Informe panorámico de Web3-AI: análisis profundo de la lógica técnica, aplicaciones en escenarios y proyectos de primer nivel Profundidad
Con el continuo auge de la narrativa de IA, cada vez más atención se centra en este sector. Se ha realizado un análisis profundo de la lógica técnica, los escenarios de aplicación y los proyectos representativos del sector Web3-AI, presentando de manera integral el panorama y las tendencias de desarrollo en este campo.
Uno, Web3-AI: Análisis de la lógica técnica y las oportunidades del mercado emergente
1.1 Lógica de fusión entre Web3 y AI: cómo definir la pista Web-AI
En el último año, la narración de IA ha sido excepcionalmente popular en la industria de Web3, y los proyectos de IA han surgido como setas después de la lluvia. Aunque existen muchos proyectos que involucran tecnología de IA, algunos de ellos solo utilizan IA en ciertas partes de sus productos, y la economía de tokens subyacente no tiene una relación sustancial con los productos de IA, por lo que estos proyectos no se incluirán en la discusión de proyectos Web3-AI en este artículo.
El enfoque de este artículo radica en usar blockchain para resolver problemas de relaciones de producción, y proyectos donde la IA aborda problemas de productividad. Estos proyectos ofrecen productos de IA y, al mismo tiempo, utilizan modelos económicos de Web3 como herramientas de relaciones de producción, siendo ambos complementarios. Clasificamos este tipo de proyectos como la ruta Web3-AI. Para que los lectores entiendan mejor la ruta Web3-AI, se presentará una introducción al proceso de desarrollo de la IA y sus desafíos, así como cómo la combinación de Web3 y IA resuelve problemas de manera perfecta y crea nuevos escenarios de aplicación.
1.2 El proceso de desarrollo de la IA y los desafíos: desde la recopilación de datos hasta la inferencia del modelo
La tecnología de IA es una técnica que permite a las computadoras simular, ampliar y mejorar la inteligencia humana. Puede hacer que las computadoras realicen una variedad de tareas complejas, desde la traducción de idiomas, la clasificación de imágenes hasta el reconocimiento facial, la conducción autónoma y otros escenarios de aplicación, la IA está cambiando la forma en que vivimos y trabajamos.
El proceso de desarrollo de modelos de inteligencia artificial generalmente incluye los siguientes pasos clave: recolección de datos y preprocesamiento de datos, selección y ajuste del modelo, entrenamiento y razonamiento del modelo. Por ejemplo, para desarrollar un modelo que clasifique imágenes de gatos y perros, necesitas:
Recolección de datos y preprocesamiento de datos: recolectar un conjunto de datos de imágenes que contengan gatos y perros, se puede utilizar un conjunto de datos público o recopilar datos reales por cuenta propia. Luego, etiquetar cada imagen con su categoría (gato o perro), asegurándose de que las etiquetas sean precisas. Convertir las imágenes a un formato que el modelo pueda reconocer, dividir el conjunto de datos en conjunto de entrenamiento, conjunto de validación y conjunto de prueba.
Selección y ajuste del modelo: Elija un modelo adecuado, como una red neuronal convolucional (CNN), que es más adecuada para tareas de clasificación de imágenes. Ajuste los parámetros o la arquitectura del modelo según las diferentes necesidades; en general, los niveles de red del modelo se pueden ajustar según la complejidad de la tarea de IA. En este sencillo ejemplo de clasificación, una red con niveles más superficiales puede ser suficiente.
Entrenamiento del modelo: se puede utilizar GPU, TPU o clústeres de computación de alto rendimiento para entrenar el modelo, y el tiempo de entrenamiento se ve afectado por la complejidad del modelo y la capacidad de cálculo.
Inferencia del modelo: El archivo del modelo entrenado generalmente se denomina peso del modelo, y el proceso de inferencia se refiere al proceso de utilizar un modelo ya entrenado para predecir o clasificar nuevos datos. En este proceso, se puede utilizar un conjunto de pruebas o nuevos datos para evaluar el rendimiento de clasificación del modelo, normalmente utilizando métricas como la precisión, la tasa de recuperación y el F1-score para evaluar la efectividad del modelo.
