Dengan meningkatnya perhatian terhadap narasi AI, semakin banyak fokus tertuju pada jalur ini. Telah dilakukan analisis mendalam terhadap logika teknis, skenario aplikasi, dan proyek-proyek perwakilan di jalur Web3-AI, untuk menyajikan panorama dan tren perkembangan secara komprehensif di bidang ini.
I. Web3-AI: Analisis Logika Teknologi dan Peluang Pasar Baru
1.1 Logika Integrasi Web3 dan AI: Bagaimana Mendefinisikan Jalur Web-AI
Dalam setahun terakhir, narasi AI sangat populer di industri Web3, dengan proyek AI bermunculan bak jamur setelah hujan. Meskipun ada banyak proyek yang melibatkan teknologi AI, beberapa proyek hanya menggunakan AI di bagian tertentu dari produk mereka, dan ekonomi token yang mendasarinya tidak memiliki hubungan substansial dengan produk AI, oleh karena itu proyek semacam ini tidak termasuk dalam diskusi proyek Web3-AI dalam artikel ini.
Artikel ini berfokus pada penggunaan blockchain untuk menyelesaikan masalah hubungan produksi, dan proyek-proyek yang menggunakan AI untuk menyelesaikan masalah produktivitas. Proyek-proyek ini menyediakan produk AI, sekaligus berbasiskan model ekonomi Web3 sebagai alat hubungan produksi, di mana keduanya saling melengkapi. Kami mengklasifikasikan proyek-proyek ini ke dalam jalur Web3-AI. Untuk membantu pembaca lebih memahami jalur Web3-AI, 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 pengembangan AI dan tantangannya: 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 penerjemahan bahasa, pengklasifikasian 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 praproses data, pemilihan dan penyesuaian model, pelatihan dan inferensi model. Sebagai contoh sederhana, untuk mengembangkan sebuah model yang dapat mengklasifikasikan gambar kucing dan anjing, Anda perlu:
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 (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.
Pemilihan dan Penyesuaian Model: Memilih model yang sesuai, seperti Jaringan Saraf Konvolusi (CNN), yang lebih cocok untuk tugas klasifikasi gambar. Sesuaikan parameter atau arsitektur model sesuai dengan kebutuhan yang berbeda, biasanya, lapisan jaringan model dapat disesuaikan berdasarkan kompleksitas tugas AI. Dalam contoh klasifikasi sederhana ini, lapisan jaringan yang lebih dangkal mungkin sudah cukup.
Pelatihan model: Model dapat dilatih menggunakan GPU, TPU, atau kluster komputasi berkinerja tinggi, dan waktu pelatihan dipengaruhi oleh kompleksitas model dan kemampuan komputasi.
Inferensi Model: File yang sudah dilatih model biasanya disebut sebagai bobot model, proses inferensi merujuk 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 dengan indikator seperti akurasi, recall, F1-score, dan lain-lain.
Seperti yang ditunjukkan pada gambar, setelah pengumpulan data dan pra-pemrosesan data, pemilihan dan penyesuaian model, serta pelatihan, model yang telah dilatih akan melakukan inferensi pada kumpulan data pengujian untuk menghasilkan nilai prediksi kucing dan anjing P (probabilitas), yaitu probabilitas bahwa model menginferensi bahwa itu adalah kucing atau anjing.
Model AI yang terlatih dapat diintegrasikan lebih lanjut 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, maka akan mendapatkan hasil klasifikasi.
Namun, proses pengembangan AI terpusat memiliki beberapa masalah dalam skenario berikut:
Privasi pengguna: Dalam skenario terpusat, proses pengembangan AI sering kali tidak transparan. Data pengguna dapat dicuri tanpa sepengetahuan dan digunakan untuk pelatihan AI.
Sumber data diperoleh: Tim kecil atau individu mungkin menghadapi batasan dalam mendapatkan data di bidang tertentu (seperti data medis) jika data tersebut tidak bersifat sumber terbuka.
