Laporan Panorama Web3-AI: Analisis Mendalam tentang Logika Teknologi, Aplikasi Skenario, dan Proyek-Proyek Teratas
Dengan meningkatnya minat terhadap narasi AI, semakin banyak perhatian tertuju pada jalur ini. Artikel ini menganalisis secara mendalam logika teknis, skenario aplikasi, dan proyek-proyek perwakilan di jalur Web3-AI, untuk memberikan gambaran menyeluruh tentang bidang ini dan tren perkembangannya.
Satu, Web3-AI: Analisis Logika Teknologi dan Peluang Pasar Baru
1.1 Logika Integrasi Web3 dan AI: Bagaimana Menentukan Jalur Web-AI
Dalam setahun terakhir, narasi AI sangat populer di industri Web3, dengan proyek-proyek AI bermunculan seperti jamur setelah hujan. Meskipun banyak proyek yang melibatkan teknologi AI, beberapa proyek hanya menggunakan AI di bagian tertentu dari produk mereka, dan ekonomi token yang mendasarinya tidak memiliki hubungan substansial dengan produk AI, oleh karena itu proyek semacam ini tidak termasuk dalam diskusi proyek Web3-AI dalam artikel ini.
Teks ini berfokus pada proyek-proyek yang menggunakan blockchain untuk menyelesaikan masalah hubungan produksi dan AI untuk menyelesaikan masalah produktivitas. Proyek-proyek ini sendiri menyediakan produk AI, sekaligus berdasarkan model ekonomi Web3 sebagai alat hubungan produksi, keduanya saling melengkapi. Kami mengklasifikasikan jenis proyek ini sebagai jalur Web3-AI. Untuk membantu pembaca memahami jalur Web3-AI dengan lebih baik, teks ini akan memperkenalkan proses pengembangan AI dan tantangan, serta bagaimana kombinasi Web3 dan AI dapat menyelesaikan masalah dan menciptakan skenario aplikasi baru dengan sempurna.
1.2 Proses pengembangan AI dan tantangannya: 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 terjemahan bahasa, pengklasifikasian 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 pra-pemrosesan 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 kategori ( kucing atau anjing ) untuk setiap gambar, pastikan labelnya akurat. Ubah gambar menjadi format yang dapat dikenali oleh model, bagi dataset menjadi set pelatihan, set validasi, dan set pengujian.
Pemilihan dan Penyesuaian Model: Memilih model yang sesuai, seperti jaringan saraf konvolusional (CNN), lebih cocok untuk tugas klasifikasi gambar. Sesuaikan parameter atau arsitektur model sesuai 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: Anda dapat menggunakan GPU, TPU, atau kluster komputasi berkinerja tinggi untuk melatih model, 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 sudah dilatih untuk memprediksi atau mengklasifikasikan data baru. Dalam proses ini, dapat menggunakan set uji atau data baru untuk menguji efektivitas klasifikasi model, biasanya menggunakan akurasi, recall, F1-score, dan metrik lainnya untuk mengevaluasi efektivitas model.
Namun, proses pengembangan AI 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.
Sumber data diambil: Tim kecil atau individu yang mendapatkan data di bidang tertentu ( seperti data medis ), mungkin menghadapi batasan data yang tidak open source.
Pemilihan dan penyesuaian model: Bagi tim kecil, sulit untuk mendapatkan sumber daya model khusus atau mengeluarkan biaya besar untuk penyesuaian model.
Perolehan daya komputasi: Bagi pengembang individu dan tim kecil, biaya pembelian GPU yang tinggi dan biaya sewa daya komputasi awan dapat menjadi beban ekonomi yang signifikan.
Pendapatan aset AI: Pekerja penandaan data seringkali tidak dapat memperoleh pendapatan yang sepadan dengan upaya mereka, sementara hasil penelitian pengembang AI juga sulit untuk dicocokkan dengan pembeli yang membutuhkan.
