Laporan Panorama Web3-AI: Analisis Mendalam tentang Logika Teknologi, Aplikasi Skenario, dan Proyek Teratas Kedalaman

Dengan meningkatnya perhatian terhadap narasi AI, semakin banyak fokus tertuju pada jalur ini. Analisis mendalam tentang logika teknis, skenario aplikasi, dan proyek-proyek perwakilan di jalur Web3-AI telah dilakukan, untuk menyajikan panorama dan tren perkembangan di bidang ini secara komprehensif.

I. Web3-AI: Analisis Logika Teknologi dan Peluang Pasar Baru

1.1 Logika Penggabungan Web3 dan AI: Bagaimana Mendefinisikan Jalur Web-AI

Dalam setahun terakhir, narasi AI sangat populer di industri Web3, dengan proyek AI bermunculan seperti jamur setelah hujan. Meskipun banyak proyek yang melibatkan teknologi AI, beberapa proyek hanya menggunakan AI di sebagian kecil produk mereka, dan ekonomi token yang mendasarinya tidak memiliki hubungan substansial dengan produk AI, sehingga proyek semacam ini tidak termasuk dalam diskusi proyek Web3-AI dalam artikel ini.

Artikel ini berfokus pada penggunaan blockchain untuk menyelesaikan masalah hubungan produksi, dan proyek-proyek yang menggunakan AI untuk menyelesaikan masalah produktivitas. Proyek-proyek ini sendiri menyediakan produk AI, sambil berlandaskan pada model ekonomi Web3 sebagai alat hubungan produksi, keduanya saling melengkapi. Kami mengklasifikasikan proyek-proyek ini ke dalam jalur Web3-AI. Untuk membantu pembaca lebih memahami jalur Web3-AI, kami akan menjelaskan proses pengembangan AI dan tantangannya, serta bagaimana kombinasi Web3 dan AI dapat secara sempurna menyelesaikan masalah dan menciptakan skenario aplikasi baru.

1.2 Proses pengembangan AI dan tantangannya: dari pengumpulan data hingga inferensi model

Teknologi AI adalah teknologi yang memungkinkan komputer untuk mensimulasikan, memperluas, dan meningkatkan kecerdasan manusia. Ini memungkinkan komputer untuk melakukan berbagai tugas kompleks, mulai dari penerjemahan bahasa, pengklasifikasian gambar hingga pengenalan wajah, dan aplikasi seperti mengemudi otomatis, AI sedang mengubah cara kita hidup dan bekerja.

Proses pengembangan model kecerdasan buatan biasanya mencakup beberapa langkah kunci berikut: pengumpulan data dan pra-pemrosesan data, pemilihan dan penyempurnaan model, pelatihan dan inferensi model. Sebagai contoh sederhana, untuk mengembangkan model yang dapat mengklasifikasikan gambar kucing dan anjing, Anda perlu:

1. Pengumpulan data dan praprosesan data: Kumpulkan dataset gambar yang berisi kucing dan anjing, Anda dapat menggunakan dataset publik atau mengumpulkan data nyata sendiri. Kemudian beri label kategori (kucing atau anjing) untuk setiap gambar, pastikan labelnya akurat. Ubah gambar ke dalam format yang dapat dikenali oleh model, bagi dataset menjadi set pelatihan, set validasi, dan set pengujian.

2. Pemilihan dan Penyesuaian Model: Pilih model yang sesuai, seperti Jaringan Saraf Konvolusional (CNN), yang lebih cocok untuk tugas klasifikasi gambar. Sesuaikan parameter atau arsitektur model sesuai dengan kebutuhan yang berbeda, umumnya, lapisan jaringan model dapat disesuaikan berdasarkan kompleksitas tugas AI. Dalam contoh klasifikasi sederhana ini, lapisan jaringan yang lebih dangkal mungkin sudah cukup.

3. Pelatihan model: Anda dapat menggunakan GPU, TPU, atau kluster komputasi berkinerja tinggi untuk melatih model, waktu pelatihan dipengaruhi oleh kompleksitas model dan kemampuan komputasi.

