Web3-AI трек огляд: технічна логіка, сценарні застосування та глибокий аналіз провідних проектів

З огляду на зростаючий інтерес до AI-оповідей, все більше уваги зосереджується на цій ніші. Ми провели глибокий аналіз технологічної логіки, сценаріїв застосування та представницьких проектів у сфері Web3-AI, щоб повноцінно представити вам панораму та тенденції розвитку цієї галузі.

Одне, Web3-AI: аналіз технологічної логіки та нових ринкових можливостей

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

Протягом минулого року AI наратив у Web3 індустрії був надзвичайно популярним, проекти на базі AI виникли, як гриби після дощу. Хоча багато проектів включають технології AI, деякі з них використовують AI лише в певних складових своїх продуктів, при цьому базова токеноміка не має суттєвого зв'язку з продуктами AI, тому такі проекти не підпадають під обговорення Web3-AI проектів у цій статті.

У цій статті акцентується увага на використанні блокчейну для вирішення проблем виробничих відносин, а також на проектах, які використовують ШІ для вирішення проблем продуктивності. Ці проекти самі пропонують продукти ШІ, одночасно базуючись на економічній моделі Web3 як інструменті виробничих відносин, що доповнюють один одного. Ми класифікуємо такі проекти в категорію Web3-AI. Щоб читачі краще зрозуміли категорію Web3-AI, ми розглянемо процес розробки ШІ та виклики, а також те, як поєднання Web3 і ШІ може ідеально вирішити проблеми та створити нові застосункові сценарії.

1.2 Розробка та виклики штучного інтелекту: від збору даних до моделювання висновків

Технологія штучного інтелекту є технологією, 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 та автоматичного водіння, штучний інтелект змінює наш спосіб життя і роботи.

Процес розробки моделей штучного інтелекту зазвичай включає в себе кілька ключових етапів: збір даних та їх попередня обробка, вибір і налаштування моделі, навчання моделі та інференцію. Наприклад, щоб розробити модель для класифікації зображень котів і собак, вам потрібно:

1. Збір даних та попередня обробка даних: зберіть набір даних з зображеннями котів і собак, ви можете використовувати відкриті набори даних або зібрати реальні дані самостійно. Потім позначте кожне зображення категорією (кіт або собака), переконайтеся, що позначки точні. Перетворіть зображення у формат, який може розпізнати модель, розділіть набір даних на навчальний набір, валідаційний набір і тестовий набір.

2. Вибір моделі та налаштування: вибір відповідної моделі, наприклад, згорткової нейронної мережі (CNN), яка більш підходить для завдань класифікації зображень. Налаштування параметрів або архітектури моделі відповідно до різних вимог, зазвичай, рівні мережі моделі можна налаштувати залежно від складності AI завдання. У цьому простому прикладі класифікації, більш поверхневі рівні мережі можуть бути достатніми.

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

4. Модельне висновування: Файл, в якому навчена модель, зазвичай називається вагою моделі. Процес висновування означає використання вже навченої моделі для прогнозування або класифікації нових даних. У цьому процесі можна використовувати тестовий набір або нові дані для перевірки ефективності класифікації моделі, зазвичай використовуються такі показники, як точність, відгук, F1-скора тощо для оцінки ефективності моделі.

Як показано на малюнку, після збору даних та їх попередньої обробки, вибору та налаштування моделі, а також навчання, модель, що була навчена, буде використовуватися для інференції на тестовому наборі, що дасть прогнозовані значення для котів і собак P (імовірність), тобто ймовірність того, що модель визначає об'єкт як кота чи собаку.

Навчена AI модель може бути додатково інтегрована в різні програми для виконання різних завдань. У цьому прикладі AI модель для 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 ІІ має деякі проблеми в наступних 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 джерела даних: невеликі команди або особи, що отримують дані в конкретній галузі (наприклад, медичні дані), можуть стикатися з обмеженнями щодо закритих даних.

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

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

AI активи доходу: працівники з маркування даних часто не можуть отримати дохід, що відповідає їхнім витратам, а результати досліджень розробників AI також важко узгодити з покупцями, які мають потребу.

Виклики, що виникають у централізованих AI-сценаріях, можуть бути подолані через поєднання з Web3. Web3, як новий тип виробничих відносин, природно адаптується до нових виробничих сил AI, що сприяє одночасному прогресу технологій та виробничих можливостей.

1.3 Взаємодія Web3 і AI: зміна ролей та інноваційні застосування

Поєднання Web3 та AI може посилити суверенітет користувачів, надаючи їм відкриту платформу для співпраці з AI, що дозволяє користувачам перейти від ролі користувачів AI в епоху Web2 до активних учасників, створюючи AI, яким можуть володіти всі. Крім того, інтеграція світу Web3 та технологій AI може призвести до виникнення нових інноваційних застосунків та ігор.

На основі технології Web3 розробка та використання штучного інтелекту зустрінуть абсолютно нову економічну систему співпраці. Приватність даних людей може бути захищена, модель краудсорсингу даних сприяє прогресу моделей ШІ, багато відкритих ресурсів ШІ доступні для користувачів, а спільна обчислювальна потужність може бути отримана за нижчою ціною. Завдяки децентралізованій механіці краудсорсингу та відкритому ринку ШІ можна реалізувати справедливу систему розподілу доходів, що стимулює більше людей до просування технологій ШІ.

