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

Seiring dengan meningkatnya ketertarikan terhadap narasi AI, semakin banyak perhatian tertuju pada jalur ini. Artikel ini menganalisis secara mendalam logika teknis, skenario aplikasi, dan proyek perwakilan di jalur Web3-AI, untuk memberikan gambaran menyeluruh tentang bidang ini serta tren perkembangannya.

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

1.1 Logika Penggabungan Web3 dan AI: Bagaimana Mendefinisikan Jalur Web-AI

Dalam setahun terakhir, narasi AI telah sangat populer di industri Web3, dengan proyek-proyek AI muncul bak jamur setelah hujan. Meskipun ada banyak proyek yang melibatkan teknologi AI, beberapa proyek hanya menggunakan AI di bagian tertentu dari produk mereka, 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 penggunaan blockchain untuk menyelesaikan masalah hubungan produksi, dan proyek yang menggunakan AI untuk menyelesaikan masalah produktivitas. Proyek-proyek ini sendiri menyediakan produk AI, dan pada saat yang sama menggunakan model ekonomi Web3 sebagai alat hubungan produksi, keduanya saling melengkapi. Kami mengklasifikasikan proyek semacam ini sebagai jalur Web3-AI. Untuk membantu pembaca memahami jalur Web3-AI dengan lebih baik, artikel ini akan menjelaskan proses pengembangan AI dan tantangannya, serta bagaimana kombinasi Web3 dan AI dapat secara sempurna menyelesaikan masalah dan menciptakan skenario aplikasi baru.

1.2 Proses pengembangan AI dan tantangannya: dari pengumpulan data hingga inferensi model

Teknologi AI adalah teknologi yang memungkinkan komputer untuk mensimulasikan, memperluas, dan meningkatkan kecerdasan manusia. Ini memungkinkan komputer untuk menjalankan berbagai tugas kompleks, dari penerjemahan bahasa, klasifikasi gambar hingga pengenalan wajah, dan aplikasi seperti mengemudi otomatis, 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 dan inferensi model. Sebagai contoh sederhana, untuk mengembangkan model yang dapat mengklasifikasikan gambar kucing dan anjing, Anda perlu:

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

2. Pemilihan dan Penyesuaian Model: Pilih model yang tepat, seperti Jaringan Syaraf Konvolusional (CNN), yang lebih cocok untuk tugas klasifikasi gambar. Sesuaikan parameter atau arsitektur model sesuai dengan kebutuhan yang berbeda, umumnya, 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 bobot model, proses inferensi adalah proses menggunakan 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 dievaluasi menggunakan metrik seperti akurasi, recall, dan F1-score.

Setelah pengumpulan data dan pra-pemrosesan data, pemilihan dan penyesuaian model, serta pelatihan, model yang telah dilatih akan melakukan inferensi pada kumpulan data pengujian untuk menghasilkan nilai prediksi kucing dan anjing P (probabilitas), yaitu probabilitas bahwa model menginferensi sebagai kucing atau anjing.

Model AI yang terlatih dapat lebih lanjut diintegrasikan ke dalam berbagai aplikasi, menjalankan tugas yang berbeda. Dalam contoh ini, model AI klasifikasi kucing dan anjing dapat diintegrasikan ke dalam aplikasi seluler, di mana pengguna mengunggah gambar kucing atau anjing, dan akan 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 mereka dan digunakan untuk pelatihan AI.

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

Pemilihan dan penyempurnaan model: Untuk tim kecil, sulit untuk mendapatkan sumber daya model di bidang tertentu atau menghabiskan biaya besar untuk penyempurnaan model.

Pengambilan daya komputasi: Bagi pengembang individu dan tim kecil, biaya pembelian GPU yang tinggi dan biaya sewa daya komputasi awan dapat menjadi beban ekonomi yang signifikan.

Pendapatan Aset AI: Pekerja penandaan data sering kali tidak dapat memperoleh pendapatan yang sepadan dengan usaha mereka, sementara hasil penelitian pengembang AI juga sulit untuk dipadankan dengan pembeli yang memiliki permintaan.