Pemilihan dan penyesuaian model: Bagi tim kecil, sulit untuk mendapatkan sumber daya model spesifik domain atau menghabiskan biaya besar untuk penyesuaian model.
Perolehan daya komputasi: Bagi pengembang individual dan tim kecil, biaya pembelian GPU yang tinggi dan biaya sewa daya komputasi awan 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 dicocokkan dengan pembeli yang memiliki permintaan.
Tantangan yang ada dalam skenario AI terpusat dapat diatasi dengan menggabungkannya dengan Web3, yang sebagai jenis hubungan produksi baru, secara alami cocok untuk mewakili produktivitas baru dari AI, sehingga mendorong kemajuan teknologi dan kapasitas produksi secara bersamaan.
1.3 Sinergi antara Web3 dan AI: Perubahan Peran dan Aplikasi Inovatif
Web3 dan AI yang digabungkan dapat meningkatkan kedaulatan pengguna, menyediakan platform kolaborasi AI terbuka bagi pengguna, mengubah pengguna dari era Web2 yang hanya menggunakan AI menjadi peserta, menciptakan AI yang dimiliki oleh semua orang. Sementara itu, integrasi dunia Web3 dan teknologi AI juga dapat menghasilkan lebih banyak skenario aplikasi dan cara bermain yang inovatif.
Berdasarkan teknologi Web3, pengembangan dan penerapan AI akan memasuki sistem ekonomi kolaboratif yang baru. Privasi data orang dapat dijamin, dan model data crowdsourcing mendorong kemajuan model AI, banyak sumber daya AI sumber terbuka tersedia untuk pengguna, dan daya komputasi yang dibagikan dapat diperoleh dengan biaya yang lebih rendah. Dengan adanya mekanisme crowdsourcing kolaboratif terdesentralisasi dan pasar AI terbuka, sistem distribusi pendapatan yang adil dapat terwujud, 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 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 menawarkan pengalaman pengembangan yang lancar, baik bagi 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 telah meneliti 41 proyek di jalur Web3-AI dan mengelompokkan proyek-proyek ini ke dalam berbagai tingkatan. Logika pengelompokan setiap tingkatan ditunjukkan pada gambar di bawah ini, termasuk lapisan infrastruktur, lapisan tengah, dan lapisan aplikasi, di mana masing-masing lapisan dibagi menjadi berbagai sektor. Di bab berikutnya, kami akan melakukan analisis mendalam terhadap beberapa proyek yang representatif.
Lapisan infrastruktur mencakup sumber daya komputasi dan arsitektur teknologi yang mendukung seluruh siklus hidup AI, lapisan tengah mencakup manajemen data, pengembangan model, dan layanan inferensi verifikasi yang menghubungkan infrastruktur dengan aplikasi, sedangkan lapisan aplikasi fokus pada berbagai aplikasi dan solusi yang langsung ditujukan untuk pengguna.
Lapisan infrastruktur:
Lapisan infrastruktur adalah dasar dari siklus hidup AI, artikel ini mengklasifikasikan kekuatan 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 menyediakan 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, seperti Compute Labs, yang mengusulkan protokol tokenisasi, di mana pengguna dapat berpartisipasi dalam penyewaan daya komputasi dengan cara yang berbeda untuk mendapatkan keuntungan dengan membeli NFT yang mewakili entitas GPU.
AI Chain: Memanfaatkan blockchain sebagai dasar siklus hidup AI, untuk mewujudkan interaksi sumber daya AI yang mulus antara on-chain dan off-chain, serta mendorong perkembangan ekosistem industri. Pasar AI terdesentralisasi di blockchain dapat memperdagangkan aset AI seperti data, model, agen, dan menyediakan kerangka pengembangan AI dan alat pengembangan yang mendukung, dengan proyek perwakilan seperti Sahara AI. AI Chain juga dapat memfasilitasi kemajuan teknologi AI di berbagai bidang, seperti Bittensor yang mendorong kompetisi subnet berbagai jenis AI melalui mekanisme insentif subnet yang inovatif.
