Панорамний звіт про Web3-AI: технічна логіка, сценарні застосування та глибокий аналіз провідних проєктів
З огляду на постійне зростання інтересу до AI-наративу, все більше уваги зосереджується на цьому напрямку. Проведено глибокий аналіз технологічної логіки, сценаріїв використання та представницьких проектів у сфері Web3-AI, щоб повністю представити панораму та тенденції розвитку цієї галузі.
Одне, Web3-AI: аналіз технічної логіки та нових ринкових можливостей
1.1 Логіка інтеграції Web3 та AI: як визначити сегмент Web-AI
Протягом минулого року AI-оповідь у галузі Web3 була надзвичайно популярною, проєкти з штучним інтелектом з'являлися, як гриби після дощу. Хоча багато проєктів пов'язані з технологіями штучного інтелекту, деякі з них використовують AI лише в певних частинах своїх продуктів, а основна токеноміка не має суттєвого зв'язку з AI-продуктами, тому такі проєкти не підпадають під обговорення Web3-AI у цій статті.
Основна увага в цій статті зосереджена на проектах, які використовують блокчейн для вирішення проблем виробничих відносин та штучний інтелект для вирішення проблем продуктивності. Ці проекти самі по собі пропонують продукти на базі ШІ, одночасно базуючись на економічній моделі Web3 як інструмента виробничих відносин, що доповнюють один одного. Ми класифікуємо такі проекти в категорію Web3-AI. Щоб читачі краще зрозуміли категорію Web3-AI, буде розглянуто процес розробки штучного інтелекту та виклики, а також те, як поєднання Web3 і ШІ ідеально вирішує проблеми та створює нові сценарії застосування.
1.2 Розробка та виклики штучного інтелекту: від збору даних до моделювання висновків
Технологія штучного інтелекту - це технологія, яка дозволяє комп'ютерам моделювати, розширювати та посилювати людський інтелект. Вона дозволяє комп'ютерам виконувати різноманітні складні завдання, від перекладу мов, класифікації зображень до розпізнавання облич, автономного водіння та інших застосувань, штучний інтелект змінює спосіб нашого життя та роботи.
Процес розробки моделей штучного інтелекту зазвичай включає в себе наступні кілька ключових етапів: збір даних та попередня обробка даних, вибір моделі та її налаштування, навчання моделі та інференція. Наведемо простий приклад: для розробки моделі, що реалізує класифікацію зображень кішок і собак, вам потрібно:
Збір даних та попередня обробка даних: збір набору даних з зображеннями котів та собак, можна використовувати відкриті набори даних або самостійно збирати реальні дані. Потім для кожного зображення позначте категорію ( кіт або собака ), переконайтеся, що мітки точні. Перетворіть зображення в формат, який може розпізнати модель, розділіть набір даних на навчальний, валідаційний та тестовий набори.
Вибір моделі та налаштування: вибір відповідної моделі, наприклад, згорткової нейронної мережі ( CNN ), що найбільш підходить для задачі класифікації зображень. Налаштування параметрів моделі або архітектури відповідно до різних потреб, зазвичай, структура мережі може бути адаптована в залежності від складності AI завдання. У цьому простому прикладі класифікації, менш глибокі шари мережі можуть бути цілком достатніми.
Тренування моделі: можна використовувати GPU, TPU або високопродуктивні обчислювальні кластери для тренування моделі, час тренування залежить від складності моделі та обчислювальної потужності.
Інференція моделі: Файли, в яких навчена модель, зазвичай називаються вагами моделі, а процес інференції означає використання вже навченої моделі для прогнозування або класифікації нових даних. У цьому процесі можна використовувати тестовий набір або нові дані для перевірки класифікаційної ефективності моделі, зазвичай оцінюючи ефективність моделі за допомогою таких показників, як точність, відгук, F1-скора тощо.
Як показано на малюнку, після збору даних та попередньої обробки даних, вибору моделі та налаштування, а також навчання, отриману модель на тестовому наборі даних буде виконано інференцію, що дасть прогнозовані значення для котів і собак P(probability), тобто ймовірність того, що модель вважає, що це кіт або собака.
