Relatório panorâmico sobre o setor Web3-AI: Análise profunda da lógica técnica, aplicações de cenários e projetos de topo
Com o aquecimento contínuo da narrativa da IA, cada vez mais atenção está sendo concentrada neste setor. Este artigo analisa em profundidade a lógica técnica, os cenários de aplicação e os projetos representativos do setor Web3-AI, apresentando uma visão abrangente e as tendências de desenvolvimento deste campo.
Uma, Web3-AI: Análise da Lógica Tecnológica e Oportunidades de Mercado Emergentes
1.1 A lógica da fusão entre Web3 e AI: como definir o setor Web-AI
No último ano, a narrativa de IA tem sido excepcionalmente popular na indústria Web3, com projetos de IA surgindo como cogumelos após a chuva. Embora muitos projetos envolvam tecnologia de IA, alguns projetos usam IA apenas em certas partes de seus produtos, e a economia de token subjacente não tem 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 projetos que utilizam blockchain para resolver problemas de relações de produção, enquanto a IA resolve problemas de força produtiva. Esses projetos oferecem produtos de IA e, ao mesmo tempo, utilizam modelos econômicos Web3 como ferramentas de relações de produção, sendo ambos complementares. Vamos classificar esses projetos como a trilha Web3-AI. Para que os leitores compreendam melhor a trilha Web3-AI, iremos apresentar o processo de desenvolvimento e os desafios da IA, bem como a forma como a combinação de Web3 e IA pode resolver problemas de maneira perfeita e criar novos cenários de aplicação.
1.2 O processo de desenvolvimento de 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 realizem uma variedade de tarefas complexas, desde tradução de idiomas, classificação de imagens até reconhecimento facial e aplicações de condução autónoma, a IA está mudando a forma como vivemos e trabalhamos.
O processo de desenvolvimento de modelos de inteligência artificial normalmente 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 precisa:
Coleta de dados e pré-processamento de dados: Coletar um conjunto de dados de imagens que contenham gatos e cães, podendo utilizar 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 sejam precisas. Converter as imagens para um formato que o modelo possa reconhecer e dividir o conjunto de dados em conjunto de treino, conjunto de validação e conjunto de teste.
Seleção e ajuste do modelo: Escolher um modelo adequado, como redes neurais convolucionais (CNN), que são mais adequadas para tarefas de classificação de imagens. Ajustar os parâmetros ou a arquitetura do modelo de acordo com as diferentes necessidades; geralmente, a profundidade da rede do modelo pode ser ajustada com base na complexidade da tarefa de IA. Neste exemplo simples de classificação, uma rede com menos camadas pode ser suficiente.
Treinamento do modelo: pode-se usar GPU, TPU ou clusters de computação de alto desempenho para treinar o modelo, e o tempo de treinamento é influenciado pela complexidade do modelo e pela capacidade de computação.
Inferência do modelo: O arquivo do modelo treinado normalmente é chamado de peso do modelo, e o processo de inferência refere-se ao uso do modelo já treinado para prever ou classificar novos dados. Neste processo, pode-se usar um conjunto de testes ou novos dados para testar a eficácia da classificação do modelo, normalmente avaliando a validade do modelo com métricas como precisão, recall e F1-score.
Como mostrado na figura, após a coleta de dados, pré-processamento de dados, seleção e ajuste do modelo, e treinamento, a inferência do modelo treinado no conjunto de teste resultará nos 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 várias aplicações para executar diferentes tarefas. Neste exemplo, um modelo de IA para classificação de cães e gatos pode ser integrado em uma aplicação móvel, onde os utilizadores fazem o upload de imagens de gatos ou cães e recebem os resultados da classificação.
No entanto, o processo de desenvolvimento de IA centralizada apresenta alguns problemas nas seguintes situações:
Privacidade do usuário: em cenários centralizados, o processo de desenvolvimento da IA geralmente é opaco. Os dados dos usuários podem ser roubados sem que eles saibam e usados para o treinamento da IA.
Obtenção de fontes de dados: pequenas equipas ou indivíduos podem enfrentar limitações na obtenção de dados em áreas específicas (como dados médicos) quando os dados não são de código aberto.
Seleção e ajuste de modelos: para pequenas equipas, é difícil obter recursos de modelos específicos ou gastar grandes custos na afinação de modelos.
Obtenção de poder computacional: Para desenvolvedores individuais e pequenas equipas, os altos custos de compra de GPUs e as taxas de aluguer de poder computacional na nuvem podem representar um fardo económico significativo.