Platform pengembangan: Beberapa proyek menyediakan platform pengembangan agen AI, dan juga dapat melakukan perdagangan agen AI, seperti Fetch.ai dan ChainML. Alat satu atap membantu pengembang untuk lebih mudah membuat, melatih, dan menerapkan model AI, seperti proyek Nimble. Infrastruktur ini memfasilitasi penerapan teknologi AI yang luas dalam ekosistem Web3.
Lapisan tengah:
Lapisan ini melibatkan data AI, model, serta penalaran dan verifikasi, dengan menggunakan teknologi Web3 dapat mencapai efisiensi kerja yang lebih tinggi.
Data: Kualitas dan jumlah 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 menurunkan biaya data. Pengguna dapat memiliki otonomi atas data mereka, menjual data mereka sendiri dalam perlindungan privasi, untuk menghindari data dicuri oleh pedagang yang tidak bertanggung jawab dan meraup keuntungan besar. Bagi pihak yang membutuhkan data, platform ini menawarkan berbagai pilihan dan biaya yang sangat rendah. Proyek perwakilan 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 para ahli di bidangnya atau pengguna biasa untuk melakukan tugas praproses data, seperti penandaan gambar dan klasifikasi data, yang mungkin memerlukan pengetahuan profesional dalam pemrosesan data untuk tugas keuangan dan hukum. Pengguna dapat men-token-kan keterampilan mereka untuk mewujudkan kolaborasi pengumpulan data praproses. Contohnya seperti pasar AI Sahara AI, yang memiliki tugas data di berbagai bidang, 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 perlu mencocokkan model yang sesuai. Model yang sering digunakan untuk tugas gambar seperti CNN, GAN, untuk tugas deteksi objek dapat memilih seri Yolo, dan untuk tugas teks, model yang umum 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 bervariasi, kadang-kadang perlu melakukan penyesuaian pada model.
Beberapa proyek mendukung pengguna untuk menyediakan berbagai jenis model atau berkolaborasi dalam melatih model melalui crowdsourcing, seperti Sentient yang melalui desain modular, memungkinkan pengguna untuk menempatkan data model yang terpercaya di lapisan penyimpanan dan lapisan distribusi untuk melakukan optimasi model, alat pengembangan yang disediakan oleh Sahara AI dilengkapi dengan algoritma AI canggih dan kerangka perhitungan, serta memiliki kemampuan pelatihan kolaboratif.
Penalaran dan verifikasi: Setelah model dilatih, model akan menghasilkan file bobot model yang dapat digunakan untuk klasifikasi, prediksi, atau tugas spesifik lainnya, proses ini disebut penalaran. Proses penalaran biasanya disertai dengan mekanisme verifikasi, untuk memverifikasi apakah sumber model penalaran benar, apakah ada perilaku jahat, dan lain-lain. Penalaran Web3 biasanya dapat diintegrasikan dalam kontrak pintar, dengan memanggil model untuk melakukan penalaran, cara verifikasi yang umum termasuk teknologi ZKML, OPML, dan TEE. Proyek yang mewakili seperti oracle AI di blockchain ORA (OAO), memperkenalkan OPML sebagai lapisan yang dapat diverifikasi untuk oracle AI, di situs resmi ORA juga menyebutkan penelitian mereka tentang ZKML dan opp/ai (ZKML digabungkan dengan OPML).
Lapisan aplikasi:
Tingkat ini terutama merupakan aplikasi yang langsung ditujukan untuk pengguna, menggabungkan AI dengan Web3, menciptakan lebih banyak cara yang menarik dan inovatif untuk bermain. Artikel ini terutama merangkum proyek-proyek dalam beberapa sektor seperti AIGC (Konten yang Dihasilkan AI), agen AI, dan analisis data.
