Панорамный отчет по Web3-AI: глубокий анализ технологической логики, сценарных приложений и топовых проектов Глубина

С учетом продолжающегося повышения интереса к AI-нарративам, все большее внимание сосредоточено на этой области. В данной статье проводится глубокий анализ технологической логики, сценариев применения и представительных проектов в области Web3-AI, что позволяет полностью представить панораму и тенденции развития этой сферы.

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

1.1 Логика融合 Web3 и AI: как определить трек Web-AI

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

Основное внимание в этой 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, при этом основаны на экономической модели Web3 в качестве инструмента производственных отношений, и оба аспекта взаимодополняют друг друга. Мы классифицируем такие проекты как сектор Web3-AI. Чтобы читатели лучше поняли сектор Web3-AI, далее будет представлен процесс разработки AI и вызовы, а также 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 областей применения, ИИ меняет наш образ жизни и работы.

Процесс разработки моделей искусственного интеллекта обычно включает в себя следующие ключевые этапы: сбор данных и предварительная обработка данных, выбор и настройка модели, обучение модели и выводы. Например, чтобы разработать модель для классификации изображений кошек и собак, вам необходимо:

1. Сбор данных и предварительная обработка данных: соберите набор изображений с кошками и собаками, можно использовать открытые наборы данных или самостоятельно собрать реальные данные. Затем для каждого изображения укажите категорию (кошка или собака), убедившись, 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 потребностей; как правило, уровни сети модели можно регулировать в зависимости от сложности задачи ИИ. В этом простом примере классификации может быть достаточно более неглубокой сетевой архитектуры.

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

4. Инференция модели: Файлы, в которых обучена модель, обычно называются весами модели. 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-оценка и т. д.

После сбора данных и предварительной обработки данных, выбора и настройки модели, а также обучения, применение обученной модели к тестовому набору данных даст предсказанные значения P (вероятность) для кошек и собак, то есть вероятность того, что модель определяет объект как кошку или собаку.

Обученные модели ИИ могут быть дополнительно интегрированы 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 сталкивается с некоторыми проблемами в следующих ситуациях:

Конфиденциальность пользователей: в централизованных сценариях процесс разработки ИИ обычно непрозрачный. Данные пользователей могут быть украдены без их ведома и использованы для обучения ИИ.

Получение источника данных: небольшие команды или индивидуумы, при получении данных в определенной области (например, медицинских данных), могут столкнуться с ограничениями на использование закрытых данных.

Выбор и настройка модели: для небольших команд сложно получить ресурсы моделей 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 представлять собой значительное финансовое бремя.

AI активы доход: 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 через интеграцию с Web3. Web3, как новая форма производственных отношений, естественным образом адаптируется к AI, представляющему новые производительные силы, что способствует одновременному прогрессу технологий и производственных возможностей.

1.3 Синергия Web3 и ИИ: изменения ролей и инновационные приложения

Сочетание Web3 и ИИ может усилить суверенитет пользователей, предоставляя открытые платформы для сотрудничества с ИИ, позволяя пользователям перейти от роли пользователей ИИ в эпоху Web2 к участникам, создавая ИИ, которым могут владеть все. В то же время, интеграция мира Web3 и технологий ИИ может привести к возникновению более инновационных сценариев применения и игровых механик.

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

В сценах Web3 ИИ может оказать положительное влияние во многих областях. Например, ИИ модели могут быть интегрированы в смарт-контракты, чтобы повысить рабочую эффективность в различных сценариях применения, таких как рыночный анализ, безопасность, кластеризация в социальных сетях и многих других функций. Генеративный ИИ не только позволяет пользователям испытать себя в роли "художника", создавая свои собственные NFT с помощью ИИ-технологий, но также может создавать богатые и разнообразные игровые сцены и интересные интерактивные опыты в GameFi. Разнообразная инфраструктура обеспечивает плавный опыт разработки, и как эксперты в области ИИ, так и новички, желающие войти в эту область, могут найти подходящий вход в этом мире.

Два. Интерпретация карты и архитектуры экосистемных проектов 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 рисунке ниже, включая уровень инфраструктуры, промежуточный уровень и уровень приложений, каждый из которых также делится на разные сегменты. В следующей главе мы проведем глубокий анализ некоторых представительных проектов.

Инфраструктурный уровень охватывает вычислительные ресурсы и технологическую архитектуру, поддерживающие весь жизненный цикл ИИ, тогда как промежуточный уровень включает в себя 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 уровень является основой жизненного цикла ИИ, в этой статье вычислительная мощность, AI Chain и платформы разработки классифицируются как инфраструктурный уровень. Именно поддержка этих инфраструктур позволяет осуществлять обучение и вывод моделей ИИ, а также представлять пользователям мощные и практичные приложения ИИ.

