Rapport panoramique sur la piste Web3-AI : analyse approfondie de la logique technique, des applications de scénario et des projets de premier plan Depth
Avec la montée en puissance de la narration AI, de plus en plus d'attention se concentre sur ce secteur. Une analyse approfondie de la logique technique, des cas d'utilisation et des projets représentatifs du secteur Web3-AI a été réalisée, afin de vous présenter de manière complète le panorama et les tendances de développement dans ce domaine.
I. Web3-AI : Analyse de la logique technologique et des opportunités de marché émergentes
1.1 Logique de fusion entre Web3 et AI : comment définir le domaine Web-AI
Au cours de l'année écoulée, la narration AI a connu une popularité exceptionnelle dans l'industrie Web3, avec des projets AI qui fleurissent comme des champignons après la pluie. Bien qu'il existe de nombreux projets impliquant des technologies AI, certains projets n'utilisent l'AI que dans certaines parties de leurs produits, et l'économie des tokens sous-jacente n'a pas de lien substantiel avec les produits AI. Par conséquent, ces projets ne font pas partie de la discussion sur les projets Web3-AI dans cet article.
L'article se concentre sur l'utilisation de la blockchain pour résoudre les problèmes de relations de production, et sur les projets où l'IA résout les problèmes de productivité. Ces projets offrent eux-mêmes des produits d'IA tout en se basant sur un modèle économique Web3 en tant qu'outil de relations de production, les deux étant complémentaires. Nous classifions ces projets dans la catégorie Web3-AI. Afin d'aider les lecteurs à mieux comprendre la catégorie Web3-AI, nous allons présenter le processus de développement de l'IA et les défis associés, ainsi que la manière dont la combinaison de Web3 et d'IA peut résoudre parfaitement les problèmes et créer de nouveaux cas d'utilisation.
1.2 Le processus de développement de l'IA et ses défis : de la collecte de données à l'inférence du modèle
La technologie AI est une technologie qui permet aux ordinateurs de simuler, d'étendre et d'améliorer l'intelligence humaine. Elle permet aux ordinateurs d'exécuter diverses tâches complexes, allant de la traduction de langues, de la classification d'images à la reconnaissance faciale, aux applications de conduite autonome, l'IA est en train de changer notre façon de vivre et de travailler.
Le processus de développement d'un modèle d'intelligence artificielle comprend généralement les étapes clés suivantes : collecte de données et prétraitement des données, sélection et réglage du modèle, entraînement et inférence du modèle. Prenons un exemple simple, pour développer un modèle qui classe des images de chats et de chiens, vous aurez besoin de :
Collecte de données et prétraitement des données : Collectez un ensemble de données d'images contenant des chats et des chiens, en utilisant un ensemble de données public ou en collectant des données réelles par vous-même. Ensuite, étiquetez chaque image avec sa catégorie (chat ou chien), en vous assurant que les étiquettes sont exactes. Transformez les images en un format que le modèle peut reconnaître et divisez l'ensemble de données en ensemble d'entraînement, ensemble de validation et ensemble de test.
Choix et ajustement du modèle : choisir un modèle approprié, par exemple un réseau de neurones convolutionnel (CNN), qui est particulièrement adapté aux tâches de classification d'images. Ajuster les paramètres ou l'architecture du modèle en fonction des besoins différents. En général, la profondeur du réseau du modèle peut être ajustée en fonction de la complexité de la tâche d'IA. Dans cet exemple simple de classification, un réseau moins profond peut suffire.
Entraînement du modèle : il est possible d'utiliser des GPU, TPU ou un cluster de calcul haute performance pour entraîner le modèle, le temps d'entraînement étant influencé par la complexité du modèle et la capacité de calcul.
Inférence du modèle : Les fichiers de modèle entraînés sont généralement appelés poids du modèle. Le processus d'inférence fait référence à l'utilisation d'un modèle déjà entraîné pour prédire ou classifier de nouvelles données. Dans ce processus, on peut utiliser un ensemble de test ou de nouvelles données pour évaluer l'efficacité de la classification du modèle, généralement en utilisant des indicateurs tels que la précision, le rappel, le F1-score, etc.
