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

Зі зростанням популярності AI-нарративу все більше уваги зосереджується на цій галузі. У цій статті проведено глибокий аналіз технологічної логіки, сценаріїв застосування та представницьких проектів у галузі Web3-AI, щоб повністю представити вам панораму та тенденції розвитку цієї сфери.

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

1.1 Логіка інтеграції Web3 та AI: як визначити напрямок Web3-AI

Протягом минулого року AI-оповідь стала надзвичайно популярною в індустрії Web3, проекти AI виникають, як гриби після дощу. Хоча є багато проектів, що залучають технології AI, деякі проекти використовують AI лише в певних частинах своїх продуктів, тоді як базова токеноміка не має суттєвого зв'язку з AI-продуктами, тому такі проекти не входять до обговорення AI-проектів Web3 у цій статті.

У цьому статті основна увага приділяється проектам, які використовують блокчейн для вирішення проблем виробничих відносин та штучний інтелект для вирішення проблем продуктивності. Ці проекти самі пропонують продукти на базі штучного інтелекту, одночасно ґрунтуючись на економічній моделі Web3 як інструменті виробничих відносин, що взаємодоповнюють одне одного. Ми класифікуємо такі проекти як Web3-AI сегмент. Щоб читачі краще зрозуміли сегмент Web3-AI, у цій статті буде представлений процес розробки штучного інтелекту та виклики, а також те, як поєднання Web3 та AI ідеально вирішує проблеми та створює нові можливості.

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

Технологія ШІ — це технологія, яка дозволяє комп'ютерам імітувати, розширювати та підвищувати 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 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 збирати реальні дані. Потім для кожного зображення позначити категорію ( кіт або собака ), переконатися, що мітки точні. Перетворити зображення в формат, який може розпізнати модель, розділити набір даних на навчальну вибірку, валідаційну вибірку та тестову вибірку.

2. Вибір та налаштування моделі: виберіть відповідну модель, наприклад, згорткову нейронну мережу (CNN), що більш підходить для завдань класифікації зображень. Налаштуйте параметри моделі або архітектуру відповідно до різних вимог, зазвичай, ієрархію мережі моделі можна налаштувати залежно від складності AI-завдання. У цьому простому прикладі класифікації може бути достатньо більш поверхневої ієрархії 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 інферування: Файли, в яких модель вже натренована, зазвичай називаються вагами моделі. Процес інферування полягає у використанні вже натренованої 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 допомогою таких показників, як точність, відзив, F1-score тощо.

Однак, 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 і використані для навчання ШІ.

Отримання джерела даних: невеликі команди або особи, які отримують дані в певних сферах (, таких як медичні дані ), можуть стикатися з обмеженнями на відкритість даних.

Вибір моделей та їх налаштування: для невеликих команд важко отримати ресурси моделей для конкретної галузі 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 становити суттєвий економічний тягар.

AI активи доходу: працівники з позначення даних часто не можуть отримати доходу, що відповідає їх витратам, а результати досліджень розробників ШІ також важко співвіднести з покупцями, які мають попит.

Виклики, що виникають у централізованих AI-сценах, можуть бути подолані шляхом інтеграції з Web3. Web3, як нова форма виробничих відносин, природно адаптується до AI, що представляє нові продуктивні сили, тим самим сприяючи одночасному прогресу технологій та виробничих можливостей.

1.3 Співпраця Web3 та ШІ: зміна ролей та інноваційні застосування

Поєднання Web3 та AI може підсилити суверенітет користувачів, надаючи їм відкриту платформу для співпраці з AI, що дозволяє користувачам перейти з ролі користувачів AI в епоху Web2 до ролі учасників, створюючи AI, яким може володіти кожен. Водночас, інтеграція світу Web3 та технології AI може дати поштовх до виникнення нових інноваційних застосунків та ігор.

На основі технології Web3 розробка та впровадження ШІ зустрінуть нову економічну систему співпраці. Приватність даних людей може бути гарантована, модель краудсорсингу даних сприяє прогресу моделей ШІ, численні відкриті ресурси ШІ доступні для користувачів, а спільні обчислювальні потужності можна отримати за нижчою вартістю. Завдяки децентралізованому механізму краудсорсингу співпраці та відкритому ринку ШІ можна реалізувати справедливу систему розподілу доходів, що стимулює більше людей до просування технологій ШІ.