Навчена AI модель може бути додатково інтегрована в різні програми для виконання різних завдань. У цьому прикладі AI модель для класифікації котів і собак може бути інтегрована в мобільний додаток, користувач завантажує зображення кота або собаки і отримує результати класифікації.
Однак, централізований процес розробки ШІ має деякі проблеми в наступних сценаріях:
Приватність користувачів: у централізованих сценаріях процес розробки ШІ зазвичай є непрозорим. Дані користувачів можуть бути вкрадені без відома і використані для навчання ШІ.
Отримання джерела даних: невеликі команди або особи, які отримують дані в певній області (, такі як медичні дані ), можуть стикатися з обмеженнями на закритість даних.
Вибір та налаштування моделей: для невеликих команд важко отримати ресурси моделей у конкретній області або витратити значні кошти на налаштування моделей.
Отримання обчислювальної потужності: для індивідуальних розробників та малих команд високі витрати на купівлю GPU та витрати на оренду хмарної обчислювальної потужності можуть становити суттєвий економічний тягар.
AI активи доходи: працівники з маркування даних часто не можуть отримати доходи, що відповідають їхнім витратам, а результати досліджень розробників ШІ також важко співвіднести з покупцями, які мають потребу.
Виклики, що існують в умовах централізованого AI, можуть бути подолані шляхом інтеграції з Web3. Web3, як нова форма виробничих відносин, природно підходить для AI, що представляє нові продуктивні сили, тим самим сприяючи одночасному прогресу технологій і виробничих потужностей.
1.3 Співпраця Web3 та AI: зміна ролей та інноваційні застосування
Поєднання Web3 та ШІ може посилити суверенітет користувачів, надаючи їм відкриту платформу для співпраці з ШІ, що дозволяє користувачам перейти від ролі користувача ШІ в епоху Web2 до активних учасників, створюючи ШІ, яким можуть володіти всі. Крім того, інтеграція світу Web3 та технологій ШІ може призвести до появи більше інноваційних застосунків та ігор.
На базі технології Web3 розвиток і застосування ШІ зустрінуть нову економічну систему співпраці. Приватність даних людей може бути забезпечена, модель краудсорсингу даних сприяє прогресу моделей ШІ, численні відкриті ресурси ШІ доступні для користувачів, а спільна обчислювальна потужність може бути отримана за нижчою ціною. Завдяки децентралізованій механіці краудсорсингу та відкритому ринку ШІ можна реалізувати справедливу систему розподілу доходів, що стимулює більше людей до сприяння прогресу технологій ШІ.
У сцені Web3 ШІ може справити позитивний вплив у кількох напрямках. Наприклад, моделі ШІ можуть бути інтегровані в смарт-контракти, щоб підвищити ефективність роботи в різних застосунках, таких як ринковий аналіз, перевірка безпеки, соціальна кластеризація та інші функції. Генеративний ШІ не лише дозволяє користувачам відчути себе "художниками", наприклад, створюючи свої власні NFT за допомогою технологій ШІ, але також може створювати різноманітні ігрові сценарії та цікаві взаємодії в GameFi. Різноманітна інфраструктура забезпечує плавний досвід розробки, незалежно від того, чи є ви експертом у ШІ, чи новачком, який хоче увійти в цю галузь, всі можуть знайти відповідний вхід у цьому світі.
Два, аналіз карти та архітектури проектів екосистеми Web3-AI
Ми в основному досліджували 41 проект у сфері Web3-AI і поділили ці проекти на різні рівні. Логіка поділу кожного рівня показана на наступній діаграмі, включаючи інфраструктурний рівень, середній рівень та рівень застосувань, кожен з яких далі поділений на різні сегменти. У наступному розділі ми проведемо глибокий аналіз деяких представницьких проектів.
Інфраструктурний шар охоплює обчислювальні ресурси та технологічну архітектуру, які підтримують роботу всього життєвого циклу ШІ, проміжний шар включає в себе управління даними, розробку моделей і послуги верифікації та висновку, а шар застосувань зосереджується на різних застосунках та рішеннях, спрямованих безпосередньо на користувачів.
