Relatório panorâmico sobre a pista Web3-AI: Análise profunda da lógica técnica, aplicações em cenários e projetos de topo.
À medida que a narrativa da IA continua a ganhar força, cada vez mais atenção está a ser dada a este setor. Foi feita uma análise aprofundada da lógica técnica, dos cenários de aplicação e dos projetos representativos da área Web3-AI, para apresentar de forma abrangente o panorama e as tendências de desenvolvimento deste campo.
I. Web3-AI: Análise da lógica técnica e oportunidades de mercado emergentes
1.1 A lógica de fusão entre Web3 e AI: como definir a pista Web-AI
No último ano, a narrativa de IA tornou-se excepcionalmente popular na indústria Web3, com projetos de IA surgindo como cogumelos após a chuva. Embora muitos projetos envolvam tecnologia de IA, alguns utilizam IA apenas em certas partes de seus produtos, e a economia de token subjacente não tem uma relação substancial com os produtos de IA, portanto, esses projetos não estão incluídos na discussão sobre 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. Esses projetos oferecem produtos de IA e, ao mesmo tempo, baseiam-se em um modelo econômico Web3 como ferramenta de relações de produção, com ambos se complementando. Classificamos esses projetos como a faixa Web3-AI. Para que os leitores compreendam melhor a faixa Web3-AI, iremos apresentar 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 Processo de desenvolvimento de IA e desafios: da coleta de dados à inferência de modelos
A tecnologia de IA é uma tecnologia que permite aos computadores simular, expandir e aumentar a inteligência humana. Ela capacita os computadores a realizar uma variedade de tarefas complexas, desde tradução de idiomas, classificação de imagens até reconhecimento facial, condução automática e outros cenários de aplicação. A IA está mudando a maneira como vivemos e trabalhamos.
O processo de desenvolvimento de um modelo 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 precisaria:
Coleta de dados e pré-processamento de dados: Coletar um conjunto de dados de imagens contendo gatos e cães, que pode usar conjuntos de dados públicos ou coletar dados reais. 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, dividindo o conjunto de dados em conjunto de treinamento, conjunto de validação e conjunto de teste.
Seleção e ajuste do modelo: escolha do modelo adequado, como redes neurais convolucionais (CNN), que são mais adequadas para tarefas de classificação de imagens. Ajuste os parâmetros ou a arquitetura do modelo de acordo com 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.
Treinamento de modelos: Pode-se usar GPU, TPU ou um cluster de computação de alto desempenho para treinar o modelo, sendo que o tempo de treinamento é afetado pela complexidade do modelo e pela capacidade de computação.
Inferência do modelo: Os arquivos do modelo já treinado são normalmente chamados de pesos do modelo, e o processo de inferência refere-se ao uso de um modelo já treinado para prever ou classificar novos dados. Neste processo, pode-se utilizar um conjunto de testes ou novos dados para avaliar a eficácia da classificação do modelo, geralmente 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 do modelo, e treinamento, ao realizar a inferência no conjunto de teste com o modelo treinado, será obtido o valor de previsão P (probabilidade) para gatos e cães, ou seja, a probabilidade de o modelo inferir que é um gato ou um cão.
Modelos de IA treinados podem ser integrados em várias aplicações para executar diferentes tarefas. Neste exemplo, o modelo de IA de classificação de gatos e cães pode ser integrado em uma aplicação móvel, onde os utilizadores enviam imagens de gatos ou cães para obter resultados de 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 da IA geralmente é opaco. Os dados dos usuários podem ser furtados sem o seu conhecimento e utilizados para o treinamento da IA.
Obtenção de fontes de dados: pequenas equipas ou indivíduos que buscam dados em áreas específicas (como dados médicos) podem enfrentar restrições devido à falta de open source dos dados.
Seleção e ajuste de modelos: para pequenas equipas, é difícil obter recursos de modelos específicos ou gastar custos elevados na afinação de modelos.
Aquisição de poder computacional: para desenvolvedores individuais e pequenas equipas, os elevados custos de compra de GPU e as taxas de aluguer de poder computacional na nuvem podem constituir 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, enquanto os resultados de pesquisa dos desenvolvedores de IA também têm dificuldade em se alinhar com compradores que têm demanda.
Os desafios existentes em cenários 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 forma de produtividade, promovendo assim o progresso simultâneo da tecnologia e da capacidade produtiva.
1.3 A sinergia entre Web3 e IA: mudança de papéis e aplicações inovadoras
A combinação de Web3 e IA pode aumentar a soberania do usuário, proporcionando 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 todos podem possuir. Ao mesmo tempo, a fusão do mundo Web3 com a tecnologia IA pode gerar ainda mais cenários de aplicação e formas inovadoras.