• Децентрализованная вычислительная сеть: может предоставить распределенные вычислительные мощности для обучения моделей ИИ, обеспечивая эффективное и экономичное использование вычислительных ресурсов. Некоторые проекты предлагают децентрализованный рынок вычислительных мощностей, где пользователи могут арендовать мощности по низкой цене или делиться мощностями для получения прибыли, среди представленных проектов такие как IO.NET и Hyperbolic. Кроме того, некоторые проекты разработали новые способы использования, такие как Compute Labs, которые предложили токенизированный протокол, позволяющий пользователям участвовать в аренде вычислительных мощностей различными способами, покупая NFT, представляющие реальные GPU.

• AI Chain: Использует блокчейн в качестве основы для жизненного цикла ИИ, обеспечивая бесшовное взаимодействие ИИ ресурсов на и вне цепи, способствуя развитию отраслевой экосистемы. Децентрализованный рынок ИИ на цепи позволяет торговать ИИ активами, такими как данные, модели, агенты и т. д., и предоставляет рамки для разработки ИИ и сопутствующие инструменты для разработки, такими как проект Sahara AI. AI Chain также может способствовать прогрессу технологий ИИ в различных областях, таких как Bittensor, который способствует конкуренции субсетей разных типов ИИ через инновационный механизм стимулов для субсетей.

• Платформа разработки: некоторые проекты предлагают платформу разработки AI-агентов, а также могут реализовывать торговлю AI-агентами, такие как Fetch.ai и ChainML. Универсальные инструменты помогают разработчикам удобнее создавать, обучать и разворачивать AI-модели, такие как Nimble. Эта инфраструктура способствует широкому применению технологий AI в экосистеме Web3.

Посреднический уровень:

Этот уровень включает данные AI, модели, а также вывод и проверку, использование технологий Web3 может обеспечить более высокую производительность.

• Данные: Качество и количество данных являются ключевыми факторами, влияющими на эффективность обучения модели. В мире Web3, с помощью краудсорсинговых данных и кооперативной обработки данных, можно оптимизировать использование ресурсов и снизить затраты на данные. Пользователи могут иметь право собственности на данные, продавая свои данные при защите конфиденциальности, чтобы избежать кражи данных недобросовестными продавцами 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 веб-данных, xData собирает медиаинформацию через удобные для пользователя плагины и поддерживает загрузку пользователями информации о твитах.

Кроме того, некоторые платформы позволяют экспертам в области или обычным пользователям выполнять задачи предобработки данных, такие как аннотирование изображений и классификация данных, которые могут требовать специализированных знаний для обработки финансовых и юридических данных. Пользователи могут токенизировать свои навыки, чтобы реализовать совместную краудсорсинг предобработки данных. На рынке ИИ, таком как Sahara AI, представлены задачи данных из различных областей, которые могут охватывать сценарии данных в нескольких областях; в то время как AIT Protocolt осуществляет аннотирование данных с помощью человеческо-машинного взаимодействия.

• Модель: В процессе разработки ИИ, упомянутом ранее, различные типы требований требуют соответствующей 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 общие большие модели. Модель Глубина, необходимая для задач различной сложности, также различна, иногда требуется настройка модели.

Некоторые проекты поддерживают пользователей в предоставлении различных типов моделей или в совместном обучении моделей через краудсорсинг. Например, Sentient с помощью модульного дизайна позволяет пользователям размещать надежные данные моделей на уровне хранения и распределения для оптимизации моделей. Инструменты разработки, предоставляемые Sahara AI, включают в себя передовые алгоритмы ИИ и вычислительные фреймворки, а также обладают возможностями совместного обучения.

• Вывод и верификация: после обучения модель генерирует файл весов модели, который можно использовать для прямой классификации, прогнозирования или других специфических задач, этот процесс называется выводом. Процесс вывода обычно сопровождается механизмом верификации, чтобы проверить, корректен ли источник выводной модели, нет ли злонамеренных действий и т.д. 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 на ORA (OAO), внедрили OPML в качестве проверяемого слоя для 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, непосредственно ориентированные на пользователей, которые объединяют ИИ и Web3, создавая более интересные и инновационные способы взаимодействия. В статье в основном рассматриваются проекты в таких областях, как AIGC (контент, генерируемый ИИ), AI-агенты и анализ данных.

• AIGC: С помощью AIGC можно расшириться на такие сегменты Web3, как NFT, игры и другие, пользователи могут напрямую генерировать текст, изображения и аудио через Prompt (подсказки, предоставленные пользователем), а также создавать контент в играх в соответствии со своими предпочтениями.