Informe panorámico sobre la pista Web3-AI: análisis profundo de la lógica técnica, aplicaciones en escenarios y proyectos de primer nivel
Con el continuo aumento de la narrativa de IA, cada vez más atención se centra en este campo. Este artículo analiza en profundidad la lógica técnica, los escenarios de aplicación y los proyectos representativos de la pista Web3-AI, presentando de manera integral el panorama y las tendencias de desarrollo en este ámbito.
Uno, Web3-AI: Análisis de la lógica técnica y las oportunidades de mercado emergentes
1.1 La lógica de la fusión entre Web3 y AI: ¿cómo definir la pista Web-AI?
En el último año, la narrativa de AI ha sido excepcionalmente popular en la industria de Web3, con proyectos de AI surgiendo como setas después de la lluvia. Aunque hay muchos proyectos que involucran tecnología de AI, algunos de ellos solo utilizan AI en ciertas partes de sus productos, y la economía de tokens subyacente no tiene una relación sustancial con los productos de AI. Por lo tanto, estos tipos de proyectos no se incluirán en la discusión de proyectos Web3-AI en este artículo.
El enfoque de este artículo radica en el uso de la blockchain para resolver problemas de relaciones de producción, y la IA para abordar problemas de productividad. Estos proyectos ofrecen productos de IA y, al mismo tiempo, se basan en un modelo económico Web3 como herramienta de relaciones de producción, complementándose entre sí. Clasificamos estos proyectos en la categoría de Web3-AI. Para que los lectores comprendan mejor la categoría Web3-AI, vamos a detallar el proceso de desarrollo y los desafíos de la IA, así como cómo la combinación de Web3 y IA puede resolver problemas de manera perfecta y crear nuevos escenarios de aplicación.
1.2 Proceso de desarrollo de la IA y desafíos: desde la recolección de datos hasta la inferencia del modelo
La tecnología de IA es una tecnología que permite a las computadoras simular, ampliar y mejorar la inteligencia humana. Puede permitir que las computadoras realicen una variedad de tareas complejas, desde la traducción de idiomas, clasificación de imágenes hasta el reconocimiento facial, conducción autónoma y otros escenarios de aplicación. La IA está cambiando la forma en que vivimos y trabajamos.
El proceso de desarrollo de modelos de inteligencia artificial generalmente incluye los siguientes pasos clave: recolección de datos y preprocesamiento de datos, selección y ajuste del modelo, entrenamiento del modelo e inferencia. Tomando un ejemplo sencillo, para desarrollar un modelo que clasifique imágenes de gatos y perros, necesitarás:
Recolección de datos y preprocesamiento de datos: recolectar un conjunto de datos de imágenes que contenga gatos y perros, se puede utilizar un conjunto de datos público o recopilar datos reales por cuenta propia. Luego, etiquetar cada imagen con su categoría (gato o perro), asegurando que las etiquetas sean precisas. Convertir las imágenes a un formato que el modelo pueda reconocer, dividir el conjunto de datos en conjunto de entrenamiento, conjunto de validación y conjunto de prueba.
Selección y ajuste del modelo: elegir el modelo adecuado, como las redes neuronales convolucionales (CNN), que son más adecuadas para tareas de clasificación de imágenes. Ajustar los parámetros o la arquitectura del modelo según diferentes necesidades; en general, la profundidad de la red del modelo puede ajustarse según la complejidad de la tarea de IA. En este simple ejemplo de clasificación, una red de menor profundidad puede ser suficiente.
Entrenamiento del modelo: se pueden utilizar GPU, TPU o clústeres de computación de alto rendimiento para entrenar el modelo, el tiempo de entrenamiento se ve afectado por la complejidad del modelo y la capacidad de cálculo.
Inferencia del modelo: El archivo del modelo entrenado se conoce generalmente como pesos del modelo, y el proceso de inferencia se refiere a utilizar un modelo ya entrenado para predecir o clasificar nuevos datos. En este proceso, se puede usar un conjunto de prueba o nuevos datos para evaluar el rendimiento de clasificación del modelo, y se suelen utilizar métricas como la precisión, la tasa de recuperación y el F1-score para evaluar la efectividad del modelo.
