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

Seiring dengan meningkatnya perhatian terhadap narasi AI, semakin banyak fokus tertuju pada jalur ini. Analisis mendalam tentang logika teknologi, skenario aplikasi, dan proyek perwakilan di jalur Web3-AI disajikan untuk memberikan gambaran menyeluruh tentang bidang ini dan tren perkembangannya.

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 sangat populer di industri Web3, proyek-proyek AI muncul bak jamur setelah hujan. Meskipun banyak proyek yang melibatkan teknologi AI, beberapa proyek hanya menggunakan AI di beberapa bagian produknya, 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, di mana proyek-proyek ini sendiri menyediakan produk AI, sekaligus berdasarkan model ekonomi Web3 sebagai alat hubungan produksi, keduanya saling melengkapi. Kami mengklasifikasikan jenis proyek ini sebagai jalur Web3-AI. Agar pembaca dapat memahami jalur Web3-AI dengan lebih baik, kami akan menjelaskan proses pengembangan AI dan tantangannya, serta bagaimana kombinasi Web3 dan AI dapat dengan 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 terjemahan bahasa, klasifikasi gambar hingga pengenalan wajah, aplikasi mobil otonom, 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 penyetelan model, pelatihan model dan inferensi. Sebagai contoh sederhana, untuk mengembangkan model yang dapat 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 memberi label kategori (kucing atau anjing) untuk setiap gambar, memastikan labelnya akurat. Mengubah gambar menjadi format yang dapat dikenali oleh model, membagi dataset menjadi set pelatihan, set validasi, dan set pengujian.

2. Pemilihan dan Penyesuaian Model: Pilih model yang sesuai, misalnya jaringan saraf konvolusional (CNN), yang lebih cocok untuk tugas klasifikasi gambar. Sesuaikan parameter atau arsitektur model berdasarkan kebutuhan yang berbeda, biasanya, lapisan jaringan model dapat disesuaikan berdasarkan kompleksitas tugas AI. Dalam contoh klasifikasi sederhana ini, lapisan 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 sudah dilatih model biasanya disebut sebagai bobot model, dan proses inferensi merujuk pada penggunaan model yang sudah dilatih untuk memprediksi atau mengklasifikasikan data baru. Dalam proses ini, dapat digunakan kumpulan data pengujian atau data baru untuk menguji efektivitas klasifikasi model, yang biasanya dievaluasi dengan metrik seperti akurasi, tingkat pengembalian, F1-score, dan lain-lain.

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

Model AI yang telah dilatih dapat diintegrasikan lebih lanjut ke dalam berbagai aplikasi untuk melakukan 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 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 yang diperoleh: Tim kecil atau individu mungkin menghadapi batasan ketika memperoleh data dari bidang tertentu (seperti data medis) jika data tersebut tidak bersifat open source.

Pemilihan dan penyesuaian model: Bagi tim kecil, sulit untuk mendapatkan sumber daya model khusus 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 pengkategorian data sering kali tidak dapat memperoleh pendapatan yang sepadan dengan usaha mereka, sementara hasil penelitian pengembang AI juga sulit untuk dicocokkan dengan pembeli yang membutuhkan.

Tantangan yang ada dalam skenario AI terpusat dapat diatasi melalui kombinasi dengan Web3, di mana Web3 sebagai jenis hubungan produksi baru secara alami cocok dengan AI yang mewakili produktivitas baru, sehingga mendorong kemajuan teknologi dan kemampuan produksi secara bersamaan.

1.3 Kolaborasi Web3 dan AI: Perubahan Peran dan Aplikasi Inovatif

Web3 dan AI dapat meningkatkan kedaulatan pengguna, menyediakan platform kolaborasi AI terbuka untuk pengguna, sehingga pengguna beralih dari pengguna AI di 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 menyambut sistem ekonomi kolaboratif yang baru. Privasi data orang dapat terjamin, model data crowdsourcing mendorong kemajuan model AI, banyak sumber daya AI sumber terbuka tersedia untuk digunakan pengguna, dan daya komputasi yang dibagikan dapat diperoleh dengan biaya yang lebih rendah. Dengan bantuan mekanisme kolaboratif crowdsourcing yang terdesentralisasi dan pasar AI yang terbuka, sistem distribusi pendapatan yang adil dapat direalisasikan, 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 kontrak pintar untuk meningkatkan efisiensi kerja di berbagai skenario 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 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 tepat di dunia ini.

