Обзор экосистемы Web3-AI: глубинный анализ технологической логики, сценарных приложений и ведущих проектов

С учетом продолжающегося роста интереса к AI-нарративам, все больше внимания сосредоточено на этой области. В данной статье подробно проанализированы техническая логика, сценарии применения и представительные проекты в области Web3-AI, чтобы представить вам полную картину и тенденции развития этой сферы.

Один. Web3-AI: анализ технологической логики и новых рыночных возможностей

1.1 Логика слияния Web3 и ИИ: как определить трассу Web-AI

За последний год AI-нарратив стал необычайно популярным в индустрии Web3, и AI-проекты появляются как грибы после дождя. Хотя многие проекты связаны с AI-технологиями, некоторые из них используют AI лишь в определенных частях своих продуктов, и базовая токеномика не имеет существенной связи с AI-продуктами, поэтому такие проекты не будут обсуждаться в данной статье как Web3-AI проекты.

Основное внимание в статье уделяется проектам, которые используют блокчейн для решения проблем производственных отношений и AI для решения проблем производительных сил. Эти проекты сами по себе предоставляют AI-продукты и основаны на экономической модели Web3 в качестве инструмента производственных отношений, оба аспекта взаимодополняют друг друга. Мы классифицируем такие проекты как Web3-AI трек. Чтобы читатели лучше поняли Web3-AI трек, в дальнейшем будет подробно рассмотрен процесс разработки AI и его вызовы, а также то, как сочетание Web3 и AI может идеально решить проблемы и создать новые сценарии применения.

1.2 Процесс разработки ИИ и его вызовы: от сбора данных до вывода модели

Технология ИИ — это технология, позволяющая компьютерам имитировать, расширять и улучшать человеческий интеллект. Она позволяет компьютерам выполнять различные сложные задачи, от перевода языков и классификации изображений до распознавания лиц и автономного вождения; ИИ меняет способы нашей жизни и работы.

Процесс разработки моделей искусственного интеллекта обычно включает в себя следующие ключевые этапы: сбор данных и предварительная обработка данных, выбор и настройка модели, обучение модели и вывод. Приведем простой пример: для разработки модели, позволяющей классифицировать изображения кошек и собак, вам необходимо:

1. Сбор данных и предварительная обработка данных: соберите набор изображений, содержащий котов и собак, можно использовать открытые наборы данных или самостоятельно собрать реальные данные. Затем для каждого изображения укажите категорию (кот или собака), убедитесь, что метки точны. Преобразуйте изображения в формат, который может распознать модель, разделите набор данных на обучающую выборку, валидационную выборку и тестовую выборку.

2. Выбор и настройка модели: выберите подходящую модель, например, сверточную нейронную сеть (CNN), которая хорошо подходит для задач классификации изображений. Настройте параметры или архитектуру модели в зависимости от различных требований; как правило, уровень сети модели можно настроить в зависимости от сложности задачи ИИ. В этом простом примере классификации может быть достаточно более простой сети.

3. Обучение модели: можно использовать GPU, TPU или высокопроизводительные вычислительные кластеры для обучения модели, время обучения зависит от сложности модели и вычислительной мощности.

4. Моделирование вывода: Файлы, в которых обучена модель, обычно называются весами модели. Процесс вывода относится к использованию уже обученной модели для предсказания или классификации новых данных. В этом процессе можно использовать тестовый набор или новые данные для проверки эффективности классификации модели, и обычно используются такие показатели, как точность, полнота, F1-score и т.д., для оценки эффективности модели.

Как показано на рисунке, после сбора данных и предобработки данных, выбора и настройки модели, а также обучения, применение обученной модели на тестовом наборе данных даст предсказанные значения для кошек и собак P (вероятность), то есть вероятность того, что модель определяет объект как кошку или собаку.

Обученная модель ИИ может быть дополнительно интегрирована в различные приложения для выполнения различных задач. В этом примере модель ИИ для классификации котов и собак может быть интегрирована в мобильное приложение, в котором пользователи загружают изображения котов или собак и получают результаты классификации.

Однако централизованный процесс разработки ИИ сталкивается с некоторыми проблемами в следующих сценариях:

Конфиденциальность пользователей: в централизованных сценариях процесс разработки ИИ обычно непрозрачен. Данные пользователей могут быть украдены без их ведома и использованы для обучения ИИ.

