Панорамный отчет о Web3-AI: техническая логика, сценарные приложения и глубокий анализ топовых проектов

С ростом популярности ИИ-нарративов все больше внимания сосредоточено на этом направлении. Проведен глубокий анализ технологической логики, сценариев применения и представительных проектов в области Web3-AI, чтобы в полном объеме представить панораму и тенденции развития этой сферы.

Один. Web3-AI: Анализ технической логики и возможностей новых рынков

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

В течение прошлого года ИИ-нарративы были необычайно популярны в индустрии Web3, и проекты ИИ появлялись как грибы после дождя. Хотя существует множество проектов, связанных с технологиями ИИ, некоторые из них используют ИИ только в определенных частях своих продуктов, и базовая токеномика не имеет существенной связи с продуктами ИИ, поэтому такие проекты не относятся к обсуждению Web3-AI проектов в данной статье.

Основное внимание в этой статье уделяется проектам, которые используют блокчейн для решения проблем производственных отношений и ИИ для решения проблем производительности. Эти проекты сами предлагают ИИ-продукты и основаны на экономической модели Web3 в качестве инструмента производственных отношений, что дополняет друг друга. Мы классифицируем такие проекты как направление Web3-AI. Чтобы читатели лучше поняли направление Web3-AI, будет представлено описание процесса разработки ИИ и связанных с ним вызовов, а также того, как объединение Web3 и ИИ может идеально решать проблемы и создавать новые сценарии применения.

1.2 Процесс разработки ИИ и вызовы: от сбора данных до вывода модели

Технология ИИ — это технология, позволяющая компьютерам моделировать, расширять и усиливать человеческий интеллект. Она позволяет компьютерам выполнять различные сложные задачи, от перевода языков, классификации изображений до распознавания лиц, автономного вождения и других приложений; ИИ меняет наш образ жизни и работы.

Процесс разработки моделей искусственного интеллекта обычно включает в себя следующие ключевые шаги: сбор данных и предварительная обработка данных, выбор и оптимизация модели, обучение модели и вывод. Чтобы привести простой пример, для разработки модели, которая будет классифицировать изображения кошек и собак, вам нужно:

1. Сбор данных и предобработка данных: Соберите набор изображений, содержащий кошек и собак, можно использовать открытые наборы данных или собрать реальные данные самостоятельно. Затем пометьте каждое изображение его категорией (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, свёрточные нейронные сети (CNN), которая лучше всего подходит для задач классификации изображений. Настройте параметры модели или архитектуру в зависимости от различных требований; как правило, уровни сети модели можно регулировать в зависимости от сложности задачи ИИ. В этом простом примере классификации может быть достаточно более мелкой сети.

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

4. Модельное выведение: Файлы, в которых модель уже обучена, обычно называются весами модели. Процесс выведения относится к процессу использования уже обученной модели для предсказания или классификации новых данных. В этом процессе можно использовать тестовый набор или новые данные для проверки эффективности классификации модели, обычно оцениваемой по таким показателям, как точность, полнота, F1-оценка и т.д.

После сбора данных и предварительной обработки данных, выбора и настройки модели, а также обучения, полученная модель будет использоваться для инференса на тестовом наборе данных, что приведет к предсказанным значениям для кошек и собак P (вероятность), то есть вероятности того, что модель определит объект как кошку или собаку.

Обученные модели ИИ могут быть дополнительно 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 изображения кошек или собак и получают 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 отдельные лица могут столкнуться с ограничениями на открытость данных при получении данных в определенной области (например, медицинских данных).

Выбор и настройка модели: для небольших команд сложно получить ресурсы моделей в конкретной области или потратить значительные средства на настройку моделей.

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

AI активы доход: работники по аннотированию данных часто не могут получить доход, соответствующий их усилиям, а результаты исследований разработчиков AI также трудно сопоставить с покупателями, которые имеют спрос.

Задачи, существующие в централизованных AI-сценариях, могут быть решены через интеграцию с Web3. Web3, как новая форма производственных отношений, естественным образом адаптируется к AI, представляющему новую производительную силу, способствуя одновременному прогрессу технологий и производственных мощностей.

1.3 Синергия Web3 и ИИ: изменения ролей и инновационные приложения

Сочетание Web3 и ИИ может усилить суверенитет пользователей, предоставив откры платформу для сотрудничества с ИИ, позволяя пользователям перейти от использования ИИ в эпоху Web2 к участию, создавая ИИ, который может принадлежать каждому. В то же время, интеграция мира Web3 и технологий ИИ может привести к возникновению более инновационных сценариев применения и способов использования.

На основе технологий Web3 разработка и применение ИИ вступят в новую эру кооперативной экономики. Конфиденциальность данных людей будет защищена, а модель краудсорсинга данных будет способствовать прогрессу моделей ИИ. Множество открытых ресурсов ИИ будет доступно для пользователей, а совместно используемые вычислительные мощности можно будет получить по более низкой цене. Благодаря децентрализованным механизмам кооперативного краудсорсинга и открытому рынку ИИ можно будет реализовать справедливую систему распределения доходов, что, в свою очередь, будет стимулировать больше людей к продвижению прогресса технологий ИИ.

