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

Dengan terus meningkatnya perhatian terhadap narasi AI, semakin banyak fokus yang tertuju pada jalur ini. Analisis mendalam tentang logika teknis, skenario aplikasi, dan proyek-proyek perwakilan di jalur Web3-AI telah dilakukan, untuk memberikan gambaran menyeluruh tentang bidang ini dan tren perkembangannya.

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

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 bagaikan jamur setelah hujan. Meskipun banyak proyek yang melibatkan teknologi AI, beberapa proyek hanya menggunakan AI di beberapa bagian produknya, sementara 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 berbasis model ekonomi Web3 sebagai alat hubungan produksi, keduanya saling melengkapi. Kami mengklasifikasikan proyek-proyek semacam ini sebagai jalur Web3-AI. Agar pembaca dapat lebih memahami jalur Web3-AI, akan dijelaskan proses pengembangan AI dan tantangannya, serta bagaimana kombinasi Web3 dan AI dapat menyelesaikan masalah dengan sempurna 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. Teknologi ini memungkinkan komputer untuk menjalankan berbagai tugas kompleks, mulai dari penerjemahan bahasa, klasifikasi gambar, hingga pengenalan wajah dan aplikasi otomatisasi mengemudi. 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 penyesuaian model, pelatihan model dan inferensi. Ambil contoh sederhana, untuk mengembangkan model yang mengklasifikasikan gambar kucing dan anjing, Anda perlu:

1. Pengumpulan data dan pra-pemrosesan data: Mengumpulkan dataset gambar yang berisi kucing dan anjing, dapat menggunakan dataset publik atau mengumpulkan data nyata sendiri. Kemudian beri label kategori untuk setiap gambar ( kucing atau anjing ), pastikan label akurat. Mengonversi gambar ke dalam format yang dapat dikenali model, membagi dataset menjadi set pelatihan, set validasi, dan set pengujian.

2. Pemilihan dan Penyesuaian Model: Pilih model yang sesuai, seperti jaringan syaraf konvolusional (CNN), yang lebih cocok untuk tugas klasifikasi gambar. Sesuaikan parameter atau arsitektur model sesuai dengan kebutuhan yang berbeda, secara umum, 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: Model dapat dilatih menggunakan GPU, TPU, atau kluster komputasi berkinerja tinggi, waktu pelatihan dipengaruhi oleh kompleksitas model dan kemampuan komputasi.

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

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

Model AI yang sudah dilatih dapat lebih lanjut diintegrasikan ke dalam berbagai aplikasi untuk menjalankan berbagai tugas. Dalam contoh ini, model AI untuk klasifikasi kucing dan anjing dapat diintegrasikan ke dalam aplikasi ponsel, di mana pengguna mengunggah gambar kucing atau anjing untuk 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 dapat dicuri tanpa sepengetahuan mereka dan digunakan untuk pelatihan AI.

Sumber data diperoleh: Tim kecil atau individu mungkin menghadapi batasan tidak terbukanya data saat mendapatkan data di bidang tertentu ( seperti data medis ).

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 penyewaan daya komputasi di awan dapat menjadi beban ekonomi yang signifikan.

Pendapatan Aset AI: Pekerja penandaan data sering kali tidak dapat memperoleh pendapatan yang sebanding dengan usaha mereka, sementara hasil penelitian pengembang AI juga sulit untuk cocok dengan pembeli yang membutuhkan.

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

1.3 Sinergi Web3 dan AI: Perubahan Peran dan Aplikasi Inovatif

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

Berdasarkan teknologi Web3, pengembangan dan aplikasi AI akan memasuki sistem ekonomi kolaboratif yang benar-benar baru. Privasi data orang dapat dijamin, model AI dipromosikan melalui mode pengumpulan data, banyak sumber daya AI sumber terbuka tersedia bagi pengguna, dan daya komputasi yang dibagikan dapat diperoleh dengan biaya yang lebih rendah. Dengan memanfaatkan mekanisme kolaborasi dan pengumpulan terdesentralisasi serta pasar AI terbuka, sistem distribusi pendapatan yang adil dapat dicapai, 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 smart contract untuk meningkatkan efisiensi kerja dalam berbagai aplikasi, seperti analisis pasar, deteksi keamanan, pengelompokan sosial, dan berbagai fungsi lainnya. AI generatif tidak hanya memungkinkan pengguna merasakan peran "seniman", seperti menggunakan teknologi AI untuk membuat NFT mereka sendiri, tetapi juga dapat menciptakan berbagai skenario permainan yang kaya dan pengalaman interaksi yang menarik dalam GameFi. Infrastruktur yang kaya memberikan pengalaman pengembangan yang mulus, 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 mempelajari 41 proyek di jalur Web3-AI dan membagi proyek-proyek ini menjadi berbagai level. Logika pembagian setiap level ditunjukkan pada gambar di bawah, termasuk lapisan infrastruktur, lapisan menengah, dan lapisan aplikasi, di mana setiap lapisan dibagi lagi menjadi berbagai bagian. Di 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 verifikasi inferensi yang menghubungkan infrastruktur dengan aplikasi, sedangkan lapisan aplikasi berfokus pada berbagai aplikasi dan solusi yang langsung menghadapi pengguna.