Como se muestra en la imagen, después de la recolección de datos y el preprocesamiento de datos, la selección y ajuste del modelo, y el entrenamiento, se realiza la inferencia del modelo entrenado en el conjunto de prueba, lo que dará como resultado los valores de predicción P (probabilidad) de gatos y perros, es decir, la probabilidad de que el modelo infiera que es un gato o un perro.
Los modelos de IA entrenados pueden integrarse aún más en diversas aplicaciones para realizar diferentes tareas. En este ejemplo, el modelo de IA para la clasificación de gatos y perros puede integrarse en una aplicación móvil, donde los usuarios suben imágenes de gatos o perros y obtienen resultados de clasificación.
Sin embargo, el proceso de desarrollo de IA centralizada presenta algunos problemas en los siguientes escenarios:
Privacidad del usuario: En un escenario centralizado, el proceso de desarrollo de la IA suele ser opaco. Los datos de los usuarios pueden ser robados sin su conocimiento y utilizados para el entrenamiento de la IA.
Obtención de fuentes de datos: los equipos pequeños o los individuos que buscan datos en campos específicos (como datos médicos) pueden enfrentar la limitación de que los datos no son de código abierto.
Selección y ajuste de modelos: para equipos pequeños, es difícil obtener recursos de modelos específicos de dominio o gastar grandes costos en el ajuste de modelos.
Obtención de poder de cálculo: para los desarrolladores individuales y los pequeños equipos, el alto costo de compra de GPU y las tarifas de alquiler de poder de cálculo en la nube pueden representar una carga económica significativa.
Ingresos de activos de IA: Los trabajadores de etiquetado de datos a menudo no pueden obtener ingresos que coincidan con su esfuerzo, y los resultados de investigación de los desarrolladores de IA también son difíciles de coincidir con los compradores que tienen demanda.
Los desafíos existentes en el escenario de IA centralizada pueden ser abordados a través de la combinación con Web3, que como una nueva relación de producción se adapta de manera natural a la IA que representa nuevas fuerzas productivas, impulsando así el progreso simultáneo de la tecnología y la capacidad de producción.
1.3 La sinergia entre Web3 y AI: Cambio de roles y aplicaciones innovadoras
La combinación de Web3 y AI puede fortalecer la soberanía del usuario, proporcionando a los usuarios una plataforma de colaboración de AI abierta, permitiendo que los usuarios pasen de ser meros usuarios de AI en la era de Web2 a participantes, creando una AI que todos pueden poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología de AI también puede generar más escenarios de aplicación innovadores y formas de interacción.
Basado en la tecnología Web3, el desarrollo y la aplicación de la IA darán lugar a un nuevo sistema de economía colaborativa. La privacidad de los datos de las personas puede ser garantizada, el modelo de datos de crowdsourcing promueve el avance de los modelos de IA, y numerosos recursos de IA de código abierto están disponibles para los usuarios, mientras que la capacidad de cómputo compartida se puede obtener a un costo reducido. Con la ayuda de un mecanismo de colaboración descentralizado y un mercado de IA abierto, se puede lograr un sistema de distribución de ingresos justo, lo que incentivará a más personas a impulsar el avance de la tecnología de IA.
En el escenario Web3, la IA puede tener un impacto positivo en múltiples pistas. Por ejemplo, los modelos de IA se pueden integrar en contratos inteligentes para mejorar la eficiencia laboral en diferentes escenarios de aplicación, como análisis de mercado, detección de seguridad, agrupación social y muchas otras funciones. La IA generativa no solo permite a los usuarios experimentar el papel de "artista", como crear su propio NFT utilizando tecnología de IA, sino que también puede crear escenarios de juego diversos y experiencias interactivas interesantes en GameFi. Una infraestructura rica ofrece una experiencia de desarrollo fluida, ya sea para expertos en IA o para principiantes que desean ingresar al campo de la IA, todos pueden encontrar una entrada adecuada en este mundo.
Dos, interpretación del mapa y la arquitectura del proyecto ecosistema Web3-AI
Hemos estudiado principalmente 41 proyectos en la pista Web3-AI y hemos clasificado estos proyectos en diferentes niveles. La lógica de clasificación de cada nivel se muestra en la figura a continuación, incluyendo la capa de infraestructura, la capa intermedia y la capa de aplicación, cada una de las cuales se divide en diferentes secciones. En el siguiente capítulo, realizaremos un análisis profundo de algunos proyectos representativos.
