Обзор экосистемы Web3-AI: глубокий анализ технической логики, сценарных приложений и лучших проектов

С учетом продолжающегося роста интереса к AI-нарративу, все больше внимания уделяется этому направлению. Мы провели глубокий анализ технической логики, сценариев применения и代表项目 в области Web3-AI, чтобы полностью представить вам панораму и тенденции развития этой сферы.

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

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

В прошлом году AI-нарратив был необычайно популярен в индустрии Web3, и AI-проекты возникали как грибы после дождя. Хотя многие проекты используют AI-технологии, некоторые из них применяют AI только в определенных частях своих продуктов, и базовая токеномика не имеет существенной связи с AI-продуктами, поэтому такие проекты не будут обсуждаться в данном тексте как Web3-AI проекты.

В статье акцентируется внимание на проектах, которые используют блокчейн для решения проблем производственных отношений и AI для решения проблем производительных сил. Эти проекты сами по себе предлагают AI-продукты, а также основаны на экономической модели Web3 как инструменте производственных отношений, причем оба аспекта взаимодополняют друг друга. Мы классифицируем такие проекты как сферу Web3-AI. Для лучшего понимания читателями сферы Web3-AI будет подробно изложен процесс разработки AI и вызовы, а также то, как сочетание Web3 и AI идеально решает проблемы и создает новые сценарии применения.

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

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

Процесс разработки модели искусственного интеллекта обычно включает в себя следующие ключевые этапы: сбор данных и предобработка данных, выбор и настройка модели, обучение модели и вывод. В качестве простого примера, для разработки модели, которая будет классифицировать изображения кошек и собак, вам нужно:

1. Сбор данных и предварительная обработка данных: соберите набор данных изображений, содержащий кошек и собак, можно использовать открытые наборы данных или самостоятельно собрать реальные данные. Затем для каждого изображения отметьте категорию (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 модели и ее оптимизация: выбирайте подходящую модель, например, свёрточную нейронную сеть (CNN), которая хорошо подходит для задач классификации изображений. Настройте параметры модели или архитектуру в зависимости от различных требований; как правило, уровень сети модели можно настроить в зависимости от сложности задачи ИИ. В этом простом примере классификации может быть достаточно более простой 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. Инференция модели: Файл с обученной моделью обычно называется весами модели, а процесс инференции представляет собой 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 оценивают эффективность модели с помощью таких показателей, как точность, полнота, F1-score и т.д.

После сбора данных, предобработки данных, выбора и настройки модели, а также обучения, проведя вывод на тестовом наборе, можно получить предсказанные значения P (вероятность) для кошек и собак, т.е. вероятность того, что модель предсказывает, что это кошка или собака.

Обученные AI модели могут быть дополнительно интегрированы в различные приложения для выполнения различных задач. В этом примере AI модель 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 непрозрачен. Данные пользователей могут быть украдены без их ведома и использованы для обучения ИИ.

Получение источников данных: небольшие команды или индивидуальные разработчики могут столкнуться с ограничениями на использование данных, которые не являются открытыми, при получении данных в определённых областях (например, медицинских данных).

Выбор и настройка модели: для небольших команд сложно получить ресурсы модели в определенной области или потратить большие средства на настройку модели.

Получение вычислительной мощности: для индивидуальных разработчиков и небольших команд высокая стоимость покупки GPU и аренды облачной вычислительной мощности могут стать значительной экономической нагрузкой.

AI активы дохода: работники по аннотации 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 с помощью интеграции с Web3. Web3, как новая производственная связь, естественным образом подходит для представления нового производительного потенциала AI, тем самым способствуя одновременному прогрессу технологий и производственных мощностей.

1.3 Взаимодействие Web3 и AI: изменения ролей и инновационные приложения

Слияние Web3 и ИИ может усилить пользовательский суверенитет, предоставляя пользователям открытую платформу для сотрудничества с ИИ, позволяя пользователям перейти от использования ИИ в эпоху Web2 к участию в нем, создавая ИИ, которым могут владеть все. В то же время, интеграция мира Web3 и технологий ИИ также может привести к появлению большего количества инновационных сценариев применения и игровых механик.

На основе технологий Web3 разработка и применение ИИ вступят в новую эру кооперативной экономической системы. Конфиденциальность данных пользователей будет защищена, модель краудсорсинга данных будет способствовать прогрессу моделей ИИ, множество открытых ресурсов ИИ будет доступно пользователям, а совместно используемые вычислительные мощности можно будет получить по более низкой цене. С помощью децентрализованного механизма кооперативного краудсорсинга и открытого рынка ИИ можно создать справедливую систему распределения доходов, что будет стимулировать больше людей к продвижению технологий ИИ.

В сцене Web3 искусственный интеллект может оказать положительное влияние в нескольких областях. Например, модели ИИ могут быть интегрированы в смарт-контракты, чтобы повысить эффективность работы в различных сценариях применения, таких как рыночный анализ, безопасность, социальная кластеризация и множество других функций. Генеративный ИИ не только позволяет пользователям ощущать себя "художниками", например, создавая свои NFT с использованием технологий ИИ, но и создает разнообразные игровые сценарии и интересные интерактивные опыты в GameFi. Разнообразная инфраструктура обеспечивает плавный опыт разработки, и как эксперты в области ИИ, так и новички, желающие войти в мир ИИ, могут найти подходящую точку входа.