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

1.3 Web3 dan AI: Sinergi, Perubahan Peran, dan Aplikasi Inovatif

Web3 dan AI yang digabungkan dapat meningkatkan kedaulatan pengguna, menyediakan platform kolaborasi AI yang terbuka bagi pengguna, sehingga pengguna beralih dari pengguna AI era Web2 menjadi peserta, menciptakan AI yang bisa dimiliki oleh semua orang. Pada saat yang sama, perpaduan dunia Web3 dan teknologi AI juga dapat menghasilkan lebih banyak skenario aplikasi inovatif dan cara bermain.

Berdasarkan teknologi Web3, pengembangan dan penerapan AI akan memasuki sistem ekonomi kolaboratif yang baru. Privasi data individu dapat terjamin, model data crowdsourcing mendorong kemajuan model AI, banyak sumber daya AI sumber terbuka tersedia untuk digunakan oleh pengguna, dan daya komputasi yang dibagikan dapat diperoleh dengan biaya yang lebih rendah. Dengan memanfaatkan mekanisme crowdsourcing kolaboratif yang terdesentralisasi dan pasar AI terbuka, sistem distribusi pendapatan yang adil dapat dicapai, sehingga mendorong lebih banyak orang untuk memajukan kemajuan teknologi AI.

Dalam skenario Web3, AI dapat memberikan dampak positif di berbagai jalur. Misalnya, model AI dapat diintegrasikan ke dalam kontrak pintar untuk meningkatkan efisiensi kerja dalam berbagai aplikasi, seperti analisis pasar, deteksi keamanan, klustering sosial, dan berbagai fungsi lainnya. AI generatif tidak hanya memungkinkan pengguna untuk 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 menawarkan pengalaman pengembangan yang lancar, baik bagi ahli AI maupun pemula yang ingin memasuki bidang AI dapat menemukan pintu masuk yang sesuai di dunia ini.

Dua, Peta dan Arsitektur Proyek Ekosistem Web3-AI

Kami terutama meneliti 41 proyek di jalur Web3-AI dan membagi proyek-proyek ini ke dalam berbagai tingkat. Logika pembagian setiap tingkat 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 mendalam 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, sementara lapisan aplikasi berfokus 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 dicapai, dan aplikasi AI yang kuat dan praktis dapat disajikan kepada pengguna.

• Jaringan komputasi terdesentralisasi: dapat menyediakan daya komputasi terdistribusi untuk pelatihan model AI, memastikan penggunaan sumber daya komputasi yang efisien dan ekonomis. Beberapa proyek menawarkan 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 mengembangkan cara baru, seperti Compute Labs, yang mengusulkan protokol tokenisasi, di mana pengguna dapat membeli NFT yang mewakili entitas GPU dan berpartisipasi dalam penyewaan daya komputasi dengan cara yang berbeda untuk mendapatkan keuntungan.

