Relatório panorâmico da pista Web3-AI: análise profunda da lógica técnica, aplicações de cenário e principais projetos Profundidade

Com a crescente popularidade da narrativa de IA, cada vez mais atenção está sendo concentrada nesta área. Foi feita uma análise aprofundada da lógica técnica, cenários de aplicação e projetos representativos da pista Web3-AI, apresentando-lhe uma visão abrangente e as tendências de desenvolvimento neste campo.

Uma, Web3-AI: Análise da Lógica Técnica e Oportunidades de Mercado Emergentes

1.1 Lógica da fusão entre Web3 e IA: como definir a pista Web-AI

No último ano, a narrativa de IA tem estado anormalmente em alta na indústria Web3, com projetos de IA a surgirem como cogumelos após a chuva. Embora haja muitos projetos que envolvem tecnologia de IA, alguns projetos utilizam IA apenas em certas partes de seus produtos, e a economia de tokens subjacente não tem uma relação substancial com os produtos de IA; portanto, esses projetos não estão incluídos na discussão de projetos Web3-AI neste artigo.

O foco deste artigo está em usar a blockchain para resolver problemas de relações de produção e a IA para resolver problemas de produtividade, projetos que oferecem produtos de IA e, ao mesmo tempo, utilizam modelos econômicos Web3 como ferramentas de relações de produção, ambos se complementando. Classificamos esses projetos como parte da trilha Web3-AI. Para que os leitores compreendam melhor a trilha Web3-AI, serão apresentados o processo de desenvolvimento da IA e os desafios, bem como como a combinação de Web3 e IA pode resolver problemas de forma perfeita e criar novos cenários de aplicação.

1.2 O processo de desenvolvimento da IA e os desafios: da coleta de dados à inferência do modelo

A tecnologia de IA é uma tecnologia que permite que os computadores simulem, ampliem e aprimorem a inteligência humana. Ela permite que os computadores executem várias tarefas complexas, desde tradução de idiomas, classificação de imagens até reconhecimento facial, condução autónoma e outros cenários de aplicação. A IA está mudando a maneira como vivemos e trabalhamos.

O processo de desenvolvimento de modelos de inteligência artificial geralmente inclui os seguintes passos-chave: coleta de dados e pré-processamento de dados, seleção e ajuste do modelo, treinamento e inferência do modelo. Para dar um exemplo simples, ao desenvolver um modelo para classificar imagens de gatos e cães, você precisará:

1. Coleta de dados e pré-processamento de dados: Coletar um conjunto de dados de imagens contendo gatos e cães, podendo usar conjuntos de dados públicos ou coletar dados reais por conta própria. Em seguida, rotular cada imagem com a categoria (gato ou cão), garantindo que as etiquetas estejam corretas. Converter as imagens para um formato que o modelo possa reconhecer, dividindo o conjunto de dados em conjunto de treinamento, conjunto de validação e conjunto de teste.

2. Seleção e ajuste do modelo: Escolher o modelo apropriado, como Redes Neurais Convolucionais (CNN), que é mais adequado para tarefas de classificação de imagens. Ajustar os parâmetros ou a arquitetura do modelo conforme as diferentes necessidades, geralmente, a profundidade da rede do modelo pode ser ajustada de acordo com a complexidade da tarefa de IA. Neste exemplo simples de classificação, uma rede com menos camadas pode ser suficiente.

3. Treinamento de modelos: pode-se usar GPU, TPU ou clusters de computação de alto desempenho para treinar modelos, sendo que o tempo de treinamento é afetado pela complexidade do modelo e pela capacidade de cálculo.

4. Inferência do modelo: O arquivo do modelo treinado é geralmente chamado de pesos do modelo. O processo de inferência refere-se ao uso de um modelo já treinado para fazer previsões ou classificações em novos dados. Durante este processo, pode-se utilizar um conjunto de testes ou novos dados para avaliar a eficácia da classificação do modelo, normalmente usando métricas como precisão, taxa de recuperação e F1-score.

Como mostrado na figura, após a coleta de dados e pré-processamento de dados, seleção e ajuste de modelo, e treinamento, o modelo treinado é inferido no conjunto de teste para obter os valores de previsão de gato e cachorro P (probabilidade), ou seja, a probabilidade de o modelo inferir que é um gato ou um cachorro.

Modelos de IA treinados podem ser integrados em diversas aplicações para executar diferentes tarefas. Neste exemplo, um modelo de IA para classificação de gatos e cães pode ser integrado numa aplicação móvel, onde os utilizadores enviam imagens de gatos ou cães e recebem os resultados da classificação.

No entanto, o processo de desenvolvimento de IA centralizada apresenta alguns problemas nos seguintes cenários:

Privacidade do usuário: em cenários centralizados, o processo de desenvolvimento de IA geralmente é opaco. Os dados dos usuários podem ser roubados sem o seu conhecimento e usados para treinamento de IA.

