Laporan Panorama Web3-AI: Analisis Mendalam tentang Logika Teknologi, Aplikasi Skenario, dan Proyek-Proyek Teratas
Seiring dengan meningkatnya perhatian terhadap narasi AI, semakin banyak fokus yang tertuju pada jalur ini. Artikel ini menganalisis logika teknis, skenario aplikasi, dan proyek-proyek perwakilan dalam jalur Web3-AI secara mendalam, untuk memberikan gambaran menyeluruh tentang bidang ini dan tren perkembangannya.
I. Web3-AI: Analisis Logika Teknologi dan Peluang Pasar Baru
1.1 Logika Penggabungan Web3 dan AI: Bagaimana Mendefinisikan Jalur Web-AI
Dalam setahun terakhir, narasi AI telah sangat populer di industri Web3, dengan proyek-proyek AI bermunculan seperti jamur setelah hujan. Meskipun banyak proyek yang melibatkan teknologi AI, beberapa proyek hanya menggunakan AI di sebagian 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 penggunaan blockchain untuk menyelesaikan masalah hubungan produksi, proyek yang menggunakan AI untuk menyelesaikan masalah produktivitas. Proyek-proyek ini sendiri menyediakan produk AI, sekaligus berdasarkan model ekonomi Web3 sebagai alat hubungan produksi, di mana keduanya saling melengkapi. Kami mengklasifikasikan jenis proyek ini sebagai jalur Web3-AI. Untuk membantu pembaca lebih memahami jalur Web3-AI, artikel ini akan menjelaskan proses dan tantangan pengembangan AI, 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 terjemahan bahasa, klasifikasi gambar hingga pengenalan wajah, aplikasi mengemudi otomatis, dan lainnya. 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 model dan inferensi. 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, Anda 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: Pilih model yang sesuai, seperti Convolutional Neural Network (CNN), yang lebih cocok untuk tugas klasifikasi gambar. Sesuaikan parameter atau arsitektur model sesuai kebutuhan yang berbeda, secara umum, tingkat jaringan model dapat disesuaikan berdasarkan kompleksitas tugas AI. Dalam contoh klasifikasi sederhana ini, tingkat jaringan yang lebih dangkal mungkin sudah cukup.
Pelatihan model: Anda dapat menggunakan GPU, TPU, atau kluster komputasi berkinerja tinggi untuk melatih model, waktu pelatihan dipengaruhi oleh kompleksitas model dan kemampuan komputasi.
Inferensi Model: File yang sudah dilatih model biasanya disebut sebagai bobot model, proses inferensi mengacu pada penggunaan model yang telah dilatih untuk membuat prediksi atau klasifikasi terhadap data baru. Dalam proses ini, dapat digunakan kumpulan pengujian atau data baru untuk menguji efektivitas klasifikasi model, biasanya dievaluasi dengan metrik seperti akurasi, recall, dan F1-score.
Seperti yang ditunjukkan pada gambar, setelah pengumpulan data dan pra-pemrosesan data, pemilihan dan penyetelan model, serta pelatihan, model yang telah dilatih akan melakukan inferensi pada himpunan pengujian untuk menghasilkan nilai prediksi kucing dan anjing P (probabilitas), yaitu probabilitas yang dihasilkan model untuk mengidentifikasi sebagai kucing atau anjing.
Model AI yang telah dilatih dapat lebih lanjut diintegrasikan ke dalam berbagai aplikasi untuk melakukan 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 yang terpusat memiliki beberapa masalah dalam skenario berikut:
Privasi pengguna: Dalam skenario terpusat, proses pengembangan AI biasanya tidak transparan. Data pengguna mungkin dicuri tanpa sepengetahuan dan digunakan untuk pelatihan AI.
Pengambilan sumber data: Tim kecil atau individu mungkin menghadapi batasan dalam mendapatkan data di bidang tertentu (seperti data medis) ketika data tersebut tidak bersifat open source.
Pemilihan dan penyempurnaan model: Bagi tim kecil, sulit untuk mendapatkan sumber model di bidang tertentu atau menghabiskan biaya besar untuk penyempurnaan model.
Pengambilan daya komputasi: Bagi pengembang individu dan tim kecil, biaya pembelian GPU yang tinggi dan biaya sewa daya komputasi di awan dapat menjadi beban ekonomi yang signifikan.
Pendapatan Aset AI: Pekerja penandaan data sering kali tidak dapat memperoleh pendapatan yang sebanding dengan upaya mereka, sementara hasil penelitian pengembang AI juga sulit untuk dipadankan dengan pembeli yang membutuhkan.
