Rapport panoramique sur la piste Web3-AI : analyse approfondie de la logique technique, des applications scénaristiques et des projets de premier plan
Avec la montée continue de la narration par l'IA, de plus en plus d'attention se concentre sur ce secteur. Cet article analyse en profondeur la logique technologique, les cas d'application et les projets représentatifs dans le secteur Web3-AI, vous présentant une vue d'ensemble complète de ce domaine et des tendances de développement.
I. Web3-AI : Analyse de la logique technique et des opportunités de marché émergentes
1.1 La logique de fusion entre Web3 et IA : comment définir le secteur Web-AI
Au cours de l'année écoulée, la narration par l'IA a connu un succès exceptionnel dans l'industrie Web3, avec des projets d'IA apparaissant comme des champignons après la pluie. Bien qu'il existe de nombreux projets impliquant la technologie de l'IA, certains d'entre eux n'utilisent l'IA que dans certaines parties de leurs produits, et l'économie des jetons sous-jacente n'a pas de lien substantiel avec les produits d'IA, c'est pourquoi ces projets ne sont pas inclus dans la discussion des 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 l'IA pour résoudre les problèmes de productivité. Ces projets offrent des produits d'IA tout en s'appuyant sur un modèle économique Web3 en tant qu'outil de relations de production, les deux se complétant mutuellement. Nous classons ces projets dans la catégorie Web3-AI. Afin de permettre aux lecteurs de mieux comprendre la catégorie Web3-AI, nous allons présenter le processus de développement de l'IA et ses défis, ainsi que la manière dont la combinaison de Web3 et de l'IA peut parfaitement résoudre des problèmes et créer de nouveaux cas d'application.
1.2 Le processus de développement de l'IA et ses défis : de la collecte de données à l'inférence des modèles
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 linguistique, de la classification d'images à la reconnaissance faciale et à la conduite autonome, AI 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 et prétraitement des données, sélection et optimisation du modèle, entraînement et inférence du modèle. Prenons un exemple simple, développer un modèle pour classifier des images de chats et de chiens, vous aurez besoin de :
Collecte de données et prétraitement des données : Collecter un ensemble de données d'images contenant des chats et des chiens, en utilisant des ensembles de données publics ou en collectant des données réelles soi-même. Ensuite, étiqueter chaque image avec sa catégorie (chat ou chien), en s'assurant que les étiquettes sont exactes. Convertir les images dans un format que le modèle peut reconnaître, puis diviser l'ensemble de données en ensembles d'entraînement, de validation et de test.
Choix et ajustement du modèle : choisir un modèle approprié, comme un réseau de neurones convolutifs (CNN), qui convient bien aux tâches de classification d'images. Ajuster les paramètres ou l'architecture du modèle en fonction des besoins différents, en général, le niveau de profondeur du réseau peut être ajusté en fonction de la complexité de la tâche d'IA. Dans cet exemple simple de classification, un réseau moins profond pourrait être suffisant.
Entraînement du modèle : il est possible d'utiliser des GPU, des TPU ou des clusters informatiques haute performance pour entraîner le modèle, le temps d'entraînement étant affecté par la complexité du modèle et la capacité de calcul.
Inférence du modèle : Les fichiers du modèle entraîné sont généralement appelés poids du modèle, et le processus d'inférence fait référence à l'utilisation d'un modèle déjà entraîné pour prédire ou classer de nouvelles données. Ce processus peut utiliser un ensemble de test ou de nouvelles données pour évaluer l'efficacité de la classification du modèle, souvent mesurée par des indicateurs tels que la précision, le rappel et le score F1.
Comme indiqué sur l'image, après la collecte de données et le prétraitement des données, le choix et l'ajustement du modèle, ainsi que l'entraînement, l'inférence du modèle entraîné sur l'ensemble de test donnera les valeurs prédites P (probabilité) pour les chats et les chiens, 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 pré-entraînés peuvent être intégrés davantage dans diverses applications pour exécuter différentes tâches. Dans cet exemple, le modèle d'IA de classification des chats et des chiens peut être intégré dans une application mobile, où les utilisateurs peuvent télécharger des images de chats ou de chiens et obtenir des résultats de classification.