Інфраструктурний шар:
Інфраструктурний рівень є основою життєвого циклу ШІ, в цій статті обчислювальну потужність, AI Chain та розробницьку платформу віднесено до інфраструктурного рівня. Саме завдяки підтримці цієї інфраструктури можливе навчання та інференція моделей ШІ, а також представлення потужних і практичних AI додатків користувачам.
Децентралізована обчислювальна мережа: може забезпечити розподілені обчислювальні потужності для навчання AI-моделей, забезпечуючи ефективне та економічне використання обчислювальних ресурсів. Деякі проекти пропонують децентралізовані ринки потужностей, де користувачі можуть орендувати потужності за низькою вартістю або ділитися потужностями для отримання прибутку, прикладами є IO.NET та Hyperbolic. Крім того, деякі проекти розробили нові ігрові механіки, такі як Compute Labs, які запропонували токенізовані протоколи, де користувачі можуть купувати NFT, що представляють фізичні GPU, і брати участь в оренді потужностей різними способами для отримання прибутку.
AI Chain: Використання блокчейну як основи життєвого циклу ІІ, для забезпечення безшовної взаємодії між ресурсами ІІ на ланцюгу та поза ним, сприяючи розвитку екосистеми галузі. Децентралізований ринок ІІ на ланцюгу може торгувати активами ІІ, такими як дані, моделі, агенти тощо, і надавати фреймворки для розробки ІІ та супутні інструменти розробки, прикладом проекту є Sahara AI. AI Chain також може сприяти прогресу технологій ІІ в різних сферах, наприклад, Bittensor за допомогою інноваційного механізму стимулювання підмереж сприяє конкуренції між підмережами різних типів ІІ.
Розробницька платформа: деякі проєкти пропонують платформи для розробки AI-агентів, також можливе здійснення торгівлі AI-агентами, такі як Fetch.ai та ChainML. Універсальні інструменти допомагають розробникам зручніше створювати, навчати та впроваджувати AI-моделі, такими проєктами є Nimble. Ця інфраструктура сприяє широкому впровадженню технологій AI в екосистемі Web3.
Посерединний шар:
Цей рівень стосується AI-даних, моделей, а також висновку і верифікації, використання технології Web3 може забезпечити вищу ефективність роботи.
Дані: Якість та кількість даних є ключовими факторами, що впливають на ефективність навчання моделей. У світі Web3, завдяки краудсорсинговим даним та колаборативній обробці даних, можна оптимізувати використання ресурсів та знизити витрати на дані. Користувачі можуть мати автономію над своїми даними, продаючи їх у випадках захисту приватності, щоб уникнути крадіжки даних недобросовісними підприємцями та отримання великого прибутку. Для замовників даних ці платформи пропонують широкий вибір та дуже низькі витрати. Представлені проєкти, такі як Grass, використовують пропускну здатність користувачів для збору веб-даних, xData через зручні плагіни збирає медіаінформацію та підтримує можливість завантаження твітів.
Крім того, деякі платформи дозволяють експертам у своїй галузі або звичайним користувачам виконувати завдання з попередньої обробки даних, такі як маркування зображень, класифікація даних. Ці завдання можуть вимагати професійних знань у фінансовій та юридичній обробці даних, користувачі можуть токенізувати свої навички для реалізації колективного краудсорсингу попередньої обробки даних. Наприклад, AI-ринок, такий як Sahara AI, має дані завдань з різних галузей, що можуть охоплювати багатогалузеві сценарії даних; тоді як AIT Protocolt здійснює маркування даних за допомогою співпраці людини і машини.
Модель: У процесі розробки штучного інтелекту, про який згадувалося раніше, різні типи вимог потребують відповідних моделей. Для задач обробки зображень часто використовуються такі моделі, як CNN, GAN; для задач виявлення об'єктів можна вибрати серію Yolo; для текстових завдань поширені моделі RNN, Transformer тощо, звичайно, є також деякі специфічні або загальні великі моделі. Моделі з різною складністю задач потребують різної глибини, іноді потрібно налаштовувати модель.
