Relatório panorâmico sobre o setor Web3-AI: Análise profunda da lógica técnica, aplicações em cenários e projetos de topo Profundidade
Com o contínuo aquecimento da narrativa de IA, cada vez mais atenção está sendo direcionada para esta área. Uma análise profunda da lógica técnica, cenários de aplicação e projetos representativos da área Web3-AI foi realizada, apresentando uma visão abrangente e as tendências de desenvolvimento deste campo.
Um, Web3-AI: Análise da Lógica Tecnológica e Oportunidades de Mercado Emergentes
1.1 A lógica de fusão entre Web3 e IA: como definir a pista 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 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, tais projetos não estão incluídos na discussão sobre projetos Web3-AI neste artigo.
O foco deste artigo está em projetos que utilizam blockchain para resolver problemas de relações de produção e AI para resolver problemas de produtividade. Estes projetos oferecem produtos de AI e, ao mesmo tempo, baseiam-se em modelos econômicos Web3 como ferramentas de relações de produção, complementando-se mutuamente. Classificamos esses projetos como a trilha Web3-AI. Para que os leitores compreendam melhor a trilha Web3-AI, serão apresentadas o processo de desenvolvimento da AI e os desafios, bem como como a combinação de Web3 e AI 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 técnica que permite que os computadores simulem, ampliem e melhorem 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 a mudar 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 do modelo e inferência. 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 contendo gatos e cães, podendo usar conjuntos de dados públicos ou coletar dados reais. Em seguida, rotular cada imagem com a categoria (gato ou cão), garantindo que os rótulos sejam precisos. 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 de modelo: Escolher o modelo apropriado, 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 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 utilizar 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 já treinado é geralmente chamado de pesos 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 de classificação do modelo, e normalmente são utilizados indicadores como precisão, taxa de recall e F1-score para avaliar a eficácia do modelo.
Como mostrado na figura, após a coleta de dados e 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 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, executando diferentes tarefas. Neste exemplo, o modelo de IA para classificação de gatos e cães pode ser integrado numa aplicação móvel, onde os utilizadores carregam 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 utilizados para o treinamento de IA.
Obtenção de fontes de dados: equipes pequenas ou indivíduos podem enfrentar limitações na obtenção de dados em áreas específicas (como dados médicos) quando esses dados não são de código aberto.
Seleção e ajuste de modelos: para pequenas equipas, é difícil obter recursos de modelos específicos ou gastar grandes quantias em ajustes de modelos.
Obtenção de poder de cálculo: Para desenvolvedores individuais e pequenas equipas, o elevado custo de compra de GPUs e as taxas de aluguer de poder de cálculo em nuvem podem representar um fardo económico significativo.
Renda de ativos de IA: os trabalhadores de rotulagem de dados muitas vezes não conseguem obter uma renda proporcional ao que investem, enquanto os resultados das pesquisas 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 forma de relação de produção, se adapta de forma natural à IA, que representa uma nova produtividade, promovendo assim o progresso simultâneo da tecnologia e da capacidade de produção.
1.3 A sinergia entre Web3 e IA: Mudanças de papéis e aplicações inovadoras
A combinação de Web3 e AI pode fortalecer a soberania do usuário, proporcionando uma plataforma de colaboração de AI aberta, permitindo que os usuários passem de meros utilizadores de AI da era Web2 para participantes, criando uma AI que todos podem possuir. Ao mesmo tempo, a fusão do mundo Web3 com a tecnologia AI pode gerar mais cenários de aplicação e formas inovadoras.
Baseada na tecnologia Web3, o desenvolvimento e a aplicação da IA irão enfrentar 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, e uma série de recursos de IA de código aberto estão disponíveis para os usuários, com poder computacional compartilhado podendo ser obtido a um custo reduzido. Com a ajuda de um mecanismo de crowdsourcing descentralizado e de um mercado de IA aberto, é possível implementar 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 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 variados e experiências interativas interessantes no GameFi. Uma infraestrutura rica oferece uma experiência de desenvolvimento fluida, onde tanto especialistas em IA quanto iniciantes que desejam entrar no campo da IA podem encontrar uma entrada adequada neste mundo.
Dois, interpretação do mapa e da arquitetura dos projetos ecológicos Web3-AI
Estudámos principalmente 41 projetos na pista Web3-AI e classificámos esses projetos em diferentes níveis. A lógica de classificação de cada nível é mostrada na figura abaixo, incluindo o nível de infraestrutura, o nível intermédio e o nível de aplicação, com cada nível dividido em diferentes seções. No próximo capítulo, faremos uma análise profunda de alguns projetos representativos.