La capa de infraestructura abarca los recursos computacionales y la arquitectura técnica que soportan la operación de todo el ciclo de vida de la IA, la capa intermedia incluye la gestión de datos, el desarrollo de modelos y los servicios de inferencia de validación que conectan la infraestructura con las aplicaciones, mientras que la capa de aplicaciones se centra en diversas aplicaciones y soluciones directamente orientadas al usuario.
Capa de infraestructura:
La capa de infraestructura es la base del ciclo de vida de la IA. En este artículo, se clasifican la potencia de cálculo, AI Chain y la plataforma de desarrollo como parte de la capa de infraestructura. Es gracias al apoyo de esta infraestructura que se puede llevar a cabo el entrenamiento y la inferencia de modelos de IA, presentando así aplicaciones de IA potentes y prácticas a los usuarios.
Red de computación descentralizada: puede proporcionar potencia de cálculo distribuida para el entrenamiento de modelos de IA, asegurando una utilización de recursos informáticos eficiente y económica. Algunos proyectos ofrecen un mercado de potencia de cálculo descentralizado, donde los usuarios pueden alquilar potencia de cálculo a bajo costo o compartir potencia de cálculo para obtener ingresos, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevas formas de jugar, como Compute Labs, que propone un protocolo tokenizado, donde los usuarios pueden participar en el alquiler de potencia de cálculo de diferentes maneras mediante la compra de NFT que representan entidades de GPU.
AI Chain: Utiliza la blockchain como base para el ciclo de vida de la IA, logrando una interacción fluida entre recursos de IA en la cadena y fuera de ella, promoviendo el desarrollo del ecosistema de la industria. El mercado descentralizado de IA en la cadena puede intercambiar activos de IA como datos, modelos, agentes, etc., y proporciona un marco de desarrollo de IA y herramientas de desarrollo complementarias, representado por proyectos como Sahara AI. AI Chain también puede fomentar el progreso de la tecnología de IA en diferentes campos, como Bittensor, que promueve la competencia entre subredes de diferentes tipos de IA a través de un innovador mecanismo de incentivos de subred.
Plataforma de desarrollo: Algunos proyectos ofrecen plataformas de desarrollo de agentes de IA, que también permiten el comercio de agentes de IA, como Fetch.ai y ChainML. Herramientas integrales ayudan a los desarrolladores a crear, entrenar y desplegar modelos de IA de manera más conveniente, representadas por proyectos como Nimble. Esta infraestructura fomenta la amplia aplicación de la tecnología de IA en el ecosistema Web3.
Capa intermedia:
Este nivel involucra datos de IA, modelos, así como inferencia y validación, y el uso de tecnología Web3 puede lograr una mayor eficiencia en el trabajo.
Datos: La calidad y la cantidad de los datos son factores clave que afectan el rendimiento del entrenamiento de modelos. En el mundo Web3, a través de datos de crowdsourcing y procesamiento colaborativo de datos, se puede optimizar el uso de recursos y reducir los costos de datos. Los usuarios pueden tener autonomía sobre sus datos y, bajo la protección de la privacidad, vender sus propios datos para evitar que sean robados y explotados por comerciantes deshonestos. Para los demandantes de datos, estas plataformas ofrecen una amplia variedad de opciones y costos muy bajos. Proyectos representativos como Grass utilizan el ancho de banda de los usuarios para capturar datos web, xData recopila información multimedia a través de un complemento fácil de usar y apoya a los usuarios a subir información de tweets.
Además, algunas plataformas permiten a expertos del campo o usuarios comunes realizar tareas de preprocesamiento de datos, como etiquetado de imágenes y clasificación de datos, que pueden requerir conocimientos especializados en tareas financieras y legales. Los usuarios pueden tokenizar sus habilidades, logrando la colaboración en la recopilación de datos para el preprocesamiento. Un ejemplo es el mercado de IA Sahara AI, que abarca tareas de datos en diferentes campos y puede cubrir escenarios de datos multidisciplinarios; mientras que AIT Protocolt realiza etiquetado de datos a través de la colaboración entre humanos y máquinas.
Modelo: En el proceso de desarrollo de IA mencionado anteriormente, diferentes tipos de necesidades requieren que se emparejen con el modelo adecuado. Para tareas de imagen, se utilizan comúnmente modelos como CNN y GAN; para tareas de detección de objetos, se puede elegir la serie Yolo; para tareas de texto, son comunes los modelos RNN, Transformer, entre otros, y por supuesto, también hay algunos modelos grandes específicos o generales. La profundidad del modelo necesaria varía según la complejidad de las tareas, y a veces es necesario ajustar el modelo.
