Панорамний звіт про Web3-AI: технічна логіка, сценарні застосування та глибокий аналіз провідних проектів

З огляду на постійний зріст інтересу до AI-нарративу, все більше уваги зосереджується на цій ніші. Проведено глибокий аналіз технологічної логіки, сценаріїв використання та представницьких проектів у Web3-AI, щоб повністю представити панораму та тенденції розвитку цієї сфери.

Одне, 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-оповідання в індустрії Web3 стало надзвичайно популярним, AI-проекти з'являлися, як гриби після дощу. Хоча є багато проектів, які використовують AI-технології, деякі проекти використовують AI лише в певних частинах своїх продуктів, а базова токеноміка не має суттєвого зв'язку з AI-продуктами, тому такі проекти не входять до обговорення Web3-AI у цій статті.

Основна увага в цій статті зосереджена на проектах, які використовують блокчейн для вирішення проблем виробничих відносин та штучного інтелекту для вирішення проблем продуктивності. Ці проекти самі пропонують продукти AI, одночасно базуючись на економічній моделі Web3 як інструменті виробничих відносин, що доповнюють один одного. Ми класифікуємо такі проекти в категорію Web3-AI. Щоб читачі краще зрозуміли категорію Web3-AI, буде розглянуто процес розробки AI та виклики, а також те, як поєднання Web3 і AI ідеально вирішує проблеми та створює нові сценарії застосування.

1.2 Розробка ШІ: від збору даних до моделювання

Технологія штучного інтелекту — це технологія, яка дозволяє комп'ютерам імітувати, розширювати та покращувати людський інтелект. Вона дозволяє комп'ютерам виконувати різноманітні складні завдання, від перекладу мов, класифікації зображень до розпізнавання облич, автономного водіння та інших застосувань. Штучний інтелект змінює спосіб нашого життя та роботи.

Процес розробки моделей штучного інтелекту зазвичай включає в себе кілька ключових етапів: збір даних та попередня обробка даних, вибір та налаштування моделі, навчання моделі та висновок. 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 та собак, можна використовувати відкриті набори даних або самостійно збирати реальні дані. Потім для кожного зображення позначте категорію ( кіт або собака ), переконайтеся, що мітки точні. Перетворіть зображення у формат, який може розпізнати модель, розділіть набір даних на навчальний набір, валідаційний набір та тестовий набір.

2. Вибір та налаштування моделі: вибір відповідної моделі, наприклад, згорткової нейронної мережі (CNN), що найбільш підходить для завдань класифікації зображень. Налаштування параметрів моделі або архітектури відповідно до різних вимог, як правило, рівні мережі моделі можуть бути налаштовані відповідно до складності завдання ШІ. У цьому простому прикладі класифікації, менш глибокі рівні мережі можуть бути достатніми.

3. Тренування моделі: можна використовувати GPU, TPU або високопродуктивні обчислювальні кластери для тренування моделі, час тренування залежить від складності моделі та обчислювальної потужності.

4. Інференція моделі: файл, в якому навчена модель, зазвичай називається вагою моделі, а процес інференції - це використання вже навченої моделі для прогнозування або класифікації нових даних. У цьому процесі можна використовувати тестовий набір або нові дані для перевірки класифікаційної ефективності моделі, зазвичай використовуються такі показники, як точність, відзив, F1-score тощо для оцінки ефективності моделі.

Як показано на малюнку, після збору даних, попередньої обробки даних, вибору та налаштування моделі, а також навчання, застосування навченої моделі на тестовому наборі даних дасть прогнозоване значення P( ймовірності ), тобто ймовірності того, що модель прогнозує, що це кіт або пес.

Навчена модель ШІ може бути додатково інтегрована в різні програми для виконання різних завдань. У цьому прикладі модель ШІ для класифікації котів і собак може бути інтегрована в мобільний додаток, де користувачі завантажують зображення котів або собак і отримують 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.

Джерело даних: невеликі команди або особи, які отримують дані в певній області (, такі як медичні дані ), можуть зіткнутися з обмеженнями щодо відкритості даних.

Вибір та налаштування моделі: для невеликих команд важко отримати ресурси моделі в певній галузі або витратити великі кошти на налаштування моделі.

Отримання обчислювальної потужності: для окремих розробників і малих команд висока вартість покупки GPU та витрати на оренду хмарної обчислювальної потужності можуть становити значний економічний тягар.

