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

Seiring dengan meningkatnya popularitas narasi AI, semakin banyak perhatian tertuju pada jalur ini. Analisis mendalam mengenai logika teknis, skenario aplikasi, dan proyek-proyek perwakilan di jalur Web3-AI dilakukan untuk menyajikan secara komprehensif panorama dan tren perkembangan di bidang ini.

Satu, 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, proyek AI bermunculan bak jamur setelah hujan. Meskipun banyak proyek yang melibatkan teknologi AI, beberapa proyek hanya menggunakan AI di sebagian 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.

Fokus artikel ini adalah pada proyek yang menggunakan blockchain untuk menyelesaikan masalah hubungan produksi, sementara AI menyelesaikan masalah produktivitas. Proyek-proyek ini sendiri menyediakan produk AI, sekaligus menggunakan 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 pengembangan AI dan tantangannya, serta bagaimana kombinasi Web3 dan AI dapat dengan sempurna menyelesaikan masalah dan menciptakan skenario aplikasi baru.

1.2 Proses pengembangan AI dan tantangannya: dari pengumpulan data hingga 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, pengklasifikasian 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 pra-pemrosesan data, pemilihan dan penyetelan model, pelatihan model dan inferensi. Sebagai contoh sederhana, untuk mengembangkan model yang dapat mengklasifikasikan gambar kucing dan anjing, Anda perlu:

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

2. Pemilihan dan Penyesuaian Model: Pilih model yang sesuai, seperti Jaringan Saraf Konvolusional (CNN), yang cukup cocok untuk tugas klasifikasi gambar. Sesuaikan parameter atau arsitektur model sesuai dengan kebutuhan yang berbeda, umumnya 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: Model dapat dilatih menggunakan GPU, TPU, atau kluster komputasi berkinerja tinggi, waktu pelatihan dipengaruhi oleh kompleksitas model dan kemampuan komputasi.

4. Inferensi model: Berkas model yang telah dilatih biasanya disebut sebagai bobot model, proses inferensi adalah penggunaan model yang telah dilatih untuk memprediksi atau mengklasifikasikan data baru. Dalam proses ini, dapat digunakan kumpulan data uji atau data baru untuk menguji efektivitas klasifikasi model, biasanya menggunakan akurasi, rasio recall, F1-score, dan metrik lainnya untuk mengevaluasi efektivitas model.

Setelah pengumpulan data dan pra-pemrosesan data, pemilihan dan penyesuaian model, serta pelatihan, model yang telah dilatih akan digunakan untuk inferensi pada kumpulan uji untuk menghasilkan nilai prediksi kucing dan anjing P (probabilitas), yaitu probabilitas model menginferensikan bahwa itu adalah kucing atau anjing.

Model AI yang dilatih dapat diintegrasikan lebih lanjut ke dalam berbagai aplikasi untuk melakukan berbagai tugas. Dalam contoh ini, model AI klasifikasi kucing dan anjing dapat diintegrasikan ke dalam aplikasi ponsel, di mana pengguna mengunggah gambar kucing atau anjing untuk 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 mungkin dicuri tanpa sepengetahuan dan digunakan untuk pelatihan AI.

Sumber data diperoleh: Tim kecil atau individu mungkin menghadapi batasan data yang tidak open source saat memperoleh data di bidang tertentu (seperti data medis).

Pemilihan dan penyetelan model: Bagi tim kecil, sulit untuk mendapatkan sumber daya model di bidang tertentu atau mengeluarkan biaya besar untuk penyetelan 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 sesuai dengan usaha mereka, sementara hasil penelitian pengembang AI juga sulit untuk dip配与 pembeli yang membutuhkan.

Tantangan yang ada dalam skenario AI terpusat dapat diatasi dengan menggabungkannya dengan Web3, di mana Web3 sebagai hubungan produksi baru secara alami cocok untuk mewakili produktivitas baru AI, sehingga mendorong kemajuan teknologi dan kapasitas produksi secara bersamaan.

1.3 Sinergi Web3 dan AI: Perubahan Peran dan Aplikasi Inovatif

Web3 dan AI yang digabungkan dapat meningkatkan kedaulatan pengguna, menyediakan platform kolaborasi AI yang terbuka bagi pengguna, sehingga pengguna beralih dari pengguna AI di era Web2 menjadi peserta, menciptakan AI yang dapat dimiliki oleh semua orang. Pada saat yang sama, perpaduan dunia Web3 dengan teknologi AI juga dapat menghasilkan lebih banyak skenario aplikasi dan cara bermain yang inovatif.

