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

Seiring dengan meningkatnya perhatian terhadap narasi AI, semakin banyak fokus yang diberikan pada jalur ini. Artikel ini melakukan analisis mendalam terhadap logika teknis, skenario aplikasi, dan proyek-proyek perwakilan dalam jalur Web3-AI, untuk memberikan gambaran menyeluruh tentang bidang ini dan tren perkembangannya.

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

1.1 Logika penggabungan Web3 dan AI: Bagaimana mendefinisikan jalur Web3-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 beberapa bagian produk mereka, sementara ekonomi token yang mendasarinya tidak memiliki hubungan substansial dengan produk AI, oleh karena itu proyek semacam ini tidak termasuk dalam diskusi proyek Web3-AI dalam artikel ini.

Fokus dari artikel ini adalah pada penggunaan blockchain untuk menyelesaikan masalah hubungan produksi, dan proyek-proyek yang menggunakan AI untuk menyelesaikan masalah produktivitas. Proyek-proyek ini sendiri menyediakan produk AI, sekaligus berbasis pada model ekonomi Web3 sebagai alat hubungan produksi, keduanya saling melengkapi. Kami mengklasifikasikan proyek-proyek semacam ini sebagai jalur Web3-AI. Agar pembaca dapat lebih memahami jalur Web3-AI, artikel ini akan menjelaskan proses pengembangan AI dan tantangan yang dihadapi, serta bagaimana kombinasi antara Web3 dan AI dapat secara sempurna menyelesaikan masalah dan menciptakan skenario aplikasi baru.

1.2 Proses dan Tantangan Pengembangan AI: Dari Pengumpulan Data hingga Inferensi Model

Teknologi AI adalah teknologi yang memungkinkan komputer untuk mensimulasikan, memperluas, dan meningkatkan kecerdasan manusia. Ini memungkinkan komputer untuk melakukan berbagai tugas kompleks, mulai dari penerjemahan bahasa, klasifikasi gambar hingga pengenalan wajah, dan aplikasi seperti mengemudikan kendaraan secara otomatis, AI sedang mengubah cara kita hidup dan bekerja.

Proses pengembangan model kecerdasan buatan biasanya mencakup beberapa langkah kunci berikut: pengumpulan data dan praproses data, pemilihan dan penyesuaian model, pelatihan model dan inferensi. 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: Memilih model yang tepat, seperti Jaringan Syaraf Konvolusional (CNN), yang lebih cocok untuk tugas klasifikasi gambar. Sesuaikan parameter atau arsitektur model sesuai kebutuhan yang berbeda, secara umum, tingkat lapisan jaringan model dapat disesuaikan berdasarkan kompleksitas tugas AI. Dalam contoh klasifikasi sederhana ini, tingkat 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 oleh model biasanya disebut sebagai bobot model, proses inferensi merujuk pada penggunaan model yang sudah dilatih untuk memprediksi atau mengklasifikasikan data baru. Dalam proses ini, dapat menggunakan set uji atau data baru untuk menguji efektivitas klasifikasi model, biasanya menggunakan akurasi, tingkat pengembalian, dan metrik F1-score untuk menilai keefektifan model.

Seperti yang ditunjukkan pada gambar, setelah pengumpulan data dan pra-pemrosesan data, pemilihan model dan penyesuaian, serta pelatihan, model yang telah dilatih diuji pada kumpulan data pengujian untuk menghasilkan nilai prediksi kucing dan anjing P (probabilitas), yaitu probabilitas bahwa model menginferensikan itu adalah kucing atau anjing.

Model AI yang terlatih dapat lebih lanjut diintegrasikan ke dalam berbagai aplikasi, menjalankan berbagai tugas. Dalam contoh ini, model AI klasifikasi kucing dan anjing dapat diintegrasikan ke dalam aplikasi seluler, di mana pengguna mengunggah gambar kucing atau anjing, dan kemudian mendapatkan hasil klasifikasi.

Namun, proses pengembangan AI yang 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 diperoleh: Tim kecil atau individu yang mendapatkan data di bidang tertentu (seperti data medis) mungkin menghadapi batasan data yang tidak bersifat open source.

Pemilihan dan penyetelan model: Untuk tim kecil, sulit untuk mendapatkan sumber daya model khusus atau menghabiskan biaya besar untuk penyetelan model.

Perolehan daya komputasi: Bagi pengembang individu dan tim kecil, biaya pembelian GPU yang tinggi dan biaya sewa daya komputasi di 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 membutuhkan.