Como se muestra en la figura, después de la recolección de datos y el preprocesamiento de datos, la selección y ajuste del modelo, y el entrenamiento, se realizará la inferencia del modelo entrenado en el conjunto de prueba para obtener los valores de predicción de gatos y perros P (probabilidad), es decir, la probabilidad de que el modelo infiera que es un gato o un perro.
Los modelos de IA entrenados se pueden integrar aún más en diversas aplicaciones para realizar diferentes tareas. En este ejemplo, el modelo de IA para la clasificación de gatos y perros se puede integrar en una aplicación móvil, donde los usuarios suben imágenes de gatos o perros y obtienen resultados de clasificación.
Sin embargo, el proceso de desarrollo de IA centralizada presenta algunos problemas en los siguientes escenarios:
Privacidad del usuario: en un escenario centralizado, el proceso de desarrollo de la IA suele ser opaco. Los datos de los usuarios pueden ser robados sin su conocimiento y utilizados para el entrenamiento de la IA.
Obtención de fuentes de datos: Los equipos pequeños o individuos que intentan obtener datos en campos específicos (como los datos médicos) pueden enfrentar restricciones por la falta de apertura de los datos.
Selección y ajuste de modelos: para equipos pequeños, es difícil obtener recursos de modelo específicos del campo o gastar grandes costos en el ajuste de modelos.
Obtención de potencia de cálculo: Para los desarrolladores individuales y equipos pequeños, el alto costo de compra de GPU y los gastos de alquiler de potencia de cálculo en la nube pueden representar una carga económica significativa.
Ingresos de activos de IA: los trabajadores de etiquetado de datos a menudo no pueden obtener ingresos que coincidan con sus esfuerzos, y los resultados de investigación de los desarrolladores de IA también son difíciles de coincidir con los compradores que tienen demanda.
Los desafíos existentes en los escenarios de IA centralizada pueden abordarse mediante la combinación con Web3, que, como una nueva relación de producción, se adapta de manera natural a la IA, que representa nuevas fuerzas productivas, impulsando así el progreso simultáneo de la tecnología y la capacidad de producción.
1.3 La sinergia entre Web3 y la IA: cambio de roles y aplicaciones innovadoras
La combinación de Web3 y AI puede fortalecer la soberanía del usuario, proporcionando a los usuarios una plataforma de colaboración de IA abierta, permitiendo que los usuarios pasen de ser usuarios de IA en la era de Web2 a participantes, creando una IA que todos pueden poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología AI también puede dar lugar a más escenarios de aplicación innovadores y formas de jugar.
Basado en la tecnología Web3, el desarrollo y la aplicación de la IA darán la bienvenida a un nuevo sistema económico colaborativo. La privacidad de los datos de las personas puede ser protegida, el modelo de datos por crowdsourcing fomenta el avance de los modelos de IA, numerosos recursos de IA de código abierto están disponibles para los usuarios, y la capacidad de cálculo compartida se puede obtener a un costo más bajo. Con la ayuda de un mecanismo de colaboración descentralizado y un mercado de IA abierto, se puede lograr un sistema de distribución de ingresos justo, lo que incentivará a más personas a impulsar el avance de la tecnología de IA.
En el escenario de Web3, la IA puede tener un impacto positivo en múltiples sectores. Por ejemplo, los modelos de IA pueden integrarse en contratos inteligentes para mejorar la eficiencia laboral en diferentes aplicaciones, como análisis de mercado, detección de seguridad, agrupación social y muchas otras funciones. La IA generativa no solo permite a los usuarios experimentar el papel de "artista", como crear su propio NFT utilizando tecnología de IA, sino que también puede crear escenarios de juego variados y experiencias interactivas interesantes en GameFi. La rica infraestructura proporciona una experiencia de desarrollo fluida, donde tanto expertos en IA como nuevos aspirantes al campo de la IA pueden encontrar una entrada adecuada en este mundo.