Algunos proyectos permiten a los usuarios proporcionar diferentes tipos de modelos o colaborar en el entrenamiento de modelos a través de la externalización, como Sentient, que mediante un diseño modular, permite a los usuarios almacenar datos de modelos confiables en la capa de almacenamiento y en la capa de distribución para la optimización de modelos. Las herramientas de desarrollo proporcionadas por Sahara AI incorporan algoritmos de IA avanzados y un marco de computación, y tienen la capacidad de entrenamiento colaborativo.
Inferencia y verificación: Después de que el modelo ha sido entrenado, generará un archivo de pesos del modelo que se puede utilizar para realizar clasificación, predicción u otras tareas específicas, este proceso se llama inferencia. El proceso de inferencia generalmente se acompaña de un mecanismo de verificación para validar si la fuente del modelo de inferencia es correcta, si hay comportamientos maliciosos, etc. La inferencia en Web3 generalmente se puede integrar en contratos inteligentes, llamando al modelo para realizar la inferencia, las formas comunes de verificación incluyen tecnologías como ZKML, OPML y TEE. Proyectos representativos como el oráculo de IA en la cadena ORA (OAO) han introducido OPML como la capa verificable del oráculo de IA, y en el sitio web de ORA también se menciona su investigación sobre ZKML y opp/ai (ZKML combinado con OPML).
Capa de aplicación:
Esta capa está principalmente orientada a aplicaciones dirigidas al usuario, combinando IA con Web3 para crear más formas interesantes e innovadoras de jugar. Este artículo se centra principalmente en los proyectos de AIGC (contenido generado por IA), agentes de IA y análisis de datos en estos varios sectores.
AIGC: A través de AIGC se puede expandir a las áreas de NFT, juegos, etc., en Web3, los usuarios pueden generar texto, imágenes y audio directamente a través de Prompt (las palabras clave proporcionadas por el usuario), e incluso pueden generar estilos de juego personalizados en los juegos según sus preferencias. Proyectos de NFT como NFPrompt, los usuarios pueden generar NFT a través de AI para comerciar en el mercado; juegos como Sleepless, los usuarios moldean la personalidad de un compañero virtual a través de conversaciones para coincidir con sus gustos;
Agente de IA: se refiere a sistemas de inteligencia artificial que pueden ejecutar tareas de forma autónoma y tomar decisiones. Los agentes de IA suelen tener capacidades de percepción, razonamiento, aprendizaje y acción, y pueden llevar a cabo tareas complejas en diversos entornos. Agentes de IA comunes incluyen traducción de lenguaje.
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
6 me gusta
Recompensa
6
4
Compartir
Comentar
0/400
AirDropMissed
· 07-26 04:01
Otra vez intentando engañarme para invertir en un nuevo proyecto, uno más amarillo que el otro.
Ver originalesResponder0
CascadingDipBuyer
· 07-26 03:56
No es más que cambiar la forma sin cambiar el fondo, sigue siendo tomar a la gente por tonta.
Ver originalesResponder0
ImpermanentPhilosopher
· 07-26 03:54
la implementación de la inteligencia artificial es realmente difícil. Muchos proyectos solo están aprovechando la situación.
Ver originalesResponder0
AlwaysMissingTops
· 07-26 03:52
Otra vez vienen a tomar a la gente por tonta, la mayoría de los proyectos de IA son solo trampas que juegan con conceptos.
Análisis panorámico de la pista Web3-AI: lógica técnica y análisis profundo de proyectos de primer nivel
Informe panorámico sobre la pista Web3-AI: análisis profundo de la lógica técnica, aplicaciones en escenarios y proyectos de primer nivel
Con el continuo aumento de la narrativa de IA, cada vez más atención se centra en este campo. Este artículo analiza en profundidad la lógica técnica, los escenarios de aplicación y los proyectos representativos de la pista Web3-AI, presentando de manera integral el panorama y las tendencias de desarrollo en este ámbito.