Деякі проекти підтримують користувачів у наданні різних типів моделей або у спільному навчанні моделей через краудсорсинг, такі як Sentient, що завдяки модульному дизайну дозволяє користувачам розміщувати надійні дані моделей у сховищі та на шарі розподілу для оптимізації моделей. Інструменти розробки, що надаються Sahara AI, вбудовані з передовими алгоритмами ШІ та обчислювальними фреймворками, а також мають можливість спільного навчання.
Висновок і верифікація: після навчання модель генерує файл ваг моделі, який можна використовувати для безпосередньої класифікації, прогнозування або інших специфічних завдань, цей процес називається висновком. Процес висновку зазвичай супроводжується механізмом верифікації, щоб перевірити, чи є джерело моделі правильним, чи є зловмисні дії тощо. Висновок у Web3 зазвичай може бути інтегрований в смарт-контракти, через виклик моделі для висновку, поширеними методами верифікації є такі технології, як ZKML, OPML та TEE. Представлені проекти, такі як AI-оракул на ORA-ланцюзі (OAO), ввели OPML як верифікований шар для AI-оракулів, на офіційному сайті ORA також згадувалося їхнє дослідження щодо ZKML та opp/ai(, поєднання ZKML з OPML).
Рівень застосування:
Цей рівень безпосередньо спрямований на користувачів, поєднуючи ШІ з Web3, створюючи більше цікавих та інноваційних ігор. У цій статті основна увага приділяється проектам в кількох сегментах: AIGC(, генерований ШІ контент), ШІ-агенти та аналіз даних.
AIGC: за допомогою AIGC можна розширити можливості в NFT, іграх та інших напрямках Web3, користувачі можуть безпосередньо за допомогою Prompt(, наданих користувачем, генерувати текст, зображення та аудіо, навіть можуть створювати індивідуальний ігровий процес відповідно до своїх уподобань. NFT проєкти, такі як NFPrompt, користувачі можуть генерувати NFT за допомогою AI для торгівлі на ринку; ігри, такі як Sleepless, користувачі формують характер віртуального партнера за допомогою діалогу, щоб відповідати своїм уподобанням;
AI-агенти: це штучні інтелектуальні системи, які можуть самостійно виконувати завдання та приймати рішення. AI-агенти зазвичай мають можливості сприйняття, міркування, навчання та дії, можуть виконувати складні завдання в різних середовищах. Загальні AI-агенти, такі як переклад мов, вивчення мов.
Ця сторінка може містити контент третіх осіб, який надається виключно в інформаційних цілях (не в якості запевнень/гарантій) і не повинен розглядатися як схвалення його поглядів компанією Gate, а також як фінансова або професійна консультація. Див. Застереження для отримання детальної інформації.
11 лайків
Нагородити
11
4
Поділіться
Прокоментувати
0/400
SillyWhale
· 11год тому
Наратив, наратив, всі займаються наративом.
Переглянути оригіналвідповісти на0
0xSleepDeprived
· 12год тому
Знову розігрівають жар AI, вже все перегріли.
Переглянути оригіналвідповісти на0
StablecoinEnjoyer
· 12год тому
Знову прийшли торгувати концепціями, щоб заробити на невдахах. Хто зловить падаючий ніж у цій хвилі?
Web3-AI трек: від технічної логіки до глибокого аналізу топових проектів
Панорамний звіт про Web3-AI: технічна логіка, сценарні застосування та глибокий аналіз провідних проєктів
З огляду на постійне зростання інтересу до AI-наративу, все більше уваги зосереджується на цьому напрямку. Проведено глибокий аналіз технологічної логіки, сценаріїв використання та представницьких проектів у сфері Web3-AI, щоб повністю представити панораму та тенденції розвитку цієї галузі.