Comme indiqué sur l'image, après la collecte de données et le prétraitement des données, le choix et l'optimisation du modèle, et l'entraînement, le modèle entraîné sera utilisé pour effectuer des inférences sur le jeu de test afin d'obtenir les valeurs prédites pour les chats et les chiens P (probabilité), c'est-à-dire la probabilité que le modèle infère qu'il s'agit d'un chat ou d'un chien.
Les modèles d'IA entraînés peuvent être intégrés dans diverses applications pour exécuter différentes tâches. Dans cet exemple, un modèle d'IA de classification de chats et de chiens peut être intégré dans une application mobile, où les utilisateurs téléchargent une photo de chat ou de chien pour obtenir un résultat de classification.
Cependant, le processus de développement de l'IA centralisée présente certains problèmes dans les scénarios suivants :
Confidentialité des utilisateurs : dans des scénarios centralisés, le processus de développement de l'IA est souvent opaque. Les données des utilisateurs peuvent être volées à leur insu et utilisées pour l'entraînement de l'IA.
Source de données : Les petites équipes ou les particuliers peuvent être confrontés à des limitations d'accès aux données dans des domaines spécifiques (comme les données médicales) lorsqu'elles ne sont pas open source.
Sélection et optimisation des modèles : pour les petites équipes, il est difficile d'accéder à des ressources de modèles spécifiques ou de dépenser des sommes importantes pour l'optimisation des modèles.
Obtention de puissance de calcul : Pour les développeurs individuels et les petites équipes, le coût élevé d'achat de GPU et les frais de location de puissance de calcul dans le cloud peuvent constituer un fardeau économique significatif.
Revenus des actifs AI : Les travailleurs de l'annotation de données obtiennent souvent des revenus qui ne correspondent pas à leurs efforts, tandis que les résultats de recherche des développeurs d'IA ont également du mal à s'aligner avec les acheteurs ayant des besoins.
Les défis existant dans les scénarios d'IA centralisée peuvent être surmontés en les combinant avec le Web3. Le Web3, en tant que nouvelle relation de production, s'adapte naturellement à l'IA représentant une nouvelle productivité, favorisant ainsi le progrès simultané de la technologie et des capacités de production.
1.3 Web3 et l'effet de synergie de l'IA : transformation des rôles et applications innovantes
La combinaison de Web3 et de l'IA peut renforcer la souveraineté des utilisateurs, en fournissant aux utilisateurs une plateforme de collaboration IA ouverte, permettant aux utilisateurs de passer du statut d'utilisateurs d'IA de l'ère Web2 à celui de participants, créant une IA que tout le monde peut posséder. En même temps, la fusion du monde Web3 avec la technologie IA peut également donner lieu à davantage de scénarios d'application innovants et de nouvelles manières de jouer.
Avec la technologie Web3, le développement et l'application de l'IA entreront dans un tout nouveau système économique collaboratif. La confidentialité des données des utilisateurs sera protégée, le modèle de crowdsourcing des données favorisera le progrès des modèles d'IA, et de nombreuses ressources d'IA open source seront disponibles pour les utilisateurs, tandis que la puissance de calcul partagée pourra être obtenue à moindre coût. Grâce à un mécanisme de collaboration décentralisé et à un marché d'IA ouvert, il sera possible de réaliser un système de distribution des revenus équitable, ce qui incitera davantage de personnes à faire progresser la technologie de l'IA.
Dans le contexte de Web3, l'IA peut avoir un impact positif dans plusieurs domaines. Par exemple, les modèles d'IA peuvent être intégrés dans des contrats intelligents pour améliorer l'efficacité du travail dans différents scénarios d'application, tels que l'analyse de marché, la détection de sécurité, le clustering social, et bien d'autres fonctions. L'IA générative permet non seulement aux utilisateurs de vivre le rôle d'"artiste", comme en créant leurs propres NFT avec la technologie IA, mais elle peut aussi créer des scènes de jeu variées et des expériences interactives intéressantes dans GameFi. Une infrastructure riche offre une expérience de développement fluide, que ce soit pour les experts en IA ou pour les novices souhaitant entrer dans le domaine de l'IA, chacun peut trouver une entrée appropriée dans ce monde.