Получение источника данных: небольшие команды или отдельные лица могут столкнуться с ограничениями на открытое получение данных в определенных областях (например, медицинских данных).

Выбор и настройка модели: для небольших команд сложно получить ресурсы модели в конкретной области или потратить значительные средства на настройку модели.

Получение вычислительной мощности: для индивидуальных разработчиков и небольших команд высокая стоимость покупки GPU и аренды облачной вычислительной мощности может представлять собой значительное экономическое бремя.

AI активы дохода: работники по аннотации данных часто не могут получить доход, соответствующий их усилиям, а результаты исследований разработчиков AI также трудно сопоставить с покупателями, имеющими спрос.

Вызовы, существующие в централизованных AI-сценариях, могут быть преодолены за счет интеграции с Web3, который, являясь новой формой производственных отношений, естественно адаптируется к AI, представляющему новую производственную силу, тем самым способствуя одновременному прогрессу технологий и производственных мощностей.

1.3 Синергия Web3 и ИИ: изменение ролей и инновационные приложения

Слияние Web3 и ИИ может укрепить суверенитет пользователей, предоставляя им открытую платформу для сотрудничества с ИИ, позволяя пользователям перейти от роли пользователей ИИ в эпоху Web2 к активным участникам, создавая ИИ, которым могут владеть все. В то же время, интеграция технологий ИИ и мира Web3 может привести к созданию большего количества инновационных сценариев применения и игровых возможностей.

На основе технологий Web3 разработка и применение ИИ вступят в совершенно новую систему совместной экономики. Конфиденциальность данных людей может быть защищена, модель краудсорсинга данных способствует прогрессу ИИ-моделей, множество открытых ресурсов ИИ доступно для пользователей, а совместные вычислительные мощности можно получить по низкой цене. С помощью децентрализованного механизма совместного краудсорсинга и открытого рынка ИИ можно реализовать справедливую систему распределения доходов, что в свою очередь будет стимулировать больше людей к продвижению прогресса технологий ИИ.

В сцене Web3 ИИ может оказать положительное влияние в нескольких областях. Например, ИИ модели могут быть интегрированы в смарт-контракты, повышая рабочую эффективность в различных приложениях, таких как рыночный анализ, безопасность, социальная кластеризация и множество других функций. Генеративный ИИ не только позволяет пользователям испытывать себя в роли "художника", например, создавая свои собственные NFT с помощью ИИ технологий, но и создает разнообразные игровые сцены и интересные интерактивные опыты в GameFi. Разнообразная инфраструктура обеспечивает плавный опыт разработки, и как эксперты в области ИИ, так и новички, желающие войти в мир ИИ, могут найти подходящий вход в этом мире.

Два, Интерпретация карты и архитектуры экосистемы Web3-AI

Мы в основном исследовали 41 проект в области Web3-AI и разделили эти проекты на разные уровни. Логика разделения каждого уровня представлена на следующем рисунке, включая уровень инфраструктуры, промежуточный уровень и уровень приложений, каждый из которых делится на разные сегменты. В следующей главе мы проведем глубокий анализ некоторых представительных проектов.

Инфраструктурный уровень охватывает вычислительные ресурсы и технологическую архитектуру, поддерживающие весь жизненный цикл ИИ, уровень посредничества включает управление данными, разработку моделей и сервисы верификации и вывода, а уровень приложений сосредоточен на различных приложениях и решениях, ориентированных непосредственно на пользователей.

Инфраструктурный уровень:

Инфраструктурный уровень является основой жизненного цикла ИИ. В этой статье вычислительные мощности, AI Chain и платформы разработки классифицируются как инфраструктурный уровень. Именно благодаря поддержке этой инфраструктуры возможно обучение и вывод ИИ моделей, а также предоставление мощных и полезных ИИ приложений пользователям.

• Децентрализованная вычислительная сеть: может предоставить распределенные вычислительные мощности для обучения AI моделей, обеспечивая эффективное и экономичное использование вычислительных ресурсов. Некоторые проекты предлагают децентрализованный рынок вычислительных мощностей, где пользователи могут арендовать мощности по низкой цене или делиться мощностями для получения прибыли, такими проектами являются IO.NET и Hyperbolic. Кроме того, некоторые проекты разработали новые способы, такие как Compute Labs, которые предложили токенизированный протокол, позволяющий пользователям участвовать в аренде вычислительных мощностей различными способами, покупая NFT, представляющие физические GPU.