A camada de infraestrutura abrange os recursos computacionais e a arquitetura tecnológica que suportam a operação de todo o ciclo de vida da IA, a camada intermédia inclui a gestão de dados, desenvolvimento de modelos e serviços de validação e raciocínio que conectam a infraestrutura às aplicações, enquanto a camada de aplicação se concentra em várias aplicações e soluções voltadas diretamente para os usuários.
Camada de infraestrutura:
A camada de infraestrutura é a base do ciclo de vida da IA. Este artigo classifica o poder computacional, a AI Chain e a plataforma de desenvolvimento como parte da camada de infraestrutura. É graças ao suporte dessas infraestruturas que se torna 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 mercados de poder computacional descentralizados, onde os usuários podem alugar poder computacional a baixo custo ou compartilhar poder computacional para obter lucro, representados por projetos como IO.NET e Hyperbolic. Além disso, alguns projetos derivaram novas abordagens, como o Compute Labs, que propuseram protocolos tokenizados, permitindo que os usuários participem do aluguel de poder computacional de diferentes formas através da compra de NFTs que representam entidades de GPU.
AI Chain: Utiliza a blockchain como base para o ciclo de vida da IA, permitindo a interação sem costura de recursos de IA em blockchain e fora dela, promovendo o desenvolvimento do ecossistema da indústria. O mercado descentralizado de IA na blockchain pode negociar ativos de IA como dados, modelos, agentes, entre outros, e fornece uma estrutura de desenvolvimento de IA e ferramentas de desenvolvimento complementares, representado por projetos como Sahara AI. A AI Chain também pode promover o avanço das tecnologias de IA em diferentes áreas, como Bittensor, que promove 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 de uma única paragem ajudam os desenvolvedores a criar, treinar e implementar modelos de IA de forma mais conveniente, representadas 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, 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 afetam a eficácia do treinamento do modelo. No mundo Web3, através de dados de crowdsourcing e processamento colaborativo de dados, é possível otimizar a utilização de recursos e reduzir os custos dos dados. Os usuários podem ter autonomia sobre os dados, vendendo-os sob proteção de privacidade para evitar que sejam roubados por comerciantes desonestos e que gerem lucros elevados. Para os demandantes de dados, estas plataformas oferecem uma ampla gama de opções a um custo muito baixo. Projetos representativos como Grass utilizam a largura de banda do usuário para capturar dados da web, xData coleta informações de mídia através de plugins amigáveis ao usuário e suporta o upload de informações de tweets pelos usuários.
Além disso, algumas plataformas permitem que especialistas de domínio ou usuários comuns realizem tarefas de pré-processamento de dados, como rotulagem de imagens e classificação de dados, que podem exigir conhecimentos especializados em tarefas de processamento de dados financeiros e legais. Os usuários podem tokenizar suas habilidades, permitindo a colaboração em forma de crowdsourcing para o pré-processamento de dados. Exemplos como o mercado de IA Sahara AI possuem tarefas de dados em diferentes domínios, podendo abranger cenários de dados multi-dimensionais; enquanto o AIT Protocol realiza a rotulagem de dados através da colaboração homem-máquina.
Modelo: Durante o processo de desenvolvimento de IA mencionado anteriormente, diferentes tipos de requisitos precisam de modelos adequados. Modelos frequentemente utilizados em tarefas de imagem incluem CNN e GAN, enquanto para tarefas de deteção de objetos, pode-se escolher a série Yolo. Para tarefas de texto, os modelos comuns incluem RNN e Transformer, além de alguns modelos grandes específicos ou gerais. A profundidade do modelo necessária para tarefas de diferentes complexidades também varia, e às vezes é necessário ajustar o modelo.
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 coloquem 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 incluem algoritmos de IA avançados e frameworks de computação, e têm a capacidade de treinamento colaborativo.
Inferência e verificação: após o treinamento, o modelo gera arquivos de pesos do modelo, que podem ser utilizados para classificação, previsão ou outras tarefas específicas, sendo este processo denominado inferência. O processo de inferência geralmente é acompanhado de mecanismos de verificação, para validar se a origem do modelo de inferência está correta e se não há comportamentos maliciosos, entre outros. A inferência no Web3 pode ser integrada em contratos inteligentes, chamando o modelo para realizar a inferência, onde as formas comuns de verificação 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 mencionam 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 maneiras mais interessantes e inovadoras de jogar. Este artigo foca nos projetos nas áreas de AIGC (Conteúdo Gerado por IA), Agentes de IA e Análise de Dados.
