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

З продовженням зростання інтересу до AI наративу, все більше уваги приділяється цій ніші. У цій статті детально аналізуються технологічна логіка, сценарії застосування та представницькі проекти в секторі Web3-AI, що дає повну картину та тенденції розвитку цієї сфери.

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

1.1 Логіка злиття Web3 та AI: як визначити сегмент Web-AI

Протягом минулого року AI наратив у індустрії Web3 був неймовірно популярним, проєкти AI з'являлися, як гриби після дощу. Хоча багато проєктів пов'язані з технологією AI, деякі з них використовують AI лише в певних частинах своїх продуктів, а основна токеноміка не має суттєвого зв'язку з продуктами AI, тому такі проєкти не входять до обговорення проєктів Web3-AI в цьому документі.

У цьому документі основна увага приділяється використанню блокчейн-технологій для вирішення проблем виробничих відносин, а також проектам, які використовують ШІ для вирішення проблем продуктивності. Ці проекти самі по собі пропонують продукти ШІ, а також ґрунтуються на економічній моделі Web3 як інструменті виробничих відносин, що взаємодоповнюють одне одного. Ми класифікуємо такі проекти в категорію Web3-AI. Щоб читачі краще зрозуміли категорію Web3-AI, далі буде детально представлено процес розробки ШІ та виклики, а також те, як поєднання Web3 і ШІ ідеально вирішує проблеми та створює нові сценарії застосування.

1.2 Розробка та виклики ШІ: від збору даних до моделювання

Технологія ШІ - це технологія, яка дозволяє комп'ютерам імітувати, розширювати та підвищувати людський інтелект. Вона дозволяє комп'ютерам виконувати різні складні завдання, від перекладу мов, класифікації зображень до розпізнавання облич, автономного водіння та інших застосунків, ШІ змінює спосіб нашого життя та роботи.

Процес розробки моделей штучного інтелекту зазвичай містить кілька ключових етапів: збір даних та попередня обробка даних, вибір моделі та її 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 зображень, що містять котів і собак, можна використовувати відкриті набори даних або самостійно зібрати реальні дані. Потім для кожного зображення позначити категорію (кіт або собака), забезпечуючи точність міток. Перетворити зображення в формат, який може розпізнати модель, розділити набір даних на навчальний, валідаційний та тестовий набори.

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 вимог, зазвичай, рівні мережі моделі можна налаштувати в залежності від складності AI завдання. У цьому простому прикладі класифікації може бути достатньо більш поверхневих рівнів 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. Моделювання висновків: файли, які тренували модель, зазвичай називаються вагами моделі, а процес висновку - це використання 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, повнота, F1-скор тощо.

Після збору даних і попередньої обробки даних, вибору моделі та її налаштування, а також навчання, отриману модель тестують на тестовому наборі даних, щоб отримати прогнозовані значення для котів і собак P (ймовірність), тобто ймовірність того, що модель визначає об'єкт як кота або собаку.

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 або собаки і отримує результати класифікації.

Проте, централізований процес розробки ШІ має деякі проблеми в наступних сценаріях:

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

Джерело даних: невеликі команди або особи, що отримують дані в конкретній області (наприклад, медичні дані), можуть зіткнутися з обмеженнями щодо відкритості даних.

Вибір моделі та її налаштування: для невеликих команд важко отримати ресурси моделі в певній області або витратити значні кошти на налаштування моделі.

Отримання обчислювальної потужності: для окремих розробників та малих команд високі витрати на придбання GPU та оренду хмарної обчислювальної потужності можуть становити значний економічний тягар.

AI активи доходу: працівники з розмітки даних часто не можуть отримати дохід, який відповідає їхнім витратам, а результати досліджень розробників AI також важко співвіднести з покупцями, які мають потребу.

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 нові виробничі сили, тим самим сприяючи одночасному прогресу технологій і виробничих можливостей.

1.3 Співпраця Web3 та AI: зміна ролей та інноваційні застосування

Web3 та AI в поєднанні можуть посилити суверенітет користувачів, надаючи відкриту платформу для співпраці з AI, що дозволяє користувачам перейти від використання AI в епоху Web2 до участі, створюючи AI, яким можуть володіти всі. Одночасно, інтеграція світу Web3 та технологій AI також може призвести до виникнення нових інноваційних застосувань і способів використання.

На основі технології Web3 розробка та застосування штучного інтелекту стане новою системою співпраці в економіці. Приватність даних людей може бути гарантована, модель краудсорсингу даних сприяє прогресу моделей ШІ, численні відкриті ресурси ШІ доступні для користувачів, а спільно використовувані обчислювальні потужності можна отримати за нижчою ціною. Завдяки децентралізованій механіці краудсорсингу та відкритому ринку ШІ можна реалізувати справедливу систему розподілу доходів, що стимулює більше людей до розвитку технологій ШІ.

У сцені Web3 AI може позитивно впливати на кілька напрямків. Наприклад, AI моделі можуть бути інтегровані в смарт-контракти, підвищуючи ефективність роботи в різних сценаріях застосування, таких як ринковий аналіз, безпекове тестування, соціальна кластеризація та інші функції. Генеративний AI не лише дозволяє користувачам відчути себе "художником", наприклад, створюючи свої власні NFT за допомогою AI технологій, але також може створювати різноманітні ігрові сцени та цікаві інтерактивні досвіди в GameFi. Багатий інфраструктурний забезпечення пропонує плавний досвід розробки, незалежно від того, є ви експертом з AI чи новачком, який хоче увійти в область AI.

