Звіт про панораму Web3-AI: глибокий аналіз технологічної логіки, сценарних застосувань та топових проєктів

З розвитком AI-наративу все більше уваги зосереджується на цьому напрямку. У цій статті проведено глибокий аналіз технічної логіки, сценаріїв застосування та представницьких проєктів у сфері Web3-AI, щоб повністю представити вам панораму та тенденції розвитку цієї області.

Один, Web3-AI: аналіз технологічної логіки та нових ринкових можливостей

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

Протягом минулого року AI-оповідання в індустрії Web3 було надзвичайно популярним, AI-проекти виникли, як гриби після дощу. Хоча існує безліч проектів, що використовують AI-технології, деякі проекти лише в певних частинах своїх продуктів застосовують AI, а базова токеноміка не має суттєвого зв'язку з AI-продуктами, тому такі проекти не підпадають під обговорення Web3-AI в 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 пропонують продукти на основі штучного інтелекту, одночасно спираючись на економічну модель Web3 в якості інструменту виробничих відносин, що доповнюють один одного. Ми класифікуємо такі проекти як напрямок Web3-AI. Щоб читачі краще зрозуміли напрямок Web3-AI, далі буде представлено процес розробки штучного інтелекту та виклики, а також те, як поєднання Web3 та штучного інтелекту ідеально вирішує проблеми та створює нові сценарії застосування.

1.2 Процес та виклики розробки ШІ: від збору даних до моделювання висновків

Технологія штучного інтелекту 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, автономного водіння та інших застосувань, штучний інтелект змінює спосіб, яким ми живемо та працюємо.

Процес створення моделей штучного інтелекту зазвичай містить кілька ключових етапів: збір даних та попередня обробка даних, вибір моделі та налаштування, навчання моделі та висновок. 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 відкриті набори даних або самостійно зібрати реальні дані. Потім для кожного зображення позначити категорію ( кіт або собака ), забезпечивши точність міток. Перетворити зображення в формат, який може розпізнати модель, поділити набір даних на навчальний набір, валідаційний набір та тестовий набір.

2. Вибір і налаштування моделі: вибір відповідної моделі, наприклад, згорткової нейронної мережі (CNN), що найкраще підходить для завдань класифікації зображень. Налаштування параметрів моделі або архітектури відповідно до різних вимог, зазвичай, рівні мережі моделі можна коригувати залежно від складності AI-завдання. У цьому простому прикладі класифікації, більш поверхневий рівень мережі може бути достатнім.

3. Навчання моделі: можна використовувати GPU, TPU або високопродуктивні обчислювальні кластери для навчання моделі, час навчання залежить від складності моделі та обчислювальної потужності.

4. Моделювання: Файл з навченою моделлю зазвичай називається вагою моделі, а 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 класифікаційної ефективності моделі, зазвичай використовуються такі показники, як точність, відгук, F1-score та інші для оцінки ефективності моделі.

Як показано на малюнку, після збору даних і попередньої обробки даних, вибору та налаштування моделі, а також навчання, результати інференції навченого моделі на тестовому наборі даних дають прогнозовані значення котів і собак P(probability), тобто ймовірність того, що модель визначає, чи це кіт чи собака.

Навчені AI моделі можуть бути далі інтегровані 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, процес централізованої розробки ШІ має деякі проблеми в 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 фізичні особи, які отримують дані з певної галузі (, наприклад, медичні дані ), можуть стикатися з обмеженнями на закритість даних.

Вибір моделі та її налаштування: для невеликих команд важко отримати ресурси моделей у конкретних сферах або витратити значні 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 доходу: Працівники з маркування даних часто не можуть отримати доходи, що відповідають їхнім 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, який представляє нові виробничі сили, що сприяє одночасному прогресу технологій та виробничих можливостей.

1.3 Синергія Web3 та AI: зміна ролей та інноваційні застосування

Комбінація Web3 та AI може посилити суверенітет користувачів, надавши їм відкриту платформу для співпраці з AI, що дозволяє користувачам перетворитися з користувачів AI епохи Web2 на учасників, створюючи AI, яким можуть володіти всі. Одночасно інтеграція світу Web3 та технологій AI може призвести до більше інноваційних сценаріїв застосування та ігрових механік.