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

1.3 Sinergi Web3 dan AI: Perubahan Peran dan Aplikasi Inovatif

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

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

Dalam skenario Web3, AI dapat menghasilkan dampak positif di berbagai jalur. Misalnya, model AI dapat diintegrasikan ke dalam kontrak pintar untuk meningkatkan efisiensi kerja dalam berbagai skenario aplikasi, seperti analisis pasar, deteksi keamanan, kluster sosial, dan berbagai fungsi lainnya. AI generatif tidak hanya memungkinkan pengguna mengalami peran "seniman", seperti menggunakan teknologi AI untuk membuat NFT mereka sendiri, tetapi juga dapat menciptakan berbagai macam skenario permainan dan pengalaman interaktif yang menarik dalam GameFi. Infrastruktur yang kaya menyediakan pengalaman pengembangan yang lancar, baik bagi pakar AI maupun pemula yang ingin memasuki bidang AI dapat menemukan pintu masuk yang tepat 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 tingkatan. Logika pembagian setiap tingkatan 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 kedalaman 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 menghadapi 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 dilakukan, dan aplikasi AI yang kuat dan praktis dapat disajikan kepada pengguna.

• Jaringan komputasi terdesentralisasi: dapat menyediakan kekuatan komputasi terdistribusi untuk pelatihan model AI, memastikan pemanfaatan sumber daya komputasi yang efisien dan ekonomis. Beberapa proyek menawarkan pasar kekuatan komputasi terdesentralisasi, di mana pengguna dapat menyewa kekuatan komputasi dengan biaya rendah atau berbagi kekuatan komputasi untuk mendapatkan keuntungan, proyek-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 berpartisipasi dalam penyewaan kekuatan komputasi untuk mendapatkan keuntungan dengan membeli NFT yang mewakili entitas GPU.

• AI Chain: Memanfaatkan blockchain sebagai dasar siklus hidup AI, untuk mewujudkan interaksi tanpa batas antara sumber daya AI di dalam dan di luar jaringan, serta mendorong perkembangan ekosistem industri. Pasar AI terdesentralisasi di dalam jaringan dapat memperdagangkan aset AI seperti data, model, agen, dan menyediakan kerangka pengembangan AI serta alat pengembangan yang mendukung, dengan proyek-proyek seperti Sahara AI. AI Chain juga dapat memfasilitasi 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 untuk lebih mudah menciptakan, melatih, dan menerapkan model AI, dengan proyek-proyek seperti Nimble. Infrastruktur ini mendorong penerapan teknologi AI yang luas dalam ekosistem Web3.

Lapisan Tengah:

Tingkat ini melibatkan data AI, model, serta inferensi dan verifikasi, menggunakan teknologi Web3 dapat mencapai efisiensi kerja yang lebih tinggi.

• Data: Kualitas dan kuantitas data adalah faktor kunci yang mempengaruhi efektivitas pelatihan model. Di dunia Web3, melalui data crowdsourcing dan pemrosesan data kolaboratif, penggunaan sumber daya dapat dioptimalkan dan biaya data dapat ditekan. Pengguna dapat memiliki otonomi atas data mereka, menjual data mereka dalam kondisi perlindungan privasi, untuk menghindari pencurian dan keuntungan tinggi oleh pedagang yang tidak bertanggung jawab. Bagi pihak yang membutuhkan data, platform-platform ini menawarkan berbagai pilihan dan biaya yang sangat rendah. Proyek-proyek yang mewakili seperti Grass memanfaatkan 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 bidang atau pengguna biasa untuk melakukan tugas pra-pemrosesan data, seperti pelabelan gambar, klasifikasi data, tugas pemrosesan data yang mungkin memerlukan pengetahuan profesional di bidang keuangan dan hukum, pengguna dapat men-token-kan keterampilan mereka untuk mewujudkan kolaborasi crowdsource dalam pra-pemrosesan data. Contohnya adalah pasar AI seperti Sahara AI, yang memiliki berbagai tugas data dari berbagai bidang, dapat mencakup berbagai skenario data; sementara AIT Protocol melakukan pelabelan data melalui kolaborasi manusia-mesin.

• Model: Dalam proses pengembangan AI yang telah disebutkan sebelumnya, berbagai jenis kebutuhan memerlukan pencocokan dengan model yang sesuai. Model yang umum digunakan untuk tugas gambar seperti CNN, GAN, untuk tugas deteksi objek dapat memilih seri Yolo, untuk tugas teks model yang umum seperti RNN, Transformer, dan tentu saja ada juga beberapa model besar tertentu atau umum. Kedalaman model yang diperlukan untuk tugas dengan kompleksitas yang berbeda juga berbeda, terkadang perlu dilakukan 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 dapat dipercaya di lapisan penyimpanan dan lapisan distribusi untuk mengoptimalkan model. Alat pengembangan yang disediakan oleh Sahara AI dilengkapi dengan algoritma AI canggih dan kerangka komputasi, serta memiliki kemampuan pelatihan kolaboratif.

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

Lapisan aplikasi:

Lapisan ini terutama merupakan aplikasi yang langsung ditujukan kepada pengguna, menggabungkan AI dengan Web3, menciptakan lebih banyak cara yang menarik dan inovatif untuk bermain. Artikel ini terutama menguraikan proyek-proyek di beberapa bidang seperti AIGC (Konten yang Dihasilkan AI), agen AI, dan analisis data.

• AIGC：Melalui AIGC bisa