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

З продовженням зростання AI наративу все більше уваги зосереджується на цьому напрямку. Проведено глибокий аналіз технологічної логіки, застосункових сценаріїв та представницьких проєктів у галузі Web3-AI, щоб повністю представити панораму та тенденції розвитку цієї сфери.

I. Web3-AI: Аналіз технологічної логіки та можливостей нових ринків

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

Протягом минулого року AI наратив у Web3 індустрії був надзвичайно популярним, AI проекти з'являлися як гриби після дощу. Хоча існує багато проектів, що використовують AI технології, деякі з них застосовують AI лише в деяких частинах своїх продуктів, а основна токеноміка не має суттєвого зв'язку з AI продуктами, тому такі проекти не підпадають під обговорення Web3-AI проектів у цій статті.

Основна увага в цій статті приділяється проектам, які використовують блокчейн для вирішення проблем виробничих відносин, а штучний інтелект — для вирішення проблем продуктивності. Ці проекти самі по собі надають продукти ШІ, одночасно базуючись на економічній моделі Web3 як інструменті виробничих відносин, що доповнюють один одного. Ми класифікуємо такі проекти як Web3-AI трек. Щоб читачі краще зрозуміли трек Web3-AI, буде представлено процес розробки ШІ та виклики, а також як поєднання Web3 і ШІ ідеально вирішує проблеми та створює нові сценарії застосування.

1.2 Розробка та виклики AI: від збору даних до моделювання висновків

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

Процес розробки моделей штучного інтелекту зазвичай містить кілька ключових етапів: збір даних та їх попередня обробка, вибір та 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 і собак, можна використовувати відкриті набори даних або самостійно зібрати реальні дані. Потім кожному зображенню потрібно присвоїти категорію (кіт або собака), забезпечуючи точність міток. Перетворіть зображення в формат, який може розпізнати модель, розділіть набір даних на навчальний набір, валідаційний набір та тестовий набір.

2. Вибір і налаштування моделі: вибір відповідної моделі, наприклад, згорткової нейронної мережі (CNN), є більш підходящим для задачі класифікації зображень. Налаштування параметрів або архітектури моделі відповідно до різних вимог, зазвичай, ієрархію мережі моделі можна налаштувати відповідно до складності AI завдання. У цьому простому прикладі класифікації може бути достатньо більш поверхневої ієрархії 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: Файли, які отримані після навчання моделі, зазвичай називають вагами моделі. Процес інференції означає 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 схемі, після збору даних і попередньої обробки даних, вибору моделі та налаштування, а також навчання, застосування навченого моделі до тестового набору даних дає прогнозовані значення для котів і собак P (ймовірність), тобто ймовірність того, що модель визначає об'єкт як кота чи 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 таких ситуаціях:

Приватність користувачів: у централізованих сценаріях процес розробки ШІ зазвичай є непрозорим. Дані користувачів можуть бути викрадені без відома і використані для навчання ШІ.

Джерело даних: невеликі команди або окремі особи, які отримують дані в певній області (наприклад, медичні дані), можуть зіткнутися з обмеженнями в отриманні закритих даних.

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

Отримання обчислювальної потужності: для окремих розробників та малих команд висока вартість покупки GPU та витрати на оренду хмарної обчислювальної потужності можуть становити значне економічне навантаження.

AI активи доходу: працівники з маркування даних часто не можуть отримати доход, що відповідає їх витратам, а дослідження розробників AI також важко узгодити з покупцями, які мають попит.

Виклики, що існують у централізованих AI-сценаріях, можуть бути подолані шляхом інтеграції з Web3. Web3, як нова форма виробничих відносин, природно адаптується до AI, що представляє нові виробничі сили, що сприяє одночасному прогресу технологій та виробничих можливостей.

1.3 Web3 та AI: Синергія, зміна ролей та інноваційні застосування

Поєднання Web3 та AI може зміцнити суверенітет користувачів, надаючи їм відкриту платформу для співпраці з AI, що дозволяє користувачам перетворитися з користувачів AI епохи Web2 на учасників, створюючи AI, яким можуть володіти всі. Водночас, інтеграція світу Web3 та технологій AI може призвести до виникнення нових інноваційних застосувань і ігор.

На базі технології Web3 розробка та застосування штучного інтелекту (ШІ) зустрінуть абсолютно нову систему кооперативної економіки. Конфіденційність даних людей може бути захищеною, 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 прогресу технології ШІ.

У сцені Web3 ШІ здатний мати позитивний вплив у різних сферах. Наприклад, моделі ШІ можуть бути інтегровані в смарт-контракти, підвищуючи ефективність роботи в різних застосунках, таких як ринковий аналіз, перевірка безпеки, соціальна кластеризація та багато інших функцій. Генеративний ШІ може не лише дозволити користувачам відчути себе "художником", наприклад, використовуючи технології ШІ для створення власних NFT, але й створювати різноманітні ігрові сцени та цікаві інтерактивні досвіди у GameFi. Багата інфраструктура забезпечує плавний процес розробки, де як експерти ШІ, так і новачки, які хочуть увійти в цю галузь, можуть знайти відповідний шлях у цьому світі.