Baseada na tecnologia Web3, o desenvolvimento e a aplicação da IA vão dar lugar a um novo sistema econômico colaborativo. A privacidade dos dados das pessoas pode ser garantida, e 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 adquirida a um custo mais baixo. Com a ajuda de um mecanismo de crowdsourcing colaborativo descentralizado e de um mercado de IA aberto, é possível estabelecer um sistema de distribuição de renda justo, incentivando mais pessoas a impulsionar o progresso 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 diversas 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 diversificados e experiências interativas 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 uma entrada adequada neste mundo.
Dois, Interpretação do Mapa e Estrutura do Projeto Ecossistêmico Web3-AI
Nós estudamos principalmente 41 projetos na área de Web3-AI e classificamos esses projetos em diferentes camadas. A lógica de classificação de cada camada é mostrada na figura abaixo, incluindo a camada de infraestrutura, camada intermediária e camada de aplicação, cada uma dividida em diferentes setores. No próximo capítulo, faremos uma análise profunda de alguns projetos representativos.
A camada de infraestrutura cobre os recursos computacionais e a arquitetura técnica que suportam a execução de todo o ciclo de vida da IA, enquanto a camada intermediária inclui a gestão de dados, desenvolvimento de modelos e serviços de validação e inferência que conectam a infraestrutura às aplicações. A camada de aplicação foca nas diversas aplicações e soluções diretamente voltadas para o usuário.
Camada de infraestrutura:
A camada de infraestrutura é a base do ciclo de vida da IA. Neste artigo, a capacidade de cálculo, a AI Chain e a plataforma de desenvolvimento são classificadas como camada de infraestrutura. É o suporte dessas infraestruturas que permite 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 de computação distribuído para o treinamento de modelos de IA, garantindo uma utilização eficiente e econômica dos recursos computacionais. Alguns projetos oferecem um mercado de poder de computação descentralizado, onde os usuários podem alugar poder de computação a baixo custo ou compartilhar poder de computação para obter lucros, com projetos representativos como IO.NET e Hyperbolic. Além disso, alguns projetos derivaram novas formas de jogo, como Compute Labs, que propuseram um protocolo tokenizado, permitindo que os usuários participem de aluguel de poder de computação 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 estruturas de desenvolvimento de IA e ferramentas de desenvolvimento complementares, representado pelo projeto Sahara AI. O AI Chain também pode promover o avanço das tecnologias de IA em diferentes áreas, como o Bittensor, que através de um mecanismo de incentivo inovador de sub-rede, promove a competição entre sub-redes de diferentes tipos de IA.
Plataforma de desenvolvimento: alguns projetos oferecem plataformas de desenvolvimento de agentes de IA, além de permitir 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, com projetos representativos 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 eficiência de trabalho.
Dados: A qualidade e a quantidade dos dados são fatores-chave que influenciam a eficácia do treinamento do modelo. No mundo Web3, através da coleta de dados em massa e do processamento colaborativo de dados, é possível otimizar a utilização de recursos e reduzir os custos dos dados. Os usuários podem ter autonomia sobre seus dados, vendendo-os sob proteção de privacidade, para evitar que suas informações sejam roubadas por comerciantes mal-intencionados e que gerem lucros elevados. 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 usuários para capturar dados da Web, e xData coleta informações de mídia através de plugins amigáveis ao usuário, além de apoiar o upload de informações de tweets pelos usuários.
Além disso, algumas plataformas permitem que especialistas do setor ou usuários comuns realizem tarefas de pré-processamento de dados, como rotulagem de imagens e classificação de dados, que podem exigir conhecimento especializado na manipulação de dados financeiros e legais. Os usuários podem tokenizar suas habilidades, permitindo a colaboração e o crowdsourcing no pré-processamento de dados. Um exemplo é o mercado de IA Sahara AI, que possui tarefas de dados em diferentes campos, cobrindo cenários de dados multifacetados; enquanto o AIT Protocol realiza a rotulagem de dados através da colaboração homem-máquina.
Modelo: No processo de desenvolvimento de IA mencionado anteriormente, diferentes tipos de requisitos necessitam de modelos adequados. Modelos comumente utilizados em tarefas de imagem incluem CNN e GAN, para tarefas de detecção de objetos podem ser escolhidas as séries Yolo, em tarefas de texto, modelos comuns incluem RNN e Transformer, claro que também existem alguns modelos grandes específicos ou gerais. A profundidade do modelo necessária varia conforme a complexidade da tarefa, 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 o Sentient que, através de um design modular, permite que os usuários coloquem dados de modelos confiáveis na camada de armazenamento e 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 a origem do modelo de inferência, se está correto, se há comportamentos maliciosos, etc. A inferência Web3 pode ser integrada em contratos inteligentes, chamando o modelo para realizar a inferência; métodos comuns de validação incluem tecnologias como ZKML, OPML e TEE. Projetos representativos, como o oráculo de IA na blockchain ORA (OAO), introduziram o OPML como uma camada verificável para o oráculo de IA; 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 aplicações voltadas diretamente para o usuário, combinando IA com Web3, criando mais maneiras interessantes e inovadoras de jogar. Este artigo principal organiza os projetos em várias áreas, incluindo AIGC (Conteúdo Gerado por IA), Agentes de IA e Análise de Dados.