Deux, interprétation de la carte et de l'architecture des projets écosystémiques Web3-AI
Nous avons principalement étudié 41 projets dans le domaine Web3-AI et avons classé ces projets en différentes couches. La logique de classification de chaque couche est illustrée dans le schéma ci-dessous, comprenant la couche d'infrastructure, la couche intermédiaire et la couche d'application, chacune subdivisée en différents segments. Dans le chapitre suivant, nous effectuerons une analyse approfondie de certains projets représentatifs.
La couche d'infrastructure couvre les ressources informatiques et l'architecture technique qui soutiennent l'ensemble du cycle de vie de l'IA, la couche intermédiaire comprend la gestion des données, le développement de modèles et les services de validation et d'inférence qui relient l'infrastructure aux applications, tandis que la couche d'application se concentre sur divers types d'applications et de solutions directement destinées aux utilisateurs.
Couche d'infrastructure :
La couche d'infrastructure est la base du cycle de vie de l'IA. Cet article classe la puissance de calcul, AI Chain et la plateforme de développement comme faisant partie de la couche d'infrastructure. C'est grâce à ces infrastructures que la formation et l'inférence des modèles d'IA peuvent être réalisées, et que des applications IA puissantes et pratiques peuvent être présentées aux utilisateurs.
Réseau de calcul décentralisé : peut fournir une puissance de calcul distribuée pour l'entraînement de modèles d'IA, garantissant une utilisation efficace et économique des ressources de calcul. Certains projets ont mis en place un marché de puissance de calcul décentralisé, où les utilisateurs peuvent louer de la puissance de calcul à faible coût ou partager leur puissance de calcul pour obtenir des bénéfices, des projets représentatifs comme IO.NET et Hyperbolic. De plus, certains projets ont dérivé de nouvelles manières de jouer, comme Compute Labs, qui a proposé un protocole de tokenisation permettant aux utilisateurs de participer de différentes manières à la location de puissance de calcul pour obtenir des bénéfices en achetant des NFT représentant des entités GPU.
AI Chain : Utilise la blockchain comme base pour le cycle de vie de l'IA, réalisant une interaction transparente entre les ressources IA en ligne et hors ligne, et favorisant le développement de l'écosystème industriel. Le marché décentralisé de l'IA sur la blockchain peut échanger des actifs IA tels que des données, des modèles, des agents, etc., et fournir un cadre de développement IA ainsi que des outils de développement associés, avec des projets représentatifs comme Sahara AI. AI Chain peut également promouvoir les avancées technologiques de l'IA dans différents domaines, comme Bittensor qui favorise la compétition entre différents types de sous-réseaux grâce à un mécanisme d'incitation innovant.
Plateforme de développement : certains projets proposent des plateformes de développement d'agents AI, permettant également le trading d'agents AI, comme Fetch.ai et ChainML. Des outils tout-en-un aident les développeurs à créer, entraîner et déployer des modèles AI plus facilement, représentés par des projets comme Nimble. Ces infrastructures favorisent l'application généralisée de la technologie AI dans l'écosystème Web3.
Couche intermédiaire :
Ce niveau concerne les données AI, les modèles ainsi que le raisonnement et la validation, et l'utilisation de la technologie Web3 peut permettre une plus grande efficacité au travail.
Données : La qualité et la quantité des données sont des facteurs clés influençant l'efficacité de l'entraînement des modèles. Dans le monde du Web3, l'optimisation de l'utilisation des ressources et la réduction des coûts des données peuvent être réalisées par le biais de données crowdsourcées et de traitements collaboratifs des données. Les utilisateurs peuvent avoir le contrôle de leurs données et vendre leurs propres données dans le respect de la protection de la vie privée, afin d'éviter que des commerçants malveillants ne volent leurs données et ne réalisent d'énormes profits. Pour les demandeurs de données, ces plateformes offrent un large éventail de choix et des coûts très bas. Des projets représentatifs comme Grass utilisent la bande passante des utilisateurs pour récupérer des données Web, xData collecte des informations médiatiques via des plugins conviviaux et permet aux utilisateurs de télécharger des informations sur les tweets.