4. Inferensi model: File yang telah dilatih model biasanya disebut sebagai bobot model, proses inferensi merujuk pada penggunaan model yang telah dilatih untuk memprediksi atau mengklasifikasikan data baru. Dalam proses ini, dapat menggunakan kumpulan pengujian atau data baru untuk menguji efektivitas klasifikasi model, biasanya dievaluasi dengan indikator seperti akurasi, recall, dan F1-score.

Seperti yang ditunjukkan pada gambar, setelah pengumpulan data, pra-pemrosesan data, pemilihan dan penyesuaian model, serta pelatihan, model yang telah dilatih diuji pada kumpulan data pengujian untuk menghasilkan nilai prediksi kucing dan anjing P (probabilitas), yaitu probabilitas yang diprediksi oleh model bahwa itu adalah kucing atau anjing.

Model AI yang telah dilatih dapat lebih lanjut diintegrasikan ke dalam berbagai aplikasi, menjalankan berbagai tugas. Dalam contoh ini, model AI klasifikasi kucing dan anjing dapat diintegrasikan ke dalam aplikasi ponsel, di mana pengguna mengunggah gambar kucing atau anjing, maka akan mendapatkan hasil klasifikasi.

Namun, proses pengembangan AI terpusat memiliki beberapa masalah dalam skenario berikut:

Privasi Pengguna: Dalam skenario terpusat, proses pengembangan AI biasanya tidak transparan. Data pengguna mungkin dicuri tanpa sepengetahuan dan digunakan untuk pelatihan AI.

Sumber data yang diperoleh: Tim kecil atau individu mungkin menghadapi batasan data yang tidak bersumber terbuka saat memperoleh data di bidang tertentu (seperti data medis).

Pemilihan dan penyesuaian model: Bagi tim kecil, sulit untuk mendapatkan sumber daya model di bidang tertentu atau menghabiskan biaya besar untuk penyesuaian model.

Perolehan daya komputasi: Bagi pengembang individu dan tim kecil, biaya pembelian GPU yang tinggi dan biaya sewa daya komputasi cloud dapat menjadi beban ekonomi yang signifikan.

Pendapatan Aset AI: Pekerja penandaan data seringkali tidak dapat memperoleh pendapatan yang sebanding dengan usaha mereka, dan hasil penelitian pengembang AI juga sulit untuk dicocokkan dengan pembeli yang membutuhkan.

Tantangan yang ada dalam skenario AI terpusat dapat diatasi melalui kombinasi dengan Web3, di mana Web3 sebagai hubungan produksi baru secara alami cocok untuk mewakili produktivitas baru AI, sehingga mendorong kemajuan teknologi dan kapasitas produksi secara bersamaan.

1.3 Sinergi Web3 dan AI: Perubahan Peran dan Aplikasi Inovatif

Web3 dan AI yang digabungkan dapat meningkatkan kedaulatan pengguna, menyediakan platform kolaborasi AI yang terbuka bagi pengguna, mengubah pengguna AI dari era Web2 menjadi peserta, menciptakan AI yang dapat dimiliki oleh semua orang. Sementara itu, penggabungan dunia Web3 dan teknologi AI juga dapat menghasilkan lebih banyak skenario aplikasi dan cara bermain yang inovatif.

Berdasarkan teknologi Web3, pengembangan dan penerapan AI akan menyambut sistem ekonomi kolaboratif yang baru. Privasi data orang dapat terjamin, model data crowd-sourcing mendorong kemajuan model AI, banyak sumber daya AI sumber terbuka dapat digunakan oleh pengguna, dan daya komputasi yang dibagikan dapat diperoleh dengan biaya yang lebih rendah. Dengan bantuan mekanisme crowd-sourcing kolaboratif yang terdesentralisasi dan pasar AI terbuka, sistem distribusi pendapatan yang adil dapat direalisasikan, sehingga mendorong lebih banyak orang untuk mendorong kemajuan teknologi AI.

