Обзор Web3-AI: Глубина технической логики, применение в сценариях и глубокий анализ ведущих проектов
С увеличением популярности AI-нарративов все больше внимания уделяется этой области. Проведен глубокий анализ технической логики, приложений и представительных проектов в области Web3-AI, чтобы предоставить вам полное представление о панораме и тенденциях развития в этой сфере.
Один. Web3-AI: Анализ технологической логики и возможностей новых рынков
1.1 Логика融合 Web3 и AI: как определить трассу Web-AI
В прошлом году AI-нарратив был необычайно популярен в индустрии Web3, и AI-проекты появлялись как грибы после дождя. Хотя существует множество проектов, связанных с AI-технологиями, некоторые из них используют AI лишь в определенных частях своих продуктов, и базовая токеномика не имеет существенной связи с AI-продуктами, поэтому такие проекты не будут обсуждаться в данной статье как проекты Web3-AI.
Основное внимание в этой статье уделяется проектам, использующим блокчейн для решения проблем производственных отношений и AI для решения проблем производительности. Эти проекты сами по себе предлагают AI-продукты и основаны на экономической модели Web3 в качестве инструмента производственных отношений, что взаимодополняет друг друга. Мы классифицируем такие проекты как сектор Web3-AI. Чтобы читатели лучше понимали сектор Web3-AI, будет представлена информация о процессе разработки AI и вызовах, а также о том, как сочетание Web3 и AI может идеально решить проблемы и создать новые сценарии применения.
1.2 Процесс разработки ИИ и вызовы: от сбора данных до вывода модели
Технология ИИ - это технология, позволяющая компьютерам имитировать, расширять и усиливать человеческий интеллект. Она позволяет компьютерам выполнять различные сложные задачи, от перевода языков и классификации изображений до распознавания лиц и автономного вождения. ИИ меняет способ нашей жизни и работы.
Процесс разработки моделей искусственного интеллекта обычно включает в себя несколько ключевых этапов: сбор данных и предобработка данных, выбор модели и ее настройка, обучение модели и вывод. Например, чтобы разработать модель для классификации изображений кошек и собак, вам нужно:
Сбор данных и предобработка данных: соберите набор изображений с кошками и собаками, можно использовать открытые наборы данных или самостоятельно собрать реальные данные. Затем аннотируйте каждое изображение по категории (кошка или собака), убедившись, что метки точны. Преобразуйте изображения в формат, который может распознать модель, разделите набор данных на обучающую выборку, валидационную выборку и тестовую выборку.
Выбор модели и её настройка: выберите подходящую модель, например, сверточную нейронную сеть (CNN), которая лучше всего подходит для задач классификации изображений. Настройте параметры модели или архитектуру в зависимости от различных требований, как правило, уровень сети модели можно регулировать в зависимости от сложности задачи AI. В этом простом примере классификации может быть достаточно более мелкой сетевой структуры.
Обучение модели: можно использовать GPU, TPU или высокопроизводительные вычислительные кластеры для обучения модели, время обучения зависит от сложности модели и вычислительной мощности.
Инференция модели: Файлы, в которых обучена модель, обычно называются весами модели. Процесс инференции относится к использованию уже обученной модели для предсказания или классификации новых данных. В этом процессе можно использовать тестовый набор или новые данные для проверки классификационной эффективности модели, обычно для оценки эффективности модели используются такие показатели, как точность, полнота, F1-меры и т.д.
Как показано на рисунке, после сбора данных и предварительной обработки данных, выбора и настройки модели, а также обучения, применение обученной модели к тестовому набору данных даст предсказанные значения P (вероятность) для кошек и собак, то есть вероятность того, что модель определит объект как кошку или собаку.
Обученные AI модели могут быть дополнительно интегрированы в различные приложения для выполнения различных задач. В этом примере AI модель классификации кошек и собак может быть интегрирована в мобильное приложение, где пользователи могут загружать изображения кошек или собак и получать результаты классификации.
Однако централизованный процесс разработки ИИ имеет некоторые проблемы в следующих сценариях:
Конфиденциальность пользователей: в централизованных сценариях процесс разработки ИИ обычно не прозрачен. Данные пользователей могут быть украдены без их ведома и использованы для обучения ИИ.