У сцені Web3 штучний інтелект може мати позитивний вплив у кількох напрямках. Наприклад, моделі ШІ можуть бути інтегровані в смарт-контракти, щоб підвищити ефективність роботи в різних застосунках, такими як аналіз ринку, безпекове тестування, соціальне кластеризація та інші функції. Генеративний ШІ може не лише дозволити користувачам відчути себе "митцями", наприклад, створюючи свої власні NFT за допомогою технологій ШІ, але й створювати різноманітні ігрові сцени та цікаві інтерактивні досвіди в GameFi. Багата інфраструктура забезпечує плавний досвід розробки, незалежно від того, чи є ви експертом з ШІ, чи новачком, який хоче увійти в сферу ШІ, в цьому світі можна знайти відповідний вхід.

Два, Аналіз карти та архітектури проектів екосистеми Web3-AI

Ми в основному досліджували 41 проєкт у сфері Web3-AI та розподілили ці проєкти на різні рівні. Логіка поділу кожного рівня показана на наступній схемі, яка включає рівень інфраструктури, проміжний рівень та рівень застосувань, кожен з яких далі ділиться на різні секції. У наступному розділі ми проведемо глибокий аналіз деяких представницьких проєктів.

Інфраструктурний рівень охоплює обчислювальні ресурси та технологічну архітектуру, які підтримують роботу всього життєвого циклу ШІ. Середній рівень включає в себе управління даними, розробку моделей та послуги верифікації, які з'єднують інфраструктуру та додатки. Рівень додатків зосереджується на різноманітних додатках та рішеннях, що безпосередньо орієнтовані на користувачів.

Інфраструктурний рівень:

Інфраструктурний рівень є основою життєвого циклу ШІ, у цій статті обчислювальну потужність, AI Chain та платформу розробки класифікують як інфраструктурний рівень. Саме завдяки підтримці цих інфраструктур можна реалізувати навчання та інференцію моделей ШІ та представити користувачам потужні та практичні програми ШІ.

• Децентралізована обчислювальна мережа: може забезпечити розподілену обчислювальну потужність для навчання моделей ШІ, гарантуючи ефективне та економічне використання обчислювальних ресурсів. Деякі проекти пропонують децентралізований ринок обчислювальної потужності, де користувачі можуть орендувати обчислювальну потужність за низькою ціною або ділитися обчислювальною потужністю для отримання прибутку, серед представників проектів такі як IO.NET та Hyperbolic. Крім того, деякі проекти розробили нові ігри, такі як Compute Labs, які запропонували токенізований протокол, де користувачі, купуючи NFT, що представляють фізичні GPU, можуть брати участь в оренді обчислювальної потужності різними способами для отримання прибутку.

• AI Chain: Використання блокчейну як основи життєвого циклу ШІ, реалізація безшовної взаємодії ресурсів ШІ на ланцюзі та поза його межами, сприяння розвитку екосистеми галузі. Децентралізований ринок ШІ на ланцюзі може торгувати активами ШІ, такими як дані, моделі, агенти тощо, та надавати рамки для розробки ШІ і супутні інструменти розробки, приклад проекту - Sahara AI. AI Chain також може сприяти прогресу технологій ШІ в різних сферах, наприклад, Bittensor через інноваційний механізм стимулювання підмереж для сприяння конкуренції між різними типами ШІ.

• Розробницька платформа: 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 легше створювати, тренувати та впроваджувати AI-моделі, представники проекту, такі як Nimble. Ця інфраструктура сприяє широкому застосуванню технологій AI в екосистемі Web3.

Середній рівень:

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

• Дані: Якість і кількість даних є ключовими факторами, що впливають на ефективність навчання моделей. У світі Web3, завдяки краудсорсинговим даним і колективній обробці даних, можна оптимізувати використання ресурсів і знизити витрати на дані. Користувачі можуть мати автономію над своїми даними, продаючи їх у рамках захисту конфіденційності, щоб уникнути крадіжки даних недобросовісними підприємцями та отримання високих прибутків. Для замовників даних ці платформи пропонують широкий вибір і надзвичайно низькі витрати. Представлені проекти, такі як Grass, використовують пропускну спроможність користувачів для збору веб-даних, xData збирає медіаінформацію за допомогою зручного плагіна та підтримує завантаження інформації з твітів.

