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

Зі збільшенням уваги до AI-нарративів все більше уваги приділяється цій сфері. Проведено глибокий аналіз технологічної логіки, сценаріїв застосування та представницьких проектів у сфері Web3-AI, щоб повністю представити 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 сектор Web-AI

Протягом минулого року AI наратив у Web3 індустрії був надзвичайно популярним, проекти AI виникали як гриби після дощу. Хоча багато проектів пов'язані з технологією AI, деякі проекти використовують AI лише в окремих частинах своїх продуктів, при цьому базова токеноміка не має суттєвого зв’язку з продуктами AI, тому такі проекти не підпадають під обговорення Web3-AI проектів у цій статті.

Основна увага в цій статті приділяється використанню блокчейну для вирішення проблем виробничих відносин, а також проектам, які використовують ШІ для вирішення проблем продуктивності. Ці проекти самі по собі пропонують продукти ШІ, при цьому базуючись на економічній моделі Web3 як інструменті виробничих відносин, що доповнюють один одного. Ми класифікуємо такі проекти як Web3-AI трек. Щоб читачі краще зрозуміли Web3-AI трек, буде проведено огляд процесу розробки ШІ та викликів, а також того, як поєднання Web3 та ШІ може ідеально вирішити проблеми та створити нові сценарії застосування.

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

Технологія ШІ є технологією, яка дозволяє комп'ютерам моделювати, розширювати та посилювати людський інтелект. Вона дозволяє комп'ютерам виконувати різноманітні складні завдання, від перекладу мов, класифікації зображень до розпізнавання облич, автоматичного 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 висновок. Наведемо простий приклад: для розробки моделі, яка здійснює класифікацію зображень котів і собак, вам потрібно:

1. Збір даних та попередня обробка даних: збирайте набір даних з зображеннями котів та собак, можна використовувати публічні набори даних або самостійно збирати реальні дані. Потім позначте категорію (кіт або собака) для кожного зображення, переконавшись, що мітки точні. Перетворіть зображення в формат, який може розпізнати модель, розділіть набір даних на навчальний, валідаційний та тестовий набори.

2. Вибір і налаштування моделі: вибір відповідної моделі, наприклад, згорткової нейронної мережі (CNN), яка найбільше підходить для задачі класифікації зображень. Налаштування параметрів або архітектури моделі відповідно до різних вимог, як правило, рівень мережі моделі можна налаштувати відповідно до 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. Моделювання висновків: Файл, який навчена модель зазвичай називається вагою моделі, а процес висновку означає використання вже навчену модель для прогнозування або класифікації нових даних. У цьому процесі можна використовувати тестовий набір або нові дані для перевірки ефективності класифікації моделі, зазвичай використовуючи точність, відзив, F1-score та інші показники для оцінки ефективності моделі.

Як показано на малюнку, після збору даних і попередньої обробки даних, вибору та налаштування моделі, а також навчання, на тестовому наборі даних можна провести інференцію натренованої моделі, щоб отримати прогнозовані значення для котів і собак P (імовірність), тобто ймовірність того, що модель визначає, що це кіт або собака.

! Web3-AI Track Panorama Report: глибокий аналіз технічної логіки, сценаріїв додатків та топових проєктів

Навчена модель ШІ може бути додатково інтегрована в різні програми для виконання різних завдань. У цьому прикладі модель ШІ для класифікації котів і собак може бути інтегрована в мобільний додаток, де користувач завантажує зображення кота або собаки і отримує результати класифікації.

Проте, централізований процес розробки ШІ має певні 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 даних з джерел: невеликі команди або особи, що отримують дані в специфічних областях (наприклад, медичних даних), можуть зіткнутися з обмеженнями щодо відкритості даних.

Вибір і налаштування моделей: для маленьких команд важко отримати ресурси моделей у специфічній області або витратити великі кошти на налаштування моделей.

Отримання обчислювальної потужності: для окремих розробників та невеликих команд високі витрати на придбання графічних процесорів та оренду хмарної обчислювальної потужності можуть становити значний економічний тягар.

