Панорамный отчет о Web3-AI: техническая логика, сценарные приложения и глубокий анализ топовых проектов

С ростом интереса к AI-нарративу все больше внимания сосредоточено на этом направлении. В данной статье мы глубоко анализируем техническую логику, сценарии применения и представительные проекты в области Web3-AI, чтобы полноценно представить вам панораму и тенденции развития этой сферы.

Один. Web3-AI: анализ технической логики и возможностей новых рынков

1.1 Логика слияния Web3 и ИИ: как определить область Web-AI

В прошлом году AI-нарративы были особенно популярны в индустрии Web3, проекты AI появлялись как грибы после дождя. Хотя существует множество проектов, связанных с AI-технологиями, некоторые из них используют AI только в определенных частях своих продуктов, и базовая токеномика не имеет существенной связи с AI-продуктами, поэтому такие проекты не будут обсуждаться в этой статье как Web3-AI проекты.

В данной статье основное внимание уделяется проектам, которые используют блокчейн для решения проблем производственных отношений и ИИ для решения проблем производительных сил. Эти проекты сами по себе предлагают ИИ-продукты, а также основываются на экономической модели Web3 в качестве инструмента производственных отношений, что делает их взаимодополняющими. Мы классифицируем такие проекты как трек Web3-AI. Чтобы читатели лучше поняли трек Web3-AI, в данной статье будет подробно рассмотрен процесс разработки ИИ и его вызовы, а также то, как сочетание Web3 и ИИ может идеально решать проблемы и создавать новые сценарии применения.

1.2 Процесс разработки ИИ и его вызовы: от сбора данных до вывода моделей

Технология ИИ - это технология, позволяющая компьютерам моделировать, расширять и усиливать человеческий интеллект. Она позволяет компьютерам выполнять различные сложные задачи, от перевода языков, классификации изображений до распознавания лиц, автономного вождения и других приложений. ИИ меняет способы, которыми мы живем и работаем.

Процесс разработки моделей искусственного интеллекта обычно включает в себя несколько ключевых этапов: сбор данных и предварительная обработка данных, выбор и настройка модели, обучение и вывод модели. Приведем простой пример: для разработки модели, которая будет классифицировать изображения кошек и собак, вам потребуется:

1. Сбор данных и предварительная обработка данных: соберите набор изображений, содержащий кошек и собак, вы можете использовать открытые наборы данных или собрать реальные данные самостоятельно. Затем разметьте каждое изображение по категориям (кошка или собака), убедитесь, что метки точные. Преобразуйте изображения в формат, который может распознать модель, разделите набор данных на обучающую выборку, валидационную выборку и тестовую выборку.

2. Выбор и настройка модели: выберите подходящую модель, например, сверточную нейронную сеть (CNN), которая лучше всего подходит для задач классификации изображений. Настройте параметры или архитектуру модели в зависимости от различных требований; как правило, уровень сети модели можно регулировать в зависимости от сложности задачи ИИ. В этом простом примере классификации может быть достаточно более поверхностного уровня сети.

3. Обучение модели: можно использовать GPU, TPU или высокопроизводительные вычислительные кластеры для обучения модели, время обучения зависит от сложности модели и вычислительной мощности.

4. Модельное инференция: файл, в котором обучена модель, обычно называется весами модели, а процесс инференции означает использование уже обученной модели для прогнозирования или классификации новых данных. В этом процессе можно использовать тестовый набор или новые данные для проверки эффективности классификации модели, обычно для оценки эффективности модели используются такие показатели, как точность, полнота, F1-оценка и т.д.

После сбора данных, предварительной обработки данных, выбора и настройки модели и обучения, применение обученной модели к тестовому набору данных даст предсказанные значения P (вероятность) для кошек и собак, то есть вероятность того, что модель определяет объект как кошку или собаку.

Обученные AI модели могут быть дополнительно интегрированы в различные приложения для выполнения различных задач. В этом примере AI модель классификации котов и собак может быть интегрирована в мобильное приложение, где пользователи загружают изображения котов или собак и получают результаты классификации.

Однако централизованный процесс разработки ИИ сталкивается с некоторыми проблемами в следующих сценариях:

Конфиденциальность пользователей: в централизованных сценариях процесс разработки ИИ обычно является непрозрачным. Данные пользователей могут быть украдены без их ведома и использованы для обучения ИИ.

Получение источников данных: небольшие команды или отдельные лица, получающие данные в определенной области (например, медицинские данные), могут столкнуться с ограничениями, связанными с отсутствием открытого доступа к данным.

