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

С учетом продолжающегося роста интереса к AI-нарративам, все больше внимания уделяется этому направлению. Проводится глубокий анализ технической логики, сценариев применения и представительных проектов в области Web3-AI, чтобы предоставить вам полное представление о данной области и тенденциях ее развития.

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

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

В прошлом году AI-нарративы стали чрезвычайно популярны в индустрии Web3, и проекты на основе ИИ появились как грибы после дождя. Хотя существует много проектов, связанных с технологиями ИИ, некоторые из них используют ИИ только в определённых частях своих продуктов, и базовая токеномика не имеет существенной связи с продуктами ИИ, поэтому такие проекты не будут обсуждаться в этой статье как проекты Web3-AI.

В данной статье основное внимание уделяется проектам, использующим блокчейн для решения проблем производственных отношений, а также проектам, применяющим ИИ для решения проблем производительности. Эти проекты сами предоставляют ИИ-продукты и основаны на экономической модели Web3 в качестве инструмента производственных отношений, что позволяет им взаимодополнять друг друга. Мы классифицируем такие проекты как сектор Web3-AI. Чтобы читатели лучше поняли сектор Web3-AI, мы подробно рассмотрим процесс разработки ИИ и связанные с ним проблемы, а также то, как сочетание Web3 и ИИ может идеально решить задачи и создать новые сценарии применения.

1.2 Процесс разработки ИИ и его 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, классификации изображений до распознавания лиц и автономного вождения. ИИ меняет способы нашей 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. Приведем простой пример: для разработки модели, которая классифицирует изображения кошек и собак, вам нужно:

1. Сбор данных и предварительная обработка данных: соберите набор данных изображений, содержащий кошек и собак, можно использовать общедоступные наборы данных или самостоятельно собрать реальные данные. Затем пометьте каждое изображение категорией (кошка или собака), убедившись, что метки точные. 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, например, сверточную нейронную 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 регулировать в зависимости от сложности задачи ИИ. В этом простом примере классификации более мелкие уровни сети могут быть достаточными.

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: файл, который был обучен моделью, обычно называется весами модели, а процесс вывода - это процесс использования уже обученной модели для предсказания или классификации новых данных. В этом процессе можно использовать тестовый набор или новые данные для проверки классификационной эффективности модели, обычно для оценки эффективности модели используются такие показатели, как точность, полнота, F1-оценка и т.д.

Как показано на рисунке, после сбора данных и предварительной обработки данных, выбора и настройки модели, а также обучения, применение обученной модели к тестовому набору данных даст прогнозные значения P (вероятность) для кошек и собак, то есть вероятность того, что модель делает вывод о том, что это кошка или собака.

Обученные AI модели могут быть дополнительно интегрированы в различные приложения для выполнения различных задач. В этом примере AI модель классификации кошек и собак может быть интегрирована в мобильное приложение, где пользователи загружают изображения кошек или собак и получают результаты классификации.

Однако процесс разработки централизованного ИИ имеет некоторые проблемы в следующих сценариях:

Пользовательская конфиденциальность: в централизованных сценариях процесс разработки ИИ часто непрозрачен. Данные пользователей могут быть украдены без их ведома и использованы для обучения ИИ.

Получение источника данных: небольшие команды или отдельные лица, получающие данные в конкретной области (например, медицинские данные), могут столкнуться с ограничениями на использование закрытых данных.

Выбор и настройка модели: для небольших команд трудно получить ресурсы моделей в определенной области или потратить большие средства на настройку модели.

Получение вычислительной мощности: для индивидуальных разработчиков и небольших команд высокая стоимость покупки GPU и аренды облачной вычислительной мощности может стать значительным экономическим бременем.

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

Вызовы, существующие в централизованных AI-сценариях, могут быть преодолены через сочетание с Web3. Web3, как новая форма производственных отношений, естественным образом подходит для представления новых производительных сил, таких как AI, тем самым способствуя одновременному прогрессу технологий и производственных возможностей.

1.3 Взаимодействие Web3 и ИИ: изменение ролей и инновационные приложения

Сочетание Web3 и ИИ может усилить суверенитет пользователей, предоставляя им открытую платформу для сотрудничества с ИИ, позволяя пользователям превратиться из пользователей ИИ эпохи Web2 в участников, создавая ИИ, которым может владеть каждый. В то же время, интеграция мира Web3 и технологий ИИ может породить еще больше инновационных приложений и способов взаимодействия.

На основе технологий Web3 разработка и применение ИИ вступят в новую эпоху кооперативной экономики. Личная информация людей будет защищена, модель краудсорсинга данных будет способствовать прогрессу ИИ-моделей, множество открытых ресурсов ИИ будет доступно для пользователей, а совместные вычислительные мощности можно будет получить по низкой цене. С помощью децентрализованного механизма кооперативного краудсорсинга и открытого рынка ИИ можно создать справедливую систему распределения доходов, что будет стимулировать больше людей продвигать прогресс технологий ИИ.

В сцене Web3 ИИ может оказать положительное влияние в нескольких областях. Например, ИИ модели могут быть интегрированы в смарт-контракты, повышая рабочую эффективность в различных приложениях, таких как рыночный анализ, безопасность и кластеризация в социальных сетях. Генеративный ИИ не только позволяет пользователям испытать роль "художника", создавая свои собственные NFT с помощью ИИ технологий, но и создает разнообразные игровые сцены и интересные взаимодействия в GameFi. Разнообразная инфраструктура предоставляет плавный опыт разработки, и как эксперты в области ИИ, так и новички, желающие войти в область ИИ, могут найти подходящий вход в этот мир.

