Панорамний звіт про Web3-AI: технічна логіка, сценарні застосування та глибокий аналіз провідних проектів

З огляду на постійне зростання популярності AI-нарративу, все більше уваги зосереджується на цьому напрямку. У цій статті детально проаналізовано технічну логіку, сценарії застосування та представницькі проекти в секторі Web3-AI, щоб всебічно представити панораму та тенденції розвитку цієї сфери.

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

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

У минулому році AI-оповідь стала надзвичайно популярною в індустрії Web3, проекти з AI з'являлися, як гриби після дощу. Хоча багато проектів пов'язані з технологією AI, деякі з них використовують AI лише в певних частинах своїх продуктів, а основна токеноміка не має суттєвого зв'язку з AI-продуктами, тому такі проекти не входять до обговорення Web3-AI проектів у цій статті.

У цьому документі основна увага приділяється проектам, які використовують блокчейн для вирішення проблем виробничих відносин, а ШІ для вирішення проблем продуктивності. Ці проекти самі по собі пропонують продукти ШІ, одночасно ґрунтуючись на економічній моделі Web3 як інструменті виробничих відносин, і обидва елементи взаємно доповнюють один одного. Ми класифікуємо такі проекти як Web3-AI напрямок. Щоб читачі краще зрозуміли напрямок Web3-AI, у цій статті буде представлено 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 інференції моделі

Технологія штучного інтелекту — це технологія, яка дозволяє комп'ютерам імітувати, розширювати та покращувати людський інтелект. Вона дозволяє комп'ютерам виконувати різноманітні складні завдання, від перекладу мов, класифікації зображень до розпізнавання облич і автоматичного водіння, штучний інтелект змінює спосіб нашого життя та роботи.

Процес розробки моделей штучного інтелекту зазвичай містить кілька ключових етапів: збір даних та попередня обробка даних, вибір і налаштування моделі, навчання моделі та висновок. Наприклад, для розробки моделі, яка здійснює класифікацію зображень котів і собак, вам потрібно:

1. Збір даних та попередня обробка даних: збір набору даних з зображеннями котів і собак, можна використовувати відкриті набори даних або самостійно збирати реальні дані. Потім для кожного зображення позначте категорію ( кіт або собака ), переконавшись, 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 найбільше підходить для завдань класифікації зображень. Налаштування параметрів або архітектури моделі відповідно до різних потреб, зазвичай, рівні мережі моделі можна коригувати залежно від складності AI-завдання. У цьому простому прикладі класифікації, менш глибокі рівні мережі можуть бути цілком достатніми.

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

4. Моделювання: Файл, в якому навчається модель, зазвичай називають вагою моделі, процес інференції означає використання вже навчених моделей для прогнозування або класифікації нових даних. У цьому процесі можна використовувати тестовий набір або нові дані для перевірки ефективності класифікації моделі, зазвичай оцінюють ефективність моделі за такими показниками, як точність, відгук, F1-score тощо.

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 та використані для навчання ШІ.

Джерела даних: невеликі команди або особи, які отримують дані певної сфери (, такі як медичні дані ), можуть зіткнутися з обмеженнями в отриманні відкритих даних.

Вибір моделі та налаштування: для маленьких команд важко отримати ресурси моделі в певній області або витратити великі кошти на налаштування моделі.

Отримання обчислювальної потужності: для окремих розробників і невеликих команд висока вартість покупки GPU та витрати на оренду хмарної обчислювальної потужності можуть стати значним економічним тягарем.

Доходи від AI-активів: працівники з маркування даних часто не можуть отримати доходи, які відповідають їхнім витратам, а результати досліджень розробників AI також важко поєднати з покупцями, які мають попит.

Виклики, які існують у сценах централізованого ШІ, можуть бути подолані шляхом інтеграції з Web3. Web3, як нова форма виробничих відносин, природно адаптується до ШІ, що представляє нові виробничі сили, що, в свою чергу, сприяє одночасному прогресу технологій та виробничих потужностей.

1.3 Співпраця Web3 та ШІ: зміна ролей та інноваційні застосування

Поєднання Web3 та AI може зміцнити суверенітет користувачів, забезпечити 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 також призвести до виникнення нових інноваційних застосувань та ігрових сценаріїв.

