Dengan semakin meningkatnya perhatian terhadap narasi AI, semakin banyak perhatian yang tertuju pada jalur ini. Artikel ini menganalisis secara mendalam logika teknis, skenario aplikasi, dan proyek-proyek perwakilan di jalur Web3-AI, untuk memberikan Anda gambaran menyeluruh tentang panorama dan tren perkembangan di bidang ini.
Satu, Web3-AI: Analisis Logika Teknologi dan Peluang Pasar Baru
1.1 Logika Penggabungan Web3 dan AI: Bagaimana Mendefinisikan Jalur Web-AI
Dalam setahun terakhir, narasi AI telah menjadi sangat populer di industri Web3, dengan proyek AI yang muncul seperti jamur setelah hujan. Meskipun ada banyak proyek yang melibatkan teknologi AI, beberapa proyek hanya menggunakan AI di beberapa bagian produk mereka, sementara ekonomi token yang mendasarinya tidak memiliki hubungan substansial dengan produk AI, sehingga proyek semacam itu tidak termasuk dalam diskusi proyek Web3-AI dalam artikel ini.
Artikel ini berfokus pada proyek yang menggunakan blockchain untuk menyelesaikan masalah hubungan produksi, dan AI untuk menyelesaikan masalah produktivitas. Proyek-proyek ini sendiri menyediakan produk AI, dan juga berbasis pada model ekonomi Web3 sebagai alat hubungan produksi, keduanya saling melengkapi. Kami mengklasifikasikan proyek-proyek semacam ini sebagai jalur Web3-AI. Untuk membantu pembaca lebih memahami jalur Web3-AI, artikel ini akan menjelaskan proses dan tantangan pengembangan AI, serta bagaimana perpaduan Web3 dan AI dapat menyelesaikan masalah dengan sempurna dan menciptakan skenario aplikasi baru.
1.2 Proses dan Tantangan Pengembangan AI: Dari Pengumpulan Data hingga Inferensi Model
Teknologi AI adalah teknologi yang memungkinkan komputer untuk mensimulasikan, memperluas, dan meningkatkan kecerdasan manusia. Ini memungkinkan komputer untuk melakukan berbagai tugas kompleks, dari penerjemahan bahasa, klasifikasi gambar, hingga pengenalan wajah dan aplikasi seperti mengemudi otomatis, AI sedang mengubah cara kita hidup dan bekerja.
Proses pengembangan model kecerdasan buatan biasanya mencakup beberapa langkah kunci berikut: pengumpulan data dan praproses data, pemilihan dan penyetelan model, pelatihan model dan inferensi. Sebagai contoh sederhana, untuk mengembangkan model yang dapat mengklasifikasikan gambar kucing dan anjing, Anda perlu:
Pengumpulan data dan pra-pemrosesan data: Mengumpulkan dataset gambar yang berisi kucing dan anjing, dapat menggunakan dataset publik atau mengumpulkan data nyata sendiri. Kemudian beri label pada setiap gambar dengan kategori (kucing atau anjing), pastikan label akurat. Mengubah gambar menjadi format yang dapat dikenali oleh model, membagi dataset menjadi set pelatihan, set validasi, dan set pengujian.
Pemilihan dan Penyesuaian Model: Memilih model yang tepat, seperti Jaringan Saraf Konvolusional (CNN), yang lebih cocok untuk tugas klasifikasi gambar. Menyesuaikan parameter atau arsitektur model sesuai dengan kebutuhan yang berbeda, biasanya, lapisan jaringan model dapat disesuaikan berdasarkan kompleksitas tugas AI. Dalam contoh klasifikasi sederhana ini, lapisan jaringan yang lebih dangkal mungkin sudah cukup.
Pelatihan model: Model dapat dilatih menggunakan GPU, TPU, atau cluster komputasi berperforma tinggi, dan waktu pelatihan dipengaruhi oleh kompleksitas model dan kemampuan komputasi.
Inferensi Model: File yang sudah dilatih model biasanya disebut sebagai bobot model, proses inferensi merujuk pada penggunaan model yang telah dilatih untuk memprediksi atau mengklasifikasikan data baru. Dalam proses ini, set pengujian atau data baru dapat digunakan untuk menguji efektivitas klasifikasi model, biasanya menggunakan akurasi, recall, F1-score, dan metrik lainnya untuk menilai efektivitas model.