De plus, certaines plateformes permettent aux experts du domaine ou aux utilisateurs ordinaires d'exécuter des tâches de prétraitement des données, telles que l'annotation d'images et la classification des données, qui peuvent nécessiter un traitement des données pour des tâches financières et juridiques nécessitant une expertise. Les utilisateurs peuvent tokeniser leurs compétences pour réaliser une collaboration en crowdsourcing sur le prétraitement des données. Par exemple, le marché d'IA de Sahara AI propose des tâches de données dans différents domaines, couvrant des scénarios de données multi-domaines ; tandis que le protocole AIT utilise une approche de collaboration homme-machine pour annoter les données.
Modèle : Dans le processus de développement de l'IA mentionné précédemment, différents types de besoins nécessitent de faire correspondre des modèles appropriés. Les modèles couramment utilisés pour les tâches d'image incluent CNN, GAN, les tâches de détection d'objets peuvent choisir la série Yolo, pour les tâches textuelles, des modèles tels que RNN, Transformer, etc. sont courants, bien sûr, il existe également des modèles spécifiques ou généraux. La profondeur des modèles nécessaires pour des tâches de complexité différente varie également, et il peut parfois être nécessaire d'ajuster les modèles.
Certains projets permettent aux utilisateurs de fournir différents types de modèles ou de collaborer à l'entraînement de modèles par le biais de l'crowdsourcing, comme Sentient qui, grâce à une conception modulaire, permet aux utilisateurs de placer des données de modèle fiables dans la couche de stockage et la couche de distribution pour optimiser le modèle. Les outils de développement fournis par Sahara AI intègrent des algorithmes d'IA avancés et des cadres de calcul, et possèdent la capacité d'entraînement collaboratif.
Inférence et validation : après l'entraînement du modèle, un fichier de poids du modèle est généré, pouvant être utilisé pour la classification, la prédiction ou d'autres tâches spécifiques, ce processus est appelé inférence. Le processus d'inférence est généralement accompagné d'un mécanisme de validation pour vérifier si la source du modèle d'inférence est correcte, s'il y a des comportements malveillants, etc. L'inférence Web3 peut souvent être intégrée dans des contrats intelligents, en appelant le modèle pour effectuer l'inférence, les méthodes de validation courantes incluent des technologies telles que ZKML, OPML et TEE. Des projets représentatifs comme l'oracle AI sur la chaîne ORA (OAO) ont introduit OPML comme couche vérifiable pour l'oracle AI, et le site officiel d'ORA mentionne également leurs recherches sur ZKML et opp/ai (ZKML combiné avec OPML).
Couche d'application :
Cette couche est principalement une application directement destinée aux utilisateurs, combinant l'IA avec le Web3 pour créer des expériences plus intéressantes et innovantes. Cet article se concentre principalement sur les projets dans les domaines de l'AIGC (contenu généré par l'IA), des agents IA et de l'analyse de données.
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
17 J'aime
Récompense
17
5
Partager
Commentaire
0/400
SlowLearnerWang
· 07-25 12:31
J'ai enfin compris la relation entre l'IA et le web3... Je suis encore arrivé en retard d'un an.
Voir l'originalRépondre0
MEVSandwich
· 07-25 11:24
Avec des larmes, j'ai fait du Trading des cryptomonnaies pendant un an, je suis déjà engourdi.
Voir l'originalRépondre0
SchroedingerGas
· 07-25 11:15
Avec l'IA, on ne peut pas échapper au destin de se faire prendre pour des cons.
Voir l'originalRépondre0
ser_ngmi
· 07-25 10:57
Surface AI, derrière tout un ensemble de CEX, lequel n'est pas Se faire prendre pour des cons.
Web3-AI : Analyse panoramique de la logique de fusion technologique et analyse approfondie des projets de premier plan
Rapport panoramique sur la piste Web3-AI : analyse approfondie de la logique technique, des applications de scénario et des projets de premier plan Depth
Avec la montée en puissance de la narration AI, de plus en plus d'attention se concentre sur ce secteur. Une analyse approfondie de la logique technique, des cas d'utilisation et des projets représentatifs du secteur Web3-AI a été réalisée, afin de vous présenter de manière complète le panorama et les tendances de développement dans ce domaine.