Dalam skenario Web3, AI dapat memberikan dampak positif di berbagai bidang. Misalnya, model AI dapat diintegrasikan ke dalam kontrak pintar untuk meningkatkan efisiensi kerja dalam berbagai aplikasi, seperti analisis pasar, deteksi keamanan, pengelompokan sosial, dan berbagai fungsi lainnya. AI generatif tidak hanya memungkinkan pengguna untuk merasakan peran "seniman", seperti menggunakan teknologi AI untuk membuat NFT mereka sendiri, tetapi juga dapat menciptakan berbagai skenario permainan dan pengalaman interaksi yang menarik dalam GameFi. Infrastruktur yang kaya menyediakan pengalaman pengembangan yang lancar, baik bagi ahli AI maupun pemula yang ingin memasuki bidang AI dapat menemukan pintu masuk yang tepat di dunia ini.

Dua, Peta dan Arsitektur Proyek Ekosistem Web3-AI

Kami terutama meneliti 41 proyek di jalur Web3-AI dan membagi proyek-proyek ini menjadi berbagai tingkatan. Logika pembagian setiap tingkatan ditunjukkan pada gambar di bawah ini, termasuk lapisan infrastruktur, lapisan menengah, dan lapisan aplikasi, di mana setiap lapisan dibagi lagi menjadi berbagai sektor. Pada bab berikutnya, kami akan melakukan analisis kedalaman terhadap beberapa proyek yang representatif.

Lapisan infrastruktur mencakup sumber daya komputasi dan arsitektur teknologi yang mendukung seluruh siklus hidup AI, lapisan tengah mencakup manajemen data, pengembangan model, dan layanan inferensi verifikasi yang menghubungkan infrastruktur dengan aplikasi, sedangkan lapisan aplikasi berfokus pada berbagai aplikasi dan solusi yang langsung ditujukan kepada pengguna.

Lapisan infrastruktur:

Lapisan infrastruktur adalah dasar dari siklus hidup AI, dan artikel ini mengklasifikasikan daya komputasi, AI Chain, dan platform pengembangan sebagai lapisan infrastruktur. Hanya dengan dukungan infrastruktur ini, pelatihan dan inferensi model AI dapat dilakukan, serta aplikasi AI yang kuat dan praktis dapat disajikan kepada pengguna.

• Jaringan komputasi terdesentralisasi: dapat menyediakan daya komputasi terdistribusi untuk pelatihan model AI, memastikan penggunaan sumber daya komputasi yang efisien dan ekonomis. Beberapa proyek menawarkan pasar daya komputasi terdesentralisasi, di mana pengguna dapat menyewa daya komputasi dengan biaya rendah atau berbagi daya komputasi untuk mendapatkan keuntungan, proyek yang mewakili seperti IO.NET dan Hyperbolic. Selain itu, beberapa proyek telah mengembangkan cara baru, seperti Compute Labs, yang mengusulkan protokol tokenisasi, di mana pengguna dapat berpartisipasi dalam penyewaan daya komputasi dengan cara berbeda untuk mendapatkan keuntungan dengan membeli NFT yang mewakili entitas GPU.

• AI Chain: Memanfaatkan blockchain sebagai dasar siklus hidup AI, untuk mewujudkan interaksi tanpa batas antara sumber daya AI di dalam dan di luar rantai, serta mendorong perkembangan ekosistem industri. Pasar AI terdesentralisasi di dalam rantai dapat memperdagangkan aset AI seperti data, model, agen, dan menyediakan kerangka pengembangan AI serta alat pengembangan yang mendukung, dengan proyek perwakilan seperti Sahara AI. AI Chain juga dapat mendorong kemajuan teknologi AI di berbagai bidang, seperti Bittensor yang mendorong kompetisi subnet dari berbagai jenis AI melalui mekanisme insentif subnet yang inovatif.

• Platform pengembangan: Beberapa proyek menyediakan platform pengembangan agen AI, dan juga dapat melakukan perdagangan agen AI, seperti Fetch.ai dan ChainML. Alat satu atap membantu pengembang untuk lebih mudah membuat, melatih, dan menerapkan model AI, dengan proyek yang diwakili seperti Nimble. Infrastruktur ini memfasilitasi penerapan teknologi AI yang luas dalam ekosistem Web3.

Lapisan tengah:

Tingkat ini melibatkan data AI, model, serta inferensi dan verifikasi, menggunakan teknologi Web3 dapat mencapai efisiensi kerja yang lebih tinggi.

