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

Зі зростанням популярності AI-оповідей все більше уваги зосереджується на цьому напрямку. Проведено глибокий аналіз технологічної логіки, застосункових сценаріїв та представницьких проектів у сфері Web3-AI, щоб повністю представити панораму та тенденції розвитку цієї області.

Один. Web3-AI: Аналіз технологічної логіки та нових ринкових можливостей

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

Протягом минулого року AI наратив у Web3 індустрії став надзвичайно популярним, проекти AI з'являлися, як гриби після дощу. Хоча багато проектів пов'язані з AI технологіями, деякі проекти використовують AI лише в певних частинах своїх продуктів, при цьому основна токеноміка не має суттєвого зв'язку з AI продуктами, тому такі проекти не входять до обговорення Web3-AI проектів у цій статті.

Основна увага в цій статті приділяється використанню блокчейну для вирішення проблем виробничих відносин та проектам, які використовують ШІ для розв'язання проблем продуктивності. Ці проекти самі пропонують продукти ШІ, водночас ґрунтуючись на економічній моделі Web3 як інструменті виробничих відносин, обидва аспекти доповнюють один одного. Ми класифікуємо такі проекти як Web3-AI трек. Щоб читачі краще зрозуміли Web3-AI трек, буде розгорнуто описано процес розробки ШІ та виклики, а також те, як поєднання Web3 та ШІ ідеально вирішує проблеми та створює нові сценарії застосування.

1.2 Розробка та виклики ШІ: від збору даних до моделювання

Технологія штучного інтелекту – це технологія, яка 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, автономного водіння та інших застосувань, штучний інтелект змінює спосіб нашого життя та роботи.

Процес розробки моделей штучного інтелекту зазвичай включає в себе кілька ключових етапів: збір даних і попередня обробка даних, вибір і налаштування моделі, навчання моделі та інференція. Наведемо простий приклад: для розробки моделі, яка реалізує класифікацію зображень котів і собак, вам потрібно:

1. Збір даних та передобробка даних: зібрати набір даних з зображеннями котів і собак, можна використовувати відкриті набори даних або самостійно зібрати реальні дані. Потім для кожного зображення позначити категорію (кіт або собака), забезпечивши точність міток. Перетворити зображення в формат, який модель може розпізнати, розділити набір даних на навчальний набір, перевірочний набір та тестовий набір.

2. Вибір і налаштування моделі: вибір відповідної моделі, наприклад, згорткової нейронної мережі (CNN), яка більш підходить для завдань класифікації зображень. Налаштування параметрів моделі або архітектури відповідно до різних вимог, зазвичай, ієрархія мережі моделі може бути налаштована в залежності від складності AI завдання. У цьому простому прикладі класифікації може бути достатньо більш поверхневої ієрархії мережі.

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

4. Моделювання висновків: Файл з навченою моделлю зазвичай називається вагою моделі, а процес висновку означає використання вже навченої моделі для прогнозування або класифікації нових даних. У цьому процесі можна використовувати тестовий набір або нові дані для перевірки класифікаційної ефективності моделі, зазвичай застосовують такі показники, як точність, відзив, F1-score та інші, для оцінки ефективності моделі.

Як показано на малюнку, після збору даних та попередньої обробки даних, вибору моделі та її налаштування, модель, що була навчена, проводить інференцію на тестовому наборі, в результаті чого отримуються прогнозовані значення для котів і собак P (ймовірність), тобто ймовірність того, що модель визначить, що це кіт або собака.

Навчені AI моделі можуть бути додатково інтегровані в різні програми для виконання різних завдань. У цьому прикладі AI модель 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 таких сценаріях:

Приватність користувачів: у централізованих сценаріях процес розробки ШІ зазвичай є непрозорим. Дані користувачів можуть бути вкрадені без їх відома та використані для навчання ШІ.

Отримання джерел даних: невеликі команди або особи, що отримують дані в специфічних сферах (такі як медичні дані), можуть зіткнутися з обмеженнями щодо не відкритих даних.

Вибір та налаштування моделей: для невеликих команд важко отримати ресурси моделей у специфічній галузі або витратити великі кошти на налаштування моделей.