Uno, Web3-AI: Análisis de la lógica técnica y las oportunidades de mercado emergentes
1.1 La lógica de la fusión entre Web3 y AI: ¿cómo definir la pista Web-AI?
En el último año, la narrativa de AI ha sido excepcionalmente popular en la industria de Web3, con proyectos de AI surgiendo como setas después de la lluvia. Aunque hay muchos proyectos que involucran tecnología de AI, algunos de ellos solo utilizan AI en ciertas partes de sus productos, y la economía de tokens subyacente no tiene una relación sustancial con los productos de AI. Por lo tanto, estos tipos de proyectos no se incluirán en la discusión de proyectos Web3-AI en este artículo.
El enfoque de este artículo radica en el uso de la blockchain para resolver problemas de relaciones de producción, y la IA para abordar problemas de productividad. Estos proyectos ofrecen productos de IA y, al mismo tiempo, se basan en un modelo económico Web3 como herramienta de relaciones de producción, complementándose entre sí. Clasificamos estos proyectos en la categoría de Web3-AI. Para que los lectores comprendan mejor la categoría Web3-AI, vamos a detallar el proceso de desarrollo y los desafíos de la IA, así como cómo la combinación de Web3 y IA puede resolver problemas de manera perfecta y crear nuevos escenarios de aplicación.
1.2 Proceso de desarrollo de la IA y desafíos: desde la recolección de datos hasta la inferencia del modelo
La tecnología de IA es una tecnología que permite a las computadoras simular, ampliar y mejorar la inteligencia humana. Puede permitir que las computadoras realicen una variedad de tareas complejas, desde la traducción de idiomas, clasificación de imágenes hasta el reconocimiento facial, conducción autónoma y otros escenarios de aplicación. La IA está cambiando la forma en que vivimos y trabajamos.
El proceso de desarrollo de modelos de inteligencia artificial generalmente incluye los siguientes pasos clave: recolección de datos y preprocesamiento de datos, selección y ajuste del modelo, entrenamiento del modelo e inferencia. Tomando un ejemplo sencillo, para desarrollar un modelo que clasifique imágenes de gatos y perros, necesitarás:
Recolección de datos y preprocesamiento de datos: recolectar un conjunto de datos de imágenes que contenga gatos y perros, se puede utilizar un conjunto de datos público o recopilar datos reales por cuenta propia. Luego, etiquetar cada imagen con su categoría (gato o perro), asegurando que las etiquetas sean precisas. Convertir las imágenes a un formato que el modelo pueda reconocer, dividir el conjunto de datos en conjunto de entrenamiento, conjunto de validación y conjunto de prueba.
Selección y ajuste del modelo: elegir el modelo adecuado, como las redes neuronales convolucionales (CNN), que son más adecuadas para tareas de clasificación de imágenes. Ajustar los parámetros o la arquitectura del modelo según diferentes necesidades; en general, la profundidad de la red del modelo puede ajustarse según la complejidad de la tarea de IA. En este simple ejemplo de clasificación, una red de menor profundidad puede ser suficiente.
Entrenamiento del modelo: se pueden utilizar GPU, TPU o clústeres de computación de alto rendimiento para entrenar el modelo, el tiempo de entrenamiento se ve afectado por la complejidad del modelo y la capacidad de cálculo.
Inferencia del modelo: El archivo del modelo entrenado se conoce generalmente como pesos del modelo, y el proceso de inferencia se refiere a utilizar un modelo ya entrenado para predecir o clasificar nuevos datos. En este proceso, se puede usar un conjunto de prueba o nuevos datos para evaluar el rendimiento de clasificación del modelo, y se suelen utilizar métricas como la precisión, la tasa de recuperación y el F1-score para evaluar la efectividad del modelo.
Como se muestra en la imagen, después de la recolección de datos y el preprocesamiento de datos, la selección y ajuste del modelo, y el entrenamiento, se realiza la inferencia del modelo entrenado en el conjunto de prueba, lo que dará como resultado los valores de predicción P (probabilidad) de gatos y perros, es decir, la probabilidad de que el modelo infiera que es un gato o un perro.
Los modelos de IA entrenados pueden integrarse aún más en diversas aplicaciones para realizar diferentes tareas. En este ejemplo, el modelo de IA para la clasificación de gatos y perros puede integrarse en una aplicación móvil, donde los usuarios suben imágenes de gatos o perros y obtienen resultados de clasificación.
