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

Dengan semakin meningkatnya perhatian terhadap narasi AI, semakin banyak perhatian tertuju pada jalur ini. Artikel ini menganalisis secara mendalam logika teknis, skenario aplikasi, dan proyek-proyek perwakilan dari 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 Menentukan Jalur Web-AI

Dalam setahun terakhir, narasi AI telah menjadi sangat populer di industri Web3, dengan proyek AI muncul seperti jamur setelah hujan. Meskipun banyak proyek yang melibatkan teknologi AI, beberapa proyek hanya menggunakan AI di beberapa bagian produk mereka, dan ekonomi token yang mendasarinya tidak memiliki hubungan substansial dengan produk AI, sehingga proyek semacam ini tidak termasuk dalam diskusi tentang proyek Web3-AI dalam artikel ini.

Fokus artikel ini adalah pada proyek-proyek yang menggunakan blockchain untuk menyelesaikan masalah hubungan produksi dan AI untuk menyelesaikan masalah produktivitas. Proyek-proyek ini sendiri menyediakan produk AI, sekaligus berbasis model ekonomi Web3 sebagai alat hubungan produksi, keduanya saling melengkapi. Kami mengklasifikasikan jenis proyek ini sebagai jalur Web3-AI. Untuk membantu pembaca lebih memahami jalur Web3-AI, selanjutnya akan dijelaskan proses pengembangan AI dan tantangan yang dihadapi, serta bagaimana kombinasi 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 terjemahan bahasa, klasifikasi gambar, hingga pengenalan wajah, dan aplikasi seperti mengemudi otomatis. AI sedang mengubah cara kita hidup dan bekerja.

Proses pengembangan model kecerdasan buatan biasanya mencakup beberapa langkah kunci berikut: pengumpulan data dan pra-pemrosesan data, pemilihan dan penyesuaian model, pelatihan dan inferensi model. Sebagai contoh sederhana, untuk mengembangkan model yang 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 untuk setiap gambar ( kucing atau anjing ), pastikan labelnya akurat. Ubah gambar menjadi format yang dapat dikenali model, bagi dataset menjadi set pelatihan, set validasi, dan set pengujian.

2. Pemilihan dan Penyesuaian Model: Pilih model yang sesuai, seperti jaringan saraf konvolusional (CNN), yang lebih cocok untuk tugas klasifikasi gambar. Sesuaikan parameter atau arsitektur model sesuai dengan kebutuhan yang berbeda, biasanya, tingkat 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 model biasanya disebut sebagai bobot model, proses inferensi mengacu pada penggunaan model yang sudah dilatih untuk memprediksi atau mengklasifikasikan data baru. Dalam proses ini, dapat digunakan set pengujian atau data baru untuk menguji efektivitas klasifikasi model, biasanya dievaluasi menggunakan metrik seperti akurasi, recall, dan F1-score.

Seperti yang ditunjukkan pada gambar, setelah pengumpulan data dan pra-pemrosesan data, pemilihan dan penyetelan model, serta pelatihan, model yang telah dilatih diuji pada kumpulan data uji untuk menghasilkan nilai prediksi kucing dan anjing P(probability), yaitu probabilitas yang dihasilkan oleh model untuk mengidentifikasi apakah itu kucing atau anjing.

Model AI yang telah dilatih 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 ponsel, di mana pengguna mengunggah gambar kucing atau anjing, dan dapat memperoleh 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 yang didapat: Tim kecil atau individu yang mendapatkan data di bidang tertentu ( seperti data medis ), mungkin akan menghadapi batasan tidak terbukanya data.

Pemilihan dan penyesuaian model: Untuk tim kecil, sulit untuk mendapatkan sumber daya model di bidang tertentu atau menghabiskan banyak biaya untuk penyesuaian model.

Perolehan daya komputasi: Bagi pengembang individu dan tim kecil, biaya pembelian GPU yang tinggi dan biaya sewa daya komputasi cloud dapat menjadi beban ekonomi yang signifikan.

Pendapatan aset AI: Pekerja penandaan data sering kali tidak dapat memperoleh pendapatan yang sebanding dengan upaya mereka, sementara hasil penelitian pengembang AI juga sulit untuk dipadankan dengan pembeli yang membutuhkan.

Tantangan yang ada dalam skenario AI terpusat dapat diatasi melalui kombinasi dengan Web3. Web3 sebagai bentuk hubungan produksi yang baru, secara alami cocok dengan AI yang mewakili kekuatan produksi baru, sehingga mendorong kemajuan teknologi dan kemampuan produksi secara bersamaan.

1.3 Sinergi Web3 dan AI: Perubahan Peran dan Aplikasi Inovatif

Kombinasi Web3 dan AI dapat meningkatkan kedaulatan pengguna, menyediakan platform kolaborasi AI terbuka bagi pengguna, sehingga pengguna dapat beralih dari pengguna AI di era Web2 menjadi peserta, menciptakan AI yang dapat dimiliki oleh semua orang. Selain itu, penggabungan dunia Web3 dan teknologi AI juga dapat menghasilkan lebih banyak skenario aplikasi dan cara bermain yang inovatif.

