Обзор экосистемы Web3-AI: техническая логика, сценарные приложения и глубокий анализ топовых проектов

С ростом интереса к AI-нарративам все больше внимания уделяется этому сегменту. Мы глубоко проанализировали технологическую логику, сценарии применения и представительные проекты в области Web3-AI, чтобы全面 представить вам панораму и тенденции развития в этой области.

Один, Web3-AI: анализ технологической логики и возможностей новых рынков

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

В прошлом году ИИ-нарративы стали невероятно популярными в индустрии Web3, и проекты ИИ появились как грибы после дождя. Хотя существует множество проектов, связанных с ИИ-технологиями, некоторые из них используют ИИ только в определенных частях своих продуктов, и базовая токеномика не имеет существенной связи с ИИ-продуктами, поэтому такие проекты не рассматриваются в данной статье как проекты Web3-AI.

Основное внимание в данной статье уделяется проектам, которые используют блокчейн для решения проблем производственных отношений, а ИИ — для решения проблем производительных сил. Эти проекты предоставляют ИИ-продукты и основаны на экономической модели Web3 как инструменте производственных отношений, и оба аспекта взаимодополняют друг друга. Мы классифицируем такие проекты как направление Web3-AI. Чтобы читатели лучше поняли направление Web3-AI, мы подробно рассмотрим процесс разработки ИИ и его вызовы, а также то, как сочетание Web3 и ИИ идеально решает проблемы и создает новые сценарии применения.

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

AI технологии — это технологии, позволяющие компьютерам имитировать, расширять и улучшать человеческий интеллект. Они позволяют компьютерам выполнять различные сложные задачи, от перевода языков и классификации изображений до распознавания лиц и автономного вождения. AI меняет то, как мы живем и работаем.

Процесс разработки модели искусственного интеллекта обычно включает несколько ключевых этапов: сбор данных и предварительную обработку данных, выбор и настройку модели, обучение модели и вывод. Приведем простой пример: для разработки модели, которая классифицирует изображения кошек и собак, вам потребуется:

1. Сбор данных и предварительная обработка данных: соберите набор изображений с кошками и собаками, можно использовать открытые наборы данных или самостоятельно собрать реальные данные. Затем пометьте каждое изображение классом (кошка или собака), убедитесь, что метки точны. Преобразуйте изображения в формат, который может распознать модель, разделите набор данных на обучающую выборку, валидационную выборку и тестовую выборку.

2. Выбор модели и ее 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 AI-задачи. В этом простом примере классификации может быть достаточно более мелкой сетевой структуры.

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 обучена модель, обычно называются весами модели. Процесс выведения предполагает использование 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-меры и т.д.

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

Обученная модель ИИ может быть дополнительно интегрирована в различные приложения для выполнения разных 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:

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 данных, которые не являются открытыми, при получении данных в определенных областях (например, медицинских данных).

Выбор и настройка модели: для небольших команд трудно получить ресурсы модели для конкретной области или потратить большие средства на настройку модели.

Получение вычислительной мощности: для индивидуальных разработчиков и небольших команд высокие затраты на покупку GPU и расходы на аренду облачной вычислительной мощности могут стать значительным экономическим бременем.

Доход от активов ИИ: работники по аннотированию данных часто не могут получить доход, соответствующий их усилиям, а результаты исследований разработчиков ИИ также трудно сопоставить с покупателями, имеющими спрос.

Вызовы, существующие в централизованных AI-сценариях, могут быть преодолены через интеграцию с Web3. Web3, как новая форма производственных отношений, естественным образом адаптируется к AI, представляющему собой новую производительную силу, что позволяет одновременно продвигать технологии и производственные возможности.

1.3 Взаимодействие Web3 и ИИ: изменение ролей и инновационные приложения

Сочетание Web3 и ИИ может усилить суверенитет пользователей, предоставив откры платформу для сотрудничества в области ИИ, позволяя пользователям перейти от использования ИИ в эпоху Web2 к участию, создавая ИИ, которым может обладать каждый. В то же время, интеграция мира Web3 и технологий ИИ может привести к появлению большего количества инновационных сценариев применения и игровых механик.

На основе технологии Web3 разработка и применение ИИ вступят в новую эру кооперативной экономики. Приватность данных людей будет обеспечена, модель краудсорсинга данных будет способствовать прогрессу моделей ИИ, множество открытых ресурсов ИИ будут доступны пользователям, а совместно используемая вычислительная мощность можно будет получить по низкой цене. С помощью децентрализованной механики краудсорсинга и открытого рынка ИИ можно реализовать справедливую систему распределения доходов, что побудит больше людей способствовать развитию технологий ИИ.