Крім того, деякі платформи дозволяють експертам у галузі або звичайним користувачам виконувати завдання з попередньої обробки даних, такі як розмітка зображень, класифікація даних. Ці завдання можуть вимагати спеціалізованих знань у фінансовій та юридичній обробці даних. Користувачі можуть токенізувати свої навички для реалізації колективного краудсорсингу попередньої обробки даних. Прикладом є ринок AI, як-от Sahara AI, що має різні завдання з даними в різних галузях і може охоплювати багатогалузеві сценарії даних; тоді як AIT Protocolt здійснює розмітку даних за допомогою людсько-машинної співпраці.

• Модель: Як вже згадувалося раніше під час розробки AI, 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 часто використовуються моделі RNN, Transformer та інші, звісно, також є деякі специфічні або загальні великі моделі. Модель Глибина, необхідна для завдань різної складності, також відрізняється, іноді потрібно налаштовувати модель.

Деякі проекти підтримують можливість для користувачів надавати різні типи моделей або співпрацювати у навчанні моделей через краудсорсинг, такі як Sentient, який через модульний дизайн дозволяє користувачам зберігати надійні дані моделей на рівні зберігання та розподілу для оптимізації моделей, а також інструменти розробки, що надаються Sahara AI, мають вбудовані передові алгоритми ШІ та обчислювальні фреймворки, а також здатність до спільного навчання.

• Висновок та верифікація: після навчання моделі вона генерує файл з вагою моделі, який можна використовувати для безпосередньої класифікації, прогнозування або інших конкретних завдань, цей процес називається висновком. Процес висновку зазвичай супроводжується механізмом верифікації, щоб перевірити, чи є джерело моделі правильним, чи є шкідливі дії тощо. Висновок у Web3 зазвичай може бути інтегрований у смарт-контракти, шляхом виклику моделі 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 верифікований шар для AI-оракулів, на офіційному сайті ORA також згадується їхнє дослідження про ZKML та поєднання opp/ai(ZKML з OPML).

Рівень застосунків:

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

• AIGC: За допомогою AIGC можна розширити можливості в NFT, іграх та інших сферах Web3, користувачі можуть безпосередньо генерувати текст, зображення та аудіо за допомогою підказок, наданих користувачами через Prompt(, навіть можуть створювати власний ігровий процес відповідно до своїх уподобань. NFT проекти, такі як NFPrompt, дозволяють користувачам генерувати NFT за допомогою AI та торгувати ними на ринку; ігри, такі як Sleepless, дозволяють користувачам формувати характер віртуального партнера через діалоги, щоб відповідати своїм уподобанням;

• AI-агент: це штучно-інтелектуальна система, яка здатна самостійно виконувати завдання та приймати рішення. AI-агенти зазвичай мають можливості сприйняття, міркування, навчання та дій, можуть виконувати складні завдання в різних середовищах. Звичні AI-агенти, такі як переклад мов, вивчення мов, перетворення зображень на текст тощо, у сценах Web3 можуть генерувати торгових роботів, створювати меми, проводити перевірки безпеки в ланцюгу тощо. Наприклад, MyShell як платформа для AI-агентів пропонує різні типи агентів, включаючи освітнє навчання, віртуальних супутників, торгових агентів тощо, а також надає зручні інструменти для розробки агентів, які не потребують коду для створення власного агента.

• Аналіз даних: шляхом інтеграції технології ШІ та відповідних баз даних для виконання аналізу, оцінки, прогнозування тощо, у Web3 можна допомогти користувачам у прийнятті інвестиційних рішень шляхом аналізу ринкових даних, динаміки розумних грошей тощо. Прогнозування токенів також є унікальним сценарієм застосування у Web3, з проектами, такими як Ocean, де офіційно встановлено довгострокове прогнозування токенів.