• AI Chain: Использование блокчейна в качестве основы для жизненного цикла ИИ, обеспечивая бесшовное взаимодействие ИИ-ресурсов на цепочке и вне её, способствуя развитию отраслевых экосистем. Децентрализованный рынок ИИ на цепочке позволяет торговать ИИ-активами, такими как данные, модели, агенты и т.д., и предоставляет рамки для разработки ИИ и сопутствующие инструменты разработки, с проектом, представляющим Sahara AI. AI Chain также может способствовать прогрессу ИИ-технологий в различных областях, таких как Bittensor, который способствует конкуренции между подсетями различных типов ИИ через инновационный механизм стимулов для подсетей.

• Платформа разработки: некоторые проекты предлагают платформу для разработки AI-агентов, а также могут осуществлять сделки AI-агентов, такие как Fetch.ai и ChainML. Универсальные инструменты помогают разработчикам удобнее создавать, обучать и развертывать AI-модели, такими проектами является Nimble. Эта инфраструктура способствует широкому применению технологий AI в экосистеме Web3.

Средний уровень:

Этот уровень касается данных AI, моделей, а также вывода и проверки, используя технологии Web3, можно добиться более высокой эффективности работы.

• Данные: Качество и количество данных являются ключевыми факторами, влияющими на эффективность обучения модели. В мире Web3, благодаря краудсорсинговым данным и совместной обработке данных, можно оптимизировать использование ресурсов и снизить стоимость данных. Пользователи могут иметь автономию над данными, продавая свои данные с учетом защиты конфиденциальности, чтобы избежать кражи данных недобросовестными бизнесменами и получения высокой прибыли. Для сторон, нуждающихся в данных, эти платформы предлагают широкий выбор и очень низкие затраты. Представленные проекты, такие как Grass, используют пропускную способность пользователей для сбора веб-данных, xData собирает информацию о медиа через удобные плагины и поддерживает загрузку пользователями информации о твитах.

Кроме того, некоторые платформы позволяют экспертам в области или обычным пользователям выполнять задачи по предварительной обработке данных, такие как аннотирование изображений и классификация данных, которые могут требовать профессиональных знаний для обработки данных в финансовых и юридических задачах. Пользователи могут токенизировать свои навыки и реализовать сотрудничество в области предварительной обработки данных. Например, рынок AI, такой как Sahara AI, предлагает различные задачи с данными в разных областях, которые могут охватывать многопрофильные сценарии данных; в то время как AIT Protocolt осуществляет аннотирование данных с помощью сотрудничества человека и машины.

• Модель: В процессе разработки ИИ, о котором упоминалось ранее, различные типы требований требуют соответствующих моделей. Обычно для задач обработки изображений используются модели, такие как CNN и GAN, для задач обнаружения объектов можно выбрать серию Yolo, а для текстовых задач распространены модели, такие как RNN и Transformer, конечно же, есть и некоторые специфические или универсальные большие модели. Модели глубины также различаются в зависимости от сложности задач, иногда требуется доработка модели.

Некоторые проекты поддерживают пользователей в предоставлении различных типов моделей или в совместной тренировке моделей через краудсорсинг. Например, Sentient, благодаря модульному дизайну, позволяет пользователям размещать надежные данные моделей на уровне хранения и распределения для оптимизации моделей. Разработанные инструменты Sahara AI имеют встроенные передовые алгоритмы ИИ и вычислительные фреймворки, а также обладают возможностью совместной тренировки.

• Вывод и валидация: после обучения модель генерирует файл весов модели, который можно использовать для непосредственной классификации, прогнозирования или других специфических задач, этот процесс называется выводом. Процесс вывода обычно сопровождается механизмом валидации, чтобы проверить, правильен ли источник модели вывода, имеются ли злонамеренные действия и т.д. Вывод в Web3 обычно можно интегрировать в смарт-контракты, вызывая модель для вывода, распространенные способы валидации включают технологии ZKML, OPML и TEE. Представляющие проекты, такие как AI-оракул на цепочке ORA (OAO), вводят OPML в качестве проверяемого уровня для AI-оракула, на официальном сайте ORA также упоминается их исследование о ZKML и opp/ai (ZKML в сочетании с OPML).

Уровень приложения:

Этот уровень в основном представляет собой приложения, ориентированные на пользователя, которые объединяют ИИ и Web3.