Обзор Web3-AI: Глубина технической логики, прикладные сценарии и глубокий анализ ведущих проектов

С учетом продолжающейся популярности AI-нарративов, все больше внимания сосредоточено на этой области. В данной статье подробно анализируются технологическая логика, сценарии применения и представительные проекты в области Web3-AI, чтобы полностью представить вам панораму и тенденции развития этой сферы.

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

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

В прошлом году AI-наратив в индустрии Web3 стал необычайно популярным, проекты на основе ИИ появлялись как грибы после дождя. Хотя многие проекты связаны с технологиями ИИ, некоторые из них используют ИИ только в отдельных частях своих продуктов, а базовая токеномика не имеет существенной связи с продуктами ИИ, поэтому такие проекты не будут обсуждаться в данной статье как Web3-AI проекты.

В данной статье акцент сделан на проектах, которые используют блокчейн для решения проблем производственных отношений и ИИ для решения проблем производительных сил. Эти проекты сами по себе предлагают ИИ-продукты, а также основаны на экономической модели Web3 в качестве инструмента производственных отношений, что взаимодополняет друг друга. Мы классифицируем такие проекты как сектор Web3-AI. Для лучшего понимания сектора Web3-AI, далее будут подробно рассмотрены процесс разработки ИИ и его вызовы, а также то, как сочетание Web3 и ИИ идеально решает проблемы и создает новые сценарии применения.

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

Технология ИИ — это технология, позволяющая компьютерам имитировать, расширять и улучшать человеческий интеллект. Она позволяет компьютерам выполнять различные сложные задачи, от языкового перевода, классификации изображений до распознавания лиц и автономного вождения; ИИ меняет способы нашей жизни и работы.

Процесс разработки моделей искусственного интеллекта обычно включает в себя несколько ключевых этапов: сбор данных и предварительная обработка данных, выбор модели и её настройка, обучение модели и вывод. Приведем простой пример, разработав модель для классификации изображений котов и собак, вам нужно:

1. Сбор данных и предварительная обработка данных: соберите набор данных изображений, содержащий кошек и собак, можно использовать открытые наборы данных или самостоятельно собрать реальные данные. Затем для каждого изображения отметьте категорию ( кошка или собака ), убедитесь, 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, например, свёрточную 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 настроить в зависимости от сложности задачи ИИ. В этом простом примере классификации, более простые уровни сети могут быть достаточны.

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, в которых обучена модель, обычно называются весами модели, а 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 эффективности классификации модели, обычно оцениваемой с помощью таких показателей, как точность, полнота, F1-меры и т.д.

Как показано на рисунке, после сбора данных и предварительной обработки данных, выбора и настройки модели, а также обучения, полученная модель будет проводить вывод на тестовом наборе данных, чтобы получить 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 изображения кошек или собак и получают результаты классификации.

Однако централизованный процесс разработки ИИ сталкивается с некоторыми проблемами в следующих ситуациях:

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

Получение источника данных: небольшие команды или отдельные лица, получая данные в определенной области (, такие как медицинские данные ), могут столкнуться с ограничениями на использование закрытых данных.

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

Получение вычислительной мощности: для индивидуальных разработчиков и небольших команд высокие затраты на покупку GPU и аренду облачной вычислительной мощности могут стать значительной экономической нагрузкой.

Доход от активов ИИ: работники по разметке данных часто не могут получить доход, соответствующий их усилиям, а результаты исследований разработчиков ИИ также трудно сопоставить с покупателями, которые имеют потребность в них.

Вызовы, существующие в централизованных сценариях ИИ, могут быть преодолены путем сочетания с Web3. Web3, как новая форма производственных отношений, естественно адаптируется к ИИ, представляющему собой новую производительную 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, предоставляя открытые платформы для сотрудничества с ИИ, позволяя пользователям перейти от роли пользователей ИИ в эпоху Web2 к участникам, создающим ИИ, которым могут владеть все. В то же время, интеграция мира Web3 и технологий ИИ может привести к возникновению новых инновационных приложений и способов взаимодействия.

