Rapport panoramique sur le secteur Web3-AI : analyse approfondie de la logique technique, des applications scénaristiques et des projets de premier plan
Avec la montée en puissance de la narration par l'IA, de plus en plus d'attention se concentre sur ce secteur. Une analyse approfondie de la logique technique, des cas d'application et des projets représentatifs du secteur Web3-AI a été réalisée pour vous présenter de manière exhaustive le panorama et les tendances de développement de ce domaine.
I. Web3-AI : Analyse de la logique technique et des opportunités de marché émergentes
1.1 Logique de fusion entre Web3 et IA : comment définir le secteur Web-AI
Au cours de l'année passée, la narration AI a connu un succès exceptionnel dans l'industrie Web3, avec des projets AI apparaissant comme des champignons après la pluie. Bien qu'il existe de nombreux projets impliquant la technologie AI, certains projets n'utilisent l'AI que dans certaines parties de leurs produits, et l'économie des tokens sous-jacente n'est pas substantiellement liée aux produits AI, c'est pourquoi 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, tandis que l'IA s'attaque aux problèmes de productivité. Ces projets offrent eux-mêmes des produits d'IA et reposent sur un modèle économique Web3 en tant qu'outil de relations de production, les deux se complétant mutuellement. Nous classifions ce type de projet dans la catégorie Web3-AI. Pour permettre aux lecteurs de 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 de l'IA peut résoudre parfaitement des problèmes et créer de nouveaux scénarios d'application.
1.2 Le processus et les défis du développement de l'IA : 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, à la conduite autonome, etc. L'IA change 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 optimisation du modèle, entraînement du modèle et inférence. Prenons un exemple simple, pour développer un modèle permettant de classer des images de chats et de chiens, vous devez :
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, étiquetez chaque image avec sa catégorie (chat ou chien), en vous assurant que les étiquettes sont précises. Convertissez les images dans un format que le modèle peut reconnaître, et divisez l'ensemble de données en ensembles d'entraînement, de validation et de test.
Choix et optimisation du modèle : sélectionner un modèle approprié, tel que le 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 spécifiques, 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, une profondeur de réseau moins importante pourrait suffire.
Entraînement du modèle : vous pouvez utiliser un GPU, un 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, et le processus d'inférence fait référence à l'utilisation d'un modèle déjà entraîné pour prédire ou classifier de nouvelles données. Dans ce processus, un ensemble de test ou de nouvelles données peut être utilisé pour tester l'efficacité de la classification du modèle, qui est généralement évaluée à l'aide d'indicateurs tels que la précision, le rappel et le F1-score.
Comme montré sur l'illustration, après la collecte de données, le prétraitement des données, la sélection et le réglage du modèle, ainsi que l'entraînement, le modèle entraîné sera utilisé pour effectuer des inférences sur l'ensemble de test afin d'obtenir 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 formés peuvent être intégrés 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, permettant aux utilisateurs de télécharger des images de chats ou de chiens et d'obtenir des résultats de classification.
Cependant, le processus de développement de l'IA centralisée présente certains problèmes dans les scénarios suivants :
Confidentialité des utilisateurs : Dans un contexte centralisé, 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.
Obtention de la source de données : Les petites équipes ou les individus peuvent faire face 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.
Obtention de la 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.
Revenu des actifs d'IA : Les travailleurs de l'annotation de données ne parviennent souvent pas à obtenir un revenu correspondant à leurs efforts, tandis que les résultats de recherche des développeurs d'IA ont également du mal à se correspondre avec des acheteurs ayant des besoins.
Les défis existants dans les scénarios d'IA centralisée peuvent être surmontés en les combinant avec le Web3. En tant que nouvelle relation de production, le Web3 s'adapte naturellement à l'IA, qui représente une nouvelle productivité, permettant ainsi un progrès simultané de la technologie et des capacités de production.
1.3 Synergie entre Web3 et 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 de simples utilisateurs d'IA à des participants, créant ainsi une IA que tout le monde peut posséder. De plus, la fusion entre le monde Web3 et la technologie IA peut également donner lieu à de nouveaux cas d'application innovants et à des 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 personnes peut être garantie, le modèle de crowdsourcing des données favorise les 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, il est possible de réaliser un système de distribution des revenus équitable, incitant ainsi davantage de personnes à promouvoir les progrès de la technologie IA.
