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

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

Satu, Web3-AI: Analisis Logika Teknis dan Peluang Pasar Baru

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

Selama setahun terakhir, narasi AI sangat booming 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 produknya, dan ekonomi token yang mendasarinya tidak memiliki hubungan substansial dengan produk AI, sehingga proyek semacam ini tidak termasuk dalam diskusi proyek Web3-AI dalam artikel ini.

Fokus artikel ini adalah pada proyek-proyek yang menggunakan blockchain untuk menyelesaikan masalah hubungan produksi, dan AI untuk menyelesaikan masalah produktivitas. Proyek-proyek ini sendiri menyediakan produk AI, sambil berbasis pada model ekonomi Web3 sebagai alat hubungan produksi, keduanya saling melengkapi. Kami mengklasifikasikan proyek-proyek semacam ini ke dalam jalur Web3-AI. Untuk membantu pembaca lebih memahami jalur Web3-AI, akan dijelaskan proses pengembangan AI dan tantangannya, serta bagaimana kombinasi Web3 dan AI dapat secara 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 penerjemahan 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 penyesuaian 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: Kumpulkan dataset gambar yang berisi kucing dan anjing, dapat 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 model, bagi dataset menjadi set pelatihan, set validasi, dan set pengujian.

2. Pemilihan dan Penyesuaian Model: Memilih model yang tepat, seperti Jaringan Saraf Konvolusional (CNN), yang lebih cocok untuk tugas klasifikasi gambar. Sesuaikan parameter atau arsitektur model sesuai kebutuhan yang berbeda, umumnya, tingkat jaringan model dapat disesuaikan berdasarkan kompleksitas tugas AI. Dalam contoh klasifikasi sederhana ini, tingkat 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: File yang telah dilatih dari model biasanya disebut bobot model, proses inferensi mengacu pada penggunaan model yang sudah 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, recall, F1-score, dan metrik lainnya untuk mengevaluasi efektivitas model.

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

Model AI yang telah 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, dan kemudian memperoleh hasil klasifikasi.

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

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

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

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

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

Pendapatan aset AI: Pekerja pengolahan data sering kali tidak dapat memperoleh pendapatan yang sebanding dengan upaya mereka, dan hasil penelitian pengembang AI juga sulit untuk dipadankan dengan pembeli yang membutuhkan.

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

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

Web3 dan AI yang terintegrasi dapat meningkatkan kedaulatan pengguna, menyediakan platform kolaborasi AI yang terbuka bagi pengguna, mengubah pengguna dari era Web2 sebagai pengguna AI 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 inovatif dan cara bermain.

Berdasarkan teknologi Web3, pengembangan dan aplikasi AI akan memasuki sistem ekonomi kolaboratif yang baru. Privasi data orang dapat terjaga, model data crowdsourcing 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 bantuan mekanisme kolaborasi crowdsourcing terdesentralisasi dan pasar AI terbuka, dapat terwujud sistem distribusi pendapatan yang adil, sehingga mendorong lebih banyak orang untuk mendorong 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 skenario 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 menciptakan beragam 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 terjun ke dalam bidang AI dapat menemukan pintu masuk yang sesuai di dunia ini.

Dua, Peta dan Arsitektur Proyek Ekosistem Web3-AI

Kami terutama meneliti 41 proyek di jalur Web3-AI dan mengelompokkan proyek-proyek ini ke dalam berbagai tingkat. Logika pembagian setiap tingkat ditunjukkan pada gambar di bawah ini, termasuk lapisan infrastruktur, lapisan tengah, dan lapisan aplikasi, di mana setiap lapisan dibagi lagi menjadi berbagai sektor. Di bab berikutnya, kami akan melakukan analisis kedalaman terhadap beberapa proyek yang memiliki representasi.

Lapisan infrastruktur mencakup sumber daya komputasi dan arsitektur teknologi yang mendukung operasi seluruh siklus hidup AI, lapisan tengah mencakup manajemen data, pengembangan model, dan layanan inferensi verifikasi 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, 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 pemanfaatan 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 menghasilkan 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: Memanfaatkan blockchain sebagai dasar siklus hidup AI, untuk mewujudkan interaksi sumber daya AI baik di dalam maupun di luar rantai secara seamless, dan mendorong perkembangan ekosistem industri. Pasar AI terdesentralisasi di dalam rantai dapat memperdagangkan aset AI seperti data, model, dan agen, serta menyediakan kerangka pengembangan AI dan alat pengembangan yang mendukung, dengan proyek-proyek perwakilan seperti Sahara AI. AI Chain juga dapat mendorong 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 satu atap membantu pengembang untuk lebih mudah membuat, melatih, dan menerapkan model AI, seperti proyek Nimble. Infrastruktur ini memfasilitasi penerapan teknologi AI yang luas dalam ekosistem Web3.

Lapisan tengah:

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

• Data: Kualitas dan jumlah data adalah faktor kunci yang mempengaruhi efektivitas pelatihan model. Di dunia Web3, melalui pengumpulan data secara crowdsourcing dan pemrosesan data kolaboratif, pemanfaatan sumber daya dapat dioptimalkan dan biaya data dapat ditekan. Pengguna dapat memiliki otonomi atas data mereka, menjual data mereka dengan perlindungan privasi untuk menghindari pencurian data oleh pedagang yang tidak bertanggung jawab dan meraih keuntungan besar. Bagi pihak yang membutuhkan data, platform-platform ini menawarkan pilihan yang luas dan biaya yang sangat rendah. Proyek representatif 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 ahli di bidang tertentu atau pengguna biasa untuk melakukan tugas praproses data, seperti pelabelan gambar dan klasifikasi data, yang mungkin memerlukan pengetahuan profesional dalam pengolahan data keuangan dan hukum. Pengguna dapat men-token-kan keterampilan mereka untuk mewujudkan kolaborasi crowdsourcing dalam praproses data. Contohnya seperti pasar AI Sahara AI, yang memiliki berbagai tugas data di bidang yang berbeda dan dapat mencakup berbagai skenario data; sementara AIT Protocol melakukan pelabelan data melalui cara kolaborasi manusia dan mesin.

• Model: Dalam proses pengembangan AI yang telah disebutkan sebelumnya, berbagai jenis kebutuhan perlu dicocokkan dengan model yang sesuai. Model yang umum digunakan untuk tugas gambar seperti CNN dan 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 tertentu atau umum. Kedalaman model yang dibutuhkan bervariasi tergantung pada kompleksitas tugas, terkadang perlu dilakukan penyesuaian 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 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 berbahaya, dll. Inferensi Web3 biasanya dapat diintegrasikan dalam kontrak pintar, dengan memanggil model untuk melakukan inferensi, metode verifikasi yang umum termasuk teknologi seperti ZKML, OPML, dan TEE. Proyek yang mewakili seperti ORA AI oracle di blockchain (OAO), memperkenalkan OPML sebagai lapisan yang dapat diverifikasi untuk oracle AI, di situs resmi ORA juga disebutkan penelitian mereka tentang ZKML dan opp/ai (ZKML menggabungkan OPML).

Lapisan aplikasi:

Lapisan ini terutama merupakan aplikasi yang langsung ditujukan kepada pengguna, menggabungkan AI dengan Web3, menciptakan lebih banyak hal yang menarik.