Получение источника данных: Небольшие команды или частные лица могут столкнуться с ограничениями по открытости данных при получении данных в определенных областях (например, медицинских данных).
Выбор и настройка модели: для небольших команд сложно получить ресурсы модели в определенной области или потратить значительные средства на настройку модели.
Получение вычислительной мощности: для индивидуальных разработчиков и небольших команд высокая стоимость покупки GPU и аренды облачной вычислительной мощности может стать значительным экономическим бременем.
AI активы доход: работники по аннотированию данных часто не могут получить доход, соответствующий их усилиям, а результаты исследований разработчиков AI также сложно сопоставить с покупателями, имеющими спрос.
Проблемы, возникающие в централизованных AI-сценариях, могут быть решены через сочетание с Web3. Web3, как новая форма производственных отношений, естественно адаптируется к AI, представляющему собой новый вид производительных сил, что, в свою очередь, способствует одновременному прогрессу технологий и производственных возможностей.
1.3 Синергия Web3 и ИИ: изменения ролей и инновационные приложения
Сочетание Web3 и ИИ может усилить суверенитет пользователей, предоставляя им открытую платформу для сотрудничества в области ИИ, позволяя пользователям перейти от потребителей ИИ эпохи Web2 к участникам, создавая ИИ, которым может владеть каждый. В то же время, интеграция мира Web3 и технологий ИИ может привести к появлению еще более инновационных приложений и способов использования.
На основе технологий Web3 разработка и применение ИИ вступят в новую эру кооперативной экономики. Конфиденциальность данных людей может быть обеспечена, модель краудсорсинга данных способствует прогрессу ИИ моделей, множество открытых ресурсов ИИ доступны для пользователей, а совместно используемая вычислительная мощность может быть получена по низкой цене. С помощью децентрализованной механики кооперативного краудсорсинга и открытого ИИ рынка можно реализовать справедливую систему распределения доходов, что будет стимулировать больше людей к продвижению прогресса технологий ИИ.
В сцене Web3 ИИ может оказать положительное влияние в нескольких направлениях. Например, модели ИИ могут быть интегрированы в смарт-контракты, повышая эффективность работы в различных приложениях, таких как рыночный анализ, безопасность и социальная кластеризация. Генеративный ИИ не только позволяет пользователям испытать роль "художника", например, создавая свои собственные NFT с помощью технологий ИИ, но также может создавать богатые и разнообразные игровые сценарии и интересные взаимодействия в GameFi. Богатая инфраструктура обеспечивает плавный процесс разработки, и как эксперты ИИ, так и новички, желающие войти в область ИИ, могут найти подходящий вход в этом мире.
Два. Анализ экосистемы Web3-AI и архитектуры
Мы в основном исследовали 41 проект в области Web3-AI и разделили эти проекты на разные уровни. Логика разделения каждого уровня показана на следующем рисунке, включая уровень инфраструктуры, промежуточный уровень и уровень приложений, каждый из которых также делится на разные секции. В следующей главе мы проведем глубокий анализ некоторых представительных проектов.
Уровень инфраструктуры охватывает вычислительные ресурсы и техническую архитектуру, поддерживающие весь жизненный цикл AI, уровень промежуточной инфраструктуры включает в себя управление данными, разработку моделей и услуги верификации и вывода, связывающие инфраструктуру и приложения, а уровень приложений сосредоточен на различных приложениях и решениях, ориентированных непосредственно на пользователей.
Инфраструктурный уровень:
Инфраструктурный уровень является основой жизненного цикла ИИ, в этой статье вычислительная мощность, AI Chain и платформы разработки классифицируются как инфраструктурный уровень. Именно благодаря поддержке этой инфраструктуры возможно обучение и вывод ИИ моделей, а также представление пользователям мощных и практичных ИИ приложений.
Децентрализованная вычислительная сеть: может предоставить распределенные вычислительные мощности для обучения AI моделей, обеспечивая эффективное и экономичное использование вычислительных ресурсов. Некоторые проекты предлагают децентрализованный рынок вычислительных мощностей, где пользователи могут арендовать вычислительные мощности по низкой цене или делиться ими для получения дохода, примеры проектов включают IO.NET и Hyperbolic. Кроме того, некоторые проекты разработали новые способы использования, такие как Compute Labs, которые предложили токенизированный протокол, позволяющий пользователям участвовать в аренде вычислительных мощностей различными способами через покупку NFT, представляющих физические GPU.
