Веб3-АИ: Панорамный отчет по сегменту: техническая логика, сценарные приложения и глубокий анализ топовых проектов

С продолжающимся ростом популярности AI нарратива все больше внимания уделяется этой области. Проведен глубокий анализ технологической логики, сценариев применения и представительных проектов в области Web3-AI, чтобы всесторонне представить вам панораму и тенденции развития этой сферы.

Один, Web3-AI: анализ технической логики и возможностей новых рынков

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

В течение прошлого года AI-нарратив в индустрии Web3 был исключительно популярен, проекты на основе ИИ появлялись как грибы после дождя. Хотя существует множество проектов, связанных с ИИ-технологиями, некоторые из них используют ИИ только в определенных частях своих продуктов, а базовая токеномика не имеет существенной связи с продуктами ИИ, поэтому такие проекты не будут обсуждаться в данной статье в контексте Web3-AI.

Основное внимание в статье уделяется проектам, которые решают проблемы производственных отношений с помощью блокчейна и производительных сил с помощью ИИ. Эти проекты сами по себе предлагают ИИ-продукты и основаны на экономической модели Web3 в качестве инструмента производственных отношений, что взаимодополняет друг друга. Мы классифицируем такие проекты как сектор Web3-AI. Чтобы читателям было легче понять сектор Web3-AI, будет подробно описан процесс разработки ИИ и его проблемы, 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 и классификации изображений до распознавания лиц и автономного вождения, ИИ меняет способ нашей жизни и работы.

Процесс разработки модели искусственного интеллекта обычно включает в себя следующие ключевые этапы: сбор данных и предварительная обработка данных, выбор модели и её настройка, обучение модели и вывод. Приведем простой пример: для разработки модели, которая классифицирует изображения кошек и собак, вам необходимо:

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

2. Выбор и настройка модели: выберите подходящую модель, например, свёрточную нейронную сеть (CNN), которая подходит для задач классификации изображений. Настраивайте параметры или архитектуру модели в зависимости от различных требований; как правило, уровни сети модели можно настраивать в зависимости от сложности задачи ИИ. В этом простом примере классификации может быть достаточно более поверхностных уровней 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: Файлы, в которых обучена модель, обычно называют весами модели. Процесс вывода относится к использованию 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 оцениваемой с помощью таких показателей, как точность, полнота, F1-меры и т.д.

Как показано на рисунке, после сбора данных и предобработки данных, выбора и настройки модели, а также обучения, вывод обученной модели на тестовом наборе приведет к получению предсказанных значений P (вероятность) для кошек и собак, то есть вероятности того, что модель определит объект как кошку или собаку.

Обученная AI модель может быть дополнительно интегрирована в различные приложения для выполнения различных задач. В этом примере AI модель классификации кошек и собак может быть интегрирована в мобильное приложение, где пользователь загружает изображения кошек или собак и получает результаты классификации.

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

Пользовательская конфиденциальность: в централизованных сценариях процесс разработки ИИ обычно непрозрачен. Данные пользователей могут быть украдены без их ведома и использоваться для тренировки ИИ.

Получение данных: небольшие команды или отдельные лица, получая данные в определенной области (например, медицинские данные), могут столкнуться с ограничениями на использование неоткрытых данных.

Выбор и настройка модели: для небольших команд сложно получить ресурсы модели в определенной области или потратить большие средства на настройку модели.

Получение вычислительной мощности: для индивидуальных разработчиков и малых команд высокая стоимость покупки GPU и аренды облачной вычислительной мощности могут стать значительным экономическим бременем.

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

Вызовы, существующие в централизованных AI-сценариях, могут быть преодолены с помощью интеграции с Web3. Web3, как новая форма производственных отношений, естественно подходит для представления новой производительной силы AI, что, в свою очередь, способствует одновременному прогрессу технологий и производственных мощностей.

1.3 Синергия Web3 и ИИ: Изменение ролей и инновационные приложения

Слияние Web3 и ИИ может укрепить пользовательский суверенитет, предоставив пользователям открытую платформу для сотрудничества в области ИИ, позволяя им 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 также может привести к появлению более инновационных сценариев применения и способов взаимодействия.

На основе технологий Web3 разработка и применение ИИ вступят в новую эру кооперативной экономической системы. Личная информация пользователей будет защищена, модель краудсорсинга данных будет способствовать развитию ИИ-моделей, а множество открытых ресурсов ИИ будут доступны для пользователей, при этом вычислительные мощности можно будет получить по более низкой цене. С помощью децентрализованной системы краудсорсинга и открытого рынка ИИ можно реализовать справедливую систему распределения доходов, что будет стимулировать больше людей к продвижению прогресса технологий ИИ.

В сцене Web3 ИИ может оказать положительное влияние в различных областях. Например, ИИ модели могут быть интегрированы в смарт-контракты для повышения эффективности работы в различных приложениях, таких как рыночный анализ, безопасность, социальная кластеризация и многие другие функции. Генеративный ИИ не только позволяет пользователям испытать роль «художника», например, используя технологии ИИ для создания своих собственных NFT, но также может создавать разнообразные игровые сценарии и увлекательные взаимодействия в GameFi. Разнообразная инфраструктура предоставляет плавный опыт разработки, независимо от того, являются ли вы экспертом в ИИ или новичком, желающим войти в область ИИ, каждый может найти подходящий вход в этом мире.

