Панорамний звіт про Web3-AI: технічна логіка, сценарні застосування та глибокий аналіз провідних проектів

Зі зростанням популярності наративу AI все більше уваги зосереджується на цій ніші. Проведено глибокий аналіз технічної логіки, сценаріїв застосування та представницьких проєктів у сфері Web3-AI, щоб повністю представити панораму та тенденції розвитку цієї галузі.

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

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

Протягом останнього року AI наратив в індустрії Web3 став надзвичайно популярним, проекти AI з'являлися як гриби після дощу. Хоча багато проектів пов'язані з технологією AI, деякі з них використовують AI лише в певних частинах своїх продуктів, при цьому базова токеноміка не має суттєвого зв'язку з продуктами AI, тому такі проекти не належать до обговорення Web3-AI проектів у цій статті.

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

1.2 Розробка AI: від збору даних до моделювання

Технологія ШІ є технологією, яка 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, автономного водіння та інших застосувань, ШІ змінює спосіб нашого життя та роботи.

Процес розробки моделей штучного інтелекту зазвичай включає в себе кілька ключових етапів: збір даних та попередню обробку даних, вибір моделі та її налаштування, навчання моделі та інференцію. Наприклад, щоб розробити модель для класифікації зображень котів та собак, вам потрібно:

1. Збір даних та попередня обробка даних: зібрати набір зображень, що містять котів і собак, можна використовувати відкриті набори даних або самостійно зібрати реальні дані. Потім для кожного зображення зазначити категорію (кіт або собака), забезпечити точність міток. Перетворити зображення у формат, який може розпізнати модель, розділити набір даних на навчальний набір, валідаційний набір та тестовий набір.

2. Вибір моделі та налаштування: вибір відповідної моделі, наприклад, згорткової нейронної мережі (CNN), яка більше підходить для завдань класифікації зображень. Налаштування параметрів або архітектури моделі відповідно до різних вимог, зазвичай, ієрархія мережі моделі може бути налаштована відповідно до складності AI завдання. У цьому простому прикладі класифікації, поверхнева ієрархія мережі може бути достатньою.

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

4. Інференція моделі: Файли, які містять навчену модель, зазвичай називаються вагою моделі. Процес інференції означає використання вже навчених моделей 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.

Після збору даних, попередньої обробки даних, вибору та налаштування моделі, а також навчання, отриману модель застосовують для інференції на тестовому наборі, що дає ймовірність P (імовірність) прогнозування кішки або собаки, тобто ймовірність того, що модель визначила об'єкт як кішку або собаку.

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 результати класифікації.

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

Приватність користувачів: у централізованих сценаріях процес розробки ШІ зазвичай є непрозорим. Дані користувачів можуть бути викрадені без 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 щодо недоступності даних.

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

Отримання обчислювальної потужності: для окремих розробників і невеликих 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, які відповідають їхнім витратам, а результати досліджень розробників AI також важко узгодити з покупцями, які мають потребу.

Виклики, що існують у централізованих AI-сценаріях, можуть бути подолані шляхом поєднання з Web3. Web3, як новий тип виробничих відносин, природно адаптується до AI, що представляє новий рівень продуктивності, що сприяє одночасному прогресу технологій та виробничих можливостей.

1.3 Взаємодія Web3 та AI: зміна ролей та інноваційні застосування

Web3 та AI в поєднанні можуть посилити суверенітет користувачів, надаючи користувачам відкриту платформу для співпраці з AI, що дозволяє їм перетворитися з користувачів AI епохи Web2 на учасників, створюючи AI, яким може володіти кожен. Одночасно, інтеграція світу Web3 та технологій AI може породити ще більше інноваційних сценаріїв застосування та ігрових механік.

На основі технології Web3, розробка та застосування ШІ зустрінуть нову систему співпраці в економіці. Конфіденційність даних людей може бути гарантована, модель краудсорсингу даних сприяє прогресу моделей ШІ, численні відкриті ресурси ШІ доступні для користувачів, спільні обчислювальні потужності можна отримати за нижчою вартістю. Завдяки децентралізованій механіці краудсорсингу та відкритому ринку ШІ можна реалізувати справедливу систему розподілу доходів, що стимулює більше людей сприяти прогресу технології ШІ.

У сцені Web3 AI може мати позитивний вплив у кількох напрямках. Наприклад, моделі AI 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 може не лише дозволити користувачам відчути себе "художниками", наприклад, створюючи свої власні NFT за допомогою технології AI, але й створювати різноманітні ігрові сцени та цікаві інтерактивні досвіди в GameFi. Розвинена інфраструктура забезпечує плавний досвід розробки, незалежно від того, чи є ви експертом у сфері AI, чи новачком, який хоче увійти в цю галузь.

Два, аналіз екосистеми проектів Web3-AI та їх архітектури

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

Інфраструктурний рівень охоплює обчислювальні ресурси та технологічну архітектуру, які підтримують весь життєвий цикл AI. Середній рівень включає управління даними, розробку моделей та послуги верифікації та висновку, які з'єднують інфраструктуру з додатками, тоді як рівень додатків зосереджений на різних додатках та рішеннях, орієнтованих безпосередньо на користувача.