Tantangan yang ada dalam skenario AI terpusat dapat diatasi melalui kombinasi dengan Web3, di mana Web3 sebagai 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 memperkuat kedaulatan pengguna, menyediakan platform kolaborasi AI yang terbuka untuk pengguna, sehingga pengguna beralih dari pengguna AI di era Web2 menjadi peserta, 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 inovatif dan cara bermain.
Berdasarkan teknologi Web3, pengembangan dan aplikasi AI akan menyambut sistem ekonomi kolaboratif yang baru. Privasi data manusia dapat terjamin, model data crowdsourcing mendorong kemajuan model AI, banyak sumber daya AI sumber terbuka tersedia untuk digunakan oleh pengguna, dan daya komputasi yang dibagikan dapat diperoleh dengan biaya yang lebih rendah. Dengan memanfaatkan mekanisme crowdsourcing kolaboratif terdesentralisasi dan pasar AI terbuka, sistem distribusi pendapatan yang adil dapat terwujud, sehingga mendorong lebih banyak orang untuk mendorong 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 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 lancar, 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 terutama meneliti 41 proyek di jalur Web3-AI dan membagi proyek-proyek ini ke dalam berbagai lapisan. Logika pembagian setiap lapisan ditunjukkan dalam gambar di bawah ini, termasuk lapisan infrastruktur, lapisan menengah, dan lapisan aplikasi, di mana setiap lapisan dibagi lagi menjadi berbagai sektor. Di 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 verifikasi inferensi 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 daya komputasi, AI Chain, dan platform pengembangan sebagai lapisan infrastruktur. Dukungan dari infrastruktur ini 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 menawarkan pasar daya komputasi terdesentralisasi, di mana pengguna dapat menyewa daya komputasi dengan biaya rendah atau berbagi daya komputasi untuk mendapatkan keuntungan, contohnya adalah proyek 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 dengan cara berbeda untuk mendapatkan keuntungan dengan membeli NFT yang mewakili entitas GPU.
AI Chain: Memanfaatkan blockchain sebagai dasar siklus hidup AI, mewujudkan interaksi sumber daya AI yang mulus di dalam dan di luar rantai, serta mendorong perkembangan ekosistem industri. Pasar AI terdesentralisasi di dalam rantai dapat memperdagangkan aset AI seperti data, model, agen, dan menyediakan kerangka pengembangan AI serta alat pengembangan terkait, dengan proyek-proyek perwakilan seperti Sahara AI. AI Chain juga dapat mempromosikan kemajuan teknologi AI di berbagai bidang, seperti Bittensor yang mendorong kompetisi subnet yang berbeda jenis AI melalui mekanisme insentif subnet yang inovatif.
Platform pengembangan: Beberapa proyek menyediakan platform pengembangan agen AI, dan juga dapat melakukan perdagangan agen AI, seperti Fetch.ai dan ChainML. Alat serba ada membantu pengembang untuk lebih mudah membuat, melatih, dan menerapkan model AI, dengan proyek perwakilan seperti Nimble. Infrastruktur ini mendorong penerapan teknologi AI yang luas dalam ekosistem Web3.
Lapisan tengah:
Tingkat 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 kolaboratif, kita dapat mengoptimalkan pemanfaatan sumber daya dan mengurangi biaya data. Pengguna dapat memiliki otonomi atas data mereka, menjual data mereka dalam keadaan perlindungan privasi, untuk menghindari pencurian data oleh pedagang yang tidak bertanggung jawab dan meraih keuntungan tinggi. Bagi pihak yang membutuhkan data, platform-platform ini menawarkan banyak pilihan dan biaya yang sangat rendah. Proyek-proyek yang mewakili seperti Grass memanfaatkan bandwidth pengguna untuk mengumpulkan data Web, xData mengumpulkan informasi media melalui plugin yang ramah pengguna, dan mendukung pengguna untuk mengunggah informasi tweet.
