Web3-AI трек: анализ технологической логики, приложений и ведущих проектов

Обзор Web3-AI: Техническая логика, сценарные применения и глубокий анализ ведущих проектов

С увеличением популярности AI-нарративов все больше внимания уделяется этой области. Проведён углублённый анализ технологической логики, сценариев применения и представительных проектов в области Web3-AI, что позволяет полноценно представить панораму и тенденции развития этой сферы.

Одно. Web3-AI: анализ технологической логики и новых рыночных возможностей

1.1 Логика слияния Web3 и ИИ: как определить трек Web-AI

В прошлом году AI-наратив стал чрезвычайно популярным в индустрии Web3, и проекты AI начали появляться как грибы после дождя. Хотя многие проекты связаны с технологиями AI, некоторые из них используют AI только в определенных частях своих продуктов, и базовая токеномика не имеет существенной связи с продуктами AI, поэтому такие проекты не будут обсуждаться в этой статье о 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 позволяет им взаимно дополнять друг друга. Мы классифицируем такие проекты как Web3-AI трек. Чтобы читатели лучше поняли Web3-AI трек, будет представлено описание процесса разработки AI и связанных с ним вызовов, а также того, как сочетание Web3 и AI идеально решает проблемы и создает 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, классификации изображений до распознавания лиц и автономного вождения; ИИ меняет способ, которым мы живем и работаем.

Процесс разработки модели искусственного интеллекта обычно включает в себя несколько ключевых этапов: сбор данных и предварительная обработка данных, выбор и настройка модели, обучение модели и вывод. Например, чтобы разработать модель для классификации изображений кошек и собак, вам нужно:

1. Сбор данных и предобработка данных: соберите набор данных с изображениями кошек и собак, можно использовать открытые наборы данных или собрать реальные данные самостоятельно. Затем пометьте каждое изображение классом (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.

2. Выбор и настройка модели: 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, уровни сети модели могут быть настроены в зависимости от сложности задачи ИИ. В этом простом примере классификации может быть достаточно более простой сетевой структуры.

3. Обучение модели: можно использовать GPU, TPU или высокопроизводительные вычислительные кластеры для обучения модели, время обучения зависит от сложности модели и вычислительных мощностей.

4. Модельное вывод: Файлы с обученной моделью обычно называются весами модели, а процесс вывода относится к использованию уже обученной модели для прогнозирования или классификации новых данных. В этом процессе можно использовать тестовый набор или новые данные для проверки эффективности классификации модели, обычно оцениваемой с помощью таких показателей, как точность, полнота, F1-меры и т.д.

Как показано на рисунке, после сбора данных, предварительной обработки данных, выбора и настройки модели, а также обучения, применение обученной модели на тестовом наборе данных даст предсказанные значения P (вероятность) для котов и собак, то есть вероятность того, что модель определит объект как кота или собаку.

Обученные модели ИИ могут быть интегрированы в различные приложения для выполнения различных задач. В этом примере модель ИИ для классификации кошек и собак может быть интегрирована в мобильное приложение, где пользователи загружают фотографии кошек или собак и получают результаты классификации.

Однако процесс разработки централизованного ИИ сталкивается с некоторыми проблемами в следующих сценариях:

Пользовательская конфиденциальность: в централизованных сценариях процесс разработки ИИ обычно непрозрачен. Данные пользователей могут быть украдены без их ведома и использованы для обучения ИИ.

Получение источника данных: небольшие команды или отдельные лица могут столкнуться с ограничениями на использование не открытых данных в определенных областях (например, медицинские данные).

Выбор модели и её настройка: для небольших команд трудно получить ресурсы моделей в определённой области или потратить много средств на настройку модели.

Получение вычислительной мощности: для индивидуальных разработчиков и небольших команд высокая стоимость покупки GPU и аренды облачной вычислительной мощности могут представлять собой значительное финансовое бремя.

AI доходы от активов: работники по разметке данных часто не могут получить доход, соответствующий их усилиям, а результаты исследований разработчиков ИИ также трудно сопоставить с покупателями, имеющими потребности.

Вызовы, существующие в централизованных AI-сценариях, могут быть решены через интеграцию с Web3. Web3, как новая форма производственных отношений, естественно адаптируется к AI, представляющему новую производительность, тем самым способствуя одновременному прогрессу технологий и производственных мощностей.

1.3 Совместный эффект Web3 и ИИ: изменение ролей и инновационные приложения

Сочетание Web3 и ИИ может усилить суверенитет пользователей, предоставляя им открытую платформу для сотрудничества с ИИ, позволяя пользователям перейти от потребителей ИИ в эпоху Web2 к участникам, создавая ИИ, которым могут владеть все. В то же время, интеграция мира Web3 и технологий ИИ может порождать множество инновационных сценариев применения и игровых механик.

На основе технологии Web3 разработка и применение ИИ встретят совершенно новую систему кооперативной экономики. Конфиденциальность данных людей может быть обеспечена, модель краудсорсинга данных способствует прогрессу моделей ИИ, множество открытых ресурсов ИИ доступны для пользователей, а общая вычислительная мощность может быть получена по более низкой цене. С помощью децентрализованной механики кооперативного краудсорсинга и открытого рынка ИИ можно реализовать справедливую систему распределения доходов, что, в свою очередь, будет стимулировать больше людей к продвижению прогресса технологий ИИ.

В сцене Web3 AI может оказать положительное влияние в нескольких областях. Например, AI модели могут быть интегрированы в смарт-контракты, чтобы повысить эффективность работы в различных приложениях, таких как рыночный анализ, безопасность, социальная кластеризация и множество других функций. Генеративный AI не только позволяет пользователям испытать роль "художника", создавая свои собственные NFT с использованием технологий AI, но также может создавать разнообразные игровые сценарии и увлекательные интерактивные опыты в GameFi. Разнообразная инфраструктура предоставляет гладкий опыт разработки, как для экспертов в области AI, так и для новичков, желающих войти в сферу AI, которые могут найти подходящий вход в этом мире.

