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

С ростом популярности AI-нарративов внимание все больше сосредотачивается на этой области. Проведен глубокий анализ технической логики, сценариев применения и представительных проектов в области Web3-AI, чтобы представить вам полную картину и тенденции развития этой сферы.

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

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

В течение прошлого года AI-нарратив был необычайно популярен в индустрии Web3, и AI-проекты возникали как грибы после дождя. Хотя многие проекты связаны с AI-технологиями, некоторые из них используют AI лишь в отдельных частях своих продуктов, и базовая токеномика не имеет существенной связи с AI-продуктами, поэтому такие проекты не будут обсуждаться в рамках Web3-AI в данной статье.

Основное внимание в данной статье уделяется проектам, которые используют блокчейн для решения проблем производственных отношений и ИИ для решения проблем производительных сил. Эти проекты сами по себе предлагают ИИ-продукты и одновременно основаны на экономической модели Web3, выступающей в качестве инструмента производственных отношений, что делает их взаимодополняемыми. Мы классифицируем такие проекты как Web3-AI трек. Чтобы читатели лучше поняли трек Web3-AI, мы подробно рассмотрим процесс разработки ИИ и его вызовы, а также то, как сочетание Web3 и ИИ может идеально решить проблемы и создать 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 усиливать человеческий интеллект. Она позволяет компьютерам выполнять различные сложные задачи, от перевода языков, классификации изображений до распознавания лиц и автономного вождения. ИИ меняет способ, которым мы живем и работаем.

Процесс разработки моделей искусственного интеллекта обычно включает в себя несколько ключевых шагов: сбор данных и предобработка данных, выбор и настройка модели, обучение модели и вывод. Например, чтобы разработать модель для классификации изображений кошек и собак, вам нужно:

1. Сбор данных и предварительная обработка данных: соберите набор изображений, содержащий котов и собак, можно использовать открытые наборы данных или собрать реальные данные самостоятельно. Затем отметьте категорию для каждого изображения (кот или собака), убедитесь, что метки точны. Преобразуйте изображения в формат, который может распознавать модель, разделите набор данных на обучающий набор, валидационный набор и тестовый набор.

2. Выбор и настройка модели: выберите подходящую модель, например, сверточную нейронную сеть (CNN), которая лучше всего подходит для задач классификации изображений. Настройте параметры или архитектуру модели в зависимости от различных требований; как правило, уровни сети модели могут быть изменены в зависимости от сложности задачи ИИ. В этом простом примере классификации более простая сеть может быть достаточной.

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

4. Инференция модели: файлы с обученной моделью обычно называются весами модели, процесс инференции относится к использованию уже обученной модели для прогнозирования или классификации новых данных. В этом процессе можно использовать тестовый набор или новые данные для проверки классификационной эффективности модели, обычно для оценки эффективности модели используются такие показатели, как точность, полнота, F1-меры и т.д.

Как показано на рисунке, после сбора данных и предобработки данных, выбора и настройки модели, а также обучения, проведя инференс обученной модели на тестовом наборе, можно получить предсказанные значения для кошек и собак P (вероятность), т.е. вероятность того, что модель определит объект как кошку или собаку.

Обученная модель ИИ может быть дополнительно интегрирована 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:

Пользовательская конфиденциальность: 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 отдельные лица, получая данные в определенной области (например, медицинские данные), могут столкнуться с ограничениями, связанными с отсутствием открытого доступа к данным.

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

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

AI активы доход: работники по разметке 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 производственная связь, естественно адаптируется к AI, представляющему собой новую производительную силу, что способствует одновременному прогрессу технологий и производственных возможностей.

1.3 Взаимосвязь Web3 и ИИ: изменение ролей и инновационные приложения

Сочетание Web3 и ИИ может усилить суверенитет пользователей, предоставляя им открытую платформу для сотрудничества в области ИИ, позволяя пользователям перейти от роли потребителей ИИ в эпоху Web2 к участникам, создавая ИИ, которым могут владеть все. В то же время, интеграция мира Web3 и технологий ИИ может породить больше инновационных сценариев применения и способов взаимодействия.

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 ИИ-моделей, множество открытых ресурсов ИИ будет доступно для пользователей, а совместные вычислительные мощности можно будет получить по более низкой цене. С помощью децентрализованной механики кооперативного краудсорсинга и открытого ИИ-рынка можно добиться справедливой системы распределения доходов, что, в свою очередь, будет стимулировать больше людей к продвижению прогресса технологий ИИ.

В сценах Web3 ИИ может оказать позитивное влияние в нескольких областях. Например, ИИ модели могут быть интегрированы в смарт-контракты, чтобы повысить эффективность работы в различных приложениях, таких как рыночный анализ, безопасность, социальная кластеризация и многие другие функции. Генеративный ИИ не только позволяет пользователям испытывать роль "художника", например, создавая свои собственные NFT с помощью ИИ технологий, но также может создавать разнообразные игровые сцены и интересные взаимодействия в играх. Богатая инфраструктура предоставляет плавный опыт разработки, независимо от того, является ли человек экспертом в ИИ или новичком, желающим войти в область ИИ, каждый может найти подходящий вход в этот мир.