AI Chain: Использует блокчейн в качестве основы для жизненного цикла ИИ, обеспечивая бесшовное взаимодействие ресурсов ИИ на цепочке и вне её, способствуя развитию отраслевой экосистемы. Децентрализованный рынок ИИ на цепочке позволяет торговать активами ИИ, такими как данные, модели, агенты и т. д., и предоставляет рамки для разработки ИИ и сопутствующие инструменты разработки, пример проекта — Sahara AI. AI Chain также может способствовать прогрессу технологий ИИ в различных областях, например, Bittensor способствует конкуренции между подсетями различных типов ИИ через инновационный механизм стимулов.
Платформа разработки: некоторые проекты предлагают платформу разработки AI-агентов и могут осуществлять торговлю AI-агентами, такие как Fetch.ai и ChainML. Универсальные инструменты помогают разработчикам более удобно создавать, обучать и развертывать AI-модели, примеры проектов включают Nimble. Эта инфраструктура способствует широкому применению технологий AI в экосистеме Web3.
Средний уровень：
Этот уровень включает в себя данные ИИ, модели, а также выводы и валидацию, использование технологий Web3 может обеспечить более высокую рабочую эффективность.
Данные: Качество и количество данных являются ключевыми факторами, влияющими на эффективность обучения модели. В мире Web3, через краудсорсинг данных и совместную обработку данных, можно оптимизировать использование ресурсов и снизить затраты на данные. Пользователи могут обладать автономией над своими данными и продавать их с учетом защиты конфиденциальности, чтобы избежать кражи данных недобросовестными предприятиями и получения высокой прибыли. Для сторон, нуждающихся в данных, эти платформы предлагают широкий выбор и крайне низкие затраты. Представительные проекты, такие как Grass, используют пользовательскую пропускную способность для сбора данных из интернета, а xData собирает медиаинформацию через удобный для пользователей плагин и поддерживает загрузку пользователями информации о твитах.
Кроме того, некоторые платформы позволяют экспертам в области или обычным пользователям выполнять задачи предварительной обработки данных, такие как аннотирование изображений и классификация данных, которые могут требовать профессиональных знаний в области финансов и юридической обработки данных. Пользователи могут токенизировать свои навыки, реализуя совместное краудсорсинг предварительной обработки данных. Примером является рынок AI, такой как Sahara AI, с задачами данных в различных областях, которые могут охватывать многопрофильные сценарии данных; в то время как AIT Protocolt осуществляет аннотирование данных с помощью человеко-машинного взаимодействия.
Модель: В процессе разработки ИИ, о котором упоминалось ранее, различные типы требований требуют соответствующих моделей. Для задач обработки изображений часто используются модели, такие как CNN и GAN, для задач объектного обнаружения можно выбрать серию Yolo, для задач обработки текста часто встречаются модели RNN и Transformer, конечно, есть также некоторые специфические или универсальные большие модели. Модели глубины, необходимые для задач различной сложности, также различаются, иногда требуется настройка модели.
Некоторые проекты поддерживают пользователей в предоставлении различных типов моделей или в совместной тренировке моделей через краудсорсинг, такие как Sentient, который с помощью модульного дизайна позволяет пользователям размещать надежные данные модели на уровне хранения и распределения для оптимизации модели. Инструменты разработки, предоставляемые Sahara AI, встроены с современными AI-алгоритмами и вычислительными фреймворками, а также имеют возможность совместной тренировки.
Вывод и верификация: после обучения модель генерирует файл весов модели, который можно использовать для классификации, прогнозирования или других конкретных задач, этот процесс называется выводом. Процесс вывода обычно сопровождается механизмом верификации, чтобы проверить, корректен ли источник модели вывода, имеются ли злоумышленные действия и т.д. Вывод Web3 обычно может быть интегрирован в смарт-контракты, вызывая модель для вывода, распространенные методы верификации включают такие технологии, как ZKML, OPML и TEE. Представляющие проекты, такие как AI-оракул (OAO) на блокчейне ORA, внедрили OPML как верифицируемый уровень для AI-оракула, на официальном сайте ORA также упоминается их исследование по ZKML и opp/ai (ZKML в сочетании с OPML).