В сцене Web3 ИИ может оказать положительное влияние в нескольких областях. Например, модели ИИ могут быть интегрированы в смарт-контракты, чтобы повысить эффективность работы в различных сценариях, таких как рыночный анализ, безопасность, социальная кластеризация и многие другие функции. Генеративный ИИ не только позволяет пользователям испытать роль "художника", например, создавая свои собственные NFT с помощью технологий ИИ, но также может создавать разнообразные игровые сценарии и интересные интерактивные опыты в GameFi. Богатая инфраструктура обеспечивает плавный опыт разработки, независимо от того, является ли человек экспертом в области ИИ или новичком, желающим войти в сферу ИИ, каждый может найти подходящий вход в этом мире.

2. Анализ карты и архитектуры проектов 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 и включает уровень инфраструктуры, промежуточный уровень и уровень приложений, каждый из которых подразделяется на разные секции. В следующей главе мы проведем глубокий анализ некоторых представительных проектов.

Инфраструктурный уровень охватывает вычислительные ресурсы и технологическую архитектуру, поддерживающие весь жизненный цикл ИИ, тогда как промежуточный уровень включает в себя управление данными, разработку моделей и услуги верификации вывода, соединяющие инфраструктуру и приложения. Уровень приложений сосредоточен на различных приложениях и решениях, ориентированных непосредственно на пользователей.

Инфраструктурный уровень:

Инфраструктурный уровень является основой жизненного цикла ИИ, в данной статье вычислительная мощность, AI Chain и платформы разработки классифицируются как инфраструктурный уровень. Именно поддержка этих инфраструктур позволяет осуществлять обучение и вывод моделей ИИ и представлять пользователю мощные и практичные приложения ИИ.

• 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 мощности по низкой цене или делиться мощностями для получения дохода, примеры таких проектов - IO.NET и Hyperbolic. Кроме того, некоторые проекты разработали новые способы, такие как Compute Labs, которые предложили токенизированный протокол, позволяющий пользователям участвовать в аренде вычислительных мощностей разными способами, покупая NFT, представляющие физические GPU.

• AI Chain: Использует блокчейн в качестве основы для жизненного цикла ИИ, обеспечивая бесшовное взаимодействие между ресурсами ИИ на и вне цепочки, способствуя 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, такие как проект Sahara AI. AI Chain также может способствовать прогрессу технологий ИИ в различных областях, например, Bittensor через инновационный механизм стимулов подсетей для содействия конкуренции между подсетями различных типов ИИ.

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

Промежуточный уровень:

Этот уровень касается данных AI, моделей, а также вывода и проверки, 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 через краудсорсинг данных и совместную обработку данных можно оптимизировать использование ресурсов и снизить затраты на данные. Пользователи могут обладать правами на свои данные и продавать их при защите 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. Представленные проекты, такие как Grass, используют пропускную способность пользователей для сбора данных из Интернета, а xData собирает информацию о СМИ через удобные для пользователей плагины и поддерживает возможность загрузки 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 специализированных знаний для обработки данных в финансовых и юридических задачах, пользователи могут токенизировать свои навыки для реализации совместной краудсорсинга предварительной обработки данных. Примером является рынок AI, такой как Sahara AI, который охватывает задачи данных из разных областей и может покрывать многофункциональные 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 такие модели, как CNN и GAN, для задач обнаружения объектов можно выбрать серию Yolo, а для текстовых задач распространены модели RNN, Transformer и другие, конечно, также есть некоторые специфические или универсальные большие модели. Модели с различной глубиной требуются для задач различной сложности, иногда необходимо выполнять настройку модели.

Некоторые проекты поддерживают пользователей, предоставляющих различные типы моделей или сотрудничество в обучении моделей через краудсорсинг. Например, Sentient, благодаря модульному дизайну, позволяет пользователям размещать надежные данные моделей на уровнях хранения и распространения для оптимизации моделей. Инструменты разработки, предлагаемые Sahara AI, встроены с передовыми алгоритмами ИИ и вычислительными фреймворками, а также обладают возможностью совместного обучения.

• Инференция и верификация: После обучения модель генерирует файл весов модели, который можно использовать для непосредственной классификации, прогнозирования или других специфических задач, этот процесс называется инференцией. Процесс инференции обычно сопровождается механизмом верификации, чтобы проверить, правильный ли источник инференционной модели, есть ли злонамеренные действия и т.д. Инференция в Web3 обычно может быть интегрирована в смарт-контракты, вызывая модель для инференции, распространенные способы верификации включают такие технологии, как ZKML, OPML и TEE. Примером проекта является AI оракул на цепочке ORA (OAO), который вводит OPML в качестве верифицируемого слоя для AI оракула, на официальном сайте ORA также упоминаются их исследования по ZKML и opp/ai (ZKML в сочетании с OPML).

Прикладной уровень:

Этот уровень в основном представляет собой приложения, ориентированные на пользователей, которые сочетают ИИ и Web3, создавая более