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
24 Suka
Hadiah
24
7
Posting ulang
Bagikan
Komentar
0/400
FlatTax
· 07-10 21:48
Sudah mulai membicarakan ai web3 lagi, kapan ini bisa direalisasikan?
Lihat AsliBalas0
FancyResearchLab
· 07-10 13:01
Sebuah lagi lokasi pemotongan para suckers mulai dikerjakan
Lihat AsliBalas0
PumpAnalyst
· 07-08 02:44
pump play people for suckers satu gelombang menunggu kalian Plummet
Lihat AsliBalas0
LiquidationSurvivor
· 07-08 02:40
Setahun sudah, apakah masih orang-orang itu yang memperdagangkan ai?
Lihat AsliBalas0
SignatureDenied
· 07-08 02:27
Terlalu banyak hype, jadi tidak bisa melihat nilai sebenarnya, ya.
Lihat AsliBalas0
GigaBrainAnon
· 07-08 02:24
Sudah lagi-lagi membahas konsep AI, tidak tahu bisa populer berapa lama.
Lihat AsliBalas0
CryptoWageSlave
· 07-08 02:23
Narrasi ai ini juga sudah dimainkan sampai bosan, dianggap bodoh dengan trik baru.
Web3-AI lintasan panorama: penggabungan teknologi, skenario aplikasi, dan analisis kedalaman proyek-proyek teratas
Laporan Panorama Web3-AI: Analisis Mendalam Logika Teknologi, Aplikasi Skenario, dan Proyek Teratas
Dengan meningkatnya perhatian terhadap narasi AI, semakin banyak fokus tertuju pada jalur ini. Telah dilakukan analisis mendalam terhadap logika teknis, skenario aplikasi, dan proyek-proyek perwakilan di jalur Web3-AI, untuk menyajikan panorama dan tren perkembangan secara komprehensif di bidang ini.
I. Web3-AI: Analisis Logika Teknologi dan Peluang Pasar Baru
1.1 Logika Integrasi Web3 dan AI: Bagaimana Mendefinisikan Jalur Web-AI
Dalam setahun terakhir, narasi AI sangat populer di industri Web3, dengan proyek AI bermunculan bak jamur setelah hujan. Meskipun ada banyak proyek yang melibatkan teknologi AI, beberapa proyek hanya menggunakan AI di bagian tertentu dari produk mereka, dan ekonomi token yang mendasarinya tidak memiliki hubungan substansial dengan produk AI, oleh karena itu proyek semacam ini tidak termasuk dalam diskusi proyek Web3-AI dalam artikel ini.
Artikel ini berfokus pada penggunaan blockchain untuk menyelesaikan masalah hubungan produksi, dan proyek-proyek yang menggunakan AI untuk menyelesaikan masalah produktivitas. Proyek-proyek ini menyediakan produk AI, sekaligus berbasiskan model ekonomi Web3 sebagai alat hubungan produksi, di mana keduanya saling melengkapi. Kami mengklasifikasikan proyek-proyek ini ke dalam jalur Web3-AI. Untuk membantu pembaca lebih memahami jalur Web3-AI, 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 pengembangan AI dan tantangannya: 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 penerjemahan bahasa, pengklasifikasian 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 praproses data, pemilihan dan penyesuaian model, pelatihan dan inferensi model. Sebagai contoh sederhana, untuk mengembangkan sebuah model yang dapat mengklasifikasikan gambar kucing dan anjing, Anda perlu:
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 (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.
Pemilihan dan Penyesuaian Model: Memilih model yang sesuai, seperti Jaringan Saraf Konvolusi (CNN), yang lebih cocok untuk tugas klasifikasi gambar. Sesuaikan parameter atau arsitektur model sesuai dengan kebutuhan yang berbeda, biasanya, lapisan jaringan model dapat disesuaikan berdasarkan kompleksitas tugas AI. Dalam contoh klasifikasi sederhana ini, lapisan jaringan yang lebih dangkal mungkin sudah cukup.