Доходи від активів ШІ: працівники з розмітки даних часто не можуть отримати доходи, що відповідають їхнім витратам, а результати досліджень розробників ШІ також важко співвіднести з покупцями, які мають попит.

Виклики, що виникають у централізованих AI-сценаріях, можуть бути подолані через інтеграцію з Web3. Web3, як нова форма виробничих відносин, природно адаптується до AI, що представляє нову продуктивність, тим самим сприяючи одночасному прогресу технологій та виробничих можливостей.

1.3 Синергія Web3 та AI: зміна ролей та інноваційні застосування

Поєднання Web3 та AI може посилити суверенітет користувачів, надавши їм відкриту платформу для співпраці з AI, що дозволить користувачам перейти з роль AI-споживачів ери Web2 до учасників, створюючи AI, яким можуть володіти всі. Одночасно інтеграція світу Web3 та технологій AI також може привести до виникнення нових інноваційних сценаріїв застосування та ігор.

На основі технології Web3, розробка та застосування ШІ зустрінуть нову систему кооперативної економіки. Приватність даних людей буде захищена, модель краудсорсингу даних сприятиме розвитку моделей ШІ, безліч відкритих ресурсів ШІ доступні для користувачів, а спільні обчислювальні потужності можна отримати за нижчою ціною. Завдяки децентралізованому механізму краудсорсингу та відкритому ринку ШІ можна реалізувати справедливу систему розподілу доходів, щоб стимулювати більше людей до просування технологій ШІ.

У сцені Web3 AI може справляти позитивний вплив у різних напрямках. Наприклад, AI-моделі можуть бути інтегровані в смарт-контракти, підвищуючи ефективність роботи в різних сценаріях застосування, таких як ринковий аналіз, безпекове тестування, соціальна кластеризація та багато інших функцій. Генеративний AI не лише дозволяє користувачам відчути себе "художниками", наприклад, використовуючи AI-технології для створення власних NFT, але також може створювати різноманітні ігрові сцени та цікаві інтерактивні досвіди в GameFi. Різноманітна інфраструктура забезпечує плавний досвід розробки, незалежно від того, чи є ви експертом у сфері AI, чи новачком, який хоче увійти в цю галузь.

Два, Аналіз карти та архітектури проектів Web3-AI

Ми в основному вивчали 41 проект у сфері Web3-AI та поділили ці проекти на різні рівні. Логіка розподілу кожного рівня зображена на наступному малюнку, включаючи інфраструктурний рівень, середній рівень та рівень застосувань, кожен з яких поділяється на різні секції. У наступному розділі ми проведемо глибокий аналіз деяких представницьких проектів.

Інфраструктурний рівень охоплює обчислювальні ресурси та технологічну архітектуру, що підтримують виконання всього життєвого циклу ШІ, тоді як проміжний рівень включає управління даними, розробку моделей і послуги верифікації та інференції, які з'єднують інфраструктуру з застосуваннями. Застосунковий рівень зосереджується на різних застосуваннях та рішеннях, орієнтованих безпосередньо на користувача.

Інфраструктурний рівень:

Інфраструктурний рівень є основою життєвого циклу ШІ, у цій статті обчислювальну потужність, AI Chain та платформу розробки віднесено до інфраструктурного рівня. Саме підтримка цих інфраструктур дозволяє здійснювати навчання та інференцію моделей ШІ, а також представляти потужні та практичні застосунки ШІ користувачам.

• Децентралізована обчислювальна мережа: може забезпечити розподілену обчислювальну потужність для навчання AI моделей, забезпечуючи ефективне та економічне використання обчислювальних ресурсів. Деякі проєкти пропонують децентралізований ринок обчислювальної потужності, де користувачі можуть орендувати обчислювальну потужність за низькою ціною або ділитися обчислювальною потужністю для отримання прибутку, такими проєктами є IO.NET та Hyperbolic. Крім того, деякі проєкти породили нові ігрові механіки, такі як Compute Labs, які запропонували токенізований протокол, де користувачі можуть купувати NFT, що представляють фізичні GPU, і брати участь в оренді обчислювальної потужності різними способами для отримання прибутку.

