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

З ростом популярності AI-наративів все більше уваги зосереджується на цьому сегменті. У цій статті проведено глибокий аналіз технологічної логіки, застосункових сценаріїв та представницьких проєктів у сегменті Web3-AI, щоб надати вам повне уявлення про цей сектор та тенденції розвитку.

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

1.1 Логіка інтеграції Web3 та AI: як визначити трасу Web-AI

Протягом минулого року AI наратив у Web3 індустрії був надзвичайно популярним, проекти з AI виникали, як гриби після дощу. Хоча багато проектів пов'язані з технологією AI, деякі з них використовують AI лише в певних частинах своїх продуктів, а базова токеноміка не має суттєвого зв'язку з продуктами AI, тому такі проекти не будуть розглядатися в цій статті як проекти Web3-AI.

Основна увага в цій статті зосереджена на проектах, які використовують блокчейн для вирішення проблем виробничих відносин, а ШІ - для вирішення проблем продуктивності. Ці проекти самі по собі надають продукти ШІ, одночасно базуючись на економічній моделі Web3 як інструменті виробничих відносин; обидва аспекти доповнюють один одного. Ми класифікуємо такі проекти як Web3-AI трек. Щоб краще допомогти читачам зрозуміти Web3-AI трек, у цій статті буде представлено процес розробки ШІ та його виклики, а також те, як поєднання Web3 та ШІ може ідеально вирішувати проблеми та створювати нові сценарії застосування.

1.2 Розробка ШІ: від збору даних до моделювання

Технологія ШІ є технологією, що 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, автономного водіння та інших застосувань, ШІ змінює наш спосіб життя та роботи.

Процес розробки моделей штучного інтелекту зазвичай включає в себе кілька ключових етапів: збір даних та попередня обробка даних, вибір моделі та налаштування, навчання моделі та інференція. Наприклад, щоб розробити модель для класифікації зображень котів і собак, вам потрібно:

1. Збір даних та попередня обробка даних: зібрати набір даних зображень, що містять котів і собак, можна використовувати відкриті набори даних або самостійно збирати реальні дані. Потім для кожного зображення потрібно позначити категорію (кіт або собака), забезпечивши точність міток. Перетворити зображення в формат, який може розпізнати модель, поділити набір даних на навчальний, валідаційний та тестовий.

2. Вибір і налаштування моделі: вибір відповідної моделі, наприклад, згорткової нейронної мережі (CNN), яка найбільше підходить для завдань класифікації зображень. Налаштування параметрів або архітектури моделі відповідно до різних потреб, зазвичай, рівень мережі моделі можна налаштувати відповідно до складності завдання ШІ. У цьому простому прикладі класифікації може бути достатньо більш легкої архітектури.

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 висновування: файли, що містять навчану модель, зазвичай називаються вагами моделі, а процес висновування означає використання вже навченої 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 такими показниками, як точність, згадуваність, F1-score тощо.

Як показано на малюнку, після збору даних та їх попередньої обробки, вибору та налаштування моделі, а також навчання, проведення інференції навченої моделі на тестовому наборі даних дає прогнозовані значення для котів та собак P (імовірність), тобто ймовірність того, що модель вважає об'єкт котом або собакою.

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 чи собаки і отримує результати класифікації.

Однак централізований процес розробки ШІ має деякі проблеми в наступних сценаріях:

Приватність користувачів: у централізованих сценаріях процес розробки ШІ зазвичай є непрозорим. Дані користувачів можуть бути вкрадені без їх відома і використані для навчання ШІ.

Отримання джерела даних: невеликі команди або особи, які отримують дані в конкретних галузях (наприклад, медичних даних), можуть стикатися з обмеженнями щодо непублічного доступу до даних.

Вибір і налаштування моделі: для невеликих команд важко отримати ресурси моделі в конкретній галузі або витратити багато коштів на налаштування моделі.

Отримання обчислювальної потужності: для індивідуальних розробників та невеликих команд високі витрати на закупівлю GPU та оренду хмарної обчислювальної потужності можуть стати суттєвим економічним тягарем.

AI активи доходу: працівники з розмітки даних часто не можуть отримати доходи, які відповідають їхнім витратам, а результати досліджень розробників штучного інтелекту також важко співвіднести з покупцями, які мають попит.

Виклики, що існують у централізованих AI-сценах, можуть бути подолані шляхом інтеграції з Web3. Web3, як новий тип виробничих відносин, природно адаптується до AI, що представляє новий тип продуктивних сил, що сприяє одночасному прогресу технологій і виробничих можливостей.

1.3 Співпраця Web3 та AI: зміна ролей та інноваційні застосування

Поєднання Web3 та AI може посилити суверенітет користувачів, надаючи їм відкриту платформу для співпраці з AI, що дозволяє користувачам перейти з ролі користувачів AI епохи Web2 до ролі учасників, створюючи AI, яким можуть володіти всі. Крім того, інтеграція світу Web3 та технологій AI може відкривати нові інноваційні сценарії застосування та способи гри.

На основі технології Web3 розвиток і застосування ШІ вступлять у нову еру співпраці в економіці. Приватність даних людей буде захищена, модель краудсорсингу даних сприятиме прогресу ШІ-моделей, безліч відкритих ресурсів ШІ буде доступна для користувачів, а спільна обчислювальна потужність може бути отримана за нижчою ціною. Завдяки децентралізованим механізмам краудсорсингу та відкритому ринку ШІ можна реалізувати справедливу систему розподілу доходів, що стимулює більше людей до розвитку технології ШІ.

