Обзор экосистемы Web3-AI: техническая логика, сценарные применения и глубокий анализ ведущих проектов

С учетом продолжающегося роста интереса к AI-нарративу, все больше внимания сосредоточено на этой области. В данной статье проведен глубокий анализ технологической логики, сценариев применения и представительных проектов в области Web3-AI, чтобы предоставить вам полное представление о панораме и тенденциях развития в этой сфере.

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

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

В прошлом году ИИ-нарративы были необычайно популярны в индустрии Web3, и проекты ИИ возникали как грибы после дождя. Хотя множество проектов связано с технологиями ИИ, некоторые из них используют ИИ только в определенных частях своих продуктов, и основная токеномика не имеет существенной связи с ИИ-продуктами, поэтому такие проекты не будут обсуждаться в этой статье как проекты Web3-AI.

Основное внимание в статье уделяется проектам, использующим блокчейн для решения проблем производственных отношений и AI для решения проблем производительности. Эти проекты предоставляют AI-продукты и одновременно основаны на экономической модели Web3 в качестве инструмента производственных отношений, и оба аспекта взаимно дополняют друг друга. Мы классифицируем такие проекты как направление Web3-AI. Чтобы читатели лучше поняли направление Web3-AI, в статье будет подробно описан процесс разработки AI и вызовы, а также то, как сочетание Web3 и AI идеально решает проблемы и создает новые сценарии применения.

1.2 Процесс разработки ИИ и вызовы: от сбора данных до вывода модели

Технология ИИ — это технология, позволяющая компьютерам моделировать, расширять и усиливать человеческий интеллект. Она позволяет компьютерам выполнять различные сложные задачи, от перевода языков и классификации изображений до распознавания лиц и автономного вождения. ИИ меняет наш образ жизни и работы.

Процесс разработки моделей искусственного интеллекта обычно включает в себя несколько ключевых этапов: сбор данных и предварительная обработка данных, выбор и настройка модели, обучение модели и вывод. Например, для разработки модели, которая будет классифицировать изображения кошек и собак, вам нужно:

1. Сбор данных и предварительная обработка данных: Соберите набор изображений, содержащий кошек и собак, можно использовать открытые наборы данных или собрать реальные данные самостоятельно. Затем пометьте каждое изображение категориями (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, такую как сверточная нейронная сеть (CNN), которая хорошо подходит для задач классификации изображений. Настройте параметры модели или архитектуру в зависимости от различных требований, как правило, уровень сети модели можно изменять в зависимости от сложности задачи ИИ. В этом простом примере классификации может быть достаточно более мелкой 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 с обученной моделью обычно называются весами модели, а процесс вывода относится к прогнозированию или классификации новых данных с использованием уже обученной модели. В этом процессе можно использовать тестовый набор или новые данные для проверки эффективности классификации модели, обычно используя такие показатели, как точность, полнота, F1-score и другие для оценки эффективности модели.

Как показано на рисунке, после сбора данных, предобработки данных, выбора и настройки модели, а также обучения, проведя вывод на тестовом наборе, можно получить предсказанные значения P (вероятность) для кошек и собак, то есть вероятность того, что модель определяет объект как кошку или собаку.

Обученная модель ИИ может быть дополнительно интегрирована в различные приложения для выполнения различных задач. В этом примере модель ИИ для классификации кошек и собак может быть интегрирована в мобильное приложение, где пользователи загружают фотографии кошек или собак, чтобы получить результаты классификации.

Однако централизованный процесс разработки ИИ сталкивается с некоторыми проблемами в следующих сценариях:

Пользовательская конфиденциальность: в централизованных сценариях процесс разработки ИИ обычно не является прозрачным. Данные пользователей могут быть украдены без их ведома и использованы для обучения ИИ.

Получение источников данных: небольшие команды или отдельные лица, стремящиеся получить данные в определенной области (например, медицинские данные), могут столкнуться с ограничениями на открытость данных.

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

Получение вычислительной мощности: для индивидуальных разработчиков и небольших команд высокая стоимость покупки GPU и расходы на аренду облачной вычислительной мощности могут стать значительной экономической нагрузкой.

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

В условиях централизованных AI-сценариев существующие вызовы можно преодолеть с помощью интеграции с Web3. Web3, как новая форма производственных отношений, естественным образом подходит для представления нового типа производительных сил, таких как AI, тем самым способствуя одновременному прогрессу технологий и производственных возможностей.

1.3 Взаимодействие Web3 и ИИ: изменения ролей и инновационные приложения

Сочетание Web3 и ИИ может усилить суверенитет пользователей, предоставляя им открытую платформу для сотрудничества в области ИИ, позволяя пользователям перейти от использования ИИ в эпоху Web2 к участникам, создающим ИИ, принадлежащий всем. В то же время, интеграция мира Web3 и технологий ИИ может привести к возникновению большего количества инновационных приложений и способов использования.

На основе технологий Web3 разработка и применение ИИ вступят в совершенно новую систему кооперативной экономики. Конфиденциальность данных людей будет защищена, модель краудсорсинга данных будет способствовать прогрессу ИИ моделей, множество открытых ИИ ресурсов будет доступно для пользователей, а совместно используемые вычислительные мощности можно будет получить по более низкой цене. С помощью децентрализованной механики кооперативного краудсорсинга и открытого ИИ рынка можно реализовать справедливую систему распределения доходов, что, в свою очередь, будет стимулировать больше людей к продвижению прогресса технологий ИИ.