Уровень приложений:
Этот уровень в основном представляет собой приложения, непосредственно ориентированные на пользователей, которые объединяют ИИ и Web3, создавая больше интересных и инновационных способов использования. В этой статье в основном рассматриваются проекты в таких областях, как AIGC (контент, генерируемый ИИ), AI-агенты и анализ данных.
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
6 Лайков
Награда
6
4
Поделиться
комментарий
0/400
GhostWalletSleuth
· 19ч назад
Действительно, есть кое-что.
Посмотреть ОригиналОтветить0
HashBrownies
· 19ч назад
内容不错 следовать
Посмотреть ОригиналОтветить0
TheShibaWhisperer
· 19ч назад
Святой гонщик вернулся
Посмотреть ОригиналОтветить0
TokenEconomist
· 19ч назад
На самом деле, хайп вокруг ИИ нуждается в математике.
Панорама Web3-AI: Глубина интеграции технологий, сценарии применения и глубокий анализ ведущих проектов
Обзор Web3-AI: Глубина технической логики, применение в сценариях и глубокий анализ ведущих проектов
С увеличением популярности AI-нарративов все больше внимания уделяется этой области. Проведен глубокий анализ технической логики, приложений и представительных проектов в области Web3-AI, чтобы предоставить вам полное представление о панораме и тенденциях развития в этой сфере.
Один. Web3-AI: Анализ технологической логики и возможностей новых рынков
1.1 Логика融合 Web3 и AI: как определить трассу Web-AI
В прошлом году AI-нарратив был необычайно популярен в индустрии Web3, и AI-проекты появлялись как грибы после дождя. Хотя существует множество проектов, связанных с AI-технологиями, некоторые из них используют AI лишь в определенных частях своих продуктов, и базовая токеномика не имеет существенной связи с AI-продуктами, поэтому такие проекты не будут обсуждаться в данной статье как проекты Web3-AI.
Основное внимание в этой статье уделяется проектам, использующим блокчейн для решения проблем производственных отношений и AI для решения проблем производительности. Эти проекты сами по себе предлагают AI-продукты и основаны на экономической модели Web3 в качестве инструмента производственных отношений, что взаимодополняет друг друга. Мы классифицируем такие проекты как сектор Web3-AI. Чтобы читатели лучше понимали сектор Web3-AI, будет представлена информация о процессе разработки AI и вызовах, а также о том, как сочетание Web3 и AI может идеально решить проблемы и создать новые сценарии применения.
1.2 Процесс разработки ИИ и вызовы: от сбора данных до вывода модели
Технология ИИ - это технология, позволяющая компьютерам имитировать, расширять и усиливать человеческий интеллект. Она позволяет компьютерам выполнять различные сложные задачи, от перевода языков и классификации изображений до распознавания лиц и автономного вождения. ИИ меняет способ нашей жизни и работы.
Процесс разработки моделей искусственного интеллекта обычно включает в себя несколько ключевых этапов: сбор данных и предобработка данных, выбор модели и ее настройка, обучение модели и вывод. Например, чтобы разработать модель для классификации изображений кошек и собак, вам нужно:
Сбор данных и предобработка данных: соберите набор изображений с кошками и собаками, можно использовать открытые наборы данных или самостоятельно собрать реальные данные. Затем аннотируйте каждое изображение по категории (кошка или собака), убедившись, что метки точны. Преобразуйте изображения в формат, который может распознать модель, разделите набор данных на обучающую выборку, валидационную выборку и тестовую выборку.
Выбор модели и её настройка: выберите подходящую модель, например, сверточную нейронную сеть (CNN), которая лучше всего подходит для задач классификации изображений. Настройте параметры модели или архитектуру в зависимости от различных требований, как правило, уровень сети модели можно регулировать в зависимости от сложности задачи AI. В этом простом примере классификации может быть достаточно более мелкой сетевой структуры.