На основі технології Web3 розвиток і застосування ШІ вступлять у нову еру кооперативної економіки. Приватність даних людей буде захищена, модель краудсорсингу даних сприятиме прогресу моделей ШІ, безліч відкритих ресурсів ШІ буде доступна користувачам, а спільні обчислювальні потужності можна буде отримати за нижчою ціною. Завдяки децентралізованій механіці кооперативного краудсорсингу та відкритому ринку ШІ можна реалізувати справедливу систему розподілу доходів, що стимулюватиме більше людей до розвитку технологій ШІ.

У сцені Web3 штучний інтелект може мати позитивний вплив на кілька напрямків. Наприклад, моделі ШІ можуть бути інтегровані в смарт-контракти, підвищуючи ефективність роботи в різних прикладних сценаріях, таких як ринковий аналіз, безпекова перевірка, соціальна кластеризація та інші функції. Генеративний ШІ не тільки дозволяє користувачам відчути себе "художниками", наприклад, використовуючи технології ШІ для створення своїх NFT, але й може створювати різноманітні ігрові сцени та цікаві інтерактивні досвіди в GameFi. Багата інфраструктура забезпечує плавний досвід розробки, чи то експертам з ШІ, чи новачкам, які хочуть увійти в сферу ШІ, тут є відповідний вхід.

Два, Інтерпретація карти та архітектури проектів екосистеми Web3-AI

Ми в основному досліджували 41 проект у сфері Web3-AI і розділили ці проекти на різні рівні. Логіка розподілу кожного рівня показана на наступному малюнку, включаючи рівень інфраструктури, проміжний рівень і рівень додатків, кожен з яких поділений на різні сектори. У наступному розділі ми проведемо глибокий аналіз кількох репрезентативних проектів.

Інфраструктурний рівень охоплює обчислювальні ресурси та технологічну архітектуру, які підтримують роботу всього життєвого циклу ШІ, тоді як проміжний рівень включає в себе управління даними, розробку моделей та послуги верифікації та розуміння, що з'єднують інфраструктуру з додатками. Рівень додатків зосереджується на різних застосунках та рішеннях, які безпосередньо орієнтовані на користувача.

Інфраструктурний рівень:

Інфраструктурний рівень є основою життєвого циклу ШІ, у цій статті обчислювальну потужність, AI Chain та платформу для розробки віднесено до інфраструктурного рівня. Саме завдяки підтримці цієї інфраструктури можна реалізувати навчання та інференцію моделей ШІ, а також представити користувачам потужні та практичні програми ШІ.

• Децентралізована обчислювальна мережа: може забезпечити розподілену обчислювальну потужність для навчання AI-моделей, забезпечуючи 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 доходу, прикладом є проекти IO.NET та Hyperbolic. Крім того, деякі проекти вивели нові ігрові механіки, такі як Compute Labs, які пропонують токенізовані протоколи, де користувачі можуть купувати NFT, що представляють фізичні GPU, щоб брати участь в оренді обчислювальної потужності різними способами для отримання доходу.

• AI Chain: Використання блокчейну як основи життєвого циклу AI, забезпечення безшовної взаємодії між AI-ресурсами на ланцюгу та поза ним, сприяння розвитку галузевого екосистеми. Децентралізований AI-ринок на ланцюгу може торгувати AI-активами, такими як дані, моделі, агенти та ін., і надавати рамки для розробки AI та супутні інструменти розробки, прикладом є Sahara AI. AI Chain також може сприяти прогресу AI-технологій у різних галузях, таких як Bittensor, який сприяє конкуренції між підмережами різних типів AI через інноваційний механізм стимулювання підмереж.

• Розробницька платформа: деякі проекти пропонують платформу для розробки AI-агентів, а також можливість здійснення торгівлі AI-агентами, такі як Fetch.ai та ChainML. Універсальні інструменти допомагають розробникам зручніше створювати, навчати та впроваджувати AI-моделі, представляючи проекти, такі як Nimble. Ця інфраструктура сприяє широкому застосуванню AI-технологій в екосистемі Web3.