Selain itu, beberapa platform memungkinkan pakar bidang atau pengguna biasa untuk melakukan tugas pra-pemrosesan data, seperti pelabelan gambar, klasifikasi data, yang mungkin memerlukan penanganan data untuk tugas keuangan dan hukum yang membutuhkan pengetahuan profesional, pengguna dapat men-token-kan keterampilan, untuk mewujudkan kolaborasi crowdsourcing dalam pra-pemrosesan data. Contohnya seperti pasar AI Sahara AI, yang memiliki tugas data dari berbagai bidang, dapat mencakup skenario data multibidang; sedangkan Protokol AIT melakukan pelabelan data melalui kolaborasi manusia-mesin.
Model: Dalam proses pengembangan AI yang disebutkan sebelumnya, berbagai jenis kebutuhan memerlukan 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 adalah RNN, Transformer, dan tentu saja ada beberapa model besar tertentu atau umum. Kedalaman model yang dibutuhkan untuk tugas dengan kompleksitas yang berbeda juga bervariasi, terkadang perlu dilakukan penyesuaian pada model.
Beberapa proyek mendukung pengguna untuk menyediakan berbagai jenis model atau berkolaborasi dalam pelatihan model melalui crowdsourcing, seperti Sentient yang melalui desain modular, memungkinkan pengguna untuk menempatkan data model yang dapat dipercaya di lapisan penyimpanan, lapisan distribusi untuk melakukan optimasi model, alat pengembangan yang disediakan oleh Sahara AI dilengkapi dengan algoritma AI canggih dan kerangka komputasi, serta memiliki kemampuan pelatihan kolaboratif.
Penalaran dan Verifikasi: Setelah model dilatih, ia akan menghasilkan file bobot model yang dapat digunakan untuk klasifikasi, prediksi, atau tugas spesifik lainnya, proses ini disebut penalaran. Proses penalaran biasanya disertai dengan mekanisme verifikasi untuk memverifikasi apakah sumber model penalaran benar, apakah ada perilaku jahat, dan lain-lain. Penalaran Web3 biasanya dapat diintegrasikan ke dalam kontrak pintar, dengan memanggil model untuk melakukan penalaran, cara verifikasi yang umum termasuk teknologi ZKML, OPML, dan TEE. Proyek perwakilan seperti Oracle AI di jaringan ORA (OAO), memperkenalkan OPML sebagai lapisan verifikasi untuk oracle AI, di situs resmi ORA mereka juga menyebutkan penelitian mereka tentang penggabungan ZKML dan opp/ai(ZKML dengan OPML).
Lapisan aplikasi:
Tingkat ini terutama merupakan aplikasi yang langsung ditujukan untuk pengguna, menggabungkan AI dengan Web3, menciptakan lebih banyak permainan yang menarik dan inovatif. Artikel ini terutama merangkum proyek-proyek dalam beberapa bagian, yaitu AIGC( konten yang dihasilkan AI), agen AI, dan analisis data.
AIGC: Melalui AIGC dapat diperluas ke dalam NFT, permainan, dan bidang lainnya di Web3, pengguna dapat langsung menghasilkan teks, gambar, dan audio melalui Prompt( yang diberikan oleh pengguna, bahkan dapat menghasilkan cara bermain yang disesuaikan dengan preferensi mereka dalam permainan. Proyek NFT seperti NFPrompt, pengguna dapat menghasilkan NFT dengan AI untuk diperdagangkan di pasar; permainan seperti Sleepless, pengguna membentuk karakter pasangan virtual melalui percakapan untuk mencocokkan preferensi mereka;
AI Agent: Merujuk pada sistem kecerdasan buatan yang dapat melakukan tugas secara mandiri dan membuat keputusan. AI agent biasanya memiliki kemampuan persepsi, penalaran, pembelajaran, dan tindakan, dan dapat melaksanakan tugas kompleks di berbagai lingkungan. AI agent yang umum termasuk penerjemahan bahasa, pembelajaran bahasa, konversi gambar menjadi teks, dll. Dalam skenario Web3, dapat menghasilkan robot trading, meme, deteksi keamanan di blockchain, dll. MyShell sebagai platform AI agent, menyediakan berbagai jenis agen, termasuk pembelajaran pendidikan, pasangan virtual, agen trading, dll., dan menyediakan alat pengembangan agen yang ramah pengguna, tanpa perlu kode untuk membangun agen Anda sendiri.