Seperti yang ditunjukkan pada gambar, setelah pengumpulan data dan praproses data, pemilihan dan penyetelan model, serta pelatihan, model yang telah dilatih akan digunakan untuk inferensi pada kumpulan pengujian untuk menghasilkan nilai prediksi P (probabilitas) untuk kucing dan anjing, yaitu probabilitas bahwa model menginferensikan itu adalah kucing atau anjing.
Model AI yang telah dilatih dapat lebih lanjut diintegrasikan ke dalam berbagai aplikasi untuk menjalankan tugas yang berbeda. Dalam contoh ini, model AI untuk klasifikasi kucing dan anjing dapat diintegrasikan ke dalam aplikasi ponsel, di mana pengguna mengunggah gambar kucing atau anjing, dan kemudian mendapatkan hasil klasifikasi.
Namun, proses pengembangan AI yang terpusat memiliki beberapa masalah dalam skenario berikut:
Privasi pengguna: Dalam skenario terpusat, proses pengembangan AI biasanya tidak transparan. Data pengguna mungkin dicuri tanpa sepengetahuan mereka dan digunakan untuk pelatihan AI.
Pengambilan sumber data: Tim kecil atau individu mungkin menghadapi batasan data yang tidak bersifat open source saat mengakses data di bidang tertentu (seperti data medis).
Pemilihan dan penyetelan model: Bagi tim kecil, sulit untuk mendapatkan sumber daya model di bidang tertentu atau mengeluarkan biaya besar untuk penyetelan model.
Perolehan daya komputasi: Bagi pengembang individu dan tim kecil, biaya pembelian GPU yang tinggi dan biaya sewa daya komputasi cloud dapat menjadi beban ekonomi yang signifikan.
Pendapatan Aset AI: Pekerja pengkategorian data sering kali tidak dapat memperoleh pendapatan yang sebanding dengan usaha mereka, sementara hasil penelitian pengembang AI juga sulit untuk dicocokkan dengan pembeli yang memiliki permintaan.
Tantangan yang ada dalam skenario AI terpusat dapat diatasi melalui kombinasi dengan Web3, di mana Web3 sebagai bentuk hubungan produksi baru secara alami cocok dengan AI yang mewakili produktivitas baru, sehingga mendorong kemajuan teknologi dan kemampuan produksi secara bersamaan.
1.3 Sinergi antara Web3 dan AI: Perubahan Peran dan Aplikasi Inovatif
Kombinasi Web3 dan AI dapat meningkatkan kedaulatan pengguna, memberikan platform kolaborasi AI terbuka bagi pengguna, mengubah pengguna dari era Web2 yang hanya menggunakan AI menjadi peserta yang berpartisipasi, menciptakan AI yang dapat dimiliki oleh semua orang. Pada saat yang sama, penggabungan dunia Web3 dan teknologi AI juga dapat menghasilkan lebih banyak skenario aplikasi dan cara bermain yang inovatif.
Berdasarkan teknologi Web3, pengembangan dan aplikasi AI akan menyambut sistem ekonomi kolaboratif yang baru. Privasi data orang dapat terjamin, model data crowdsourcing memfasilitasi kemajuan model AI, banyak sumber daya AI sumber terbuka tersedia untuk digunakan pengguna, dan kekuatan komputasi yang dibagikan dapat diperoleh dengan biaya yang lebih rendah. Dengan bantuan mekanisme kolaborasi crowdsourcing terdesentralisasi dan pasar AI terbuka, sistem distribusi pendapatan yang adil dapat terwujud, sehingga mendorong lebih banyak orang untuk memajukan kemajuan teknologi AI.