Проміжний шар:

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

• Дані: Якість і кількість даних є ключовими факторами, що впливають на ефективність навчання моделі. У світі Web3, за допомогою краудсорсингу даних та кооперативної обробки даних, можна оптимізувати використання ресурсів і знизити витрати на дані. Користувачі можуть мати самостійність у володінні даними, продаючи свої дані за умов захисту конфіденційності, щоб уникнути крадіжки даних недобросовісними підприємцями та отримання високих прибутків. Для сторони, що потребує даних, ці платформи пропонують широкий вибір і надзвичайно низькі витрати. Представлені проекти, такі як Grass, використовують ширину смуги користувачів для збору веб-даних, xData через зручні плагіни збирає медіаінформацію та підтримує користувачів у завантаженні твітів.

Крім того, деякі платформи дозволяють експертам у певних сферах або звичайним користувачам виконувати завдання з передобробки даних, такі як позначення зображень, класифікація даних, які можуть вимагати спеціальних знань у фінансовій та юридичній обробці даних; користувачі можуть токенізувати свої навички, реалізуючи колаборативний краудсорсинг передобробки даних. Представник, наприклад, ринок штучного інтелекту Sahara AI має різні завдання з даними в різних сферах, які можуть охоплювати багатосферні сценарії даних; тоді як AIT Protocolt здійснює позначення даних за допомогою співпраці людини та машини.

• Модель: У процесі розробки ШІ, про який вже згадувалося, різні типи вимог потребують підбору відповідних моделей. Моделі, які часто використовуються для завдань зображення, такі як CNN, GAN, для завдань виявлення об'єктів можна обрати серію Yolo, а для текстових завдань поширені моделі RNN, Transformer та інші, звісно, є також деякі специфічні або універсальні великі моделі. Для завдань різної складності потрібна різна глибина моделей, інколи необхідно налаштувати модель.

Деякі проекти підтримують можливість надання користувачами різних типів моделей або співпраці в навчанні моделей через краудсорсинг. Наприклад, Sentient завдяки модульному дизайну дозволяє користувачам зберігати надійні модельні дані на рівні зберігання, розподілу для оптимізації моделей. Інструменти розробки, які надає Sahara AI, вбудовані з передовими алгоритмами штучного інтелекту та обчислювальними фреймворками, а також мають можливість спільного навчання.

• Висновок та верифікація: після навчання модель генерує файл ваг моделі, який можна використовувати для безпосередньої класифікації, прогнозування або інших специфічних завдань, цей процес називається висновком. Процес висновку зазвичай супроводжується механізмом верифікації, щоб перевірити, чи є джерело моделі вірним, чи немає зловмисних дій тощо. Висновок Web3 зазвичай можна інтегрувати в смарт-контракти, викликавши модель для висновку, поширені способи верифікації включають такі технології, як ZKML, OPML та TEE. Представлені проекти, такі як AI-оракул на ORA-ланцюгу (OAO), впровадили OPML як перевіряємий рівень для AI-оракулів, на офіційному сайті ORA також згадується їхнє дослідження про поєднання ZKML та opp/ai(ZKML з OPML).

Рівень застосунків:

Цей рівень в основному є програмами, які безпосередньо орієнтовані на користувачів, поєднуючи ШІ з Web3, створюючи більше цікавих та інноваційних способів використання. У цій статті в основному розглядаються проекти в кількох секторах: AIGC(AI-генерований контент), AI-агенти та аналіз даних.

• AIGC: Завдяки AIGC можна розширити Web3 на такі напрямки, як NFT, ігри тощо. Користувачі можуть безпосередньо створювати текст, зображення та аудіо за допомогою Prompt(, наданих користувачем. Навіть можна створювати власний стиль гри відповідно до своїх уподобань. Наприклад, NFT-проекти, такі як NFPrompt, дозволяють користувачам створювати NFT за допомогою AI та торгувати ними на ринку; ігри, такі як Sleepless, дозволяють користувачам формувати характер віртуального супутника через діалоги, щоб відповідати своїм уподобанням.

• AI-агенти: це штучні інтелектуальні системи, які можуть самостійно виконувати завдання та приймати рішення. AI-агенти зазвичай мають можливості сприйняття, міркування, навчання та дій, що дозволяє їм виконувати складні завдання в різних середовищах. Загальні AI-агенти, такі як переклад мов,