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

З огляду на постійне зростання інтересу до AI-оповіді, все більше уваги зосереджується на цьому напрямку. У цій статті проведено глибокий аналіз технічної логіки, сценаріїв застосування та представницьких проектів у сфері Web3-AI, щоб повністю продемонструвати 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 трасу Web-AI

Протягом минулого року AI наратив в індустрії Web3 був надзвичайно популярним, проекти AI з'являлися як гриби після дощу. Хоча багато проєктів пов'язані з технологією AI, деякі проєкти використовують AI лише в окремих частинах своїх продуктів, а базова токеноміка не має істотного зв'язку з продуктами AI, тому такі проєкти не входять до обговорення Web3-AI у цій статті.

Основна увага в цій статті зосереджена на використанні блокчейну для вирішення проблем виробничих відносин, а штучного інтелекту для вирішення проблем продуктивності. Ці проекти самі пропонують AI-продукти, а також використовують економічну модель Web3 як інструмент виробничих відносин, що взаємодоповнюють один одного. Ми класифікуємо такі проекти як Web3-AI трек. Щоб читачі краще зрозуміли Web3-AI трек, в наступному розділі буде детально описано процес розробки AI та виклики, а також те, як поєднання Web3 та AI ідеально вирішує проблеми та створює нові сфери застосування.

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

Технологія ШІ - це технологія, яка дозволяє комп'ютерам імітувати, розширювати та покращувати людський інтелект. Вона дозволяє комп'ютерам виконувати різноманітні складні завдання, від перекладу мов, класифікації зображень до розпізнавання облич, автономного водіння та інших застосувань, ШІ змінює спосіб нашого життя та роботи.

Процес розробки моделей штучного інтелекту зазвичай включає кілька ключових етапів: збір даних і попередня обробка даних, вибір та налаштування моделі, навчання моделі та інференс. Наприклад, щоб розробити модель для класифікації зображень котів і собак, вам потрібно:

1. Збір даних та попередня обробка даних: зібрати набір зображень, що містить котів і собак, можна використовувати відкриті набори даних або самостійно збирати реальні дані. Потім для кожного зображення вказати категорію (кіт або собака), забезпечивши точність міток. Перетворити зображення у формат, який модель може розпізнати, розділити набір даних на навчальний набір, валідаційний набір та тестовий набір.

2. Вибір і налаштування моделі: вибір відповідної моделі, наприклад, згорткової нейронної мережі (CNN), яка більше підходить для завдань класифікації зображень. Налаштування параметрів або архітектури моделі відповідно до різних вимог, зазвичай, рівні мережі моделі можна налаштувати в залежності від складності завдання ШІ. У цьому простому прикладі класифікації може бути достатньо більш поверхневого рівня 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. Модельне виведення: Файл, в якому навчена модель, зазвичай називається вагою моделі, а процес виведення полягає у використанні 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 такими показниками, як точність, відзив, F1-score та ін.

Як показано на малюнку, після збору даних, попередньої обробки даних, вибору моделі та налаштування, тренування навчену модель на тестовому наборі даних для інференції дасть прогнозовані значення кішки та собаки P (ймовірність), тобто ймовірність, що модель вважає це кішкою або собакою.

Навчена AI модель може бути додатково інтегрована в різні програми для виконання різних завдань. У цьому прикладі модель AI для класифікації котів і собак може бути інтегрована в мобільний додаток, де користувачі завантажують зображення кота або собаки і отримують результати класифікації.

Однак централізований процес розробки ШІ має деякі проблеми в наступних сценаріях:

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

Отримання джерела даних: невеликі команди або особи можуть зіткнутися з обмеженнями у відкритті даних при отриманні даних у певній області (наприклад, медичних даних).

Вибір моделі та її налаштування: для малих команд важко отримати ресурс моделі в конкретній області або витратити великі кошти на налаштування моделі.

Отримання обчислювальної потужності: для окремих розробників та малих команд висока вартість покупки GPU та витрати на оренду хмарної обчислювальної потужності можуть стати суттєвим економічним тягарем.