Dos, interpretación del mapa y la arquitectura del proyecto ecosistema Web3-AI
Hemos investigado principalmente 41 proyectos en el campo de Web3-AI y hemos clasificado estos proyectos en diferentes niveles. La lógica de clasificación de cada nivel se muestra en la siguiente imagen, que incluye la capa de infraestructura, la capa intermedia y la capa de aplicación, cada una de las cuales se divide en diferentes secciones. En el siguiente capítulo, realizaremos un análisis profundo de algunos proyectos representativos.
La capa de infraestructura abarca los recursos computacionales y la arquitectura técnica que soportan el funcionamiento de todo el ciclo de vida de la IA, mientras que la capa intermedia incluye la gestión de datos, el desarrollo de modelos y los servicios de inferencia de validación que conectan la infraestructura con las aplicaciones. La capa de aplicaciones se centra en diversas aplicaciones y soluciones orientadas directamente al usuario.
Capa de infraestructura:
La capa de infraestructura es la base del ciclo de vida de la IA. Este artículo clasifica la potencia de cálculo, la AI Chain y la plataforma de desarrollo como parte de la capa de infraestructura. Es gracias al apoyo de estas infraestructuras que se puede llevar a cabo el entrenamiento y la inferencia de modelos de IA, y presentar aplicaciones de IA potentes y prácticas a los usuarios.
Red de computación descentralizada: puede proporcionar poder de cómputo distribuido para el entrenamiento de modelos de IA, asegurando un uso eficiente y económico de los recursos de computación. Algunos proyectos han ofrecido mercados de poder de cómputo descentralizados, donde los usuarios pueden alquilar poder de cómputo a bajo costo o compartir poder de cómputo para obtener ganancias, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevas formas de jugar, como Compute Labs, que ha propuesto un protocolo tokenizado, donde los usuarios pueden participar de diferentes maneras en el alquiler de poder de cómputo para obtener ganancias mediante la compra de NFT que representan entidades GPU.
AI Chain: Utiliza la blockchain como base para el ciclo de vida de la IA, logrando una interacción sin fisuras entre los recursos de IA en la cadena y fuera de ella, promoviendo el desarrollo del ecosistema de la industria. El mercado de IA descentralizado en la cadena permite el comercio de activos de IA como datos, modelos, agentes, etc., y proporciona un marco de desarrollo de IA y herramientas de desarrollo complementarias, representado por proyectos como Sahara AI. AI Chain también puede fomentar el progreso tecnológico de la IA en diferentes campos, como Bittensor, que promueve la competencia entre subredes de diferentes tipos de IA mediante un innovador mecanismo de incentivos de subred.
Plataforma de desarrollo: Algunos proyectos ofrecen plataformas de desarrollo de agentes de IA, que también pueden realizar transacciones de agentes de IA, como Fetch.ai y ChainML. Herramientas integrales ayudan a los desarrolladores a crear, entrenar y desplegar modelos de IA de manera más conveniente, representados por proyectos como Nimble. Esta infraestructura fomenta la amplia aplicación de la tecnología de IA en el ecosistema Web3.
Capa intermedia:
Esta capa involucra datos de IA, modelos, así como inferencia y verificación, utilizando tecnología Web3 se puede lograr una mayor eficiencia en el trabajo.
Datos: La calidad y cantidad de los datos son factores clave que afectan la efectividad del entrenamiento del modelo. En el mundo de Web3, a través de la recopilación de datos masiva y el procesamiento colaborativo de datos, se puede optimizar el uso de recursos y reducir los costos de datos. Los usuarios pueden tener autonomía sobre sus datos, vendiendo su propia información bajo protección de la privacidad, para evitar que comerciantes deshonestos roben datos y obtengan grandes ganancias. Para los demandantes de datos, estas plataformas ofrecen una amplia gama de opciones y costos muy bajos. Proyectos representativos como Grass utilizan el ancho de banda del usuario para extraer datos de la web, xData recopila información de medios a través de un plugin amigable para el usuario, y apoya a los usuarios en la carga de información de tweets.
