Rapport panoramique sur le secteur Web3-AI : logique technique, applications scénaristiques et analyse approfondie des projets de premier plan
Avec la montée en puissance de la narration par l'IA, de plus en plus d'attention se concentre sur ce secteur. Cet article analyse en profondeur la logique technique, les cas d'application et les projets représentatifs du secteur Web3-AI, vous présentant ainsi un panorama complet et les tendances de développement dans ce domaine.
I. Web3-AI : Analyse de la logique technique et des opportunités de marché émergentes
1.1 La logique de fusion entre Web3 et IA : comment définir le secteur Web-AI
Au cours de l'année écoulée, la narration par IA a connu un essor exceptionnel dans l'industrie Web3, avec des projets d'IA qui ont fleuri comme des champignons après la pluie. Bien que de nombreux projets impliquent des technologies d'IA, certains d'entre eux n'utilisent l'IA que dans certaines parties de leurs produits, et l'économie des tokens sous-jacente n'a pas de lien substantiel avec les produits d'IA, c'est pourquoi ces projets ne sont pas inclus dans la discussion des projets Web3-AI dans cet article.
L'article se concentre sur l'utilisation de la blockchain pour résoudre les problèmes de relations de production et sur les projets où l'IA résout les problèmes de productivité. Ces projets offrent eux-mêmes des produits IA tout en s'appuyant sur un modèle économique Web3 comme outil de relations de production, les deux étant complémentaires. Nous classons ces projets dans la catégorie Web3-AI. Pour aider les lecteurs à mieux comprendre la catégorie Web3-AI, cet article présentera le processus de développement de l'IA et les défis associés, ainsi que la manière dont la combinaison de Web3 et d'IA peut résoudre parfaitement les problèmes et créer de nouveaux cas d'utilisation.
1.2 Le processus de développement de l'IA et ses défis : de la collecte de données à l'inférence du modèle
La technologie AI est une technologie qui permet aux ordinateurs de simuler, d'étendre et d'améliorer l'intelligence humaine. Elle permet aux ordinateurs d'exécuter diverses tâches complexes, allant de la traduction de langues, à la classification d'images en passant par la reconnaissance faciale et la conduite autonome, l'IA est en train de transformer notre façon de vivre et de travailler.
Le processus de développement d'un modèle d'intelligence artificielle comprend généralement les étapes clés suivantes : la collecte et le prétraitement des données, le choix et l'optimisation du modèle, l'entraînement et l'inférence du modèle. Prenons un exemple simple, pour développer un modèle qui classe les images de chats et de chiens, vous aurez besoin de :
Collecte de données et prétraitement des données : collecter un ensemble de données d'images contenant des chats et des chiens, en utilisant des ensembles de données publics ou en collectant des données réelles soi-même. Ensuite, étiquetez chaque image avec une catégorie (chat ou chien), en s'assurant que les étiquettes sont correctes. Transformez les images en un format que le modèle peut reconnaître, et divisez l'ensemble de données en ensemble d'entraînement, ensemble de validation et ensemble de test.
Choix et optimisation du modèle : Choisir un modèle approprié, tel que le réseau de neurones convolutionnels (CNN), qui est particulièrement adapté aux tâches de classification d'images. Ajuster les paramètres ou l'architecture du modèle en fonction des besoins, généralement, la profondeur du réseau peut être ajustée en fonction de la complexité de la tâche AI. Dans cet exemple simple de classification, une profondeur de réseau plus faible peut suffire.
Entraînement du modèle : il est possible d'utiliser des GPU, TPU ou des clusters de calcul haute performance pour entraîner le modèle, le temps d'entraînement étant influencé par la complexité du modèle et la capacité de calcul.
Inférence du modèle : Le fichier du modèle entraîné est généralement appelé poids du modèle. Le processus d'inférence désigne l'utilisation d'un modèle déjà entraîné pour prédire ou classer de nouvelles données. Au cours de ce processus, un ensemble de test ou de nouvelles données peut être utilisé pour tester l'efficacité de la classification du modèle, généralement évaluée à l'aide d'indicateurs tels que la précision, le rappel et le F1-score.
Comme indiqué sur l'image, après la collecte de données et le prétraitement des données, la sélection et l'ajustement du modèle, et l'entraînement, effectuer l'inférence du modèle entraîné sur l'ensemble de test donnera les valeurs prédites P (probabilité) pour les chats et les chiens, c'est-à-dire la probabilité que le modèle infère qu'il s'agit d'un chat ou d'un chien.
Un modèle d'IA entraîné peut être intégré dans diverses applications pour exécuter différentes tâches. Dans cet exemple, un modèle d'IA de classification de chats et de chiens peut être intégré dans une application mobile, où l'utilisateur télécharge une image de chat ou de chien et obtient un résultat de classification.
