Звіт про панораму Web3-AI: технічна логіка, сценарні застосування та глибокий аналіз топових проектів

З огляду на постійне зростання інтересу до AI-оповідання, все більше уваги зосереджується на цьому секторі. Проведено глибокий аналіз технологічної логіки, сфер застосування та представницьких проектів у секторі Web3-AI, щоб повністю представити панораму та тенденції розвитку цієї галузі.

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

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

Протягом минулого року AI наратив у Web3 індустрії був надзвичайно популярний, проекти на основі AI з'являлися, як гриби після дощу. Хоча існує багато проектів, що включають AI технології, деякі проекти 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 цій статті основна увага приділяється використанню блокчейну для вирішення проблем виробничих відносин, а також проектам, які використовують ШІ для вирішення проблем продуктивності. Ці проекти самі по собі пропонують продукти ШІ, одночасно базуючись на економічній моделі Web3 як інструменті виробничих відносин, що взаємно доповнюють одне одного. Ми класифікуємо такі проекти як Web3-AI траєкторію. Щоб читачі краще зрозуміли Web3-AI траєкторію, буде розкрито процес розробки ШІ та виклики, а також те, як поєднання Web3 і ШІ ідеально вирішує проблеми та створює нові сценарії застосування.

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

Технологія ШІ є технологією, яка дозволяє комп'ютерам моделювати, розширювати та покращувати людський інтелект. Вона дозволяє комп'ютерам виконувати різноманітні складні завдання, від перекладу мов, класифікації зображень до розпізнавання облич та автономного водіння. ШІ змінює спосіб нашого життя та роботи.

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

1. Збір даних та попередня обробка даних: зібрати набір даних з зображеннями котів та собак, можна використовувати відкриті набори даних або самостійно зібрати реальні дані. Потім для кожного зображення потрібно вказати категорію (кіт чи собака), забезпечивши точність міток. Перетворити зображення у формат, який може розпізнати модель, розділити набір даних на навчальний, валідаційний та тестовий набори.

2. Вибір і налаштування моделі: вибір відповідної моделі, наприклад, згорткової нейронної мережі (CNN), найбільш підходить для завдань класифікації зображень. Налаштування параметрів моделі або архітектури відповідно до різних вимог, зазвичай, рівні мережі моделі можна налаштувати відповідно до складності завдання ШІ. У цьому простому прикладі класифікації може бути достатньо поверхневої 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. Модельне висновування: файли, що містять навчальну модель, зазвичай називаються вагами моделі, а 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 для оцінки ефективності моделі використовують такі показники, як точність, повнота, F1-score тощо.

Як показано на малюнку, після збору даних, попередньої обробки даних, вибору та налаштування моделі, а також навчання, отримана модель використовується для інференції на тестовому наборі, щоб отримати прогнозовані значення для котів і собак P (ймовірність), тобто ймовірність того, що модель вважає об'єкт котом або собакою.

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 користувачі завантажують фотографії котів або собак і отримують результати класифікації.

Однак централізований процес розробки ШІ має певні 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 фізичні особи, які отримують дані в певній галузі (наприклад, медичні дані), можуть зіткнутися з обмеженнями щодо не відкритості даних.

Вибір і налаштування моделей: для невеликих команд важко отримати ресурси моделей у специфічних галузях або витратити значні кошти на налаштування моделей.

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

AI активи доходу: працівники з позначення даних часто не можуть отримати доходи, які відповідають їх зусиллям, а результати досліджень розробників AI також важко узгодити з покупцями, які мають потребу.

Виклики, що існують у централізованих AI-сценах, можуть бути подолані шляхом інтеграції з Web3. Web3, як новий тип виробничих відносин, природно адаптується до AI, який представляє нові продуктивні сили, що, в свою чергу, сприяє одночасному прогресу технологій і виробничих можливостей.

1.3 Співпраця Web3 та AI: зміна ролей та інноваційні застосування

Поєднання Web3 та ШІ може посилити суверенітет користувачів, забезпечуючи відкриту платформу для співпраці з ШІ, що дозволяє користувачам переходити з ролі користувачів ШІ епохи Web2 до ролі учасників, створюючи доступний для всіх ШІ. Водночас інтеграція світу Web3 та технологій ШІ може призвести до появи нових інноваційних сценаріїв застосування та ігор.

На базі технології Web3 розробка та застосування штучного інтелекту (ШІ) вступлять у нову еру кооперативної економіки. Приватність даних людей буде захищена, модель краудсорсингу даних сприятиме прогресу моделей ШІ, безліч відкритих ресурсів ШІ буде доступно для користувачів, а спільні обчислювальні потужності можна буде отримати з відносно низькими витратами. Завдяки децентралізованій механіці кооперативного краудсорсингу та відкритому ринку ШІ можна реалізувати справедливу систему розподілу доходів, що стимулює більше людей до розвитку технологій ШІ.

У сцені Web3 ШІ може позитивно впливати на кілька напрямків. Наприклад, моделі ШІ можна інтегрувати в смарт-контракти, щоб підвищити ефективність роботи в різних прикладних сценаріях, таких як аналіз ринку, безпекове тестування, соціальна кластеризація та інші функції. Генеративний ШІ не лише дозволяє користувачам відчути себе "художниками", наприклад, використовуючи технології ШІ для створення власних NFT, але й може створювати різноманітні ігрові сцени та цікаві інтерактивні досвіди в іграх. Різноманітна інфраструктура забезпечує плавний досвід розробки, незалежно від того, чи є ви експертом у ШІ, чи новачком, який хоче увійти в цю галузь, ви можете знайти відповідний вхід у цьому світі.