На основе технологии Web3 разработка и применение ИИ встретят совершенно новую систему кооперативной экономики. Конфиденциальность данных людей может быть обеспечена, модель краудсорсинга данных способствует прогрессу ИИ-моделей, множество открытых ресурсов ИИ доступны для пользователей, а вычислительная мощность можно получить по более низкой цене. С помощью децентрализованного механизма кооперативного краудсорсинга и открытого рынка ИИ можно реализовать справедливую систему распределения доходов, что в свою очередь будет стимулировать больше людей способствовать прогрессу технологий ИИ.

В сценариях Web3 ИИ может оказывать положительное влияние в нескольких областях. Например, модели ИИ могут быть интегрированы в смарт-контракты для повышения рабочей эффективности в различных приложениях, таких как рыночный анализ, безопасность и социальная кластеризация и прочие функции. Генеративный ИИ не только позволяет пользователям ощутить себя "художниками", создавая свои собственные NFT с помощью ИИ-технологий, но и создает разнообразные игровые сценарии и интересные взаимодействия в GameFi. Богатая инфраструктура обеспечивает плавный опыт разработки, позволяя как экспертам в области ИИ, так и новичкам, желающим войти в область ИИ, найти подходящий вход в этот мир.

2. Интерпретация карты и архитектуры экосистемы Web3-AI проектов

Мы в основном исследовали 41 проект в области Web3-AI и разделили эти проекты на разные уровни. Логика разделения каждого уровня представлена на следующем рисунке и включает уровень инфраструктуры, промежуточный уровень и уровень приложений, при этом каждый уровень дополнительно делится на разные секции. В следующей главе мы проведем Глубина анализа некоторых代表性的 проектов.

Инфраструктурный уровень охватывает вычислительные ресурсы и технологическую архитектуру, поддерживающие весь жизненный цикл ИИ, тогда как промежуточный уровень включает управление данными, разработку моделей и услуги верификации и вывода, соединяющие инфраструктуру и приложения. Прикладной уровень же сосредоточен на различных приложениях и решениях, непосредственно ориентированных на пользователя.

Инфраструктурный уровень:

Инфраструктурный уровень является основой жизненного цикла ИИ, в этой статье вычислительная мощность, AI Chain и платформа разработки классифицируются как инфраструктурный уровень. Именно благодаря поддержке этих инфраструктур становится возможным обучение и вывод моделей ИИ, а также представление мощных и практичных приложений ИИ пользователям.

• Децентрализованная вычислительная сеть: может предоставить распределенную вычислительную мощность для обучения AI моделей, обеспечивая эффективное и экономичное использование вычислительных ресурсов. Некоторые проекты предлагают децентрализованный рынок вычислительных мощностей, где пользователи могут арендовать вычислительные ресурсы по низкой цене или делиться вычислительной мощностью для получения дохода, такие проекты как IO.NET и Hyperbolic. Кроме того, некоторые проекты разработали новые подходы, такие как Compute Labs, которые предложили токенизированные протоколы, позволяющие пользователям участвовать в аренде вычислительной мощности различными способами, покупая NFT, представляющие собой физические GPU.

• AI Chain: Использование блокчейна в качестве основы для жизненного цикла ИИ, обеспечивая бесшовное взаимодействие ИИ-ресурсов на цепи и вне её, способствуя развитию отраслевой экосистемы. Децентрализованный ИИ-рынок на цепи может торговать ИИ-активами, такими как данные, модели, агенты и т.д., а также предоставлять ИИ-разработческий фреймворк и сопутствующие инструменты разработки, примеры проектов включают Sahara AI. AI Chain также может способствовать прогрессу ИИ-технологий в различных областях, например, Bittensor через инновационный механизм стимулов для подсетей, способствуя конкуренции между подсетями различных типов ИИ.