Одне, Web3-AI: аналіз технічної логіки та нових ринкових можливостей
1.1 Логіка інтеграції Web3 та AI: як визначити сегмент Web-AI
Протягом минулого року AI-оповідь у галузі Web3 була надзвичайно популярною, проєкти з штучним інтелектом з'являлися, як гриби після дощу. Хоча багато проєктів пов'язані з технологіями штучного інтелекту, деякі з них використовують AI лише в певних частинах своїх продуктів, а основна токеноміка не має суттєвого зв'язку з AI-продуктами, тому такі проєкти не підпадають під обговорення Web3-AI у цій статті.
Основна увага в цій статті зосереджена на проектах, які використовують блокчейн для вирішення проблем виробничих відносин та штучний інтелект для вирішення проблем продуктивності. Ці проекти самі по собі пропонують продукти на базі ШІ, одночасно базуючись на економічній моделі Web3 як інструмента виробничих відносин, що доповнюють один одного. Ми класифікуємо такі проекти в категорію Web3-AI. Щоб читачі краще зрозуміли категорію Web3-AI, буде розглянуто процес розробки штучного інтелекту та виклики, а також те, як поєднання Web3 і ШІ ідеально вирішує проблеми та створює нові сценарії застосування.
1.2 Розробка та виклики штучного інтелекту: від збору даних до моделювання висновків
Технологія штучного інтелекту - це технологія, яка дозволяє комп'ютерам моделювати, розширювати та посилювати людський інтелект. Вона дозволяє комп'ютерам виконувати різноманітні складні завдання, від перекладу мов, класифікації зображень до розпізнавання облич, автономного водіння та інших застосувань, штучний інтелект змінює спосіб нашого життя та роботи.
Процес розробки моделей штучного інтелекту зазвичай включає в себе наступні кілька ключових етапів: збір даних та попередня обробка даних, вибір моделі та її налаштування, навчання моделі та інференція. Наведемо простий приклад: для розробки моделі, що реалізує класифікацію зображень кішок і собак, вам потрібно:
Збір даних та попередня обробка даних: збір набору даних з зображеннями котів та собак, можна використовувати відкриті набори даних або самостійно збирати реальні дані. Потім для кожного зображення позначте категорію ( кіт або собака ), переконайтеся, що мітки точні. Перетворіть зображення в формат, який може розпізнати модель, розділіть набір даних на навчальний, валідаційний та тестовий набори.
Вибір моделі та налаштування: вибір відповідної моделі, наприклад, згорткової нейронної мережі ( CNN ), що найбільш підходить для задачі класифікації зображень. Налаштування параметрів моделі або архітектури відповідно до різних потреб, зазвичай, структура мережі може бути адаптована в залежності від складності AI завдання. У цьому простому прикладі класифікації, менш глибокі шари мережі можуть бути цілком достатніми.
Тренування моделі: можна використовувати GPU, TPU або високопродуктивні обчислювальні кластери для тренування моделі, час тренування залежить від складності моделі та обчислювальної потужності.
Інференція моделі: Файли, в яких навчена модель, зазвичай називаються вагами моделі, а процес інференції означає використання вже навченої моделі для прогнозування або класифікації нових даних. У цьому процесі можна використовувати тестовий набір або нові дані для перевірки класифікаційної ефективності моделі, зазвичай оцінюючи ефективність моделі за допомогою таких показників, як точність, відгук, F1-скора тощо.
Як показано на малюнку, після збору даних та попередньої обробки даних, вибору моделі та налаштування, а також навчання, отриману модель на тестовому наборі даних буде виконано інференцію, що дасть прогнозовані значення для котів і собак P(probability), тобто ймовірність того, що модель вважає, що це кіт або собака.
Навчена AI модель може бути додатково інтегрована в різні програми для виконання різних завдань. У цьому прикладі AI модель для класифікації котів і собак може бути інтегрована в мобільний додаток, користувач завантажує зображення кота або собаки і отримує результати класифікації.
Однак, централізований процес розробки ШІ має деякі проблеми в наступних сценаріях:
Приватність користувачів: у централізованих сценаріях процес розробки ШІ зазвичай є непрозорим. Дані користувачів можуть бути вкрадені без відома і використані для навчання ШІ.