Además, algunas plataformas permiten a expertos en el campo o a usuarios comunes realizar tareas de preprocesamiento de datos, como la etiquetación de imágenes y la clasificación de datos, estas tareas pueden requerir conocimientos especializados en finanzas y procesamiento de datos legales, los usuarios pueden tokenizar habilidades para lograr la colaboración en el crowdsourcing de preprocesamiento de datos. Ejemplos como el mercado de IA de Sahara AI, que cuenta con tareas de datos de diferentes campos, pueden abarcar escenarios de datos en múltiples dominios; mientras que AIT Protocolt etiqueta los datos mediante una colaboración hombre-máquina.
Modelo: En el proceso de desarrollo de IA mencionado anteriormente, diferentes tipos de necesidades requieren la correspondencia con el modelo adecuado. Los modelos comúnmente utilizados para tareas de imagen son como CNN, GAN; para tareas de detección de objetos se puede elegir la serie Yolo; para tareas de texto, los modelos comunes son RNN, Transformer, entre otros, y por supuesto, también hay algunos modelos grandes específicos o generales. La profundidad del modelo requerida para tareas de diferente complejidad también varía, y a veces es necesario ajustar el modelo.
Algunos proyectos permiten a los usuarios proporcionar diferentes tipos de modelos o colaborar en el entrenamiento de modelos a través del crowdsourcing, como Sentient, que mediante un diseño modular, permite a los usuarios almacenar datos de modelos confiables en la capa de almacenamiento y la capa de distribución para la optimización de modelos. Las herramientas de desarrollo proporcionadas por Sahara AI incorporan algoritmos de IA avanzados y un marco de computación, y tienen la capacidad de entrenamiento colaborativo.
Inferencia y verificación: Después de que el modelo ha sido entrenado, generará archivos de pesos del modelo que se pueden utilizar para realizar clasificación, predicción u otras tareas específicas, este proceso se llama inferencia. El proceso de inferencia generalmente viene acompañado de un mecanismo de verificación, para validar si la fuente del modelo de inferencia es correcta, si hay comportamientos maliciosos, etc. La inferencia en Web3 generalmente se puede integrar en contratos inteligentes, mediante la invocación del modelo para realizar inferencia, los métodos de verificación comunes incluyen tecnologías como ZKML, OPML y TEE. Proyectos representativos como el oráculo de IA en cadena ORA (OAO), han introducido OPML como una capa verificable para el oráculo de IA, y en el sitio web oficial de ORA también mencionaron su investigación sobre ZKML y opp/ai (ZKML combinado con OPML).
Capa de aplicación:
Esta capa se dirige principalmente a las aplicaciones orientadas al usuario, combinando IA con Web3 para crear más formas interesantes e innovadoras de jugar. Este artículo se centra en los proyectos de AIGC (Contenido Generado por IA), Agentes de IA y análisis de datos.
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
6 me gusta
Recompensa
6
4
Compartir
Comentar
0/400
GhostWalletSleuth
· hace22h
Definitivamente hay algo.
Ver originalesResponder0
HashBrownies
· hace22h
Contenido bueno, seguir
Ver originalesResponder0
TheShibaWhisperer
· hace22h
El Santo Corredor ha regresado.
Ver originalesResponder0
TokenEconomist
· hace22h
En realidad, el bombo de la IA necesita matemáticas.
Panorama de la pista Web3-AI: fusión tecnológica, escenarios de aplicación y análisis profundo de los principales proyectos
Informe panorámico de Web3-AI: análisis profundo de la lógica técnica, aplicaciones en escenarios y proyectos de primer nivel Profundidad
Con el continuo auge de la narrativa de IA, cada vez más atención se centra en este sector. Se ha realizado un análisis profundo de la lógica técnica, los escenarios de aplicación y los proyectos representativos del sector Web3-AI, presentando de manera integral el panorama y las tendencias de desarrollo en este campo.