Cependant, le processus de développement de l'IA centralisé présente certains problèmes dans les scénarios suivants :
Confidentialité des utilisateurs : dans un contexte centralisé, le processus de développement de l'IA est généralement opaque. Les données des utilisateurs peuvent être volées à leur insu et utilisées pour l'entraînement de l'IA.
Obtention de la source de données : les petites équipes ou les particuliers peuvent être confrontés à des limitations d'accès aux données non open source lorsqu'ils tentent d'obtenir des données dans des domaines spécifiques (comme les données médicales).
Sélection et optimisation des modèles : pour les petites équipes, il est difficile d'accéder à des ressources de modèles spécifiques ou de dépenser beaucoup de coûts pour l'optimisation des modèles.
Acquisition 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 d'IA : les travailleurs de l'annotation de données ont souvent du mal à obtenir des revenus correspondant à leurs efforts, tandis que les résultats de recherche des développeurs d'IA peinent également à correspondre aux acheteurs qui en ont besoin.
Les défis existant dans le cadre de l'IA centralisée peuvent être surmontés par une combinaison avec le Web3. Le Web3, en tant que nouvelle relation de production, s'adapte naturellement à l'IA qui représente une nouvelle productivité, permettant ainsi le progrès simultané de la technologie et des capacités de production.
1.3 La synergie entre Web3 et l'IA : transformation des rôles et applications innovantes
La combinaison de Web3 et de l'IA peut renforcer la souveraineté des utilisateurs, en leur offrant une plateforme de collaboration IA ouverte, permettant aux utilisateurs de passer du statut d'utilisateurs de l'IA de l'ère Web2 à celui de participants, créant une IA que chacun peut posséder. En même temps, la fusion du monde Web3 et des technologies IA peut également donner naissance à davantage de scénarios d'application innovants et de nouveaux modes de jeu.
Basé sur 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 peut être protégée, le modèle de crowdsourcing des données favorise le progrès des modèles d'IA, de nombreuses ressources d'IA open source sont disponibles pour les utilisateurs, et la puissance de calcul partagée peut être obtenue à un coût réduit. Grâce à un mécanisme de collaboration décentralisé et à un marché de l'IA ouvert, un système de distribution des revenus équitable peut être réalisé, incitant ainsi un plus grand nombre de personnes à promouvoir le progrès de la technologie IA.
Dans le contexte du 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 cas d'utilisation, tels que l'analyse de marché, la détection de sécurité, le clustering social, et bien d'autres fonctionnalités. L'IA générative permet non seulement aux utilisateurs de vivre le rôle d'"artiste", comme en utilisant des technologies d'IA pour créer leurs propres NFT, mais elle peut également créer des scénarios de jeu riches et variés ainsi que des expériences d'interaction intéressantes dans le GameFi. Une infrastructure riche offre une expérience de développement fluide, que ce soit pour des experts en IA ou pour des novices souhaitant entrer dans le domaine de l'IA, chacun peut trouver une entrée appropriée dans ce monde.
II. 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 catégories. La logique de classification de chaque niveau est illustrée ci-dessous, comprenant le niveau d'infrastructure, le niveau intermédiaire et le niveau d'application, chaque niveau étant divisé en différentes sections. 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 raisonnement de validation qui relient l'infrastructure aux applications, tandis que la couche d'application se concentre sur les diverses applications et solutions directement destinées aux utilisateurs.
Infrastructure Layer :
La couche d'infrastructure est la base du cycle de vie de l'IA. Cet article classe la puissance de calcul, la chaîne IA et la plateforme de développement comme faisant partie de la couche d'infrastructure. C'est grâce à ces infrastructures que l'on peut réaliser l'entraînement et l'inférence des modèles d'IA, et présenter aux utilisateurs des applications d'IA puissantes et utiles.
Réseau de calcul décentralisé : peut fournir une puissance de calcul distribuée pour l'entraînement des modèles d'IA, assurant une utilisation efficace et économique des ressources de calcul. Certains projets proposent 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 revenus, avec des projets représentatifs tels que IO.NET et Hyperbolic. De plus, certains projets ont engendré de nouvelles manières de jouer, comme Compute Labs, qui ont proposé un protocole tokenisé, permettant aux utilisateurs d'acheter des NFT représentant des entités GPU et de participer à la location de puissance de calcul de différentes manières pour obtenir des revenus.
