Laporan Panorama Web3-AI: Analisis Mendalam tentang Logika Teknologi, Aplikasi Skenario, dan Proyek-Proyek Teratas

Seiring dengan meningkatnya perhatian terhadap narasi AI, semakin banyak perhatian yang tertuju pada jalur ini. Artikel ini melakukan analisis mendalam tentang logika teknologi, skenario aplikasi, dan proyek-proyek perwakilan dalam jalur Web3-AI, untuk menyajikan panorama dan tren perkembangan di bidang ini secara komprehensif.

I. Web3-AI: Analisis Logika Teknologi dan Peluang Pasar Baru

1.1 Logika penggabungan Web3 dan AI: bagaimana mendefinisikan jalur Web3-AI

Selama setahun terakhir, narasi AI sangat populer di industri Web3, dan proyek AI muncul seperti jamur setelah hujan. Meskipun ada banyak proyek yang melibatkan teknologi AI, beberapa proyek hanya menggunakan AI di bagian tertentu dari produk mereka, sementara 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.

Fokus artikel ini adalah pada proyek yang menggunakan blockchain untuk menyelesaikan masalah hubungan produksi, dan AI untuk menyelesaikan masalah produktivitas. Proyek-proyek ini sendiri menyediakan produk AI, sekaligus berbasis model ekonomi Web3 sebagai alat hubungan produksi, keduanya saling melengkapi. Kami mengklasifikasikan proyek-proyek semacam ini sebagai jalur Web3-AI. Untuk membantu pembaca memahami jalur Web3-AI dengan lebih baik, artikel ini akan menjelaskan proses pengembangan AI dan tantangannya, serta bagaimana kombinasi Web3 dan AI dapat secara sempurna menyelesaikan masalah dan menciptakan skenario aplikasi baru.

1.2 Proses dan Tantangan Pengembangan AI: 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, klasifikasi gambar hingga pengenalan wajah, dan aplikasi seperti mengemudikan otomatis, AI sedang mengubah cara kita hidup dan bekerja.

Proses pengembangan model kecerdasan buatan biasanya mencakup beberapa langkah kunci berikut: pengumpulan data dan pra-pemrosesan data, pemilihan dan penyesuaian model, pelatihan dan inferensi model. Sebagai contoh sederhana, untuk mengembangkan model yang dapat mengklasifikasikan gambar kucing dan anjing, Anda perlu:

1. 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 untuk setiap gambar ( kucing atau anjing ), pastikan label akurat. Ubah gambar ke format yang dapat dikenali oleh model, dan bagi dataset menjadi set pelatihan, set validasi, dan set pengujian.

2. Pemilihan dan Penyesuaian Model: Memilih model yang sesuai, seperti jaringan syaraf konvolusional (CNN), yang lebih cocok untuk tugas klasifikasi gambar. Sesuaikan parameter atau arsitektur model sesuai dengan kebutuhan yang berbeda, umumnya, tingkat jaringan model dapat disesuaikan berdasarkan kompleksitas tugas AI. Dalam contoh klasifikasi sederhana ini, tingkat jaringan yang lebih dangkal mungkin sudah cukup.

3. Pelatihan model: Anda dapat menggunakan GPU, TPU, atau kluster komputasi berkinerja tinggi untuk melatih model, waktu pelatihan dipengaruhi oleh kompleksitas model dan kemampuan komputasi.

4. 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 diukur dengan akurasi, recall, F1-score, dan metrik lainnya untuk mengevaluasi efektivitas model.

Namun, proses pengembangan AI terpusat memiliki beberapa masalah dalam skenario berikut:

Privasi Pengguna: Dalam skenario terpusat, proses pengembangan AI biasanya tidak transparan. Data pengguna mungkin dicuri tanpa sepengetahuan mereka dan digunakan untuk pelatihan AI.

Sumber data diperoleh: Tim kecil atau individu mungkin menghadapi batasan tidak adanya sumber terbuka saat memperoleh data di bidang tertentu ( seperti data medis ).

Pemilihan dan penyetelan model: bagi tim kecil, sulit untuk mendapatkan sumber daya model di bidang tertentu atau menghabiskan biaya besar untuk penyetelan model.

Perolehan daya komputasi: bagi pengembang individu dan tim kecil, biaya pembelian GPU yang tinggi dan biaya sewa daya komputasi awan dapat menjadi beban ekonomi yang signifikan.

Pendapatan aset AI: Pekerja pengolahan data sering kali tidak dapat memperoleh pendapatan yang sebanding dengan usaha mereka, dan hasil penelitian pengembang AI juga sulit untuk dipadankan dengan pembeli yang membutuhkan.

Tantangan yang ada dalam skenario AI terpusat dapat diatasi dengan menggabungkannya dengan Web3, di mana Web3 sebagai jenis hubungan produksi baru secara alami cocok dengan AI yang mewakili produktivitas baru, sehingga mendorong kemajuan teknologi dan kapasitas produksi secara bersamaan.