Обучение модели: можно использовать GPU, TPU или высокопроизводительные вычислительные кластеры для обучения модели, время обучения зависит от сложности модели и вычислительной мощности.
Инференция модели: Файлы, в которых обучена модель, обычно называются весами модели. Процесс инференции относится к использованию уже обученной модели для предсказания или классификации новых данных. В этом процессе можно использовать тестовый набор или новые данные для проверки классификационной эффективности модели, обычно для оценки эффективности модели используются такие показатели, как точность, полнота, F1-меры и т.д.
Как показано на рисунке, после сбора данных и предварительной обработки данных, выбора и настройки модели, а также обучения, применение обученной модели к тестовому набору данных даст предсказанные значения P (вероятность) для кошек и собак, то есть вероятность того, что модель определит объект как кошку или собаку.
Обученные AI модели могут быть дополнительно интегрированы в различные приложения для выполнения различных задач. В этом примере AI модель классификации кошек и собак может быть интегрирована в мобильное приложение, где пользователи могут загружать изображения кошек или собак и получать результаты классификации.
Однако централизованный процесс разработки ИИ имеет некоторые проблемы в следующих сценариях:
Конфиденциальность пользователей: в централизованных сценариях процесс разработки ИИ обычно не прозрачен. Данные пользователей могут быть украдены без их ведома и использованы для обучения ИИ.
Получение источника данных: Небольшие команды или частные лица могут столкнуться с ограничениями по открытости данных при получении данных в определенных областях (например, медицинских данных).
Выбор и настройка модели: для небольших команд сложно получить ресурсы модели в определенной области или потратить значительные средства на настройку модели.
Получение вычислительной мощности: для индивидуальных разработчиков и небольших команд высокая стоимость покупки GPU и аренды облачной вычислительной мощности может стать значительным экономическим бременем.
AI активы доход: работники по аннотированию данных часто не могут получить доход, соответствующий их усилиям, а результаты исследований разработчиков AI также сложно сопоставить с покупателями, имеющими спрос.
Проблемы, возникающие в централизованных AI-сценариях, могут быть решены через сочетание с Web3. Web3, как новая форма производственных отношений, естественно адаптируется к AI, представляющему собой новый вид производительных сил, что, в свою очередь, способствует одновременному прогрессу технологий и производственных возможностей.
1.3 Синергия Web3 и ИИ: изменения ролей и инновационные приложения
Сочетание Web3 и ИИ может усилить суверенитет пользователей, предоставляя им открытую платформу для сотрудничества в области ИИ, позволяя пользователям перейти от потребителей ИИ эпохи Web2 к участникам, создавая ИИ, которым может владеть каждый. В то же время, интеграция мира Web3 и технологий ИИ может привести к появлению еще более инновационных приложений и способов использования.
На основе технологий Web3 разработка и применение ИИ вступят в новую эру кооперативной экономики. Конфиденциальность данных людей может быть обеспечена, модель краудсорсинга данных способствует прогрессу ИИ моделей, множество открытых ресурсов ИИ доступны для пользователей, а совместно используемая вычислительная мощность может быть получена по низкой цене. С помощью децентрализованной механики кооперативного краудсорсинга и открытого ИИ рынка можно реализовать справедливую систему распределения доходов, что будет стимулировать больше людей к продвижению прогресса технологий ИИ.
В сцене Web3 ИИ может оказать положительное влияние в нескольких направлениях. Например, модели ИИ могут быть интегрированы в смарт-контракты, повышая эффективность работы в различных приложениях, таких как рыночный анализ, безопасность и социальная кластеризация. Генеративный ИИ не только позволяет пользователям испытать роль "художника", например, создавая свои собственные NFT с помощью технологий ИИ, но также может создавать богатые и разнообразные игровые сценарии и интересные взаимодействия в GameFi. Богатая инфраструктура обеспечивает плавный процесс разработки, и как эксперты ИИ, так и новички, желающие войти в область ИИ, могут найти подходящий вход в этом мире.