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 деления каждого уровня показана на рисунке ниже, включая уровень инфраструктуры, промежуточный уровень и уровень приложений, каждый из которых дополнительно делится на разные сегменты. В следующей главе мы проведем глубокий анализ некоторых знаковых проектов.

Уровень инфраструктуры охватывает вычислительные ресурсы и технологическую архитектуру, поддерживающие весь жизненный цикл ИИ, в то время как промежуточный уровень включает в себя управление данными, разработку моделей и услуги валидации и вывода, соединяющие инфраструктуру с приложениями. Уровень приложений сосредоточен на различных приложениях и решениях, непосредственно ориентированных на пользователей.

Инфраструктурный уровень:

Инфраструктурный уровень является основой жизненного цикла ИИ, в этой статье вычислительная мощность, AI Chain и платформы разработки классифицируются как инфраструктурный уровень. Именно благодаря поддержке этой инфраструктуры возможно обучение и вывод моделей ИИ, а также представление пользователям мощных и практичных приложений 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 вычислительные мощности по низкой цене или делиться вычислительными мощностями для получения дохода, примеры таких проектов включают IO.NET и Hyperbolic. Кроме того, некоторые проекты разработали новые игровые механики, такие как Compute Labs, которые предложили токенизированный протокол, позволяя пользователям участвовать в аренде вычислительных мощностей для получения дохода, покупая NFT, представляющие физические GPU.

• AI Chain: Использование блокчейна в качестве основы для жизненного цикла ИИ, осуществление бесшовной взаимосвязи ресурсов ИИ на цепочке и вне ее, содействуя развитию отраслевой экосистемы. Децентрализованный рынок ИИ на цепочке позволяет торговать активами ИИ, такими как данные, модели, агенты и др., и предоставляет рамки для разработки ИИ и сопутствующие инструменты разработки, такими как проект Sahara AI. AI Chain также может способствовать прогрессу технологий ИИ в различных областях, например, Bittensor с помощью инновационного механизма стимулов подсетей для содействия конкуренции между различными типами подсетей ИИ.

• Платформа разработки: некоторые проекты предлагают платформу для разработки AI-агентов, а также возможность торговли AI-агентами, такие как Fetch.ai и ChainML. Универсальные инструменты помогают разработчикам более удобно создавать, обучать и развертывать AI-модели, примеры проектов включают Nimble. Эта инфраструктура способствует широкому применению технологий AI в экосистеме Web3.

Посреднический слой:

Этот уровень касается данных AI, моделей, а также вывода и проверки, и использование технологий Web3 может достичь более высокой рабочей эффективности.

• 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 иметь автономию над своими данными, продавая свои данные при защите конфиденциальности, чтобы избежать кражи данных недобросовестными бизнесменами и получения высокой прибыли. Для потребителей данных такие платформы предлагают широкий выбор и очень низкие затраты. Примеры проектов, таких как Grass, используют пропускную способность пользователей для сбора данных из сети, 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, которые могут требовать специализированных знаний для обработки финансовых и юридических данных, пользователи могут токенизировать свои навыки, чтобы реализовать совместное краудсорсинг предварительной обработки данных. Примером является рынок AI, такой как Sahara AI, который предлагает задачи данных в различных областях 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, о котором упоминалось ранее, разные типы требований требуют подбора подходящей модели. Для задач обработки изображений часто используются модели, такие как CNN, GAN, для задач обнаружения объектов можно выбрать серию Yolo, для текстовых задач распространены модели RNN, Transformer и другие, конечно, также есть некоторые специфические или универсальные большие модели. Модели глубины, необходимые для задач с различной сложностью, также различаются, иногда требуется настройка 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 помещать надежные данные моделей на уровень хранения и уровень распределения для оптимизации моделей, а инструменты разработки, предоставляемые Sahara AI, имеют встроенные современные AI алгоритмы и вычислительные фреймворки, а также возможность совместной тренировки.

• Вывод и верификация: После обучения модель генерирует файлы весов модели, которые можно использовать для прямой классификации, прогнозирования или выполнения других специфических задач, этот процесс называется выводом. Процесс вывода обычно сопровождается механизмом верификации, чтобы проверить, является ли источник выводной модели правильным, есть ли злонамеренные действия и т.д. Вывод Web3 обычно может быть интегрирован в смарт-контракты, путем вызова модели для вывода, распространенные методы верификации включают технологии ZKML, OPML и TEE. Представленные проекты, 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).

Уровень приложения:

Этот уровень в основном представляет собой приложения, ориентированные непосредственно на пользователей, которые объединяют ИИ с Web3, создавая больше интересного и инновационного.