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

Dengan terus meningkatnya perhatian terhadap narasi AI, semakin banyak fokus tertuju pada jalur ini. Artikel ini melakukan analisis mendalam terhadap logika teknis, skenario aplikasi, dan proyek-proyek perwakilan dari jalur Web3-AI, untuk memberikan gambaran menyeluruh tentang panorama dan tren perkembangan di bidang ini.

I. Web3-AI: Analisis Logika Teknologi dan Peluang Pasar Baru

1.1 Logika Penggabungan Web3 dan AI: Bagaimana Mendefinisikan Jalur Web-AI

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

Fokus artikel ini adalah pada penggunaan blockchain untuk menyelesaikan masalah hubungan produksi, proyek yang menggunakan AI untuk menyelesaikan masalah produktivitas, di mana proyek-proyek ini sendiri menyediakan produk AI, dan pada saat yang sama berdasarkan model ekonomi Web3 sebagai alat hubungan produksi, keduanya saling melengkapi. Kami mengklasifikasikan jenis proyek ini sebagai jalur Web3-AI. Untuk membuat pembaca lebih memahami jalur Web3-AI, berikut akan dijelaskan proses pengembangan AI dan tantangannya, 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 berkendara 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 dapat mengklasifikasikan gambar kucing dan anjing, Anda perlu:

1. Pengumpulan data dan praproses data: Kumpulkan dataset gambar yang berisi kucing dan anjing, dapat menggunakan dataset publik atau mengumpulkan data nyata sendiri. Kemudian beri label kategori (kucing atau anjing) untuk setiap gambar, pastikan labelnya akurat. Ubah gambar menjadi format yang dapat dikenali oleh 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 cukup cocok untuk tugas klasifikasi gambar. Sesuaikan parameter atau arsitektur model sesuai kebutuhan yang berbeda, umumnya, lapisan jaringan model dapat disesuaikan berdasarkan kompleksitas tugas AI. Dalam contoh klasifikasi sederhana ini, lapisan jaringan yang lebih dangkal mungkin sudah cukup.

3. Pelatihan model: Anda dapat menggunakan GPU, TPU, atau cluster komputasi berkinerja tinggi untuk melatih model, waktu pelatihan dipengaruhi oleh kompleksitas model dan kemampuan komputasi.

4. Inferensi Model: File yang telah dilatih model biasanya disebut bobot model, proses inferensi merujuk pada penggunaan model yang telah dilatih untuk memprediksi atau mengklasifikasikan data baru. Dalam proses ini, dapat digunakan set pengujian atau data baru untuk menguji efektivitas klasifikasi model, yang biasanya dinilai dengan metrik seperti akurasi, recall, dan F1-score.

Seperti yang ditunjukkan pada gambar, setelah pengumpulan data dan pra-pemrosesan data, pemilihan dan penyempurnaan model, serta pelatihan, model yang telah dilatih diuji pada kumpulan data pengujian untuk menghasilkan nilai prediksi kucing dan anjing P (probabilitas), yaitu probabilitas model memperkirakan bahwa itu adalah kucing atau anjing.

Model AI yang sudah dilatih dapat lebih lanjut diintegrasikan ke berbagai aplikasi, menjalankan tugas yang berbeda. Dalam contoh ini, model AI klasifikasi kucing dan anjing dapat diintegrasikan ke dalam aplikasi ponsel, di mana pengguna mengunggah gambar kucing atau anjing, dan akan mendapatkan 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 diperoleh: Tim kecil atau individu dalam memperoleh data di bidang tertentu (seperti data medis) mungkin akan menghadapi batasan data yang tidak bersumber terbuka.

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

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

Pendapatan Aset AI: Pekerja penandaan data sering kali tidak dapat memperoleh pendapatan yang sebanding dengan usaha 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, di mana Web3 sebagai hubungan produksi baru secara alami cocok untuk mewakili produktivitas baru AI, sehingga mendorong kemajuan teknologi dan kapasitas produksi secara bersamaan.

1.3 Web3 dan AI: Efek Sinergi, Perubahan Peran dan Aplikasi Inovatif

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

Berdasarkan teknologi Web3, pengembangan dan penerapan AI akan menyambut sistem ekonomi kolaboratif yang baru. Privasi data orang dapat terjamin, model data crowdsourcing mendorong kemajuan model AI, berbagai sumber daya AI sumber terbuka tersedia untuk pengguna, dan daya komputasi yang dibagikan dapat diperoleh dengan biaya yang lebih rendah. Dengan bantuan mekanisme crowdsourcing kolaboratif terdesentralisasi dan pasar AI yang terbuka, sistem distribusi pendapatan yang adil dapat diwujudkan, sehingga mendorong lebih banyak orang untuk memajukan kemajuan teknologi AI.