Renda de ativos de IA: Trabalhadores de rotulagem de dados frequentemente não conseguem obter uma renda que corresponda ao seu esforço, e os resultados da pesquisa dos desenvolvedores de IA também têm dificuldade em se alinhar 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, que representa uma nova força produtiva, promovendo assim o progresso simultâneo da tecnologia e da capacidade de produção.
1.3 A Sinergia entre Web3 e AI: Mudanças de Papel e Aplicações Inovadoras
A combinação de Web3 e IA pode fortalecer a soberania do usuário, proporcionando uma plataforma de colaboração em IA aberta, permitindo que os usuários passem de meros utilizadores de IA da era Web2 a participantes, criando uma IA que pode ser possuída por todos. Ao mesmo tempo, a fusão do mundo Web3 com a tecnologia de IA também pode gerar mais cenários de aplicação inovadores e maneiras de interagir.
Baseada na tecnologia Web3, o desenvolvimento e a aplicação da IA irão entrar em um novo sistema de economia colaborativa. A privacidade dos dados das pessoas pode ser garantida, o modelo de crowdsourcing de dados promove o avanço dos modelos de IA, muitos recursos de IA de código aberto estão disponíveis para os usuários, e a capacidade de computação compartilhada pode ser obtida a um custo mais baixo. Com a ajuda de um mecanismo de colaboração descentralizada e um mercado de IA aberto, é possível implementar um sistema de distribuição de renda justo, incentivando 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 em 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 ricos e diversificados e experiências de interação interessantes no GameFi. Uma infraestrutura rica proporciona uma experiência de desenvolvimento fluida, permitindo que tanto especialistas em IA quanto novatos que desejam entrar no campo da IA encontrem a entrada adequada neste mundo.
II. Mapa e interpretação da arquitetura dos projetos ecossistêmicos Web3-AI
Estudamos principalmente 41 projetos na área do Web3-AI e dividimos esses projetos em diferentes níveis. A lógica de divisão de cada nível está ilustrada na figura abaixo, incluindo a camada de infraestrutura, a camada intermediária e a camada de aplicação, e cada nível é dividido em diferentes seções. No próximo capítulo, faremos uma análise profunda 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 validação e inferência que conectam a infraestrutura às aplicações, enquanto a camada de aplicação foca nas 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 precisamente com o suporte dessas infraestruturas que se pode realizar o treinamento e a inferência dos 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 a 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 rendimentos, com projetos representativos como IO.NET e Hyperbolic. Além disso, alguns projetos derivaram novas formas de jogar, como Compute Labs, que propôs um protocolo tokenizado, permitindo que os usuários participem no aluguel de poder computacional de diferentes maneiras, através da compra de NFTs que representam entidades GPU.
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 fornece uma estrutura de desenvolvimento de IA e ferramentas de desenvolvimento associadas, com projetos representativos como Sahara AI. A AI Chain também pode promover o avanço da tecnologia de IA em diferentes áreas, como o Bittensor, que impulsiona a competição entre sub-redes de diferentes tipos de IA através de um mecanismo inovador de incentivos de sub-rede.
Plataforma de desenvolvimento: alguns projetos oferecem plataformas de desenvolvimento de agentes de IA, que também podem realizar transações de agentes de IA, como Fetch.ai e ChainML. Ferramentas tudo-em-um ajudam os desenvolvedores a criar, treinar e implantar modelos de IA de forma mais conveniente, representados por 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 e raciocínio e validação, e a utilização da tecnologia Web3 pode alcançar uma maior eficiência no trabalho.
Dados: A qualidade e a quantidade dos dados são factores-chave que influenciam 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 utilizadores podem ter autonomia sobre os seus dados, podendo vendê-los sob condições de proteção de privacidade, evitando que sejam roubados e explorados por comerciantes desonestos. Para os demandantes de dados, estas plataformas oferecem uma ampla gama de opções e custos extremamente baixos. Projetos representativos como Grass utilizam a largura de banda dos utilizadores para capturar dados da Web, enquanto xData recolhe informações de mídia através de um plugin amigável para o utilizador e suporta o upload de informações de tweets pelos utilizadores.
Além disso, algumas plataformas permitem que especialistas do setor ou usuários comuns executem tarefas de pré-processamento de dados, como rotulagem de imagens e classificação de dados, que podem exigir conhecimentos profissionais para o processamento de dados financeiros e legais. Os usuários podem tokenizar suas habilidades, possibilitando a colaboração em forma de crowdsourcing para o pré-processamento de dados. Exemplos incluem o mercado de IA Sahara AI, que possui tarefas de dados em diferentes áreas e pode abranger cenários de dados multissetoriais; enquanto o AIT Protocolt realiza a rotulagem de dados por meio de colaboração homem-máquina.