Tantangan yang ada di bawah skenario AI terpusat dapat diatasi dengan menggabungkannya dengan Web3, yang sebagai hubungan produksi baru secara alami cocok untuk mewakili produktivitas baru 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 yang terbuka bagi pengguna, memungkinkan 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 dan cara bermain yang inovatif.
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 digunakan pengguna, dan daya komputasi yang dibagikan dapat diperoleh dengan biaya yang lebih rendah. Dengan bantuan mekanisme crowdsourcing kolaboratif yang terdesentralisasi dan pasar AI terbuka, sistem distribusi pendapatan yang adil dapat direalisasikan, 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 skenario aplikasi, seperti analisis pasar, deteksi keamanan, klustering 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 yang kaya dan pengalaman interaksi yang menarik di 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 sesuai di dunia ini.
Dua, Interpretasi Peta dan Struktur Proyek Ekosistem Web3-AI
Kami terutama telah mempelajari 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 menengah, dan lapisan aplikasi, di mana setiap lapisan 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 inferensi verifikasi yang menghubungkan infrastruktur dengan aplikasi, sedangkan 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. Dukungan infrastruktur inilah yang memungkinkan pelatihan dan inferensi model AI, serta mempersembahkan aplikasi AI yang kuat dan praktis kepada pengguna.
Jaringan komputasi terdesentralisasi: dapat menyediakan daya komputasi terdistribusi untuk pelatihan model AI, memastikan penggunaan 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 perwakilan seperti IO.NET dan Hyperbolic. Selain itu, beberapa proyek telah mengembangkan 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 tanpa batas antara sumber daya AI di dalam dan di luar rantai, serta 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 pendukung, dengan proyek perwakilan seperti Sahara AI. AI Chain juga dapat mendorong kemajuan teknologi AI di berbagai bidang, seperti Bittensor yang mempromosikan kompetisi subnet AI yang berbeda 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, dengan proyek perwakilan seperti Nimble. Infrastruktur ini memfasilitasi penerapan teknologi AI yang luas dalam ekosistem Web3.
Lapisan tengah:
Tingkat ini melibatkan data AI, model, serta inferensi dan validasi, 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, sumber daya dapat dioptimalkan dan biaya data dapat diturunkan. Pengguna dapat memiliki otonomi atas data mereka, menjual data mereka dalam perlindungan privasi, untuk menghindari pencurian data oleh pedagang yang tidak bertanggung jawab dan mendapatkan keuntungan tinggi. Bagi pihak yang membutuhkan data, platform-platform ini menawarkan pilihan yang luas dan biaya yang sangat rendah. Proyek-proyek yang mewakili 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 bidangnya atau pengguna biasa untuk melakukan tugas pra-pemrosesan data, seperti penandaan gambar, klasifikasi data, yang mungkin memerlukan pengetahuan profesional dalam pemrosesan data terkait keuangan dan hukum. Pengguna dapat men-token-kan keterampilan mereka untuk mewujudkan kolaborasi crowdsourcing dalam pra-pemrosesan data. Contohnya, pasar AI seperti Sahara AI memiliki tugas data dari berbagai bidang yang dapat mencakup berbagai skenario data; sedangkan AIT Protocol melakukan penandaan data melalui kolaborasi manusia dan mesin.
Model: Dalam proses pengembangan AI yang telah disebutkan sebelumnya, berbagai jenis kebutuhan memerlukan pemilihan model yang sesuai. Model yang umum digunakan untuk tugas gambar seperti CNN, GAN, untuk tugas deteksi objek dapat memilih seri Yolo, dan untuk tugas teks model yang umum 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, terkadang model perlu disesuaikan.
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 dapat dipercaya di lapisan penyimpanan dan 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 khusus lainnya, proses ini disebut penalaran. Proses penalaran biasanya disertai dengan mekanisme verifikasi untuk memverifikasi apakah sumber model penalaran benar, apakah ada perilaku jahat, dll. Penalaran Web3 biasanya dapat diintegrasikan ke dalam kontrak pintar, dengan memanggil model untuk melakukan penalaran, metode verifikasi yang umum termasuk teknologi ZKML, OPML, dan TEE. Proyek perwakilan seperti oracle AI di jaringan ORA (OAO) memperkenalkan OPML sebagai lapisan yang dapat diverifikasi untuk oracle AI, di situs resmi ORA juga disebutkan penelitian mereka tentang ZKML dan opp/ai (ZKML digabungkan dengan OPML).
Lapisan aplikasi:
Lapisan ini terutama merupakan aplikasi yang langsung ditujukan kepada pengguna, menggabungkan AI dengan Web3, menciptakan lebih banyak cara bermain yang menarik dan inovatif. Artikel ini terutama menguraikan proyek-proyek di beberapa bidang 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.
