Informe panorámico sobre el sector Web3-AI: análisis profundo de la lógica técnica, aplicaciones en escenarios y proyectos de primer nivel Profundidad
Con el continuo aumento del interés por 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 del campo de Web3-AI, presentando una visión completa de esta área y sus tendencias de desarrollo.
Uno, Web3-AI: Análisis de la lógica técnica y oportunidades del mercado emergente
1.1 Lógica de fusión entre Web3 y AI: cómo definir la pista Web-AI
En el último año, la narrativa de IA ha estado excepcionalmente en auge en la industria de Web3, y los proyectos de IA han surgido como hongos después de la lluvia. Aunque muchos proyectos involucran tecnología de IA, algunos solo utilizan IA en ciertas partes de sus productos, y la economía de tokens subyacente no tiene una relación sustancial con los productos de IA, por lo que este tipo de proyectos no se incluye en la discusión de proyectos Web3-AI en este artículo.
El enfoque de este artículo está en el uso de la blockchain para resolver problemas de relaciones de producción y proyectos que utilizan IA para resolver problemas de productividad. Estos proyectos ofrecen productos de IA y, al mismo tiempo, se basan en modelos económicos Web3 como herramientas de relaciones de producción, complementándose entre sí. Clasificamos estos proyectos como la pista Web3-AI. Para que los lectores comprendan mejor la pista Web3-AI, este artículo presentará el proceso de desarrollo de la IA y los desafíos, así como cómo la combinación de Web3 y IA resuelve perfectamente los problemas y crea nuevos escenarios de aplicación.
1.2 El proceso de desarrollo de la IA y los desafíos: desde la recolección de datos hasta la inferencia del modelo
La tecnología de IA es una técnica que permite a las computadoras simular, extender y mejorar la inteligencia humana. Puede hacer que las computadoras realicen diversas tareas complejas, desde la traducción de idiomas, la clasificación de imágenes hasta el reconocimiento facial, la 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: recopilación de datos y preprocesamiento de datos, selección y ajuste del modelo, entrenamiento del modelo e inferencia. Para dar un ejemplo simple, al desarrollar un modelo para clasificar imágenes de gatos y perros, necesitas:
Recolección de datos y preprocesamiento de datos: recolectar un conjunto de datos de imágenes que contenga gatos y perros, se pueden usar conjuntos de datos públicos o recolectar datos reales por cuenta propia. Luego, etiquetar cada imagen con su categoría (gato o perro), asegurándose de que las etiquetas sean precisas. Convertir las imágenes a un formato que el modelo pueda reconocer, dividiendo el conjunto de datos en conjunto de entrenamiento, conjunto de validación y conjunto de prueba.
Selección y ajuste del modelo: seleccionar un 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 las diferentes necesidades; generalmente, 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 con menos capas podría 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: Los archivos de modelo entrenados suelen denominarse pesos del modelo, y el proceso de inferencia se refiere al proceso de 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, que generalmente se evalúa utilizando métricas como la precisión, la tasa de recuperación y el F1-score.
Como se muestra en la imagen, después de la recopilación 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 para obtener los valores de predicción de gato y perro P (probabilidad), es decir, la probabilidad de que el modelo infiera que es un gato o un perro.
Los modelos de IA entrenados se pueden integrar aún más en diversas aplicaciones para realizar diferentes tareas. En este ejemplo, el modelo de IA para la clasificación de gatos y perros se puede integrar 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 IA suele ser opaco. Los datos del usuario pueden ser robados sin su conocimiento y utilizados para el entrenamiento de IA.
Obtención de fuentes de datos: los pequeños equipos o individuos que buscan datos en campos específicos (como datos médicos) pueden enfrentar limitaciones debido a que los datos no son de código abierto.
Selección y ajuste de modelos: para equipos pequeños, es difícil obtener recursos de modelos en campos específicos o gastar grandes costos en el ajuste de modelos.
Obtención de poder de cómputo: para los desarrolladores individuales y pequeños equipos, el alto costo de compra de GPU y las tarifas de alquiler de potencia en la nube pueden suponer 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 compradores que tienen demanda.
