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

З ростом популярності AI-оповідання все більше уваги зосереджується на цьому напрямку. У цій статті проведено глибокий аналіз технічної логіки, застосункових сценаріїв та представницьких проектів у Web3-AI, щоб повністю представити панораму та тенденції розвитку цієї сфери.

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

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

Протягом минулого року AI наратив у Web3 індустрії був надзвичайно популярним, проекти AI з'являлися як гриби після дощу. Хоча існує багато проектів, які використовують AI технології, деякі з них використовують AI лише в певних частинах своїх продуктів, а базова токеноміка не має суттєвого зв'язку з AI продуктами, тому такі проекти не входять до обговорення Web3-AI проектів у цій статті.

Увага статті зосереджена на використанні блокчейну для вирішення проблем виробничих відносин, проектів, де ШІ вирішує проблеми продуктивності. Ці проекти самі 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 трек. Щоб читачі краще зрозуміли Web3-AI трек, у статті буде розглянуто процес і виклики розробки ШІ, а також як поєднання Web3 та ШІ ідеально вирішує проблеми і створює нові сценарії застосування.

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

AI технологія — це технологія, яка дозволяє комп'ютерам імітувати, розширювати та посилювати людський інтелект. Вона дозволяє комп'ютерам виконувати різні складні завдання, від перекладу мов, класифікації зображень до розпізнавання облич, автономного водіння та інших застосунків, AI змінює спосіб, яким ми живемо і працюємо.

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

1. Збір даних та попередня обробка даних: збір набору зображень, що містять котів і собак, можна використовувати відкриті набори даних або самостійно збирати реальні дані. Потім для кожного зображення потрібно позначити категорію (кіт або собака), забезпечуючи точність міток. Перетворіть зображення у формат, який модель може розпізнати, розділіть набір даних на навчальний, валідаційний та тестовий набори.

2. Вибір моделі та її налаштування: вибір відповідної моделі, наприклад, згорткової нейронної мережі (CNN), яка більше підходить для завдань класифікації зображень. Налаштування параметрів моделі або архітектури відповідно до різних вимог, зазвичай, глибина мережі може бути налаштована відповідно до складності AI завдання. У цьому простому прикладі класифікації може бути достатньо менш глибокої 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. Моделювання висновків: Файл, в якому модель навчена, зазвичай називається вагою моделі. Процес висновку 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 оцінюючи ефективність моделі за такими показниками, як точність, повнота, F1-score тощо.

Після збору даних, їх попередньої обробки, вибору моделі та налаштування, а також навчання, проведення інференції на тестовому наборі даних з підготовленою моделлю дає прогнозовані значення для котів та 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 користувач завантажує зображення кота або собаки та отримує 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 особи, які отримують дані в певній області (наприклад, медичні дані), можуть стикатися з обмеженнями на закритість даних.

Вибір і налаштування моделей: для невеликих команд важко отримати ресурси моделей у певній галузі або витратити значні 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 суттєвим економічним тягарем.

AI активи доходу: працівники з маркування даних часто не можуть отримати доходи, що відповідають їхнім витратам, а результати досліджень розробників ШІ також важко узгодити з покупцями, які мають попит.

Виклики, що існують у централізованих AI-сценаріях, можуть бути подолані через поєднання з Web3. Web3, як нова форма виробничих відносин, природно адаптується до представлення нових виробничих сил AI, що сприяє одночасному прогресу технологій і виробничих можливостей.

1.3 Співпраця Web3 та 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 з ролі користувачів AI епохи Web2 до ролі учасників, створюючи AI, яким може володіти кожен. Водночас, інтеграція світу Web3 та технологій AI може призвести до виникнення нових інноваційних сценаріїв застосування та ігор.

На основі технології Web3, розробка та застосування ШІ зустрінуть нову економіку співпраці. Приватність даних людей може бути забезпечена, модель краудсорсингу даних сприяє прогресу моделей ШІ, безліч відкритих ресурсів ШІ доступні для користувачів, а спільна обчислювальна потужність може бути отримана за нижчою вартістю. Завдяки децентралізованому механізму краудсорсингу співпраці та відкритому ринку ШІ, можна реалізувати справедливу систему розподілу доходів, що стимулює більше людей до просування технологій ШІ.

У сцені Web3 ШІ може мати позитивний вплив у кількох сферах. Наприклад, моделі ШІ можна інтегрувати в смарт-контракти для підвищення ефективності роботи в різних застосуваннях, таких як ринковий аналіз, безпекове тестування, соціальна кластеризація та багато інших функцій. Генеративний ШІ не лише дозволяє користувачам відчути себе «художниками», наприклад, створюючи свої NFT за допомогою технології ШІ, але й може створювати різноманітні ігрові сцени та цікаві інтерактивні досвіди в GameFi. Різноманітна інфраструктура забезпечує плавний досвід розробки, незалежно від того, чи є ви експертом у ШІ, чи новачком, який хоче увійти в цю область.

Два, аналіз екосистеми проектів Web3-AI та архітектури

Ми в основному досліджували 41 проект у сфері Web3-AI та розділили ці проекти на різні рівні. Логіка поділу кожного рівня показана на малюнку нижче і включає рівень інфраструктури, середній рівень та рівень застосувань, кожен з яких також поділений на різні сегменти. У наступному розділі ми проведемо глибокий аналіз деяких представницьких проектів.