AIGC: Através do AIGC, é possível expandir para áreas como NFTs e jogos dentro do Web3, onde os usuários podem gerar texto, imagens e áudio diretamente através de Prompt (palavras-chave fornecidas pelo usuário), podendo até gerar jogabilidade personalizada nos jogos de acordo com suas preferências. Projetos NFT como NFPrompt, onde os usuários podem gerar NFTs com AI para negociar no mercado; jogos como Sleepless, onde os usuários moldam a personalidade de um parceiro virtual através de diálogos para corresponder 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 vários ambientes. Exemplos comuns de agentes de IA incluem traduções 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.
10 Curtidas
Recompensa
10
6
Repostar
Compartilhar
Comentário
0/400
BearMarketBuilder
· 5h atrás
Depois de ter visto muito, finalmente estou pessimista.
Ver originalResponder0
HodlNerd
· 5h atrás
fascinante correlação entre ciclos de IA e fases de acumulação de cripto... preciso analisar isso mais a fundo
Ver originalResponder0
DataBartender
· 5h atrás
Mais um ano de ser enganado por idiotas!
Ver originalResponder0
GateUser-74b10196
· 5h atrás
Mais uma vez a enganar conceitos para fazer as pessoas de parvas.
Ver originalResponder0
SatoshiChallenger
· 5h atrás
Outra onda de fazer as pessoas de parvas é só um truque.
Web3-AI em panorama: análise profunda da lógica técnica, cenários de aplicação e projetos de topo
Relatório panorâmico sobre o setor Web3-AI: Análise profunda da lógica técnica, aplicações em cenários e projetos de topo Profundidade
Com o contínuo aquecimento da narrativa de IA, cada vez mais atenção está sendo direcionada para esta área. Uma análise profunda da lógica técnica, cenários de aplicação e projetos representativos da área Web3-AI foi realizada, apresentando uma visão abrangente e as tendências de desenvolvimento deste campo.
Um, Web3-AI: Análise da Lógica Tecnológica e Oportunidades de Mercado Emergentes
1.1 A lógica de fusão entre Web3 e IA: como definir a pista 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 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, tais projetos não estão incluídos na discussão sobre projetos Web3-AI neste artigo.
O foco deste artigo está em projetos que utilizam blockchain para resolver problemas de relações de produção e AI para resolver problemas de produtividade. Estes projetos oferecem produtos de AI e, ao mesmo tempo, baseiam-se em modelos econômicos Web3 como ferramentas de relações de produção, complementando-se mutuamente. Classificamos esses projetos como a trilha Web3-AI. Para que os leitores compreendam melhor a trilha Web3-AI, serão apresentadas o processo de desenvolvimento da AI e os desafios, bem como como a combinação de Web3 e AI 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 técnica que permite que os computadores simulem, ampliem e melhorem 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 a mudar 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 do modelo e inferência. 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 contendo gatos e cães, podendo usar conjuntos de dados públicos ou coletar dados reais. Em seguida, rotular cada imagem com a categoria (gato ou cão), garantindo que os rótulos sejam precisos. 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 de modelo: Escolher o modelo apropriado, 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 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 utilizar 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 já treinado é geralmente chamado de pesos 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 de classificação do modelo, e normalmente são utilizados indicadores como precisão, taxa de recall e F1-score para avaliar a eficácia do modelo.
Como mostrado na figura, após a coleta de dados e 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 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, executando diferentes tarefas. Neste exemplo, o modelo de IA para classificação de gatos e cães pode ser integrado numa aplicação móvel, onde os utilizadores carregam 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 utilizados para o treinamento de IA.
Obtenção de fontes de dados: equipes pequenas ou indivíduos podem enfrentar limitações na obtenção de dados em áreas específicas (como dados médicos) quando esses dados não são de código aberto.
Seleção e ajuste de modelos: para pequenas equipas, é difícil obter recursos de modelos específicos ou gastar grandes quantias em ajustes de modelos.
Obtenção de poder de cálculo: Para desenvolvedores individuais e pequenas equipas, o elevado custo de compra de GPUs e as taxas de aluguer de poder de cálculo em nuvem podem representar um fardo económico significativo.
Renda de ativos de IA: os trabalhadores de rotulagem de dados muitas vezes não conseguem obter uma renda proporcional ao que investem, enquanto os resultados das pesquisas 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 forma de relação de produção, se adapta de forma natural à IA, que representa uma nova produtividade, promovendo assim o progresso simultâneo da tecnologia e da capacidade de produção.
1.3 A sinergia entre Web3 e IA: Mudanças de papéis e aplicações inovadoras
A combinação de Web3 e AI pode fortalecer a soberania do usuário, proporcionando uma plataforma de colaboração de AI aberta, permitindo que os usuários passem de meros utilizadores de AI da era Web2 para participantes, criando uma AI que todos podem possuir. Ao mesmo tempo, a fusão do mundo Web3 com a tecnologia AI pode gerar mais cenários de aplicação e formas inovadoras.