Los desafíos existentes en el escenario de IA centralizada pueden ser abordados mediante la combinación con Web3, que, como una nueva relación de producción, se adapta de manera natural a la IA que representa una nueva productividad, 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 una plataforma de colaboración de AI abierta para que los usuarios pasen de ser usuarios de AI en la era Web2 a participantes, creando una AI que todos puedan poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología AI también puede generar más escenarios y formas de aplicación innovadoras.
Basado en la tecnología Web3, el desarrollo y la aplicación de la IA darán paso a un nuevo sistema económico de colaboración. La privacidad de los datos de las personas puede ser garantizada, el modelo de datos en modo crowdsourcing promueve el progreso de los modelos de IA, y numerosos recursos de IA de código abierto están disponibles para los usuarios, permitiendo acceder a la potencia de cálculo compartida a un costo más bajo. 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 progreso de la tecnología de IA.
En el escenario de Web3, la IA puede tener un impacto positivo en múltiples áreas. Por ejemplo, los modelos de IA pueden integrarse 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 funcionalidades. 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 escenas de juego ricas y diversas y experiencias interactivas interesantes en GameFi. Una infraestructura rica proporciona 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 ecológico Web3-AI
Principalmente hemos investigado 41 proyectos en la pista de Web3-AI y hemos clasificado estos proyectos en diferentes niveles. La lógica de clasificación de cada nivel se muestra en la siguiente imagen, 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 tecnológica 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 verificación que conectan la infraestructura con las aplicaciones, mientras que la capa de aplicación se enfoca en diversas aplicaciones y soluciones dirigidas directamente a los usuarios.
Capa de infraestructura:
La capa de infraestructura es la base del ciclo de vida de la IA. En este artículo, se clasifican la capacidad de cálculo, la cadena de IA y la plataforma de desarrollo como la capa de infraestructura. Es gracias al apoyo de estas infraestructuras que se pueden realizar el entrenamiento y la inferencia de modelos de IA, y presentar aplicaciones de IA potentes y prácticas a los usuarios.
Red de computación descentralizada: puede proporcionar potencia computacional distribuida para el entrenamiento de modelos de IA, asegurando un uso eficiente y económico de los recursos computacionales. Algunos proyectos ofrecen un mercado de potencia computacional descentralizado, donde los usuarios pueden alquilar potencia a bajo costo o compartir potencia para obtener ganancias, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevas formas de juego, como Compute Labs, que propuso un protocolo tokenizado, donde los usuarios pueden participar en el alquiler de potencia de diferentes maneras comprando NFT que representan entidades GPU.
AI Chain: Utiliza la blockchain como base para el ciclo de vida de la IA, logrando una interacción sin fisuras de recursos de IA en la cadena y fuera de ella, fomentando el desarrollo del ecosistema de la industria. El mercado descentralizado de IA en la cadena permite el comercio de 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 promover el avance de tecnologías de IA en diferentes campos, como Bittensor, que fomenta la competencia entre subredes de diferentes tipos de IA a través de un innovador mecanismo de incentivos para subredes.
Plataforma de desarrollo: algunos proyectos ofrecen plataformas de desarrollo de agentes de IA, que también pueden realizar transacciones de agentes de IA, como Fetch.ai y ChainML. Herramientas todo en uno ayudan a los desarrolladores a crear, entrenar y desplegar modelos de IA de manera más conveniente, representados por proyectos como Nimble. Esta infraestructura facilita 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 verificación, y la adopción de tecnología Web3 puede lograr una mayor eficiencia laboral.
Datos: La calidad y cantidad de los datos son factores clave que afectan la eficacia del entrenamiento del modelo. 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, vendiendo su propia información bajo la protección de la privacidad, para evitar que comerciantes deshonestos roben datos y obtengan altos beneficios. 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 de la web, xData recoge información multimedia a través de un complemento fácil de usar y permite a los usuarios subir información de tweets.