Два. Анализ экосистемы Web3-AI и архитектуры
Мы в основном исследовали 41 проект в области Web3-AI и разделили эти проекты на разные уровни. Логика разделения каждого уровня показана на следующем рисунке, включая уровень инфраструктуры, промежуточный уровень и уровень приложений, каждый из которых также делится на разные секции. В следующей главе мы проведем глубокий анализ некоторых представительных проектов.
Уровень инфраструктуры охватывает вычислительные ресурсы и техническую архитектуру, поддерживающие весь жизненный цикл AI, уровень промежуточной инфраструктуры включает в себя управление данными, разработку моделей и услуги верификации и вывода, связывающие инфраструктуру и приложения, а уровень приложений сосредоточен на различных приложениях и решениях, ориентированных непосредственно на пользователей.
Инфраструктурный уровень:
Инфраструктурный уровень является основой жизненного цикла ИИ, в этой статье вычислительная мощность, AI Chain и платформы разработки классифицируются как инфраструктурный уровень. Именно благодаря поддержке этой инфраструктуры возможно обучение и вывод ИИ моделей, а также представление пользователям мощных и практичных ИИ приложений.
Децентрализованная вычислительная сеть: может предоставить распределенные вычислительные мощности для обучения AI моделей, обеспечивая эффективное и экономичное использование вычислительных ресурсов. Некоторые проекты предлагают децентрализованный рынок вычислительных мощностей, где пользователи могут арендовать вычислительные мощности по низкой цене или делиться ими для получения дохода, примеры проектов включают IO.NET и Hyperbolic. Кроме того, некоторые проекты разработали новые способы использования, такие как Compute Labs, которые предложили токенизированный протокол, позволяющий пользователям участвовать в аренде вычислительных мощностей различными способами через покупку NFT, представляющих физические GPU.
AI Chain: Использует блокчейн в качестве основы для жизненного цикла ИИ, обеспечивая бесшовное взаимодействие ресурсов ИИ на цепочке и вне её, способствуя развитию отраслевой экосистемы. Децентрализованный рынок ИИ на цепочке позволяет торговать активами ИИ, такими как данные, модели, агенты и т. д., и предоставляет рамки для разработки ИИ и сопутствующие инструменты разработки, пример проекта — Sahara AI. AI Chain также может способствовать прогрессу технологий ИИ в различных областях, например, Bittensor способствует конкуренции между подсетями различных типов ИИ через инновационный механизм стимулов.
Платформа разработки: некоторые проекты предлагают платформу разработки AI-агентов и могут осуществлять торговлю AI-агентами, такие как Fetch.ai и ChainML. Универсальные инструменты помогают разработчикам более удобно создавать, обучать и развертывать AI-модели, примеры проектов включают Nimble. Эта инфраструктура способствует широкому применению технологий AI в экосистеме Web3.
Средний уровень：
Этот уровень включает в себя данные ИИ, модели, а также выводы и валидацию, использование технологий Web3 может обеспечить более высокую рабочую эффективность.
Кроме того, некоторые платформы позволяют экспертам в области или обычным пользователям выполнять задачи предварительной обработки данных, такие как аннотирование изображений и классификация данных, которые могут требовать профессиональных знаний в области финансов и юридической обработки данных. Пользователи могут токенизировать свои навыки, реализуя совместное краудсорсинг предварительной обработки данных. Примером является рынок AI, такой как Sahara AI, с задачами данных в различных областях, которые могут охватывать многопрофильные сценарии данных; в то время как AIT Protocolt осуществляет аннотирование данных с помощью человеко-машинного взаимодействия.
Некоторые проекты поддерживают пользователей в предоставлении различных типов моделей или в совместной тренировке моделей через краудсорсинг, такие как Sentient, который с помощью модульного дизайна позволяет пользователям размещать надежные данные модели на уровне хранения и распределения для оптимизации модели. Инструменты разработки, предоставляемые Sahara AI, встроены с современными AI-алгоритмами и вычислительными фреймворками, а также имеют возможность совместной тренировки.
Уровень приложений:
Этот уровень в основном представляет собой приложения, непосредственно ориентированные на пользователей, которые объединяют ИИ и Web3, создавая больше интересных и инновационных способов использования. В этой статье в основном рассматриваются проекты в таких областях, как AIGC (контент, генерируемый ИИ), AI-агенты и анализ данных.