Cependant, le processus de développement de l'IA centralisée présente certains problèmes dans les scénarios suivants :
Confidentialité des utilisateurs : dans un environnement centralisé, le processus de développement de l'IA est souvent opaque. Les données des utilisateurs peuvent être volées à leur insu et utilisées pour l'entraînement de l'IA.
Obtention des sources de données : Les petites équipes ou les particuliers peuvent faire face à des restrictions sur l'ouverture des données lorsqu'ils essaient d'obtenir des données dans des domaines spécifiques (comme les données médicales).
Choix et optimisation des modèles : pour les petites équipes, il est difficile d'obtenir des ressources de modèles spécifiques ou de dépenser d'importants coûts pour l'optimisation des modèles.
Acquisition de puissance de calcul : Pour les développeurs individuels et les petites équipes, le coût élevé d'achat de GPU et les frais de location de puissance de calcul dans le cloud peuvent constituer un fardeau économique significatif.
Revenus des actifs d'IA : Les travailleurs de l'annotation de données ont souvent du mal à obtenir des revenus proportionnels à leurs efforts, tandis que les résultats de recherche des développeurs d'IA peinent également à correspondre aux acheteurs ayant des besoins.
Les défis existants dans les scénarios d'IA centralisée peuvent être surmontés grâce à l'intégration avec le Web3, qui, en tant que nouvelle relation de production, s'adapte naturellement à l'IA représentant une nouvelle productivité, permettant ainsi une avancée simultanée de la technologie et des capacités de production.
1.3 Synergie entre Web3 et AI : Changement de rôle et applications innovantes
La combinaison de Web3 et de l'IA peut renforcer la souveraineté des utilisateurs, en offrant aux utilisateurs une plateforme de collaboration ouverte en IA, permettant aux utilisateurs de passer de simples utilisateurs de l'IA à des participants, créant une IA que tout le monde peut posséder. Parallèlement, la fusion du monde Web3 et des technologies IA peut également donner lieu à davantage de scénarios d'application innovants et de nouvelles manières de jouer.
Basé sur la technologie Web3, le développement et l'application de l'IA entreront dans un tout nouveau système économique collaboratif. La vie privée des données des individus peut être protégée, et le modèle de crowdsourcing de données favorise l'avancement des modèles d'IA, avec de nombreuses ressources IA open source disponibles pour les utilisateurs, et une puissance de calcul partagée pouvant être obtenue à un coût réduit. Grâce à un mécanisme de collaboration décentralisé et à un marché d'IA ouvert, un système de répartition des revenus équitable peut être réalisé, incitant ainsi davantage de personnes à faire progresser la technologie IA.
Dans le contexte de Web3, l'IA peut avoir un impact positif dans de multiples domaines. Par exemple, les modèles d'IA peuvent être intégrés dans des contrats intelligents pour améliorer l'efficacité du travail dans différents scénarios d'application, tels que l'analyse de marché, la détection de sécurité, le clustering social et de nombreuses autres fonctionnalités. L'IA générative permet non seulement aux utilisateurs de vivre le rôle d'"artiste", par exemple en utilisant la technologie d'IA pour créer leurs propres NFT, mais elle peut également créer des scènes de jeu variées et des expériences interactives intéressantes dans le GameFi. Une infrastructure riche offre une expérience de développement fluide, permettant à la fois aux experts en IA et aux nouveaux venus souhaitant entrer dans le domaine de trouver une entrée appropriée dans ce monde.
Deuxième, interprétation de la carte et de l'architecture des projets écologiques Web3-AI
Nous avons principalement étudié 41 projets dans le domaine Web3-AI et avons classé ces projets en différentes couches. La logique de classification de chaque couche est illustrée dans le diagramme ci-dessous, comprenant la couche d'infrastructure, la couche intermédiaire et la couche d'application, chaque couche étant divisée en différents segments. Dans le chapitre suivant, nous procéderons à une analyse approfondie de certains projets représentatifs.
La couche d'infrastructure couvre les ressources de calcul et l'architecture technique qui soutiennent le fonctionnement de l'ensemble du cycle de vie de l'IA, la couche intermédiaire comprend la gestion des données, le développement de modèles et les services de validation et d'inférence qui relient l'infrastructure aux applications, tandis que la couche d'application se concentre sur les diverses applications et solutions directement destinées aux utilisateurs.
Infrastructure Layer :
La couche d'infrastructure est la base du cycle de vie de l'IA. Cet article classe la puissance de calcul, la chaîne AI et la plateforme de développement comme faisant partie de la couche d'infrastructure. C'est grâce au soutien de ces infrastructures que l'on peut réaliser l'entraînement et l'inférence des modèles d'IA et présenter aux utilisateurs des applications IA puissantes et pratiques.