Pelatihan model: Model dapat dilatih menggunakan GPU, TPU, atau kluster komputasi berkinerja tinggi, dan waktu pelatihan dipengaruhi oleh kompleksitas model dan kemampuan komputasi.
Inferensi Model: File yang sudah dilatih model biasanya disebut sebagai bobot model, proses inferensi merujuk 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 dengan indikator seperti akurasi, recall, F1-score, dan lain-lain.
Seperti yang ditunjukkan pada gambar, setelah pengumpulan data dan pra-pemrosesan data, pemilihan dan penyesuaian model, serta pelatihan, model yang telah dilatih akan melakukan inferensi pada kumpulan data pengujian untuk menghasilkan nilai prediksi kucing dan anjing P (probabilitas), yaitu probabilitas bahwa model menginferensi bahwa itu adalah kucing atau anjing.
Model AI yang terlatih dapat diintegrasikan lebih lanjut 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, maka akan mendapatkan hasil klasifikasi.
Namun, proses pengembangan AI terpusat memiliki beberapa masalah dalam skenario berikut:
Privasi pengguna: Dalam skenario terpusat, proses pengembangan AI sering kali tidak transparan. Data pengguna dapat dicuri tanpa sepengetahuan dan digunakan untuk pelatihan AI.
Sumber data diperoleh: Tim kecil atau individu mungkin menghadapi batasan dalam mendapatkan data di bidang tertentu (seperti data medis) jika data tersebut tidak bersifat sumber terbuka.
Pemilihan dan penyesuaian model: Bagi tim kecil, sulit untuk mendapatkan sumber daya model spesifik domain atau menghabiskan biaya besar untuk penyesuaian model.
Perolehan daya komputasi: Bagi pengembang individual dan tim kecil, biaya pembelian GPU yang tinggi dan biaya sewa daya komputasi awan 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 dicocokkan dengan pembeli yang memiliki permintaan.
Tantangan yang ada dalam skenario AI terpusat dapat diatasi dengan menggabungkannya dengan Web3, yang sebagai jenis hubungan produksi baru, secara alami cocok untuk mewakili produktivitas baru dari AI, sehingga mendorong kemajuan teknologi dan kapasitas produksi secara bersamaan.
1.3 Sinergi antara Web3 dan AI: Perubahan Peran dan Aplikasi Inovatif
Web3 dan AI yang digabungkan dapat meningkatkan kedaulatan pengguna, menyediakan platform kolaborasi AI terbuka bagi pengguna, mengubah pengguna dari era Web2 yang hanya menggunakan AI menjadi peserta, menciptakan AI yang dimiliki oleh semua orang. Sementara itu, integrasi dunia Web3 dan teknologi AI juga dapat menghasilkan lebih banyak skenario aplikasi dan cara bermain yang inovatif.
Berdasarkan teknologi Web3, pengembangan dan penerapan AI akan memasuki sistem ekonomi kolaboratif yang baru. Privasi data orang dapat dijamin, dan model data crowdsourcing mendorong kemajuan model AI, banyak sumber daya AI sumber terbuka tersedia untuk pengguna, dan daya komputasi yang dibagikan dapat diperoleh dengan biaya yang lebih rendah. Dengan adanya mekanisme crowdsourcing kolaboratif terdesentralisasi dan pasar AI terbuka, sistem distribusi pendapatan yang adil dapat terwujud, 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 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 menawarkan pengalaman pengembangan yang lancar, baik bagi 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 telah meneliti 41 proyek di jalur Web3-AI dan mengelompokkan proyek-proyek ini ke dalam berbagai tingkatan. Logika pengelompokan setiap tingkatan ditunjukkan pada gambar di bawah ini, termasuk lapisan infrastruktur, lapisan tengah, dan lapisan aplikasi, di mana masing-masing lapisan dibagi menjadi berbagai sektor. Di bab berikutnya, kami akan melakukan analisis mendalam terhadap beberapa proyek yang representatif.