Dans le contexte de Web3, l'IA peut avoir un impact positif sur plusieurs pistes. Par exemple, les modèles d'IA peuvent être intégrés dans des contrats intelligents pour améliorer l'efficacité au travail dans différents cas 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", par exemple en utilisant la technologie IA pour créer leur propre NFT, mais elle peut également créer des scénarios de jeu variés et des expériences d'interaction intéressantes dans GameFi. Une infrastructure riche offre une expérience de développement fluide, que l'on soit un expert en IA ou un novice 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 écologiques Web3-AI
Nous avons principalement étudié 41 projets dans le domaine Web3-AI et avons classé ces projets en différents niveaux. La logique de classification de chaque niveau est illustrée dans le graphique ci-dessous, y compris le niveau d'infrastructure, le niveau intermédiaire et le niveau d'application, chaque niveau étant divisé en différents segments. Dans le prochain chapitre, nous procéderons à une analyse approfondie de certains projets représentatifs.
La couche d'infrastructure couvre les ressources de calcul et l'architecture technique nécessaires au fonctionnement de 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 connectent l'infrastructure aux applications, et la couche d'application se concentre sur les diverses applications et solutions destinées directement 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, la chaîne d'IA et la plateforme de développement comme des éléments de la couche d'infrastructure. C'est grâce à ces infrastructures que l'entraînement et l'inférence des modèles d'IA peuvent être réalisés, et que des applications IA puissantes et pratiques peuvent être présentées aux utilisateurs.
Réseau de calcul décentralisé : il peut fournir une puissance de calcul distribuée pour l'entraînement des modèles d'IA, garantissant une utilisation efficace et économique des ressources de calcul. Certains projets ont mis en place des marchés de puissance de calcul décentralisés, permettant aux utilisateurs de louer de la puissance de calcul à faible coût ou de partager leur puissance de calcul pour générer des revenus, avec des projets représentatifs tels que IO.NET et Hyperbolic. De plus, certains projets ont engendré de nouvelles méthodes de participation, comme Compute Labs, qui a proposé un protocole tokenisé, permettant aux utilisateurs d'acheter des NFT représentant des entités GPU et de participer de différentes manières à la location de puissance de calcul pour générer des revenus.
AI Chain : Utiliser la blockchain comme base du cycle de vie de l'IA, permettant une interaction transparente des 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 fournir un cadre de développement IA ainsi que 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, tels que Fetch.ai et ChainML. Des outils tout-en-un aident les développeurs à créer, entraîner et déployer plus facilement des modèles IA, avec des projets représentatifs comme Nimble. Cette infrastructure favorise l'application généralisée de la technologie IA 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 efficacité de travail accrue.
Données : La qualité et la quantité des données sont des facteurs clés influençant 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 sur leurs données et, dans le respect de la protection de la vie privée, vendre leurs propres données pour éviter que celles-ci ne soient volées par de mauvais commerçants et qu'ils n'en tirent des profits élevés. Pour les demandeurs de données, ces plateformes offrent un large éventail de choix à des coûts très bas. Des projets représentatifs comme Grass utilisent la bande passante des utilisateurs pour extraire des données du Web, xData collecte des informations médiatiques via des plugins conviviaux et prend en charge le téléchargement d'informations sur les tweets par les utilisateurs.
De plus, certaines plateformes permettent aux experts du domaine ou aux utilisateurs ordinaires d'effectuer des tâches de prétraitement des données, telles que l'annotation d'images et la classification des données, ces tâches pouvant nécessiter des connaissances spécialisées en matière de traitement des données financières et juridiques. Les utilisateurs peuvent tokeniser leurs compétences, réalisant ainsi une collaboration en crowdsourcing pour le prétraitement des données. Des exemples incluent le marché de l'IA comme Sahara AI, qui propose des tâches de données dans différents domaines et peut couvrir des scénarios de données multidisciplinaires ; tandis que le protocole AIT effectue des annotations de données par le biais d'une collaboration homme-machine.
Modèle : Dans le processus de développement de l'IA mentionné précédemment, différents types de besoins doivent être appariés avec des modèles appropriés. Les modèles couramment utilisés pour les tâches d'image comprennent CNN et GAN, pour les tâches de détection d'objets, on peut choisir la série Yolo, et pour les tâches de texte, les modèles RNN et Transformer sont courants, sans oublier certains grands modèles spécifiques ou généraux. La profondeur des modèles nécessaires varie en fonction de 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 modèle 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 AI avancés et un cadre de calcul, et possèdent la capacité d'entraînement collaboratif.