Dalam skenario Web3, AI dapat memberikan dampak positif di berbagai bidang. Misalnya, model AI dapat diintegrasikan ke dalam kontrak pintar untuk meningkatkan efisiensi kerja dalam berbagai aplikasi, seperti analisis pasar, deteksi keamanan, pengelompokan 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 lancar, baik untuk ahli AI maupun pemula yang ingin memasuki bidang AI dapat menemukan pintu masuk yang sesuai di dunia ini.

Dua, Peta dan Arsitektur Proyek Ekosistem Web3-AI

Kami terutama meneliti 41 proyek di jalur Web3-AI dan membagi proyek-proyek tersebut ke dalam berbagai tingkatan. Logika pembagian setiap tingkatan ditunjukkan dalam gambar di bawah ini, termasuk lapisan infrastruktur, lapisan menengah, dan lapisan aplikasi, di mana setiap lapisan dibagi 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 seluruh siklus hidup AI, sementara lapisan menengah mencakup manajemen data, pengembangan model, dan layanan verifikasi inferensi yang menghubungkan infrastruktur dengan aplikasi, dan 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. Dukungan dari infrastruktur ini memungkinkan pelatihan dan inferensi model AI, serta menyajikan aplikasi AI yang kuat dan praktis 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 yang mewakili seperti IO.NET dan Hyperbolic. Selain itu, beberapa proyek telah menghasilkan cara baru untuk bermain, seperti Compute Labs, yang mengajukan protokol tokenisasi, di mana pengguna dapat berpartisipasi dalam penyewaan daya komputasi untuk mendapatkan keuntungan dengan membeli NFT yang mewakili entitas GPU.

• AI Chain: Memanfaatkan blockchain sebagai dasar siklus hidup AI, 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, dengan proyek-proyek perwakilan seperti Sahara AI. AI Chain juga dapat memfasilitasi kemajuan teknologi AI di berbagai bidang, seperti Bittensor yang mendorong persaingan 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 serba ada membantu pengembang untuk lebih mudah membuat, melatih, dan menerapkan model AI, dengan proyek perwakilan seperti Nimble. Infrastruktur ini memfasilitasi penerapan teknologi AI yang luas dalam ekosistem Web3.

Lapisan Tengah:

Tingkat ini melibatkan data AI, model, serta inferensi dan verifikasi, di mana teknologi Web3 dapat meningkatkan efisiensi kerja.

• Data: Kualitas dan jumlah data adalah faktor kunci yang mempengaruhi efektivitas pelatihan model. Di dunia Web3, melalui data yang dikumpulkan secara crowdsourcing dan pemrosesan data kolaboratif, dapat mengoptimalkan pemanfaatan sumber daya dan mengurangi biaya data. Pengguna dapat memiliki hak atas data, menjual data mereka sendiri dengan perlindungan privasi, untuk menghindari pencurian data oleh pedagang nakal dan mendapatkan keuntungan yang tinggi. Bagi pihak yang membutuhkan data, platform-platform ini menawarkan berbagai pilihan dan biaya yang sangat rendah. 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 ahli di bidang tertentu atau pengguna umum untuk melakukan tugas praproses data, seperti penandaan gambar, pengklasifikasian data, yang mungkin memerlukan pengetahuan profesional dalam tugas pemrosesan data keuangan dan hukum. Pengguna dapat men-token-kan keterampilan mereka untuk mewujudkan kolaborasi crowdsourcing dalam praproses data. Contohnya adalah pasar AI seperti Sahara AI, yang memiliki berbagai tugas data di bidang yang berbeda, dapat mencakup berbagai skenario data; sementara AIT Protocol melakukan penandaan data melalui kolaborasi manusia dan mesin.

• Model: Dalam proses pengembangan AI yang telah disebutkan sebelumnya, berbagai jenis kebutuhan memerlukan pencocokan model yang sesuai. Model yang umum digunakan untuk tugas gambar seperti CNN, GAN, untuk tugas deteksi objek dapat memilih seri Yolo, sedangkan untuk tugas teks, model umum yang digunakan adalah RNN, Transformer, dan tentu saja ada beberapa model besar yang spesifik atau umum. Kedalaman model yang dibutuhkan untuk tugas dengan kompleksitas yang berbeda juga berbeda, terkadang memerlukan penyesuaian terhadap model.

Beberapa proyek mendukung pengguna untuk menyediakan berbagai jenis model atau berkolaborasi dalam pelatihan model melalui cara crowdsourcing, seperti Sentient yang melalui desain modular, memungkinkan pengguna untuk menempatkan data model yang dapat dipercaya di lapisan penyimpanan, lapisan distribusi untuk optimasi model, dan alat pengembangan yang disediakan oleh Sahara AI dilengkapi dengan algoritma AI canggih dan kerangka komputasi, serta memiliki kemampuan pelatihan kolaboratif.

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

Lapisan aplikasi:

Lapisan ini terutama adalah aplikasi yang langsung ditujukan untuk pengguna, menggabungkan AI dengan Web3.