Modelo: Durante o processo de desenvolvimento de IA mencionado anteriormente, diferentes tipos de necessidades requerem a correspondência de modelos adequados. Modelos comuns em tarefas de imagem incluem CNN e GAN, enquanto para tarefas de deteção de objetos podem ser escolhidas as séries Yolo. Para tarefas de texto, modelos comuns incluem RNN e Transformer, além de alguns modelos grandes específicos ou genéricos. A profundidade dos modelos necessários varia conforme a complexidade da tarefa, e às vezes é necessário ajustar os modelos.
Alguns projetos suportam que os usuários forneçam diferentes tipos de modelos ou colaborem no treinamento de modelos através de crowdsourcing, como o 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, além de possuir 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, um processo chamado de inferência. O processo de inferência geralmente é acompanhado por mecanismos de validação, para verificar se a origem do modelo de inferência está correta e se não há comportamentos maliciosos, entre outros. A inferência em Web3 pode ser integrada em contratos inteligentes, chamando o modelo para realizar a inferência, e as formas comuns de validação incluem tecnologias como ZKML, OPML e TEE. Projetos representativos, como o oráculo de IA na cadeia ORA (OAO), introduziram o OPML como uma camada verificável para o oráculo de IA, e no site oficial da ORA também mencionaram 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, combinando IA com Web3 para criar formas mais interessantes e inovadoras de jogar. Este artigo se concentra nos projetos de AIGC (Conteúdo Gerado por IA), agentes de IA e análise de dados.
AIGC: Através do AIGC, é possível expandir para os setores de NFT, jogos e outros dentro do Web3, onde os usuários podem gerar texto, imagens e áudio diretamente através de Prompt (palavras-chave fornecidas pelo usuário), e até mesmo criar jogabilidades personalizadas nos jogos de acordo com suas preferências. Projetos NFT como NFPrompt permitem que os usuários gerem NFTs através de IA para serem negociados no mercado; jogos como Sleepless permitem que os usuários moldem a personalidade de companheiros virtuais através de diálogos para se adequar às suas preferências;
Agente de IA: refere-se a sistemas de inteligência artificial que podem executar tarefas de forma autónoma e tomar decisões. Os agentes de IA geralmente possuem capacidades de percepção, raciocínio, aprendizagem e ação, podendo executar tarefas complexas em diversos ambientes. Agentes de IA comuns incluem tradução de linguagem.
Esta página pode conter conteúdo de terceiros, que é fornecido apenas para fins informativos (não para representações/garantias) e não deve ser considerada como um endosso de suas opiniões pela Gate nem como aconselhamento financeiro ou profissional. Consulte a Isenção de responsabilidade para obter detalhes.
6 Curtidas
Recompensa
6
4
Compartilhar
Comentário
0/400
AirDropMissed
· 07-26 04:01
Querem enganar-me a investir em um novo projeto, um amarelo aparece a cada encontro.
Ver originalResponder0
CascadingDipBuyer
· 07-26 03:56
Trocar a sopa mas não a medicina, ainda é fazer as pessoas de parvas.
Ver originalResponder0
ImpermanentPhilosopher
· 07-26 03:54
é realmente difícil a aplicação de AI, muitos projetos estão apenas aproveitando.
Ver originalResponder0
AlwaysMissingTops
· 07-26 03:52
Outra vez a fazer as pessoas de parvas, a maioria dos projetos de IA é apenas uma armadilha para brincar com conceitos.
Análise panorâmica da pista Web3-AI: lógica técnica e análise profunda de projetos de topo
Relatório panorâmico sobre o setor Web3-AI: Análise profunda da lógica técnica, aplicações de cenários e projetos de topo
Com o aquecimento contínuo da narrativa da IA, cada vez mais atenção está sendo concentrada neste setor. Este artigo analisa em profundidade a lógica técnica, os cenários de aplicação e os projetos representativos do setor Web3-AI, apresentando uma visão abrangente e as tendências de desenvolvimento deste campo.
