Обзор сектора Web3-AI: Глубина технической логики, сценарные применения и глубокий анализ топовых проектов

С продолжающимся ростом интереса к AI-нарративам все больше внимания уделяется этой области. Мы глубоко проанализировали технологическую логику, сценарии применения и ключевые проекты в области Web3-AI, чтобы全面 представить вам панораму и тенденции развития в этой сфере.

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

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

В течение прошлого года AI-нарратив стал чрезвычайно популярным в индустрии Web3, и AI-проекты стали появляться как грибы после дождя. Хотя существует много проектов, связанных с AI-технологиями, некоторые из них используют AI только в определенных частях своих продуктов, и базовая токеномика не имеет существенной связи с AI-продуктами, поэтому такие проекты не будут обсуждаться в данной статье о Web3-AI проектах.

Основное внимание в данной статье уделяется проектам, использующим блокчейн для решения проблем производственных отношений и ИИ для решения проблем производительности. Эти проекты сами предлагают ИИ-продукты и основаны на экономической модели Web3 в качестве инструмента производственных отношений, что дополняет друг друга. Мы классифицируем такие проекты как трек Web3-AI. Для лучшего понимания трека Web3-AI мы подробно рассмотрим процесс разработки ИИ и вызовы, а также то, как сочетание Web3 и ИИ идеально решает проблемы и создает новые сценарии применения.

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

AI технологии — это технологии, позволяющие компьютерам имитировать, расширять и улучшать человеческий интеллект. Они позволяют компьютерам выполнять различные сложные задачи, от перевода языков, классификации изображений до распознавания лиц, автономного вождения и других приложений, AI меняет то, как мы живем и работаем.

Процесс разработки моделей искусственного интеллекта обычно включает в себя несколько ключевых этапов: сбор данных и предварительная обработка данных, выбор и настройка модели, обучение модели и вывод. Например, если вы хотите разработать модель для классификации изображений кошек и собак, вам потребуется:

1. Сбор данных и предварительная обработка данных: соберите набор изображений, содержащий кошек и собак, используя открытые наборы данных или собрав реальные данные самостоятельно. Затем пометьте каждое изображение по категориям (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 и настройка модели: выберите подходящую модель, такую как сверточные нейронные сети (CNN), которые подходят 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 мелкой сетевой структуры.

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: 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-метрика и т.д.

Как показано на рисунке, после сбора данных и предварительной обработки данных, выбора и настройки модели, а также обучения, вывод обученной модели на тестовом наборе данных даст предсказанные значения для кошек и собак P (вероятность), то есть вероятность того, что модель определяет 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 фотографии кошек или собак и получают результаты классификации.

Однако в процессе централизованной разработки ИИ имеются 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 данных из источника: Небольшие команды или отдельные лица, получающие данные в определенной области (например, медицинские данные), могут столкнуться с ограничениями на открытость данных.

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

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

Доход от активов AI: Работники по маркировке данных часто не могут получить доход, соответствующий их усилиям, а результаты исследований разработчиков AI также трудно сопоставить с покупателями, имеющими спрос.

Вызовы, существующие в централизованных AI-сценариях, могут быть преодолены за счет сочетания с Web3. Web3, как новая форма производственных отношений, естественным образом адаптируется к AI, представляющему новую производственную силу, 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, предоставив им открытую платформу для сотрудничества в области ИИ, позволяя пользователям перейти от роли пользователей ИИ в эпоху Web2 к участникам, создавая ИИ, которым может владеть каждый. В то же время, интеграция мира Web3 и технологий ИИ может привести к возникновению большего количества инновационных приложений и игровых сценариев.

На основе технологий Web3 разработка и применение ИИ вступят в совершенно новую экономическую систему сотрудничества. Конфиденциальность данных людей будет защищена, модели ИИ будут продвигаться за счет краудсорсинга данных, множество открытых ресурсов ИИ будет доступно для пользователей, а совместно используемые вычислительные мощности можно будет получить по низкой цене. С помощью децентрализованной механики краудсорсинга и открытого ИИ-рынка можно реализовать справедливую систему распределения доходов, что будет стимулировать больше людей к продвижению технологий ИИ.

В сцене Web3 ИИ может оказывать положительное влияние в нескольких областях. Например, модели ИИ 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 испытать роль "художника", создавая свои собственные NFT с использованием технологий ИИ, но также может создавать разнообразные игровые сцены и интересные интерактивные опыты в GameFi. Обширная инфраструктура обеспечивает плавный опыт разработки, и как эксперты в области ИИ, так и новички, желающие войти в сферу ИИ, могут найти подходящий вход в этот мир.