AI активи доходу: працівники з розмітки даних часто не можуть отримати доходи, які відповідають їхнім витратам, а дослідницькі результати розробників ШІ також важко співвіднести з покупцями, які мають попит.

Виклики, що існують у централізованих AI-сценах, можна подолати через поєднання з Web3. Web3, як новий тип виробничих відносин, природно адаптується до AI, що представляє нові виробничі сили, що сприяє одночасному прогресу технологій та виробничих можливостей.

1.3 Співпраця Web3 та AI: зміна ролей та інноваційні застосування

Web3 та AI в поєднанні можуть зміцнити суверенітет користувачів, надаючи користувачам відкриту платформу для AI-співпраці, що дозволяє їм перейти від статусу користувачів AI епохи Web2 до учасників, створюючи AI, яким може володіти кожен. Одночасно злиття світу Web3 та технологій AI також може призвести до виникнення більшої кількості інноваційних сценаріїв застосування та ігор.

На базі технології Web3 розробка та застосування ШІ вступлять у нову еру співпраці в економічній системі. Приватність даних людей буде захищена, модель краудсорсингу даних сприятиме прогресу моделей ШІ, численні відкриті ресурси ШІ будуть доступні для користувачів, а спільна обчислювальна потужність буде доступна за нижчою вартістю. Завдяки децентралізованій механіці краудсорсингу та відкритому ринку ШІ можна реалізувати справедливу систему розподілу доходів, що, у свою чергу, стимулюватиме більше людей сприяти прогресу технологій ШІ.

У сцені Web3 ШІ може мати позитивний вплив у кількох напрямках. Наприклад, моделі ШІ можуть бути інтегровані в смарт-контракти для підвищення робочої ефективності в різних сценаріях застосування, таких як ринковий аналіз, безпекова перевірка, соціальна кластеризація та інші функції. Генеративний ШІ не тільки дозволяє користувачам відчути себе "художниками", наприклад, створюючи свої власні NFT за допомогою технології ШІ, але також може створювати різноманітні ігрові сцени та цікаві інтерактивні досвіди в GameFi. Різноманітна інфраструктура забезпечує плавний досвід розробки, як для експертів у сфері ШІ, так і для новачків, які хочуть увійти в цю галузь, дозволяючи їм знайти відповідний вхід у цьому світі.

Два, розгляд карти та архітектури екосистеми Web3-AI

Ми в основному досліджували 41 проект у сфері Web3-AI та розділили ці проекти на різні рівні. Логіка розподілу кожного рівня показана на малюнку нижче, включаючи рівень інфраструктури, середній рівень та рівень застосування, кожен з яких поділено на різні сектори. У наступному розділі ми проведемо глибокий аналіз деяких представницьких проектів.

Інфраструктурний рівень охоплює обчислювальні ресурси та технологічну архітектуру, що підтримують весь життєвий цикл AI, середній рівень включає в себе управління даними, розробку моделей і послуги валідації та інференції, які з'єднують інфраструктуру та застосування, а рівень застосувань зосереджується на різноманітних застосуваннях та рішеннях, безпосередньо орієнтованих на користувача.

Інфраструктурний рівень:

Інфраструктурний рівень є основою життєвого циклу ШІ, у цій статті обчислювальні потужності, AI Chain і платформи розробки класифікуються як інфраструктурний рівень. Саме завдяки підтримці цих інфраструктур можливе навчання та виведення моделей ШІ, а також надання користувачам потужних і практичних додатків ШІ.

• 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 доходу, прикладом є проекти IO.NET та Hyperbolic. Крім того, деякі проекти розробили нові способи, такі як Compute Labs, які запропонували токенізований протокол, де користувачі можуть купувати NFT, що представляють фізичні GPU, щоб брати участь в оренді потужності різними способами для отримання доходу.

