Звіт про панораму Web3-AI: технічна логіка, сценарні застосування та глибокий аналіз топових проектів

Зі збільшенням популярності AI наративу, все більше уваги зосереджено на цьому сегменті. Проведено глибокий аналіз технологічної логіки, сценаріїв застосування та представницьких проектів у сегменті Web3-AI, щоб повністю представити панораму та тенденції розвитку цієї галузі.

Один. Web3-AI: Аналіз технічної логіки та нових ринкових можливостей

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

Протягом минулого року AI-наратив був надзвичайно популярним у Web3-індустрії, проєкти AI з'являлися, як гриби після дощу. Хоча багато проєктів включають AI-технології, деякі з них використовують AI лише в окремих частинах своїх продуктів, а базова токеноміка не має суттєвого зв'язку з AI-продуктами, тому такі проєкти не підпадають під обговорення Web3-AI у цій статті.

У цьому документі акцентується увага на використанні блокчейну для вирішення проблем виробничих відносин та штучного інтелекту для вирішення проблем продуктивності. Ці проекти самі по собі пропонують продукти штучного інтелекту, одночасно базуючись на економічній моделі Web3 як інструменті виробничих відносин, що взаємодоповнюють один одного. Ми класифікуємо ці проекти як напрямок Web3-AI. Щоб читачі краще зрозуміли напрямок Web3-AI, буде представлений процес розробки штучного інтелекту та виклики, а також як поєднання Web3 та AI ідеально вирішує проблеми та створює нові сценарії застосування.

1.2 Розробка та виклики штучного інтелекту: від збору даних до моделювання

Технологія ШІ – це технологія, яка дозволяє комп'ютерам імітувати, розширювати та покращувати людський інтелект. Вона робить можливим виконання комп'ютерами різних складних завдань, 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 включає в себе кілька ключових етапів: збір даних і попередня обробка даних, вибір і налаштування моделі, навчання моделі та інференція. Наприклад, для розробки моделі для класифікації зображень котів і собак вам потрібно:

1. Збір даних та попередня обробка даних: зберіть набір зображень, що містять котів і собак, можна використовувати відкриті набори даних або самостійно зібрати реальні дані. Потім для кожного зображення позначте категорії (кіт або собака), переконайтеся, 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 її налаштування: вибір відповідної моделі, наприклад, згорткової нейронної мережі (CNN), яка найбільше підходить для завдань класифікації зображень. Налаштування параметрів або архітектури моделі відповідно до різних вимог, зазвичай, ієрархія мережі моделі може бути налаштована в залежності від складності AI завдання. У цьому простому прикладі класифікації може бути достатньо більшої поверхневої ієрархії 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, в якому навчена модель, зазвичай називається вагами моделі. 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 оцінюючи ефективність моделі за допомогою таких показників, як точність, відгук, F1-score тощо.

Як показано на малюнку, після збору даних і попередньої обробки даних, вибору та налаштування моделі, а також навчання, проведення інференції на тестовому наборі з навченою моделлю дасть прогнозовані значення для котів і собак P (ймовірність), тобто ймовірність того, що модель визначить об'єкт як кота чи собаку.

Навчена модель ШІ може бути далі інтегрована в різноманітні програми, виконуючи різні завдання. У цьому прикладі модель ШІ для класифікації котів і собак може бути інтегрована в мобільний додаток, де користувачі завантажують зображення кота або собаки, щоб отримати результати класифікації.

Однак централізований процес розробки ШІ має певні проблеми в наступних сценаріях:

Приватність користувачів: у централізованих сценах процес розробки ШІ зазвичай є непрозорим. Дані користувачів можуть бути вкрадені без їх відома та використані для навчання ШІ.

Отримання джерела даних: малі команди або особи, що отримують дані в певних галузях (наприклад, медичні дані), можуть стикатися з обмеженнями на відкритість даних.