Lapisan infrastruktur:

Lapisan infrastruktur adalah dasar dari siklus hidup AI, dalam artikel ini, daya komputasi, AI Chain, dan platform pengembangan dikategorikan sebagai lapisan infrastruktur. Dukungan infrastruktur ini memungkinkan pelatihan dan inferensi model AI, serta menghadirkan aplikasi AI yang kuat dan praktis 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 menyediakan pasar daya komputasi terdesentralisasi, 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, 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, untuk mewujudkan interaksi sumber daya AI yang mulus antara on-chain dan off-chain, serta mendorong perkembangan ekosistem industri. Pasar AI terdesentralisasi di on-chain dapat memperdagangkan aset AI seperti data, model, dan agen, serta menyediakan kerangka pengembangan AI dan alat pengembangan yang mendukung, dengan proyek perwakilan seperti Sahara AI. AI Chain juga dapat mendorong kemajuan teknologi AI di berbagai bidang, seperti Bittensor yang menggunakan mekanisme insentif subnet yang inovatif untuk mendorong kompetisi antar subnet dari berbagai jenis AI.

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

Lapisan tengah:

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

• Data: Kualitas dan kuantitas data adalah faktor kunci yang memengaruhi efektivitas pelatihan model. Dalam dunia Web3, melalui data crowdsourcing dan pemrosesan data kolaboratif, dapat mengoptimalkan pemanfaatan sumber daya dan mengurangi biaya data. Pengguna dapat memiliki otonomi atas data mereka, menjual data mereka sendiri dalam kondisi perlindungan privasi, untuk menghindari pencurian data oleh pedagang nakal dan meraih keuntungan besar. Bagi pihak yang membutuhkan data, platform-platform ini menawarkan berbagai pilihan dan biaya yang sangat rendah. Proyek-proyek yang mewakili seperti Grass memanfaatkan bandwidth pengguna untuk mengumpulkan data Web, xData mengumpulkan informasi media melalui plugin yang ramah pengguna, dan mendukung pengguna dalam mengunggah informasi cuitan.

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

• Model: Dalam proses pengembangan AI yang telah disebutkan sebelumnya, berbagai jenis kebutuhan memerlukan pencocokan model yang sesuai. Model yang umum digunakan untuk tugas gambar seperti CNN, GAN; untuk tugas deteksi objek dapat memilih seri Yolo; untuk tugas teks model yang umum adalah RNN, Transformer, dan tentu saja ada beberapa model besar yang spesifik atau umum. Model kedalaman yang diperlukan untuk tugas dengan kompleksitas yang berbeda juga berbeda, kadang-kadang perlu dilakukan penyesuaian model.

Beberapa proyek mendukung pengguna untuk menyediakan berbagai jenis model atau berkolaborasi dalam pelatihan model melalui cara pengumpulan massa, seperti Sentient yang melalui desain modular, memungkinkan pengguna untuk menempatkan data model yang terpercaya 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 file 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 lain-lain. Inferensi Web3 biasanya dapat diintegrasikan ke dalam kontrak pintar, melalui pemanggilan model untuk melakukan inferensi, cara verifikasi yang umum termasuk teknologi ZKML, OPML, dan TEE. Proyek perwakilan seperti oracle AI di ORA chain (OAO), memperkenalkan OPML sebagai lapisan yang dapat diverifikasi untuk oracle AI, di situs resmi ORA juga disebutkan penelitian mereka tentang ZKML dan opp/ai( yang menggabungkan ZKML dengan OPML).

Lapisan aplikasi:

Tingkat ini terutama merupakan aplikasi yang langsung ditujukan kepada pengguna, menggabungkan AI dengan Web3, menciptakan lebih banyak cara yang menarik dan inovatif. Artikel ini terutama mengulas proyek-proyek dalam beberapa sektor, yaitu AIGC(, konten yang dihasilkan AI), agen AI, dan analisis data.

• AIGC: Melalui AIGC dapat diperluas ke dalam jalur NFT, permainan, dan lainnya di Web3, pengguna dapat langsung menghasilkan teks, gambar, dan audio melalui Prompt( yang diberikan oleh pengguna, bahkan dapat menghasilkan cara bermain kustom dalam permainan sesuai dengan preferensi mereka. Proyek NFT seperti NFPrompt, pengguna dapat menghasilkan NFT melalui AI untuk diperdagangkan di pasar; permainan seperti Sleepless, pengguna membentuk karakter pasangan virtual melalui dialog untuk mencocokkan preferensi mereka;

• Agen AI: merujuk pada sistem kecerdasan buatan yang dapat secara mandiri melaksanakan tugas dan membuat keputusan. Agen AI biasanya memiliki kemampuan persepsi, penalaran, pembelajaran, dan tindakan, dan dapat melaksanakan tugas kompleks di berbagai lingkungan. Agen AI yang umum seperti terjemahan bahasa, pembelajaran bahasa,