Uno, Web3-AI: Análisis de la lógica técnica y las oportunidades del mercado emergente
1.1 Lógica de fusión entre Web3 y AI: cómo definir la pista Web-AI
En el último año, la narración de IA ha sido excepcionalmente popular en la industria de Web3, y los proyectos de IA han surgido como setas después de la lluvia. Aunque existen muchos proyectos que involucran tecnología de IA, algunos de ellos solo utilizan IA en ciertas partes de sus productos, y la economía de tokens subyacente no tiene una relación sustancial con los productos de IA, por lo que estos proyectos no se incluirán en la discusión de proyectos Web3-AI en este artículo.
El enfoque de este artículo radica en usar blockchain para resolver problemas de relaciones de producción, y proyectos donde la IA aborda problemas de productividad. Estos proyectos ofrecen productos de IA y, al mismo tiempo, utilizan modelos económicos de Web3 como herramientas de relaciones de producción, siendo ambos complementarios. Clasificamos este tipo de proyectos como la ruta Web3-AI. Para que los lectores entiendan mejor la ruta Web3-AI, se presentará una introducción al proceso de desarrollo de la IA y sus desafíos, así como cómo la combinación de Web3 y IA resuelve problemas de manera perfecta y crea nuevos escenarios de aplicación.
1.2 El proceso de desarrollo de la IA y los desafíos: desde la recopilación de datos hasta la inferencia del modelo
La tecnología de IA es una técnica que permite a las computadoras simular, ampliar y mejorar la inteligencia humana. Puede hacer que las computadoras realicen una variedad de tareas complejas, desde la traducción de idiomas, la clasificación de imágenes hasta el reconocimiento facial, la conducción autónoma y otros escenarios de aplicación, la IA está cambiando la forma en que vivimos y trabajamos.
El proceso de desarrollo de modelos de inteligencia artificial generalmente incluye los siguientes pasos clave: recolección de datos y preprocesamiento de datos, selección y ajuste del modelo, entrenamiento y razonamiento del modelo. Por ejemplo, para desarrollar un modelo que clasifique imágenes de gatos y perros, necesitas:
Recolección de datos y preprocesamiento de datos: recolectar un conjunto de datos de imágenes que contengan gatos y perros, se puede utilizar un conjunto de datos público o recopilar datos reales por cuenta propia. Luego, etiquetar cada imagen con su categoría (gato o perro), asegurándose de que las etiquetas sean precisas. Convertir las imágenes a un formato que el modelo pueda reconocer, dividir el conjunto de datos en conjunto de entrenamiento, conjunto de validación y conjunto de prueba.
Selección y ajuste del modelo: Elija un modelo adecuado, como una red neuronal convolucional (CNN), que es más adecuada para tareas de clasificación de imágenes. Ajuste los parámetros o la arquitectura del modelo según las diferentes necesidades; en general, los niveles de red del modelo se pueden ajustar según la complejidad de la tarea de IA. En este sencillo ejemplo de clasificación, una red con niveles más superficiales puede ser suficiente.
Entrenamiento del modelo: se puede utilizar GPU, TPU o clústeres de computación de alto rendimiento para entrenar el modelo, y el tiempo de entrenamiento se ve afectado por la complejidad del modelo y la capacidad de cálculo.
Inferencia del modelo: El archivo del modelo entrenado generalmente se denomina peso del modelo, y el proceso de inferencia se refiere al proceso de utilizar un modelo ya entrenado para predecir o clasificar nuevos datos. En este proceso, se puede utilizar un conjunto de pruebas o nuevos datos para evaluar el rendimiento de clasificación del modelo, normalmente utilizando métricas como la precisión, la tasa de recuperación y el F1-score para evaluar la efectividad del modelo.
Como se muestra en la figura, después de la recolección de datos y el preprocesamiento de datos, la selección y ajuste del modelo, y el entrenamiento, se realizará la inferencia del modelo entrenado en el conjunto de prueba para obtener los valores de predicción de gatos y perros P (probabilidad), es decir, la probabilidad de que el modelo infiera que es un gato o un perro.
Los modelos de IA entrenados se pueden integrar aún más en diversas aplicaciones para realizar diferentes tareas. En este ejemplo, el modelo de IA para la clasificación de gatos y perros se puede integrar en una aplicación móvil, donde los usuarios suben imágenes de gatos o perros y obtienen resultados de clasificación.