Dalam skenario Web3, AI dapat memberikan dampak positif di berbagai jalur. Misalnya, model AI dapat diintegrasikan ke dalam kontrak pintar untuk meningkatkan efisiensi kerja dalam berbagai aplikasi, seperti analisis pasar, deteksi keamanan, pengelompokan sosial, dan berbagai fungsi lainnya. AI generatif tidak hanya memungkinkan pengguna untuk merasakan peran "seniman", seperti menggunakan teknologi AI untuk membuat NFT mereka sendiri, tetapi juga dapat menciptakan berbagai macam skenario permainan dan pengalaman interaksi yang menarik dalam GameFi. Infrastruktur yang kaya menyediakan pengalaman pengembangan yang mulus, baik bagi ahli AI maupun pemula yang ingin memasuki bidang AI dapat menemukan pintu masuk yang sesuai di dunia ini.
Dua, Interpretasi Peta dan Struktur Proyek Ekosistem Web3-AI
Kami telah mempelajari 41 proyek di jalur Web3-AI, dan membagi proyek-proyek ini ke dalam berbagai lapisan. Logika pembagian setiap lapisan ditunjukkan pada gambar di bawah ini, termasuk lapisan infrastruktur, lapisan tengah, dan lapisan aplikasi, masing-masing dibagi menjadi berbagai sektor. Pada bab berikutnya, kami akan melakukan analisis kedalaman terhadap beberapa proyek yang representatif.
Lapisan infrastruktur mencakup sumber daya komputasi dan arsitektur teknologi yang mendukung seluruh siklus hidup AI, lapisan menengah mencakup manajemen data, pengembangan model, dan layanan inferensi verifikasi yang menghubungkan infrastruktur dengan aplikasi, sementara lapisan aplikasi berfokus pada berbagai aplikasi dan solusi yang langsung ditujukan kepada pengguna.
Lapisan Infrastruktur:
Lapisan infrastruktur adalah dasar dari siklus hidup AI, artikel ini mengklasifikasikan kapasitas komputasi, AI Chain, dan platform pengembangan sebagai lapisan infrastruktur. Justru dukungan infrastruktur ini yang memungkinkan pelatihan dan inferensi model AI, serta menyajikan aplikasi AI yang kuat dan praktis kepada pengguna.
Jaringan komputasi terdesentralisasi: dapat menyediakan daya komputasi terdistribusi untuk pelatihan model AI, memastikan pemanfaatan sumber daya komputasi yang efisien dan ekonomis. Beberapa proyek menyediakan pasar daya komputasi terdesentralisasi, di mana pengguna dapat menyewa daya komputasi dengan biaya rendah atau berbagi daya komputasi untuk mendapatkan keuntungan, dengan proyek seperti IO.NET dan Hyperbolic. Selain itu, beberapa proyek telah mengembangkan cara baru, seperti Compute Labs, yang mengajukan protokol tokenisasi, di mana pengguna dapat berpartisipasi dalam penyewaan daya komputasi untuk mendapatkan keuntungan dengan membeli NFT yang mewakili entitas GPU.
AI Chain: Memanfaatkan blockchain sebagai dasar untuk siklus hidup AI, mewujudkan interaksi tanpa batas antara sumber daya AI on-chain dan off-chain, serta mendorong perkembangan ekosistem industri. Pasar AI terdesentralisasi di blockchain dapat memperdagangkan aset AI seperti data, model, agen, dan menyediakan kerangka pengembangan AI serta alat pengembangan yang mendukung, dengan proyek-proyek seperti Sahara AI. AI Chain juga dapat mendorong kemajuan teknologi AI di berbagai bidang, seperti Bittensor yang memfasilitasi kompetisi subnet dari berbagai jenis AI melalui mekanisme insentif subnet yang inovatif.
Platform pengembangan: Beberapa proyek menyediakan platform pengembangan agen AI, yang juga dapat melakukan perdagangan agen AI, seperti Fetch.ai dan ChainML. Alat satu atap ini membantu pengembang untuk lebih mudah membuat, melatih, dan menerapkan model AI, dengan proyek perwakilan seperti Nimble. Infrastruktur ini memfasilitasi penerapan teknologi AI yang luas dalam ekosistem Web3.
Lapisan tengah:
Lapisan ini melibatkan data AI, model, serta inferensi dan verifikasi, menggunakan teknologi Web3 dapat mencapai efisiensi kerja yang lebih tinggi.