• Платформа разработки: некоторые проекты предлагают платформы для разработки AI-агентов, а также могут осуществлять сделки AI-агентов, такие как Fetch.ai и ChainML. Унифицированные инструменты помогают разработчикам более удобно создавать, обучать и разворачивать AI-модели, такие как Nimble. Эта инфраструктура способствует широкому применению технологий AI в экосистеме Web3.

Промежуточный слой:

Этот уровень касается данных AI, моделей, а также вывода и проверки, и использование технологий Web3 может обеспечить более высокую эффективность работы.

• Данные: Качество и количество данных являются ключевыми факторами, влияющими на эффективность обучения моделей. В мире Web3, с помощью краудсорсинга данных и совместной обработки данных, можно оптимизировать использование ресурсов и снизить затраты на данные. Пользователи могут иметь право собственности на данные и продавать свои данные в условиях защиты конфиденциальности, чтобы избежать кражи данных недобросовестными торговцами и получения высокой прибыли. Для сторон, нуждающихся в данных, эти платформы предлагают широкий выбор и очень низкие затраты. Представляющие проекты, такие как Grass, используют пропускную способность пользователей для сбора веб-данных, xData собирает медиаинформацию с помощью удобного плагина 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, классификация данных, которые могут требовать специализированных знаний в области финансов и юридической обработки данных. Пользователи могут токенизировать свои навыки, реализуя коллаборативное краудсорсинг предобработки данных. Примером является рынок ИИ, такой как Sahara AI, который охватывает различные задачи данных в разных областях, что может охватывать многопрофильные сценарии данных; в то время как AIT Protocol осуществляет аннотирование данных с помощью взаимодействия человека и машины.

• Модель: В ранее упомянутом процессе разработки ИИ, различные типы требований требуют соответствующих моделей. 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 специфические или универсальные большие модели. Модели глубины, необходимые для задач с различной сложностью, также различаются, иногда требуется настройка модели.

Некоторые проекты поддерживают пользователей, предоставляющих различные типы моделей или совместно обучающих модели 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 в современные алгоритмы ИИ и вычислительные фреймворки, и обладают возможностью совместного обучения.

• Инференция и валидация: после обучения модель генерирует файл весов модели, который можно использовать для прямой классификации, прогнозирования или других конкретных задач, этот процесс называется инференцией. Процесс инференции обычно сопровождается механизмом валидации, чтобы проверить, правильен ли источник инференционной модели, есть ли злонамеренные действия и т.д. Инференция в Web3 обычно может быть интегрирована в смарт-контракты, вызывая модель для инференции, распространенные методы валидации включают ZKML, OPML и технологии TEE. Представленные проекты, такие как AI-оракул на блокчейне ORA (OAO), ввели OPML в качестве проверяемого уровня для AI-оракулов, на официальном сайте ORA также упоминается их исследование о сочетании ZKML и opp/ai(ZKML с OPML).

Прикладной уровень:

Этот уровень в основном представляет собой приложения, непосредственно ориентированные на пользователей, которые объединяют ИИ и Web3, создавая больше интересных и инновационных способов игры. В этой статье в основном рассматриваются проекты в нескольких областях: AIGC(, AI генерируемый контент ), AI-агенты и анализ данных.

• AIGC: С помощью AIGC можно расширить возможности в таких областях Web3, как NFT и игры. Пользователи могут напрямую через Prompt( указанные пользователем подсказки) генерировать текст, изображения и аудио, а также создавать пользовательский игровой процесс в зависимости от своих предпочтений. NFT проекты, такие как NFPrompt, позволяют пользователям генерировать NFT с помощью ИИ для торговли на рынке; игры, такие как Sleepless, позволяют пользователям формировать характер виртуального компаньона через диалог для соответствия своим предпочтениям;

• AI-агенты: это искусственные интеллектуальные системы, способные самостоятельно выполнять задачи и принимать решения. AI-агенты обычно обладают способностями восприятия, рассуждения, обучения и действия, что позволяет им выполнять сложные задачи в различных средах. Распространенные AI-агенты включают языковой перевод,