Web3-AI lintasan panorama: analisis mendalam dari logika teknis hingga proyek-proyek teratas

Laporan Panorama Web3-AI: Analisis Mendalam Logika Teknologi, Aplikasi Skenario, dan Proyek Teratas

Dengan meningkatnya perhatian terhadap narasi AI, semakin banyak fokus tertuju pada jalur ini. Analisis mendalam dilakukan terhadap logika teknis, skenario aplikasi, dan proyek-proyek perwakilan di jalur Web3-AI, untuk menyajikan panorama dan tren perkembangan di bidang ini secara menyeluruh.

I. Web3-AI: Analisis Logika Teknologi dan Peluang Pasar Baru

1.1 Logika Integrasi Web3 dan AI: Bagaimana Mendefinisikan Jalur Web-AI

Dalam setahun terakhir, narasi AI sangat populer di industri Web3, dengan proyek AI muncul bak jamur setelah hujan. Meskipun banyak proyek yang melibatkan teknologi AI, beberapa proyek hanya menggunakan AI di beberapa bagian produk mereka, sementara ekonomi token yang mendasarinya tidak memiliki hubungan substansial dengan produk AI, oleh karena itu proyek semacam ini tidak termasuk dalam diskusi proyek Web3-AI dalam artikel ini.

Artikel ini berfokus pada proyek yang menggunakan blockchain untuk menyelesaikan masalah hubungan produksi dan AI untuk menyelesaikan masalah produktivitas, di mana proyek-proyek ini sendiri menyediakan produk AI, sekaligus berbasis pada model ekonomi Web3 sebagai alat hubungan produksi, keduanya saling melengkapi. Kami mengklasifikasikan proyek-proyek semacam ini sebagai jalur Web3-AI. Untuk membantu pembaca lebih memahami jalur Web3-AI, kami akan menjelaskan proses dan tantangan pengembangan AI, serta bagaimana kombinasi Web3 dan AI dapat secara sempurna menyelesaikan masalah dan menciptakan skenario aplikasi baru.

1.2 Proses dan Tantangan Pengembangan AI: Dari Pengumpulan Data ke Inferensi Model

Teknologi AI adalah teknologi yang memungkinkan komputer untuk mensimulasikan, memperluas, dan meningkatkan kecerdasan manusia. Ini memungkinkan komputer untuk melakukan berbagai tugas kompleks, mulai dari terjemahan bahasa, klasifikasi gambar hingga pengenalan wajah, dan aplikasi seperti mengemudi otomatis, AI sedang mengubah cara kita hidup dan bekerja.

Proses pengembangan model kecerdasan buatan biasanya mencakup beberapa langkah kunci berikut: pengumpulan data dan pemrosesan data, pemilihan dan penyesuaian model, pelatihan model dan inferensi. Sebagai contoh sederhana, untuk mengembangkan sebuah model yang mengklasifikasikan gambar kucing dan anjing, Anda memerlukan:

  1. Pengumpulan data dan pra-pemrosesan data: Kumpulkan dataset gambar yang berisi kucing dan anjing, bisa menggunakan dataset publik atau mengumpulkan data nyata sendiri. Kemudian beri label kategori ( kucing atau anjing ) untuk setiap gambar, pastikan labelnya akurat. Ubah gambar menjadi format yang dapat dikenali oleh model, bagi dataset menjadi kumpulan pelatihan, kumpulan validasi, dan kumpulan pengujian.

  2. Pemilihan dan Penyesuaian Model: Pilih model yang sesuai, seperti jaringan syaraf konvolusional (CNN), yang lebih cocok untuk tugas klasifikasi gambar. Sesuaikan parameter atau arsitektur model sesuai dengan kebutuhan yang berbeda, secara umum, lapisan jaringan model dapat disesuaikan berdasarkan kompleksitas tugas AI. Dalam contoh klasifikasi sederhana ini, lapisan jaringan yang lebih dangkal mungkin sudah cukup.

  3. Pelatihan model: Anda dapat menggunakan GPU, TPU, atau kluster komputasi berkinerja tinggi untuk melatih model, waktu pelatihan dipengaruhi oleh kompleksitas model dan kemampuan komputasi.

  4. Inferensi Model: File model yang telah dilatih biasanya disebut sebagai bobot model, proses inferensi adalah proses menggunakan model yang telah dilatih untuk memprediksi atau mengklasifikasikan data baru. Dalam proses ini, dapat digunakan set pengujian atau data baru untuk menguji efektivitas klasifikasi model, biasanya dievaluasi dengan metrik seperti akurasi, recall, dan F1-score.

Seperti yang ditunjukkan pada gambar, setelah pengumpulan data dan praproses data, pemilihan dan penyetelan model, serta pelatihan, model yang telah dilatih akan diuji pada kumpulan data pengujian untuk menghasilkan nilai prediksi kucing dan anjing P(probability), yaitu probabilitas model untuk menginferensikan apakah itu kucing atau anjing.