Data: Kualitas dan kuantitas data adalah faktor kunci yang mempengaruhi efektivitas pelatihan model. Di dunia Web3, melalui data crowdsourcing dan pemrosesan data secara kolaboratif, sumber daya dapat dioptimalkan dan biaya data dapat dikurangi. Pengguna dapat memiliki otonomi atas data mereka, menjual data mereka dalam perlindungan privasi untuk menghindari pencurian data oleh pedagang yang tidak bertanggung jawab dan memperoleh keuntungan yang tinggi. Bagi pihak yang membutuhkan data, platform-platform ini menawarkan berbagai pilihan dan biaya yang sangat rendah. Proyek-proyek yang mewakili seperti Grass memanfaatkan bandwidth pengguna untuk mengumpulkan data Web, xData melalui plugin yang ramah pengguna untuk mengumpulkan informasi media, dan mendukung pengguna untuk mengunggah informasi tweet.
Selain itu, beberapa platform memungkinkan ahli di bidang atau pengguna biasa untuk melakukan tugas pra-pemrosesan data, seperti pelabelan gambar, klasifikasi data, yang mungkin memerlukan pengetahuan profesional dalam pemrosesan data untuk tugas keuangan dan hukum. Pengguna dapat men-token-kan keterampilan mereka untuk mencapai kolaborasi dalam pengumpulan data pra-pemrosesan. Contohnya adalah pasar AI seperti Sahara AI, yang memiliki tugas data di berbagai bidang dan dapat mencakup berbagai skenario data; sementara AIT Protocol melakukan pelabelan data melalui kolaborasi manusia dan mesin.
Model: Dalam proses pengembangan AI yang telah disebutkan sebelumnya, jenis kebutuhan yang berbeda memerlukan pencocokan model yang sesuai. Model yang umum digunakan untuk tugas gambar seperti CNN, GAN, untuk tugas deteksi objek dapat memilih seri Yolo, dan untuk tugas teks model yang umum seperti RNN, Transformer, serta beberapa model besar yang spesifik atau umum. Kedalaman model yang diperlukan untuk tugas dengan kompleksitas yang berbeda juga bervariasi, kadang-kadang memerlukan penyesuaian pada model.
Beberapa proyek mendukung pengguna untuk menyediakan berbagai jenis model atau berkolaborasi dalam melatih model melalui crowdsourcing, seperti Sentient yang melalui desain modular, memungkinkan pengguna untuk menempatkan data model yang dapat dipercaya di lapisan penyimpanan dan lapisan distribusi untuk optimasi model, alat pengembang yang disediakan oleh Sahara AI dilengkapi dengan algoritma AI canggih dan kerangka komputasi, serta memiliki kemampuan pelatihan kolaboratif.
Inferensi dan Verifikasi: Setelah model dilatih, model akan menghasilkan file bobot model yang dapat digunakan untuk klasifikasi, prediksi, atau tugas spesifik lainnya, proses ini disebut inferensi. Proses inferensi biasanya disertai dengan mekanisme verifikasi, untuk memverifikasi apakah sumber model inferensi benar, apakah ada perilaku jahat, dan lain-lain. Inferensi Web3 biasanya dapat diintegrasikan ke dalam kontrak pintar, melalui pemanggilan model untuk melakukan inferensi, cara verifikasi yang umum termasuk teknologi ZKML, OPML, dan TEE. Proyek perwakilan seperti Oracle AI di jaringan ORA (OAO), telah memperkenalkan OPML sebagai lapisan yang dapat diverifikasi untuk oracle AI, di situs resmi ORA juga disebutkan penelitian mereka tentang ZKML dan opp/ai (ZKML digabungkan dengan OPML).
Lapisan aplikasi:
Tingkat ini terutama adalah aplikasi yang langsung ditujukan untuk pengguna, menggabungkan AI dengan Web3, menciptakan lebih banyak cara bermain yang menarik dan inovatif. Artikel ini terutama menguraikan proyek-proyek dalam beberapa bidang seperti AIGC (konten yang dihasilkan AI), agen AI, dan analisis data.
