Обзор пейзажа Web3-AI: Глубина технической логики, применение в сценариях и глубокий анализ топовых проектов

С учетом продолжающегося роста интереса к AI-нарративу, все больше внимания уделяется этой области. Проведен глубокий анализ технической логики, сценариев применения и представительных проектов в области Web3-AI, чтобы предоставить вам полное представление о панораме и тенденциях развития этой сферы.

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

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

За последний год AI-нарратив стал необычайно популярным в индустрии Web3, и AI-проекты появлялись как грибы после дождя. Хотя существует много проектов, связанных с технологиями AI, некоторые из них используют AI только в определенных частях своих продуктов, и базовая токеномика не имеет существенной связи с продуктами AI, поэтому такие проекты не будут обсуждаться в данной статье как проекты Web3-AI.

Основное внимание в статье уделяется проектам, которые используют блокчейн для решения проблем производственных отношений и AI для решения проблем производительных сил. Эти проекты сами по себе предлагают AI-продукты и основаны на экономической модели Web3 в качестве инструмента производственных отношений, что взаимодополняет друг друга. Мы классифицируем такие проекты как трек Web3-AI. Чтобы читатели лучше поняли трек Web3-AI, будет представлено описание процесса разработки AI и вызовов, а также того, как сочетание Web3 и AI может идеально решать проблемы и создавать 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 то, как мы живем и работаем.

Процесс разработки модели искусственного интеллекта обычно включает в себя несколько ключевых этапов: сбор данных и предварительная обработка данных, выбор и настройка модели, обучение модели и вывод. Приведем простой пример: чтобы разработать модель для классификации изображений кошек и собак, вам необходимо:

1. Сбор данных и предварительная обработка данных: соберите набор данных с изображениями кошек и собак, можно использовать открытые наборы данных или самостоятельно собрать реальные данные. Затем для каждого изображения укажите категорию (кошка или собака), убедитесь, что метки точные. Преобразуйте изображения в формат, который может распознавать модель, разделите набор данных на обучающую выборку, валидационную выборку и тестовую выборку.

2. Выбор и настройка модели: выберите подходящую модель, например, сверточную нейронную сеть (CNN), которая подходит для задач классификации изображений. Настройте параметры или архитектуру модели в соответствии с различными требованиями; как правило, уровни сети модели можно регулировать в зависимости от сложности задачи AI. В этом простом примере классификации может быть достаточно более простой сетевой структуры.

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

4. Инференция модели: Файлы с обученной моделью обычно называются весами модели, а процесс инференции относится к использованию уже обученной модели для предсказания 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 вывод обученной модели на тестовом наборе, можно получить предсказанные значения для кошек и собак P (вероятность), то есть вероятность того, что модель определяет объект как кошку или собаку.

Обученные AI-модели могут быть дополнительно интегрированы в различные приложения для выполнения различных задач. В этом примере AI-модель для классификации кошек и собак может быть интегрирована в мобильное приложение, где пользователи загружают фотографии кошек или собак и получают результаты классификации.

Однако в процессе централизованной разработки ИИ существуют некоторые проблемы в следующих сценариях:

Пользовательская конфиденциальность: в централизованных сценариях процесс разработки ИИ обычно является непрозрачным. Данные пользователей могут быть украдены без их ведома и использованы для обучения ИИ.

Получение источников данных: небольшие команды или отдельные лица, пытающиеся получить данные в определенной области (например, медицинские данные), могут столкнуться с ограничениями в доступности данных с открытым исходным кодом.

Выбор и оптимизация модели: для небольших команд трудно получить ресурсы модели в определенной области или потратить значительные средства на оптимизацию модели.

Получение вычислительной мощности: для индивидуальных разработчиков и небольших команд высокая стоимость покупки GPU и аренды облачной вычислительной мощности могут стать значительным финансовым бременем.

AI активы доход: работники по аннотации данных часто не могут получить доход, соответствующий их усилиям, а результаты исследований разработчиков AI также трудно сопоставить с покупателями, которые имеют спрос.

Вызовы, существующие в централизованных AI-сценариях, могут быть преодолены через интеграцию с Web3. Web3, как новая форма производственных отношений, естественно подходит для представления нового производительного потенциала AI, способствуя одновременному прогрессу технологий и производственных возможностей.

1.3 Взаимодействие Web3 и ИИ: изменения ролей и инновационные приложения

Сочетание Web3 и ИИ может усилить суверенитет пользователей, предоставив им открытую платформу для сотрудничества с ИИ, позволяя пользователям перейти от использования ИИ в эпоху Web2 к участию, создавая ИИ, принадлежащий всем. В то же время интеграция мира Web3 и технологий ИИ может привести к появлению большего количества инновационных приложений и способов использования.

На основе технологий Web3 разработка и применение ИИ вступят в совершенно новую систему кооперативной экономики. Приватность данных людей будет защищена, модель краудсорсинга данных будет способствовать прогрессу моделей ИИ, множество открытых ресурсов ИИ будет доступно для пользователей, а общая вычислительная мощность сможет быть получена по более низкой цене. Благодаря децентрализованной кооперативной краудсорсинговой механике и открытому рынку ИИ можно реализовать справедливую систему распределения доходов, которая будет стимулировать больше людей к продвижению прогресса технологий ИИ.