• AI Chain: Memanfaatkan blockchain sebagai dasar siklus hidup AI, untuk mewujudkan interaksi tanpa batas antara sumber daya AI di dalam dan di luar rantai, dan mendorong perkembangan ekosistem industri. Pasar AI terdesentralisasi di dalam rantai dapat memperdagangkan aset AI seperti data, model, agen, dan sebagainya, serta menyediakan kerangka pengembangan AI dan alat pengembangan yang mendukung, dengan proyek-proyek seperti Sahara AI. AI Chain juga dapat mendorong kemajuan teknologi AI di berbagai bidang, seperti Bittensor yang mendorong kompetisi subnet AI yang berbeda 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 satu atap membantu pengembang lebih mudah dalam membuat, melatih, dan menerapkan model AI, contohnya proyek seperti 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 jumlah data adalah faktor kunci yang mempengaruhi efektivitas pelatihan model. Di dunia Web3, melalui data yang dikumpulkan secara crowdsourcing dan pemrosesan data kolaboratif, pemanfaatan sumber daya dapat dioptimalkan dan biaya data dapat diturunkan. Pengguna dapat memiliki otonomi data, dan dalam perlindungan privasi, dapat menjual data mereka sendiri untuk menghindari pencurian data oleh pedagang yang tidak bertanggung jawab dan menghindari keuntungan yang tinggi. Bagi pihak yang membutuhkan data, platform ini menawarkan berbagai pilihan dan biaya yang sangat rendah. Proyek perwakilan seperti Grass menggunakan 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 ahli di bidangnya atau pengguna biasa untuk melakukan tugas pra-pemrosesan data, seperti penandaan gambar, pengklasifikasian data, yang mungkin memerlukan pengetahuan profesional dalam pemrosesan data untuk tugas keuangan dan hukum, pengguna dapat men-token-kan keterampilan mereka untuk mewujudkan kolaborasi crowdsourcing pra-pemrosesan data. Contoh seperti pasar AI Sahara AI, yang memiliki tugas data di berbagai bidang, dapat mencakup berbagai skenario data; sementara Protokol AIT melakukan penandaan data melalui kolaborasi manusia dan mesin.

• Model: Dalam proses pengembangan AI yang telah disebutkan sebelumnya, berbagai jenis kebutuhan harus dipadukan dengan model yang sesuai. Model yang sering digunakan untuk tugas gambar seperti CNN, GAN, untuk tugas deteksi objek dapat memilih seri Yolo, dan untuk tugas teks, model seperti RNN, Transformer, dan tentu saja ada beberapa model besar yang spesifik atau umum. Kedalaman model yang dibutuhkan bervariasi tergantung pada kompleksitas tugas, kadang-kadang perlu untuk melakukan penyesuaian pada model.

Beberapa proyek mendukung pengguna untuk menyediakan berbagai jenis model atau berkolaborasi dalam melatih model melalui cara crowdsourcing, seperti Sentient yang melalui desain modular, memungkinkan pengguna untuk menempatkan data model yang terpercaya di lapisan penyimpanan dan lapisan distribusi untuk melakukan optimasi model. Alat pengembangan yang disediakan oleh Sahara AI dilengkapi dengan algoritma AI canggih dan kerangka perhitungan, serta memiliki kemampuan pelatihan kolaboratif.

• Penalaran dan verifikasi: Setelah model dilatih, ia akan menghasilkan file bobot model yang dapat digunakan untuk klasifikasi, prediksi, atau tugas spesifik lainnya, proses ini disebut penalaran. Proses penalaran biasanya disertai dengan mekanisme verifikasi, untuk memverifikasi apakah sumber model penalaran benar, apakah ada perilaku jahat, dll. Penalaran Web3 biasanya dapat diintegrasikan dalam kontrak pintar, dengan memanggil model untuk melakukan penalaran, metode verifikasi yang umum termasuk teknologi ZKML, OPML, dan TEE. Proyek perwakilan seperti AI oracle di jaringan ORA (OAO), telah memperkenalkan OPML sebagai lapisan verifikasi untuk oracle AI, dan di situs resmi ORA juga telah disebutkan penelitian mereka tentang ZKML dan opp/ai (ZKML yang menggabungkan OPML).

Lapisan aplikasi:

Tingkat ini terutama merupakan aplikasi yang langsung menghadapi pengguna, menggabungkan AI dengan Web3 untuk menciptakan lebih banyak permainan yang menarik dan inovatif. Artikel ini terutama merangkum proyek-proyek di beberapa bidang, termasuk AIGC (konten yang dihasilkan AI), agen AI, dan analisis data.

• AIGC: Melalui AIGC dapat diperluas ke jalur NFT, permainan, dan lain-lain di Web3, pengguna dapat langsung menghasilkan teks, gambar, dan audio melalui Prompt (kata kunci yang diberikan oleh pengguna), bahkan dapat menghasilkan sesuai preferensi mereka dalam permainan.