Esta página pode conter conteúdos de terceiros, que são fornecidos apenas para fins informativos (sem representações/garantias) e não devem ser considerados como uma aprovação dos seus pontos de vista pela Gate, nem como aconselhamento financeiro ou profissional. Consulte a Declaração de exoneração de responsabilidade para obter mais informações.
Panorama da pista Web3-AI: Análise profunda da fusão tecnológica, cenários de aplicação e projetos de topo
Relatório panorâmico sobre a pista Web3-AI: Análise profunda da lógica técnica, aplicações em cenários e projetos de topo.
À medida que a narrativa da IA continua a ganhar força, cada vez mais atenção está a ser dada a este setor. Foi feita uma análise aprofundada da lógica técnica, dos cenários de aplicação e dos projetos representativos da área Web3-AI, para apresentar de forma abrangente o panorama e as tendências de desenvolvimento deste campo.
I. Web3-AI: Análise da lógica técnica e oportunidades de mercado emergentes
1.1 A lógica de fusão entre Web3 e AI: como definir a pista Web-AI
No último ano, a narrativa de IA tornou-se excepcionalmente popular na indústria Web3, com projetos de IA surgindo como cogumelos após a chuva. Embora muitos projetos envolvam tecnologia de IA, alguns utilizam IA apenas em certas partes de seus produtos, e a economia de token subjacente não tem uma relação substancial com os produtos de IA, portanto, esses projetos não estão incluídos na discussão sobre 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. Esses projetos oferecem produtos de IA e, ao mesmo tempo, baseiam-se em um modelo econômico Web3 como ferramenta de relações de produção, com ambos se complementando. Classificamos esses projetos como a faixa Web3-AI. Para que os leitores compreendam melhor a faixa Web3-AI, iremos apresentar 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 Processo de desenvolvimento de IA e desafios: da coleta de dados à inferência de modelos
A tecnologia de IA é uma tecnologia que permite aos computadores simular, expandir e aumentar a inteligência humana. Ela capacita os computadores a realizar uma variedade de tarefas complexas, desde tradução de idiomas, classificação de imagens até reconhecimento facial, condução automática e outros cenários de aplicação. A IA está mudando a maneira como vivemos e trabalhamos.
O processo de desenvolvimento de um modelo 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 precisaria:
Coleta de dados e pré-processamento de dados: Coletar um conjunto de dados de imagens contendo gatos e cães, que pode usar conjuntos de dados públicos ou coletar dados reais. 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, dividindo o conjunto de dados em conjunto de treinamento, conjunto de validação e conjunto de teste.
Seleção e ajuste do modelo: escolha do modelo adequado, como redes neurais convolucionais (CNN), que são mais adequadas para tarefas de classificação de imagens. Ajuste os parâmetros ou a arquitetura do modelo de acordo com 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.
Treinamento de modelos: Pode-se usar GPU, TPU ou um cluster de computação de alto desempenho para treinar o modelo, sendo que o tempo de treinamento é afetado pela complexidade do modelo e pela capacidade de computação.
Inferência do modelo: Os arquivos do modelo já treinado são normalmente chamados de pesos do modelo, e o processo de inferência refere-se ao uso de um modelo já treinado para prever ou classificar novos dados. Neste processo, pode-se utilizar um conjunto de testes ou novos dados para avaliar a eficácia da classificação do modelo, geralmente 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 do modelo, e treinamento, ao realizar a inferência no conjunto de teste com o modelo treinado, será obtido o valor de previsão P (probabilidade) para gatos e cães, ou seja, a probabilidade de o modelo inferir que é um gato ou um cão.
Modelos de IA treinados podem ser integrados em várias aplicações para executar diferentes tarefas. Neste exemplo, o modelo de IA de classificação de gatos e cães pode ser integrado em uma aplicação móvel, onde os utilizadores enviam imagens de gatos ou cães para obter resultados de 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 da IA geralmente é opaco. Os dados dos usuários podem ser furtados sem o seu conhecimento e utilizados para o treinamento da IA.
Obtenção de fontes de dados: pequenas equipas ou indivíduos que buscam dados em áreas específicas (como dados médicos) podem enfrentar restrições devido à falta de open source dos dados.
Seleção e ajuste de modelos: para pequenas equipas, é difícil obter recursos de modelos específicos ou gastar custos elevados na afinação de modelos.