AI Chain : Utiliser la blockchain comme base du cycle de vie de l'IA, permettant 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 chaîne peut échanger des actifs IA tels que des données, des modèles, des agents, etc., et fournit des cadres de développement IA et des outils de développement associés, avec des projets représentatifs comme Sahara AI. AI Chain peut également favoriser les progrès technologiques de l'IA dans différents domaines, comme Bittensor qui stimule la concurrence entre différents types de sous-réseaux grâce à un mécanisme d'incitation innovant.
Plateforme de développement : certains projets offrent des plateformes de développement d'agents IA, permettant également le trading d'agents IA, comme Fetch.ai et ChainML. Des outils tout-en-un aident les développeurs à créer, entraîner et déployer plus facilement des modèles d'IA, avec des projets représentatifs comme Nimble. Ces infrastructures favorisent l'application généralisée de la technologie IA dans l'écosystème Web3.
Couche intermédiaire :
Ce niveau implique des données AI, des modèles ainsi que le raisonnement et la validation, et l'utilisation de la technologie Web3 peut permettre une efficacité de travail accrue.
Données : La qualité et la quantité des données sont des facteurs clés affectant l'efficacité de l'entraînement des modèles. Dans le monde de Web3, l'optimisation de l'utilisation des ressources et la réduction des coûts des données peuvent être réalisées grâce à des données crowdsourcées et à un traitement collaboratif des données. Les utilisateurs peuvent avoir le contrôle de leurs données, vendre leurs propres données sous protection de la vie privée, afin d'éviter que celles-ci ne soient volées par de mauvais commerçants et générer des profits élevés. Pour les demandeurs de données, ces plateformes offrent un large choix et des coûts très bas. Des projets représentatifs comme Grass utilisent la bande passante des utilisateurs pour extraire des données Web, xData collecte des informations médiatiques via des plugins conviviaux et permet aux utilisateurs de télécharger des informations de tweets.
De plus, certaines plateformes permettent à des experts du domaine ou à des utilisateurs ordinaires d'effectuer des tâches de prétraitement des données, telles que l'annotation d'images et la classification des données. Ces tâches peuvent nécessiter des compétences professionnelles en matière de traitement des données financières et juridiques. Les utilisateurs peuvent tokeniser leurs compétences pour réaliser une collaboration en crowdsourcing sur le prétraitement des données. Par exemple, le marché AI de Sahara AI, qui propose des tâches de données dans différents domaines, peut couvrir des scénarios de données multi-domaines ; tandis que le protocole AIT effectue l'annotation des données par le biais de la collaboration homme-machine.
Modèle : Dans le processus de développement de l'IA mentionné précédemment, différents types de besoins nécessitent de correspondre à des modèles appropriés. Les modèles couramment utilisés pour les tâches d'image sont des CNN et des GAN, pour les tâches de détection d'objets, on peut choisir la série Yolo, et pour les tâches de texte, les modèles courants incluent RNN et Transformer, bien sûr, il existe également quelques grands modèles spécifiques ou généraux. La profondeur des modèles nécessaires varie selon la complexité des tâches, et il est parfois 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 un design modulaire, permet aux utilisateurs de placer des données de modèles fiables dans la couche de stockage et la couche de distribution pour optimiser les modèles. 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, le modèle génère un fichier de poids du modèle, qui peut 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 généralement 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, le site officiel d'ORA mentionne également leurs recherches sur ZKML et opp/ai (ZKML combiné avec OPML).
Couche d'application :
Ce niveau est principalement une application directement destinée aux utilisateurs, combinant l'IA avec le Web3 pour créer des moyens de jeu plus intéressants et innovants. Cet article fait principalement le point sur plusieurs projets dans les domaines de l'AIGC (contenu généré par l'IA), des agents IA et de l'analyse des données.
AIGC : Grâce à AIGC, il est possible de s'étendre vers les secteurs des NFT, des jeux, etc., dans le Web3. Les utilisateurs peuvent directement générer du texte, des images et de l'audio via des prompts (mots d'invite fournis par l'utilisateur), et même créer des modes de jeu personnalisés dans les jeux selon leurs préférences. Des projets NFT comme NFPrompt permettent aux utilisateurs de générer des NFT via l'IA et de les échanger sur le marché ; des jeux comme Sleepless permettent aux utilisateurs de façonner la personnalité de leur compagnon virtuel à travers des dialogues pour correspondre à leurs préférences ;
Agent IA : désigne un système d'intelligence artificielle capable d'exécuter des tâches de manière autonome et de prendre des décisions. Les agents IA possèdent généralement des capacités de perception, de raisonnement, d'apprentissage et d'action, leur permettant d'exécuter des tâches complexes dans divers environnements. Des agents IA courants incluent la traduction linguistique.