Отримання обчислювальної потужності: для окремих розробників та малих команд високі витрати на придбання GPU та оренду хмарної обчислювальної потужності можуть стати суттєвим економічним тягарем.

AI активи доходу: працівники з розмітки даних часто не можуть отримати доходи, що відповідають їхнім витратам, тоді як результати досліджень розробників ШІ також важко узгодити з покупцями, які мають попит.

Виклики, які існують у централізованих AI-сценаріях, можуть бути подолані шляхом інтеграції з Web3. Web3, як нова форма виробничих відносин, природно адаптується до AI, що представляє нові виробничі сили, тим самим сприяючи одночасному прогресу технологій та виробничих можливостей.

1.3 Співпраця Web3 та ШІ: зміна ролей та інноваційні застосування

Поєднання Web3 та AI може посилити суверенітет користувачів, надаючи відкриту платформу для співпраці з AI, що дозволяє користувачам перейти з ролі користувача AI епохи Web2 до участі, створюючи AI, який може належати кожному. У той же час, інтеграція світу Web3 та технологій AI може породити ще більше інноваційних сценаріїв застосування та ігор.

На основі технології Web3 розробка та застосування ШІ вступлять у нову еру кооперативної економіки. Приватність даних людей буде захищена, модель краудсорсингу даних сприятиме розвитку моделей ШІ, численні відкриті ресурси ШІ будуть доступні для користувачів, а спільні обчислювальні потужності можна буде отримати за нижчою вартістю. Завдяки децентралізованій механізму кооперативного краудсорсингу та відкритому ринку ШІ можна реалізувати справедливу систему розподілу доходів, що стимулюватиме більше людей до просування технологій ШІ.

У сценарії 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, безпекова перевірка, соціальна кластеризація та багато інших функцій. Генеративний ШІ не тільки дозволяє користувачам відчути себе "художниками", наприклад, створюючи свої власні NFT за допомогою технологій ШІ, але й може створювати різноманітні ігрові сцени та цікаві інтерактивні досвіди в GameFi. Різноманітна інфраструктура забезпечує безперебійну розробку, незалежно від того, є ви експертом у сфері ШІ чи новачком, який хоче зайнятися цією галуззю.

Два, аналіз карти та архітектури екосистеми Web3-AI

Ми головним чином досліджували 41 проект у сфері Web3-AI та розділили ці проекти на різні рівні. Логіка розподілу кожного рівня показана на наступному малюнку, включаючи рівень інфраструктури, проміжний рівень та рівень застосувань, кожен з яких також поділяється на різні сектори. У наступному розділі ми проведемо глибокий аналіз деяких репрезентативних проектів.

Інфраструктурний рівень охоплює обчислювальні ресурси та технологічну архітектуру, які підтримують весь цикл життя AI, тоді як середній рівень включає управління даними, розробку моделей та послуги верифікації та інференції, які з'єднують інфраструктуру з додатками. Застосунковий рівень 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 цій підтримці інфраструктури можна реалізувати навчання та інференцію моделей ШІ та представити користувачам потужні та практичні програми ШІ.

• Децентралізовані обчислювальні мережі: можуть забезпечити розподілену обчислювальну потужність для навчання AI моделей, забезпечуючи ефективне і економічне використання обчислювальних ресурсів. Деякі проекти пропонують децентралізовані ринки потужності, де користувачі можуть орендувати потужність за низькою ціною або ділитися потужністю для отримання доходу, представники проектів, такі як IO.NET та Hyperbolic. Крім того, деякі проекти породили нові ігри, такі як Compute Labs, які запропонували токенізований протокол, де користувачі можуть купувати NFT, що представляють фізичні GPU, щоб брати участь в оренді потужності різними способами для отримання доходу.

• AI Chain: Використання блокчейну як основи життєвого циклу AI, що забезпечує безшовну взаємодію AI-ресурсів на ланцюгу та поза ним, сприяючи розвитку екосистеми галузі. Децентралізований AI-ринок на ланцюгу може обмінюватися AI-активами, такими як дані, моделі, агенти тощо, та надавати рамки для розробки AI і супутні інструменти для розробки, представник проєкту, як-от Sahara AI. AI Chain також може сприяти прогресу AI-технологій у різних сферах, як-от Bittensor, який сприяє конкуренції між підмережами різних типів AI через інноваційний механізм стимулювання підмереж.