10 Suka
Hadiah
10
6
Bagikan
Komentar
0/400
DiamondHands
· 3jam yang lalu
Sepanjang hari tidak mengerti hanya tahu play people for suckers play people for suckers...
Lihat AsliBalas0
GasFeeSobber
· 21jam yang lalu
Apakah benar ada barang nyata dari AI yang bisa ditiup...
Lihat AsliBalas0
LightningLady
· 21jam yang lalu
Ya sudah, langsung saja. Lagipula investor tidak akan mengerti.
Lihat AsliBalas0
AltcoinAnalyst
· 21jam yang lalu
Dari data dan indikator teknis, 74% proyek Web3 sedang mengadopsi konsep AI, distribusi TVL menunjukkan skew kiri... disarankan untuk secara ketat memeriksa konsistensi model ekonomi Token, waspadai proyek palsu AI.
Lihat AsliBalas0
RektCoaster
· 21jam yang lalu
Sekali lagi, ini hanya permainan orang untuk dianggap bodoh dalam menggoreng web3 dan mengerjakan AI.
Web3-AI jalur panorama: analisis mendalam tentang logika penggabungan teknologi dan proyek-proyek terkemuka
Laporan Panorama Web3-AI: Analisis Mendalam tentang Logika Teknologi, Aplikasi Skenario, dan Proyek-Proyek Teratas
Seiring dengan meningkatnya perhatian terhadap narasi AI, semakin banyak fokus yang tertuju pada jalur ini. Artikel ini menganalisis logika teknis, skenario aplikasi, dan proyek-proyek perwakilan dalam jalur Web3-AI secara mendalam, untuk memberikan gambaran menyeluruh tentang bidang ini dan tren perkembangannya.
I. Web3-AI: Analisis Logika Teknologi dan Peluang Pasar Baru
1.1 Logika Penggabungan Web3 dan AI: Bagaimana Mendefinisikan Jalur Web-AI
Dalam setahun terakhir, narasi AI telah sangat populer di industri Web3, dengan proyek-proyek AI bermunculan seperti jamur setelah hujan. Meskipun banyak proyek yang melibatkan teknologi AI, beberapa proyek hanya menggunakan AI di sebagian 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 penggunaan blockchain untuk menyelesaikan masalah hubungan produksi, proyek yang menggunakan AI untuk menyelesaikan masalah produktivitas. Proyek-proyek ini sendiri menyediakan produk AI, sekaligus berdasarkan model ekonomi Web3 sebagai alat hubungan produksi, di mana keduanya saling melengkapi. Kami mengklasifikasikan jenis proyek ini sebagai jalur Web3-AI. Untuk membantu pembaca lebih memahami jalur Web3-AI, artikel ini akan menjelaskan proses dan tantangan pengembangan AI, 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 terjemahan bahasa, klasifikasi gambar hingga pengenalan wajah, aplikasi mengemudi otomatis, dan lainnya. 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 model dan inferensi. 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, Anda 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: Pilih model yang sesuai, seperti Convolutional Neural Network (CNN), yang lebih cocok untuk tugas klasifikasi gambar. Sesuaikan parameter atau arsitektur model sesuai kebutuhan yang berbeda, secara umum, tingkat jaringan model dapat disesuaikan berdasarkan kompleksitas tugas AI. Dalam contoh klasifikasi sederhana ini, tingkat jaringan yang lebih dangkal mungkin sudah cukup.
Pelatihan model: Anda dapat menggunakan GPU, TPU, atau kluster komputasi berkinerja tinggi untuk melatih model, waktu pelatihan dipengaruhi oleh kompleksitas model dan kemampuan komputasi.
Inferensi Model: File yang sudah dilatih model biasanya disebut sebagai bobot model, proses inferensi mengacu pada penggunaan model yang telah dilatih untuk membuat prediksi atau klasifikasi terhadap data baru. Dalam proses ini, dapat digunakan kumpulan pengujian atau data baru untuk menguji efektivitas klasifikasi model, biasanya dievaluasi dengan metrik seperti akurasi, recall, dan F1-score.
Seperti yang ditunjukkan pada gambar, setelah pengumpulan data dan pra-pemrosesan data, pemilihan dan penyetelan model, serta pelatihan, model yang telah dilatih akan melakukan inferensi pada himpunan pengujian untuk menghasilkan nilai prediksi kucing dan anjing P (probabilitas), yaitu probabilitas yang dihasilkan model untuk mengidentifikasi sebagai kucing atau anjing.
