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

Dengan meningkatnya minat terhadap narasi AI, semakin banyak perhatian yang tertuju pada jalur ini. Analisis mendalam tentang logika teknologi, 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 Integrasi Web3 dan AI: Bagaimana Mendefinisikan Jalur Web-AI

Dalam setahun terakhir, narasi AI di industri Web3 sangat populer, proyek AI bermunculan bak jamur setelah hujan. Meskipun banyak proyek yang melibatkan teknologi AI, beberapa proyek hanya menggunakan AI di bagian tertentu dari 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.

Fokus artikel ini adalah pada proyek yang menggunakan blockchain untuk menyelesaikan masalah hubungan produksi, dan AI untuk menyelesaikan masalah produktivitas. Proyek-proyek ini sendiri menyediakan produk AI, sekaligus didasarkan pada model ekonomi Web3 sebagai alat hubungan produksi, keduanya saling melengkapi. Kami mengklasifikasikan proyek-proyek semacam ini ke dalam jalur Web3-AI. Untuk membantu pembaca lebih memahami jalur Web3-AI, akan dijelaskan proses pengembangan AI dan tantangannya, serta bagaimana kombinasi Web3 dan AI dapat sempurna menyelesaikan masalah dan menciptakan skenario aplikasi baru.

1.2 Proses dan Tantangan Pengembangan AI: 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 terdiri dari beberapa langkah kunci berikut: pengumpulan data dan pra-pemrosesan data, pemilihan dan penyetelan model, pelatihan model dan inferensi. Sebagai contoh sederhana, untuk mengembangkan model yang mengklasifikasikan gambar kucing dan anjing, Anda perlu:

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

2. Pemilihan dan Penyesuaian Model: Memilih model yang sesuai, seperti Jaringan Saraf Konvolusi (CNN), yang lebih cocok untuk tugas klasifikasi gambar. Menyesuaikan parameter atau arsitektur model sesuai dengan kebutuhan yang berbeda, umumnya, tingkat jaringan model dapat disesuaikan berdasarkan kompleksitas tugas AI. Dalam contoh klasifikasi sederhana ini, tingkat 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 dilatih model biasanya disebut sebagai bobot model, proses inferensi merujuk pada proses menggunakan model yang sudah dilatih untuk memprediksi atau mengklasifikasikan data baru. Dalam proses ini, dapat menggunakan set uji atau data baru untuk menguji efektivitas klasifikasi model, biasanya dinilai dengan metrik seperti akurasi, recall, dan F1-score untuk mengevaluasi efektivitas model.

Seperti yang ditunjukkan dalam gambar, setelah pengumpulan data dan praproses data, pemilihan dan penyesuaian model, serta pelatihan, model yang telah dilatih akan melakukan inferensi pada dataset pengujian untuk menghasilkan nilai prediksi kucing dan anjing P(probability), yaitu probabilitas model untuk menginferensi bahwa itu adalah kucing atau anjing.

Model AI yang sudah 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 dan mendapatkan hasil klasifikasi.

Namun, proses pengembangan AI yang 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 diperoleh: tim kecil atau individu yang mendapatkan data di bidang tertentu ( seperti data medis ), mungkin akan menghadapi batasan data yang tidak bersumber terbuka.

Pemilihan dan penyesuaian model: Untuk tim kecil, sulit untuk mendapatkan sumber daya model di bidang tertentu atau menghabiskan banyak biaya 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 seimbang dengan usaha yang mereka keluarkan, sementara hasil penelitian pengembang AI juga sulit untuk dipadankan dengan pembeli yang memiliki permintaan.

Tantangan yang ada dalam skenario AI terpusat dapat diatasi dengan menggabungkannya dengan Web3, yang sebagai sebuah hubungan produksi baru, secara alami sesuai dengan AI yang mewakili produktivitas baru, sehingga mendorong kemajuan teknologi dan kemampuan produksi secara bersamaan.

1.3 Web3 dan AI: Sinergi, Perubahan Peran, dan Aplikasi Inovatif

Web3 dan AI yang digabungkan dapat meningkatkan kedaulatan pengguna, memberikan platform kolaborasi AI yang terbuka bagi pengguna, membuat pengguna beralih dari pengguna AI 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 inovatif dan cara bermain.

Berdasarkan teknologi Web3, pengembangan dan aplikasi AI akan menyambut sebuah sistem ekonomi kolaboratif yang baru. Privasi data orang dapat terjamin, model data crowdsourcing mendorong kemajuan model AI, banyak sumber daya AI open-source tersedia untuk digunakan oleh pengguna, dan daya komputasi yang dibagikan dapat diperoleh dengan biaya yang lebih rendah. Dengan memanfaatkan mekanisme kolaborasi crowdsourcing terdesentralisasi dan pasar AI terbuka, sistem distribusi pendapatan yang adil dapat terwujud, sehingga mendorong lebih banyak orang untuk memajukan kemajuan teknologi AI.