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.
6 J'aime
Récompense
6
4
Partager
Commentaire
0/400
AirDropMissed
· 07-26 04:01
Encore une fois, ils essaient de me tromper pour investir dans un nouveau projet, je vois un jaune et un autre.
Voir l'originalRépondre0
CascadingDipBuyer
· 07-26 03:56
Changer de soupe sans changer de médicament, ce n'est pas se faire prendre pour des cons.
Voir l'originalRépondre0
ImpermanentPhilosopher
· 07-26 03:54
Il est vraiment difficile de faire atterrir l'IA, beaucoup de projets en profitent.
Voir l'originalRépondre0
AlwaysMissingTops
· 07-26 03:52
Encore une fois, se faire prendre pour des cons, la plupart des projets d'IA ne sont que des pièges conceptuels.
Analyse panoramique de la piste Web3-AI : logique technique et analyse approfondie des projets de premier plan
Rapport panoramique sur la piste Web3-AI : analyse approfondie de la logique technique, des applications scénaristiques et des projets de premier plan
Avec la montée continue de la narration par l'IA, de plus en plus d'attention se concentre sur ce secteur. Cet article analyse en profondeur la logique technologique, les cas d'application et les projets représentatifs dans le secteur Web3-AI, vous présentant une vue d'ensemble complète de ce domaine et des tendances de développement.
I. Web3-AI : Analyse de la logique technique et des opportunités de marché émergentes
1.1 La logique de fusion entre Web3 et IA : comment définir le secteur Web-AI
Au cours de l'année écoulée, la narration par l'IA a connu un succès exceptionnel dans l'industrie Web3, avec des projets d'IA apparaissant comme des champignons après la pluie. Bien qu'il existe de nombreux projets impliquant la technologie de l'IA, certains d'entre eux n'utilisent l'IA que dans certaines parties de leurs produits, et l'économie des jetons sous-jacente n'a pas de lien substantiel avec les produits d'IA, c'est pourquoi ces projets ne sont pas inclus dans la discussion des 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 l'IA pour résoudre les problèmes de productivité. Ces projets offrent des produits d'IA tout en s'appuyant sur un modèle économique Web3 en tant qu'outil de relations de production, les deux se complétant mutuellement. Nous classons ces projets dans la catégorie Web3-AI. Afin de permettre aux lecteurs de mieux comprendre la catégorie Web3-AI, nous allons présenter le processus de développement de l'IA et ses défis, ainsi que la manière dont la combinaison de Web3 et de l'IA peut parfaitement résoudre des problèmes et créer de nouveaux cas d'application.
1.2 Le processus de développement de l'IA et ses défis : de la collecte de données à l'inférence des modèles
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 linguistique, de la classification d'images à la reconnaissance faciale et à la conduite autonome, AI 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 et prétraitement des données, sélection et optimisation du modèle, entraînement et inférence du modèle. Prenons un exemple simple, développer un modèle pour classifier des images de chats et de chiens, vous aurez besoin de :
Collecte de données et prétraitement des données : Collecter un ensemble de données d'images contenant des chats et des chiens, en utilisant des ensembles de données publics ou en collectant des données réelles soi-même. Ensuite, étiqueter chaque image avec sa catégorie (chat ou chien), en s'assurant que les étiquettes sont exactes. Convertir les images dans un format que le modèle peut reconnaître, puis diviser l'ensemble de données en ensembles d'entraînement, de validation et de test.
Choix et ajustement du modèle : choisir un modèle approprié, comme un réseau de neurones convolutifs (CNN), qui convient bien aux tâches de classification d'images. Ajuster les paramètres ou l'architecture du modèle en fonction des besoins différents, en général, le niveau de profondeur du réseau peut être ajusté en fonction de la complexité de la tâche d'IA. Dans cet exemple simple de classification, un réseau moins profond pourrait être suffisant.
Entraînement du modèle : il est possible d'utiliser des GPU, des TPU ou des clusters informatiques haute performance pour entraîner le modèle, le temps d'entraînement étant affecté par la complexité du modèle et la capacité de calcul.