I. Web3-AI : Analyse de la logique technologique et des opportunités de marché émergentes
1.1 Logique de fusion entre Web3 et AI : comment définir le domaine Web-AI
Au cours de l'année écoulée, la narration AI a connu une popularité exceptionnelle dans l'industrie Web3, avec des projets AI qui fleurissent comme des champignons après la pluie. Bien qu'il existe de nombreux projets impliquant des technologies AI, certains projets n'utilisent l'AI que dans certaines parties de leurs produits, et l'économie des tokens sous-jacente n'a pas de lien substantiel avec les produits AI. Par conséquent, ces projets ne font pas partie de la discussion sur les projets Web3-AI dans cet article.
L'article se concentre sur l'utilisation de la blockchain pour résoudre les problèmes de relations de production, et sur les projets où l'IA résout les problèmes de productivité. Ces projets offrent eux-mêmes des produits d'IA tout en se basant sur un modèle économique Web3 en tant qu'outil de relations de production, les deux étant complémentaires. Nous classifions ces projets dans la catégorie Web3-AI. Afin d'aider les lecteurs à mieux comprendre la catégorie Web3-AI, nous allons présenter le processus de développement de l'IA et les défis associés, ainsi que la manière dont la combinaison de Web3 et d'IA peut résoudre parfaitement les problèmes et créer de nouveaux cas d'utilisation.
1.2 Le processus de développement de l'IA et ses défis : de la collecte de données à l'inférence du modèle
La technologie AI est une technologie qui permet aux ordinateurs de simuler, d'étendre et d'améliorer l'intelligence humaine. Elle permet aux ordinateurs d'exécuter diverses tâches complexes, allant de la traduction de langues, de la classification d'images à la reconnaissance faciale, aux applications de conduite autonome, l'IA est en train de changer notre façon de vivre et de travailler.
Le processus de développement d'un modèle d'intelligence artificielle comprend généralement les étapes clés suivantes : collecte de données et prétraitement des données, sélection et réglage du modèle, entraînement et inférence du modèle. Prenons un exemple simple, pour développer un modèle qui classe des images de chats et de chiens, vous aurez besoin de :
Collecte de données et prétraitement des données : Collectez un ensemble de données d'images contenant des chats et des chiens, en utilisant un ensemble de données public ou en collectant des données réelles par vous-même. Ensuite, étiquetez chaque image avec sa catégorie (chat ou chien), en vous assurant que les étiquettes sont exactes. Transformez les images en un format que le modèle peut reconnaître et divisez l'ensemble de données en ensemble d'entraînement, ensemble de validation et ensemble de test.
Choix et ajustement du modèle : choisir un modèle approprié, par exemple un réseau de neurones convolutionnel (CNN), qui est particulièrement adapté aux tâches de classification d'images. Ajuster les paramètres ou l'architecture du modèle en fonction des besoins différents. En général, la profondeur du réseau du modèle peut être ajustée en fonction de la complexité de la tâche d'IA. Dans cet exemple simple de classification, un réseau moins profond peut suffire.
Entraînement du modèle : il est possible d'utiliser des GPU, TPU ou un cluster de calcul haute performance pour entraîner le modèle, le temps d'entraînement étant influencé par la complexité du modèle et la capacité de calcul.
Inférence du modèle : Les fichiers de modèle entraînés sont généralement appelés poids du modèle. Le processus d'inférence fait référence à l'utilisation d'un modèle déjà entraîné pour prédire ou classifier de nouvelles données. Dans ce processus, on peut utiliser un ensemble de test ou de nouvelles données pour évaluer l'efficacité de la classification du modèle, généralement en utilisant des indicateurs tels que la précision, le rappel, le F1-score, etc.
Comme indiqué sur l'image, après la collecte de données et le prétraitement des données, le choix et l'optimisation du modèle, et l'entraînement, le modèle entraîné sera utilisé pour effectuer des inférences sur le jeu de test afin d'obtenir les valeurs prédites pour les chats et les chiens P (probabilité), c'est-à-dire la probabilité que le modèle infère qu'il s'agit d'un chat ou d'un chien.
