Панорамний звіт про Web3-AI: глибокий аналіз технічної логіки, сценарних застосувань та топових проектів

З появою зростаючого інтересу до AI-оповідей все більше уваги приділяється цьому напрямку. Проведено глибокий аналіз технологічної логіки, сценаріїв застосування та представницьких проектів у сфері 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 напрямок Web-AI

Протягом минулого року AI-нарратив був неймовірно популярним у сфері Web3, проекти з AI з'являлися як гриби після дощу. Хоча багато проектів охоплюють технології AI, деякі проекти використовують AI лише в певних частинах своїх продуктів, а базова токеноміка не має суттєвого зв'язку з AI-продуктами, тому такі проекти не підпадають під обговорення Web3-AI у цій статті.

Основна увага цієї статті зосереджена на проектах, які використовують блокчейн для вирішення проблем виробничих відносин, а ШІ — для вирішення проблем продуктивності. Ці проекти самі пропонують продукти ШІ, водночас базуючись на економічній моделі Web3 як інструменті виробничих відносин, обидва аспекти взаємодоповнюють один одного. Ми класифікуємо такі проекти як Web3-AI напрямок. Щоб читачі краще зрозуміли напрямок Web3-AI, буде розглянуто процес розробки ШІ та виклики, а також те, як поєднання Web3 та ШІ може ідеально вирішити проблеми та створити нові сценарії застосування.

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

Технологія ШІ є технологією, що дозволяє комп'ютерам моделювати, розширювати та посилювати людський інтелект. Вона дозволяє комп'ютерам виконувати різноманітні складні завдання, від перекладу мов, класифікації зображень до розпізнавання облич та автономного водіння. ШІ змінює спосіб, яким ми живемо та працюємо.

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

1. Збір даних та попередня обробка даних: зібрати набір даних з зображеннями котів і собак, можна використовувати публічні набори даних або самостійно зібрати реальні дані. Потім для кожного зображення маркувати категорію (кіт або собака), забезпечуючи точність міток. Перетворити зображення в формат, який може розпізнати модель, поділити набір даних на навчальний набір, валідаційний набір і тестовий набір.

2. Вибір і налаштування моделі: виберіть відповідну модель, наприклад, згорткову нейронну мережу (CNN), яка найбільше підходить для завдань класифікації зображень. Налаштуйте параметри або архітектуру моделі відповідно до різних потреб; зазвичай, рівні мережі моделі можна налаштувати відповідно до складності завдання AI. У цьому простому прикладі класифікації може бути достатньо менш глибоких рівнів мережі.

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

4. Модельне висновування: файли, що містять навчану модель, зазвичай називаються вагами моделі, а процес висновування є процесом 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 використовують такі показники, як точність, відзив, F1-оцінка тощо, для оцінки ефективності моделі.

Як показано на малюнку, після збору даних, попередньої обробки даних, вибору та налаштування моделі, а також навчання, результати інференції підготовленої моделі на тестовому наборі даних дадуть прогнози P (імовірність) для котів і собак, тобто ймовірність того, що модель визначить, чи це кіт, чи собака.

Навчена AI модель може бути додатково інтегрована в різні програми для виконання різних завдань. У цьому прикладі AI модель 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 деякі проблеми в наступних сценаріях:

Конфіденційність 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 конкретних областях (наприклад, медичних даних), можуть стикатися з обмеженнями щодо закритих даних.

Вибір та налаштування моделей: для невеликих команд важко отримати ресурси моделей конкретної області або витратити великі кошти на налаштування моделей.

Отримання обчислювальної потужності: для окремих розробників та малих команд високі витрати на придбання GPU та оренду обчислювальної потужності в хмарі можуть стати значним економічним тягарем.

AI-активи доходи: працівники з розмітки даних часто не можуть отримати доходи, що відповідають їхнім зусиллям, а результати досліджень розробників AI також важко узгодити з покупцями, які мають потребу.