Выбор и настройка модели: для небольших команд сложно получить ресурсы моделей в определенной области или потратить значительные средства на настройку модели.

Получение вычислительной мощности: для индивидуальных разработчиков и небольших команд высокая стоимость покупки GPU и аренды облачной вычислительной мощности могут представлять собой значительное экономическое бремя.

AI доход от активов: работники по аннотации данных часто не могут получить доход, соответствующий их усилиям, а результаты исследований разработчиков AI также трудно сопоставить с покупателями, у которых есть спрос.

Вызовы, существующие в централизованных AI-сценариях, могут быть решены через интеграцию с Web3, который как новая производственная связь естественно адаптируется к AI, представляющему новый производительный потенциал, что, в свою очередь, способствует одновременному прогрессу технологий и производственных возможностей.

1.3 Синергия Web3 и ИИ: изменения ролей и инновационные приложения

Комбинация Web3 и ИИ может усилить суверенитет пользователей, предоставляя открытые платформы для сотрудничества в области ИИ, позволяя пользователям перейти от роли пользователей ИИ в эпоху Web2 к роли участников, создавая ИИ, которым могут владеть все. В то же время, интеграция мира Web3 и технологий ИИ может породить множество инновационных приложений и способов их использования.

На основе технологий Web3 разработка и применение ИИ вступят в новую эру кооперативной экономической системы. Конфиденциальность данных людей будет защищена, а модель краудсорсинга данных будет способствовать прогрессу моделей ИИ. Множество открытых ресурсов ИИ доступны для пользователей, а совместно используемая вычислительная мощность может быть получена по более низкой стоимости. С помощью децентрализованного механизма кооперативного краудсорсинга и открытого рынка ИИ можно реализовать справедливую систему распределения доходов, что, в свою очередь, будет стимулировать больше людей способствовать прогрессу технологий ИИ.

В сцене Web3 ИИ может оказывать положительное влияние в нескольких областях. Например, ИИ модели могут быть интегрированы в смарт-контракты для повышения эффективности работы в различных приложениях, таких как рыночный анализ, безопасность, социальная кластеризация и многие другие функции. Генеративный ИИ не только позволяет пользователям испытать роль "художника", создавая свои собственные NFT с помощью ИИ технологий, но и создает разнообразные игровые сцены и интересные взаимодействия в GameFi. Богатая инфраструктура обеспечивает плавный опыт разработки, и как эксперты по ИИ, так и новички, желающие войти в область ИИ, могут найти подходящий вход в этот мир.

Два, Интерпретация карты и архитектуры проектов экосистемы Web3-AI

Мы в основном исследовали 41 проект в области Web3-AI и разделили эти проекты на разные уровни. Логика разделения каждого уровня показана на рисунке ниже, включая уровень инфраструктуры, промежуточный уровень и уровень приложений, каждый из которых также делится на разные секции. В следующей главе мы проведем глубокий анализ некоторых представительных проектов.

Инфраструктурный уровень охватывает вычислительные ресурсы и технологическую архитектуру, поддерживающие весь жизненный цикл ИИ, промежуточный уровень включает в себя управление данными, разработку моделей и услуги верификации и вывода, соединяющие инфраструктуру и приложения, а прикладной уровень сосредоточен на различных приложениях и решениях, ориентированных непосредственно на пользователя.

Инфраструктурный уровень:

Инфраструктурный уровень является основой жизненного цикла ИИ, в этой статье вычислительная мощность, AI Chain и платформы для разработки классифицируются как инфраструктурный уровень. Именно поддержка этих инфраструктур позволяет осуществлять обучение и вывод моделей ИИ, а также предоставлять пользователям мощные и практичные приложения ИИ.

• Децентрализованная вычислительная сеть: может обеспечить распределенные вычислительные мощности для обучения AI-моделей, обеспечивая эффективное и экономичное использование вычислительных ресурсов. Некоторые проекты предлагают децентрализованный рынок вычислительных мощностей, где пользователи могут арендовать вычислительные мощности по низкой цене или делиться вычислительными мощностями для получения прибыли, такими проектами являются IO.NET и Hyperbolic. Кроме того, некоторые проекты предложили новые способы использования, такие как Compute Labs, которые представили токенизированный протокол, позволяющий пользователям участвовать в аренде вычислительных мощностей различными способами через покупку NFT, представляющих физические GPU.

