обробки даних. Прикладом є AI ринок, такий як Sahara AI, що має завдання з даних у різних областях, які можуть покривати багатогалузеві сценарії даних; а AIT Protocolt здійснює позначення даних за допомогою співпраці людини і машини.

• Модель: У процесі розробки ШІ, про який згадувалося раніше, різні типи вимог потребують підбору відповідної моделі. Для завдань з обробки зображень часто використовуються моделі, такі як CNN, GAN, для завдань виявлення об'єктів можна вибрати серію Yolo, для текстових завдань поширені моделі RNN, Transformer та інші, звичайно, є також деякі спеціалізовані або універсальні великі моделі. Моделі глибини, необхідні для завдань з різною складністю, також різняться, іноді потрібно налаштовувати модель.

Деякі проекти підтримують можливість користувачам надавати різні типи моделей або співпрацювати над їх навчанням через краудсорсинг, такі як Sentient, що завдяки модульному дизайну дозволяє користувачам розміщувати надійні дані моделей на рівні зберігання та розподілу для оптимізації моделей. Розробницькі інструменти, що надаються Sahara AI, вбудовані з передовими AI алгоритмами та обчислювальними фреймворками, а також мають можливість співпрацювати в навчанні.

• Висновок і верифікація: після навчання модель генерує файли ваги 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 правильне походження моделі висновку, чи є шкідливі дії тощо. Висновок у Web3 зазвичай можна інтегрувати в смарт-контракти, викликаючи модель для висновку, поширені способи верифікації включають технології ZKML, OPML та TEE. Представникові проекти, такі як AI оракул на ланцюгу ORA (OAO), впровадили OPML як перевіряємий рівень для AI оракула, на офіційному сайті ORA також згадується їхнє дослідження щодо ZKML та opp/ai (ZKML у поєднанні з OPML).

Рівень застосунків:

Цей рівень в основному є програмами, які безпосередньо орієнтовані на користувачів, поєднуючи AI з Web3, створюючи більше цікавих та інноваційних способів гри. У цій статті в основному розглядаються проекти в кількох сегментах: AIGC (AI-генерований контент), AI-агенти та аналіз даних.

• AIGC: через AIGC