Inférence et vérification : Après l'entraînement, le modèle génère un fichier de poids qui peut être utilisé pour effectuer des classifications, des prédictions ou d'autres tâches spécifiques, ce processus est appelé inférence. Le processus d'inférence est généralement accompagné d'un mécanisme de vérification pour valider la provenance du modèle d'inférence, pour s'assurer qu'il n'y a pas d'activités malveillantes, etc. L'inférence Web3 peut généralement être intégrée dans des contrats intelligents, en appelant le modèle pour effectuer l'inférence, les méthodes de vérification courantes incluent des technologies telles que ZKML, OPML et TEE. Des projets représentatifs comme l'oracle AI sur la chaîne ORA (OAO) ont introduit l'OPML comme couche vérifiable pour l'oracle AI, et le site officiel d'ORA a également mentionné leurs recherches sur ZKML et opp/ai (ZKML combiné avec OPML).
Couche d'application :
Ce niveau est principalement constitué d'applications destinées 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 plusieurs domaines, notamment l'AIGC (contenu généré par l'IA), les agents IA et 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.
6 J'aime
Récompense
6
4
Partager
Commentaire
0/400
GhostWalletSleuth
· Il y a 22h
Il y a effectivement quelque chose.
Voir l'originalRépondre0
HashBrownies
· Il y a 22h
Contenu intéressant, continuer à suivre
Voir l'originalRépondre0
TheShibaWhisperer
· Il y a 22h
Le Saint précipité est de retour.
Voir l'originalRépondre0
TokenEconomist
· Il y a 22h
En fait, le battage médiatique de l'IA nécessite des mathématiques.
Web3-AI secteur panorama : fusion technologique, scénarios d'application et analyse approfondie des projets de premier plan
Rapport panoramique sur le secteur Web3-AI : analyse approfondie de la logique technique, des applications scénaristiques et des projets de premier plan
Avec la montée en puissance de la narration par l'IA, de plus en plus d'attention se concentre sur ce secteur. Une analyse approfondie de la logique technique, des cas d'application et des projets représentatifs du secteur Web3-AI a été réalisée pour vous présenter de manière exhaustive le panorama et les tendances de développement de ce domaine.
I. Web3-AI : Analyse de la logique technique et des opportunités de marché émergentes
1.1 Logique de fusion entre Web3 et IA : comment définir le secteur Web-AI
Au cours de l'année passée, la narration AI a connu un succès exceptionnel dans l'industrie Web3, avec des projets AI apparaissant comme des champignons après la pluie. Bien qu'il existe de nombreux projets impliquant la technologie AI, certains projets n'utilisent l'AI que dans certaines parties de leurs produits, et l'économie des tokens sous-jacente n'est pas substantiellement liée aux produits AI, c'est pourquoi 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, tandis que l'IA s'attaque aux problèmes de productivité. Ces projets offrent eux-mêmes des produits d'IA et reposent sur un modèle économique Web3 en tant qu'outil de relations de production, les deux se complétant mutuellement. Nous classifions ce type de projet dans la catégorie Web3-AI. Pour permettre aux lecteurs de 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 de l'IA peut résoudre parfaitement des problèmes et créer de nouveaux scénarios d'application.
1.2 Le processus et les défis du développement de l'IA : 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, à la conduite autonome, etc. L'IA change 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 optimisation du modèle, entraînement du modèle et inférence. Prenons un exemple simple, pour développer un modèle permettant de classer des images de chats et de chiens, vous devez :
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, étiquetez chaque image avec sa catégorie (chat ou chien), en vous assurant que les étiquettes sont précises. Convertissez les images dans un format que le modèle peut reconnaître, et divisez l'ensemble de données en ensembles d'entraînement, de validation et de test.
Choix et optimisation du modèle : sélectionner un modèle approprié, tel que le 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 spécifiques, 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, une profondeur de réseau moins importante pourrait suffire.
Entraînement du modèle : vous pouvez utiliser un GPU, un 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, et le processus d'inférence fait référence à l'utilisation d'un modèle déjà entraîné pour prédire ou classifier de nouvelles données. Dans ce processus, un ensemble de test ou de nouvelles données peut être utilisé pour tester l'efficacité de la classification du modèle, qui est généralement évaluée à l'aide d'indicateurs tels que la précision, le rappel et le F1-score.
Comme montré sur l'illustration, après la collecte de données, le prétraitement des données, la sélection et le réglage du modèle, ainsi que l'entraînement, le modèle entraîné sera utilisé pour effectuer des inférences sur l'ensemble de test afin d'obtenir 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 formés peuvent être intégrés 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, permettant aux utilisateurs de télécharger des images de chats ou de chiens et d'obtenir des résultats de classification.
Cependant, le processus de développement de l'IA centralisée présente certains problèmes dans les scénarios suivants :
Confidentialité des utilisateurs : Dans un contexte centralisé, 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.
Obtention de la source de données : Les petites équipes ou les individus peuvent faire face 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.
Obtention de la 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.