AIGC: Melalui AIGC, dapat diperluas ke jalur NFT, permainan, dan lainnya di Web3, pengguna dapat langsung menghasilkan teks, gambar, dan audio melalui Prompt (kata kunci yang diberikan oleh pengguna), bahkan dapat menciptakan gameplay kustom sesuai preferensi mereka dalam permainan. Proyek NFT seperti NFPrompt, pengguna dapat menghasilkan NFT melalui AI untuk diperdagangkan di pasar; permainan seperti Sleepless, pengguna membentuk kepribadian pasangan virtual melalui dialog untuk mencocokkan preferensi mereka;
Agen AI: merujuk pada sistem kecerdasan buatan yang dapat secara mandiri melaksanakan tugas dan membuat keputusan. Agen AI biasanya memiliki kemampuan persepsi, penalaran, pembelajaran, dan tindakan, dan dapat melaksanakan tugas kompleks dalam berbagai lingkungan. Agen AI yang umum seperti
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
16 Suka
Hadiah
16
4
Bagikan
Komentar
0/400
StakeHouseDirector
· 12jam yang lalu
Pakar spekulasi datang lagi untuk menggambar BTC, mengerti apa itu hammer ai.
Lihat AsliBalas0
RugPullSurvivor
· 12jam yang lalu
Sekali lagi sekumpulan jebakan spekulasi, cukup sudah.
Lihat AsliBalas0
LiquidationWizard
· 12jam yang lalu
Hehe, itu masih tentang menghangatkan isu untuk memanfaatkan para suckers.
Lihat AsliBalas0
MEVHunter
· 12jam yang lalu
Ini adalah kesempatan bagus lainnya untuk menambang emas di dalam air.
Laporan Panorama Web3-AI: Analisis Mendalam tentang Keterkaitan Teknologi, Skenario Aplikasi, dan Proyek-Proyek Teratas
Laporan Panorama Web3-AI: Analisis Mendalam Logika Teknologi, Aplikasi Skenario, dan Proyek Teratas
Dengan semakin meningkatnya perhatian terhadap narasi AI, semakin banyak perhatian yang tertuju pada jalur ini. Artikel ini menganalisis secara mendalam logika teknis, skenario aplikasi, dan proyek-proyek perwakilan di jalur Web3-AI, untuk memberikan Anda gambaran menyeluruh tentang panorama dan tren perkembangan di bidang ini.
Satu, Web3-AI: Analisis Logika Teknologi dan Peluang Pasar Baru
1.1 Logika Penggabungan Web3 dan AI: Bagaimana Mendefinisikan Jalur Web-AI
Dalam setahun terakhir, narasi AI telah menjadi sangat populer di industri Web3, dengan proyek AI yang muncul seperti jamur setelah hujan. Meskipun ada banyak proyek yang melibatkan teknologi AI, beberapa proyek hanya menggunakan AI di beberapa bagian produk mereka, sementara ekonomi token yang mendasarinya tidak memiliki hubungan substansial dengan produk AI, sehingga proyek semacam itu tidak termasuk dalam diskusi proyek Web3-AI dalam artikel ini.
Artikel ini berfokus pada proyek yang menggunakan blockchain untuk menyelesaikan masalah hubungan produksi, dan AI untuk menyelesaikan masalah produktivitas. Proyek-proyek ini sendiri menyediakan produk AI, dan juga berbasis pada model ekonomi Web3 sebagai alat hubungan produksi, keduanya saling melengkapi. Kami mengklasifikasikan proyek-proyek semacam ini sebagai jalur Web3-AI. Untuk membantu pembaca lebih memahami jalur Web3-AI, artikel ini akan menjelaskan proses dan tantangan pengembangan AI, serta bagaimana perpaduan Web3 dan AI dapat menyelesaikan masalah dengan sempurna dan menciptakan skenario aplikasi baru.
1.2 Proses dan Tantangan Pengembangan AI: Dari Pengumpulan Data hingga Inferensi Model
Teknologi AI adalah teknologi yang memungkinkan komputer untuk mensimulasikan, memperluas, dan meningkatkan kecerdasan manusia. Ini memungkinkan komputer untuk melakukan berbagai tugas kompleks, dari penerjemahan bahasa, klasifikasi gambar, hingga pengenalan wajah dan aplikasi seperti mengemudi otomatis, AI sedang mengubah cara kita hidup dan bekerja.