Web3-AI Jalur Panorama Laporan: Logika Teknologi, Aplikasi Skenario dan Analisis Mendalam Proyek Teratas

Model AI yang telah dilatih dapat diintegrasikan lebih lanjut ke dalam berbagai aplikasi, melakukan tugas yang berbeda. Dalam contoh ini, model AI klasifikasi kucing dan anjing dapat diintegrasikan ke dalam aplikasi ponsel, di mana pengguna mengunggah gambar kucing atau anjing dan akan mendapatkan hasil klasifikasi.

Namun, proses pengembangan AI yang terpusat memiliki beberapa masalah dalam skenario berikut:

Privasi pengguna: Dalam skenario terpusat, proses pengembangan AI biasanya tidak transparan. Data pengguna dapat dicuri tanpa sepengetahuan mereka dan digunakan untuk pelatihan AI.

Sumber data diperoleh: tim kecil atau individu dalam mengakses data bidang tertentu ( seperti data medis ), mungkin akan menghadapi batasan data yang tidak bersifat open source.

Pemilihan dan penyempurnaan model: untuk tim kecil, sulit untuk mendapatkan sumber daya model di bidang tertentu atau mengeluarkan biaya besar untuk penyempurnaan model.

Perolehan daya komputasi: bagi pengembang individu dan tim kecil, biaya pembelian GPU yang tinggi dan biaya sewa daya komputasi cloud dapat menjadi beban ekonomi yang signifikan.

Pendapatan Aset AI: Pekerja penandaan data sering kali tidak dapat memperoleh pendapatan yang sebanding dengan usaha mereka, sementara hasil penelitian pengembang AI juga sulit untuk dipadankan dengan pembeli yang membutuhkan.

Tantangan yang ada di bawah skenario AI terpusat dapat diatasi melalui kombinasi dengan Web3, di mana Web3 sebagai jenis hubungan produksi baru, secara alami cocok dengan AI yang mewakili produktivitas baru, sehingga mendorong kemajuan teknologi dan kemampuan produksi secara bersamaan.

1.3 Sinergi antara Web3 dan AI: Perubahan Peran dan Aplikasi Inovatif

Kombinasi Web3 dan AI dapat meningkatkan kedaulatan pengguna, menyediakan platform kolaborasi AI terbuka bagi pengguna, mengubah pengguna dari era Web2 sebagai pengguna AI menjadi peserta, menciptakan AI yang dapat dimiliki oleh semua orang. Sementara itu, penggabungan dunia Web3 dan teknologi AI juga dapat menciptakan lebih banyak skenario aplikasi inovatif dan cara bermain.

Berdasarkan teknologi Web3, pengembangan dan aplikasi AI akan menghadirkan sistem ekonomi kolaboratif yang baru. Privasi data orang dapat terjamin, model data crowd-sourcing mendorong kemajuan model AI, banyak sumber daya AI sumber terbuka tersedia untuk pengguna, dan daya komputasi yang dibagikan dapat diperoleh dengan biaya yang lebih rendah. Dengan memanfaatkan mekanisme crowd-sourcing kolaboratif yang terdesentralisasi dan pasar AI terbuka, dapat terwujud sistem distribusi pendapatan yang adil, sehingga mendorong lebih banyak orang untuk menggerakkan kemajuan teknologi AI.

Dalam skenario Web3, AI dapat memberikan dampak positif di berbagai jalur. Misalnya, model AI dapat diintegrasikan ke dalam kontrak pintar untuk meningkatkan efisiensi kerja dalam berbagai aplikasi, seperti analisis pasar, deteksi keamanan, pengelompokan sosial, dan berbagai fungsi lainnya. AI generatif tidak hanya memungkinkan pengguna merasakan peran "seniman", seperti menggunakan teknologi AI untuk membuat NFT mereka sendiri, tetapi juga dapat menciptakan berbagai macam skenario game dan pengalaman interaksi yang menarik dalam GameFi. Infrastruktur yang kaya menyediakan pengalaman pengembangan yang lancar, baik untuk ahli AI maupun pemula yang ingin memasuki bidang AI dapat menemukan pintu masuk yang tepat di dunia ini.

Dua, Peta dan Arsitektur Proyek Ekosistem Web3-AI

Kami terutama meneliti 41 proyek di jalur Web3-AI, dan membagi proyek-proyek ini menjadi berbagai tingkat. Logika pembagian setiap tingkat ditunjukkan dalam gambar di bawah ini, termasuk lapisan infrastruktur, lapisan menengah, dan lapisan aplikasi, masing-masing dibagi menjadi berbagai sektor. Di bab berikutnya, kami akan melakukan analisis kedalaman terhadap beberapa proyek yang representatif.