Uma, Web3-AI: Análise da Lógica Tecnológica e Oportunidades de Mercado Emergentes
1.1 A lógica da fusão entre Web3 e AI: como definir o setor Web-AI
No último ano, a narrativa de IA tem sido excepcionalmente popular na indústria Web3, com projetos de IA surgindo como cogumelos após a chuva. Embora muitos projetos envolvam tecnologia de IA, alguns projetos usam IA apenas em certas partes de seus produtos, e a economia de token subjacente não tem 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 projetos que utilizam blockchain para resolver problemas de relações de produção, enquanto a IA resolve problemas de força produtiva. Esses projetos oferecem produtos de IA e, ao mesmo tempo, utilizam modelos econômicos Web3 como ferramentas de relações de produção, sendo ambos complementares. Vamos classificar esses projetos como a trilha Web3-AI. Para que os leitores compreendam melhor a trilha Web3-AI, iremos apresentar o processo de desenvolvimento e os desafios da IA, bem como a forma como a combinação de Web3 e IA pode resolver problemas de maneira perfeita e criar novos cenários de aplicação.
1.2 O processo de desenvolvimento de 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 realizem uma variedade de tarefas complexas, desde tradução de idiomas, classificação de imagens até reconhecimento facial e aplicações de condução autónoma, a IA está mudando a forma como vivemos e trabalhamos.
O processo de desenvolvimento de modelos de inteligência artificial normalmente 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 precisa:
Coleta de dados e pré-processamento de dados: Coletar um conjunto de dados de imagens que contenham gatos e cães, podendo utilizar 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 sejam precisas. Converter as imagens para um formato que o modelo possa reconhecer e dividir o conjunto de dados em conjunto de treino, conjunto de validação e conjunto de teste.
Seleção e ajuste do modelo: Escolher um modelo adequado, como redes neurais convolucionais (CNN), que são mais adequadas para tarefas de classificação de imagens. Ajustar os parâmetros ou a arquitetura do modelo de acordo com as diferentes necessidades; geralmente, a profundidade da rede do modelo pode ser ajustada com base na complexidade da tarefa de IA. Neste exemplo simples de classificação, uma rede com menos camadas pode ser suficiente.
Treinamento do modelo: pode-se usar GPU, TPU ou clusters de computação de alto desempenho para treinar o modelo, e o tempo de treinamento é influenciado pela complexidade do modelo e pela capacidade de computação.
Inferência do modelo: O arquivo do modelo treinado normalmente é chamado de peso do modelo, e o processo de inferência refere-se ao uso do modelo já treinado para prever ou classificar novos dados. Neste processo, pode-se usar um conjunto de testes ou novos dados para testar a eficácia da classificação do modelo, normalmente avaliando a validade do modelo com métricas como precisão, recall e F1-score.
Como mostrado na figura, após a coleta de dados, pré-processamento de dados, seleção e ajuste do modelo, e treinamento, a inferência do modelo treinado no conjunto de teste resultará nos 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 várias aplicações para executar diferentes tarefas. Neste exemplo, um modelo de IA para classificação de cães e gatos pode ser integrado em uma aplicação móvel, onde os utilizadores fazem o upload de imagens de gatos ou cães e recebem os resultados da classificação.
No entanto, o processo de desenvolvimento de IA centralizada apresenta alguns problemas nas seguintes situações:
Privacidade do usuário: em cenários centralizados, o processo de desenvolvimento da IA geralmente é opaco. Os dados dos usuários podem ser roubados sem que eles saibam e usados para o treinamento da IA.
Obtenção de fontes de dados: pequenas equipas ou indivíduos podem enfrentar limitações na obtenção de dados em áreas específicas (como dados médicos) quando os dados não são de código aberto.
Seleção e ajuste de modelos: para pequenas equipas, é difícil obter recursos de modelos específicos ou gastar grandes custos na afinação de modelos.
Obtenção de poder computacional: Para desenvolvedores individuais e pequenas equipas, os altos custos de compra de GPUs e as taxas de aluguer de poder computacional na nuvem podem representar um fardo económico significativo.
Renda de ativos de IA: Trabalhadores de rotulagem de dados frequentemente não conseguem obter uma renda que corresponda ao seu esforço, e os resultados da pesquisa dos desenvolvedores de IA também têm dificuldade em se alinhar 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, que representa uma nova força produtiva, promovendo assim o progresso simultâneo da tecnologia e da capacidade de produção.
1.3 A Sinergia entre Web3 e AI: Mudanças de Papel e Aplicações Inovadoras
A combinação de Web3 e IA pode fortalecer a soberania do usuário, proporcionando uma plataforma de colaboração em IA aberta, permitindo que os usuários passem de meros utilizadores de IA da era Web2 a participantes, criando uma IA que pode ser possuída por todos. Ao mesmo tempo, a fusão do mundo Web3 com a tecnologia de IA também pode gerar mais cenários de aplicação inovadores e maneiras de interagir.