Además, algunas plataformas permiten que expertos en el campo o usuarios comunes realicen tareas de preprocesamiento de datos, como la etiquetación de imágenes y la clasificación de datos, que pueden requerir conocimientos especializados en el procesamiento de datos financieros y legales. Los usuarios pueden tokenizar sus habilidades para lograr la colaboración en el crowdsourcing del preprocesamiento de datos. Representa, por ejemplo, el mercado de IA de Sahara AI, que tiene tareas de datos de diferentes campos y puede abarcar escenarios de datos multidisciplinarios; mientras que el Protocolo AIT etiqueta los datos mediante un enfoque de colaboración humano-máquina.
Modelo: En el proceso de desarrollo de IA mencionado anteriormente, diferentes tipos de necesidades requieren que se ajuste el modelo adecuado. Modelos comunes utilizados en tareas de imágenes son CNN y GAN, para tareas de detección de objetos se puede elegir la serie Yolo, y para tareas de texto, los modelos comunes son RNN, Transformer, entre otros, por supuesto, también hay algunos modelos grandes específicos o generales. La profundidad del modelo necesaria varía según la complejidad de la tarea, 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 inteligencia colectiva, como Sentient, que mediante un diseño modular, permite a los usuarios almacenar datos de modelos confiables en la capa de almacenamiento y la capa de distribución para la optimización del modelo. Las herramientas de desarrollo proporcionadas por Sahara AI incorporan algoritmos de IA avanzados y un marco de cálculo, 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 y si hay comportamientos maliciosos, etc. La inferencia en Web3 generalmente se puede integrar en contratos inteligentes, llamando al modelo para realizar la inferencia. Los métodos de verificación comunes incluyen tecnologías como ZKML, OPML y TEE. Proyectos representativos como los oráculos de IA en la cadena ORA (OAO) han introducido OPML como la capa verificable para el oráculo de IA. En el sitio web de ORA, también mencionan su investigación sobre ZKML y opp/ai (ZKML combinado con OPML).
Capa de aplicación:
Esta capa se dirige principalmente a aplicaciones orientadas al usuario, combinando IA con Web3 para crear más formas interesantes e innovadoras de interactuar. Este artículo se centra principalmente en los proyectos de AIGC (contenido generado por IA), agentes de IA y análisis de datos.
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.
10 me gusta
Recompensa
10
6
Compartir
Comentar
0/400
DiamondHands
· hace3h
Todo el día no entiendo, solo sé tomar a la gente por tonta...
Ver originalesResponder0
GasFeeSobber
· hace21h
¿Realmente hay algo verdadero en el AI que sopla...?
Ver originalesResponder0
LightningLady
· hace21h
Pues fusionémoslo, de todos modos los inversores no lo entenderán.
Ver originalesResponder0
AltcoinAnalyst
· hace21h
Desde la perspectiva de los datos y los indicadores técnicos, el 74% de los proyectos Web3 están aprovechando el concepto de IA, y la distribución de TVL muestra una sesgo a la izquierda... Se sugiere examinar estrictamente la coherencia del modelo económico del Token y estar alerta ante los proyectos de pseudo IA.
Ver originalesResponder0
RektCoaster
· hace21h
Otra burbuja de web3 que hace ai, solo para tomar a la gente por tonta.
Ver originalesResponder0
OldLeekConfession
· hace21h
No hay nada nuevo, solo es recalentar arroz frito.
Panorama de la pista Web3-AI: Análisis profundo de la lógica de fusión técnica y de los mejores proyectos
Informe panorámico sobre el sector Web3-AI: análisis profundo de la lógica técnica, aplicaciones en escenarios y proyectos de primer nivel Profundidad
Con el continuo aumento del interés por 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 del campo de Web3-AI, presentando una visión completa de esta área y sus tendencias de desarrollo.
Uno, Web3-AI: Análisis de la lógica técnica y oportunidades del mercado emergente
1.1 Lógica de fusión entre Web3 y AI: cómo definir la pista Web-AI
En el último año, la narrativa de IA ha estado excepcionalmente en auge en la industria de Web3, y los proyectos de IA han surgido como hongos después de la lluvia. Aunque muchos proyectos involucran tecnología de IA, algunos solo utilizan IA en ciertas partes de sus productos, y la economía de tokens subyacente no tiene una relación sustancial con los productos de IA, por lo que este tipo de proyectos no se incluye en la discusión de proyectos Web3-AI en este artículo.