1.3 Sinergi Web3 dan AI: Perubahan Peran dan Aplikasi Inovatif

Kombinasi Web3 dan AI dapat meningkatkan kedaulatan pengguna, menyediakan platform kolaborasi AI yang terbuka bagi pengguna, sehingga pengguna beralih dari pengguna AI di era Web2 menjadi peserta, menciptakan AI yang dapat dimiliki oleh semua orang. Pada saat yang sama, penggabungan dunia Web3 dengan teknologi AI juga dapat menghasilkan lebih banyak skenario aplikasi inovatif dan cara bermain.

Berdasarkan teknologi Web3, pengembangan dan penerapan AI akan menyambut sistem ekonomi kolaboratif yang baru. Privasi data orang dapat terjamin, 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 bantuan mekanisme crowdsourcing kolaboratif terdesentralisasi dan pasar AI terbuka, sistem distribusi pendapatan yang adil dapat dicapai, sehingga mendorong lebih banyak orang untuk memajukan kemajuan teknologi AI.

Dalam skenario Web3, AI dapat memberikan dampak positif di berbagai jalur. Misalnya, model AI dapat diintegrasikan ke dalam smart contract untuk meningkatkan efisiensi kerja dalam berbagai aplikasi, seperti analisis pasar, deteksi keamanan, pengelompokan sosial, dan berbagai fungsi lainnya. AI generatif tidak hanya memungkinkan pengguna untuk 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 menyediakan pengalaman pengembangan yang lancar, baik bagi ahli AI maupun pemula yang ingin memasuki bidang AI dapat menemukan pintu masuk yang tepat di dunia ini.

Dua, Pemetaan dan Arsitektur Proyek Ekosistem Web3-AI

Kami terutama mempelajari 41 proyek di jalur Web3-AI, dan membagi proyek-proyek ini ke dalam berbagai tingkat. Logika pembagian setiap tingkat ditunjukkan dalam gambar di bawah ini, termasuk tingkat infrastruktur, tingkat menengah, dan tingkat aplikasi, di mana setiap tingkat dibagi menjadi berbagai sektor. Di bab berikutnya, kami akan melakukan analisis kedalaman 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 verifikasi inferensi yang menghubungkan infrastruktur dengan aplikasi, sementara lapisan aplikasi berfokus pada berbagai aplikasi dan solusi yang langsung ditujukan kepada pengguna.

Lapisan infrastruktur:

Lapisan infrastruktur adalah dasar dari siklus hidup AI, artikel ini mengklasifikasikan daya komputasi, AI Chain, dan platform pengembangan sebagai lapisan infrastruktur. Justru dukungan dari infrastruktur-infrastruktur ini yang memungkinkan pelatihan dan inferensi model AI, serta menyajikan aplikasi AI yang kuat dan praktis 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, dengan proyek-proyek seperti IO.NET dan Hyperbolic sebagai perwakilan. Selain itu, beberapa proyek telah mengembangkan cara baru, seperti Compute Labs, yang mengusulkan protokol tokenisasi, di mana pengguna dapat berpartisipasi dalam penyewaan daya komputasi untuk mendapatkan keuntungan dengan membeli NFT yang mewakili entitas GPU.

• AI Chain: Menggunakan blockchain sebagai dasar siklus hidup AI, mewujudkan interaksi tanpa batas antara sumber daya AI di dalam dan di luar rantai, mendorong perkembangan ekosistem industri. Pasar AI terdesentralisasi di dalam rantai dapat memperdagangkan aset AI seperti data, model, agen, dan menyediakan kerangka pengembangan AI serta alat pengembangan yang mendukung, proyek yang mewakili seperti Sahara AI. AI Chain juga dapat mempromosikan kemajuan teknologi AI di berbagai bidang, seperti Bittensor yang mendorong kompetisi subnet AI yang berbeda melalui mekanisme insentif subnet yang inovatif.

• Platform pengembangan: Beberapa proyek menyediakan platform pengembangan agen AI, yang juga dapat melakukan perdagangan agen AI, seperti Fetch.ai dan ChainML. Alat serba ada membantu pengembang untuk lebih mudah dalam membuat, melatih, dan menerapkan model AI, contoh proyek seperti Nimble. Infrastruktur ini mendorong penerapan teknologi AI yang luas dalam ekosistem Web3.

Lapisan tengah:

Tingkat ini melibatkan data AI, model, serta inferensi dan verifikasi, menggunakan teknologi Web3 dapat mencapai efisiensi kerja yang lebih tinggi.