Отримання джерела даних: невеликі команди або особи, які отримують дані в певній області (, такі як медичні дані ), можуть стикатися з обмеженнями на закритість даних.
Вибір та налаштування моделей: для невеликих команд важко отримати ресурси моделей у конкретній області або витратити значні кошти на налаштування моделей.
Отримання обчислювальної потужності: для індивідуальних розробників та малих команд високі витрати на купівлю GPU та витрати на оренду хмарної обчислювальної потужності можуть становити суттєвий економічний тягар.
AI активи доходи: працівники з маркування даних часто не можуть отримати доходи, що відповідають їхнім витратам, а результати досліджень розробників ШІ також важко співвіднести з покупцями, які мають потребу.
Виклики, що існують в умовах централізованого AI, можуть бути подолані шляхом інтеграції з Web3. Web3, як нова форма виробничих відносин, природно підходить для AI, що представляє нові продуктивні сили, тим самим сприяючи одночасному прогресу технологій і виробничих потужностей.
1.3 Співпраця Web3 та AI: зміна ролей та інноваційні застосування
Поєднання Web3 та ШІ може посилити суверенітет користувачів, надаючи їм відкриту платформу для співпраці з ШІ, що дозволяє користувачам перейти від ролі користувача ШІ в епоху Web2 до активних учасників, створюючи ШІ, яким можуть володіти всі. Крім того, інтеграція світу Web3 та технологій ШІ може призвести до появи більше інноваційних застосунків та ігор.
На базі технології Web3 розвиток і застосування ШІ зустрінуть нову економічну систему співпраці. Приватність даних людей може бути забезпечена, модель краудсорсингу даних сприяє прогресу моделей ШІ, численні відкриті ресурси ШІ доступні для користувачів, а спільна обчислювальна потужність може бути отримана за нижчою ціною. Завдяки децентралізованій механіці краудсорсингу та відкритому ринку ШІ можна реалізувати справедливу систему розподілу доходів, що стимулює більше людей до сприяння прогресу технологій ШІ.
У сцені Web3 ШІ може справити позитивний вплив у кількох напрямках. Наприклад, моделі ШІ можуть бути інтегровані в смарт-контракти, щоб підвищити ефективність роботи в різних застосунках, таких як ринковий аналіз, перевірка безпеки, соціальна кластеризація та інші функції. Генеративний ШІ не лише дозволяє користувачам відчути себе "художниками", наприклад, створюючи свої власні NFT за допомогою технологій ШІ, але також може створювати різноманітні ігрові сценарії та цікаві взаємодії в GameFi. Різноманітна інфраструктура забезпечує плавний досвід розробки, незалежно від того, чи є ви експертом у ШІ, чи новачком, який хоче увійти в цю галузь, всі можуть знайти відповідний вхід у цьому світі.
Два, аналіз карти та архітектури проектів екосистеми Web3-AI
Ми в основному досліджували 41 проект у сфері Web3-AI і поділили ці проекти на різні рівні. Логіка поділу кожного рівня показана на наступній діаграмі, включаючи інфраструктурний рівень, середній рівень та рівень застосувань, кожен з яких далі поділений на різні сегменти. У наступному розділі ми проведемо глибокий аналіз деяких представницьких проектів.
Інфраструктурний шар охоплює обчислювальні ресурси та технологічну архітектуру, які підтримують роботу всього життєвого циклу ШІ, проміжний шар включає в себе управління даними, розробку моделей і послуги верифікації та висновку, а шар застосувань зосереджується на різних застосунках та рішеннях, спрямованих безпосередньо на користувачів.
Інфраструктурний шар:
Інфраструктурний рівень є основою життєвого циклу ШІ, в цій статті обчислювальну потужність, AI Chain та розробницьку платформу віднесено до інфраструктурного рівня. Саме завдяки підтримці цієї інфраструктури можливе навчання та інференція моделей ШІ, а також представлення потужних і практичних AI додатків користувачам.