Два, веб3-AI екосистема проектів картографія та архітектурне тлумачення

Ми переважно досліджували 41 проєкт у сфері Web3-AI та розділили ці проєкти на різні рівні. Логіка розподілу кожного рівня показана на малюнку нижче, включаючи рівень інфраструктури, проміжний рівень та рівень застосувань, кожен з яких також поділений на різні секції. У наступному розділі ми проведемо глибокий аналіз деяких репрезентативних проєктів.

Інфраструктурний рівень охоплює обчислювальні ресурси та технологічну архітектуру, що підтримують увесь життєвий цикл AI, тоді як середній рівень включає управління даними, розробку моделей та послуги верифікації інференції, які з'єднують інфраструктуру з додатками. Рівень застосування зосереджується на різних додатках і рішеннях, що безпосередньо орієнтовані на користувача.

Інфраструктурний рівень:

Інфраструктурний рівень є основою життєвого циклу ШІ, у цій статті обчислювальну потужність, AI Chain та розробницьку платформу класифікують як інфраструктурний рівень. Саме підтримка цих інфраструктур дозволяє реалізувати навчання та інференцію ШІ моделей і представити користувачам потужні та корисні програми ШІ.

• 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 потужність за низькою вартістю або ділитися потужністю для отримання прибутку, такими проектами є IO.NET та Hyperbolic. Крім того, деякі проекти породили нові ігрові механіки, такі як Compute Labs, які запропонували токенізований протокол, де користувачі, купуючи NFT, що представляє фізичний GPU, можуть брати участь в оренді потужності різними способами для отримання прибутку.

• AI Chain: Використання блокчейну як основи для життєвого циклу AI, забезпечуючи безшовну взаємодію AI-ресурсів на ланцюгу та поза ним, сприяючи розвитку екосистеми галузі. Децентралізований AI-ринок на ланцюгу може торгувати AI-активами, такими як дані, моделі, агенти тощо, і пропонувати фреймворк для розробки AI та супутніми інструментами для розробки, проектом-представником є Sahara AI. AI Chain також може сприяти прогресу в технологіях AI в різних сферах, як Bittensor, що сприяє конкуренції підмереж різних типів AI через інноваційний механізм стимулювання підмереж.

• Платформа для розробки: деякі проекти пропонують платформи для розробки AI-агентів, також можуть здійснювати торгівлю AI-агентами, такі як Fetch.ai та ChainML. Універсальні інструменти допомагають розробникам зручніше створювати, навчати та розгортати AI-моделі, представлений проект, як-от Nimble. Ця інфраструктура сприяє широкому застосуванню технологій AI в екосистемі Web3.

Проміжний рівень:

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

• Дані: Якість і кількість даних є ключовими факторами, що впливають на ефективність навчання моделей. У світі Web3 через краудсорсинг даних та колективну обробку даних можна оптимізувати використання ресурсів та знизити витрати на дані. Користувачі можуть мати автономію над даними, продаючи свої дані за умовами захисту конфіденційності, щоб уникнути викрадення даних недобросовісними підприємцями та отримання високих прибутків. Для замовників даних ці платформи пропонують широкий вибір та дуже низькі витрати. Представлені проекти, такі як Grass, використовують пропускну здатність користувачів для збору веб-даних, а xData збирає медіаінформацію через зручні для користувача плагіни та підтримує можливість завантаження інформації з твітів.

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 спеціальних знань у фінансових та юридичних процесах обробки даних, користувачі можуть токенізувати свої навички для реалізації спільної краудсорсингу попередньої обробки даних. Представники, такі як AI ринок Sahara AI, мають різні завдання з даними у різних сферах, які можуть охоплювати багатосферні сценарії даних; в той час як AIT Protocol здійснює позначення даних шляхом співпраці людини та машини.

• Модель: У процесі розробки штучного інтелекту, про який згадувалося раніше, різні типи потреб потребують відповідних моделей. Для завдань з обробки зображень часто використовуються моделі, такі як CNN, GAN; для завдань з виявлення об'єктів можна вибрати серію Yolo; для текстових завдань поширені моделі RNN, Transformer тощо, звичайно, також є деякі специфічні або універсальні великі моделі. Моделі з різною складністю завдань потребують різної Глибини, іноді потрібно налаштувати модель.

Деякі проекти підтримують можливість для користувачів надавати різні типи моделей або співпрацювати у навчанні моделей через краудсорсинг, такі як Sentient, який завдяки модульному дизайну дозволяє користувачам розміщувати надійні дані моделей на рівні зберігання та розподілу для оптимізації моделей. Інструменти розробки, які надає Sahara AI, вбудовані з передовими алгоритмами ШІ та обчислювальними фреймворками, а також мають можливість колективного навчання.

• Висновок та верифікація: після навчання модель генерує файли ваг моделі, які можна використовувати для безпосередньої класифікації, прогнозування або інших конкретних завдань, цей процес називається висновком. Процес висновку зазвичай супроводжується механізмами верифікації, щоб перевірити, чи є джерело моделі висновку правильним, чи немає шкідливої поведінки тощо. Висновок Web3 зазвичай можна інтегрувати в смарт-контракти, викликаючи модель для висновку, поширені способи верифікації включають технології ZKML, OPML та TEE. Представницькі проекти, такі як AI-оракул ORA на блокчейні (OAO), впровадили OPML як верифікаційний шар для AI-оракулів, на офіційному сайті ORA також згадується їхнє дослідження щодо ZKML та opp/ai (поєднання ZKML і OPML).

Рівень застосунків:

Цей шар в основному є програмою, яка безпосередньо націлена на користувачів, поєднуючи AI з Web3, створюючи більше цікавих та інноваційних рішень.