На основі технології Web3 розробка та застосування штучного інтелекту набуде нового співпраці в економічній системі. Приватність даних людей може бути забезпечена, модель краудсорсингу даних сприяє прогресу моделей ШІ, безліч відкритих ресурсів ШІ доступні для користувачів, а спільні обчислювальні потужності можуть бути отримані за нижчою ціною. Завдяки децентралізованій механіці співпраці та відкритому ринку ШІ можна реалізувати справедливу систему розподілу доходів, що стимулює більше людей просувати прогрес технологій ШІ.

У сцені Web3 штучний інтелект може мати позитивний вплив у кількох напрямках. Наприклад, моделі ШІ можуть бути інтегровані в смарт-контракти для підвищення робочої ефективності в різних сценаріях застосування, таких як ринковий аналіз, безпекове тестування, соціальна кластеризація та інші функції. Генеративний ШІ не лише дозволяє користувачам відчути себе "художниками", наприклад, створюючи свої власні NFT за допомогою технології ШІ, але також може створювати різноманітні ігрові сцени та цікаві інтерактивні досвіди в GameFi. Розвинена інфраструктура забезпечує плавний досвід розробки, незалежно від того, чи є ви експертом у ШІ, чи новачком, який хоче увійти в цю сферу, ви можете знайти відповідний вхід у цьому світі.

Два, Аналіз екосистеми Web3-AI проектів та архітектури

Ми в основному досліджували 41 проект у сфері Web3-AI та розділили ці проекти на різні рівні. Логіка розподілу кожного рівня зображена на наступному малюнку, включаючи рівень інфраструктури, середній рівень та рівень застосувань, кожен з яких також поділений на різні секції. У наступному розділі ми проведемо глибокий аналіз деяких представницьких проектів.

Інфраструктурний рівень охоплює обчислювальні ресурси та технологічну архітектуру, які підтримують увесь життєвий цикл AI, проміжний рівень включає управління даними, розробку моделей та послуги верифікації та інференції, а прикладний рівень зосереджується на різноманітних додатках та рішеннях, спрямованих безпосередньо на користувача.

Інфраструктурний шар:

Інфраструктурний рівень є основою життєвого циклу AI, у цій статті обчислювальні потужності, AI Chain та розробницька платформа класифікуються як інфраструктурний рівень. Саме підтримка цих інфраструктур дозволяє здійснювати навчання та інференцію AI моделей і представляти користувачам потужні та практичні AI програми.

• Децентралізована обчислювальна мережа: може забезпечити розподілену обчислювальну потужність для навчання AI моделей, гарантуючи ефективне та економічне використання обчислювальних ресурсів. Деякі проекти пропонують децентралізований ринок обчислювальної потужності, де користувачі можуть орендувати обчислювальну потужність або ділитися нею для отримання прибутку за низькою вартістю, такими проектами є IO.NET та Hyperbolic. Крім того, деякі проекти розвинули нові ігрові механіки, такі як Compute Labs, які запропонували токенізований протокол, де користувачі можуть купувати NFT, що представляють фізичні GPU, та брати участь в оренді обчислювальної потужності різними способами для отримання прибутку.

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

• Платформа для розробки: 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. Ці інфраструктури сприяють широкому застосуванню технологій AI в екосистемі Web3.

Проміжний шар:

Цей рівень стосується даних AI, моделей, а також висновків і верифікації, використання технології Web3 може забезпечити вищу ефективність роботи.

• Дані: Якість та кількість даних є ключовими факторами, які 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 даними, продаючи свої дані за умов захисту конфіденційності, щоб уникнути крадіжки даних недобросовісними компаніями та отримання високих прибутків. Для запитувачів даних ці платформи пропонують широкий вибір і надзвичайно низькі витрати. Представлені проекти, такі як Grass, використовують пропускну спроможність користувачів для збору даних з Інтернету, xData збирають медіаінформацію через зручні для користувача плагіни та підтримують завантаження інформації з твіту користувачами.