Réseau de calcul décentralisé : il peut fournir une puissance de calcul distribuée pour l'entraînement des modèles d'IA, garantissant une utilisation efficace et économique des ressources de calcul. Certains projets proposent un marché de puissance de calcul décentralisé, où les utilisateurs peuvent louer de la puissance de calcul à faible coût ou partager de la puissance de calcul pour générer des revenus, avec des projets représentatifs comme IO.NET et Hyperbolic. De plus, certains projets ont dérivé de nouveaux mécanismes, comme Compute Labs, qui ont proposé un protocole tokenisé, permettant aux utilisateurs de participer de différentes manières à la location de puissance de calcul pour générer des revenus en achetant des NFT représentant des GPU physiques.
AI Chain : Utiliser la blockchain comme base du cycle de vie de l'IA, permettant une interaction fluide entre les ressources IA en ligne et hors ligne, et favorisant le développement de l'écosystème industriel. Le marché décentralisé de l'IA sur la chaîne peut échanger des actifs IA tels que des données, des modèles, des agents, etc., et fournir un cadre de développement IA ainsi que des outils de développement connexes, avec des projets représentatifs comme Sahara AI. AI Chain peut également favoriser les progrès technologiques de l'IA dans différents domaines, comme Bittensor qui stimule la concurrence entre les sous-réseaux de différents types d'IA grâce à un mécanisme d'incitation innovant.
Plateforme de développement : certains projets proposent des plateformes de développement d'agents IA, permettant également le trading d'agents IA, tels que Fetch.ai et ChainML. Des outils tout-en-un aident les développeurs à créer, entraîner et déployer plus facilement des modèles d'IA, avec des projets représentatifs comme Nimble. Ces infrastructures favorisent l'application généralisée de la technologie IA dans l'écosystème Web3.
Couche intermédiaire :
Cette couche concerne les données AI, les modèles ainsi que le raisonnement et la vérification, et l'adoption de la technologie Web3 peut permettre une efficacité de travail accrue.
Données : La qualité et la quantité des données sont des facteurs clés qui influencent l'efficacité de l'entraînement des modèles. Dans le monde de Web3, l'optimisation de l'utilisation des ressources et la réduction des coûts des données peuvent être réalisées grâce à des données en crowdsourcing et à un traitement collaboratif des données. Les utilisateurs peuvent avoir le contrôle de leurs données, vendre leurs propres données dans le respect de la protection de la vie privée, afin d'éviter que leurs données ne soient volées et exploitées à des fins lucratives par de mauvais commerçants. Pour les demandeurs de données, ces plateformes offrent un large choix et des coûts très bas. Des projets représentatifs comme Grass utilisent la bande passante des utilisateurs pour récupérer des données Web, xData collecte des informations médiatiques via des plugins conviviaux et prend en charge le téléchargement d'informations sur les tweets par les utilisateurs.
De plus, certaines plateformes permettent aux experts du domaine ou aux utilisateurs ordinaires d'exécuter des tâches de prétraitement des données, telles que l'annotation d'images et la classification des données, qui peuvent nécessiter des connaissances spécialisées en matière de finance et de traitement des données juridiques. Les utilisateurs peuvent tokeniser leurs compétences pour réaliser un travail collaboratif de prétraitement des données. Des exemples incluent le marché de l'IA Sahara AI, qui propose des tâches de données dans différents domaines et peut couvrir des scénarios de données multi-domaines ; tandis que le protocole AIT annotent les données par le biais d'une collaboration homme-machine.
Modèles : Dans le processus de développement de l'IA mentionné précédemment, différents types de besoins nécessitent de correspondre avec des modèles appropriés. Les modèles couramment utilisés pour les tâches d'image sont par exemple les CNN et les GAN, pour les tâches de détection d'objets, on peut choisir la série Yolo, et pour les tâches de texte, des modèles tels que RNN et Transformer sont courants, bien sûr, il existe aussi certains grands modèles spécifiques ou généraux. La profondeur des modèles nécessaires varie en fonction de la complexité des tâches, et parfois il est nécessaire d'ajuster les modèles.
Certains projets permettent aux utilisateurs de fournir différents types de modèles ou de collaborer à l'entraînement de modèles par le biais de la crowdsourcing, comme Sentient qui, grâce à un design modulaire, permet aux utilisateurs de placer des données de modèles fiables dans la couche de stockage et la couche de distribution pour l'optimisation des modèles. Les outils de développement fournis par Sahara AI intègrent des algorithmes d'IA avancés et des frameworks de calcul, et possèdent la capacité d'entraînement collaboratif.