У сцені Web3 штучний інтелект може мати позитивний вплив у кількох сферах. Наприклад, моделі ШІ можуть бути інтегровані в смарт-контракти, підвищуючи ефективність роботи в різних застосунках, таких як ринковий аналіз, безпекове тестування, соціальна кластеризація та багато інших функцій. Генеративний ШІ не лише дозволяє користувачам відчути себе "художником", наприклад, створюючи свої власні NFT за допомогою технології ШІ, але й може створювати різноманітні ігрові сцени та цікаві інтерактивні досвіди в GameFi. Розвинена інфраструктура забезпечує плавний процес розробки, незалежно від того, чи є ви експертом у сфері ШІ, чи новачком, який хоче увійти в цю галузь.

Два, огляд екосистеми проектів Web3-AI та їх архітектури

Ми в основному досліджували 41 проект у галузі Web3-AI та розділили ці проекти на різні рівні. Логіка розподілу кожного рівня наведена на наступному малюнку, включаючи інфраструктурний рівень, середній рівень та рівень застосувань, кожен з яких поділено на різні сегменти. У наступному розділі ми проведемо глибокий аналіз деяких представницьких проектів.

Інфраструктурний рівень охоплює обчислювальні ресурси та технологічну архітектуру, що підтримують роботу всього життєвого циклу ШІ, тоді як середній рівень включає управління даними, розробку моделей та послуги верифікації та інференції, що з'єднують інфраструктуру з додатками. Рівень додатків зосереджується на різних додатках та рішеннях, орієнтованих безпосередньо на користувачів.

Інфраструктурний рівень:

Інфраструктурний рівень є основою життєвого циклу ШІ, у цій статті обчислювальну потужність, AI Chain та платформу розробки класифікують як інфраструктурний рівень. Саме завдяки підтримці цих інфраструктур можливе навчання та інференція моделей ШІ, а також надання потужних і практичних додатків ШІ користувачам.

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

• AI Chain: Використання блокчейну як основи для життєвого циклу AI, що забезпечує безшовну взаємодію AI-ресурсів на ланцюгу та поза ним, сприяючи розвитку галузевої екосистеми. Децентралізований AI-ринок на ланцюгу може торгувати AI-активами, такими як дані, моделі, агенти тощо, та надавати рамки для розробки AI та супутні інструменти для розробників, одним з представників проекту є Sahara AI. AI Chain також може сприяти прогресу AI-технологій у різних сферах, наприклад, Bittensor через інноваційний механізм стимулювання підмереж для сприяння конкуренції між різними типами AI-підмереж.

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

Посередня частина:

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

• Дані: Якість і кількість даних є ключовими факторами, що впливають на ефективність навчання моделі. У світі Web3, через краудсорсинг даних і кооперативну обробку даних, можна оптимізувати використання ресурсів і знизити витрати на дані. Користувачі можуть мати автономію над своїми даними, продаючи їх у випадках захисту конфіденційності, щоб уникнути крадіжки даних зловмисними підприємцями і отримання високих прибутків. Для споживачів даних ці платформи пропонують широкий вибір і надзвичайно низькі витрати. Представлені проекти, такі як Grass, використовують пропускну здатність користувачів для збору веб-даних, xData збирає інформацію про медіа через зручні для користувача плагіни та підтримує можливість завантаження інформації про твіти.

Крім того, деякі платформи дозволяють фахівцям у своїй галузі або звичайним користувачам виконувати завдання з попередньої обробки даних, такі як маркування зображень, класифікація даних, які можуть вимагати спеціальних знань у фінансовій та юридичній обробці даних. Користувачі можуть токенізувати свої навички, реалізуючи співпрацю у попередній обробці даних. Приклади, такі як AI ринок Sahara AI, мають різні завдання з даними в різних галузях, які можуть покривати багатогалузеві сценарії даних; у той час як AIT Protocolt здійснює маркування даних шляхом співпраці людини та машини.

• Модель: У раніше згаданому процесі розробки ШІ різні типи вимог потребують підбору відповідної моделі. Для завдань з обробки зображень зазвичай використовуються моделі, такі як CNN, GAN; для завдань виявлення об'єктів можна вибрати серію Yolo; для текстових завдань поширеними є моделі RNN, Transformer та інші, звичайно, також існують деякі специфічні або універсальні великі моделі. Моделі з різною складністю потребують різної глибини, іноді необхідно налаштувати модель.

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

• Висновок та 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 підтвердити, чи є джерело моделі для висновку правильним, чи немає шкідливої поведінки тощо. Висновок Web3 зазвичай може бути інтегровано в смарт-контракти, шляхом виклику моделі для висновку, поширеними способами перевірки є технології ZKML, OPML та TEE. Представлені проекти, такі як AI oracle на ланцюгу ORA (OAO), ввели OPML як перевіряємий рівень для AI oracle, на офіційному сайті ORA також згадуються їх дослідження щодо ZKML та opp/ai (ZKML в поєднанні з OPML).

Рівень застосунків:

Цей рівень в основному є програмами, що безпосередньо націлені на користувачів, поєднуючи ШІ з Web3, створюючи більш