AI активи доходу: працівники з розмітки даних часто не можуть отримати доходи, що відповідають їх витратам, а результати досліджень розробників AI також важко узгодити з покупцями, які мають попит.

Виклики, що виникають у централізованих сценаріях AI, можуть бути подолані шляхом інтеграції з Web3, який, як нова форма виробничих відносин, природно адаптується до AI, що представляє новий тип продуктивності, сприяючи одночасному прогресу технологій та виробничих можливостей.

1.3 Web3 та AI: синергія, зміна ролей та інноваційні застосування

Web3 та AI можуть посилити суверенітет користувачів, надаючи їм відкриту платформу для співпраці з AI, що дозволяє користувачам перетворитися з користувачів AI в епоху Web2 на учасників, створюючи AI, яким може володіти кожен. Водночас, інтеграція світу Web3 з технологією AI також може призвести до нових інноваційних сценаріїв застосування та ігор.

На основі технології Web3 розробка та застосування ШІ вступить у нову еру співпраці в економіці. Приватність даних людей буде забезпечена, модель краудсорсингу даних сприятиме прогресу моделей ШІ, численні відкриті ресурси ШІ будуть доступні для користувачів, а спільні обчислювальні потужності можна буде отримати за нижчою ціною. Завдяки децентралізованій механіці краудсорсингу та відкритому ринку ШІ можна реалізувати справедливу систему розподілу доходів, що стимулюватиме більше людей до розвитку технології ШІ.

У сцені Web3 AI може мати позитивний вплив у кількох напрямках. Наприклад, моделі AI можуть бути інтегровані в смарт-контракти, щоб підвищити ефективність роботи в різних прикладних сценаріях, таких як ринковий аналіз, безпекове тестування, соціальна кластеризація та багато інших функцій. Генеративний AI не лише дозволяє користувачам відчути себе "митцем", наприклад, використовуючи AI-технології для створення власних NFT, але й може створювати різноманітні ігрові сцени та цікаві інтерактивні досвіди в GameFi. Розвинена інфраструктура забезпечує плавний досвід розробки, незалежно від того, чи є ви експертом у AI, чи новачком, який хоче увійти в цю сферу, ви зможете знайти відповідний вхід у цьому світі.

Два, інтерпретація екосистеми Web3-AI проектів та їх архітектури

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

Інфраструктурний рівень охоплює обчислювальні ресурси та технологічну архітектуру, що підтримують весь життєвий цикл AI, тоді як середній рівень включає в себе управління даними, розробку моделей та послуги верифікації, що з'єднують інфраструктуру з додатками. Рівень додатків зосереджується на різних застосунках і рішеннях, що безпосередньо орієнтовані на користувачів.

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 можливе навчання та виведення моделей ШІ, а також надання потужних і практичних застосунків ШІ користувачам.

• Децентралізовані обчислювальні мережі: можуть забезпечити розподілену обчислювальну потужність для навчання AI моделей, гарантуючи ефективне та економічне використання обчислювальних ресурсів. Деякі проекти пропонують децентралізовані ринки потужності, де користувачі можуть орендувати потужність з низькими витратами або ділитися потужністю для отримання прибутку, такими проектами є IO.NET і Hyperbolic. Крім того, деякі проекти розвинули нові способи гри, такі як Compute Labs, які запропонували токенізований протокол, де користувачі можуть придбати NFT, які представляють фізичні GPU, і брати участь в оренді потужності різними способами для отримання прибутку.

• AI Chain: Використання блокчейну як основи життєвого циклу AI, що забезпечує безшовну взаємодію AI-ресурсів на ланцюгу та поза його межами, сприяючи розвитку екосистеми галузі. Децентралізований AI-ринок на ланцюгу може торгувати AI-активами, такими як дані, моделі, агенти тощо, та надавати AI-розробницькі фреймворки і супутні інструменти розробки, прикладом проекту є Sahara AI. AI Chain також може сприяти прогресу AI-технологій у різних сферах, таких як Bittensor, який за допомогою інноваційного механізму стимулювання підмереж сприяє конкуренції між різними типами AI-підмереж.