Obtenção de fontes de dados: Pequenas equipas ou indivíduos podem enfrentar limitações de não ter acesso a dados abertos ao tentar obter dados específicos de determinadas áreas (como dados médicos).

Seleção e ajuste de modelos: para pequenas equipas, é difícil obter recursos de modelos específicos ou gastar uma grande quantia em ajustes de modelos.

Aquisição de poder computacional: para desenvolvedores individuais e pequenas equipes, o alto custo de compra de GPUs e as taxas de aluguer de poder computacional em nuvem podem representar uma carga económica significativa.

Renda de ativos de IA: os trabalhadores de anotação de dados muitas vezes não conseguem obter uma renda que corresponda ao seu esforço, e os resultados da pesquisa dos desenvolvedores de IA também têm dificuldade em se corresponder com compradores que têm demanda.

Os desafios existentes no cenário de IA centralizada podem ser superados através da combinação com o Web3, que, como uma nova relação de produção, se adapta naturalmente à IA, representando uma nova força produtiva, promovendo assim o progresso simultâneo da tecnologia e da capacidade produtiva.

1.3 A sinergia entre Web3 e IA: Mudanças de papéis e aplicações inovadoras

A combinação de Web3 e IA pode aumentar a soberania do usuário, proporcionando aos usuários uma plataforma de colaboração em IA aberta, permitindo que os usuários se transformem de utilizadores de IA da era Web2 em participantes, criando uma IA que pode ser possuída por todos. Ao mesmo tempo, a fusão do mundo Web3 com a tecnologia de IA pode gerar ainda mais cenários de aplicação inovadores e maneiras de jogar.

Baseado na tecnologia Web3, o desenvolvimento e a aplicação da IA irão dar início a um novo sistema econômico colaborativo. A privacidade dos dados das pessoas pode ser garantida, o modelo de crowdsourcing de dados promove o avanço dos modelos de IA, numerosos recursos de IA de código aberto estão disponíveis para os usuários, e o poder computacional compartilhado pode ser obtido a um custo mais baixo. Com a ajuda de um mecanismo de crowdsourcing colaborativo descentralizado e de um mercado de IA aberto, é possível implementar um sistema de distribuição de renda justa, incentivando assim mais pessoas a impulsionar o avanço da tecnologia de IA.

No cenário Web3, a IA pode ter um impacto positivo em várias áreas. Por exemplo, modelos de IA podem ser integrados a contratos inteligentes, melhorando a eficiência do trabalho em diferentes cenários de aplicação, como análise de mercado, detecção de segurança, agrupamento social e várias outras funções. A IA generativa não só permite que os usuários experimentem o papel de "artista", como criar seus próprios NFTs usando tecnologia de IA, mas também pode criar cenários de jogos variados e interações interessantes no GameFi. A infraestrutura rica proporciona uma experiência de desenvolvimento fluida, permitindo que tanto especialistas em IA quanto novatos que desejam entrar na área de IA encontrem uma entrada adequada neste mundo.

II. Interpretação do mapa e da arquitetura do projeto ecossistêmico Web3-AI

Estudámos principalmente 41 projetos na área do Web3-AI e classificámos esses projetos em diferentes níveis. A lógica de classificação de cada nível é mostrada na figura abaixo, incluindo camada de infraestrutura, camada intermediária e camada de aplicação, sendo que cada camada é dividida em diferentes setores. No próximo capítulo, iremos fazer uma análise aprofundada de alguns projetos representativos.

A camada de infraestrutura abrange os recursos de computação e a arquitetura técnica que suportam a operação de todo o ciclo de vida da IA, a camada intermediária inclui a gestão de dados, desenvolvimento de modelos e serviços de verificação de raciocínio que conectam a infraestrutura às aplicações, enquanto a camada de aplicação se concentra em várias aplicações e soluções direcionadas diretamente aos usuários.

Camada de Infraestrutura:

A camada de infraestrutura é a base do ciclo de vida da IA, e este artigo classifica a capacidade de computação, a AI Chain e a plataforma de desenvolvimento como parte da camada de infraestrutura. É graças ao suporte dessas infraestruturas que é possível realizar o treinamento e a inferência de modelos de IA, apresentando aplicações de IA poderosas e práticas aos usuários.

• Rede de computação descentralizada: pode fornecer poder computacional distribuído para o treinamento de modelos de IA, garantindo uma utilização eficiente e econômica dos recursos computacionais. Alguns projetos oferecem um mercado de poder computacional descentralizado, onde os usuários podem alugar poder computacional a baixo custo ou compartilhar poder computacional para obter lucros, representados por projetos como IO.NET e Hyperbolic. Além disso, alguns projetos derivaram novas formas de interação, como Compute Labs, que propôs um protocolo de tokenização, permitindo que os usuários comprem NFTs que representam entidades GPU e participem da locação de poder computacional de diferentes maneiras para obter lucros.

