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

Зі зростанням інтересу до AI-наративів, все більше уваги зосереджується на цій галузі. Проведено глибокий аналіз технологічної логіки, сценаріїв застосування та представницьких проєктів у Web3-AI, щоб повністю відобразити панораму та тенденції розвитку цієї сфери.

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

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

Протягом минулого року AI наратив у Web3 індустрії був надзвичайно популярним, проекти з AI виникали як гриби після дощу. Хоча багато проектів пов'язані з технологією AI, 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 у даній статті не входять до обговорення Web3-AI проектів.

Основна увага цієї статті зосереджена на проєктах, які використовують блокчейн для вирішення проблем виробничих відносин та AI для вирішення проблем продуктивності. Ці проєкти самі пропонують AI продукти, одночасно базуючись на економічній моделі Web3 як інструменті виробничих відносин, які взаємодоповнюють одне одного. Ми відносимо такі проєкти до категорії Web3-AI. Щоб читачі краще зрозуміли категорію Web3-AI, буде представлено процес розробки AI та виклики, а також як поєднання Web3 та AI ідеально вирішує проблеми та створює нові сценарії застосування.

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

Технологія ШІ — це технологія, яка дозволяє комп'ютерам імітувати, розширювати та покращувати 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 створення моделей штучного інтелекту зазвичай містить кілька ключових етапів: збір даних та попередня обробка даних, вибір моделі та її налаштування, 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 публічні набори даних або самостійно зібрати реальні дані. Потім для кожного зображення позначити категорію ( кіт або собака ), переконавшись, що мітки точні. Перетворити зображення в формат, який може розпізнати модель, поділити набір даних на навчальний набір, перевірочний набір і тестовий набір.

2. Вибір і налаштування моделі: вибір відповідної моделі, наприклад, згорткової нейронної мережі (CNN), яка найбільше підходить для завдань класифікації зображень. Налаштування параметрів або архітектури моделі відповідно до різних потреб, зазвичай, рівні мережі моделі можна налаштувати залежно від складності AI завдання. У цьому простому прикладі класифікації може бути достатньо більш поверхневих рівнів 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. Інференція моделі: Файл, в якому тренується модель, зазвичай називається вагами моделі. Процес інференції полягає у використанні вже натренованої 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, чутливість, F1-скор та ін.

Як показано на малюнку, після збору даних, попередньої обробки даних, вибору та налаштування моделі, а також навчання, застосування навченої моделі до тестового набору даних дає прогнозовані значення для котів і собак P(probability), тобто ймовірність того, що модель визначає, чи це кіт, чи собака.

Навчена модель ШІ може бути додатково інтегрована в різні програми для виконання різних завдань. У цьому прикладі модель ШІ 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 у 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.

Джерело даних: невеликі команди або особи, які отримують дані в специфічних областях (, таких як медичні дані ), можуть стикатися з обмеженнями на закритість даних.

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

Отримання обчислювальної потужності: для окремих розробників і невеликих команд висока вартість купівлі GPU та витрати на оренду хмарної обчислювальної потужності можуть стати значним економічним тягарем.

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

Виклики, що існують у централізованих AI-сценаріях, можуть бути подолані через поєднання з Web3. Web3 як новий тип виробничих відносин природно адаптується до AI, що представляє нові виробничі сили, що, в свою чергу, сприяє одночасному прогресу технологій та виробничих можливостей.

1.3 Спільний ефект Web3 та AI: зміна ролей та інноваційні застосування

Web3 та AI в поєднанні можуть посилити права користувачів, забезпечуючи відкриту платформу для співпраці з AI, що дозволяє користувачам перейти від використання AI в епоху Web2 до участі, створюючи AI, яким можуть володіти всі. Водночас, інтеграція світу Web3 та AI-технологій може призвести до виникнення нових інноваційних сценаріїв застосування та форм гри.

На основі технології Web3, розвиток і застосування AI зустріне нову співпрацючу економічну систему. Приватність даних людей може бути забезпечена, модель краудсорсингу даних сприяє прогресу AI моделей, безліч відкритих ресурсів AI доступні для користувачів, а спільні обчислювальні потужності можуть бути отримані за нижчою вартістю. За допомогою децентралізованого механізму співпраці та відкритого ринку AI можна реалізувати справедливу систему розподілу доходів, що стимулює більше людей сприяти прогресу технологій AI.

У сцені Web3 ШІ може мати позитивний вплив у кількох напрямках. Наприклад, моделі ШІ можуть бути інтегровані в смарт-контракти, підвищуючи ефективність роботи в різних застосунках, таких як ринковий аналіз, безпекова перевірка, соціальна кластеризація та багато інших функцій. Генеративний ШІ не тільки дозволяє користувачам відчути себе "артистами", наприклад, створюючи власні NFT за допомогою технології ШІ, але також може створювати різноманітні ігрові сцени та цікаві інтерактивні досвіди в GameFi. Розвинена інфраструктура забезпечує плавний досвід розробки, незалежно від того, чи є ви експертом із ШІ, чи новачком, який хоче увійти в цю сферу.