Proses pengembangan model kecerdasan buatan biasanya mencakup beberapa langkah kunci berikut: pengumpulan data dan praproses data, pemilihan dan penyetelan model, pelatihan model dan inferensi. Sebagai contoh sederhana, untuk mengembangkan model yang dapat mengklasifikasikan gambar kucing dan anjing, Anda perlu:
Pengumpulan data dan pra-pemrosesan data: Mengumpulkan dataset gambar yang berisi kucing dan anjing, dapat menggunakan dataset publik atau mengumpulkan data nyata sendiri. Kemudian beri label pada setiap gambar dengan kategori (kucing atau anjing), pastikan label akurat. Mengubah gambar menjadi format yang dapat dikenali oleh model, membagi dataset menjadi set pelatihan, set validasi, dan set pengujian.
Pemilihan dan Penyesuaian Model: Memilih model yang tepat, seperti Jaringan Saraf Konvolusional (CNN), yang lebih cocok untuk tugas klasifikasi gambar. Menyesuaikan parameter atau arsitektur model sesuai dengan kebutuhan yang berbeda, biasanya, lapisan jaringan model dapat disesuaikan berdasarkan kompleksitas tugas AI. Dalam contoh klasifikasi sederhana ini, lapisan jaringan yang lebih dangkal mungkin sudah cukup.
Pelatihan model: Model dapat dilatih menggunakan GPU, TPU, atau cluster komputasi berperforma tinggi, dan waktu pelatihan dipengaruhi oleh kompleksitas model dan kemampuan komputasi.
Inferensi Model: File yang sudah dilatih model biasanya disebut sebagai bobot model, proses inferensi merujuk pada penggunaan model yang telah dilatih untuk memprediksi atau mengklasifikasikan data baru. Dalam proses ini, set pengujian atau data baru dapat digunakan untuk menguji efektivitas klasifikasi model, biasanya menggunakan akurasi, recall, F1-score, dan metrik lainnya untuk menilai efektivitas model.
Seperti yang ditunjukkan pada gambar, setelah pengumpulan data dan praproses data, pemilihan dan penyetelan model, serta pelatihan, model yang telah dilatih akan digunakan untuk inferensi pada kumpulan pengujian untuk menghasilkan nilai prediksi P (probabilitas) untuk kucing dan anjing, yaitu probabilitas bahwa model menginferensikan itu adalah kucing atau anjing.
Model AI yang telah dilatih dapat lebih lanjut diintegrasikan ke dalam berbagai aplikasi untuk menjalankan tugas yang berbeda. Dalam contoh ini, model AI untuk klasifikasi kucing dan anjing dapat diintegrasikan ke dalam aplikasi ponsel, di mana pengguna mengunggah gambar kucing atau anjing, dan kemudian mendapatkan hasil klasifikasi.
Namun, proses pengembangan AI yang terpusat memiliki beberapa masalah dalam skenario berikut:
Privasi pengguna: Dalam skenario terpusat, proses pengembangan AI biasanya tidak transparan. Data pengguna mungkin dicuri tanpa sepengetahuan mereka dan digunakan untuk pelatihan AI.
Pengambilan sumber data: Tim kecil atau individu mungkin menghadapi batasan data yang tidak bersifat open source saat mengakses data di bidang tertentu (seperti data medis).
Pemilihan dan penyetelan model: Bagi tim kecil, sulit untuk mendapatkan sumber daya model di bidang tertentu atau mengeluarkan biaya besar untuk penyetelan model.
Perolehan daya komputasi: Bagi pengembang individu dan tim kecil, biaya pembelian GPU yang tinggi dan biaya sewa daya komputasi cloud dapat menjadi beban ekonomi yang signifikan.
Pendapatan Aset AI: Pekerja pengkategorian data sering kali tidak dapat memperoleh pendapatan yang sebanding dengan usaha mereka, sementara hasil penelitian pengembang AI juga sulit untuk dicocokkan dengan pembeli yang memiliki permintaan.
Tantangan yang ada dalam skenario AI terpusat dapat diatasi melalui kombinasi dengan Web3, di mana Web3 sebagai bentuk hubungan produksi baru secara alami cocok dengan AI yang mewakili produktivitas baru, sehingga mendorong kemajuan teknologi dan kemampuan produksi secara bersamaan.