Два, интерпретация карты и архитектуры экосистемы Web3-AI

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, средний уровень и уровень приложений, каждый из которых дополнительно делится на разные секции. В следующей главе мы проведем глубинный анализ некоторых представительных проектов.

Инфраструктурный уровень охватывает вычислительные ресурсы и технологическую архитектуру, поддерживающие весь цикл жизни ИИ, тогда как промежуточный уровень включает в себя управление данными, разработку моделей и услуги верификации и вывода, соединяющие инфраструктуру и приложения. Уровень приложений сосредоточен на различных приложениях и решениях, непосредственно ориентированных 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 при поддержке этих инфраструктур возможно обучение и вывод моделей ИИ, а также предоставление мощных и практичных приложений ИИ пользователям.

• 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 вычислительными мощностями для получения дохода, такие проекты как IO.NET и Hyperbolic. Кроме того, некоторые проекты развили новые подходы, такие как Compute Labs, которые предложили токенизированный протокол, позволяющий пользователям участвовать в аренде вычислительных мощностей различными способами, покупая NFT, представляющие собой физические GPU.

• AI Chain: Использование блокчейна в качестве основы для жизненного цикла ИИ, что обеспечивает бесшовное взаимодействие ресурсов ИИ между цепочкой и вне цепочки и способствует развитию отраслевой экосистемы. Децентрализованный рынок ИИ на цепочке может торговать активами ИИ, такими как данные, модели, агенты и т. д., а также предоставляет фреймворк для разработки ИИ и сопутствующие инструменты разработки, примером проекта является Sahara AI. AI Chain также может способствовать прогрессу технологий ИИ в различных областях, например, Bittensor стимулирует конкуренцию между подсетями различных типов ИИ с помощью инновационного механизма вознаграждений для подсетей.

• Платформа разработки: некоторые проекты предлагают платформу разработки AI-агентов, а также могут реализовать торговлю AI-агентами, такие как Fetch.ai и ChainML. Удобные инструменты помогают разработчикам проще создавать, обучать и развертывать модели AI, такие как Nimble. Эта инфраструктура способствует широкому применению технологий AI в экосистеме Web3.

Промежуточный уровень:

Этот уровень включает данные AI, модели, а также выводы и верификацию, использование технологий Web3 может обеспечить более высокую рабочую эффективность.

• Данные: Качество и количество данных являются ключевыми факторами, влияющими на результаты обучения модели. В мире Web3, с помощью краудсорсинга данных и кооперативной обработки данных, можно оптимизировать использование ресурсов и снизить затраты на данные. Пользователи могут иметь автономию над своими данными и продавать свои данные при защите конфиденциальности, чтобы избежать кражи данных недобросовестными коммерсантами и получения высоких прибылей. Для сторон, нуждающихся в данных, эти платформы предлагают широкий выбор и очень низкие затраты. Примеры проектов, такие как Grass, используют пропускную способность пользователей для сбора веб-данных, xData собирает информацию о СМИ с помощью удобных для пользователя плагинов 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. Эти задачи могут требовать профессиональных знаний в области финансов и юридической обработки данных. Пользователи могут токенизировать свои навыки, чтобы осуществлять совместную краудсорсинг предварительной обработки данных. Примером является рынок AI, такой как Sahara AI, который охватывает задачи данных в различных областях и может покрывать многообластные сценарии данных; в то время как AIT Protocolt осуществляет аннотирование данных с помощью человеческого и машинного взаимодействия.

• Модель: В процессе разработки ИИ, о котором упоминалось ранее, различные типы требований требуют соответствующих моделей. Модели, часто используемые для задач изображений, такие как CNN, GAN, для задач обнаружения объектов можно выбрать серии Yolo, для текстовых задач распространены модели RNN, Transformer и некоторые специфические или универсальные крупные модели. Модели, необходимые для задач различной сложности, также различаются по глубине; иногда требуется настройка модели.

Некоторые проекты поддерживают пользователей, предлагающих разные типы моделей или сотрудничество по обучению моделей через краудсорсинг, такие как Sentient, который благодаря модульному дизайну позволяет пользователям размещать надежные данные моделей на уровне хранения и уровня распространения для оптимизации моделей, а также инструменты разработки, предоставляемые Sahara AI, включают в себя передовые алгоритмы ИИ и вычислительные фреймворки, а также обладают возможностью совместного обучения.

• Вывод и верификация: после обучения модель генерирует файл весов модели, который можно использовать для непосредственной классификации, предсказания или других конкретных задач, этот процесс называется выводом. Процесс вывода обычно сопровождается механизмом верификации, чтобы проверить, правильно ли источником является модель вывода, есть ли злонамеренные действия и т.д. Вывод в Web3 обычно может быть интегрирован в смарт-контракты, путем вызова модели для выполнения вывода, распространенные методы верификации включают технологии ZKML, OPML и TEE. Представляющие проекты, такие как AI-оракул на цепочке ORA (OAO), ввели OPML в качестве проверяемого слоя для AI-оракула, на официальном сайте ORA также упоминаются их исследования по ZKML и opp/ai (ZKML в сочетании с OPML).

Уровень приложения:

Этот уровень в основном представляет собой приложения, ориентированные на пользователя, которые объединяют ИИ и Web3, создавая больше интересных и инновационных способов взаимодействия. В этой статье в основном рассматриваются проекты в таких областях, как AIGC (контент, сгенерированный ИИ), ИИ-агенты и анализ данных.

• AIGC：Через AIGC можно расширяться на