Web3-AI Jalur Panorama Laporan: Logika Teknologi, Aplikasi Skenario, dan Analisis Mendalam Proyek Teratas

Lapisan infrastruktur mencakup sumber daya komputasi dan arsitektur teknologi yang mendukung seluruh siklus kehidupan AI, lapisan menengah mencakup manajemen data, pengembangan model, dan layanan verifikasi inferensi yang menghubungkan infrastruktur dengan aplikasi, sementara lapisan aplikasi berfokus pada berbagai aplikasi dan solusi yang langsung ditujukan kepada pengguna.

Lapisan infrastruktur:

Lapisan infrastruktur adalah dasar dari siklus hidup AI, artikel ini mengklasifikasikan daya komputasi, AI Chain, dan platform pengembangan sebagai lapisan infrastruktur. Hanya dengan dukungan infrastruktur ini, pelatihan dan inferensi model AI dapat dilakukan, dan aplikasi AI yang kuat dan praktis dapat disajikan kepada pengguna.

  • Jaringan komputasi terdesentralisasi: dapat menyediakan daya komputasi terdistribusi untuk pelatihan model AI, memastikan penggunaan sumber daya komputasi yang efisien dan ekonomis. Beberapa proyek menawarkan pasar daya komputasi terdesentralisasi, di mana pengguna dapat menyewa daya komputasi dengan biaya rendah atau berbagi daya komputasi untuk mendapatkan keuntungan, proyek yang mewakili seperti IO.NET dan Hyperbolic. Selain itu, beberapa proyek telah mengembangkan cara baru, seperti Compute Labs, yang mengusulkan protokol tokenisasi, di mana pengguna dapat berpartisipasi dalam penyewaan daya komputasi dengan cara berbeda untuk mendapatkan keuntungan dengan membeli NFT yang mewakili entitas GPU.

  • AI Chain: Menggunakan blockchain sebagai dasar untuk siklus hidup AI, mewujudkan interaksi sumber daya AI secara seamless antara on-chain dan off-chain, serta mendorong perkembangan ekosistem industri. Pasar AI terdesentralisasi di blockchain dapat memperdagangkan aset AI seperti data, model, agen, dan menyediakan kerangka pengembangan AI serta alat pengembangan yang sesuai, contohnya proyek seperti Sahara AI. AI Chain juga dapat memfasilitasi kemajuan teknologi AI di berbagai bidang, seperti Bittensor yang mendorong kompetisi subnet AI yang berbeda melalui mekanisme insentif subnet inovatif.

  • Platform pengembangan: Beberapa proyek menyediakan platform pengembangan agen AI, yang juga dapat melakukan perdagangan agen AI, seperti Fetch.ai dan ChainML. Alat satu atap membantu pengembang untuk lebih mudah membuat, melatih, dan menerapkan model AI, dengan proyek perwakilan seperti Nimble. Infrastruktur ini mendorong aplikasi teknologi AI yang luas dalam ekosistem Web3.

Lapisan tengah:

Tingkat ini melibatkan data AI, model, serta inferensi dan verifikasi, dengan menggunakan teknologi Web3 dapat mencapai efisiensi kerja yang lebih tinggi.

  • Data: Kualitas dan kuantitas data adalah faktor kunci yang mempengaruhi efektivitas pelatihan model. Di dunia Web3, melalui data crowdsourcing dan pemrosesan data kolaboratif, sumber daya dapat dioptimalkan dan biaya data dapat dikurangi. Pengguna dapat memiliki hak atas data mereka, menjual data mereka sendiri dalam perlindungan privasi, untuk menghindari data dicuri oleh pedagang yang tidak bertanggung jawab dan mendapatkan keuntungan yang tinggi. Bagi pihak yang membutuhkan data, platform-platform ini menawarkan berbagai pilihan dan biaya yang sangat rendah. Proyek perwakilan seperti Grass memanfaatkan bandwidth pengguna untuk mengambil data Web, xData mengumpulkan informasi media melalui plugin yang ramah pengguna, dan mendukung pengguna untuk mengunggah informasi tweet.

Selain itu, beberapa platform memungkinkan para ahli di bidangnya atau pengguna biasa untuk melakukan tugas pra-pemrosesan data, seperti pelabelan gambar, klasifikasi data, tugas pemrosesan data untuk tugas keuangan dan hukum yang mungkin memerlukan pengetahuan profesional, pengguna dapat men-token-kan keterampilan mereka untuk mewujudkan kolaborasi crowdsourcing dalam pra-pemrosesan data. Contohnya adalah pasar AI seperti Sahara AI, yang memiliki tugas data dari berbagai bidang, dapat mencakup berbagai skenario data; sementara AIT Protocolt melakukan pelabelan data melalui cara kolaborasi manusia-mesin.