Berdasarkan teknologi Web3, pengembangan dan aplikasi AI akan memasuki sistem ekonomi kolaboratif yang baru. Privasi data orang dapat terjamin, model data crowdsourcing mendorong kemajuan model AI, banyak sumber daya AI open-source tersedia untuk digunakan oleh pengguna, dan kekuatan komputasi yang dibagikan dapat diperoleh dengan biaya yang lebih rendah. Dengan bantuan mekanisme crowdsourcing kolaboratif yang terdesentralisasi dan pasar AI yang terbuka, sistem distribusi pendapatan yang adil dapat diwujudkan, sehingga mendorong lebih banyak orang untuk memajukan teknik 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 untuk merasakan peran "seniman", seperti menggunakan teknologi AI untuk membuat NFT mereka sendiri, tetapi juga dapat menciptakan berbagai skenario permainan dan pengalaman interaksi yang menarik dalam GameFi. Infrastruktur yang kaya menyediakan pengalaman pengembangan yang lancar, baik bagi para ahli AI maupun pemula yang ingin memasuki bidang AI dapat menemukan pintu masuk yang tepat di dunia ini.

Dua, Peta dan Struktur Proyek Ekosistem Web3-AI

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

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

Lapisan infrastruktur:

Lapisan infrastruktur adalah dasar dari siklus hidup AI, dalam artikel ini, daya komputasi, AI Chain, dan platform pengembangan dikelompokkan 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, dengan proyek-proyek 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 untuk mendapatkan keuntungan dengan membeli NFT yang mewakili entitas GPU.

• AI Chain: Memanfaatkan blockchain sebagai dasar siklus hidup AI, untuk mewujudkan interaksi tanpa batas antara sumber daya AI di 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 mendukung, proyek yang diwakili seperti Sahara AI. AI Chain juga dapat memfasilitasi kemajuan teknologi AI di berbagai bidang, seperti Bittensor yang mendorong persaingan subnet AI yang berbeda melalui mekanisme insentif subnet yang inovatif.

• Platform pengembangan: Beberapa proyek menyediakan platform pengembangan agen AI, dan juga dapat melakukan perdagangan agen AI, seperti Fetch.ai dan ChainML. Alat serba ada membantu pengembang untuk lebih mudah membuat, melatih, dan menerapkan model AI, proyek yang diwakili seperti Nimble. Infrastruktur ini memfasilitasi penerapan teknologi AI yang luas dalam ekosistem Web3.

Lapisan tengah:

Lapisan 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, kita dapat mengoptimalkan pemanfaatan sumber daya dan mengurangi biaya data. Pengguna dapat memiliki kekuasaan atas data mereka, menjual data mereka dalam perlindungan privasi untuk menghindari pencurian data oleh pedagang yang tidak bertanggung jawab dan meraup keuntungan besar. Bagi pihak yang membutuhkan data, platform-platform ini menawarkan berbagai pilihan dan biaya yang sangat rendah. Proyek yang mewakili seperti Grass memanfaatkan bandwidth pengguna untuk menangkap data Web, xData mengumpulkan informasi media melalui plugin yang ramah pengguna, dan mendukung pengguna untuk mengunggah informasi tweet.

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

• Model: Dalam proses pengembangan AI yang telah disebutkan sebelumnya, berbagai jenis kebutuhan perlu dicocokkan dengan model yang sesuai. Model yang sering digunakan untuk tugas gambar seperti CNN, GAN, untuk tugas deteksi objek dapat memilih seri Yolo, untuk tugas teks model yang umum digunakan 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 melatih 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, model 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 memverifikasi apakah sumber model inferensi benar, apakah ada perilaku jahat, dan sebagainya. Inferensi Web3 biasanya dapat diintegrasikan dalam kontrak pintar, dengan memanggil model untuk melakukan inferensi, cara verifikasi yang umum termasuk teknologi ZKML, OPML, dan TEE. Proyek perwakilan seperti AI oracle (OAO) di jaringan ORA, memperkenalkan OPML sebagai lapisan yang dapat diverifikasi untuk oracle AI, di situs resmi ORA juga disebutkan penelitian mereka tentang ZKML dan opp/ai (kombinasi ZKML dengan OPML).

Lapisan aplikasi:

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

• AIGC: Melalui AIGC dapat diperluas ke dalam bidang NFT, permainan, dan lain-lain di Web3, pengguna dapat langsung menghasilkan teks, gambar, dan audio melalui Prompt (kata kunci yang diberikan oleh pengguna), bahkan dapat menghasilkan permainan kustom sesuai preferensi mereka.