Два, аналіз екосистеми проектів Web3-AI та їх архітектури

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

Інфраструктурний рівень охоплює обчислювальні ресурси та технологічну архітектуру, що підтримують весь життєвий цикл AI, тоді як проміжний рівень включає управління даними, розробку моделей та послуги верифікації та висновків, які з'єднують інфраструктуру з додатками. Рівень застосувань зосереджений на різноманітних програмах 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 для розробки віднесено до інфраструктурного рівня. Саме завдяки підтримці цієї інфраструктури можливе навчання та інференція моделей ШІ, а також представлення потужних і практичних додатків ШІ користувачам.

• Децентралізована обчислювальна мережа: може забезпечити розподілену обчислювальну потужність для навчання AI моделей, 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, представлені проектами, такими як IO.NET і Hyperbolic. Крім того, деякі проекти розробили нові ігри, такі як Compute Labs, які запропонували токенізований протокол, де користувачі можуть купувати NFT, що представляють фізичні GPU, і брати участь в оренді обчислювальної потужності різними способами для отримання прибутку.

• AI Chain: Використання блокчейну як основи для життєвого циклу AI, що забезпечує безшовну взаємодію AI-ресурсів на ланцюзі та за його межами, сприяючи розвитку галузевих екосистем. Децентралізований AI-ринок на ланцюзі може здійснювати торгівлю AI-активами, такими як дані, моделі, агенти тощо, а також надавати фреймворк для розробки AI і супутні інструменти розробки, прикладом чого є Sahara AI. AI Chain також може сприяти прогресу AI-технологій у різних сферах, таких як Bittensor, що за допомогою інноваційного механізму стимулювання підмереж сприяє конкуренції між різними типами AI-підмереж.

• Розробницька платформа: деякі проєкти надають 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, прикладом яких є Nimble. Ця інфраструктура сприяє широкому застосуванню AI-технологій в екосистемі Web3.

Проміжний шар:

Цей рівень стосується даних AI, моделей, а також інференції та валідації, використання технологій 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 спільну обробку даних можна оптимізувати використання ресурсів і знизити витрати на дані. Користувачі можуть мати право власності на свої дані і продавати їх за умови захисту конфіденційності, щоб уникнути викрадення даних недобросовісними компаніями 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 даних з Web, xData збирає медіаінформацію через зручні для користувача плагіни та підтримує можливість завантаження інформації з твітів.

Крім того, деякі платформи дозволяють експертам у галузі або звичайним користувачам виконувати завдання попередньої обробки даних, такі як позначення зображень, класифікація даних, ці завдання можуть вимагати професійних знань у фінансовій та юридичній обробці даних, користувачі можуть токенізувати навички для реалізації колективного краудсорсингу попередньої обробки даних. Прикладом є AI-ринок, як-от Sahara AI, який має завдання з даними в різних сферах, що можуть охоплювати багатосферні сценарії даних; тоді як AIT Protocolt здійснює маркування даних за допомогою співпраці людини та машини.

• Модель: У процесі розробки ШІ, про який вже згадувалося раніше, різні типи запитів потребують підбору відповідної моделі. Для завдань з обробки зображень часто використовуються моделі, такі як CNN, GAN; для завдань виявлення об'єктів можна вибрати серію Yolo; для текстових завдань поширеними є моделі RNN, Transformer та інші, звичайно, є також деякі специфічні або універсальні великі моделі. Для завдань різного рівня складності потрібна різна глибина моделі, іноді необхідно налаштовувати модель.

Деякі проекти підтримують користувачів у наданні різних типів моделей або в колективному навчанні моделей через краудсорсинг, такі як Sentient, що завдяки модульному дизайну дозволяє користувачам розміщувати надійні дані моделей у шарі зберігання та шарі розподілу для оптимізації моделей. Інструменти розробки, надані Sahara AI, вбудовані з передовими AI алгоритмами та обчислювальними фреймворками, а також мають можливості колективного навчання.

• Інференція та верифікація: після навчання модель генерує файл ваг моделі, який можна використовувати для безпосередньої класифікації, прогнозування або виконання інших специфічних завдань, цей процес називається інференцією. Процес інференції зазвичай супроводжується механізмом верифікації, щоб перевірити, чи є джерело інференційної моделі правильним, чи є шкідливі дії тощо. Інференція Web3 зазвичай може бути інтегрована в смарт-контракти, шляхом виклику моделі для інференції, загальні способи верифікації включають технології ZKML, OPML та TEE. Представлені проекти, такі як AI-оракул на ланцюгу ORA (OAO), впровадили OPML як верифікований рівень AI-оракулу, на офіційному сайті ORA також згадується їхнє дослідження щодо ZKML та opp/ai (ZKML в поєднанні з OPML).

Додаткова рівень:

Цей рівень в основному є програмами, які безпосередньо націлені на користувачів, поєднуючи ШІ з Web3, створюючи більше цікавих і інноваційних ігор. У цій статті основну увагу приділено проектам у кількох секторах: AIGC (контент, згенерований ШІ), AI агенти та аналіз даних.

• AIGC: За допомогою AIGC можна розширити можливості в NFT, іграх та інших секторах Web3, користувачі можуть безпосередньо за допомогою Prompt (підказок, наданих користувачем) генерувати текст, зображення та аудіо, навіть можуть створювати контент у грі відповідно до своїх уподобань.