1.3 Sinergi antara Web3 dan AI: Perubahan Peran dan Aplikasi Inovatif
Kombinasi Web3 dan AI dapat meningkatkan kedaulatan pengguna, memberikan platform kolaborasi AI terbuka bagi pengguna, mengubah pengguna dari era Web2 yang hanya menggunakan AI menjadi peserta yang berpartisipasi, menciptakan AI yang dapat dimiliki oleh semua orang. Pada saat yang sama, penggabungan dunia Web3 dan teknologi AI juga dapat menghasilkan lebih banyak skenario aplikasi dan cara bermain yang inovatif.
Berdasarkan teknologi Web3, pengembangan dan aplikasi AI akan menyambut sistem ekonomi kolaboratif yang baru. Privasi data orang dapat terjamin, model data crowdsourcing memfasilitasi kemajuan model AI, banyak sumber daya AI sumber terbuka tersedia untuk digunakan pengguna, dan kekuatan komputasi yang dibagikan dapat diperoleh dengan biaya yang lebih rendah. Dengan bantuan mekanisme kolaborasi crowdsourcing terdesentralisasi dan pasar AI terbuka, sistem distribusi pendapatan yang adil dapat terwujud, sehingga mendorong lebih banyak orang untuk memajukan kemajuan teknologi AI.
Dalam skenario Web3, AI dapat memberikan dampak positif di berbagai jalur. Misalnya, model AI dapat diintegrasikan ke dalam kontrak pintar untuk meningkatkan efisiensi kerja dalam berbagai aplikasi, seperti analisis pasar, deteksi keamanan, pengelompokan sosial, dan berbagai fungsi lainnya. AI generatif tidak hanya memungkinkan pengguna untuk merasakan peran "seniman", seperti menggunakan teknologi AI untuk membuat NFT mereka sendiri, tetapi juga dapat menciptakan berbagai macam skenario permainan dan pengalaman interaksi yang menarik dalam GameFi. Infrastruktur yang kaya menyediakan pengalaman pengembangan yang mulus, baik bagi ahli AI maupun pemula yang ingin memasuki bidang AI dapat menemukan pintu masuk yang sesuai di dunia ini.
Dua, Interpretasi Peta dan Struktur Proyek Ekosistem Web3-AI
Kami telah mempelajari 41 proyek di jalur Web3-AI, dan membagi proyek-proyek ini ke dalam berbagai lapisan. Logika pembagian setiap lapisan ditunjukkan pada gambar di bawah ini, termasuk lapisan infrastruktur, lapisan tengah, dan lapisan aplikasi, masing-masing dibagi menjadi berbagai sektor. Pada bab berikutnya, kami akan melakukan analisis kedalaman terhadap beberapa proyek yang representatif.
Lapisan infrastruktur mencakup sumber daya komputasi dan arsitektur teknologi yang mendukung seluruh siklus hidup AI, lapisan menengah mencakup manajemen data, pengembangan model, dan layanan inferensi verifikasi yang menghubungkan infrastruktur dengan aplikasi, sementara lapisan aplikasi berfokus pada berbagai aplikasi dan solusi yang langsung ditujukan kepada pengguna.
Lapisan Infrastruktur:
Lapisan infrastruktur adalah dasar dari siklus hidup AI, artikel ini mengklasifikasikan kapasitas komputasi, AI Chain, dan platform pengembangan sebagai lapisan infrastruktur. Justru dukungan infrastruktur ini yang memungkinkan pelatihan dan inferensi model AI, serta menyajikan aplikasi AI yang kuat dan praktis kepada pengguna.
Jaringan komputasi terdesentralisasi: dapat menyediakan daya komputasi terdistribusi untuk pelatihan model AI, memastikan pemanfaatan sumber daya komputasi yang efisien dan ekonomis. Beberapa proyek menyediakan pasar daya komputasi terdesentralisasi, di mana pengguna dapat menyewa daya komputasi dengan biaya rendah atau berbagi daya komputasi untuk mendapatkan keuntungan, dengan proyek seperti IO.NET dan Hyperbolic. Selain itu, beberapa proyek telah mengembangkan cara baru, seperti Compute Labs, yang mengajukan protokol tokenisasi, di mana pengguna dapat berpartisipasi dalam penyewaan daya komputasi untuk mendapatkan keuntungan dengan membeli NFT yang mewakili entitas GPU.