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 показана на наступному малюнку, включаючи рівень інфраструктури, середній 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 весь життєвий цикл AI, середній рівень включає в себе управління даними, розробку моделей та сервіси верифікації та інференції, які з'єднують інфраструктуру з додатками, а рівень додатків зосереджується на різних додатках та рішеннях, орієнтованих безпосередньо на користувачів.

Інфраструктурний рівень:

Інфраструктурний рівень є основою життєвого циклу ШІ, у цій статті обчислювальні потужності, AI Chain та платформи розробки класифікуються як інфраструктурний рівень. Саме підтримка цих інфраструктур дозволяє здійснювати навчання та інференцію моделей ШІ, а також представляти користувачам потужні та практичні програми ШІ.

• Децентралізована обчислювальна мережа: може надати розподілену обчислювальну потужність для навчання AI моделей, забезпечуючи ефективне та економічне використання обчислювальних ресурсів. Деякі проекти пропонують децентралізовані ринки потужності, де користувачі можуть орендувати обчислювальну потужність за низькою ціною або ділитися потужністю для отримання прибутку, такими проектами є IO.NET та Hyperbolic. Крім того, деякі проекти розвинули нові ідеї, такі як Compute Labs, які запропонували токенізовані протоколи, де користувачі можуть купувати NFT, що представляють фізичні GPU, і брати участь в оренді потужності різними способами для отримання прибутку.

• AI Chain: Використання блокчейну як основи для життєвого циклу AI, забезпечуючи безшовну взаємодію AI-ресурсів на ланцюзі та поза ним, сприяючи розвитку галузевої екосистеми. Децентралізований AI-ринок на ланцюзі може торгувати AI-активами, такими як дані, моделі, агенти тощо, та надає AI-розробницькі фреймворки і супутні інструменти для розробки, приклад проекту - Sahara AI. AI Chain також може сприяти прогресу AI-технологій у різних сферах, такі як Bittensor, що сприяє конкуренції підмереж різних типів AI за допомогою інноваційного механізму 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 зручніше створювати, навчати та впроваджувати AI-моделі, такими проектами є Nimble. Ця інфраструктура сприяє широкому застосуванню технологій AI в екосистемі Web3.

Середній рівень:

Цей рівень стосується даних AI, моделей, а також міркувань і валідації, використання технології Web3 може забезпечити вищу продуктивність.

• Дані: Якість та кількість даних є ключовими факторами, що впливають на ефективність навчання моделей. У світі Web3, через краудсорсингові дані та спільну обробку даних, можна оптимізувати використання ресурсів і знизити витрати на дані. Користувачі можуть мати автономію над даними, продаючи свої дані в умовах захисту конфіденційності, щоб уникнути викрадення даних недобросовісними підприємцями та отримання високих прибутків. Для замовників даних ці платформи надають широкий вибір і надзвичайно низькі витрати. Представлені проекти, такі як Grass, використовують пропускну здатність користувачів для збору веб-даних, xData збирає медіаінформацію за допомогою зручних для користувачів плагінів і підтримує завантаження користувачами інформації про твіти.

Крім того, деякі платформи дозволяють експертам у галузі або звичайним користувачам виконувати завдання з попередньої обробки даних, такі як позначення зображень, класифікація даних, ці завдання можуть вимагати спеціальних знань у фінансовій та юридичній обробці даних, користувачі можуть токенізувати свої навички, реалізуючи колективне краудсорсинг попередньої обробки даних. Представник, такий як AI ринок Sahara AI, має дані завдання в різних галузях, може охоплювати багатогалузеві сценарії даних; а AIT Protocolt здійснює позначення даних через взаємодію людини і машини.

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

Деякі проекти підтримують користувачів, які надають різні типи моделей або співпрацюють у навчанні моделей через краудсорсинг, такі як Sentient, який через модульний дизайн дозволяє користувачам розміщувати надійні дані моделей на рівні зберігання та розподілу для оптимізації моделей. Інструменти розробки, що надаються Sahara AI, вбудовані з передовими алгоритмами ШІ та обчислювальними фреймворками, а також мають можливості для співпраці в навчанні.

• Висновок і верифікація: Модель після навчання генерує файл ваг моделі, який можна використовувати для безпосередньої класифікації, прогнозування або інших конкретних завдань, цей процес називається висновком. Процес висновку зазвичай супроводжується механізмом верифікації, щоб перевірити, чи є джерело моделі вірним, чи не має зловмисної поведінки тощо. Висновок Web3 зазвичай може бути інтегрований в смарт-контракти, шляхом виклику моделі для висновку, поширеними способами верифікації є технології ZKML, OPML і TEE тощо. Представлені проекти, такі як AI оракул ORA на блокчейні (OAO), ввели OPML як верифікаційний шар для AI оракула, на офіційному сайті ORA також згадувалося їхнє дослідження, що стосується поєднання ZKML та opp/ai(ZKML з OPML).

Прикладний рівень:

Цей рівень переважно орієнтований на користувача додатків, об'єднуючи ШІ з Web3, створюючи більше цікавих та інноваційних способів гри. У цій статті основна увага приділяється проектам у кількох секторах: AIGC(AI генерований контент), AI агенти та аналіз даних.

• AIGC: за допомогою AIGC можна розширити до