Веб3-AI обзор рынка: техническая логика, сценарные приложения и глубокий анализ ведущих проектов

С учетом продолжающегося роста интереса к AI-нарративу, все больше внимания сосредотачивается на этой области. Мы провели глубокий анализ технологической логики, сценариев применения и представительных проектов в области Web3-AI, чтобы предоставить вам полное представление о пейзаже и тенденциях развития в этой сфере.

Один. Web3-AI: Анализ технической логики и возможностей новых рынков

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

В прошлом году AI-нарратив в индустрии Web3 был необычайно популярен, и AI-проекты появлялись как грибы после дождя. Хотя многие проекты связаны с AI-технологиями, некоторые из них используют AI лишь в определённых частях своих продуктов, а базовая токеномика не имеет существенной связи с AI-продуктами, поэтому такие проекты не рассматриваются в данной статье как Web3-AI проекты.

Основное внимание в статье уделяется проектам, использующим блокчейн для решения проблем производственных отношений и AI для решения проблем производительности. Эти проекты сами предлагают AI-продукты и основаны на экономической модели Web3 как инструмента производственных отношений, что является взаимодополняющим. Мы классифицируем такие проекты как трек Web3-AI. Чтобы читатели лучше поняли трек Web3-AI, мы подробно расскажем о процессе разработки AI и вызовах, а также о том, как сочетание Web3 и AI идеально решает проблемы и создает новые сценарии применения.

1.2 Процесс разработки ИИ и 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 языка, классификации изображений до распознавания лиц, автономного вождения и других приложений. ИИ меняет способ, которым мы живем и работаем.

Процесс разработки модели искусственного интеллекта обычно включает в себя следующие ключевые шаги: сбор данных и предварительная обработка данных, выбор и настройка модели, обучение модели и выводы. Например, для разработки модели, которая классифицирует изображения кошек и собак, вам нужно:

1. Сбор данных и предварительная обработка данных: соберите набор данных изображений, содержащий котов и собак, можно использовать открытые наборы данных или собрать реальные данные самостоятельно. Затем для каждого изображения укажите категорию (кот 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, сверточную нейронную сеть (CNN), которая лучше всего подходит для задач классификации изображений. Настраивайте параметры модели или архитектуру в зависимости от различных требований, как правило, уровни сети модели можно регулировать в зависимости от сложности задачи ИИ. В этом простом примере классификации может быть достаточно более мелкой сети.

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

4. Модельное выводу: Файл, в котором обучена модель, обычно называется весами модели, а процесс вывода — это использование уже обученной модели для предсказания или классификации новых данных. В этом процессе можно использовать тестовый набор или новые данные для проверки эффективности классификации модели, обычно используя такие показатели, как точность, полнота, F1-score и другие для оценки эффективности модели.

Как показано на рисунке, после сбора данных и предварительной обработки данных, выбора и настройки модели, а также обучения, применение обученной модели на тестовом наборе данных дает предсказанные значения для кошек и собак P (вероятность), то есть вероятность того, что модель делает вывод о том, что это кошка или собака.

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:

Конфиденциальность пользователей: 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 на открытость данных.

Выбор и настройка моделей: для небольших команд трудно получить ресурсы моделей для конкретной области или потратить большие средства на настройку моделей.

Получение вычислительной мощности: для отдельных разработчиков и небольших команд высокая стоимость покупки GPU и расходы на аренду облачной вычислительной мощности могут стать значительной экономической нагрузкой.

AI активы дохода: 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 путем интеграции 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 Синергия Web3 и AI: изменение ролей и инновационные приложения

Слияние Web3 и ИИ может усилить суверенитет пользователей, предоставляя пользователям открытую платформу для сотрудничества в области ИИ, позволяя им перейти от роли пользователей ИИ в эпоху Web2 к участникам, создающим доступный для всех ИИ. В то же время, интеграция мира Web3 и технологий ИИ может привести к возникновению большего количества инновационных приложений и способов использования.

На базе технологии Web3 разработка и применение ИИ вступят в совершенно новую систему кооперативной экономики. Конфиденциальность данных людей будет защищена, модель краудсорсинга данных будет способствовать прогрессу ИИ-моделей, множество открытых ресурсов ИИ будет доступно пользователям, а совместно используемые вычислительные мощности можно будет получить по более низкой цене. Благодаря децентрализованной механике кооперативного краудсорсинга и открытому рынку ИИ можно реализовать справедливую систему распределения доходов, что будет стимулировать большее число людей способствовать прогрессу технологий ИИ.