Revenu des actifs d'IA : Les travailleurs de l'annotation de données ne parviennent souvent pas à obtenir un revenu correspondant à leurs efforts, tandis que les résultats de recherche des développeurs d'IA ont également du mal à se correspondre avec des acheteurs ayant des besoins.
Les défis existants dans les scénarios d'IA centralisée peuvent être surmontés en les combinant avec le Web3. En tant que nouvelle relation de production, le Web3 s'adapte naturellement à l'IA, qui représente une nouvelle productivité, permettant ainsi un progrès simultané de la technologie et des capacités de production.
1.3 Synergie entre Web3 et 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 de simples utilisateurs d'IA à des participants, créant ainsi une IA que tout le monde peut posséder. De plus, la fusion entre le monde Web3 et la technologie IA peut également donner lieu à de nouveaux cas d'application innovants et à des 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 personnes peut être garantie, le modèle de crowdsourcing des données favorise les 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, il est possible de réaliser un système de distribution des revenus équitable, incitant ainsi davantage de personnes à promouvoir les progrès de la technologie IA.
Dans le contexte de Web3, l'IA peut avoir un impact positif sur plusieurs pistes. Par exemple, les modèles d'IA peuvent être intégrés dans des contrats intelligents pour améliorer l'efficacité au travail dans différents cas 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", par exemple en utilisant la technologie IA pour créer leur propre NFT, mais elle peut également créer des scénarios de jeu variés et des expériences d'interaction intéressantes dans GameFi. Une infrastructure riche offre une expérience de développement fluide, que l'on soit un expert en IA ou un novice 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 écologiques Web3-AI
Nous avons principalement étudié 41 projets dans le domaine Web3-AI et avons classé ces projets en différents niveaux. La logique de classification de chaque niveau est illustrée dans le graphique ci-dessous, y compris le niveau d'infrastructure, le niveau intermédiaire et le niveau d'application, chaque niveau étant divisé en différents segments. Dans le prochain chapitre, nous procéderons à une analyse approfondie de certains projets représentatifs.
La couche d'infrastructure couvre les ressources de calcul et l'architecture technique nécessaires au fonctionnement de 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 connectent l'infrastructure aux applications, et la couche d'application se concentre sur les diverses applications et solutions destinées directement 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, la chaîne d'IA et la plateforme de développement comme des éléments de la couche d'infrastructure. C'est grâce à ces infrastructures que l'entraînement et l'inférence des modèles d'IA peuvent être réalisés, et que des applications IA puissantes et pratiques peuvent être présentées aux utilisateurs.
Réseau de calcul décentralisé : il peut fournir une puissance de calcul distribuée pour l'entraînement des modèles d'IA, garantissant une utilisation efficace et économique des ressources de calcul. Certains projets ont mis en place des marchés de puissance de calcul décentralisés, permettant aux utilisateurs de louer de la puissance de calcul à faible coût ou de partager leur puissance de calcul pour générer des revenus, avec des projets représentatifs tels que IO.NET et Hyperbolic. De plus, certains projets ont engendré de nouvelles méthodes de participation, comme Compute Labs, qui a proposé un protocole tokenisé, permettant aux utilisateurs d'acheter des NFT représentant des entités GPU et de participer de différentes manières à la location de puissance de calcul pour générer des revenus.
AI Chain : Utiliser la blockchain comme base du cycle de vie de l'IA, permettant une interaction transparente des 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 fournir un cadre de développement IA ainsi que 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, tels que Fetch.ai et ChainML. Des outils tout-en-un aident les développeurs à créer, entraîner et déployer plus facilement des modèles IA, avec des projets représentatifs comme Nimble. Cette infrastructure favorise l'application généralisée de la technologie IA 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 efficacité de travail accrue.
De plus, certaines plateformes permettent aux experts du domaine ou aux utilisateurs ordinaires d'effectuer des tâches de prétraitement des données, telles que l'annotation d'images et la classification des données, ces tâches pouvant nécessiter des connaissances spécialisées en matière de traitement des données financières et juridiques. Les utilisateurs peuvent tokeniser leurs compétences, réalisant ainsi une collaboration en crowdsourcing pour le prétraitement des données. Des exemples incluent le marché de l'IA comme Sahara AI, qui propose des tâches de données dans différents domaines et peut couvrir des scénarios de données multidisciplinaires ; tandis que le protocole AIT effectue des annotations de données par le biais d'une 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 modèle 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 AI avancés et un cadre de calcul, et possèdent la capacité d'entraînement collaboratif.
Couche d'application :
Ce niveau est principalement constitué d'applications destinées 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 plusieurs domaines, notamment l'AIGC (contenu généré par l'IA), les agents IA et l'analyse de données.