Lapisan infrastruktur mencakup sumber daya komputasi dan arsitektur teknologi yang mendukung seluruh siklus hidup AI, lapisan tengah mencakup manajemen data, pengembangan model, dan layanan inferensi verifikasi yang menghubungkan infrastruktur dengan aplikasi, sedangkan lapisan aplikasi fokus pada berbagai aplikasi dan solusi yang langsung ditujukan untuk pengguna.
Lapisan infrastruktur:
Lapisan infrastruktur adalah dasar dari siklus hidup AI, artikel ini mengklasifikasikan kekuatan 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 menyediakan 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, seperti Compute Labs, yang mengusulkan protokol tokenisasi, di mana pengguna dapat berpartisipasi dalam penyewaan daya komputasi dengan cara yang berbeda untuk mendapatkan keuntungan dengan membeli NFT yang mewakili entitas GPU.
AI Chain: Memanfaatkan blockchain sebagai dasar siklus hidup AI, untuk mewujudkan interaksi sumber daya AI yang mulus antara on-chain dan off-chain, serta mendorong perkembangan ekosistem industri. Pasar AI terdesentralisasi di blockchain dapat memperdagangkan aset AI seperti data, model, agen, dan menyediakan kerangka pengembangan AI dan alat pengembangan yang mendukung, dengan proyek perwakilan seperti Sahara AI. AI Chain juga dapat memfasilitasi kemajuan teknologi AI di berbagai bidang, seperti Bittensor yang mendorong kompetisi subnet berbagai jenis AI melalui mekanisme insentif subnet yang inovatif.
Platform pengembangan: Beberapa proyek menyediakan platform pengembangan agen AI, dan juga dapat melakukan perdagangan agen AI, seperti Fetch.ai dan ChainML. Alat satu atap membantu pengembang untuk lebih mudah membuat, melatih, dan menerapkan model AI, seperti proyek Nimble. Infrastruktur ini memfasilitasi penerapan teknologi AI yang luas dalam ekosistem Web3.
Lapisan tengah:
Lapisan ini melibatkan data AI, model, serta penalaran dan verifikasi, dengan menggunakan teknologi Web3 dapat mencapai efisiensi kerja yang lebih tinggi.
Selain itu, beberapa platform memungkinkan para ahli di bidangnya atau pengguna biasa untuk melakukan tugas praproses data, seperti penandaan gambar dan klasifikasi data, yang mungkin memerlukan pengetahuan profesional dalam pemrosesan data untuk tugas keuangan dan hukum. Pengguna dapat men-token-kan keterampilan mereka untuk mewujudkan kolaborasi pengumpulan data praproses. Contohnya seperti pasar AI Sahara AI, yang memiliki tugas data di berbagai bidang, dapat mencakup berbagai skenario data; sementara AIT Protocol melakukan penandaan data melalui kolaborasi manusia dan mesin.
Beberapa proyek mendukung pengguna untuk menyediakan berbagai jenis model atau berkolaborasi dalam melatih model melalui crowdsourcing, seperti Sentient yang melalui desain modular, memungkinkan pengguna untuk menempatkan data model yang terpercaya di lapisan penyimpanan dan lapisan distribusi untuk melakukan optimasi model, alat pengembangan yang disediakan oleh Sahara AI dilengkapi dengan algoritma AI canggih dan kerangka perhitungan, serta memiliki kemampuan pelatihan kolaboratif.
Lapisan aplikasi:
Tingkat ini terutama merupakan aplikasi yang langsung ditujukan untuk pengguna, menggabungkan AI dengan Web3, menciptakan lebih banyak cara yang menarik dan inovatif untuk bermain. Artikel ini terutama merangkum proyek-proyek dalam beberapa sektor seperti AIGC (Konten yang Dihasilkan AI), agen AI, dan analisis data.