Dua, Interpretasi Peta dan Arsitektur Proyek Ekosistem Web3-AI

Kami terutama meneliti 41 proyek di jalur Web3-AI dan membagi proyek-proyek ini menjadi berbagai tingkatan. Logika pembagian setiap tingkatan ditunjukkan pada gambar di bawah ini, termasuk lapisan infrastruktur, lapisan menengah, dan lapisan aplikasi, di mana setiap lapisan dibagi lagi menjadi berbagai sektor. 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 menengah termasuk manajemen data, pengembangan model, dan layanan inferensi verifikasi yang menghubungkan infrastruktur dengan aplikasi, sedangkan lapisan aplikasi fokus 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 dan 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 menyediakan 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 terlibat dalam penyewaan daya komputasi dengan cara yang berbeda melalui pembelian NFT yang mewakili entitas GPU.

• AI Chain: Memanfaatkan blockchain sebagai dasar siklus hidup AI, untuk mewujudkan interaksi tanpa hambatan antara sumber daya AI di dalam dan di luar rantai, serta mendorong perkembangan ekosistem industri. Pasar AI terdesentralisasi di dalam rantai memungkinkan perdagangan aset AI seperti data, model, agen, dan juga menyediakan kerangka pengembangan AI serta alat pengembangan pendukung, dengan proyek-proyek seperti Sahara AI. AI Chain juga dapat mendorong kemajuan teknologi AI di berbagai bidang, seperti Bittensor yang mendorong persaingan subnet dari berbagai jenis AI 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 serba ada membantu pengembang untuk lebih mudah membuat, melatih, dan menerapkan model AI, perwakilan proyek seperti Nimble. Infrastruktur ini memfasilitasi penerapan teknologi AI yang luas dalam ekosistem Web3.

Lapisan Tengah:

Tingkat 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 mempengaruhi efektivitas pelatihan model. Di dunia Web3, melalui data yang didapat dari kerumunan dan pemrosesan data secara kolaboratif, dapat mengoptimalkan pemanfaatan sumber daya dan mengurangi biaya data. Pengguna dapat memiliki otonomi atas data mereka, menjual data mereka sendiri dengan perlindungan privasi, untuk menghindari pencurian data oleh pedagang yang tidak baik dan meraih keuntungan besar. Bagi pihak yang membutuhkan data, platform-platform ini menawarkan pilihan yang luas dan biaya yang sangat rendah. Proyek-proyek yang mewakili 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 para ahli di bidang tertentu atau pengguna biasa untuk melakukan tugas praproses data, seperti penandaan gambar, pengkategorian data, yang mungkin memerlukan pemrosesan data untuk tugas keuangan dan hukum yang membutuhkan pengetahuan khusus, pengguna dapat men-token-kan keterampilan mereka untuk mewujudkan kolaborasi crowdsourcing dalam praproses data. Contoh seperti pasar AI Sahara AI, yang memiliki tugas data di berbagai bidang, dapat mencakup berbagai skenario data; sementara AIT Protocol melakukan penandaan data melalui cara kolaborasi manusia dan mesin.

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

Beberapa proyek mendukung pengguna untuk menyediakan berbagai jenis model atau berkolaborasi dalam pelatihan model melalui crowdsourcing, seperti Sentient yang melalui desain modular, memungkinkan pengguna untuk menempatkan data model yang dapat dipercaya 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, model akan menghasilkan file bobot model yang dapat digunakan untuk klasifikasi, prediksi, atau tugas spesifik lainnya, proses ini disebut sebagai inferensi. Proses inferensi biasanya disertai dengan mekanisme verifikasi, untuk memverifikasi apakah sumber model inferensi benar, apakah terdapat perilaku jahat, dan lainnya. Inferensi Web3 biasanya dapat diintegrasikan dalam kontrak pintar, dengan memanggil model untuk melakukan inferensi, cara verifikasi yang umum termasuk teknologi ZKML, OPML, dan TEE. Proyek perwakilan seperti oracle AI di ORA chain (OAO) telah memperkenalkan OPML sebagai lapisan yang dapat diverifikasi untuk oracle AI, dan di situs web resmi ORA juga disebutkan penelitian mereka tentang ZKML dan opp/ai (ZKML digabungkan dengan OPML).

Lapisan aplikasi:

Lapisan ini terutama adalah aplikasi yang langsung ditujukan kepada pengguna, menggabungkan AI dengan Web3, menciptakan lebih banyak cara bermain yang menarik dan inovatif. Artikel ini terutama menguraikan beberapa proyek di beberapa sektor yaitu AIGC (Konten yang Dihasilkan AI), agen AI, dan analisis data.

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

• AI agen: Merujuk pada sistem kecerdasan buatan yang dapat secara mandiri melaksanakan tugas dan mengambil keputusan. AI agen biasanya memiliki kemampuan persepsi, penalaran, pembelajaran, dan tindakan, dapat melaksanakan tugas kompleks di berbagai lingkungan. AI agen yang umum seperti penerjemah bahasa.