В сценах Web3 ИИ может оказать положительное влияние на нескольких направлениях. Например, ИИ модели 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", создавая свои собственные NFT с использованием технологий ИИ, но также создает разнообразные игровые сцены и интересные взаимодействия в GameFi. Богатая инфраструктура обеспечивает плавный опыт разработки, и как ИИ-эксперты, так и новички, желающие войти в область ИИ, могут найти подходящий вход в этот мир.

Два, интерпретация карты и структуры экосистемы Web3-AI

Мы изучили 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, каждый из которых также делится на различные секции. В следующей главе мы проведем Глубина анализ некоторых знаковых проектов.

Уровень инфраструктуры охватывает вычислительные ресурсы и техническую 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 и приложения. Уровень приложений сосредоточен на различных приложениях и решениях, непосредственно ориентированных на пользователей.

Инфраструктурный уровень:

Инфраструктурный уровень является основой жизненного цикла ИИ. В данной статье вычислительная мощность, AI Chain и платформа разработки классифицируются как инфраструктурный уровень. Именно благодаря поддержке этой инфраструктуры возможно обучение и вывод ИИ моделей, 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 прибыли, такими проектами, как 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 различными способами, покупая NFT, представляющие физические GPU.

• AI Chain: Использование блокчейна в качестве основы для жизненного цикла ИИ, обеспечивая бесшовное взаимодействие ресурсов ИИ на цепочке и вне ее, способствуя развитию отраслевой экосистемы. Децентрализованный рынок ИИ на цепочке позволяет торговать активами ИИ, такими как данные, модели, агенты и т. д., а также предоставляет рамки для разработки ИИ и сопутствующие инструменты разработки, такие как проект Sahara AI. AI Chain также может способствовать прогрессу технологий ИИ в различных областях, например, Bittensor использует инновационный механизм стимулов для подсетей для содействия конкуренции между различными типами ИИ.

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

Промежуточный уровень:

Этот уровень связан с данными AI, моделями, а также выводами и верификацией, использование технологий Web3 может обеспечить более высокую эффективность работы.

• 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 обладать правом собственности на данные и продавать свои данные с учетом защиты конфиденциальности, чтобы избежать кражи данных недобросовестными торговцами и получения высокой прибыли. Для заказчиков данных эти платформы предлагают широкий выбор и крайне низкие затраты. Представленные проекты, такие как Grass, используют полосу пропускания пользователей для сбора веб-данных, xData собирает информацию о медиа через удобные для пользователя плагины и поддерживает возможность загрузки пользователями информации о твитах.

Кроме того, некоторые платформы позволяют экспертам в области или обычным пользователям выполнять задачи предварительной обработки данных, такие как аннотирование изображений и классификация данных. Эти задачи могут требовать специализированных знаний в области финансов и права, а пользователи могут токенизировать свои навыки и реализовать совместную краудсорсинг предварительной обработки данных. Примером является AI-рынок, такой как Sahara AI, который охватывает различные задачи данных в разных областях и может охватывать многообразные сценарии данных; в то время как AIT Protocolt осуществляет аннотирование данных с помощью человеческо-машинного взаимодействия.

• Модель: В процессе разработки ИИ, о котором упоминалось ранее, 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, конечно, есть некоторые специфические или универсальные большие модели. Модели, необходимые для задач различной сложности, также различаются по глубине; иногда требуется настройка модели.

Некоторые проекты поддерживают пользователей в предоставлении различных типов моделей или в совместной тренировке моделей через краудсорсинг, такие как Sentient, который 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 передовыми AI алгоритмами и вычислительными фреймворками, а также обладают возможностью совместной тренировки.

• Вывод и верификация: после обучения модель генерирует файлы весов модели, которые могут быть использованы для классификации, предсказания или других специфических задач, этот процесс называется выводом. Процесс вывода обычно сопровождается механизмом верификации, чтобы проверить, правильен ли источник модели вывода, есть ли злонамеренные действия и т.д. Вывод в Web3 обычно может быть интегрирован в смарт-контракты, вызывая модель для вывода, распространенные методы верификации включают технологии ZKML, OPML и TEE. Примеры проектов, такие как AI оракул на блокчейне ORA (OAO), вводят OPML в качестве верифицируемого 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 первую очередь представляет собой приложения, нацеленные на пользователей, которые объединяют ИИ и Web3, создавая более интересные и инновационные способы взаимодействия. В этой статье в основном рассматриваются проекты в таких областях, как AIGC (содержимое, сгенерированное ИИ), агенты ИИ и анализ данных.

• AIGC：Через AIGC можно