Панорама Web3-AI: технічна логіка, сценарії застосування та аналіз провідних проєктів

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

З огляду на зростаючу популярність наративу AI, дедалі більше уваги приділяється цій ніші. Проведено глибокий аналіз технічної логіки, сценаріїв застосування та представницьких проектів у сфері Web3-AI, що повністю відображає панораму та тенденції розвитку цієї галузі.

Один. Web3-AI: аналіз технічної логіки та нових ринкових можливостей

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

Упродовж останнього року AI наратив у індустрії Web3 був надзвичайно популярним, проекти AI з'являлися, як гриби після дощу. Хоча багато проектів пов'язані з технологіями AI, деякі з них використовують AI лише в певних аспектах своїх продуктів, при цьому основна токеноміка не має суттєвого зв'язку з AI продуктами, тому такі проекти не підпадають під обговорення Web3-AI в цій статті.

Основна увага цієї статті зосереджена на використанні блокчейну для вирішення проблем виробничих відносин та на проектах, які використовують ШІ для вирішення проблем продуктивності. Ці проекти самі по собі пропонують продукти ШІ і одночасно базуються на економічній моделі Web3 як інструменті виробничих відносин, що доповнюють один одного. Ми класифікуємо такі проекти в категорію Web3-AI. Щоб читачі краще зрозуміли категорію Web3-AI, буде розглянуто процес розробки ШІ і виклики, а також те, як поєднання Web3 та ШІ ідеально вирішує проблеми та створює нові сценарії застосування.

1.2 Розробка AI: від збору даних до моделювання

Технологія штучного інтелекту є технологією, яка дозволяє комп'ютерам імітувати, розширювати та посилювати людський інтелект. Вона дозволяє комп'ютерам виконувати різноманітні складні завдання, починаючи від перекладу мов, класифікації зображень до розпізнавання облич, автоматичного водіння тощо, ШІ змінює спосіб нашого життя та роботи.

Процес розробки моделей штучного інтелекту зазвичай охоплює кілька ключових етапів: збір даних і попередня обробка даних, вибір і 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: зібрати набір даних з зображеннями котів та собак, можна використовувати відкриті набори даних або самостійно зібрати реальні дані. Потім позначити категорію для кожного зображення (кіт чи собака), забезпечити точність міток. Перетворити зображення в формат, який може розпізнати модель, розділити набір даних на навчальний набір, валідаційний набір та тестовий набір.

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, структура мережі може бути налаштована відповідно до складності AI завдання. У цьому простому прикладі класифікації, більш поверхнева структура мережі може бути достатньою.

3. Навчання моделі: можна використовувати GPU, TPU або високопродуктивні обчислювальні кластері для навчання моделі, час навчання залежить від складності моделі та обчислювальної потужності.

4. Інференція моделі: файли, які були навчено моделлю, зазвичай називаються вагою моделі. Інференція – це процес 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 допомогою таких показників, як точність, відзив, F1-score тощо.

Як показано на малюнку, після збору даних і попередньої обробки даних, вибору моделі та налаштування, а також навчання, виконується інференція навченої моделі на тестовому наборі, що дає змогу отримати прогнозовані значення P (імовірність) котів і собак, тобто ймовірність того, що модель визначає, чи це кіт, чи собака.

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 і отримує результат класифікації.

Однак, централізований процес розробки ШІ має деякі проблеми в наступних сценаріях:

Приватність користувачів: у централізованих сценах 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 галузі (наприклад, медичні дані), можуть стикатися з обмеженнями на відкритість даних.

Вибір та налаштування моделей: для малих команд важко отримати ресурси моделей у певній галузі або витратити значні кошти на налаштування моделей.

Отримання обчислювальної потужності: для окремих розробників та малих команд високі витрати на закупівлю GPU та оренду хмарної обчислювальної потужності можуть становити значний економічний тягар.

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

Виклики, що існують у централізованих AI-сценах, можна подолати шляхом інтеграції з Web3. Web3, як новий тип виробничих відносин, природно адаптується до AI, що представляє нові виробничі сили, таким чином сприяючи одночасному прогресу технологій і виробничих можливостей.

1.3 Співпраця Web3 та ШІ: зміна ролей та інноваційні застосування

Поєднання Web3 та AI може посилити суверенітет користувачів, забезпечуючи відкриту платформу для співпраці в AI, що дозволяє користувачам перейти від використання AI в епоху Web2 до участі у ньому, створюючи AI, яким може володіти кожен. Одночасно інтеграція світу Web3 та технологій AI може породити ще більше інноваційних застосувань і ігрових механік.

На основі технології Web3, розробка та застосування ШІ зустрінуть нову систему кооперативної економіки. Конфіденційність даних людей може бути забезпечена, модель краудсорсингу даних сприяє прогресу моделей ШІ, численні відкриті ресурси ШІ доступні для користувачів, а спільні обчислювальні потужності можна отримати за нижчою ціною. Завдяки децентралізованому механізму кооперативного краудсорсингу та відкритому ринку ШІ можна реалізувати справедливу систему розподілу доходів, що стимулює більше людей до просування технологій ШІ.

У сцені Web3 AI може мати позитивний вплив у кількох напрямках. Наприклад, AI моделі можуть бути інтегровані в смарт-контракти, підвищуючи ефективність роботи в різних застосунках, таких як аналіз ринку, безпекова перевірка, соціальна кластеризація та багато інших функцій. Генеративний AI не тільки дозволяє користувачам відчути себе "художниками", наприклад, створюючи свої власні NFT з використанням AI технологій, але й може створювати різноманітні ігрові сцени та цікаві інтерактивні досвіди в GameFi. Розвинена інфраструктура забезпечує плавний досвід розробки, незалежно від того, чи є ви експертом з AI, чи новачком, який бажає зайнятися сферою AI.