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 следующем рисунке, включая уровень инфраструктуры, промежуточный уровень и уровень приложений, каждый из которых также делится на различные секции. В следующей главе мы проведем глубокий анализ некоторых репрезентативных проектов.

Инфраструктурный уровень охватывает вычислительные ресурсы и технологическую архитектуру, поддерживающие весь жизненный цикл ИИ, уровень посредника включает управление данными, разработку моделей и услуги верификации и вывода, а прикладной уровень сосредоточен на различных приложениях и решениях, ориентированных на пользователей.

Инфраструктурный уровень:

Инфраструктурный уровень является основой жизненного цикла ИИ, в этой статье вычислительные мощности, AI Chain и платформы разработки классифицируются как инфраструктурный уровень. Именно благодаря поддержке этой инфраструктуры становится возможным обучение и вывод AI моделей, а также представление мощных и практичных AI приложений пользователям.

• Децентрализованная вычислительная сеть: может предоставить распределенные вычислительные мощности для обучения AI моделей, обеспечивая эффективное и экономичное использование вычислительных ресурсов. Некоторые проекты предлагают децентрализованный рынок вычислительной мощности, где пользователи могут арендовать вычислительную мощность по низкой цене или делиться вычислительной мощностью для получения прибыли, такие проекты, как IO.NET и Hyperbolic. Кроме того, некоторые проекты разработали новые подходы, такие как Compute Labs, которые предложили токенизированный протокол, позволяющий пользователям участвовать в аренде вычислительной мощности различными способами через покупку NFT, представляющих физические GPU.

• AI Chain: Использует блокчейн в качестве основы для жизненного цикла ИИ, обеспечивая бесшовное взаимодействие ресурсов ИИ на блокчейне и вне его, способствуя развитию отраслевой экосистемы. Децентрализованный рынок ИИ на блокчейне может торговать активами ИИ, такими как данные, модели, агенты и т.д., а также предоставлять фреймворки для разработки ИИ и сопутствующие инструменты для разработки, такие как проект 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 стимулов для подсетей.

• Платформа разработки: некоторые проекты предлагают платформы для разработки AI-агентов, а также способны осуществлять сделки с AI-агентами, такие как Fetch.ai и ChainML. Универсальные инструменты помогают разработчикам более удобно создавать, обучать и развертывать AI-модели, такими проектами является Nimble. Эта инфраструктура способствовала широкому применению технологий AI в экосистеме Web3.

Промежуточный уровень:

Этот уровень включает в себя данные AI, модели, а также вывод и валидацию, 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 краудсорсинговым данным и совместной обработке данных можно оптимизировать использование ресурсов и снизить стоимость данных. Пользователи могут обладать правом на свои данные и, защищая свою конфиденциальность, продавать свои данные, чтобы избежать их кражи и получения высокой прибыли недобросовестными торговцами. Для сторон, нуждающихся в данных, эти платформы предлагают широкий выбор и крайне низкие затраты. Представительные проекты, такие как Grass, используют пропускную способность пользователей для сбора веб-данных, а xData собирает информацию о медиа с помощью удобных плагинов и поддерживает загрузку твитов пользователями.

Кроме того, некоторые платформы позволяют экспертам в области или обычным пользователям выполнять задачи предобработки данных, такие как аннотирование изображений и классификация данных. Эти задачи могут требовать профессиональных знаний в области финансов и юриспруденции, а пользователи могут токенизировать свои навыки для реализации совместной краудсорсинга предобработки данных. Примером является AI-рынок, такой как Sahara AI, который предлагает задачи по обработке данных из различных областей и может охватывать многопрофильные сценарии данных; в то время как AIT Protocolt осуществляет аннотирование данных с помощью человеческо-машинного взаимодействия.

• Модель: как упоминалось ранее в процессе разработки AI, различные 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, есть также некоторые специализированные или универсальные большие модели. Модели с различной сложностью задач требуют различной глубины, иногда необходимо проводить настройку модели.

Некоторые проекты поддерживают пользователей в предоставлении различных типов моделей или в совместной 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, 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 классификации, прогнозирования или других специфических задач, этот процесс называется выводом. Процесс вывода обычно сопровождается механизмом верификации, чтобы проверить, правильно ли источник выводной модели, есть ли злонамеренные действия и т.д. Вывод в Web3 обычно может быть интегрирован в смарт-контракты, с помощью вызова модели для вывода, распространенные методы верификации включают технологии ZKML, OPML и TEE. Представляющие проекты, такие как AI-оракул ORA (OAO), 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 непосредственно на пользователей, сочетая ИИ с Web3, создавая более интересные и инновационные способы взаимодействия. В статье в основном рассматриваются проекты в таких областях, как AIGC (AI сгенерированный контент), AI-агенты и анализ данных.

• AIGC：через AIGC можно расширить