Analisis data: Dengan mengintegrasikan teknologi AI dan basis data dari bidang terkait, untuk melaksanakan analisis, penilaian, prediksi, dll., di Web3, dapat membantu pengguna dalam melakukan penilaian investasi melalui analisis data pasar, dinamika uang cerdas, dll. Prediksi token juga merupakan skenario aplikasi unik di Web3, mewakili proyek seperti Ocean, yang telah ditetapkan secara resmi.
Lihat Asli
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.
12 Suka
Hadiah
12
5
Bagikan
Komentar
0/400
MeaninglessGwei
· 16jam yang lalu
Datang lagi dengan AI, menyebalkan!
Lihat AsliBalas0
BearMarketMonk
· 08-06 05:05
Ekosistem setidaknya 6 digit kecil, kan?
Lihat AsliBalas0
LayerHopper
· 08-06 04:56
Sekali lagi adalah AI Kuda
Lihat AsliBalas0
FarmToRiches
· 08-06 04:36
Dianggap Bodoh narasi baru telah tiba
Lihat AsliBalas0
MoonlightGamer
· 08-06 04:36
Cocok? Hanya jebakan untuk memanfaatkan popularitas AI~
Web3-AI Jalur Pemandangan: Logika Teknologi, Skenario Aplikasi dan Analisis Mendalam Proyek-Proyek Teratas
Laporan Panorama Web3-AI: Analisis Mendalam tentang Logika Teknologi, Aplikasi Skenario, dan Proyek-Proyek Teratas
Dengan meningkatnya minat terhadap narasi AI, semakin banyak perhatian tertuju pada jalur ini. Artikel ini menganalisis secara mendalam logika teknis, skenario aplikasi, dan proyek-proyek perwakilan di jalur Web3-AI, untuk memberikan gambaran menyeluruh tentang bidang ini dan tren perkembangannya.
Satu, Web3-AI: Analisis Logika Teknologi dan Peluang Pasar Baru
1.1 Logika Integrasi Web3 dan AI: Bagaimana Menentukan Jalur Web-AI
Dalam setahun terakhir, narasi AI sangat populer di industri Web3, dengan proyek-proyek AI bermunculan seperti jamur setelah hujan. Meskipun banyak proyek yang melibatkan teknologi AI, beberapa proyek hanya menggunakan AI di bagian tertentu dari produk mereka, dan ekonomi token yang mendasarinya tidak memiliki hubungan substansial dengan produk AI, oleh karena itu proyek semacam ini tidak termasuk dalam diskusi proyek Web3-AI dalam artikel ini.
Teks ini berfokus pada proyek-proyek yang menggunakan blockchain untuk menyelesaikan masalah hubungan produksi dan AI untuk menyelesaikan masalah produktivitas. Proyek-proyek ini sendiri menyediakan produk AI, sekaligus berdasarkan model ekonomi Web3 sebagai alat hubungan produksi, keduanya saling melengkapi. Kami mengklasifikasikan jenis proyek ini sebagai jalur Web3-AI. Untuk membantu pembaca memahami jalur Web3-AI dengan lebih baik, teks ini akan memperkenalkan proses pengembangan AI dan tantangan, serta bagaimana kombinasi Web3 dan AI dapat menyelesaikan masalah dan menciptakan skenario aplikasi baru dengan sempurna.
1.2 Proses pengembangan AI dan tantangannya: 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 terjemahan bahasa, pengklasifikasian 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 pra-pemrosesan 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 kategori ( kucing atau anjing ) untuk setiap gambar, pastikan labelnya akurat. Ubah gambar menjadi format yang dapat dikenali oleh model, bagi dataset menjadi set pelatihan, set validasi, dan set pengujian.
