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

З огляду на зростаючий інтерес до AI-оповідання, все більше уваги зосереджується на цьому напрямку. У цій статті детально аналізуються технологічна логіка, сценарії застосування та представницькі проєкти Web3-AI, щоб повністю представити панораму та тенденції розвитку цієї сфери.

Один. Web3-AI: аналіз технологічної логіки та можливостей нових ринків

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

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

Основна увага статті зосереджена на вирішенні проблем виробничих відносин за допомогою блокчейну та проблем продуктивності за допомогою AI, проєкти, які самі по собі пропонують AI продукти, водночас спираючись на економічну модель Web3 як інструмент виробничих відносин, обидва елементи взаємодоповнюють один одного. Ми класифікуємо такі проєкти як Web3-AI трек. Для кращого розуміння читачами Web3-AI треку, у статті буде розглянуто процес розробки AI та виклики, а також як поєднання Web3 і AI ідеально вирішує проблеми та створює нові сценарії застосування.

1.2 Розробка та виклики ШІ: від збору даних до моделювання висновків

Технологія ШІ є технологією, що дозволяє комп'ютерам імітувати, розширювати та посилювати людський інтелект. Вона дозволяє комп'ютерам виконувати різноманітні складні завдання, від перекладу мов, класифікації зображень до розпізнавання облич та автоматичного водіння, ШІ змінює спосіб, яким ми живемо та працюємо.

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

1. Збір даних та попередня обробка даних: Зберіть набір даних з зображеннями котів та собак, можна використовувати публічні набори даних або самостійно зібрати реальні дані. Потім для кожного зображення позначте категорію (кіт або собака), переконайтеся, що мітки точні. Перетворіть зображення в формат, який може розпізнати модель, розділіть набір даних на навчальний набір, валідаційний набір та тестовий набір.

2. Вибір і налаштування моделі: вибір відповідної моделі, наприклад, згорткової нейронної мережі (CNN), що особливо підходить для задач класифікації зображень. Налаштування параметрів або архітектури моделі відповідно до різних вимог, зазвичай, рівні мережі моделі можна налаштувати в залежності від складності завдання AI. У цьому простому прикладі класифікації, більш поверхневі рівні мережі можуть бути достатніми.

3. Навчання моделі: можна використовувати GPU, TPU або високопродуктивні обчислювальні кластер для навчання моделі, час навчання залежить від складності моделі та обчислювальної потужності.

4. Інференція моделі: Файл, що містить навчену модель, зазвичай називається вагами моделі. Процес інференції полягає у використанні вже навченого моделі для прогнозування або класифікації нових даних. У цьому процесі можна використовувати тестовий набір або нові дані для перевірки ефективності класифікації моделі, зазвичай оцінюється ефективність моделі за такими показниками, як точність, відгук, F1-score тощо.

Як показано на малюнку, після збору даних та попередньої обробки даних, вибору та налаштування моделі, а також навчання, отриману модель можна використовувати для інференції на тестовому наборі, щоб отримати прогнозовані значення для котів та собак P (ймовірність), тобто ймовірність того, що модель визначає об'єкт як кота або собаку.

! Web3-AI Track Panorama Report: глибокий аналіз технічної логіки, сценаріїв додатків та топових проєктів

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 користувач завантажує зображення кота або собаки і отримує результати класифікації.

Однак, 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 відома і використані для навчання ШІ.

Отримання джерела даних: невеликі команди або особи, які отримують дані в конкретних сферах (наприклад, медичні дані), можуть стикатися з обмеженнями, пов'язаними з недоступністю даних з відкритих джерел.

Вибір і налаштування моделі: для малих команд важко отримати ресурси моделі в конкретній сфері 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 значне економічне навантаження.

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

Виклики, що існують у централізованих AI-сценаріях, можна подолати через поєднання з Web3. Web3, як новий тип виробничих відносин, природно адаптується до AI, який представляє нові виробничі сили, що сприяє одночасному прогресу технологій та виробничих можливостей.

1.3 Взаємодія Web3 та AI: зміна ролей та інноваційні застосування

Поєднання Web3 та AI може посилити суверенітет користувачів, надаючи їм відкриту платформу для співпраці з AI, дозволяючи користувачам перетворитися з користувачів AI епохи Web2 на учасників, створюючи AI, яким можуть володіти всі. Водночас, інтеграція світу Web3 та технологій AI може викликати ще більше інноваційних сценаріїв застосування та ігор.

На основі технології Web3 розвиток і використання ШІ зустрінуть нову систему кооперативної економіки. Приватність даних людей може бути забезпечена, модель краудсорсингу даних сприяє прогресу моделей ШІ, численні відкриті ресурси ШІ доступні для користувачів, а спільні обчислювальні потужності можна отримати за нижчою ціною. Завдяки децентралізованій механіці кооперативного краудсорсингу та відкритому ринку ШІ можна реалізувати справедливу систему розподілу доходів, що стимулює більше людей до розвитку технології ШІ.

У сцені Web3 штучний інтелект може мати позитивний вплив у кількох напрямках. Наприклад, моделі ШІ можуть бути інтегровані в смарт-контракти, підвищуючи ефективність роботи в різних сценаріях застосування, таких як ринковий аналіз, перевірка безпеки, соціальна кластеризація та інші функції. Генеративний ШІ може не тільки дозволити користувачам відчути себе "художниками", наприклад, створюючи свої власні NFT за допомогою технології ШІ, але й 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 ШІ, чи новачком, який хоче увійти в цю галузь.