В сцене Web3 ИИ может оказать позитивное влияние в нескольких областях. Например, ИИ модели могут быть интегрированы в смарт-контракты для повышения эффективности работы в различных приложениях, таких как рыночный анализ, безопасность, социальная кластеризация и другие функции. Генеративный ИИ не только позволяет пользователям испытать роль "художника", создавая свои собственные NFT с использованием ИИ технологий, но и создает разнообразные игровые сцены и интересные взаимодействия в GameFi. Богатая инфраструктура обеспечивает плавный опыт разработки, и как эксперты в области ИИ, так и новички, желающие войти в эту область, 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 изображении ниже, включая уровень инфраструктуры, промежуточный уровень и уровень приложений, каждый из которых дополнительно разделен на различные сектора. В следующей главе мы проведем глубокий анализ некоторых представительных проектов.

Инфраструктурный уровень охватывает вычислительные ресурсы и технологическую архитектуру, поддерживающие весь жизненный цикл ИИ, промежуточный уровень включает в себя управление данными, разработку моделей и услуги верификации и вывода, соединяющие 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 вычислительные мощности, AI Chain и платформы разработки классифицируются как инфраструктурный уровень. Именно благодаря поддержке этих инфраструктур возможно обучение и вывод моделей ИИ, а также представление 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 децентрализованные рынки вычислительных мощностей, где пользователи могут арендовать мощности по низкой цене или делиться вычислительными мощностями для получения дохода, примеры проектов: IO.NET и Hyperbolic. Кроме того, некоторые проекты разработали новые методы, такие как Compute Labs, которые предложили токенизированный протокол, позволяющий пользователям, покупая NFT, представляющие физические GPU, участвовать в аренде вычислительных мощностей для получения дохода разными способами.

• 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 ИИ-активами, такими как данные, модели, агенты и т. д., а также предоставляет фреймворк для разработки ИИ и сопутствующие инструменты разработки, такие как проект 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 стимулов 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 легче создавать, обучать и развертывать модели AI, такими проектами являются Nimble. Эта инфраструктура способствует широкому применению технологий AI в экосистеме Web3.

Промежуточный слой:

Этот уровень связан с данными ИИ, моделями, а также с выводами и проверкой, и 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, используя краудсорсинг данных и совместную обработку данных, можно оптимизировать использование ресурсов и снизить затраты на данные. Пользователи могут обладать автономией в отношении своих данных и продавать их с учетом защиты конфиденциальности, чтобы избежать кражи данных недобросовестными компаниями и получения высокой прибыли. Для сторон, нуждающихся в данных, эти платформы предлагают широкий выбор и очень низкие затраты. Примеры проектов, таких как Grass, используют пропускную способность пользователей для сбора веб-данных, а xData собирает информацию о медиа через удобные для пользователя плагины и поддерживает загрузку пользователями твитов.

Кроме того, некоторые платформы позволяют экспертам в области или обычным пользователям выполнять задачи предварительной обработки данных, такие как аннотация изображений, классификация данных; эти задачи могут потребовать специализированных знаний в области финансов и права. Пользователи могут токенизировать свои навыки, чтобы реализовать совместное краудсорсинг предварительной обработки данных. Примером является рынок AI, такой как Sahara AI, который охватывает задачи данных из различных областей и может охватывать многопрофильные сценарии данных; в то время как AIT Protocol осуществляет аннотацию данных с помощью человеко-машинного взаимодействия.

• Модель: В процессе разработки ИИ, упомянутом ранее, различные типы требований требуют подбора подходящей модели. Для задач с изображениями обычно используются модели, такие как CNN, GAN, для задач обнаружения объектов можно выбрать серию Yolo, для текстовых задач распространены модели RNN, Transformer и другие, конечно, есть и некоторые специфические или универсальные большие модели. Модели глубина, необходимая для задач различной сложности, также различна, иногда требуется оптимизация модели.

Некоторые проекты поддерживают пользователей в предоставлении различных типов моделей или в совместной тренировке моделей через краудсорсинг, такие как Sentient, который благодаря модульному дизайну позволяет пользователям размещать надежные данные моделей на уровне хранения и распределения для оптимизации моделей. Инструменты разработки, предоставляемые Sahara AI, встроены с передовыми AI алгоритмами и вычислительными фреймворками, а также имеют возможность совместной тренировки.

• Вывод и верификация: после обучения модели создается файл весов модели, который можно использовать для прямой классификации, прогнозирования или других конкретных задач, этот процесс называется выводом. Процесс вывода обычно сопровождается механизмом верификации, чтобы проверить, правильен ли источник модели вывода, есть ли вредоносные действия и т. д. Вывод в Web3 обычно может быть интегрирован в смарт-контракты, путем вызова модели для выполнения вывода, распространенные методы верификации включают такие технологии, как ZKML, OPML и TEE. Примеры проектов, такие как AI-оракул на ORA (OAO), внедрили OPML как проверяемый уровень для AI-оракула, на официальном сайте ORA также упоминается их исследование по ZKML и opp/ai (ZKML в сочетании с OPML).

Прикладной уровень:

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

• AIGC：С помощью AIGC можно расширяться в направлениях NFT, игр и других в Web3, пользователи могут напрямую через Prompt (подсказки, которые дает пользователь) генерировать текст, изображения и аудио, даже могут создавать пользовательские игры в соответствии с их предпочтениями.