Pemilihan dan Penyesuaian Model: Memilih model yang sesuai, seperti jaringan saraf konvolusional (CNN), lebih cocok untuk tugas klasifikasi gambar. Sesuaikan parameter atau arsitektur model sesuai 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: Anda dapat menggunakan GPU, TPU, atau kluster komputasi berkinerja tinggi untuk melatih model, 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 sudah dilatih untuk memprediksi atau mengklasifikasikan data baru. Dalam proses ini, dapat menggunakan set uji atau data baru untuk menguji efektivitas klasifikasi model, biasanya menggunakan akurasi, recall, F1-score, dan metrik lainnya untuk mengevaluasi efektivitas model.
Namun, proses pengembangan AI 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.
Sumber data diambil: Tim kecil atau individu yang mendapatkan data di bidang tertentu ( seperti data medis ), mungkin menghadapi batasan data yang tidak open source.
Pemilihan dan penyesuaian model: Bagi tim kecil, sulit untuk mendapatkan sumber daya model khusus atau mengeluarkan biaya besar untuk penyesuaian model.
Perolehan daya komputasi: Bagi pengembang individu dan tim kecil, biaya pembelian GPU yang tinggi dan biaya sewa daya komputasi awan dapat menjadi beban ekonomi yang signifikan.
Pendapatan aset AI: Pekerja penandaan data seringkali tidak dapat memperoleh pendapatan yang sepadan dengan upaya mereka, sementara hasil penelitian pengembang AI juga sulit untuk dicocokkan dengan pembeli yang membutuhkan.
Tantangan yang ada dalam skenario AI terpusat dapat diatasi melalui kombinasi dengan Web3, di mana Web3 sebagai 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 memperkuat kedaulatan pengguna, menyediakan platform kolaborasi AI yang terbuka untuk pengguna, sehingga pengguna beralih dari pengguna AI di era Web2 menjadi peserta, 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 inovatif dan cara bermain.
Berdasarkan teknologi Web3, pengembangan dan aplikasi AI akan menyambut sistem ekonomi kolaboratif yang baru. Privasi data manusia dapat terjamin, model data crowdsourcing mendorong kemajuan model AI, banyak sumber daya AI sumber terbuka tersedia untuk digunakan oleh pengguna, dan daya komputasi yang dibagikan dapat diperoleh dengan biaya yang lebih rendah. Dengan memanfaatkan mekanisme crowdsourcing kolaboratif terdesentralisasi dan pasar AI terbuka, sistem distribusi pendapatan yang adil dapat terwujud, sehingga mendorong lebih banyak orang untuk mendorong 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 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 lancar, 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 terutama meneliti 41 proyek di jalur Web3-AI dan membagi proyek-proyek ini ke dalam berbagai lapisan. Logika pembagian setiap lapisan ditunjukkan dalam gambar di bawah ini, termasuk lapisan infrastruktur, lapisan menengah, dan lapisan aplikasi, di mana setiap lapisan dibagi lagi menjadi berbagai sektor. Di 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 verifikasi inferensi 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 daya komputasi, AI Chain, dan platform pengembangan sebagai lapisan infrastruktur. Dukungan dari infrastruktur ini 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 menawarkan pasar daya komputasi terdesentralisasi, di mana pengguna dapat menyewa daya komputasi dengan biaya rendah atau berbagi daya komputasi untuk mendapatkan keuntungan, contohnya adalah proyek 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 dengan cara berbeda untuk mendapatkan keuntungan dengan membeli NFT yang mewakili entitas GPU.
AI Chain: Memanfaatkan blockchain sebagai dasar siklus hidup AI, mewujudkan interaksi sumber daya AI yang mulus di dalam dan di luar rantai, serta mendorong perkembangan ekosistem industri. Pasar AI terdesentralisasi di dalam rantai dapat memperdagangkan aset AI seperti data, model, agen, dan menyediakan kerangka pengembangan AI serta alat pengembangan terkait, dengan proyek-proyek perwakilan seperti Sahara AI. AI Chain juga dapat mempromosikan kemajuan teknologi AI di berbagai bidang, seperti Bittensor yang mendorong kompetisi subnet yang berbeda jenis AI melalui mekanisme insentif subnet yang inovatif.