Два, інтерпретація екосистеми Web3-AI проектів та архітектури

Ми головним чином досліджували 41 проект у секторі Web3-AI та розділили ці проекти на різні рівні. Логіка розподілу кожного рівня зображена на наступному малюнку, включаючи інфраструктурний рівень, проміжний рівень та рівень застосунків, кожен з яких далі поділяється на різні сегменти. У наступному розділі ми проведемо глибокий аналіз деяких репрезентативних проектів.

Інфраструктурний рівень охоплює обчислювальні ресурси та технологічну архітектуру, які підтримують роботу всього життєвого циклу ШІ, проміжний рівень включає управління даними, розробку моделей та послуги верифікації і розуміння, які з'єднують інфраструктуру з додатками, а рівень додатків зосереджується на різноманітних додатках і рішеннях, орієнтованих безпосередньо на користувачів.

Інфраструктурний рівень:

Інфраструктурний рівень є основою життєвого циклу ШІ, у цій статті обчислювальні потужності, AI Chain та платформи для розробки класифікуються як інфраструктурний рівень. Саме завдяки підтримці цих інфраструктур можливе навчання та інференція моделей ШІ, а також надання потужних і практичних застосувань 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 потужність за низькою ціною або ділитися потужністю для отримання прибутку, такими проектами є IO.NET та Hyperbolic. Крім того, деякі проекти отримали нові ігрові механіки, такі як Compute Labs, які запропонували токенізований протокол, де користувачі можуть купувати NFT, що представляє фізичні GPU, щоб брати участь в оренді потужності різними способами для отримання прибутку.

• AI Chain: Використання блокчейну як основи життєвого циклу AI для забезпечення безшовної взаємодії між AI ресурсами на ланцюгу та поза ним, сприяючи розвитку галузевої екосистеми. Децентралізований AI ринок на ланцюгу може торгувати AI активами, такими як дані, моделі, агенти тощо, та надавати AI розробницькі рамки та супутні інструменти для розробки, приклад проекту: Sahara AI. AI Chain також може сприяти прогресу AI технологій у різних сферах, як Bittensor через інноваційний механізм стимулювання підмереж для сприяння конкуренції між різними типами AI підмереж.

• Розробницька платформа: 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 впроваджувати AI-моделі, такими проектами є Nimble. Ця інфраструктура сприяє широкому впровадженню AI-технологій в екосистему Web3.

Проміжний шар:

Цей рівень стосується даних AI, моделей, а також висновків і верифікації, використовуючи технології Web3 можна досягти вищої ефективності роботи.

• Дані: Якість і кількість даних є ключовими факторами, що впливають на ефективність навчання моделі. У світі Web3, за допомогою краудсорсингових даних та кооперативної обробки даних, можна оптимізувати використання ресурсів і знизити витрати на дані. Користувачі можуть мати автономію над своїми даними, продаючи їх у умовах захисту конфіденційності, щоб уникнути крадіжки даних недобросовісними бізнесменами 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 за допомогою зручних плагінів збирає медіаінформацію та підтримує можливість завантаження інформації про твіти користувачами.

Крім того, деякі платформи дозволяють експертам у відповідних галузях або звичайним користувачам виконувати завдання з попередньої обробки даних, такі як позначення зображень, класифікація даних, які можуть вимагати професійних знань у фінансових та юридичних завданнях з обробки даних, користувачі можуть токенізувати свої навички, реалізуючи колабораційний краудсорсинг для попередньої обробки даних. Прикладом є ринок AI, як-от Sahara AI, що має різні завдання з даними в різних галузях, які можуть охоплювати багатогалузеві сценарії даних; тоді як AIT Protocolt позначає дані за допомогою співпраці людини та машини.

• Модель: У процесі розробки ШІ, про який згадувалося раніше, різні типи вимог потребують відповідних моделей. Для завдань з обробки зображень зазвичай використовують моделі, такі як CNN, GAN, для завдань виявлення об'єктів можна обрати серію Yolo, а для текстових завдань поширені моделі RNN, Transformer та інші, звичайно, є також деякі специфічні або універсальні великі моделі. Для завдань різної складності потрібна різна глибина моделей, іноді потрібно налаштовувати моделі.

Деякі проекти підтримують користувачів у наданні різних типів моделей або співпраці у навчанні моделей через краудсорсинг, такі як Sentient, який завдяки модульному дизайну дозволяє користувачам розміщувати надійні дані моделей на рівні зберігання та розподілу для оптимізації моделей, інструменти розробки, що надаються Sahara AI, вбудовані з передовими AI алгоритмами та обчислювальними фреймворками, і мають можливості для спільного навчання.

• Висновок та верифікація: після навчання моделі генеруються файли ваг моделі, які можна використовувати для безпосередньої класифікації, прогнозування або виконання інших специфічних завдань; цей процес називається висновком. Процес висновку зазвичай супроводжується механізмом верифікації, щоб перевірити, чи є джерело моделі висновку правильним, чи є зловмисна поведінка 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 ORA (OAO) на блокчейні, впровадили OPML як верифікаційний шар для AI-оракулів; на офіційному сайті ORA також згадується їхнє дослідження щодо ZKML та opp/ai (ZKML в поєднанні з OPML).

Рівень застосування:

Цей рівень в основному є прикладним програмним забезпеченням, орієнтованим на користувача, яке поєднує штучний інтелект з Web3, створюючи більше цікавих і інноваційних способів. У цій статті головним чином розглядаються проекти в кількох сегментах: AIGC (контент, згенерований штучним інтелектом), AI-агенти та аналіз даних.

• AIGC: через AIGC