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

Dalam skenario Web3, AI dapat memberikan 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, klustering sosial, dan berbagai fungsi lainnya. AI generatif tidak hanya memungkinkan pengguna merasakan peran "seniman", seperti menggunakan teknologi AI untuk membuat NFT mereka sendiri, tetapi juga dapat menciptakan berbagai skenario permainan dan pengalaman interaksi yang menarik dalam GameFi. Infrastruktur yang kaya menyediakan pengalaman pengembangan yang mulus, baik bagi para ahli AI maupun pemula yang ingin memasuki bidang AI dapat menemukan pintu masuk yang tepat di dunia ini.

Dua, Peta dan Struktur Proyek Ekosistem Web3-AI

Kami terutama mempelajari 41 proyek di jalur Web3-AI dan membagi proyek-proyek ini ke dalam berbagai tingkat. Logika pembagian setiap tingkat ditunjukkan pada gambar di bawah ini, termasuk lapisan infrastruktur, lapisan menengah, dan lapisan aplikasi, masing-masing 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 operasi sepanjang siklus hidup AI, lapisan menengah mencakup manajemen data, pengembangan model, dan layanan inferensi verifikasi yang menghubungkan infrastruktur dengan aplikasi, sedangkan lapisan aplikasi berfokus pada berbagai aplikasi dan solusi yang langsung ditujukan kepada 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 daya komputasi terdistribusi untuk pelatihan model AI, memastikan pemanfaatan sumber daya komputasi yang efisien dan ekonomis. Beberapa proyek menawarkan pasar daya komputasi terdesentralisasi, di mana pengguna dapat menyewa daya komputasi dengan biaya rendah atau berbagi daya 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 daya komputasi dengan cara berbeda untuk mendapatkan keuntungan melalui pembelian 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 rantai, serta mendorong perkembangan ekosistem industri. Pasar AI terdesentralisasi di dalam rantai dapat memperdagangkan aset AI seperti data, model, agen, dan menyediakan kerangka pengembangan AI serta alat pengembangan yang mendukung, proyek yang diwakili seperti Sahara AI. AI Chain juga dapat memfasilitasi kemajuan teknologi AI di berbagai bidang, seperti Bittensor yang mempercepat kompetisi subnet AI yang berbeda melalui mekanisme insentif subnet yang inovatif.

• Platform pengembangan: Beberapa proyek menyediakan platform pengembangan agen AI, yang juga dapat melakukan perdagangan agen AI, seperti Fetch.ai dan ChainML. Alat satu atap membantu pengembang untuk lebih mudah dalam membuat, melatih, dan menerapkan model AI, mewakili 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, kita dapat mengoptimalkan pemanfaatan sumber daya dan mengurangi biaya data. Pengguna dapat memiliki otonomi atas data, menjual data mereka sendiri dalam perlindungan privasi, untuk menghindari data dicuri oleh pedagang yang tidak bertanggung jawab dan meraup keuntungan tinggi. 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 pakar bidang atau pengguna biasa untuk melakukan tugas pra-pemrosesan data, seperti pelabelan gambar, pengklasifikasian data, tugas-tugas ini mungkin memerlukan pemrosesan data untuk tugas keuangan dan hukum yang memiliki pengetahuan profesional. Pengguna dapat men-token-kan keterampilan mereka untuk mewujudkan kolaborasi crowdsourcing dalam pra-pemrosesan data. Contohnya adalah pasar AI seperti Sahara AI, yang memiliki tugas data dari berbagai bidang, dapat mencakup skenario data multi-domain; sementara AIT Protocol melakukan pelabelan data melalui cara kolaborasi manusia dan mesin.

• Model: Dalam proses pengembangan AI yang telah disebutkan sebelumnya, berbagai jenis kebutuhan memerlukan model yang sesuai. Model yang umum digunakan untuk tugas gambar seperti CNN, GAN, untuk tugas deteksi objek dapat memilih seri Yolo, sedangkan untuk tugas berbasis teks, model yang umum adalah RNN, Transformer, dan tentu saja ada beberapa model besar yang spesifik atau umum. Tugas dengan tingkat kompleksitas yang berbeda memerlukan kedalaman model yang berbeda pula, dan kadang-kadang 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 dan kerangka komputasi yang canggih, serta memiliki kemampuan pelatihan kolaboratif.

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

Tingkat aplikasi:

Tingkat ini terutama merupakan aplikasi yang langsung ditujukan untuk pengguna, menggabungkan AI dengan Web3, menciptakan lebih banyak cara yang menarik dan inovatif. Artikel ini terutama mengulas proyek-proyek di beberapa sektor seperti AIGC(, konten yang dihasilkan AI), agen AI, dan analisis data.

• AIGC: Melalui AIGC dapat diperluas ke dalam NFT, permainan dan bidang lainnya di Web3, pengguna dapat langsung menghasilkan teks, gambar, dan audio melalui Prompt( yang diberikan oleh pengguna, bahkan dapat menghasilkan cara bermain yang disesuaikan berdasarkan preferensi mereka dalam permainan. Proyek NFT seperti NFPrompt, pengguna dapat menghasilkan NFT dengan AI untuk diperdagangkan di pasar; permainan seperti Sleepless, pengguna membentuk kepribadian pasangan virtual melalui dialog untuk mencocokkan preferensi mereka;

• Agen AI: merujuk pada sistem kecerdasan buatan yang dapat secara mandiri menjalankan tugas dan membuat keputusan. Agen AI biasanya memiliki kemampuan persepsi, penalaran, pembelajaran, dan tindakan, dan dapat menjalankan tugas kompleks di berbagai lingkungan. Agen AI yang umum seperti penerjemahan bahasa,