Децентралізована обчислювальна мережа: може забезпечити розподілені обчислювальні потужності для навчання AI-моделей, забезпечуючи ефективне та економічне використання обчислювальних ресурсів. Деякі проекти пропонують децентралізовані ринки потужностей, де користувачі можуть орендувати потужності за низькою вартістю або ділитися потужностями для отримання прибутку, прикладами є IO.NET та Hyperbolic. Крім того, деякі проекти розробили нові ігрові механіки, такі як Compute Labs, які запропонували токенізовані протоколи, де користувачі можуть купувати NFT, що представляють фізичні GPU, і брати участь в оренді потужностей різними способами для отримання прибутку.
AI Chain: Використання блокчейну як основи життєвого циклу ІІ, для забезпечення безшовної взаємодії між ресурсами ІІ на ланцюгу та поза ним, сприяючи розвитку екосистеми галузі. Децентралізований ринок ІІ на ланцюгу може торгувати активами ІІ, такими як дані, моделі, агенти тощо, і надавати фреймворки для розробки ІІ та супутні інструменти розробки, прикладом проекту є Sahara AI. AI Chain також може сприяти прогресу технологій ІІ в різних сферах, наприклад, Bittensor за допомогою інноваційного механізму стимулювання підмереж сприяє конкуренції між підмережами різних типів ІІ.
Розробницька платформа: деякі проєкти пропонують платформи для розробки AI-агентів, також можливе здійснення торгівлі AI-агентами, такі як Fetch.ai та ChainML. Універсальні інструменти допомагають розробникам зручніше створювати, навчати та впроваджувати AI-моделі, такими проєктами є Nimble. Ця інфраструктура сприяє широкому впровадженню технологій AI в екосистемі Web3.
Посерединний шар:
Цей рівень стосується AI-даних, моделей, а також висновку і верифікації, використання технології Web3 може забезпечити вищу ефективність роботи.
Крім того, деякі платформи дозволяють експертам у своїй галузі або звичайним користувачам виконувати завдання з попередньої обробки даних, такі як маркування зображень, класифікація даних. Ці завдання можуть вимагати професійних знань у фінансовій та юридичній обробці даних, користувачі можуть токенізувати свої навички для реалізації колективного краудсорсингу попередньої обробки даних. Наприклад, AI-ринок, такий як Sahara AI, має дані завдань з різних галузей, що можуть охоплювати багатогалузеві сценарії даних; тоді як AIT Protocolt здійснює маркування даних за допомогою співпраці людини і машини.
Деякі проекти підтримують користувачів у наданні різних типів моделей або у спільному навчанні моделей через краудсорсинг, такі як Sentient, що завдяки модульному дизайну дозволяє користувачам розміщувати надійні дані моделей у сховищі та на шарі розподілу для оптимізації моделей. Інструменти розробки, що надаються Sahara AI, вбудовані з передовими алгоритмами ШІ та обчислювальними фреймворками, а також мають можливість спільного навчання.
Рівень застосування:
Цей рівень безпосередньо спрямований на користувачів, поєднуючи ШІ з Web3, створюючи більше цікавих та інноваційних ігор. У цій статті основна увага приділяється проектам в кількох сегментах: AIGC(, генерований ШІ контент), ШІ-агенти та аналіз даних.
AIGC: за допомогою AIGC можна розширити можливості в NFT, іграх та інших напрямках Web3, користувачі можуть безпосередньо за допомогою Prompt(, наданих користувачем, генерувати текст, зображення та аудіо, навіть можуть створювати індивідуальний ігровий процес відповідно до своїх уподобань. NFT проєкти, такі як NFPrompt, користувачі можуть генерувати NFT за допомогою AI для торгівлі на ринку; ігри, такі як Sleepless, користувачі формують характер віртуального партнера за допомогою діалогу, щоб відповідати своїм уподобанням;
AI-агенти: це штучні інтелектуальні системи, які можуть самостійно виконувати завдання та приймати рішення. AI-агенти зазвичай мають можливості сприйняття, міркування, навчання та дії, можуть виконувати складні завдання в різних середовищах. Загальні AI-агенти, такі як переклад мов, вивчення мов.