Два, аналіз карти та архітектури екосистеми Web3-AI

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

Інфраструктурний рівень охоплює обчислювальні ресурси та технологічну архітектуру, що підтримують весь життєвий цикл AI, а середній рівень включає управління даними, розробку моделей та послуги верифікації та висновування, що з'єднують інфраструктуру з додатками. Рівень додатків зосереджується на різних додатках і рішеннях, що безпосередньо орієнтовані на користувачів.

Інфраструктурний рівень:

Інфраструктурний шар є основою життєвого циклу ШІ, у цій статті обчислювальну потужність, AI Chain та розробницьку платформу класифікують як інфраструктурний шар. Саме підтримка цих інфраструктур дозволяє здійснити навчання та висновок моделей ШІ, а також представити потужні та практичні програми ШІ користувачам.

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

• AI Chain: Використання блокчейну як основи життєвого циклу AI, що забезпечує безшовну взаємодію AI-ресурсів на ланцюгу та поза ним, сприяючи розвитку галузевої екосистеми. Децентралізований AI-ринок на ланцюгу дозволяє торгівлю AI-активами, такими як дані, моделі, агенти тощо, та надає AI-розробницькі рамки та супутні інструменти розробки, прикладом проєкту є Sahara AI. AI Chain також може сприяти прогресу AI-технологій у 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, також можливий обмін AI-агентами, такі як Fetch.ai та ChainML. Універсальні інструменти допомагають розробникам зручніше створювати, навчати та впроваджувати AI моделі, представлений проект Nimble. Ця інфраструктура сприяє широкому впровадженню AI технологій в екосистемі Web3.

Проміжний шар:

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

• Дані: Якість і кількість даних є ключовими факторами, що впливають на ефективність навчання моделей. У світі Web3 через краудсорсинг даних та кооперативну обробку даних можна оптимізувати використання ресурсів і знизити витрати на дані. Користувачі можуть мати автономію над своїми даними, продаючи їх у захищеному режимі конфіденційності, щоб уникнути викрадення даних недобросовісними компаніями та отримання високих прибутків. Щодо замовників даних, ці платформи пропонують широкий вибір та дуже низькі витрати. Представлені проекти, такі як Grass, використовують пропускну здатність користувачів для збору веб-даних, xData збирає медіаінформацію через зручні для користувача плагіни та підтримує можливість завантаження інформації про твіти.

Крім того, деякі платформи дозволяють експертам у своїй галузі або звичайним користувачам виконувати завдання з попередньої обробки даних, такі як маркування зображень, класифікація даних, які можуть вимагати професійних знань у фінансових та юридичних завданнях з обробки даних. Користувачі можуть токенізувати свої навички, реалізуючи колаборативний краудсорсинг попередньої обробки даних. Прикладом є ринок AI, такий як Sahara AI, що охоплює різноманітні завдання з даними в різних галузях, здатний покривати багатогалузеві сценарії даних; тоді як AIT Protocolt здійснює маркування даних за допомогою співпраці між людиною та машиною.

• Модель: У процесі розробки AI, про який вже згадувалось раніше, для різних типів потреб потрібно підбирати відповідну модель. Для завдань з обробки зображень часто використовують моделі, такі як CNN, GAN; для завдань з виявлення об'єктів можна обрати серію Yolo; для текстових завдань поширені моделі RNN, Transformer тощо, звичайно, є й деякі специфічні або універсальні великі моделі. Моделі Глибина, необхідні для завдань різної складності, також відрізняються, іноді потрібно налаштовувати модель.

Деякі проекти підтримують користувачів у наданні різних типів моделей або в співпраці по навчанню моделей через краудсорсинг, такі як Sentient, завдяки модульному дизайну, 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 можливість співпраці в навчанні.

• Висновок 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 правильне походження моделі висновку, чи є зловмисна діяльність тощо. Висновок Web3 зазвичай може бути інтегрований у смарт-контракти, через виклик моделі для висновку, звичайні методи верифікації включають такі технології, як ZKML, OPML та TEE. Представлені проекти, такі як AI оракул на ланцюгу ORA (OAO), впровадили OPML як верифікаційний шар для AI оракула, на офіційному сайті ORA також згадується їхнє дослідження щодо ZKML та opp/ai (ZKML у поєднанні з OPML).

Рівень застосування:

Цей рівень в основному є додатками, які безпосередньо орієнтовані на користувача, поєднують ШІ з Web3, створюючи більше цікавого