El enfoque de este artículo está en el uso de la blockchain para resolver problemas de relaciones de producción y proyectos que utilizan IA para resolver problemas de productividad. Estos proyectos ofrecen productos de IA y, al mismo tiempo, se basan en modelos económicos Web3 como herramientas de relaciones de producción, complementándose entre sí. Clasificamos estos proyectos como la pista Web3-AI. Para que los lectores comprendan mejor la pista Web3-AI, este artículo presentará el proceso de desarrollo de la IA y los desafíos, así como cómo la combinación de Web3 y IA resuelve perfectamente los problemas y crea nuevos escenarios de aplicación.
1.2 El proceso de desarrollo de la IA y los desafíos: desde la recolección de datos hasta la inferencia del modelo
La tecnología de IA es una técnica que permite a las computadoras simular, extender y mejorar la inteligencia humana. Puede hacer que las computadoras realicen diversas tareas complejas, desde la traducción de idiomas, la clasificación de imágenes hasta el reconocimiento facial, la 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: recopilación de datos y preprocesamiento de datos, selección y ajuste del modelo, entrenamiento del modelo e inferencia. Para dar un ejemplo simple, al desarrollar un modelo para clasificar imágenes de gatos y perros, necesitas:
Recolección de datos y preprocesamiento de datos: recolectar un conjunto de datos de imágenes que contenga gatos y perros, se pueden usar conjuntos de datos públicos o recolectar datos reales por cuenta propia. Luego, etiquetar cada imagen con su categoría (gato o perro), asegurándose de que las etiquetas sean precisas. Convertir las imágenes a un formato que el modelo pueda reconocer, dividiendo el conjunto de datos en conjunto de entrenamiento, conjunto de validación y conjunto de prueba.
Selección y ajuste del modelo: seleccionar un 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 las diferentes necesidades; generalmente, 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 con menos capas podría 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: Los archivos de modelo entrenados suelen denominarse pesos del modelo, y el proceso de inferencia se refiere al proceso de 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, que generalmente se evalúa utilizando métricas como la precisión, la tasa de recuperación y el F1-score.
Como se muestra en la imagen, después de la recopilación 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 para obtener los valores de predicción de gato y perro P (probabilidad), es decir, la probabilidad de que el modelo infiera que es un gato o un perro.
Los modelos de IA entrenados se pueden integrar aún más en diversas aplicaciones para realizar diferentes tareas. En este ejemplo, el modelo de IA para la clasificación de gatos y perros se puede integrar 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 IA suele ser opaco. Los datos del usuario pueden ser robados sin su conocimiento y utilizados para el entrenamiento de IA.
Obtención de fuentes de datos: los pequeños equipos o individuos que buscan datos en campos específicos (como datos médicos) pueden enfrentar limitaciones debido a que los datos no son de código abierto.
Selección y ajuste de modelos: para equipos pequeños, es difícil obtener recursos de modelos en campos específicos o gastar grandes costos en el ajuste de modelos.
Obtención de poder de cómputo: para los desarrolladores individuales y pequeños equipos, el alto costo de compra de GPU y las tarifas de alquiler de potencia en la nube pueden suponer 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 compradores que tienen demanda.
Los desafíos existentes en el escenario de IA centralizada pueden ser abordados mediante la combinación con Web3, que, como una nueva relación de producción, se adapta de manera natural a la IA que representa una nueva productividad, 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 una plataforma de colaboración de AI abierta para que los usuarios pasen de ser usuarios de AI en la era Web2 a participantes, creando una AI que todos puedan poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología AI también puede generar más escenarios y formas de aplicación innovadoras.
Basado en la tecnología Web3, el desarrollo y la aplicación de la IA darán paso a un nuevo sistema económico de colaboración. La privacidad de los datos de las personas puede ser garantizada, el modelo de datos en modo crowdsourcing promueve el progreso de los modelos de IA, y numerosos recursos de IA de código abierto están disponibles para los usuarios, permitiendo acceder a la potencia de cálculo compartida a un costo más bajo. 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 progreso de la tecnología de IA.