Baseada na tecnologia Web3, o desenvolvimento e a aplicação da IA irão entrar em um novo sistema de economia colaborativa. A privacidade dos dados das pessoas pode ser garantida, o modelo de crowdsourcing de dados promove o avanço dos modelos de IA, muitos recursos de IA de código aberto estão disponíveis para os usuários, e a capacidade de computação compartilhada pode ser obtida a um custo mais baixo. Com a ajuda de um mecanismo de colaboração descentralizada e um mercado de IA aberto, é possível implementar um sistema de distribuição de renda justo, incentivando 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 em 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 ricos e diversificados e experiências de interação interessantes no GameFi. Uma infraestrutura rica proporciona uma experiência de desenvolvimento fluida, permitindo que tanto especialistas em IA quanto novatos que desejam entrar no campo da IA encontrem a entrada adequada neste mundo.
II. Mapa e interpretação da arquitetura dos projetos ecossistêmicos Web3-AI
Estudamos principalmente 41 projetos na área do Web3-AI e dividimos esses projetos em diferentes níveis. A lógica de divisão de cada nível está ilustrada na figura abaixo, incluindo a camada de infraestrutura, a camada intermediária e a camada de aplicação, e cada nível é dividido em diferentes seções. No próximo capítulo, faremos uma análise profunda 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 validação e inferência que conectam a infraestrutura às aplicações, enquanto a camada de aplicação foca nas 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 precisamente com o suporte dessas infraestruturas que se pode realizar o treinamento e a inferência dos 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 a 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 rendimentos, com projetos representativos como IO.NET e Hyperbolic. Além disso, alguns projetos derivaram novas formas de jogar, como Compute Labs, que propôs um protocolo tokenizado, permitindo que os usuários participem no aluguel de poder computacional de diferentes maneiras, através da compra de NFTs que representam entidades GPU.
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 fornece uma estrutura de desenvolvimento de IA e ferramentas de desenvolvimento associadas, com projetos representativos como Sahara AI. A AI Chain também pode promover o avanço da tecnologia de IA em diferentes áreas, como o Bittensor, que impulsiona a competição entre sub-redes de diferentes tipos de IA através de um mecanismo inovador de incentivos de sub-rede.
Plataforma de desenvolvimento: alguns projetos oferecem plataformas de desenvolvimento de agentes de IA, que também podem realizar transações de agentes de IA, como Fetch.ai e ChainML. Ferramentas tudo-em-um ajudam os desenvolvedores a criar, treinar e implantar modelos de IA de forma mais conveniente, representados por 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 e raciocínio e validação, e a utilização da tecnologia Web3 pode alcançar uma maior eficiência no trabalho.
Além disso, algumas plataformas permitem que especialistas do setor ou usuários comuns executem tarefas de pré-processamento de dados, como rotulagem de imagens e classificação de dados, que podem exigir conhecimentos profissionais para o processamento de dados financeiros e legais. Os usuários podem tokenizar suas habilidades, possibilitando a colaboração em forma de crowdsourcing para o pré-processamento de dados. Exemplos incluem o mercado de IA Sahara AI, que possui tarefas de dados em diferentes áreas e pode abranger cenários de dados multissetoriais; enquanto o AIT Protocolt realiza a rotulagem de dados por meio de colaboração homem-máquina.
Alguns projetos suportam que os usuários forneçam diferentes tipos de modelos ou colaborem no treinamento de modelos através de crowdsourcing, como o 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, além de possuir capacidade de treinamento colaborativo.
Camada de aplicação:
Esta camada é principalmente um aplicativo voltado diretamente para o usuário, combinando IA com Web3 para criar formas mais interessantes e inovadoras de jogar. Este artigo se concentra nos projetos de AIGC (Conteúdo Gerado por IA), agentes de IA e análise de dados.
AIGC: Através do AIGC, é possível expandir para os setores de NFT, jogos e outros dentro do Web3, onde os usuários podem gerar texto, imagens e áudio diretamente através de Prompt (palavras-chave fornecidas pelo usuário), e até mesmo criar jogabilidades personalizadas nos jogos de acordo com suas preferências. Projetos NFT como NFPrompt permitem que os usuários gerem NFTs através de IA para serem negociados no mercado; jogos como Sleepless permitem que os usuários moldem a personalidade de companheiros virtuais através de diálogos para se adequar às suas preferências;
Agente de IA: refere-se a sistemas de inteligência artificial que podem executar tarefas de forma autónoma e tomar decisões. Os agentes de IA geralmente possuem capacidades de percepção, raciocínio, aprendizagem e ação, podendo executar tarefas complexas em diversos ambientes. Agentes de IA comuns incluem tradução de linguagem.