Інфраструктурний рівень:

Інфраструктурний рівень є основою життєвого циклу ШІ, у цій статті обчислювальні потужності, AI Chain та платформи розробки класифікуються як інфраструктурний рівень. Саме за підтримки цих інфраструктур стає можливим навчання та інференція моделей ШІ, а також представлення потужних і корисних 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 ціною або ділитися нею для отримання прибутку, такими проектами є IO.NET і Hyperbolic. Крім того, деякі проекти розробили нові підходи, такі як Compute Labs, які запропонували токенізований протокол, де користувачі можуть придбати NFT, що представляє фізичний 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, сприяючи розвитку галузевої екосистеми. Децентралізований AI-ринок на ланцюгу може торгувати AI-активами, такими як дані, моделі, агенти тощо, та надавати фреймворк для розробки AI і супутні інструменти для розробки, приклад проекту — Sahara AI. AI Chain також може сприяти прогресу AI-технологій в різних сферах, як Bittensor через інноваційний механізм стимулювання підмереж для сприяння конкуренції між різними типами AI-підмереж.

• Розробницька платформа: деякі проекти пропонують платформи 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 розгортати AI-моделі, представлені такими проектами, як Nimble. Ця інфраструктура сприяє широкому впровадженню AI-технологій у екосистемі Web3.

Посередня частина:

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

• Дані: Якість і кількість даних є ключовими факторами, що впливають на ефективність навчання моделі. У світі Web3, за допомогою краудсорсингових даних і колаборативної обробки даних, можна оптимізувати використання ресурсів і знизити витрати на дані. Користувачі можуть мати автономію над своїми даними, продаючи їх за умовами захисту конфіденційності, щоб уникнути крадіжки даних недобросовісними підприємцями і отримання високих прибутків. Для споживачів даних ці платформи пропонують широкий вибір і дуже низькі витрати. Представлені проекти, такі як Grass, використовують пропускну здатність користувачів для збору веб-даних, xData збирає медіаінформацію за допомогою зручних для користувача плагінів і підтримує завантаження інформації про твіти.

Крім того, деякі платформи дозволяють експертам у певних галузях або звичайним користувачам виконувати завдання з попередньої обробки даних, такі як маркування зображень, класифікація даних, ці завдання можуть вимагати спеціальних знань у фінансовій та юридичній обробці даних, користувачі можуть токенізувати свої навички, реалізуючи колаборативне краудсорсинг попередньої обробки даних. Представник, як-от AI ринок Sahara AI, має різні завдання з даними в різних галузях, що може охоплювати багатогалузеві сценарії даних; в той час як Протокол AIT здійснює маркування даних за допомогою людино-машинної координації.

• Модель: У процесі розробки ШІ, про який згадувалося раніше, різні типи вимог потребують відповідних моделей. Для завдань обробки зображень зазвичай 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 деякі специфічні або загальні великі моделі. Моделі глибини, необхідні для завдань різної складності, також різні, іноді потрібна підстроювання моделей.

Деякі проекти підтримують користувачів у наданні різних типів моделей або у спільному навчанні моделей через краудсорсинг, як-от Sentient, який через модульний дизайн дозволяє користувачам розміщувати надійні дані моделей на рівні зберігання та розподілу для оптимізації моделей. Інструменти розробки, надані Sahara AI, вбудовані з передовими алгоритмами ШІ та обчислювальними фреймворками, а також мають можливість спільного навчання.

• Інференція та верифікація: Після навчання моделі, вона генерує файл ваг моделі, який може бути використаний для безпосередньої класифікації, прогнозування або виконання інших специфічних завдань, цей процес називається інференцією. Процес інференції зазвичай супроводжується механізмами верифікації, щоб перевірити, чи є джерело моделі правильним, чи є шкідливі дії тощо. Інференція Web3 зазвичай може бути інтегрована в смарт-контракти, шляхом виклику моделі для проведення інференції, поширеними методами верифікації є такі технології, як ZKML, OPML та TEE. Представникові проекти, такі як AI-оракул на ланцюзі ORA (OAO), впровадили OPML як верифікаційний шар для AI-оракулів, а на офіційному сайті ORA також згадується їхнє дослідження щодо ZKML та opp/ai (поєднання ZKML з OPML).

Прикладний рівень:

Цей рівень в основному є безпосередньо орієнтованим на користувача програмним забезпеченням, яке поєднує ШІ з Web3, створюючи більше цікавих та інноваційних способів гри. У цій статті в основному розглядаються проекти в таких секторах, як AIGC (AI-генерований контент), AI-агенти та аналіз даних.

• AIGC: Завдяки AIGC можна розширити можливості в Web3, зокрема у сфері NFT, ігор тощо, користувачі можуть безпосередньо за допомогою Prompt (підказки, наданої користувачем) генерувати текст, зображення та аудіо, а також навіть у іграх створювати індивідуалізовані персонажі відповідно до своїх вподобань.