• Розробницька платформа: деякі проєкти пропонують платформи для розробки AI-агентів, а також можуть виконувати торгівлю AI-агентами, такі як Fetch.ai та ChainML. Універсальні інструменти допомагають розробникам зручніше створювати, навчати та впроваджувати AI-моделі, такими проєктами є Nimble. Ця інфраструктура сприяє широкому застосуванню AI-технологій у екосистемі Web3.

Проміжний шар：

Цей рівень стосується даних AI, моделей, а також висновків і валідації, 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, через краудсорсинг даних і колективну обробку даних, можна оптимізувати використання ресурсів і знизити витрати на дані. Користувачі можуть мати автономію даних, продаючи свої дані в умовах захисту конфіденційності, щоб уникнути їх викрадення і отримання великого прибутку зловмисними підприємцями. Для сторін, що потребують даних, ці платформи пропонують широкий вибір і надзвичайно низькі витрати. Представлені проекти, такі як Grass, використовують ширину каналу користувачів для збору веб-даних, а xData збирає медіаінформацію за допомогою зручних плагінів і підтримує завантаження твітів користувачами.

Крім того, деякі платформи дозволяють фахівцям у певних сферах або звичайним користувачам виконувати завдання з попередньої обробки даних, такі як маркування зображень, класифікація даних, які можуть вимагати спеціальних знань у фінансовій та правовій обробці даних. Користувачі можуть токенізувати свої навички, реалізуючи колаборативний краудсорсинг попередньої обробки даних. Представниками, такими як AI-ринок Sahara AI, що має різноманітні завдання з даними у різних сферах, можуть охоплювати багатосферні сценарії даних; тоді як AIT Protocolt здійснює маркування даних за допомогою співпраці людини і машини.

• Модель: Як вже згадувалося раніше, під час розробки AI різні типи вимог потребують підбору відповідної моделі. Моделі, які часто використовуються для завдань з обробки зображень, такі як CNN, GAN; для завдань з виявлення об'єктів можна вибрати серію Yolo; для текстових завдань поширені моделі RNN, Transformer тощо, звичайно, є також деякі специфічні або універсальні великі моделі. Моделі, необхідні для завдань з різним рівнем складності, мають різну глибину; іноді потрібно налаштовувати модель.

Деякі проекти підтримують користувачів у наданні різних типів моделей або в колективному навчанні моделей через краудсорсинг, такі як Sentient, який завдяки модульному дизайну дозволяє користувачам розміщувати надійні дані моделей у шарі зберігання та розподілу для оптимізації моделей, інструменти розробки, запропоновані Sahara AI, вбудовані з передовими AI алгоритмами та обчислювальними фреймворками, а також мають можливість колективного навчання.

• Висновок і верифікація: модель після навчання генерує файли ваг моделі, які можна використовувати для безпосередньої класифікації, прогнозування або інших специфічних завдань, цей процес називається висновком. Процес висновку зазвичай супроводжується механізмом верифікації, щоб перевірити, чи є джерело моделі для висновку правильним, чи є зловмисні дії тощо. Висновок Web3 зазвичай може бути інтегрований в смарт-контракти, шляхом виклику моделі для висновку, поширені способи верифікації включають технології ZKML, OPML та TEE. Представлені проекти, такі як AI оракул на ланцюзі ORA (OAO), впровадили OPML як перевіряємий рівень для AI оракулів, на офіційному сайті ORA також згадується їхнє дослідження щодо ZKML та opp/ai (ZKML у поєднанні з OPML).

Рівень застосування:

Цей рівень в основному є додатками, які безпосередньо орієнтовані на користувачів, поєднуючи AI з Web3, створюючи більше цікавих та інноваційних ігор. У цій статті в основному розглядаються проекти в кількох розділах: AIGC (AI згенерований контент), AI-агенти та аналіз даних.

• AIGC: через AIGC