• AI Chain: Використання блокчейну як основи життєвого циклу AI для забезпечення безшовної взаємодії AI-ресурсів на ланцюгу та поза ним, що сприяє розвитку екосистеми галузі. Децентралізований AI-ринок на ланцюгу може торгувати AI-активами, такими як дані, моделі, агенти тощо, а також надавати AI-розробницькі рамки та супутні інструменти розробки, проектом-представником є Sahara AI. AI Chain також може сприяти прогресу AI-технологій у різних сферах, наприклад, Bittensor за допомогою інноваційного механізму стимулювання підмереж для сприяння конкуренції між різними типами AI-підмереж.

• Розробницька платформа: деякі проекти пропонують платформи для розробки AI-агентів, а також можуть реалізовувати торгівлю AI-агентами, наприклад, Fetch.ai та ChainML. Універсальні інструменти допомагають розробникам зручніше створювати, навчати та розгортати AI-моделі, представлений проект, такий як Nimble. Ця інфраструктура сприяє широкому застосуванню AI-технологій в екосистемі Web3.

Проміжний рівень:

Цей рівень стосується даних AI, моделей, а також виведення та верифікації, 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, завдяки краудсорсингу даних та кооперативній обробці даних, можна оптимізувати використання ресурсів та знизити витрати на дані. Користувачі можуть мати автономію над своїми даними, продаючи їх за умов захисту приватності, щоб уникнути крадіжки даних недобросовісними підприємцями та отримання високих прибутків. Для замовників даних ці платформи пропонують широкий вибір і надзвичайно низькі витрати. Прикладом проекту є Grass, який використовує пропускну здатність користувачів для збору веб-даних, xData, який збирає медіаінформацію через зручні для користувачів плагіни та підтримує завантаження інформації про твіти.

Крім того, деякі платформи дозволяють експертам у галузі або звичайним користувачам виконувати завдання попередньої обробки даних, такі як позначення зображень, класифікація даних, які можуть вимагати спеціальних знань у фінансовій та юридичній обробці даних. Користувачі можуть токенізувати свої навички, реалізуючи колективну краудсорсинг попередньої обробки даних. Прикладом є AI-ринок, такий як Sahara AI, з даними завданнями в різних галузях, який може охоплювати багатогалузеві сценарії даних; а AIT Protocolt здійснює маркування даних через співпрацю людини та машини.

• Модель: В процесі розробки AI, про який згадувалося раніше, різні типи вимог потребують підбору відповідної моделі. Для завдань з обробки зображень часто використовуються моделі, такі як CNN, GAN; для завдань з виявлення об'єктів можна вибрати серію Yolo; для текстових завдань звичайні моделі – це RNN, Transformer та інші, звичайно, є також специфічні або універсальні великі моделі. Моделі, необхідні для завдань різної складності, мають різну глибину, і інколи потрібно налаштовувати модель.

Деякі проекти підтримують користувачів у наданні різних типів моделей або в співпраці для навчання моделей через краудсорсинг, такі як Sentient, який через модульний дизайн дозволяє користувачам розміщувати надійні дані моделей на рівні зберігання та розповсюдження для оптимізації моделей. Інструменти розробки, що надаються Sahara AI, вбудовані з передовими AI алгоритмами та обчислювальними фреймворками, і мають можливість співпраці в навчанні.

• Висновок та верифікація: після навчання модель генерує файл ваг моделі, який можна використовувати для прямої класифікації, прогнозування або інших специфічних завдань. Цей процес називається висновком. Процес висновку зазвичай супроводжується механізмом верифікації, щоб перевірити, чи є джерело моделі правильним, чи є шкідлива поведінка тощо. Висновок Web3 зазвичай може бути інтегрований в смарт-контракти шляхом виклику моделі для висновку. Поширені методи верифікації включають технології ZKML, OPML та TEE. Представницькі проекти, такі як AI оракул на ORA (OAO), вводять OPML як верифікаційний рівень для AI оракулів. На офіційному сайті ORA також згадується їхнє дослідження щодо ZKML та opp/ai (ZKML у поєднанні з OPML).

Рівень додатків:

Цей рівень в основному є програмою, що безпосередньо орієнтована на користувачів, поєднуючи AI з Web3.