Inférence du modèle : Les fichiers du modèle entraîné sont généralement appelés poids du modèle, et le processus d'inférence fait référence à l'utilisation d'un modèle déjà entraîné pour prédire ou classer de nouvelles données. Ce processus peut utiliser un ensemble de test ou de nouvelles données pour évaluer l'efficacité de la classification du modèle, souvent mesurée par des indicateurs tels que la précision, le rappel et le score F1.
Comme indiqué sur l'image, après la collecte de données et le prétraitement des données, le choix et l'ajustement du modèle, ainsi que l'entraînement, l'inférence du modèle entraîné sur l'ensemble de test donnera les valeurs prédites P (probabilité) pour les chats et les chiens, 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 pré-entraînés peuvent être intégrés davantage dans diverses applications pour exécuter différentes tâches. Dans cet exemple, le modèle d'IA de classification des chats et des chiens peut être intégré dans une application mobile, où les utilisateurs peuvent télécharger des images de chats ou de chiens et obtenir des résultats de classification.
Cependant, le processus de développement de l'IA centralisé présente certains problèmes dans les scénarios suivants :
Confidentialité des utilisateurs : dans un contexte centralisé, le processus de développement de l'IA est généralement opaque. Les données des utilisateurs peuvent être volées à leur insu et utilisées pour l'entraînement de l'IA.
Obtention de la source de données : les petites équipes ou les particuliers peuvent être confrontés à des limitations d'accès aux données non open source lorsqu'ils tentent d'obtenir des données dans des domaines spécifiques (comme les données médicales).
Sélection et optimisation des modèles : pour les petites équipes, il est difficile d'accéder à des ressources de modèles spécifiques ou de dépenser beaucoup de coûts pour l'optimisation des modèles.
Acquisition 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 d'IA : les travailleurs de l'annotation de données ont souvent du mal à obtenir des revenus correspondant à leurs efforts, tandis que les résultats de recherche des développeurs d'IA peinent également à correspondre aux acheteurs qui en ont besoin.
Les défis existant dans le cadre de l'IA centralisée peuvent être surmontés par une combinaison avec le Web3. Le Web3, en tant que nouvelle relation de production, s'adapte naturellement à l'IA qui représente une nouvelle productivité, permettant ainsi le progrès simultané de la technologie et des capacités de production.
1.3 La synergie entre Web3 et l'IA : transformation des rôles et applications innovantes
La combinaison de Web3 et de l'IA peut renforcer la souveraineté des utilisateurs, en leur offrant une plateforme de collaboration IA ouverte, permettant aux utilisateurs de passer du statut d'utilisateurs de l'IA de l'ère Web2 à celui de participants, créant une IA que chacun peut posséder. En même temps, la fusion du monde Web3 et des technologies IA peut également donner naissance à davantage de scénarios d'application innovants et de nouveaux modes de jeu.
Basé sur 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 peut être protégée, le modèle de crowdsourcing des données favorise le progrès des modèles d'IA, de nombreuses ressources d'IA open source sont disponibles pour les utilisateurs, et la puissance de calcul partagée peut être obtenue à un coût réduit. Grâce à un mécanisme de collaboration décentralisé et à un marché de l'IA ouvert, un système de distribution des revenus équitable peut être réalisé, incitant ainsi un plus grand nombre de personnes à promouvoir le progrès de la technologie IA.
Dans le contexte du 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 cas d'utilisation, tels que l'analyse de marché, la détection de sécurité, le clustering social, et bien d'autres fonctionnalités. L'IA générative permet non seulement aux utilisateurs de vivre le rôle d'"artiste", comme en utilisant des technologies d'IA pour créer leurs propres NFT, mais elle peut également créer des scénarios de jeu riches et variés ainsi que des expériences d'interaction intéressantes dans le GameFi. Une infrastructure riche offre une expérience de développement fluide, que ce soit pour des experts en IA ou pour des novices souhaitant entrer dans le domaine de l'IA, chacun peut trouver une entrée appropriée dans ce monde.
II. 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 catégories. La logique de classification de chaque niveau est illustrée ci-dessous, comprenant le niveau d'infrastructure, le niveau intermédiaire et le niveau d'application, chaque niveau étant divisé en différentes sections. 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 raisonnement de validation qui relient l'infrastructure aux applications, tandis que la couche d'application se concentre sur les diverses applications et solutions directement destinées aux utilisateurs.