Sin embargo, el proceso de desarrollo de IA centralizada presenta algunos problemas en los siguientes escenarios:
Privacidad del usuario: En un escenario centralizado, el proceso de desarrollo de la IA suele ser opaco. Los datos de los usuarios pueden ser robados sin su conocimiento y utilizados para el entrenamiento de la IA.
Obtención de fuentes de datos: los equipos pequeños o los individuos que buscan datos en campos específicos (como datos médicos) pueden enfrentar la limitación de que los datos no son de código abierto.
Selección y ajuste de modelos: para equipos pequeños, es difícil obtener recursos de modelos específicos de dominio o gastar grandes costos en el ajuste de modelos.
Obtención de poder de cálculo: para los desarrolladores individuales y los pequeños equipos, el alto costo de compra de GPU y las tarifas de alquiler de poder de cálculo en la nube pueden representar una carga económica significativa.
Ingresos de activos de IA: Los trabajadores de etiquetado de datos a menudo no pueden obtener ingresos que coincidan con su esfuerzo, y los resultados de investigación de los desarrolladores de IA también son difíciles de coincidir con los compradores que tienen demanda.
Los desafíos existentes en el escenario de IA centralizada pueden ser abordados a través de la combinación con Web3, que como una nueva relación de producción se adapta de manera natural a la IA que representa nuevas fuerzas productivas, impulsando así el progreso simultáneo de la tecnología y la capacidad de producción.
1.3 La sinergia entre Web3 y AI: Cambio de roles y aplicaciones innovadoras
La combinación de Web3 y AI puede fortalecer la soberanía del usuario, proporcionando a los usuarios una plataforma de colaboración de AI abierta, permitiendo que los usuarios pasen de ser meros usuarios de AI en la era de Web2 a participantes, creando una AI que todos pueden poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología de AI también puede generar más escenarios de aplicación innovadores y formas de interacción.
Basado en la tecnología Web3, el desarrollo y la aplicación de la IA darán lugar a un nuevo sistema de economía colaborativa. La privacidad de los datos de las personas puede ser garantizada, el modelo de datos de crowdsourcing promueve el avance de los modelos de IA, y numerosos recursos de IA de código abierto están disponibles para los usuarios, mientras que la capacidad de cómputo compartida se puede obtener a un costo reducido. Con la ayuda de un mecanismo de colaboración descentralizado y un mercado de IA abierto, se puede lograr un sistema de distribución de ingresos justo, lo que incentivará a más personas a impulsar el avance de la tecnología de IA.
En el escenario Web3, la IA puede tener un impacto positivo en múltiples pistas. Por ejemplo, los modelos de IA se pueden integrar en contratos inteligentes para mejorar la eficiencia laboral en diferentes escenarios de aplicación, como análisis de mercado, detección de seguridad, agrupación social y muchas otras funciones. La IA generativa no solo permite a los usuarios experimentar el papel de "artista", como crear su propio NFT utilizando tecnología de IA, sino que también puede crear escenarios de juego diversos y experiencias interactivas interesantes en GameFi. Una infraestructura rica ofrece una experiencia de desarrollo fluida, ya sea para expertos en IA o para principiantes que desean ingresar al campo de la IA, todos pueden encontrar una entrada adecuada en este mundo.
Dos, interpretación del mapa y la arquitectura del proyecto ecosistema Web3-AI
Hemos estudiado principalmente 41 proyectos en la pista Web3-AI y hemos clasificado estos proyectos en diferentes niveles. La lógica de clasificación de cada nivel se muestra en la figura a continuación, incluyendo la capa de infraestructura, la capa intermedia y la capa de aplicación, cada una de las cuales se divide en diferentes secciones. En el siguiente capítulo, realizaremos un análisis profundo de algunos proyectos representativos.
La capa de infraestructura abarca los recursos computacionales y la arquitectura técnica que soportan la operación de todo el ciclo de vida de la IA, la capa intermedia incluye la gestión de datos, el desarrollo de modelos y los servicios de inferencia de validación que conectan la infraestructura con las aplicaciones, mientras que la capa de aplicaciones se centra en diversas aplicaciones y soluciones directamente orientadas al usuario.
Capa de infraestructura:
La capa de infraestructura es la base del ciclo de vida de la IA. En este artículo, se clasifican la potencia de cálculo, AI Chain y la plataforma de desarrollo como parte de la capa de infraestructura. Es gracias al apoyo de esta infraestructura que se puede llevar a cabo el entrenamiento y la inferencia de modelos de IA, presentando así aplicaciones de IA potentes y prácticas a los usuarios.