У сцені Web3 ШІ здатен позитивно вплинути на кілька напрямків. Наприклад, моделі ШІ можуть бути інтегровані в смарт-контракти, підвищуючи ефективність роботи в різних випадках використання, таких як аналіз ринку, безпекова перевірка, соціальна кластеризація та багато інших функцій. Генеративний ШІ може не лише дозволити користувачам відчути себе в ролі "художника", наприклад, використовуючи технології ШІ для створення власного NFT, але й створювати різноманітні ігрові сцени та цікаві інтерактивні досвіди в GameFi. Різноманітна інфраструктура забезпечує плавний досвід розробки, незалежно від того, чи є ви експертом у ШІ, чи новачком, який хоче увійти в цю сферу.

Два, Web3-AI екосистеми проєктна карта та структура

Ми в основному досліджували 41 проект у сфері Web3-AI та розділили ці проекти на різні рівні. Логіка розподілу кожного рівня наведена на наступній діаграмі, включаючи рівень інфраструктури, проміжний рівень та рівень застосування, кожен з яких ділиться на різні секції. У наступному розділі ми проведемо глибокий аналіз деяких репрезентативних проектів.

Інфраструктурний шар охоплює обчислювальні ресурси та технологічну архітектуру, що підтримує всю безперервність життєвого циклу AI, середній шар включає в себе управління даними, розробку моделей та сервіси верифікації інференції, що з'єднують інфраструктуру з додатками, а шар застосування зосереджується на різних додатках та рішеннях, що безпосередньо націлені на користувачів.

Інфраструктурний рівень:

Інфраструктурний рівень є основою життєвого циклу ШІ, у цій статті обчислювальну потужність, AI Chain та платформу розробки віднесено до інфраструктурного рівня. Саме завдяки підтримці цих інфраструктур можливо реалізувати навчання та висновки моделей ШІ, а також представити користувачам потужні та практичні програми ШІ.

• Децентралізована обчислювальна мережа: може забезпечити розподілені обчислювальні потужності для навчання AI моделей, забезпечуючи ефективне та економічне використання обчислювальних ресурсів. Деякі проекти пропонують децентралізований ринок обчислювальних потужностей, де користувачі можуть орендувати обчислювальні потужності за низькою ціною або ділитися ними для отримання прибутку, приклади таких проектів - IO.NET та Hyperbolic. Крім того, деякі проекти розвинули нові підходи, як-от Compute Labs, які запропонували токенізований протокол, де користувачі можуть купувати NFT, що представляють фізичні GPU, і брати участь в оренді обчислювальних потужностей різними способами для отримання прибутку.

• AI Chain: Використання блокчейну як основи життєвого циклу AI, що забезпечує безшовну взаємодію між AI-ресурсами на ланцюгу та поза ним, сприяючи розвитку екосистеми галузі. Децентралізований AI-ринок на ланцюгу може торгувати AI-активами, такими як дані, моделі, агенти тощо, і надавати фреймворк для розробки AI та супутні інструменти для розробки, приклад проекту - Sahara AI. AI Chain також може сприяти прогресу AI-технологій у різних сферах, як-от Bittensor через інноваційний механізм стимулювання підмереж для сприяння конкуренції між різними типами AI-підмереж.

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

Проміжний шар:

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

• Дані: Якість і кількість даних є ключовими факторами, що впливають на ефективність навчання моделей. У світі Web3, через краудсорсинг даних та колаборативну обробку даних, можна оптимізувати використання ресурсів і знизити витрати на дані. Користувачі можуть мати автономію над своїми даними, продаючи їх у випадках 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 здатність користувачів для збору веб-даних, xData збирає медіаінформацію через зручні для користувача плагіни та підтримує можливість завантаження інформації з твітів.

Крім того, деякі платформи дозволяють експертам з певних галузей або звичайним користувачам виконувати завдання з попередньої обробки даних, такі як маркування зображень, класифікація даних, які можуть вимагати професійних знань у фінансових та юридичних задачах обробки даних, користувачі можуть токенізувати свої навички, реалізуючи співпрацю в рамках краудсорсингу для попередньої обробки даних. Представники, такі як AI-ринок Sahara AI, мають різні завдання з даними, які можуть охоплювати багатогалузеві сценарії даних; тоді як AIT Protocol здійснює маркування даних через співпрацю людини і машини.

• Модель: У процесі розвитку штучного інтелекту, 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 вибрати серію Yolo, для текстових завдань поширені моделі RNN, Transformer та інші, звичайно, є також певні або загальні великі моделі. Моделі глибини, що потрібні для завдань різної складності, також відрізняються, іноді потрібно налаштовувати моделі.

Деякі проекти підтримують користувачів у наданні різних типів моделей або у спільному навчанні моделей через краудсорсинг, такі як Sentient, що завдяки модульному дизайну дозволяє користувачам розміщувати надійні дані моделей на рівні зберігання та розподілу для оптимізації моделей, інструменти розробки, надані Sahara AI, вбудовані з передовими алгоритмами штучного інтелекту та обчислювальними фреймворками, а також здатні до спільного навчання.

• Висновок та верифікація: після навчання модель генерує файли ваг моделі, які можна використовувати для безпосередньої класифікації, прогнозування або інших спеціалізованих завдань, цей процес називається висновком. Процес висновку зазвичай супроводжується механізмом верифікації, щоб перевірити, чи є джерело моделі висновку правильним, чи є зловмисні дії тощо. Висновок у Web3 зазвичай може бути інтегровано в смарт-контракти, через виклик моделі для висновку, поширені способи верифікації включають технології ZKML, OPML та TEE тощо. Представникові проекти, такі як AI-оракул на ланцюгу ORA (OAO), впровадили OPML як верифікований шар для AI-оракулів, на офіційному сайті ORA також згадуються їх дослідження щодо ZKML та opp/ai (ZKML у поєднанні з OPML).

Застосунковий рівень:

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

• AIGC: Через AIGC можна розширити