En el escenario de Web3, la IA puede tener un impacto positivo en múltiples áreas. Por ejemplo, los modelos de IA pueden integrarse 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 funcionalidades. 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 escenas de juego ricas y diversas y experiencias interactivas interesantes en GameFi. Una infraestructura rica proporciona 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 ecológico Web3-AI
Principalmente hemos investigado 41 proyectos en la pista de Web3-AI y hemos clasificado estos proyectos en diferentes niveles. La lógica de clasificación de cada nivel se muestra en la siguiente imagen, 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 tecnológica 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 verificación que conectan la infraestructura con las aplicaciones, mientras que la capa de aplicación se enfoca en diversas aplicaciones y soluciones dirigidas directamente a los usuarios.
Capa de infraestructura:
La capa de infraestructura es la base del ciclo de vida de la IA. En este artículo, se clasifican la capacidad de cálculo, la cadena de IA y la plataforma de desarrollo como la capa de infraestructura. Es gracias al apoyo de estas infraestructuras que se pueden realizar el entrenamiento y la inferencia de modelos de IA, y presentar aplicaciones de IA potentes y prácticas a los usuarios.
Red de computación descentralizada: puede proporcionar potencia computacional distribuida para el entrenamiento de modelos de IA, asegurando un uso eficiente y económico de los recursos computacionales. Algunos proyectos ofrecen un mercado de potencia computacional descentralizado, donde los usuarios pueden alquilar potencia a bajo costo o compartir potencia para obtener ganancias, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevas formas de juego, como Compute Labs, que propuso un protocolo tokenizado, donde los usuarios pueden participar en el alquiler de potencia de diferentes maneras comprando NFT que representan entidades GPU.
AI Chain: Utiliza la blockchain como base para el ciclo de vida de la IA, logrando una interacción sin fisuras de recursos de IA en la cadena y fuera de ella, fomentando el desarrollo del ecosistema de la industria. El mercado descentralizado de IA en la cadena permite el comercio de 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 promover el avance de tecnologías de IA en diferentes campos, como Bittensor, que fomenta la competencia entre subredes de diferentes tipos de IA a través de un innovador mecanismo de incentivos para subredes.
Plataforma de desarrollo: algunos proyectos ofrecen plataformas de desarrollo de agentes de IA, que también pueden realizar transacciones de agentes de IA, como Fetch.ai y ChainML. Herramientas todo en uno ayudan a los desarrolladores a crear, entrenar y desplegar modelos de IA de manera más conveniente, representados por proyectos como Nimble. Esta infraestructura facilita 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 verificación, y la adopción de tecnología Web3 puede lograr una mayor eficiencia laboral.
Además, algunas plataformas permiten que expertos en el campo o usuarios comunes realicen tareas de preprocesamiento de datos, como la etiquetación de imágenes y la clasificación de datos, que pueden requerir conocimientos especializados en el procesamiento de datos financieros y legales. Los usuarios pueden tokenizar sus habilidades para lograr la colaboración en el crowdsourcing del preprocesamiento de datos. Representa, por ejemplo, el mercado de IA de Sahara AI, que tiene tareas de datos de diferentes campos y puede abarcar escenarios de datos multidisciplinarios; mientras que el Protocolo AIT etiqueta los datos mediante un enfoque de colaboración humano-máquina.
Algunos proyectos permiten a los usuarios proporcionar diferentes tipos de modelos o colaborar en el entrenamiento de modelos a través de la inteligencia colectiva, como Sentient, que mediante un diseño modular, permite a los usuarios almacenar datos de modelos confiables en la capa de almacenamiento y la capa de distribución para la optimización del modelo. Las herramientas de desarrollo proporcionadas por Sahara AI incorporan algoritmos de IA avanzados y un marco de cálculo, y tienen la capacidad de entrenamiento colaborativo.
Capa de aplicación:
Esta capa se dirige principalmente a aplicaciones orientadas al usuario, combinando IA con Web3 para crear más formas interesantes e innovadoras de interactuar. Este artículo se centra principalmente en los proyectos de AIGC (contenido generado por IA), agentes de IA y análisis de datos.