В сценарии Web3 ИИ может оказать положительное влияние в различных областях. Например, модели ИИ могут быть интегрированы в смарт-контракты, повышая рабочую эффективность в различных приложениях, таких как рыночный анализ, безопасность, социальная кластеризация и многие другие функции. Генеративный ИИ не только позволяет пользователям почувствовать себя "художниками", например, создавая свои собственные NFT с помощью технологий ИИ, но и создает разнообразные игровые сценарии и интересные взаимодействия в GameFi. Развёрнутая инфраструктура обеспечивает плавный процесс разработки, позволяя как экспертам в области ИИ, так и новичкам, желающим войти в мир ИИ, найти подходящий вход.

Два, Интерпретация 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, включая уровень инфраструктуры, промежуточный уровень и уровень приложений, каждый из которых делится на разные секции. В следующей главе мы проведем глубокий анализ некоторых репрезентативных проектов.

Инфраструктурный уровень охватывает вычислительные ресурсы и технологическую архитектуру, поддерживающие весь жизненный цикл ИИ, промежуточный уровень включает управление данными, разработку моделей и услуги по верификации и выводу, соединяющие инфраструктуру и приложения, а 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 поддержка этой инфраструктуры позволяет осуществлять обучение и вывод ИИ моделей, а также предоставлять пользователям 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 арендуя мощности по низкой цене или делясь мощностями получать доход, такие проекты как IO.NET и Hyperbolic. Кроме того, некоторые проекты разработали новые способы использования, такие как Compute Labs, предложившие токенизированный протокол, позволяющий пользователям приобретать NFT, представляющие физические GPU, и участвовать в аренде вычислительных мощностей разными способами для получения дохода.

• AI Chain: Использование блокчейна в качестве основы для жизненного цикла ИИ, чтобы обеспечить бесшовное взаимодействие ресурсов ИИ на блокчейне и вне его, способствуя развитию экосистемы отрасли. Децентрализованный рынок ИИ на блокчейне может торговать активами ИИ, такими как данные, модели, агенты и т. д., а также предоставлять 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 различных типов ИИ с помощью инновационного механизма вознаграждения.

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

Промежуточный слой:

Этот уровень касается данных ИИ, моделей, а также вывода и проверки, 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, благодаря краудсорсингу данных и совместной обработке данных, можно оптимизировать использование ресурсов и снизить затраты на данные. Пользователи могут иметь автономию в отношении данных, продавая свои данные при защите конфиденциальности, чтобы избежать кражи данных недобросовестными компаниями и получения высокой прибыли. Для потребителей данных эти платформы предлагают широкий выбор и очень низкие затраты. Представленные проекты, такие как Grass, используют пропускную способность пользователей для сбора веб-данных, xData собирает медиаинформацию через удобные для пользователя плагины и поддерживает пользователей в загрузке твитов.

Кроме того, некоторые платформы позволяют экспертам в области или обычным пользователям выполнять задачи предварительной обработки данных, такие как аннотирование изображений, классификация данных; эти задачи могут требовать специализированных знаний в области финансов и юридической обработки данных. Пользователи могут токенизировать свои навыки и реализовать совместную краудсорсинг предварительной обработки данных. Представляет собой AI-рынок, такой как Sahara AI, который имеет задачи данных из разных областей и может охватывать многопрофильные сценарии данных; в то время как AIT Protocolt осуществляет аннотирование данных через взаимодействие человека и машины.

• Модель: В процессе разработки ИИ, о котором упоминалось ранее, различные типы требований требуют соответствия подходящей модели. Для задач обработки изображений часто используются такие модели, как CNN и GAN, для задач обнаружения объектов можно выбрать серию Yolo, для текстовых задач часто применяются RNN, Transformer и другие модели, конечно, существуют и некоторые специфические или универсальные большие модели. Модель глубина также различается в зависимости от сложности задачи, иногда требуется настройка модели.

Некоторые проекты поддерживают возможность пользователям предоставлять разные типы моделей или совместно обучать модели методом краудсорсинга, такие как Sentient, который благодаря модульному дизайну позволяет пользователям размещать надежные данные моделей на уровне хранения и распределения для оптимизации моделей, а инструменты разработки, предоставляемые Sahara AI, имеют встроенные современные алгоритмы ИИ и вычислительные фреймворки, 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, правильны ли источники модели вывода и нет ли злоумышленных действий. Вывод в Web3 обычно можно интегрировать в смарт-контракты, вызывая модель для вывода, распространенные методы верификации включают технологии ZKML, OPML и TEE. Примеры проектов, такие как AI-оракул (OAO) на блокчейне ORA, внедрили OPML в качестве проверяемого слоя для AI-оракула, на официальном сайте ORA также упоминается их исследование по ZKML и opp/ai (ZKML в сочетании с OPML).

Прикладной уровень:

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