Виклики, що існують у централізованих AI-сценаріях, можна подолати шляхом інтеграції з Web3. Web3, як новий тип виробничих відносин, природно адаптується до AI, що представляє нову продуктивність, тим самим сприяючи одночасному прогресу технологій і виробничих можливостей.

1.3 Співпраця Web3 та AI: зміна ролей та інноваційні застосування

Поєднання Web3 та AI може підсилити суверенітет користувачів, надаючи їм відкриту платформу для співпраці з AI, що дозволить користувачам перейти від використання AI в епоху Web2 до участі, створюючи AI, яким може володіти кожен. Одночасно інтеграція світу Web3 та технології AI може призвести до виникнення нових інноваційних сценаріїв застосування та ігор.

На основі технології Web3, розробка та застосування штучного інтелекту зустрінуть нову економічну систему співпраці. Приватність даних людей може бути забезпечена, модель краудсорсингу даних сприяє прогресу моделей ШІ, безліч відкритих ресурсів ШІ доступні для користувачів, а спільні обчислювальні потужності можна отримати за нижчою ціною. Завдяки децентралізованій механіці колективного 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 на кількох напрямках. Наприклад, моделі штучного інтелекту можуть бути інтегровані в смарт-контракти, підвищуючи ефективність роботи в різних застосуваннях, таких як аналіз ринку, безпечне тестування, соціальна кластеризація та багато інших функцій. Генеративний штучний інтелект не лише дозволяє користувачам відчути себе "художниками", наприклад, створюючи свої власні NFT за допомогою технології ШІ, але також може створювати різноманітні ігрові сцени та цікаві інтерактивні досвіди у GameFi. Багата інфраструктура забезпечує плавний досвід розробки, незалежно від того, чи є ви експертом з ШІ, чи новачком, який хоче зануритися в цю галузь, кожен може знайти відповідний вхід у цьому світі.

Два, Аналіз карти та архітектури проектів екосистеми Web3-AI

Ми в основному досліджували 41 проект у сфері Web3-AI та розділили ці проекти на різні рівні. Логіка розподілу кожного рівня зображена на наступному малюнку, включаючи рівень інфраструктури, проміжний рівень та рівень застосувань, кожен з яких далі ділиться на різні сегменти. У наступному розділі ми проведемо глибокий аналіз деяких репрезентативних проектів.

Інфраструктурний рівень охоплює обчислювальні ресурси та технологічну архітектуру, які підтримують роботу всього життєвого циклу ШІ, середній рівень включає в себе управління даними, розробку моделей і послуги верифікації та висновків, а рівень застосувань зосереджений на різноманітних застосуваннях і рішеннях, спрямованих безпосередньо на користувачів.

Інфраструктурний рівень:

Інфраструктурний рівень є основою життєвого циклу ШІ. У цій статті обчислювальну потужність, AI Chain та розробницьку платформу віднесено до інфраструктурного рівня. Саме завдяки підтримці цих інфраструктур можливе навчання та інференція моделей ШІ, а також надання потужних і практичних застосунків 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 обчислювальну потужність за низькою вартістю або ділитися обчислювальною потужністю для отримання прибутку, зокрема проекти такі як IO.NET та Hyperbolic. Крім того, деякі проекти розвинули нові ігрові механіки, такі як Compute Labs, що запропонували токенізований протокол, де користувачі можуть купувати NFT, що представляють фізичні GPU, і брати участь в оренді обчислювальної 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, спонукаючи до розвитку екосистеми галузі. Децентралізований AI-ринок на ланцюгу може торгувати AI-активами, такими як дані, моделі, агенти тощо, і надавати фреймворки для розробки AI та супутні інструменти для розробників, приклад проекту - Sahara AI. AI Chain також може сприяти прогресу AI-технологій у різних сферах, наприклад, Bittensor через інноваційний механізм стимулювання підмереж, що сприяє конкуренції між різними типами AI-підмереж.

• Платформа для розробки: деякі проекти пропонують платформи для розробки AI-агентів, а також реалізують торгівлю AI-агентами, такі як Fetch.ai та ChainML. Універсальні інструменти допомагають розробникам легше створювати, навчати та розгортати AI-моделі, прикладом є Nimble. Ця інфраструктура сприяє широкому застосуванню технологій AI в екосистемі Web3.