AI Chain: Memanfaatkan blockchain sebagai dasar untuk siklus hidup AI, mewujudkan interaksi tanpa batas antara sumber daya AI on-chain dan off-chain, serta mendorong perkembangan ekosistem industri. Pasar AI terdesentralisasi di blockchain dapat memperdagangkan aset AI seperti data, model, agen, dan menyediakan kerangka pengembangan AI serta alat pengembangan yang mendukung, dengan proyek-proyek seperti Sahara AI. AI Chain juga dapat mendorong kemajuan teknologi AI di berbagai bidang, seperti Bittensor yang memfasilitasi kompetisi subnet dari berbagai jenis AI melalui mekanisme insentif subnet yang inovatif.
Platform pengembangan: Beberapa proyek menyediakan platform pengembangan agen AI, yang juga dapat melakukan perdagangan agen AI, seperti Fetch.ai dan ChainML. Alat satu atap ini membantu pengembang untuk lebih mudah membuat, melatih, dan menerapkan model AI, dengan proyek perwakilan seperti Nimble. Infrastruktur ini memfasilitasi penerapan teknologi AI yang luas dalam ekosistem Web3.
Lapisan tengah:
Lapisan ini melibatkan data AI, model, serta inferensi dan verifikasi, menggunakan teknologi Web3 dapat mencapai efisiensi kerja yang lebih tinggi.
Selain itu, beberapa platform memungkinkan ahli di bidang atau pengguna biasa untuk melakukan tugas pra-pemrosesan data, seperti pelabelan gambar, klasifikasi data, yang mungkin memerlukan pengetahuan profesional dalam pemrosesan data untuk tugas keuangan dan hukum. Pengguna dapat men-token-kan keterampilan mereka untuk mencapai kolaborasi dalam pengumpulan data pra-pemrosesan. Contohnya adalah pasar AI seperti Sahara AI, yang memiliki tugas data di berbagai bidang dan dapat mencakup berbagai skenario data; sementara AIT Protocol melakukan pelabelan data melalui kolaborasi manusia dan mesin.
Beberapa proyek mendukung pengguna untuk menyediakan berbagai jenis model atau berkolaborasi dalam melatih model melalui crowdsourcing, seperti Sentient yang melalui desain modular, memungkinkan pengguna untuk menempatkan data model yang dapat dipercaya di lapisan penyimpanan dan lapisan distribusi untuk optimasi model, alat pengembang yang disediakan oleh Sahara AI dilengkapi dengan algoritma AI canggih dan kerangka komputasi, serta memiliki kemampuan pelatihan kolaboratif.
Lapisan aplikasi:
Tingkat ini terutama adalah aplikasi yang langsung ditujukan untuk pengguna, menggabungkan AI dengan Web3, menciptakan lebih banyak cara bermain yang menarik dan inovatif. Artikel ini terutama menguraikan proyek-proyek dalam beberapa bidang seperti AIGC (konten yang dihasilkan AI), agen AI, dan analisis data.
AIGC: Melalui AIGC, dapat diperluas ke jalur NFT, permainan, dan lainnya di Web3, pengguna dapat langsung menghasilkan teks, gambar, dan audio melalui Prompt (kata kunci yang diberikan oleh pengguna), bahkan dapat menciptakan gameplay kustom sesuai preferensi mereka dalam permainan. Proyek NFT seperti NFPrompt, pengguna dapat menghasilkan NFT melalui AI untuk diperdagangkan di pasar; permainan seperti Sleepless, pengguna membentuk kepribadian pasangan virtual melalui dialog untuk mencocokkan preferensi mereka;
Agen AI: merujuk pada sistem kecerdasan buatan yang dapat secara mandiri melaksanakan tugas dan membuat keputusan. Agen AI biasanya memiliki kemampuan persepsi, penalaran, pembelajaran, dan tindakan, dan dapat melaksanakan tugas kompleks dalam berbagai lingkungan. Agen AI yang umum seperti