Два. Анализ экосистемы и архитектуры проекта Web3-AI

Мы в основном исследовали 41 проект в области Web3-AI и разделили эти проекты на разные уровни. Логика разделения каждого уровня показана на следующем рисунке, включая уровень инфраструктуры, промежуточный уровень и уровень приложений, каждый из которых также разделен на разные секции. В следующей главе мы проведем Глубина анализа некоторых представительных проектов.

Уровень инфраструктуры охватывает вычислительные ресурсы и технологическую архитектуру, поддерживающие весь жизненный цикл ИИ, в то время как промежуточный уровень включает в себя управление данными, разработку моделей и услуги по верификации и выводу, соединяющие инфраструктуру с приложениями. Уровень приложений сосредоточен на различных приложениях и решениях, непосредственно ориентированных на пользователей.

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 этих инфраструктур возможны обучение и вывод ИИ моделей, а также предоставление 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 мощности по низкой цене или делиться мощностями для получения прибыли, такими проектами являются IO.NET и Hyperbolic. Кроме того, некоторые проекты разработали новые способы использования, такие как Compute Labs, которые предложили токенизированный протокол, позволяющий пользователям участвовать в аренде вычислительных мощностей разными способами, покупая NFT, представляющие физические GPU.

• AI Chain: Использование блокчейна в качестве основы для жизненного цикла ИИ, что позволяет осуществлять бесшовное взаимодействие ИИ ресурсов на и вне цепи, способствуя развитию отраслевых экосистем. Децентрализованный рынок ИИ на цепи может использоваться для торговли ИИ активами, такими как данные, модели, агенты и т.д., а также предоставляет рамки для разработки ИИ и сопутствующие инструменты разработки, примером проекта является Sahara AI. AI Chain также может способствовать прогрессу ИИ технологий в различных областях, таких как Bittensor, который продвигает конкуренцию между подсетями различных типов ИИ через инновационный механизм стимулирования подсетей.

• Платформа разработки: некоторые проекты предлагают платформу разработки AI-агентов, а также могут осуществлять торговлю AI-агентами, такие как Fetch.ai и ChainML. Удобные инструменты помогают разработчикам легче создавать, обучать и внедрять AI-модели, такие как проект Nimble. Эта инфраструктура способствует широкому применению технологий AI в экосистеме Web3.

Средний уровень:

Этот уровень включает в себя данные AI, модели, а также выводы и верификацию, 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, благодаря краудсорсингу данных и совместной обработке данных, можно оптимизировать использование ресурсов и снизить стоимость данных. Пользователи могут обладать правами на свои данные и продавать их в условиях защиты конфиденциальности, чтобы избежать кражи данных недобросовестными компаниями и получения высокой прибыли. Для сторон, нуждающихся в данных, эти платформы предлагают широкий выбор и очень низкие затраты. Представленные проекты, такие как Grass, используют пропускную способность пользователей для сбора веб-данных, а xData собирает информацию о медиа через удобные для пользователей плагины и поддерживает загрузку информации о твитах.

Кроме того, некоторые платформы позволяют специалистам в области или обычным пользователям выполнять задачи предобработки данных, такие как аннотирование изображений и классификация данных. Эти задачи могут требовать специализированных знаний для обработки финансовых и юридических данных. Пользователи могут токенизировать свои навыки, реализуя совместное краудсорсинг предобработки данных. Примером является рынок AI, такой как Sahara AI, который охватывает задачи данных из различных областей и может покрывать многосторонние сценарии данных; в то время как AIT Protocolt осуществляет аннотирование данных с помощью взаимодействия человека и машины.

• Модель: В процессе разработки ИИ, о котором упоминалось ранее, разные типы требований требуют соответствия подходящей модели. Для задач обработки изображений часто используются модели, такие как CNN и GAN, для задач детекции объектов можно выбрать серию Yolo, для текстовых задач распространены модели RNN и Transformer, конечно, есть и некоторые специфические или универсальные большие модели. Модель глубина также различается в зависимости от сложности задач, иногда необходимо настраивать модель.

Некоторые проекты поддерживают пользователей, предоставляющих различные типы моделей или совместно обучающих модели через краудсорсинг, такие как Sentient, который с помощью модульного дизайна позволяет пользователям размещать доверенные данные моделей на уровне хранения и уровня распространения для оптимизации модели. Инструменты разработки, предоставляемые Sahara AI, имеют встроенные передовые AI алгоритмы и вычислительные фреймворки, а также обладают возможностями совместного обучения.

• Вывод и проверка: после обучения модель генерирует файл весов модели, который можно использовать для прямой классификации, прогнозирования или других конкретных задач, этот процесс называется выводом. Процесс вывода обычно сопровождается механизмом проверки, чтобы проверить, правильны ли источники модели вывода, нет ли злонамеренных действий и т. д. Вывод в Web3 обычно можно интегрировать в смарт-контракты, вызывая модель для выполнения вывода, часто используемые методы проверки включают технологии ZKML, OPML и TEE. Представляющие проекты, такие как AI-оракул на цепочке ORA (OAO), ввели OPML как проверяемый уровень для AI-оракула, на официальном сайте ORA также упоминаются их исследования по ZKML и opp/ai (ZKML в сочетании с OPML).

Уровень приложений:

Этот уровень в основном представляет собой приложения, напрямую ориентированные на пользователей, объединяющие ИИ и Web3, создавая