Посерединний шар:

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

• Дані: Якість і кількість даних є ключовими факторами, що впливають на ефективність навчання моделі. У світі Web3, завдяки краудсорсингу даних та кооперативній обробці даних, можна оптимізувати використання ресурсів і знизити витрати на дані. Користувачі можуть мати автономію над своїми даними та продавати їх за умов захисту конфіденційності, щоб уникнути крадіжки даних ненадійними підприємцями та отримання високого прибутку. Для замовників даних ці платформи пропонують широкий вибір і надзвичайно низькі витрати. Представницькі проекти, такі як Grass, використовують пропускну здатність користувачів для збору веб-даних, а xData збирає медіаінформацію за допомогою зручних плагінів і підтримує завантаження інформації про твіти.

Крім того, деякі платформи дозволяють фахівцям у галузі або звичайним користувачам виконувати завдання з попередньої обробки даних, такі як маркування зображень та класифікація даних, які можуть вимагати професійних знань у фінансових та юридичних питаннях. Користувачі можуть токенізувати свої навички, реалізуючи колаборативне краудсорсинг попередньої обробки даних. Прикладом є ринок AI, як-от Sahara AI, який охоплює різноманітні завдання з обробки даних у різних сферах; тоді як AIT Protocolt здійснює маркування даних за допомогою співпраці людини та машини.

• Модель: У процесі розробки ШІ, про який згадувалося раніше, різні типи вимог потребують відповідних моделей. Для завдань з обробки зображень часто використовують моделі такі як CNN, GAN; для завдань з виявлення об'єктів можна вибрати серію Yolo; 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 необхідно проводити налаштування моделей.

Деякі проекти підтримують користувачів у наданні різних типів моделей або співпраці в навчанні моделей через краудсорсинг, як-от Sentient, який за допомогою модульного дизайну дозволяє користувачам розміщувати надійні дані моделей на рівні зберігання та розподілу для оптимізації моделей. Інструменти розробки, що пропонує Sahara AI, вбудовані з передовими алгоритмами штучного інтелекту та обчислювальними фреймворками, а також мають можливість спільного навчання.

• Висновки та верифікація: 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 верифікації, щоб перевірити, чи є джерело моделі правильним, чи є якісь зловмисні дії тощо. Висновки Web3 зазвичай можна інтегрувати в смарт-контракти, викликаючи модель для висновку, поширені способи верифікації включають технології ZKML, OPML та TEE. Представлені проекти, такі як AI-оракул на ORA-ланцюгу (OAO), впровадили OPML як верифікаційний рівень для AI-оракулів, на офіційному сайті ORA також згадується їхнє дослідження щодо ZKML та opp/ai (поєднання ZKML з OPML).

Застосунковий рівень:

Цей рівень в основному є додатками, які безпосередньо орієнтовані на користувачів, поєднуючи AI з Web3, створюючи більше цікавих, інноваційних способів гри. У цій статті основна увага приділяється проектам у кількох секторах: AIGC (AI-генерований контент), AI-агенти та аналіз даних.

• AIGC: Завдяки AIGC можна розширити Web3 на такі напрямки, як NFT, ігри тощо, користувачі можуть безпосередньо через Prompt (підказки, які дає користувач) генерувати текст, зображення та аудіо, навіть можуть у грі створювати індивідуальні ігрові механіки відповідно до своїх уподобань. NFT проекти, такі як NFPrompt, користувачі можуть генерувати NFT за допомогою AI для торгівлі на ринку; ігри, такі як Sleepless, користувачі формують характер віртуального партнера через діалог, щоб відповідати своїм уподобанням;

• AI-агент: це штучний інтелект, здатний самостійно виконувати завдання та приймати рішення. AI-агенти зазвичай володіють здатностями сприйняття, міркування, навчання та дій, що дозволяє їм виконувати складні завдання в різних умовах. Поширені AI-агенти, такі як мовні переведення.