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

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

AI активи доходу: працівники з маркування даних часто не можуть отримати доходи, що відповідають їхнім витратам, а результати досліджень розробників AI також важко узгодити з покупцями, які мають попит.

Виклики, що існують в умовах централізованого AI, можуть бути подолані шляхом поєднання з Web3. Web3, як нова форма виробничих відносин, природно адаптується до представлення нових продуктивних сил AI, що сприяє одночасному прогресу технологій та виробничих можливостей.

1.3 Взаємодія Web3 та AI: зміна ролей та інноваційні застосування

Web3 та AI в поєднанні можуть посилити суверенітет користувачів, надаючи їм відкриту платформу для співпраці з AI, що дозволяє користувачам перетворитися з використання AI в епоху Web2 на учасників, створюючи AI, яким можуть володіти всі. Водночас, інтеграція світу Web3 та технології AI також може спричинити виникнення нових інноваційних сценаріїв застосування та ігор.

На основі технології Web3 розробка та застосування штучного інтелекту приведе до нової системи економіки співпраці. Приватність даних людей буде забезпечена, модель краудсорсингу даних сприятиме прогресу AI моделей, численні відкриті ресурси AI будуть доступні для користувачів, а спільні обчислювальні потужності можна буде отримати за нижчою вартістю. Завдяки децентралізованій механіці краудсорсингу та відкритому AI ринку можна реалізувати справедливу систему розподілу доходів, що стимулюватиме більше людей до просування прогресу технологій AI.

У сцені Web3 штучний інтелект може мати позитивний вплив у кількох сферах. Наприклад, моделі штучного інтелекту можуть бути інтегровані в смарт-контракти, щоб підвищити ефективність роботи в різних застосуваннях, таких як аналіз ринку, безпекова перевірка, соціальна кластеризація та багато інших функцій. Генеративний штучний інтелект не лише дозволяє користувачам відчути себе "художниками", наприклад, створюючи свої власні NFT за допомогою технологій AI, але й може створити різноманітні ігрові сцени та цікаві інтерактивні досвіди в GameFi. Розвинена інфраструктура забезпечує плавний досвід розробки, незалежно від того, є ви експертом у галузі AI чи новачком, який хоче увійти в цю сферу.

Два, Аналіз екосистеми Web3-AI та її архітектури

Ми в основному досліджували 41 проект у секторі Web3-AI і поділили ці проекти на різні рівні. Логіка розподілу кожного рівня показана на малюнку нижче, включаючи інфраструктурний рівень, проміжний рівень і рівень застосувань, кожен з яких далі поділяється на різні секції. У наступному розділі ми проведемо глибокий аналіз деяких репрезентативних проектів.

Інфраструктурний рівень охоплює обчислювальні ресурси та технологічну архітектуру, що підтримують весь життєвий цикл AI, тоді як проміжний рівень включає управління даними, розробку моделей та послуги верифікації і висновків, що з'єднують інфраструктуру та застосування. Рівень застосувань зосереджується на різних застосунках та рішеннях, що безпосередньо орієнтовані на користувачів.

Інфраструктурний рівень:

Інфраструктурний рівень є основою життєвого циклу ШІ, у цій статті обчислювальну потужність, AI Chain та платформу для розробки віднесено до інфраструктурного рівня. Саме завдяки підтримці цих інфраструктур реалізується навчання та інференція моделей ШІ, а також надаються потужні та практичні додатки ШІ користувачам.

• Децентралізована обчислювальна мережа: може надати 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 прибутку, прикладом таких проектів є IO.NET та Hyperbolic. Крім того, деякі проекти розробили нові підходи, такі як Compute Labs, які запропонували токенізований протокол, що дозволяє користувачам купувати NFT, які представляють фізичні GPU, і брати участь в оренді обчислювальної потужності різними способами для отримання прибутку.