• Data: Kualitas dan jumlah data adalah faktor kunci yang mempengaruhi efektivitas pelatihan model. Di dunia Web3, melalui data crowdsourcing dan pemrosesan data kolaboratif, kita dapat mengoptimalkan pemanfaatan sumber daya dan mengurangi biaya data. Pengguna dapat memiliki otonomi atas data, menjual data mereka sendiri dengan perlindungan privasi, untuk menghindari pencurian data oleh pedagang yang tidak bertanggung jawab dan meraih keuntungan yang tinggi. Bagi pihak yang membutuhkan data, platform-platform ini menawarkan berbagai pilihan dan biaya yang sangat rendah. Proyek perwakilan seperti Grass memanfaatkan bandwidth pengguna untuk mengambil data Web, xData mengumpulkan informasi media melalui plugin yang ramah pengguna, dan mendukung pengguna untuk mengunggah informasi tweet.

Selain itu, beberapa platform memungkinkan ahli di bidangnya atau pengguna biasa untuk melakukan tugas pra-pemrosesan data, seperti pelabelan gambar, pengkategorian data, yang mungkin memerlukan pengetahuan profesional untuk tugas pemrosesan data di bidang keuangan dan hukum. Pengguna dapat men-token-kan keterampilan mereka untuk mewujudkan kolaborasi crowdsourcing dalam pra-pemrosesan data. Contoh seperti pasar AI Sahara AI, yang memiliki berbagai tugas data di berbagai bidang, dapat mencakup berbagai skenario data; sementara AIT Protocol melakukan pelabelan data melalui kolaborasi manusia-mesin.

• Model: Dalam proses pengembangan AI yang telah disebutkan sebelumnya, berbagai jenis kebutuhan memerlukan kecocokan dengan model yang sesuai. Model yang umum digunakan untuk tugas gambar seperti CNN, GAN, untuk tugas deteksi objek dapat memilih seri Yolo, dan untuk tugas teks model yang umum seperti RNN, Transformer, serta beberapa model besar tertentu atau umum. Tugas dengan tingkat kompleksitas yang berbeda memerlukan kedalaman model yang berbeda pula, terkadang diperlukan penyesuaian pada model.

Beberapa proyek mendukung pengguna untuk menyediakan berbagai jenis model atau berkolaborasi dalam melatih model melalui cara crowdsourcing, seperti Sentient yang melalui desain modular, memungkinkan pengguna untuk menempatkan data model yang dapat dipercaya di lapisan penyimpanan dan lapisan distribusi untuk optimasi model. Alat pengembangan yang disediakan oleh Sahara AI dilengkapi dengan algoritma AI canggih dan kerangka komputasi, serta memiliki kemampuan pelatihan kolaboratif.

• Inferensi dan verifikasi: Setelah model dilatih, ia akan menghasilkan berkas bobot model yang dapat digunakan untuk klasifikasi, prediksi, atau tugas spesifik lainnya. Proses ini disebut inferensi. Proses inferensi biasanya disertai dengan mekanisme verifikasi untuk memvalidasi apakah sumber model inferensi benar, apakah ada perilaku jahat, dan sebagainya. Inferensi Web3 biasanya dapat diintegrasikan dalam kontrak pintar dengan memanggil model untuk melakukan inferensi. Cara verifikasi yang umum termasuk teknologi seperti ZKML, OPML, dan TEE. Proyek perwakilan seperti orakel AI di blockchain ORA (OAO) memperkenalkan OPML sebagai lapisan yang dapat diverifikasi untuk orakel AI, dan di situs resmi ORA mereka juga menyebutkan penelitian mereka tentang ZKML dan opp/ai (ZKML yang menggabungkan OPML).

Lapisan aplikasi:

Lapisan ini terutama merupakan aplikasi yang langsung ditujukan kepada pengguna, menggabungkan AI dengan Web3, menciptakan lebih banyak cara yang menarik dan inovatif untuk bermain. Artikel ini terutama merangkum proyek-proyek dalam beberapa bidang seperti AIGC (Konten yang Dihasilkan AI), agen AI, dan analisis data.

• AIGC: Melalui AIGC