Red de computación descentralizada: puede proporcionar potencia de cálculo distribuida para el entrenamiento de modelos de IA, asegurando una utilización de recursos informáticos eficiente y económica. Algunos proyectos ofrecen un mercado de potencia de cálculo descentralizado, donde los usuarios pueden alquilar potencia de cálculo a bajo costo o compartir potencia de cálculo para obtener ingresos, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevas formas de jugar, como Compute Labs, que propone un protocolo tokenizado, donde los usuarios pueden participar en el alquiler de potencia de cálculo de diferentes maneras mediante la compra de NFT que representan entidades de GPU.
AI Chain: Utiliza la blockchain como base para el ciclo de vida de la IA, logrando una interacción fluida entre recursos de IA en la cadena y fuera de ella, promoviendo el desarrollo del ecosistema de la industria. El mercado descentralizado de IA en la cadena puede intercambiar activos de IA como datos, modelos, agentes, etc., y proporciona un marco de desarrollo de IA y herramientas de desarrollo complementarias, representado por proyectos como Sahara AI. AI Chain también puede fomentar el progreso de la tecnología de IA en diferentes campos, como Bittensor, que promueve la competencia entre subredes de diferentes tipos de IA a través de un innovador mecanismo de incentivos de subred.
Plataforma de desarrollo: Algunos proyectos ofrecen plataformas de desarrollo de agentes de IA, que también permiten el comercio de agentes de IA, como Fetch.ai y ChainML. Herramientas integrales ayudan a los desarrolladores a crear, entrenar y desplegar modelos de IA de manera más conveniente, representadas por proyectos como Nimble. Esta infraestructura fomenta la amplia aplicación de la tecnología de IA en el ecosistema Web3.
Capa intermedia:
Este nivel involucra datos de IA, modelos, así como inferencia y validación, y el uso de tecnología Web3 puede lograr una mayor eficiencia en el trabajo.
Además, algunas plataformas permiten a expertos del campo o usuarios comunes realizar tareas de preprocesamiento de datos, como etiquetado de imágenes y clasificación de datos, que pueden requerir conocimientos especializados en tareas financieras y legales. Los usuarios pueden tokenizar sus habilidades, logrando la colaboración en la recopilación de datos para el preprocesamiento. Un ejemplo es el mercado de IA Sahara AI, que abarca tareas de datos en diferentes campos y puede cubrir escenarios de datos multidisciplinarios; mientras que AIT Protocolt realiza etiquetado de datos a través de la colaboración entre humanos y máquinas.
Algunos proyectos permiten a los usuarios proporcionar diferentes tipos de modelos o colaborar en el entrenamiento de modelos a través de la externalización, como Sentient, que mediante un diseño modular, permite a los usuarios almacenar datos de modelos confiables en la capa de almacenamiento y en la capa de distribución para la optimización de modelos. Las herramientas de desarrollo proporcionadas por Sahara AI incorporan algoritmos de IA avanzados y un marco de computación, y tienen la capacidad de entrenamiento colaborativo.
Capa de aplicación:
Esta capa está principalmente orientada a aplicaciones dirigidas al usuario, combinando IA con Web3 para crear más formas interesantes e innovadoras de jugar. Este artículo se centra principalmente en los proyectos de AIGC (contenido generado por IA), agentes de IA y análisis de datos en estos varios sectores.
AIGC: A través de AIGC se puede expandir a las áreas de NFT, juegos, etc., en Web3, los usuarios pueden generar texto, imágenes y audio directamente a través de Prompt (las palabras clave proporcionadas por el usuario), e incluso pueden generar estilos de juego personalizados en los juegos según sus preferencias. Proyectos de NFT como NFPrompt, los usuarios pueden generar NFT a través de AI para comerciar en el mercado; juegos como Sleepless, los usuarios moldean la personalidad de un compañero virtual a través de conversaciones para coincidir con sus gustos;
Agente de IA: se refiere a sistemas de inteligencia artificial que pueden ejecutar tareas de forma autónoma y tomar decisiones. Los agentes de IA suelen tener capacidades de percepción, razonamiento, aprendizaje y acción, y pueden llevar a cabo tareas complejas en diversos entornos. Agentes de IA comunes incluyen traducción de lenguaje.