Sin embargo, el proceso de desarrollo de IA centralizada presenta algunos problemas en los siguientes escenarios:
Privacidad del usuario: en un escenario centralizado, el proceso de desarrollo de la IA suele ser opaco. Los datos de los usuarios pueden ser robados sin su conocimiento y utilizados para el entrenamiento de la IA.
Obtención de fuentes de datos: Los equipos pequeños o individuos que intentan obtener datos en campos específicos (como los datos médicos) pueden enfrentar restricciones por la falta de apertura de los datos.
Selección y ajuste de modelos: para equipos pequeños, es difícil obtener recursos de modelo específicos del campo o gastar grandes costos en el ajuste de modelos.
Obtención de potencia de cálculo: Para los desarrolladores individuales y equipos pequeños, el alto costo de compra de GPU y los gastos de alquiler de potencia de cálculo en la nube pueden representar una carga económica significativa.
Ingresos de activos de IA: los trabajadores de etiquetado de datos a menudo no pueden obtener ingresos que coincidan con sus esfuerzos, y los resultados de investigación de los desarrolladores de IA también son difíciles de coincidir con los compradores que tienen demanda.
Los desafíos existentes en los escenarios de IA centralizada pueden abordarse mediante la combinación con Web3, que, como una nueva relación de producción, se adapta de manera natural a la IA, que representa nuevas fuerzas productivas, impulsando así el progreso simultáneo de la tecnología y la capacidad de producción.
1.3 La sinergia entre Web3 y la IA: cambio de roles y aplicaciones innovadoras
La combinación de Web3 y AI puede fortalecer la soberanía del usuario, proporcionando a los usuarios una plataforma de colaboración de IA abierta, permitiendo que los usuarios pasen de ser usuarios de IA en la era de Web2 a participantes, creando una IA que todos pueden poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología AI también puede dar lugar a más escenarios de aplicación innovadores y formas de jugar.
Basado en la tecnología Web3, el desarrollo y la aplicación de la IA darán la bienvenida a un nuevo sistema económico colaborativo. La privacidad de los datos de las personas puede ser protegida, el modelo de datos por crowdsourcing fomenta el avance de los modelos de IA, numerosos recursos de IA de código abierto están disponibles para los usuarios, y la capacidad de cálculo compartida se puede obtener a un costo más bajo. Con la ayuda de un mecanismo de colaboración descentralizado y un mercado de IA abierto, se puede lograr un sistema de distribución de ingresos justo, lo que incentivará a más personas a impulsar el avance de la tecnología de IA.
En el escenario de Web3, la IA puede tener un impacto positivo en múltiples sectores. Por ejemplo, los modelos de IA pueden integrarse en contratos inteligentes para mejorar la eficiencia laboral en diferentes aplicaciones, como análisis de mercado, detección de seguridad, agrupación social y muchas otras funciones. La IA generativa no solo permite a los usuarios experimentar el papel de "artista", como crear su propio NFT utilizando tecnología de IA, sino que también puede crear escenarios de juego variados y experiencias interactivas interesantes en GameFi. La rica infraestructura proporciona una experiencia de desarrollo fluida, donde tanto expertos en IA como nuevos aspirantes al campo de la IA pueden encontrar una entrada adecuada en este mundo.
Dos, interpretación del mapa y la arquitectura del proyecto ecosistema Web3-AI
Hemos investigado principalmente 41 proyectos en el campo de Web3-AI y hemos clasificado estos proyectos en diferentes niveles. La lógica de clasificación de cada nivel se muestra en la siguiente imagen, que incluye la capa de infraestructura, la capa intermedia y la capa de aplicación, cada una de las cuales se divide en diferentes secciones. En el siguiente capítulo, realizaremos un análisis profundo de algunos proyectos representativos.