• Data: Kualitas dan jumlah data adalah faktor kunci yang mempengaruhi efektivitas pelatihan model. Dalam dunia Web3, melalui data crowdsourcing dan pemrosesan data kolaboratif, kita dapat mengoptimalkan pemanfaatan sumber daya dan mengurangi biaya data. Pengguna dapat memiliki otonomi data, menjual data mereka sendiri dalam perlindungan privasi, untuk menghindari pencurian data oleh pedagang yang tidak bertanggung jawab dan mengejar keuntungan tinggi. Bagi pihak yang membutuhkan data, platform-platform ini menawarkan beragam pilihan dan biaya yang sangat rendah. Proyek-proyek perwakilan seperti Grass memanfaatkan bandwidth pengguna untuk mengambil data Web, xData mengumpulkan informasi media melalui plugin yang ramah pengguna, dan mendukung pengguna untuk mengunggah informasi tweet.

Selain itu, beberapa platform memungkinkan ahli di bidang tertentu atau pengguna biasa untuk melaksanakan tugas pra-pemrosesan data, seperti penandaan gambar, klasifikasi data, tugas pemrosesan data yang mungkin memerlukan pengetahuan profesional di bidang keuangan dan hukum. Pengguna dapat men-token-kan keterampilan mereka untuk mewujudkan kolaborasi crowdsourcing dalam pra-pemrosesan data. Contohnya seperti pasar AI Sahara AI, yang memiliki berbagai tugas data dari berbagai bidang, dapat mencakup skenario data multi-bidang; sementara AIT Protocol melakukan penandaan data melalui kolaborasi manusia dan mesin.

• Model: Dalam proses pengembangan AI yang telah disebutkan sebelumnya, berbagai jenis kebutuhan perlu dicocokkan dengan model yang sesuai. Model yang umum digunakan untuk tugas gambar seperti CNN, GAN, untuk tugas deteksi objek dapat memilih seri Yolo, dan model yang umum untuk tugas teks termasuk RNN, Transformer, serta beberapa model besar yang spesifik atau umum. Kedalaman model yang dibutuhkan untuk tugas dengan kompleksitas yang berbeda juga berbeda, dan kadang-kadang perlu dilakukan penyesuaian pada model.

Beberapa proyek mendukung pengguna untuk menyediakan berbagai jenis model atau berkolaborasi dalam pelatihan 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 komputasi, 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 tertentu lainnya, proses ini disebut penalaran. Proses penalaran biasanya disertai dengan mekanisme verifikasi, untuk memverifikasi apakah sumber model penalaran benar dan apakah ada perilaku jahat, dll. 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 atas rantai ORA (OAO), memperkenalkan OPML sebagai lapisan verifikasi untuk oracle AI, di situs resmi ORA juga menyebutkan penelitian mereka tentang ZKML dan opp/ai( kombinasi ZKML dengan OPML).

Lapisan aplikasi:

Lapisan ini terutama merupakan aplikasi yang langsung ditujukan kepada pengguna, menggabungkan AI dengan Web3, menciptakan lebih banyak cara yang menarik dan inovatif. Artikel ini terutama menguraikan proyek-proyek di beberapa sektor yaitu AIGC( konten yang dihasilkan oleh AI), agen AI, dan analisis data.

• AIGC: Dengan AIGC, dapat diperluas ke jalur NFT, permainan, dan lainnya di Web3, pengguna dapat langsung menghasilkan teks, gambar, dan audio berdasarkan Prompt( yang diberikan oleh pengguna ), bahkan dapat menghasilkan cara bermain yang disesuaikan sesuai dengan preferensi mereka dalam permainan. Proyek NFT seperti NFPrompt, pengguna dapat menghasilkan NFT menggunakan AI untuk diperdagangkan di pasar; permainan seperti Sleepless, pengguna membentuk kepribadian pasangan virtual melalui dialog untuk mencocokkan preferensi mereka;

• Agen AI: merujuk pada sistem kecerdasan buatan yang dapat mengeksekusi tugas secara mandiri dan membuat keputusan. Agen AI biasanya memiliki kemampuan persepsi, penalaran, pembelajaran, dan tindakan, dan dapat melaksanakan tugas kompleks di berbagai lingkungan. Agen AI yang umum termasuk penerjemahan bahasa, pembelajaran bahasa, dan konversi gambar menjadi teks, yang dalam konteks Web3 dapat menghasilkan robot perdagangan, meme, dan deteksi keamanan on-chain. Sebagai platform agen AI, MyShell menyediakan berbagai jenis agen, termasuk pembelajaran pendidikan, teman virtual, agen perdagangan, dan juga menyediakan alat pengembangan agen yang ramah pengguna, memungkinkan pengguna untuk membangun agen mereka sendiri tanpa perlu menulis kode.

• Analisis Data: Dengan mengintegrasikan teknologi AI dan basis data terkait, untuk melakukan analisis, penilaian, prediksi, dan lain-lain, di Web3, dapat membantu pengguna dalam membuat keputusan investasi dengan menganalisis data pasar, dinamika uang pintar, dan sebagainya. Prediksi token juga merupakan skenario aplikasi unik di Web3, contoh proyek seperti Ocean, yang secara resmi mengatur panjang prediksi token.