Два, Інтерпретація карти та архітектури екосистеми Web3-AI

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

Інфраструктурний рівень охоплює обчислювальні ресурси та технологічну архітектуру, що підтримують весь життєвий цикл AI, середній рівень включає управління даними, розробку моделей і послуги валідації та інтерпретації, які з'єднують інфраструктуру з додатками, а прикладний рівень зосереджується на різних додатках та рішеннях, орієнтованих безпосередньо на користувача.

Інфраструктурний рівень:

Інфраструктурний рівень є основою життєвого циклу ШІ, у цій статті обчислювальну потужність, AI Chain та платформу розробки класифікують як інфраструктурний рівень. Саме завдяки підтримці цієї інфраструктури можливе навчання та інференція моделей ШІ, а також надання потужних і практичних додатків ШІ користувачам.

• Децентралізована обчислювальна мережа: може забезпечити розподілену обчислювальну потужність для навчання моделей ШІ, забезпечуючи ефективне та економічне використання обчислювальних ресурсів. Деякі проекти пропонують децентралізований ринок обчислювальної потужності, де користувачі можуть орендувати обчислювальну потужність за низькою ціною або ділитися обчислювальною потужністю для отримання прибутку, представляючи проекти як IO.NET та Hyperbolic. Крім того, деякі проекти породили нові способи гри, такі як Compute Labs, які запропонували токенізований протокол, де користувачі можуть купувати NFT, що представляють фізичні GPU, щоб брати участь в оренді обчислювальної потужності різними способами для отримання прибутку.

• AI Chain: Використання блокчейну як основи життєвого циклу AI для забезпечення безшовної взаємодії 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 фреймворк для розробки AI та супутні інструменти для розробки, прикладом проекту є Sahara AI. AI Chain також може сприяти прогресу AI-технологій в різних сферах, наприклад, Bittensor за допомогою інноваційного механізму стимулювання підмереж сприяє конкуренції між різними типами AI-підмереж.

• Розробницька платформа: деякі проекти надають платформу для розробки AI-агентів, а також можуть здійснювати торгівлю AI-агентами, такі як Fetch.ai та ChainML. Універсальні інструменти допомагають розробникам зручніше створювати, навчати та впроваджувати AI-моделі, представлені проектом, таким як Nimble. Ця інфраструктура сприяє широкому застосуванню AI-технологій у екосистемі Web3.

Середній шар:

Цей рівень стосується даних AI, моделей, а також висновків і верифікації, використання технології Web3 може забезпечити вищу ефективність роботи.

• Дані: Якість та кількість даних є ключовими факторами, що впливають на ефективність навчання моделей. У світі Web3 за допомогою краудсорсингових даних та колективної обробки даних можна оптимізувати використання ресурсів і знизити витрати на дані. Користувачі можуть мати автономію над своїми даними, продаючи їх у рамках захисту конфіденційності, щоб уникнути крадіжки даних недобросовісними підприємцями та отримання високих прибутків. Для сторін, що потребують даних, ці платформи пропонують широкий вибір та надзвичайно низькі витрати. Представлені проекти, такі як Grass, використовують пропускну здатність користувачів для збору даних з Web, xData збирає інформацію про медіа через зручні для користувача плагіни та підтримує завантаження інформації з твітів користувачів.

Крім того, деякі платформи дозволяють експертам у певній галузі або звичайним користувачам виконувати завдання з попередньої обробки даних, такі як мітки зображень, класифікація даних, які можуть вимагати спеціальних знань у фінансовій та юридичній обробці даних. Користувачі можуть токенізувати свої навички, реалізуючи колаборативне краудсорсинг для попередньої обробки даних. Наприклад, AI-ринок, такий як Sahara AI, має різноманітні завдання з даними в різних галузях, що може охоплювати багатогалузеві сценарії даних; тоді як AIT Protocolt здійснює маркування даних за допомогою співпраці людини і машини.

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

Деякі проекти підтримують користувачів у наданні різних типів моделей або спільному навчанні моделей через краудсорсинг, такі як Sentient, що завдяки модульному дизайну дозволяє користувачам зберігати надійні дані моделей на рівні зберігання та розподілу для оптимізації моделей. Інструменти розробки, надані Sahara AI, мають вбудовані сучасні AI алгоритми та обчислювальні фреймворки, а також здатність до спільного навчання.

• Висновок та верифікація: Після навчання моделі генеруються файли ваг моделі, які можна безпосередньо використовувати для класифікації, прогнозування або інших специфічних завдань, цей процес називається висновком. Процес висновку зазвичай супроводжується механізмом верифікації, щоб перевірити, чи правильне походження моделі висновку, чи є зловмисні дії тощо. Висновок у Web3 зазвичай можна інтегрувати в смарт-контракти, здійснюючи виклики до моделі для проведення висновку; поширені методи верифікації включають технології ZKML, OPML та TEE. Представлені проекти, такі як AI-оракул (OAO) на ORA, впровадили OPML як верифікаційний шар AI-оракулів; на офіційному сайті ORA також згадуються їхні дослідження щодо ZKML та opp/ai (ZKML в поєднанні з OPML).

Прикладний рівень:

Цей рівень в основному є програми, орієнтовані на користувача, які поєднують AI та Web3, створюючи більше цікавих і інноваційних ігор. У цій статті в основному розглядаються проекти в кількох сферах: AIGC (AI-генерований контент), AI-агенти та аналіз даних.

• AIGC: Завдяки AIGC можна розширити до