Les modèles d'IA entraînés peuvent être intégrés dans diverses applications pour exécuter différentes tâches. Dans cet exemple, un modèle d'IA de classification de chats et de chiens peut être intégré dans une application mobile, où les utilisateurs téléchargent une photo de chat ou de chien pour obtenir un résultat de classification.
Cependant, le processus de développement de l'IA centralisée présente certains problèmes dans les scénarios suivants :
Confidentialité des utilisateurs : dans des scénarios centralisés, le processus de développement de l'IA est souvent opaque. Les données des utilisateurs peuvent être volées à leur insu et utilisées pour l'entraînement de l'IA.
Source de données : Les petites équipes ou les particuliers peuvent être confrontés à des limitations d'accès aux données dans des domaines spécifiques (comme les données médicales) lorsqu'elles ne sont pas open source.
Sélection et optimisation des modèles : pour les petites équipes, il est difficile d'accéder à des ressources de modèles spécifiques ou de dépenser des sommes importantes pour l'optimisation des modèles.
Obtention de puissance de calcul : Pour les développeurs individuels et les petites équipes, le coût élevé d'achat de GPU et les frais de location de puissance de calcul dans le cloud peuvent constituer un fardeau économique significatif.
Revenus des actifs AI : Les travailleurs de l'annotation de données obtiennent souvent des revenus qui ne correspondent pas à leurs efforts, tandis que les résultats de recherche des développeurs d'IA ont également du mal à s'aligner avec les acheteurs ayant des besoins.
Les défis existant dans les scénarios d'IA centralisée peuvent être surmontés en les combinant avec le Web3. Le Web3, en tant que nouvelle relation de production, s'adapte naturellement à l'IA représentant une nouvelle productivité, favorisant ainsi le progrès simultané de la technologie et des capacités de production.
1.3 Web3 et l'effet de synergie de l'IA : transformation des rôles et applications innovantes
La combinaison de Web3 et de l'IA peut renforcer la souveraineté des utilisateurs, en fournissant aux utilisateurs une plateforme de collaboration IA ouverte, permettant aux utilisateurs de passer du statut d'utilisateurs d'IA de l'ère Web2 à celui de participants, créant une IA que tout le monde peut posséder. En même temps, la fusion du monde Web3 avec la technologie IA peut également donner lieu à davantage de scénarios d'application innovants et de nouvelles manières de jouer.
Avec la technologie Web3, le développement et l'application de l'IA entreront dans un tout nouveau système économique collaboratif. La confidentialité des données des utilisateurs sera protégée, le modèle de crowdsourcing des données favorisera le progrès des modèles d'IA, et de nombreuses ressources d'IA open source seront disponibles pour les utilisateurs, tandis que la puissance de calcul partagée pourra être obtenue à moindre coût. Grâce à un mécanisme de collaboration décentralisé et à un marché d'IA ouvert, il sera possible de réaliser un système de distribution des revenus équitable, ce qui incitera davantage de personnes à faire progresser la technologie de l'IA.
Dans le contexte de Web3, l'IA peut avoir un impact positif dans plusieurs domaines. Par exemple, les modèles d'IA peuvent être intégrés dans des contrats intelligents pour améliorer l'efficacité du travail dans différents scénarios d'application, tels que l'analyse de marché, la détection de sécurité, le clustering social, et bien d'autres fonctions. L'IA générative permet non seulement aux utilisateurs de vivre le rôle d'"artiste", comme en créant leurs propres NFT avec la technologie IA, mais elle peut aussi créer des scènes de jeu variées et des expériences interactives intéressantes dans GameFi. Une infrastructure riche offre une expérience de développement fluide, que ce soit pour les experts en IA ou pour les novices souhaitant entrer dans le domaine de l'IA, chacun peut trouver une entrée appropriée dans ce monde.
Deux, interprétation de la carte et de l'architecture des projets écosystémiques Web3-AI
Nous avons principalement étudié 41 projets dans le domaine Web3-AI et avons classé ces projets en différentes couches. La logique de classification de chaque couche est illustrée dans le schéma ci-dessous, comprenant la couche d'infrastructure, la couche intermédiaire et la couche d'application, chacune subdivisée en différents segments. Dans le chapitre suivant, nous effectuerons une analyse approfondie de certains projets représentatifs.