Два, Интерпретация карты и архитектуры экосистемы Web3-AI

Мы изучили 41 проект в области Web3-AI и разделили их на разные уровни. Логика разделения каждого уровня показана на следующем рисунке, включая уровень инфраструктуры, промежуточный уровень и уровень приложений, каждый из которых дополнительно делится на различные сегменты. В следующей главе мы проведем Глубина анализа некоторых репрезентативных проектов.

Инфраструктурный уровень охватывает вычислительные ресурсы и техническую архитектуру, поддерживающие весь жизненный цикл ИИ, промежуточный уровень включает управление данными, разработку моделей и услуги верификации и вывода, соединяющие инфраструктуру и приложения, а уровень приложений сосредоточен на различных приложениях и решениях, непосредственно ориентированных на пользователей.

Инфраструктурный уровень:

Инфраструктурный уровень является основой жизненного цикла ИИ, и в данной статье вычислительная мощность, AI Chain и платформы разработки классифицируются как инфраструктурный уровень. Именно поддержка этой инфраструктуры позволяет осуществлять обучение и вывод моделей ИИ, а также представлять пользователям мощные и практичные приложения ИИ.

• 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 вычислительные мощности по низкой цене или делиться вычислительными мощностями для получения прибыли, примеры проектов включают IO.NET и Hyperbolic. Кроме того, некоторые проекты разработали новые формы взаимодействия, такие как Compute Labs, которые предложили токенизированный протокол, позволяющий пользователям, покупая NFT, представляющие физические GPU, участвовать в аренде вычислительных мощностей различными способами для получения прибыли.

• AI Chain: Использует блокчейн в качестве основы для жизненного цикла ИИ, обеспечивая бесшовное взаимодействие между ресурсами ИИ на и вне цепи, способствуя развитию отраслевой экосистемы. Децентрализованный рынок ИИ на цепи может обмениваться активами ИИ, такими как данные, модели, агенты и т. д., а также предоставляет рамки для разработки ИИ и сопутствующие инструменты разработки, проектом является Sahara AI. AI Chain также может способствовать прогрессу технологий ИИ в различных областях, например, Bittensor стимулирует конкуренцию между подсетями различных типов ИИ с помощью инновационного механизма вознаграждения для подсетей.

• Платформа разработки: некоторые проекты предлагают платформы для 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, примеры проектов включают Nimble. Эта инфраструктура способствует широкому применению технологий AI в экосистеме Web3.

Средний уровень:

Этот уровень касается данных AI, моделей, а также вывода и проверки, применение технологий Web3 может обеспечить более высокую эффективность работы.

• Данные: Качество и количество данных являются ключевыми факторами, влияющими на эффективность обучения модели. В мире Web3, за счет краудсорсинга данных и совместной обработки данных, можно оптимизировать использование ресурсов и снизить затраты на данные. Пользователи могут иметь автономию над данными, продавая свои данные с учетом защиты конфиденциальности, чтобы избежать кражи данных недобросовестными торговцами и получения высокой прибыли. Для сторон, нуждающихся в данных, эти платформы предлагают широкий выбор и крайне низкие затраты. Представленные проекты, такие как Grass, используют пропускную способность пользователей для сбора веб-данных, xData собирает информацию о медиа через удобные плагины и поддерживает возможность загрузки пользователями информации о твитах.

Кроме того, некоторые платформы позволяют экспертам в области или обычным пользователям выполнять задачи предобработки данных, такие как аннотирование изображений, классификация данных, которые могут требовать профессиональных знаний в области финансов и права. Пользователи могут токенизировать свои навыки, осуществляя совместную краудсорсинг предобработки данных. Примером является рынок ИИ, как Sahara AI, который охватывает данные задачи в различных областях, охватывающие многопрофильные сценарии данных; в то время как AIT Protocolt осуществляет аннотирование данных с помощью человеко-машинного взаимодействия.

• Модель: В процессе разработки ИИ, упомянутом ранее, различные типы требований требуют соответствующих моделей. Для задач обработки изображений часто используются модели, такие как CNN и GAN, для задач обнаружения объектов можно выбрать серию Yolo, для текстовых задач распространены модели RNN и Transformer, а также существуют некоторые специфические или универсальные большие модели. Модель Глубина, необходимая для задач различной сложности, также различается, и иногда требуется оптимизация модели.

Некоторые проекты поддерживают возможность предоставления пользователями различных типов моделей или совместного обучения моделей через краудсорсинг. Например, Sentient благодаря модульной конструкции позволяет пользователям размещать надежные данные моделей на уровне хранения и распределения для оптимизации моделей. Инструменты разработки, предоставляемые Sahara AI, имеют встроенные современные алгоритмы ИИ и вычислительные фреймворки, а также способны к совместному обучению.

• Вывод и верификация: После обучения модели создается файл весов модели, который можно использовать для непосредственной классификации, прогнозирования или других конкретных задач; этот процесс называется выводом. Процесс вывода обычно сопровождается механизмом верификации, чтобы проверить, правильно ли источник модели вывода и нет ли злонамеренного поведения. Вывод в Web3 обычно может быть интегрирован в смарт-контракты, вызывая модель для вывода; распространенные методы верификации включают технологии ZKML, OPML и TEE. Примеры проектов, такие как OAO, AI-оракул на цепочке ORA, внедрили OPML в качестве верифицируемого слоя для AI-оракула, на официальном сайте ORA также упоминаются их исследования по ZKML и opp/ai (ZKML в сочетании с OPML).

Уровень приложения:

Этот уровень в основном представляет собой приложения, ориентированные непосредственно на пользователей, которые объединяют ИИ и Web3, создавая более интересные и инновационные способы взаимодействия. В данной статье в основном рассматриваются проекты в нескольких областях: AIGC (контент, создаваемый ИИ), ИИ-агенты и анализ данных.

• AIGC: через AIGC