• AI Chain: Використання блокчейну як основи для життєвого циклу AI, що дозволяє безшовну взаємодію AI-ресурсів на ланцюгу та поза ним, сприяючи розвитку екосистеми галузі. Децентралізований AI-ринок на ланцюгу дозволяє торгівлю AI-активами, такими як дані, моделі, агенти тощо, а також надає AI-розробницьку рамку та супутні інструменти для розробки, прикладом проекту є Sahara AI. AI Chain також може сприяти прогресу AI-технологій у різних сферах, наприклад, Bittensor сприяє конкуренції між підмережами різних типів AI через інноваційний механізм стимулювання підмереж.

• Розробницька платформа: деякі проекти пропонують платформи для розробки AI-агентів, а також можуть здійснювати торгівлю AI-агентами, такі як Fetch.ai та ChainML. Універсальні інструменти допомагають розробникам зручніше створювати, навчати та впроваджувати AI-моделі, приклад проекту - Nimble. Ця інфраструктура сприяє широкому використанню AI-технологій в екосистемі Web3.

Середній рівень:

Цей рівень стосується даних AI, моделей, а також міркувань і 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 краудсорсингові дані та кооперативну обробку даних можна оптимізувати використання ресурсів та знизити витрати на дані. Користувачі можуть мати автономію над своїми даними, продаючи їх за умов захисту конфіденційності, щоб уникнути викрадення даних недобросовісними торговцями та отримання високих прибутків. Для сторони, що потребує даних, ці платформи пропонують широкий вибір і надзвичайно низькі витрати. Представлені проекти, такі як Grass, використовують пропускну спроможність користувачів для збору веб-даних, xData збирає медіаінформацію через зручні плагіни для користувачів та підтримує можливість завантаження інформації про твіти.

Крім того, деякі платформи дозволяють експертам у галузі або звичайним користувачам виконувати завдання з попередньої обробки даних, такі як розмітка зображень, класифікація даних. Ці завдання можуть вимагати спеціальних знань з фінансової та юридичної обробки даних. Користувачі можуть токенізувати свої навички, реалізуючи співпрацю в рамках попередньої обробки даних. Представники, такі як AI-ринок Sahara AI, мають різні завдання з даними в різних сферах, що може охоплювати багатосферні сценарії даних; в той час як AIT Protocolt здійснює розмітку даних шляхом людської та машинної співпраці.

• Модель: У процесі розробки ШІ, про який згадувалося раніше, різні типи вимог потребують відповідних моделей. Для завдань зображення зазвичай використовуються моделі, такі як CNN, GAN, для завдань виявлення об'єктів можна вибрати серію Yolo, для текстових завдань поширеними є моделі RNN, Transformer та інші моделі, звичайно, є також деякі специфічні або загальні великі моделі. Моделі різної складності вимагають різної глибини, іноді потрібно налаштувати модель.

Деякі проекти підтримують користувачів у наданні різних типів моделей або спільному навчанні моделей через краудсорсинг, такі як Sentient, що завдяки модульному дизайну дозволяє користувачам зберігати надійні дані моделей на рівні зберігання та розподілу для оптимізації моделей, а інструменти розробки, надані Sahara AI, містять передові алгоритми ШІ та обчислювальні фреймворки, а також мають можливості спільного навчання.

• Висновок та верифікація: після навчання модель генерує файли ваги 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 не має зловмисних дій тощо. Висновок у Web3 зазвичай може бути інтегровано в смарт-контракти, через виклик моделі для висновку, звичайні методи верифікації включають технології ZKML, OPML та TEE. Представлені проекти, такі як AI oracle на ланцюгу ORA (OAO), впровадили OPML як верифікаційний рівень для AI oracle, на офіційному сайті ORA також згадувалося їхнє дослідження щодо ZKML та opp/ai (поєднання ZKML з OPML).

Рівень застосунку:

Цей рівень в основному є програмним забезпеченням, орієнтованим на користувача, яке поєднує штучний інтелект з Web3, створюючи