• AI Chain: Utiliza a blockchain como base para o ciclo de vida da IA, permitindo a interação sem costura entre recursos de IA on-chain e off-chain, promovendo o desenvolvimento do ecossistema da indústria. O mercado descentralizado de IA na blockchain pode negociar ativos de IA, como dados, modelos, agentes, etc., e oferece uma estrutura de desenvolvimento de IA e ferramentas de desenvolvimento complementares, representado pelo projeto Sahara AI. A AI Chain também pode promover o progresso tecnológico da IA em diferentes áreas, como o Bittensor, que incentiva a competição entre sub-redes de diferentes tipos de IA através de um mecanismo inovador de incentivos para sub-redes.

• Plataforma de desenvolvimento: alguns projetos oferecem plataformas de desenvolvimento de agentes de IA, que também permitem a negociação de agentes de IA, como Fetch.ai e ChainML. Ferramentas tudo-em-um ajudam os desenvolvedores a criar, treinar e implementar modelos de IA de forma mais conveniente, representando projetos como Nimble. Esta infraestrutura promove a ampla aplicação da tecnologia de IA no ecossistema Web3.

Camada Intermediária:

Esta camada envolve dados de IA, modelos, bem como raciocínio e validação, e a utilização da tecnologia Web3 pode alcançar uma maior profundidade de eficiência.

• Dados: A qualidade e a quantidade dos dados são fatores-chave que afetam a eficácia do treinamento de modelos. No mundo Web3, através de dados de crowdsourcing e processamento colaborativo de dados, é possível otimizar a utilização de recursos e reduzir os custos de dados. Os usuários podem ter autonomia sobre os dados, vendendo suas informações sob proteção de privacidade, para evitar que dados sejam roubados por comerciantes desonestos e que eles obtenham lucros excessivos. Para os demandantes de dados, essas plataformas oferecem uma ampla gama de opções e custos extremamente baixos. Projetos representativos como Grass utilizam a largura de banda dos usuários para capturar dados da Web, xData coleta informações de mídia por meio de plugins amigáveis ao usuário e suporta o upload de informações de tweets pelos usuários.

Além disso, algumas plataformas permitem que especialistas em áreas ou usuários comuns realizem tarefas de pré-processamento de dados, como rotulagem de imagens e classificação de dados, tarefas que podem exigir conhecimentos especializados em finanças e no tratamento de dados legais. Os usuários podem tokenizar suas habilidades para realizar o crowdsourcing colaborativo do pré-processamento de dados. Exemplos como o mercado de IA Sahara AI têm tarefas de dados em diferentes áreas, cobrindo cenários de dados multiárea; enquanto o AIT Protocolt realiza a rotulagem de dados através de uma abordagem de colaboração entre humanos e máquinas.

• Modelo: No processo de desenvolvimento de IA mencionado anteriormente, diferentes tipos de requisitos precisam de modelos adequados. Modelos comuns para tarefas de imagem incluem CNN e GAN, para tarefas de detecção de objetos pode-se escolher a série Yolo, enquanto que para tarefas de texto, modelos comuns incluem RNN e Transformer, e há também alguns modelos grandes específicos ou gerais. A profundidade do modelo necessária para tarefas de complexidade diferente também varia, e às vezes é necessário ajustar o modelo.

Alguns projetos suportam que os usuários forneçam diferentes tipos de modelos ou colaborem na formação de modelos através de crowdsourcing, como a Sentient que, através de um design modular, permite que os usuários armazenem dados de modelos confiáveis na camada de armazenamento e na camada de distribuição para otimização de modelos. As ferramentas de desenvolvimento fornecidas pela Sahara AI incorporam algoritmos de IA avançados e estruturas de computação, e possuem a capacidade de treinamento colaborativo.

• Inferência e validação: Após o treinamento, o modelo gera arquivos de pesos do modelo, que podem ser usados para classificação, previsão ou outras tarefas específicas. Esse processo é chamado de inferência. O processo de inferência geralmente é acompanhado por um mecanismo de validação para verificar se a origem do modelo de inferência está correta e se há comportamentos maliciosos, entre outros. A inferência no Web3 geralmente pode ser integrada em contratos inteligentes, através da chamada do modelo para realizar a inferência. As formas comuns de validação incluem tecnologias como ZKML, OPML e TEE. Projetos representativos como o oráculo de IA em cadeia ORA (OAO) introduziram o OPML como uma camada verificável para o oráculo de IA, e o site oficial da ORA também menciona suas pesquisas sobre ZKML e opp/ai (ZKML combinado com OPML).

Camada de Aplicação:

Esta camada é principalmente um aplicativo voltado diretamente para o usuário, que combina IA com Web3, criando maneiras mais interessantes e inovadoras de interação. Este artigo aborda principalmente os projetos nos seguintes setores: AIGC (Conteúdo Gerado por IA), Agentes de IA e Análise de Dados.

• AIGC: através de AIGC