La couche d'infrastructure couvre les ressources informatiques et l'architecture technique qui soutiennent l'ensemble du cycle de vie de l'IA, la couche intermédiaire comprend la gestion des données, le développement de modèles et les services de validation et d'inférence qui relient l'infrastructure aux applications, tandis que la couche d'application se concentre sur divers types d'applications et de solutions directement destinées aux utilisateurs.
Couche d'infrastructure :
La couche d'infrastructure est la base du cycle de vie de l'IA. Cet article classe la puissance de calcul, AI Chain et la plateforme de développement comme faisant partie de la couche d'infrastructure. C'est grâce à ces infrastructures que la formation et l'inférence des modèles d'IA peuvent être réalisées, et que des applications IA puissantes et pratiques peuvent être présentées aux utilisateurs.
Réseau de calcul décentralisé : peut fournir une puissance de calcul distribuée pour l'entraînement de modèles d'IA, garantissant une utilisation efficace et économique des ressources de calcul. Certains projets ont mis en place un marché de puissance de calcul décentralisé, où les utilisateurs peuvent louer de la puissance de calcul à faible coût ou partager leur puissance de calcul pour obtenir des bénéfices, des projets représentatifs comme IO.NET et Hyperbolic. De plus, certains projets ont dérivé de nouvelles manières de jouer, comme Compute Labs, qui a proposé un protocole de tokenisation permettant aux utilisateurs de participer de différentes manières à la location de puissance de calcul pour obtenir des bénéfices en achetant des NFT représentant des entités GPU.
AI Chain : Utilise la blockchain comme base pour le cycle de vie de l'IA, réalisant une interaction transparente entre les ressources IA en ligne et hors ligne, et favorisant le développement de l'écosystème industriel. Le marché décentralisé de l'IA sur la blockchain peut échanger des actifs IA tels que des données, des modèles, des agents, etc., et fournir un cadre de développement IA ainsi que des outils de développement associés, avec des projets représentatifs comme Sahara AI. AI Chain peut également promouvoir les avancées technologiques de l'IA dans différents domaines, comme Bittensor qui favorise la compétition entre différents types de sous-réseaux grâce à un mécanisme d'incitation innovant.
Plateforme de développement : certains projets proposent des plateformes de développement d'agents AI, permettant également le trading d'agents AI, comme Fetch.ai et ChainML. Des outils tout-en-un aident les développeurs à créer, entraîner et déployer des modèles AI plus facilement, représentés par des projets comme Nimble. Ces infrastructures favorisent l'application généralisée de la technologie AI dans l'écosystème Web3.
Couche intermédiaire :
Ce niveau concerne les données AI, les modèles ainsi que le raisonnement et la validation, et l'utilisation de la technologie Web3 peut permettre une plus grande efficacité au travail.
De plus, certaines plateformes permettent aux experts du domaine ou aux utilisateurs ordinaires d'exécuter des tâches de prétraitement des données, telles que l'annotation d'images et la classification des données, qui peuvent nécessiter un traitement des données pour des tâches financières et juridiques nécessitant une expertise. Les utilisateurs peuvent tokeniser leurs compétences pour réaliser une collaboration en crowdsourcing sur le prétraitement des données. Par exemple, le marché d'IA de Sahara AI propose des tâches de données dans différents domaines, couvrant des scénarios de données multi-domaines ; tandis que le protocole AIT utilise une approche de collaboration homme-machine pour annoter les données.
Certains projets permettent aux utilisateurs de fournir différents types de modèles ou de collaborer à l'entraînement de modèles par le biais de l'crowdsourcing, comme Sentient qui, grâce à une conception modulaire, permet aux utilisateurs de placer des données de modèle fiables dans la couche de stockage et la couche de distribution pour optimiser le modèle. Les outils de développement fournis par Sahara AI intègrent des algorithmes d'IA avancés et des cadres de calcul, et possèdent la capacité d'entraînement collaboratif.
Couche d'application :
Cette couche est principalement une application directement destinée aux utilisateurs, combinant l'IA avec le Web3 pour créer des expériences plus intéressantes et innovantes. Cet article se concentre principalement sur les projets dans les domaines de l'AIGC (contenu généré par l'IA), des agents IA et de l'analyse de données.