Два, Интерпретация экосистемы Web3-AI и ее архитектурной схемы

Мы в основном изучили 41 проект в области Web3-AI и разделили эти проекты на разные уровни. Логика разделения каждого уровня показана на рисунке ниже и включает уровень инфраструктуры, промежуточный уровень и уровень приложений, каждый из которых также делится на разные секции. В следующей главе мы проведем глубокий анализ некоторых репрезентативных проектов.

Уровень инфраструктуры охватывает вычислительные ресурсы и технологическую архитектуру, поддерживающие весь жизненный цикл ИИ, в то время как промежуточный уровень включает 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 слой является основой жизненного цикла ИИ, в этой статье вычислительная мощность, AI Chain и платформы разработки классифицируются как инфраструктурный слой. Именно поддержка этих инфраструктур позволяет осуществить обучение и вывод моделей ИИ и представить пользователям мощные и практичные приложения ИИ.

• Децентрализованная вычислительная сеть: может предоставить распределенные вычислительные мощности для обучения ИИ 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 разработали новые способы взаимодействия, такие как Compute Labs, которые предложили токенизированный протокол, позволяющий пользователям участвовать в аренде вычислительных мощностей различными 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 цепи и способствуя развитию отраслевой экосистемы. Децентрализованный рынок ИИ на цепи может торговать активами ИИ, такими как данные, модели, агенты и т. д., и предоставляет рамки для разработки ИИ и сопутствующие инструменты разработки, примеры проектов включают Sahara AI. AI Chain также может способствовать прогрессу технологий ИИ в различных областях, таких как Bittensor, который стимулирует конкуренцию между подсетями разных типов ИИ с помощью инновационного механизма стимулов подсети.

• Платформа разработки: некоторые проекты предлагают платформы для разработки AI-агентов, также возможно осуществление торговли AI-агентами, такие как Fetch.ai и ChainML. Универсальные инструменты помогают разработчикам более удобно создавать, обучать и развертывать AI-модели, например, проект Nimble. Эта инфраструктура способствует широкому применению технологий AI в экосистеме Web3.

Промежуточный слой:

Этот уровень касается данных AI, моделей, а также вывода и верификации; 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 стоимость данных. Пользователи могут обладать автономией в отношении своих данных и продавать их при защите конфиденциальности, чтобы избежать кражи данных недобросовестными торговцами и получения высокой прибыли. Для сторон, нуждающихся в данных, эти платформы предлагают широкий выбор и очень низкие затраты. Представительные проекты, такие как Grass, используют пропускную способность пользователей для сбора веб-данных, xData собирает информацию о медиа через удобные для пользователя плагины и поддерживает возможность загрузки твитов пользователями.

Кроме того, некоторые платформы позволяют экспертам в определенных областях или обычным пользователям выполнять задачи предобработки данных, такие как аннотирование изображений и классификация данных, которые могут требовать профессиональных знаний в области финансов и юриспруденции. Пользователи могут токенизировать свои навыки, чтобы реализовать совместный краудсорсинг предобработки данных. Примером может служить рынок AI, такой как Sahara AI, который охватывает различные задачи по данным в разных областях и может покрывать многопрофильные сценарии данных; в то время как AIT Protocolt аннотирует данные с помощью совместной работы человека и машины.

• Модель: В процессе разработки ИИ, о котором упоминалось ранее, разные типы требований требуют соответствующих моделей. Для задач обработки изображений часто используются модели, такие как CNN и GAN, для задач обнаружения объектов можно выбрать серию Yolo, для текстовых задач распространены модели RNN и Transformer, а также есть несколько специфических или универсальных больших моделей. Модели глубины, необходимые для задач разной сложности, тоже различаются, иногда требуется настройка модели.

Некоторые проекты поддерживают пользователей в предоставлении различных типов моделей или в совместном обучении моделей через краудсорсинг, такие как Sentient, который благодаря модульному дизайну позволяет пользователям размещать надежные данные модели на уровне хранения и распространения для оптимизации модели. Инструменты разработки, предоставляемые Sahara AI, встроены с современными алгоритмами ИИ и вычислительными фреймворками, а также обладают возможностью совместного обучения.

• Вывод и верификация: после обучения модель генерирует 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, нет ли злонамеренных действий и т.д. Вывод в Web3 обычно может быть интегрирован в смарт-контракты, путем вызова модели для вывода, распространенные способы верификации включают технологии ZKML, OPML и TEE. Представленные проекты, такие как AI-оракул на цепочке ORA (OAO), ввели OPML в качестве проверяемого уровня 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 пользователя, которые объединяют ИИ и Web3, создавая более интересные и инновационные способы взаимодействия. В данной статье в основном рассматриваются проекты в таких областях, как AIGC (сгенерированный ИИ контент), ИИ-агенты и аналитика данных.

• AIGC: С помощью AIGC можно расширяться в NFT, игры и другие ниши Web3, пользователи могут напрямую генерировать текст, изображения и аудио через Prompt (подсказки, предоставленные пользователем), а также создавать собственные настройки в играх в соответствии со своими предпочтениями.