• AI Chain: Использует блокчейн в качестве основы для жизненного цикла ИИ, обеспечивая бесшовное взаимодействие ИИ-ресурсов на цепи и вне ее, способствуя развитию отраслевой экосистемы. Децентрализованный ИИ-рынок на цепи может торговать ИИ-активами, такими как данные, модели, агенты и т. д., а также предоставляет ИИ-разработчикам фреймворки и сопутствующие инструменты разработки, такие как проект Sahara AI. AI Chain также может способствовать прогрессу ИИ-технологий в различных областях, таких как Bittensor, который способствует конкуренции между подсетями различных типов ИИ с помощью инновационного механизма стимулирования подсетей.

• Платформа разработки: некоторые проекты предлагают платформу разработки AI-агентов, а также могут реализовывать торговлю AI-агентами, такие как Fetch.ai и ChainML. Удобные инструменты помогают разработчикам легче создавать, обучать и развертывать AI-модели, такими проектами являются Nimble. Эта инфраструктура способствует широкому применению технологий AI в экосистеме Web3.

Промежуточный слой:

Этот уровень касается данных AI, моделей, а также вывода и проверки, применение технологий Web3 позволяет достичь большей рабочей эффективности.

• Данные: Качество и количество данных являются ключевыми факторами, влияющими на эффективность обучения модели. В мире Web3, благодаря краудсорсингу данных и совместной обработке данных, можно оптимизировать использование ресурсов и снизить затраты на данные. Пользователи могут иметь право собственности на данные и продавать свои данные с учетом защиты конфиденциальности, чтобы избежать кражи данных недобросовестными компаниями и получения высокой прибыли. Для сторон, нуждающихся в данных, эти платформы предлагают широкий выбор и очень низкие затраты. Представленные проекты, такие как Grass, используют пропускную способность пользователей для сбора веб-данных, xData собирает медиаинформацию с помощью удобных плагинов и поддерживает возможность загрузки пользователями информации о твитах.

Кроме того, некоторые платформы позволяют экспертам в области или обычным пользователям выполнять задачи предварительной обработки данных, такие как аннотирование изображений и классификация данных, которые могут требовать профессиональных знаний в финансовых и юридических задачах обработки данных. Пользователи могут токенизировать свои навыки, что позволяет осуществлять совместную краудсорсинг предварительной обработки данных. Например, рынок AI, такой как Sahara AI, предлагает задачи с данными из разных областей и может охватывать многообразные сценарии данных. AIT Protocol осуществляет аннотирование данных с помощью человеческо-машинного взаимодействия.

• Модель: В процессе разработки ИИ, о котором упоминалось ранее, разные типы требований требуют соответствующих моделей. Для задач обработки изображений часто используются модели, такие как CNN, GAN, для задач обнаружения объектов можно выбрать серию Yolo, для текстовых задач распространены модели RNN, Transformer и т.д., конечно, есть также некоторые специфические или универсальные большие модели. Модели глубина, необходимая для задач различной сложности, также различна, иногда требуется настройка модели.

Некоторые проекты поддерживают пользователей в предоставлении различных типов моделей или в совместной тренировке моделей через краудсорсинг. Например, Sentient с помощью модульного дизайна позволяет пользователям размещать надежные данные моделей на уровне хранения и распределения для оптимизации моделей. Инструменты разработки, предоставляемые Sahara AI, встроены с современными AI алгоритмами и вычислительными фреймворками, а также имеют возможность совместной тренировки.

• Вывод и верификация: после обучения модели создается файл весов модели, который можно использовать для прямой классификации, предсказания или выполнения других специфических задач, этот процесс называется выводом. Процесс вывода обычно сопровождается механизмом верификации, чтобы проверить, правильен ли источник выводимой модели, есть ли злонамеренные действия и т.д. Вывод в Web3 обычно можно интегрировать в смарт-контракты, вызывая модель для выполнения вывода, распространенные методы верификации включают технологии ZKML, OPML и TEE. Представляющие проекты, такие как AI-оракул на ORA (OAO), ввели OPML в качестве проверяемого слоя для AI-оракула, на официальном сайте ORA также упоминается их исследование по ZKML и opp/ai (ZKML в сочетании с OPML).

Уровень приложения:

Этот уровень в первую очередь представляет собой приложения, ориентированные на пользователей, которые объединяют ИИ и Web3, создавая более интересные и инновационные способы использования. В этой статье в основном рассматриваются проекты в таких областях, как AIGC (сгенерированный ИИ контент), ИИ-агенты и анализ данных.

• AIGC: С помощью AIGC можно расшириться на такие направления Web3, как NFT и игры. Пользователи могут напрямую генерировать текст, изображения и аудио с помощью Prompt (подсказок, предоставленных пользователем), а также создавать собственные элементы в играх в соответствии с их предпочтениями.