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

Dengan meningkatnya ketertarikan terhadap narasi AI, semakin banyak perhatian terfokus pada jalur ini. Artikel ini melakukan analisis mendalam terhadap logika teknologi, skenario aplikasi, dan proyek perwakilan di jalur Web3-AI, menyajikan panorama dan tren perkembangan di bidang ini secara komprehensif.

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 yang muncul bak jamur setelah hujan. Meskipun banyak proyek yang melibatkan teknologi AI, beberapa proyek hanya menggunakan AI di beberapa bagian produknya, 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 penggunaan blockchain untuk menyelesaikan masalah hubungan produksi, dan proyek yang menggunakan AI untuk menyelesaikan masalah produktivitas. Proyek-proyek ini sendiri menyediakan produk AI, sekaligus berbasis pada model ekonomi Web3 sebagai alat hubungan produksi, keduanya saling melengkapi. Kami mengklasifikasikan 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 penggabungan Web3 dan AI dapat secara sempurna menyelesaikan masalah dan menciptakan skenario aplikasi baru.

1.2 Proses dan Tantangan Pengembangan AI: 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, 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 melibatkan beberapa langkah kunci berikut: pengumpulan data dan pra-pemrosesan data, pemilihan dan penyetelan model, pelatihan model dan inferensi. Sebagai contoh sederhana, untuk mengembangkan sebuah model yang mengklasifikasikan gambar kucing dan anjing, Anda perlu:

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 ke dalam format yang dapat dikenali oleh 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 dengan 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 cluster komputasi berkinerja tinggi, waktu pelatihan dipengaruhi oleh kompleksitas model dan kemampuan komputasi.

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

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

Model AI yang telah dilatih dapat lebih lanjut diintegrasikan ke dalam berbagai aplikasi, menjalankan 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 kemudian 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 mereka dan digunakan untuk pelatihan AI.

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

Pemilihan dan penyesuaian model: Untuk tim kecil, sulit untuk mendapatkan sumber daya model di bidang tertentu atau menghabiskan banyak biaya untuk penyesuaian model.

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

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

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

1.3 Web3 dan AI: Sinergi Efek, Perubahan Peran dan Aplikasi Inovatif

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

Berdasarkan teknologi Web3, pengembangan dan aplikasi AI akan memasuki sebuah sistem ekonomi kolaboratif yang baru. Privasi data orang dapat terjamin, model data crowdsourcing mendorong kemajuan model AI, banyak sumber daya AI sumber terbuka yang dapat digunakan oleh pengguna, dan daya komputasi yang dibagikan dapat diperoleh dengan biaya yang lebih rendah. Dengan memanfaatkan mekanisme kolaboratif crowdsourcing yang terdesentralisasi dan pasar AI yang terbuka, sistem distribusi pendapatan yang adil dapat diwujudkan, sehingga mendorong lebih banyak orang untuk mendorong kemajuan teknologi AI.

Dalam skenario Web3, AI dapat menghasilkan 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, kluster sosial, dan berbagai fungsi lainnya. AI generatif tidak hanya memungkinkan pengguna mengalami peran "seniman", seperti menggunakan teknologi AI untuk menciptakan NFT mereka sendiri, tetapi juga dapat menciptakan berbagai skenario permainan yang kaya dan pengalaman interaksi yang menarik dalam GameFi. Infrastruktur yang kaya menyediakan pengalaman pengembangan yang lancar, baik bagi ahli AI maupun pemula yang ingin memasuki bidang AI dapat menemukan pintu masuk yang sesuai 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 tingkatan. 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 representatif.

Lapisan infrastruktur mencakup sumber daya komputasi dan arsitektur teknis yang mendukung operasi seluruh siklus hidup AI, lapisan tengah mencakup manajemen data, pengembangan model, dan layanan validasi inferensi yang menghubungkan infrastruktur dengan aplikasi, sedangkan lapisan aplikasi fokus pada berbagai aplikasi dan solusi yang langsung ditujukan kepada pengguna.

Lapisan infrastruktur:

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

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

• AI Chain: Memanfaatkan blockchain sebagai dasar siklus hidup AI, untuk mewujudkan interaksi sumber daya AI yang mulus 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 mendukung, dengan proyek perwakilan seperti Sahara AI. AI Chain juga dapat memfasilitasi kemajuan teknologi AI di berbagai bidang, seperti Bittensor yang mendorong kompetisi subnet dari berbagai jenis AI 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, dengan proyek perwakilan seperti Nimble. Infrastruktur ini mendorong penerapan teknologi AI yang luas dalam ekosistem Web3.

Lapisan tengah:

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

• Data: Kualitas dan jumlah data merupakan faktor kunci yang mempengaruhi efektivitas pelatihan model. Di dunia Web3, melalui data yang diperoleh secara crowdsourcing dan pemrosesan data kolaboratif, pemanfaatan sumber daya dapat dioptimalkan dan biaya data dapat ditekan. Pengguna dapat memiliki hak atas data mereka, menjual data mereka sendiri dalam perlindungan privasi, untuk menghindari pencurian data oleh para pelaku bisnis yang tidak baik dan meraih keuntungan yang tinggi. Bagi pihak yang membutuhkan data, platform ini menawarkan berbagai pilihan dan biaya yang sangat rendah. Proyek yang mewakili 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 pra-pemrosesan data, seperti penandaan gambar dan pengkategorian 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. Contohnya adalah pasar AI seperti Sahara AI, yang memiliki berbagai tugas data di berbagai bidang, dapat mencakup skenario data multi-bidang; sementara AIT Protocol melakukan penandaan data dengan cara kolaborasi manusia-mesin.

• Model: Dalam proses pengembangan AI yang telah disebutkan sebelumnya, berbagai jenis kebutuhan perlu mencocokkan model yang sesuai. Model yang umum digunakan untuk tugas gambar seperti CNN, GAN, untuk tugas deteksi objek dapat memilih seri Yolo, sedangkan untuk tugas teks model yang umum adalah RNN, Transformer, dan tentu saja ada beberapa model besar tertentu atau umum. Kedalaman model yang diperlukan untuk tugas dengan kompleksitas yang berbeda juga bervariasi, 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 layer penyimpanan dan layer distribusi untuk optimasi model. Alat pengembangan yang disediakan oleh Sahara AI dilengkapi dengan algoritma AI canggih dan kerangka komputasi, serta memiliki kemampuan pelatihan kolaboratif.

• Penalaran dan verifikasi: Setelah model dilatih, model akan menghasilkan file bobot model yang dapat digunakan untuk melakukan klasifikasi, prediksi, atau tugas tertentu lainnya, proses ini disebut penalaran. Proses penalaran biasanya disertai dengan mekanisme verifikasi untuk memverifikasi apakah sumber model penalaran benar, apakah ada perilaku jahat, dll. Penalaran Web3 biasanya dapat diintegrasikan dalam kontrak pintar, dengan memanggil model untuk melakukan penalaran, metode verifikasi yang umum termasuk teknologi ZKML, OPML, dan TEE. Proyek perwakilan seperti orakel AI di blockchain ORA (OAO), telah memperkenalkan OPML sebagai lapisan yang dapat diverifikasi untuk orakel AI, di situs resmi ORA juga disebutkan penelitian mereka tentang ZKML dan opp/ai (ZKML digabungkan 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 merangkum proyek-proyek di beberapa bagian seperti AIGC (Konten yang Dihasilkan AI), Agen AI, dan Analisis Data.

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