Aquisição de poder computacional: para desenvolvedores individuais e pequenas equipas, os elevados custos de compra de GPU e as taxas de aluguer de poder computacional na nuvem podem constituir 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, enquanto os resultados de pesquisa dos desenvolvedores de IA também têm dificuldade em se alinhar com compradores que têm demanda.
Os desafios existentes em cenários 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 forma de produtividade, promovendo assim o progresso simultâneo da tecnologia e da capacidade produtiva.
1.3 A sinergia entre Web3 e IA: mudança de papéis e aplicações inovadoras
A combinação de Web3 e IA pode aumentar a soberania do usuário, proporcionando 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 todos podem possuir. Ao mesmo tempo, a fusão do mundo Web3 com a tecnologia IA pode gerar ainda mais cenários de aplicação e formas inovadoras.
Baseada na tecnologia Web3, o desenvolvimento e a aplicação da IA vão dar lugar a um novo sistema econômico colaborativo. A privacidade dos dados das pessoas pode ser garantida, e 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 adquirida a um custo mais baixo. Com a ajuda de um mecanismo de crowdsourcing colaborativo descentralizado e de um mercado de IA aberto, é possível estabelecer um sistema de distribuição de renda justo, incentivando mais pessoas a impulsionar o progresso 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 diversas 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 diversificados e experiências interativas 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 uma entrada adequada neste mundo.
Dois, Interpretação do Mapa e Estrutura do Projeto Ecossistêmico Web3-AI
Nós estudamos principalmente 41 projetos na área de Web3-AI e classificamos esses projetos em diferentes camadas. A lógica de classificação de cada camada é mostrada na figura abaixo, incluindo a camada de infraestrutura, camada intermediária e camada de aplicação, cada uma dividida em diferentes setores. No próximo capítulo, faremos uma análise profunda de alguns projetos representativos.
A camada de infraestrutura cobre os recursos computacionais e a arquitetura técnica que suportam a execução de todo o ciclo de vida da IA, enquanto a camada intermediária inclui a gestão de dados, desenvolvimento de modelos e serviços de validação e inferência que conectam a infraestrutura às aplicações. A camada de aplicação foca nas diversas aplicações e soluções diretamente voltadas para o usuário.
Camada de infraestrutura:
A camada de infraestrutura é a base do ciclo de vida da IA. Neste artigo, a capacidade de cálculo, a AI Chain e a plataforma de desenvolvimento são classificadas como camada de infraestrutura. É o suporte dessas infraestruturas que permite 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 de computação distribuído para o treinamento de modelos de IA, garantindo uma utilização eficiente e econômica dos recursos computacionais. Alguns projetos oferecem um mercado de poder de computação descentralizado, onde os usuários podem alugar poder de computação a baixo custo ou compartilhar poder de computação para obter lucros, com projetos representativos como IO.NET e Hyperbolic. Além disso, alguns projetos derivaram novas formas de jogo, como Compute Labs, que propuseram um protocolo tokenizado, permitindo que os usuários participem de aluguel de poder de computação 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 estruturas de desenvolvimento de IA e ferramentas de desenvolvimento complementares, representado pelo projeto Sahara AI. O AI Chain também pode promover o avanço das tecnologias de IA em diferentes áreas, como o Bittensor, que através de um mecanismo de incentivo inovador de sub-rede, promove a competição entre sub-redes de diferentes tipos de IA.
Plataforma de desenvolvimento: alguns projetos oferecem plataformas de desenvolvimento de agentes de IA, além de permitir 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, com projetos representativos 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 eficiência de trabalho.
Além disso, algumas plataformas permitem que especialistas do setor ou usuários comuns realizem tarefas de pré-processamento de dados, como rotulagem de imagens e classificação de dados, que podem exigir conhecimento especializado na manipulação de dados financeiros e legais. Os usuários podem tokenizar suas habilidades, permitindo a colaboração e o crowdsourcing no pré-processamento de dados. Um exemplo é o mercado de IA Sahara AI, que possui tarefas de dados em diferentes campos, cobrindo cenários de dados multifacetados; enquanto o AIT Protocol realiza a rotulagem de dados através da colaboração homem-máquina.
Alguns projetos suportam que os usuários forneçam diferentes tipos de modelos ou colaborem na formação de modelos através de crowdsourcing, como o Sentient que, através de um design modular, permite que os usuários coloquem dados de modelos confiáveis na camada de armazenamento e 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.
Camada de Aplicação:
Esta camada é principalmente aplicações voltadas diretamente para o usuário, combinando IA com Web3, criando mais maneiras interessantes e inovadoras de jogar. Este artigo principal organiza os projetos em várias áreas, incluindo AIGC (Conteúdo Gerado por IA), Agentes de IA e Análise de Dados.