Крім того, деякі платформи дозволяють експертам у галузі або звичайним користувачам виконувати завдання з попередньої обробки даних, такі як позначення зображень, класифікація даних, ці завдання можуть вимагати професійних знань для обробки фінансових і юридичних даних, користувачі можуть токенізувати свої навички, реалізуючи колективну краудсорсинг для попередньої обробки даних. Представники, такі як AI-ринок Sahara AI, мають різні завдання з даних, які можуть охоплювати багатогалузеві сценарії даних; в той час як AIT Protocolt здійснює позначення даних через співпрацю людини та машини.

• Модель: У процесі розробки ШІ, про який йшлося 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 вибрати серію Yolo, а для текстових завдань поширені моделі RNN, Transformer та інші, звісно, є також деякі специфічні або універсальні великі моделі. Моделі різної глибини потрібні для завдань різної складності, іноді потрібно налаштовувати моделі.

Деякі проекти підтримують користувачів у наданні різних типів моделей або у співпраці з використанням краудсорсингу для навчання моделей, такі як Sentient, який через модульний дизайн дозволяє користувачам зберігати надійні дані моделей на рівні зберігання, рівні розповсюдження для оптимізації моделей. Інструменти розробки, що надаються Sahara AI, містять сучасні алгоритми ШІ та обчислювальні фреймворки, а також мають можливості спільного навчання.

• Висновок і перевірка: Після навчання модель генерує файли ваг моделі, які можна використовувати для безпосередньої класифікації, прогнозування або інших специфічних завдань, цей процес називається висновком. Процес висновку зазвичай супроводжується механізмом перевірки, щоб перевірити, чи правильне джерело моделі висновку, чи є шкідлива поведінка тощо. Висновок Web3 зазвичай може бути інтегровано в смарт-контракти, шляхом виклику моделі для висновку, поширеними способами перевірки є технології ZKML, OPML та TEE тощо. Представлені проекти, такі як AI-оракул на ORA-ланці (OAO), впровадили OPML як перевіряємий шар для AI-оракулу, на офіційному сайті ORA також згадуються їхні дослідження щодо ZKML та opp/ai(ZKML у поєднанні з OPML).

Рівень додатків:

Цей рівень в основному є програмою, що безпосередньо орієнтована на користувачів, поєднуючи AI з Web3, створюючи більше цікавих, інноваційних ігор. У цій статті основна увага приділяється проектам у кількох секторах: AIGC(, AI-генерований контент), AI-агенти та аналіз даних.

• AIGC: Завдяки AIGC можна розширити можливості в NFT, іграх та інших напрямках Web3, користувачі можуть безпосередньо генерувати текст, зображення та аудіо, використовуючи підказки, надані ними через Prompt(, навіть можуть створювати кастомізовані ігрові механіки відповідно до своїх уподобань. NFT проекти, такі як NFPrompt, дозволяють користувачам генерувати NFT за допомогою ШІ для торгівлі на ринку; гри, такі як Sleepless, дозволяють користувачам формувати характер віртуального партнера через діалоги, щоб відповідати своїм уподобанням;

• AI-агент: це штучний інтелект, що може самостійно виконувати завдання та приймати рішення. AI-агенти зазвичай мають можливості сприйняття, міркування, навчання та дій, здатні виконувати складні завдання в різних середовищах. Звичайні AI-агенти, такі як переклад мов, вивчення мов, перетворення зображень у текст тощо, можуть генерувати торгових роботів, створювати меми, проводити безпекове тестування на блокчейні в контексті Web3. Наприклад, MyShell як платформа AI-агентів пропонує різні типи агентів, включаючи навчання, віртуальних супутників, торгових агентів тощо, а також надає зручні інструменти для розробки агентів, які не потребують коду, щоб створити свого власного агента.

• Аналіз даних: шляхом інтеграції технології ШІ та баз даних відповідних галузей, здійснюється аналіз, оцінка, прогнозування даних тощо. У Web3 можна допомогти користувачам у прийнятті інвестиційних рішень, аналізуючи ринкові дані, динаміку розумних грошей тощо. Прогнозування токенів також є унікальним сценієм у Web3, що представляє проекти, такі як Ocean, офіційно налаштовані.