• Платформа розробки: деякі проекти пропонують платформи для розробки AI-агентів, а також можуть реалізувати торгівлю AI-агентами, такі як Fetch.ai та ChainML. Універсальні інструменти допомагають розробникам зручніше створювати, навчати та розгортати AI-моделі, приклад проекту - Nimble. Ця інфраструктура сприяє широкому застосуванню AI-технологій в екосистемі Web3.

Проміжний рівень:

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

• Дані: Якість та кількість даних є ключовими факторами, що впливають на ефективність навчання моделей. У світі Web3, завдяки краудсорсинговим даним та кооперативній обробці даних, можна оптимізувати використання ресурсів і знизити витрати на дані. Користувачі можуть володіти своїми даними, продаючи їх за умови захисту конфіденційності, щоб уникнути крадіжки даних недобросовісними підприємцями та отримання високого прибутку. Для сторони, яка потребує даних, ці платформи пропонують широкий вибір і дуже низькі витрати. Представлені проекти, такі як Grass, використовують пропускну спроможність користувачів для збору веб-даних, xData збирає медіаінформацію через зручні для користувача плагіни та підтримує завантаження інформації з твітів.

Крім того, деякі платформи дозволяють фахівцям у певних сферах або звичайним користувачам виконувати завдання з попередньої обробки даних, такі як позначення зображень, класифікація даних; ці завдання можуть вимагати професійних знань для обробки фінансових і юридичних даних. Користувачі можуть токенізувати свої навички, реалізуючи колективне краудсорсинг для попередньої обробки даних. Наприклад, AI-ринок Sahara AI має різні завдання з даними в різних сферах, що може охоплювати багатосферні сценарії даних; тоді як AIT Protocolt здійснює позначення даних за допомогою людино-машинної співпраці.

• Модель: В процесі розробки ШІ, про який згадувалося раніше, різні типи вимог потребують відповідних моделей. Для завдань з обробки зображень зазвичай використовуються моделі, такі як CNN, GAN, для завдань виявлення об'єктів можна обрати серію Yolo, а для текстових завдань поширені моделі RNN, Transformer та інші, звичайно, є також деякі специфічні або універсальні великі моделі. Моделі, необхідні для завдань різної складності, також мають різну глибину, і іноді потрібно налаштувати модель.

Деякі проекти підтримують користувачів у наданні різних типів моделей або спільній розробці моделей через краудсорсинг, такі як Sentient, який за допомогою модульного дизайну дозволяє користувачам зберігати надійні дані моделей у сховищі та розподільному рівні для оптимізації моделей, а також інструменти розробника, надані Sahara AI, обладнані передовими алгоритмами ШІ та обчислювальними фреймворками, а також здатні до спільного навчання.

• Висновок та верифікація: після навчання моделі створюється файл ваг моделі, який можна використовувати для безпосередньої класифікації, прогнозування чи виконання інших специфічних завдань, цей процес називається висновком. Процес висновку зазвичай супроводжується механізмом верифікації, щоб перевірити, чи є джерело моделі вірним, чи є шкідливі дії тощо. Висновок Web3 зазвичай можна інтегрувати в смарт-контракти, викликаючи модель для висновку, поширеними способами верифікації є такі технології, як ZKML, OPML та TEE. Представлені проекти, такі як AI-оракул на ORA (OAO), впровадили OPML як верифікаційний шар для AI-оракулів, на офіційному сайті ORA також згадано їхнє дослідження щодо ZKML та opp/ai (ZKML у поєднанні з OPML).

Додаткова рівень:

Цей рівень в основному є додатками, що безпосередньо надаються користувачам, поєднуючи AI з Web3, створюючи більше цікавих та інноваційних способів використання. У цій статті в основному розглядаються проекти в кількох сегментах: AIGC (AI-генерований контент), AI-агенти та аналіз даних.

• AIGC: Завдяки AIGC можна розширити