Model AI yang telah dilatih dapat lebih lanjut diintegrasikan ke dalam berbagai aplikasi untuk melakukan 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 yang terpusat memiliki beberapa masalah dalam skenario berikut:
Privasi pengguna: Dalam skenario terpusat, proses pengembangan AI biasanya tidak transparan. Data pengguna mungkin dicuri tanpa sepengetahuan dan digunakan untuk pelatihan AI.
Pengambilan sumber data: Tim kecil atau individu mungkin menghadapi batasan dalam mendapatkan data di bidang tertentu (seperti data medis) ketika data tersebut tidak bersifat open source.
Pemilihan dan penyempurnaan model: Bagi tim kecil, sulit untuk mendapatkan sumber model di bidang tertentu atau menghabiskan biaya besar untuk penyempurnaan model.
Pengambilan daya komputasi: Bagi pengembang individu dan tim kecil, biaya pembelian GPU yang tinggi dan biaya sewa daya komputasi di awan dapat menjadi beban ekonomi yang signifikan.
Pendapatan Aset AI: Pekerja penandaan data sering kali tidak dapat memperoleh pendapatan yang sebanding dengan upaya mereka, sementara hasil penelitian pengembang AI juga sulit untuk dipadankan dengan pembeli yang membutuhkan.
Tantangan yang ada di bawah skenario AI terpusat dapat diatasi dengan menggabungkannya dengan Web3, yang sebagai hubungan produksi baru secara alami cocok untuk mewakili produktivitas baru 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 yang terbuka bagi pengguna, memungkinkan 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 dan cara bermain yang inovatif.
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 digunakan pengguna, dan daya komputasi yang dibagikan dapat diperoleh dengan biaya yang lebih rendah. Dengan bantuan mekanisme crowdsourcing kolaboratif yang terdesentralisasi dan pasar AI terbuka, sistem distribusi pendapatan yang adil dapat direalisasikan, 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 skenario aplikasi, seperti analisis pasar, deteksi keamanan, klustering 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 yang kaya dan pengalaman interaksi yang menarik di 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 sesuai di dunia ini.
Dua, Interpretasi Peta dan Struktur Proyek Ekosistem Web3-AI
Kami terutama telah mempelajari 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 menengah, dan lapisan aplikasi, di mana setiap lapisan 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 inferensi verifikasi yang menghubungkan infrastruktur dengan aplikasi, sedangkan 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. Dukungan infrastruktur inilah yang memungkinkan pelatihan dan inferensi model AI, serta mempersembahkan aplikasi AI yang kuat dan praktis kepada pengguna.
Jaringan komputasi terdesentralisasi: dapat menyediakan daya komputasi terdistribusi untuk pelatihan model AI, memastikan penggunaan 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 perwakilan seperti IO.NET dan Hyperbolic. Selain itu, beberapa proyek telah mengembangkan 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 tanpa batas antara sumber daya AI di dalam dan di luar rantai, serta 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 pendukung, dengan proyek perwakilan seperti Sahara AI. AI Chain juga dapat mendorong kemajuan teknologi AI di berbagai bidang, seperti Bittensor yang mempromosikan kompetisi subnet AI yang berbeda 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, dengan proyek perwakilan seperti Nimble. Infrastruktur ini memfasilitasi penerapan teknologi AI yang luas dalam ekosistem Web3.
Lapisan tengah:
Tingkat ini melibatkan data AI, model, serta inferensi dan validasi, menggunakan teknologi Web3 dapat mencapai efisiensi kerja yang lebih tinggi.
Selain itu, beberapa platform memungkinkan ahli di bidangnya atau pengguna biasa untuk melakukan tugas pra-pemrosesan data, seperti penandaan gambar, klasifikasi data, yang mungkin memerlukan pengetahuan profesional dalam pemrosesan data terkait keuangan dan hukum. Pengguna dapat men-token-kan keterampilan mereka untuk mewujudkan kolaborasi crowdsourcing dalam pra-pemrosesan data. Contohnya, pasar AI seperti Sahara AI memiliki tugas data dari berbagai bidang yang dapat mencakup berbagai skenario data; sedangkan 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 dapat dipercaya di lapisan penyimpanan dan 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.
Lapisan aplikasi:
Lapisan ini terutama merupakan aplikasi yang langsung ditujukan kepada pengguna, menggabungkan AI dengan Web3, menciptakan lebih banyak cara bermain yang menarik dan inovatif. Artikel ini terutama menguraikan proyek-proyek di beberapa bidang seperti AIGC (Konten yang Dihasilkan AI), Agen AI, dan Analisis Data.