Baseada na tecnologia Web3, o desenvolvimento e a aplicação da IA irão enfrentar 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, e uma série de recursos de IA de código aberto estão disponíveis para os usuários, com poder computacional compartilhado podendo ser obtido a um custo reduzido. Com a ajuda de um mecanismo de crowdsourcing descentralizado e de um mercado de IA aberto, é possível implementar 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 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 variados e experiências interativas interessantes no GameFi. Uma infraestrutura rica oferece uma experiência de desenvolvimento fluida, onde tanto especialistas em IA quanto iniciantes que desejam entrar no campo da IA podem encontrar uma entrada adequada neste mundo.
Dois, interpretação do mapa e da arquitetura dos projetos ecológicos Web3-AI
Estudámos principalmente 41 projetos na pista Web3-AI e classificámos esses projetos em diferentes níveis. A lógica de classificação de cada nível é mostrada na figura abaixo, incluindo o nível de infraestrutura, o nível intermédio e o nível de aplicação, com cada nível dividido em diferentes seções. No próximo capítulo, faremos uma análise profunda de alguns projetos representativos.
A camada de infraestrutura abrange os recursos computacionais e a arquitetura tecnológica que suportam a operação de todo o ciclo de vida da IA, a camada intermédia inclui a gestão de dados, desenvolvimento de modelos e serviços de validação e raciocínio que conectam a infraestrutura às aplicações, enquanto a camada de aplicação se concentra em várias aplicações e soluções voltadas diretamente para os usuários.
Camada de infraestrutura:
A camada de infraestrutura é a base do ciclo de vida da IA. Este artigo classifica o poder computacional, a AI Chain e a plataforma de desenvolvimento como parte da camada de infraestrutura. É graças ao suporte dessas infraestruturas que se torna 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 mercados de poder computacional descentralizados, onde os usuários podem alugar poder computacional a baixo custo ou compartilhar poder computacional para obter lucro, representados por projetos como IO.NET e Hyperbolic. Além disso, alguns projetos derivaram novas abordagens, como o Compute Labs, que propuseram protocolos tokenizados, permitindo que os usuários participem do aluguel de poder computacional de diferentes formas através da compra de NFTs que representam entidades de GPU.
AI Chain: Utiliza a blockchain como base para o ciclo de vida da IA, permitindo a interação sem costura de recursos de IA em blockchain e fora dela, promovendo o desenvolvimento do ecossistema da indústria. O mercado descentralizado de IA na blockchain pode negociar ativos de IA como dados, modelos, agentes, entre outros, e fornece uma estrutura de desenvolvimento de IA e ferramentas de desenvolvimento complementares, representado por projetos como Sahara AI. A AI Chain também pode promover o avanço das tecnologias de IA em diferentes áreas, como Bittensor, que promove 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 de uma única paragem ajudam os desenvolvedores a criar, treinar e implementar modelos de IA de forma mais conveniente, representadas 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, 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 de domínio ou usuários comuns realizem tarefas de pré-processamento de dados, como rotulagem de imagens e classificação de dados, que podem exigir conhecimentos especializados em tarefas de processamento de dados financeiros e legais. Os usuários podem tokenizar suas habilidades, permitindo a colaboração em forma de crowdsourcing para o pré-processamento de dados. Exemplos como o mercado de IA Sahara AI possuem tarefas de dados em diferentes domínios, podendo abranger cenários de dados multi-dimensionais; 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 no treinamento 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 na camada de distribuição para otimização de modelos. As ferramentas de desenvolvimento fornecidas pela Sahara AI incluem algoritmos de IA avançados e frameworks de computação, e têm a capacidade de treinamento colaborativo.
Camada de Aplicação:
Esta camada é principalmente um aplicativo voltado diretamente para o usuário, combinando IA com Web3 para criar maneiras mais interessantes e inovadoras de jogar. Este artigo foca nos projetos nas áreas de AIGC (Conteúdo Gerado por IA), Agentes de IA e Análise de Dados.
AIGC: Através do AIGC, é possível expandir para áreas como NFTs e jogos dentro do Web3, onde os usuários podem gerar texto, imagens e áudio diretamente através de Prompt (palavras-chave fornecidas pelo usuário), podendo até gerar jogabilidade personalizada nos jogos de acordo com suas preferências. Projetos NFT como NFPrompt, onde os usuários podem gerar NFTs com AI para negociar no mercado; jogos como Sleepless, onde os usuários moldam a personalidade de um parceiro virtual através de diálogos para corresponder 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 vários ambientes. Exemplos comuns de agentes de IA incluem traduções de linguagem.