Інфраструктурний рівень охоплює обчислювальні ресурси та технологічну архітектуру, що підтримує весь життєвий цикл AI, середній рівень включає в себе управління даними, розробку моделей та послуги верифікації й інференції, які з'єднують інфраструктуру з застосуваннями, а рівень застосування зосереджений на різних застосунках та рішеннях, орієнтованих безпосередньо на користувачів.

Інфраструктурний рівень:

Інфраструктурний рівень є основою життєвого циклу ШІ, ця стаття класифікує обчислювальну потужність, AI Chain та платформу для розробки як інфраструктурний рівень. Саме завдяки підтримці цих інфраструктур можливе навчання та інференція моделей ШІ, а також представлення потужних та практичних додатків ШІ користувачам.

• Децентралізовані обчислювальні мережі: можуть забезпечити розподілену обчислювальну потужність для навчання AI моделей, гарантуючи ефективне та економічне використання обчислювальних ресурсів. Деякі проекти пропонують децентралізовані ринки обчислювальної потужності, де користувачі можуть орендувати потужність за низькою ціною або ділитися потужністю для отримання прибутку, такі проекти, як IO.NET та Hyperbolic. Крім того, деякі проекти розробили нові способи використання, такі як Compute Labs, які запропонували токенізований протокол, де користувачі можуть купувати NFT, що представляє фізичні GPU, щоб брати участь в оренді обчислювальної потужності різними способами для отримання прибутку.

• AI Chain: Використання блокчейну як основи життєвого циклу AI, що забезпечує 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, а також надавати AI-розробницькі фреймворки та супутні інструменти для розробки, представлені проектом, таким як Sahara AI. AI Chain також може сприяти прогресу AI-технологій у різних сферах, таких як Bittensor, що стимулює конкуренцію між підмережами різних типів AI через інноваційний механізм стимулювання підмереж.

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

Середній шар:

Цей рівень стосується даних AI, моделей, а також висновків і валідації, використовуючи технології Web3, що може забезпечити вищу ефективність роботи.

• Дані: Якість і кількість даних є ключовими факторами, що впливають на ефективність навчання моделей. У світі Web3, завдяки краудсорсинговим даним і співпраці в обробці даних, можна оптимізувати використання ресурсів і знизити витрати на дані. Користувачі можуть володіти своїми даними і продавати їх за умови захисту приватності, щоб уникнути крадіжки даних недобросовісними компаніями та отримання великих прибутків. Для замовників 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 медіаінформацію через зручні плагіни та підтримує можливість завантаження користувачами 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, які можуть вимагати професійних знань у фінансовій та юридичній обробці даних. Користувачі можуть токенізувати свої навички, реалізуючи співпрацю у краудсорсингу попередньої обробки даних. Представник, як-от AI ринок Sahara AI, має різні завдання з даними в різних областях, що може охоплювати багатогалузеві сценарії даних; в той час як AIT Protocol проводить позначення даних за допомогою співпраці людини і машини.

• Модель: У процесі розробки ШІ, про який згадувалося раніше, різні типи вимог потребують відповідних моделей. Для завдань з обробки зображень часто використовуються такі моделі, як CNN, GAN, для завдань виявлення об'єктів можна вибрати серію Yolo, а для текстових завдань поширеними є моделі RNN, Transformer та інші, звичайно, є також деякі специфічні або універсальні великі моделі. Моделі з різною складністю завдань потребують різної глибини, іноді потрібно налаштовувати модель.

Деякі проєкти підтримують користувачів у наданні різних типів моделей або у спільному навчанні моделей через краудсорсинг. Наприклад, Sentient, завдяки модульному дизайну, дозволяє користувачам розміщувати надійні дані моделей на рівні зберігання, а також на рівні розповсюдження для оптимізації моделей. Інструменти розробки, надані Sahara AI, вбудовують передові алгоритми ШІ та обчислювальні фреймворки, а також мають можливість спільного навчання.

• Висновок та верифікація: після навчання модель генерує файл ваги моделі, який можна використовувати для безпосередньої класифікації, прогнозування або інших специфічних завдань, цей процес називається висновком. Процес висновку зазвичай супроводжується механізмом верифікації, щоб перевірити, чи правильне джерело моделі висновку, чи є шкідливі дії тощо. Висновок у Web3 зазвичай можна інтегрувати в смарт-контракти, шляхом виклику моделі для виконання висновків, поширеними способами верифікації є технології ZKML, OPML та TEE. Представлені проекти, такі як ORA ланцюговий AI оракул (OAO), впровадили OPML як верифікаційний рівень для AI оракулів, на офіційному сайті ORA також згадується їхнє дослідження щодо ZKML та opp/ai (ZKML у поєднанні з OPML).

Рівень застосунків:

Цей рівень головним чином є додатками, які безпосередньо орієнтовані на користувачів, поєднуючи ШІ з Web3, створюючи більше цікавих та інноваційних способів гри. У цій статті в основному розглядаються проекти в кількох сегментах: AIGC (контент, згенерований ШІ), AI-агенти та аналіз даних.

• AIGC: Через AIGC можна розширити до Web3 в NFT, іграх та інших сегментах, користувачі можуть безпосередньо за допомогою Prompt (підказки, наданої користувачем) генерувати текст, зображення та аудіо, навіть можуть у грі генерувати за своїми вподобаннями.