Infrastructure Layer :
La couche d'infrastructure est la base du cycle de vie de l'IA. Cet article classe la puissance de calcul, la chaîne IA et la plateforme de développement comme faisant partie de la couche d'infrastructure. C'est grâce à ces infrastructures que l'on peut réaliser l'entraînement et l'inférence des modèles d'IA, et présenter aux utilisateurs des applications d'IA puissantes et utiles.
Réseau de calcul décentralisé : peut fournir une puissance de calcul distribuée pour l'entraînement des modèles d'IA, assurant une utilisation efficace et économique des ressources de calcul. Certains projets proposent 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 revenus, avec des projets représentatifs tels que IO.NET et Hyperbolic. De plus, certains projets ont engendré de nouvelles manières de jouer, comme Compute Labs, qui ont proposé un protocole tokenisé, permettant aux utilisateurs d'acheter des NFT représentant des entités GPU et de participer à la location de puissance de calcul de différentes manières pour obtenir des revenus.
AI Chain : Utiliser la blockchain comme base du cycle de vie de l'IA, permettant 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 chaîne peut échanger des actifs IA tels que des données, des modèles, des agents, etc., et fournit des cadres de développement IA et des outils de développement associés, avec des projets représentatifs comme Sahara AI. AI Chain peut également favoriser les progrès technologiques de l'IA dans différents domaines, comme Bittensor qui stimule la concurrence entre différents types de sous-réseaux grâce à un mécanisme d'incitation innovant.
Plateforme de développement : certains projets offrent des plateformes de développement d'agents IA, permettant également le trading d'agents IA, comme Fetch.ai et ChainML. Des outils tout-en-un aident les développeurs à créer, entraîner et déployer plus facilement des modèles d'IA, avec des projets représentatifs comme Nimble. Ces infrastructures favorisent l'application généralisée de la technologie IA dans l'écosystème Web3.
Couche intermédiaire :
Ce niveau implique des données AI, des modèles ainsi que le raisonnement et la validation, et l'utilisation de la technologie Web3 peut permettre une efficacité de travail accrue.
De plus, certaines plateformes permettent à des experts du domaine ou à des utilisateurs ordinaires d'effectuer des tâches de prétraitement des données, telles que l'annotation d'images et la classification des données. Ces tâches peuvent nécessiter des compétences professionnelles en matière de traitement des données financières et juridiques. Les utilisateurs peuvent tokeniser leurs compétences pour réaliser une collaboration en crowdsourcing sur le prétraitement des données. Par exemple, le marché AI de Sahara AI, qui propose des tâches de données dans différents domaines, peut couvrir des scénarios de données multi-domaines ; tandis que le protocole AIT effectue l'annotation des données par le biais de la collaboration homme-machine.
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 un design modulaire, permet aux utilisateurs de placer des données de modèles fiables dans la couche de stockage et la couche de distribution pour optimiser les modèles. 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 :
Ce niveau est principalement une application directement destinée aux utilisateurs, combinant l'IA avec le Web3 pour créer des moyens de jeu plus intéressants et innovants. Cet article fait principalement le point sur plusieurs projets dans les domaines de l'AIGC (contenu généré par l'IA), des agents IA et de l'analyse des données.
AIGC : Grâce à AIGC, il est possible de s'étendre vers les secteurs des NFT, des jeux, etc., dans le Web3. Les utilisateurs peuvent directement générer du texte, des images et de l'audio via des prompts (mots d'invite fournis par l'utilisateur), et même créer des modes de jeu personnalisés dans les jeux selon leurs préférences. Des projets NFT comme NFPrompt permettent aux utilisateurs de générer des NFT via l'IA et de les échanger sur le marché ; des jeux comme Sleepless permettent aux utilisateurs de façonner la personnalité de leur compagnon virtuel à travers des dialogues pour correspondre à leurs préférences ;
Agent IA : désigne un système d'intelligence artificielle capable d'exécuter des tâches de manière autonome et de prendre des décisions. Les agents IA possèdent généralement des capacités de perception, de raisonnement, d'apprentissage et d'action, leur permettant d'exécuter des tâches complexes dans divers environnements. Des agents IA courants incluent la traduction linguistique.