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

Dua, Peta dan Arsitektur Proyek Ekosistem Web3-AI

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

Lapisan infrastruktur mencakup sumber daya komputasi dan arsitektur teknologi yang mendukung seluruh siklus hidup AI, lapisan menengah 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, 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, dan aplikasi AI yang kuat serta praktis dapat disajikan kepada pengguna.

• Jaringan komputasi terdesentralisasi: dapat menyediakan daya komputasi terdistribusi untuk pelatihan model AI, memastikan pemanfaatan 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 menghasilkan cara baru, seperti Compute Labs, yang mengusulkan protokol tokenisasi, di mana pengguna dapat berpartisipasi dalam penyewaan daya komputasi dengan cara berbeda untuk mendapatkan keuntungan melalui pembelian NFT yang mewakili entitas GPU.

• AI Chain: Memanfaatkan blockchain sebagai dasar siklus hidup AI, mewujudkan interaksi sumber daya AI yang mulus antara on-chain dan off-chain, serta mendorong pengembangan ekosistem industri. Pasar AI terdesentralisasi di blockchain dapat memperdagangkan aset AI seperti data, model, agen, dll., dan menyediakan kerangka pengembangan AI serta alat pengembangan yang mendukung, proyek yang diwakili seperti Sahara AI. AI Chain juga dapat memfasilitasi kemajuan teknologi AI di berbagai bidang, seperti Bittensor yang mendorong kompetisi subnet AI yang berbeda 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 lebih mudah dalam membuat, melatih, dan menerapkan model AI, dengan proyek perwakilan seperti Nimble. Infrastruktur ini mendorong 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 kuantitas data adalah faktor kunci yang memengaruhi efektivitas pelatihan model. Di dunia Web3, melalui data crowdsourcing dan pemrosesan data kolaboratif, sumber daya dapat dioptimalkan dan biaya data dapat diturunkan. Pengguna dapat memiliki otonomi atas data, menjual data mereka sendiri dalam perlindungan privasi, untuk menghindari data dicuri oleh pedagang yang tidak bertanggung jawab dan meraih keuntungan tinggi. Bagi pihak yang membutuhkan data, platform tersebut menawarkan berbagai pilihan dan biaya yang sangat rendah. Proyek representatif seperti Grass memanfaatkan bandwidth pengguna untuk menangkap 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 bidang tertentu atau pengguna biasa untuk menjalankan tugas praprosesan data, seperti penandaan gambar, klasifikasi data, tugas-tugas ini mungkin memerlukan pengetahuan profesional dalam pemrosesan data untuk tugas keuangan dan hukum, pengguna dapat mengubah keterampilan mereka menjadi token, mewujudkan kolaborasi crowdsourcing dalam praprosesan data. Contohnya adalah pasar AI seperti Sahara AI, yang memiliki berbagai tugas data di berbagai bidang, dapat mencakup skenario data multi-bidang; sementara AIT Protocol melakukan penandaan data melalui kolaborasi manusia dan mesin.

• Model: Dalam proses pengembangan AI yang telah disebutkan sebelumnya, berbagai jenis kebutuhan perlu dicocokkan 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 digunakan adalah RNN, Transformer, dan tentu saja ada beberapa model besar yang spesifik atau umum. Kedalaman model yang diperlukan untuk tugas dengan kompleksitas yang berbeda juga bervariasi, terkadang perlu dilakukan penyesuaian terhadap model.

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

• Inferensi dan verifikasi: Setelah model dilatih, model akan menghasilkan file bobot model yang dapat digunakan untuk melakukan klasifikasi, prediksi, atau tugas tertentu lainnya, proses ini disebut inferensi. Proses inferensi biasanya disertai dengan mekanisme verifikasi, untuk memverifikasi apakah sumber model inferensi benar, apakah ada tindakan jahat, dll. 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 ORA AI oracle di blockchain (OAO), memperkenalkan OPML sebagai lapisan terverifikasi untuk oracle AI, di situs resmi ORA juga menyebutkan penelitian mereka tentang ZKML dan opp/ai(ZKML yang menggabungkan OPML).

Lapisan aplikasi:

Lapisan ini terutama merupakan aplikasi yang langsung ditujukan untuk pengguna, menggabungkan AI dengan Web3, menciptakan lebih banyak cara yang menarik dan inovatif. Artikel ini terutama menguraikan proyek-proyek dalam beberapa sektor seperti AIGC(AI generasi konten), agen AI, dan analisis data.

• AIGC: Melalui AIGC dapat diperluas ke