• AI Chain: Використання блокчейну як основи життєвого циклу AI, для досягнення безшовної взаємодії між AI-ресурсами на ланцюгу та поза ним, сприяючи розвитку екосистеми галузі. Децентралізований AI-ринок на ланцюгу може торгувати AI-активами, такими як дані, моделі, агенти тощо, та надавати рамки для розробки AI і супутні інструменти для розробників, приклад проекту - Sahara AI. AI Chain також може сприяти прогресу AI-технологій у 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 розгортати AI-моделі, прикладом проекту є Nimble. Ця інфраструктура сприяє широкому застосуванню AI-технологій у екосистемі Web3.

Проміжний рівень:

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

• Дані: Якість і кількість даних є ключовими факторами, що впливають на ефективність навчання моделей. У світі Web3, через краудсорсинг даних і кооперативну обробку даних, можна оптимізувати використання ресурсів і знизити витрати на дані. Користувачі можуть мати автономію над даними, продаючи свої дані за умов захисту конфіденційності, щоб уникнути їх викрадення недобросовісними компаніями та отримання великого прибутку. Щодо замовників 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 для користувача плагіни та підтримує завантаження інформації з твітів користувачами.

Крім того, деякі платформи дозволяють експертам у галузі або звичайним користувачам виконувати завдання з попередньої обробки даних, такі як позначення зображень, класифікація даних, ці завдання можуть вимагати професійних знань у фінансовій та юридичній обробці даних, користувачі можуть токенізувати свої навички, реалізуючи колективне краудсорсинг попередньої обробки даних. Прикладом є AI-ринок, як-от Sahara AI, з даними завданнями в різних галузях, які можуть охоплювати багатогалузеві сценарії даних; тоді як AIT Protocolt здійснює позначення даних шляхом співпраці людини і машини.

• Модель: У процесі розробки AI, про який згадувалося раніше, різні типи вимог потребують відповідних моделей. Для задач зображень часто використовують моделі, такі як CNN, GAN, для завдань виявлення об'єктів можна вибрати серію Yolo, а для текстових завдань поширені моделі RNN, Transformer та інші моделі, звісно, є також деякі специфічні або універсальні великі моделі. Моделі з різною глибиною потрібні для завдань різної складності, іноді потрібно налаштовувати моделі.

Деякі проекти підтримують користувачів у наданні різних типів моделей або в колективному навчанні моделей шляхом краудсорсингу, такі як Sentient, що завдяки модульному дизайну дозволяє користувачам зберігати надійні дані моделей на рівні зберігання та розподілу для оптимізації моделей. Інструменти розробки, надані Sahara AI, вбудовані з передовими алгоритмами штучного інтелекту та обчислювальними фреймворками, а також мають можливість колективного навчання.

• Висновок і верифікація: після навчання моделі створюється файл ваг моделі, який можна використовувати для безпосередньої класифікації, прогнозування або інших специфічних завдань, цей процес називається висновком. Процес висновку зазвичай супроводжується механізмом верифікації, щоб перевірити, чи є джерело моделі правильним, чи немає зловмисних дій тощо. Висновок Web3 зазвичай можна інтегрувати в смарт-контракти, викликаючи модель для висновку, поширеними методами верифікації є технології ZKML, OPML та TEE тощо. Представлені проекти, такі як AI оракул на ORA ланцюзі (OAO), впровадили OPML як верифікаційний шар для AI оракулів, на офіційному сайті ORA також згадується їхнє дослідження про ZKML та opp/ai(ZKML в поєднанні з OPML).

Рівень додатків:

Цей рівень в основному є програмами, які безпосередньо орієнтовані на користувачів, поєднуючи AI з Web3, створюючи більше цікавих та інноваційних ігор. У цій статті основна увага приділяється проектам у кількох секторах: AIGC( AI-генерований контент), AI-агенти та аналіз даних.

• AIGC: Через AIGC можна розширитися на NFT, ігри та інші напрямки в Web3, користувачі можуть безпосередньо створювати текст, зображення та аудіо за допомогою підказок, наданих користувачем через Prompt(, навіть можуть створювати власний ігровий процес відповідно до своїх уподобань. NFT проекти, такі як NFPrompt, користувачі можуть генерувати NFT за допомогою AI для торгівлі на ринку; ігри, такі як Sleepless, користувачі формують характер віртуального партнера через діалог, щоб відповідати своїм уподобанням;

• AI-агент: це штучні інтелектуальні системи, які здатні самостійно виконувати завдання та приймати рішення. AI-агенти зазвичай мають можливості сприйняття, міркування, навчання та дій, можуть виконувати складні завдання в різних середовищах. Загальні AI-агенти, такі як переклад мов, навчання мов,