  • Model: Dalam proses pengembangan AI yang telah disebutkan sebelumnya, berbagai jenis kebutuhan perlu dipadankan dengan model yang sesuai. Model yang umum digunakan untuk tugas gambar seperti CNN, GAN, untuk tugas deteksi objek dapat memilih seri Yolo, dan untuk tugas teks model yang umum adalah RNN, Transformer, dan tentu saja ada beberapa model besar yang spesifik atau umum. Kedalaman model yang dibutuhkan untuk tugas dengan kompleksitas yang berbeda juga berbeda, terkadang perlu dilakukan penyesuaian pada model.

Beberapa proyek mendukung pengguna untuk menyediakan berbagai jenis model atau berkolaborasi dalam pelatihan model melalui crowdsourcing, seperti Sentient yang melalui desain modular, memungkinkan pengguna untuk menempatkan data model yang dapat dipercaya di lapisan penyimpanan dan lapisan distribusi untuk melakukan optimasi model, alat pengembangan yang disediakan oleh Sahara AI dilengkapi dengan algoritma AI canggih dan kerangka komputasi, serta memiliki kemampuan pelatihan kolaboratif.

  • Inferensi dan Verifikasi: Setelah model dilatih, ia akan menghasilkan file bobot model, yang dapat digunakan untuk klasifikasi, prediksi, atau tugas spesifik lainnya. Proses ini disebut inferensi. Proses inferensi biasanya disertai dengan mekanisme verifikasi untuk memvalidasi apakah sumber model inferensi benar dan apakah ada perilaku jahat, dll. Inferensi Web3 biasanya dapat diintegrasikan dalam kontrak pintar, dengan memanggil model untuk melakukan inferensi. Metode verifikasi yang umum termasuk teknologi ZKML, OPML, dan TEE. Proyek perwakilan seperti ORA Chain AI oracle (OAO), memperkenalkan OPML sebagai lapisan yang dapat diverifikasi untuk oracle AI. Di situs resmi ORA, mereka juga menyebutkan penelitian mereka tentang kombinasi ZKML dan opp/ai(ZKML dengan OPML).

Lapisan aplikasi:

Tingkat ini terutama merupakan aplikasi yang langsung ditujukan untuk pengguna, menggabungkan AI dengan Web3, menciptakan lebih banyak cara yang menarik dan inovatif untuk bermain. Artikel ini terutama menguraikan proyek-proyek di beberapa sektor yaitu AIGC(, konten yang dihasilkan AI), agen AI, dan analisis data.

  • AIGC: Melalui AIGC dapat diperluas ke jalur NFT, game, dan lainnya di Web3, pengguna dapat langsung menghasilkan teks, gambar, dan audio melalui Prompt( yang diberikan oleh pengguna, bahkan dapat menghasilkan gameplay kustom dalam game sesuai preferensi mereka. Proyek NFT seperti NFPrompt, pengguna dapat menghasilkan NFT melalui AI untuk diperdagangkan di pasar; game seperti Sleepless, pengguna membentuk kepribadian pasangan virtual melalui dialog untuk mencocokkan preferensi mereka;

  • Agen AI: merujuk pada sistem kecerdasan buatan yang mampu menjalankan tugas secara mandiri dan membuat keputusan. Agen AI biasanya memiliki kemampuan persepsi, penalaran, pembelajaran, dan tindakan, dan dapat menjalankan tugas kompleks dalam berbagai lingkungan. Contoh agen AI yang umum adalah penerjemahan bahasa, pembelajaran bahasa.

SAHARA1.46%
Lihat Asli
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
  • Hadiah
  • 4
  • Bagikan
Komentar
0/400
SillyWhalevip
· 13jam yang lalu
Narasi narasi Semua orang sedang bercerita
Lihat AsliBalas0
0xSleepDeprivedvip
· 13jam yang lalu
Sudah datang lagi untuk menggoreng panasnya AI, sudah terlalu dibahas kan?
Lihat AsliBalas0
StablecoinEnjoyervip
· 13jam yang lalu
Sudah datang lagi untuk mengangkat konsep dan menghasilkan uang dari suckers. Siapa yang catch a falling knife kali ini?
Lihat AsliBalas0
GasGrillMastervip
· 13jam yang lalu
Jelas-jelas ini adalah spekulasi untuk meraup keuntungan dari para suckers.
Lihat AsliBalas0
Perdagangkan Kripto Di Mana Saja Kapan Saja
qrCode
Pindai untuk mengunduh aplikasi Gate
Komunitas
Bahasa Indonesia
  • 简体中文
  • English
  • Tiếng Việt
  • 繁體中文
  • Español
  • Русский
  • Français (Afrique)
  • Português (Portugal)
  • Bahasa Indonesia
  • 日本語
  • بالعربية
  • Українська
  • Português (Brasil)