В сценах Web3 ИИ может оказать положительное влияние в различных областях. Например, ИИ модели могут быть интегрированы в смарт-контракты, повышая эффективность работы в различных сценариях применения, таких как рыночный анализ, безопасность, социальные кластеризации и многие другие функции. Генеративный ИИ не только позволяет пользователям почувствовать себя "художниками", создавая свои собственные NFT с использованием ИИ технологий, но и создает разнообразные игровые сцены и увлекательные интерактивные опыты в GameFi. Богатая инфраструктура обеспечивает плавный опыт разработки, и как эксперты по ИИ, так и новички, желающие войти в область ИИ, могут найти подходящий вход в этом мире.

Два. Интерпретация карты и архитектуры экосистемы 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 рисунке ниже, включая уровень инфраструктуры, промежуточный уровень и уровень приложений, каждый из которых разделен на разные секции. В следующей главе мы проведем глубокий анализ некоторых представительных проектов.

Уровень инфраструктуры охватывает вычислительные ресурсы и технологическую архитектуру, поддерживающие весь жизненный цикл ИИ, уровень посредников включает управление данными, разработку моделей и услуги верификации и вывода, которые соединяют инфраструктуру и приложения, а уровень приложений сосредотачивается 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 этой инфраструктуры возможно обучение и вывод моделей ИИ, а также представление мощных и практичных ИИ приложений пользователям.

• 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 дохода, такими проектами являются IO.NET и Hyperbolic. Кроме того, некоторые проекты разработали новые подходы, такие как Compute Labs, который предложил токенизированный протокол, позволяющий пользователям участвовать в аренде мощностей различными способами, приобретая NFT, представляющие собой GPU.

• AI Chain: Использует блокчейн в качестве основы для жизненного цикла ИИ, позволяя бесшовное взаимодействие между ИИ-ресурсами на и вне цепи, способствуя развитию отраслевой экосистемы. Децентрализованный ИИ-рынок на цепи может торговать активами ИИ, такими как данные, модели, агенты и т.д., и предоставляет фреймворк для разработки ИИ и сопутствующие инструменты для разработки, примеры проектов, такие как Sahara AI. AI Chain также может способствовать прогрессу ИИ-технологий в различных областях, например Bittensor стимулирует конкуренцию между подсетями разных типов ИИ с помощью инновационного механизма вознаграждений для подсетей.

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

Средний уровень:

Этот уровень включает данные AI, модели, а также выводы и верификацию, и 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 оптимизация использования ресурсов и снижение затрат на данные возможны благодаря краудсорсингу и совместной обработке данных. Пользователи могут иметь автономию над своими данными и продавать их с защитой конфиденциальности, чтобы избежать кражи данных недобросовестными продавцами и получения высокой прибыли. Для сторон, нуждающихся в данных, эти платформы предлагают широкий выбор и очень низкие затраты. Представительные проекты такие как Grass используют пропускную способность пользователей для сбора веб-данных, xData собирает информацию о медиа через удобные для пользователей плагины и поддерживает загрузку твитов пользователями.

Кроме того, некоторые платформы позволяют экспертам в области или обычным пользователям выполнять задачи предварительной обработки данных, такие как аннотирование изображений и классификация данных, которые могут требовать профессиональных знаний в области финансов и права, пользователи могут токенизировать свои навыки, чтобы реализовать совместную краудсорсинг предварительной обработки данных. Представитель, такой как AI-рынок Sahara AI, имеет данные задачи из разных областей, которые могут покрывать многопрофильные сценарии данных; в то время как AIT Protocolt аннотирует данные с помощью человеческо-машинного взаимодействия.

• Модель: В процессе разработки ИИ, о котором упоминалось ранее, разные типы требований требуют соответствующих моделей. Модели, часто используемые для задач обработки изображений, такие как CNN и GAN, для задач обнаружения объектов можно выбрать серию Yolo, а для текстовых задач распространены модели RNN, Transformer и другие, конечно, также есть некоторые специфические или универсальные большие модели. Модели глубины, необходимые для задач разной сложности, также различаются, иногда требуется настройка модели.

Некоторые проекты поддерживают пользователей в предоставлении различных типов моделей или в совместной тренировке моделей через краудсорсинг, такие как Sentient, который благодаря модульной конструкции позволяет пользователям размещать надежные данные моделей на уровне хранения и распределения для оптимизации моделей. Инструменты разработки, предлагаемые Sahara AI, встроены с современными AI алгоритмами и вычислительными фреймворками, и обладают возможностью совместной тренировки.

• Вывод и валидация: После обучения модель генерирует файлы весов модели, которые можно использовать для классификации, предсказания или других конкретных задач, этот процесс называется выводом. Процесс вывода обычно сопровождается механизмом валидации, чтобы проверить, является ли источник модели правильным и есть ли злонамеренные действия и т. д. Вывод Web3 обычно можно интегрировать в смарт-контракты, вызывая модель для вывода; распространенные способы валидации включают технологии ZKML, OPML и TEE. Представляющие проекты, такие как AI-оракул на цепочке ORA (OAO), внедрили OPML в качестве проверяемого уровня для AI-оракула, на официальном сайте ORA также упоминается их исследование по ZKML и opp/ai (ZKML в сочетании с OPML).

Уровень приложений:

Этот уровень в основном представляет собой прикладные программы, ориентированные на пользователей, которые объединяют ИИ и Web3, создавая больше интересных и инновационных способов взаимодействия. В статье в основном рассматриваются проекты в нескольких областях: AIGC (контент, генерируемый ИИ), AI-агенты и анализ данных.

• AIGC: через AIGC