Platform pengembangan: Beberapa proyek menyediakan platform pengembangan agen AI, dan juga dapat melakukan perdagangan agen AI, seperti Fetch.ai dan ChainML. Alat serba ada membantu pengembang untuk lebih mudah membuat, melatih, dan menerapkan model AI, dengan proyek perwakilan seperti Nimble. Infrastruktur ini mendorong penerapan teknologi AI yang luas dalam ekosistem Web3.
Lapisan tengah:
Tingkat ini melibatkan data AI, model, serta inferensi dan verifikasi, menggunakan teknologi Web3 dapat mencapai efisiensi kerja yang lebih tinggi.
Selain itu, beberapa platform memungkinkan pakar bidang atau pengguna biasa untuk melakukan tugas pra-pemrosesan data, seperti pelabelan gambar, klasifikasi data, yang mungkin memerlukan penanganan data untuk tugas keuangan dan hukum yang membutuhkan pengetahuan profesional, pengguna dapat men-token-kan keterampilan, untuk mewujudkan kolaborasi crowdsourcing dalam pra-pemrosesan data. Contohnya seperti pasar AI Sahara AI, yang memiliki tugas data dari berbagai bidang, dapat mencakup skenario data multibidang; sedangkan Protokol AIT melakukan pelabelan data melalui kolaborasi manusia-mesin.
Beberapa proyek mendukung pengguna untuk menyediakan berbagai jenis model atau berkolaborasi dalam pelatihan model melalui crowdsourcing, seperti Sentient yang melalui desain modular, memungkinkan pengguna untuk menempatkan data model yang dapat dipercaya di lapisan penyimpanan, lapisan distribusi untuk melakukan optimasi model, alat pengembangan yang disediakan oleh Sahara AI dilengkapi dengan algoritma AI canggih dan kerangka komputasi, serta memiliki kemampuan pelatihan kolaboratif.
Lapisan aplikasi:
Tingkat ini terutama merupakan aplikasi yang langsung ditujukan untuk pengguna, menggabungkan AI dengan Web3, menciptakan lebih banyak permainan yang menarik dan inovatif. Artikel ini terutama merangkum proyek-proyek dalam beberapa bagian, yaitu AIGC( konten yang dihasilkan AI), agen AI, dan analisis data.
AIGC: Melalui AIGC dapat diperluas ke dalam NFT, permainan, dan bidang lainnya di Web3, pengguna dapat langsung menghasilkan teks, gambar, dan audio melalui Prompt( yang diberikan oleh pengguna, bahkan dapat menghasilkan cara bermain yang disesuaikan dengan preferensi mereka dalam permainan. Proyek NFT seperti NFPrompt, pengguna dapat menghasilkan NFT dengan AI untuk diperdagangkan di pasar; permainan seperti Sleepless, pengguna membentuk karakter pasangan virtual melalui percakapan untuk mencocokkan preferensi mereka;
AI Agent: Merujuk pada sistem kecerdasan buatan yang dapat melakukan tugas secara mandiri dan membuat keputusan. AI agent biasanya memiliki kemampuan persepsi, penalaran, pembelajaran, dan tindakan, dan dapat melaksanakan tugas kompleks di berbagai lingkungan. AI agent yang umum termasuk penerjemahan bahasa, pembelajaran bahasa, konversi gambar menjadi teks, dll. Dalam skenario Web3, dapat menghasilkan robot trading, meme, deteksi keamanan di blockchain, dll. MyShell sebagai platform AI agent, menyediakan berbagai jenis agen, termasuk pembelajaran pendidikan, pasangan virtual, agen trading, dll., dan menyediakan alat pengembangan agen yang ramah pengguna, tanpa perlu kode untuk membangun agen Anda sendiri.
Analisis data: Dengan mengintegrasikan teknologi AI dan basis data dari bidang terkait, untuk melaksanakan analisis, penilaian, prediksi, dll., di Web3, dapat membantu pengguna dalam melakukan penilaian investasi melalui analisis data pasar, dinamika uang cerdas, dll. Prediksi token juga merupakan skenario aplikasi unik di Web3, mewakili proyek seperti Ocean, yang telah ditetapkan secara resmi.