La capa de infraestructura abarca los recursos computacionales y la arquitectura técnica que soportan el funcionamiento de todo el ciclo de vida de la IA, mientras que la capa intermedia incluye la gestión de datos, el desarrollo de modelos y los servicios de inferencia de validación que conectan la infraestructura con las aplicaciones. La capa de aplicaciones se centra en diversas aplicaciones y soluciones orientadas directamente al usuario.
Capa de infraestructura:
La capa de infraestructura es la base del ciclo de vida de la IA. Este artículo clasifica la potencia de cálculo, la AI Chain y la plataforma de desarrollo como parte de la capa de infraestructura. Es gracias al apoyo de estas infraestructuras que se puede llevar a cabo el entrenamiento y la inferencia de modelos de IA, y presentar aplicaciones de IA potentes y prácticas a los usuarios.
Red de computación descentralizada: puede proporcionar poder de cómputo distribuido para el entrenamiento de modelos de IA, asegurando un uso eficiente y económico de los recursos de computación. Algunos proyectos han ofrecido mercados de poder de cómputo descentralizados, donde los usuarios pueden alquilar poder de cómputo a bajo costo o compartir poder de cómputo para obtener ganancias, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevas formas de jugar, como Compute Labs, que ha propuesto un protocolo tokenizado, donde los usuarios pueden participar de diferentes maneras en el alquiler de poder de cómputo para obtener ganancias mediante la compra de NFT que representan entidades GPU.
AI Chain: Utiliza la blockchain como base para el ciclo de vida de la IA, logrando una interacción sin fisuras entre los recursos de IA en la cadena y fuera de ella, promoviendo el desarrollo del ecosistema de la industria. El mercado de IA descentralizado en la cadena permite el comercio de activos de IA como datos, modelos, agentes, etc., y proporciona un marco de desarrollo de IA y herramientas de desarrollo complementarias, representado por proyectos como Sahara AI. AI Chain también puede fomentar el progreso tecnológico de la IA en diferentes campos, como Bittensor, que promueve la competencia entre subredes de diferentes tipos de IA mediante un innovador mecanismo de incentivos de subred.
Plataforma de desarrollo: Algunos proyectos ofrecen plataformas de desarrollo de agentes de IA, que también pueden realizar transacciones de agentes de IA, como Fetch.ai y ChainML. Herramientas integrales ayudan a los desarrolladores a crear, entrenar y desplegar modelos de IA de manera más conveniente, representados por proyectos como Nimble. Esta infraestructura fomenta la amplia aplicación de la tecnología de IA en el ecosistema Web3.
Capa intermedia:
Esta capa involucra datos de IA, modelos, así como inferencia y verificación, utilizando tecnología Web3 se puede lograr una mayor eficiencia en el trabajo.
Además, algunas plataformas permiten a expertos en el campo o a usuarios comunes realizar tareas de preprocesamiento de datos, como la etiquetación de imágenes y la clasificación de datos, estas tareas pueden requerir conocimientos especializados en finanzas y procesamiento de datos legales, los usuarios pueden tokenizar habilidades para lograr la colaboración en el crowdsourcing de preprocesamiento de datos. Ejemplos como el mercado de IA de Sahara AI, que cuenta con tareas de datos de diferentes campos, pueden abarcar escenarios de datos en múltiples dominios; mientras que AIT Protocolt etiqueta los datos mediante una colaboración hombre-máquina.
Algunos proyectos permiten a los usuarios proporcionar diferentes tipos de modelos o colaborar en el entrenamiento de modelos a través del crowdsourcing, como Sentient, que mediante un diseño modular, permite a los usuarios almacenar datos de modelos confiables en la capa de almacenamiento y la capa de distribución para la optimización de modelos. Las herramientas de desarrollo proporcionadas por Sahara AI incorporan algoritmos de IA avanzados y un marco de computación, y tienen la capacidad de entrenamiento colaborativo.
Capa de aplicación:
Esta capa se dirige principalmente a las aplicaciones orientadas al usuario, combinando IA con Web3 para crear más formas interesantes e innovadoras de jugar. Este artículo se centra en los proyectos de AIGC (Contenido Generado por IA), Agentes de IA y análisis de datos.