Inférence et validation : Une fois que le modèle a été entraîné, il génère des fichiers de poids du modèle qui peuvent être utilisés pour la classification, la prédiction ou d'autres tâches spécifiques. Ce processus est appelé inférence. Le processus d'inférence est généralement accompagné d'un mécanisme de validation pour vérifier si la source du modèle d'inférence est correcte, s'il y a des comportements malveillants, etc. L'inférence dans le Web3 peut souvent être intégrée dans des contrats intelligents, en appelant le modèle pour effectuer l'inférence. Les méthodes de validation courantes incluent des technologies telles que ZKML, OPML et TEE. Des projets représentatifs comme l'oracle AI sur la chaîne ORA (OAO) ont introduit OPML comme couche vérifiable pour l'oracle AI. Le site officiel d'ORA mentionne également leurs recherches sur ZKML et opp/ai (ZKML combiné avec OPML).
Couche d'application :
Cette couche est principalement une application destinée aux utilisateurs, combinant l'IA avec le Web3 pour créer des jeux plus intéressants et innovants. Cet article passe en revue plusieurs projets dans les domaines de l'AIGC (contenu généré par l'IA), des agents IA et de l'analyse de données.
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
10 J'aime
Récompense
10
6
Partager
Commentaire
0/400
DiamondHands
· Il y a 3h
Toute la journée, je ne comprends pas, je sais juste prendre les gens pour des idiots...
Voir l'originalRépondre0
GasFeeSobber
· Il y a 21h
Est-ce que l'IA a vraiment quelque chose de vrai...
Voir l'originalRépondre0
LightningLady
· Il y a 21h
Alors, fusionnons-le. De toute façon, les investisseurs ne comprennent pas.
Voir l'originalRépondre0
AltcoinAnalyst
· Il y a 21h
D'un point de vue des données et des indicateurs techniques, 74 % des projets Web3 surfent sur le concept d'IA, la distribution du TVL présente un biais à gauche... Il est conseillé d'examiner rigoureusement la cohérence du modèle économique des jetons et de rester vigilant face aux faux projets d'IA.
Voir l'originalRépondre0
RektCoaster
· Il y a 21h
Encore un coup de pub pour le web3 et l'IA, se faire prendre pour des cons.
Web3-AI paysage : analyse approfondie de la logique de fusion technologique et des projets de premier plan
Rapport panoramique sur le secteur Web3-AI : logique technique, applications scénaristiques et analyse approfondie des projets de premier plan
Avec la montée en puissance de la narration par l'IA, de plus en plus d'attention se concentre sur ce secteur. Cet article analyse en profondeur la logique technique, les cas d'application et les projets représentatifs du secteur Web3-AI, vous présentant ainsi un panorama complet et les tendances de développement dans ce domaine.
I. Web3-AI : Analyse de la logique technique et des opportunités de marché émergentes
1.1 La logique de fusion entre Web3 et IA : comment définir le secteur Web-AI
Au cours de l'année écoulée, la narration par IA a connu un essor exceptionnel dans l'industrie Web3, avec des projets d'IA qui ont fleuri comme des champignons après la pluie. Bien que de nombreux projets impliquent des technologies d'IA, certains d'entre eux n'utilisent l'IA que dans certaines parties de leurs produits, et l'économie des tokens sous-jacente n'a pas de lien substantiel avec les produits d'IA, c'est pourquoi ces projets ne sont pas inclus dans la discussion des projets Web3-AI dans cet article.
L'article se concentre sur l'utilisation de la blockchain pour résoudre les problèmes de relations de production et sur les projets où l'IA résout les problèmes de productivité. Ces projets offrent eux-mêmes des produits IA tout en s'appuyant sur un modèle économique Web3 comme outil de relations de production, les deux étant complémentaires. Nous classons ces projets dans la catégorie Web3-AI. Pour aider les lecteurs à mieux comprendre la catégorie Web3-AI, cet article présentera le processus de développement de l'IA et les défis associés, ainsi que la manière dont la combinaison de Web3 et d'IA peut résoudre parfaitement les problèmes et créer de nouveaux cas d'utilisation.
1.2 Le processus de développement de l'IA et ses défis : de la collecte de données à l'inférence du modèle
La technologie AI est une technologie qui permet aux ordinateurs de simuler, d'étendre et d'améliorer l'intelligence humaine. Elle permet aux ordinateurs d'exécuter diverses tâches complexes, allant de la traduction de langues, à la classification d'images en passant par la reconnaissance faciale et la conduite autonome, l'IA est en train de transformer notre façon de vivre et de travailler.
Le processus de développement d'un modèle d'intelligence artificielle comprend généralement les étapes clés suivantes : la collecte et le prétraitement des données, le choix et l'optimisation du modèle, l'entraînement et l'inférence du modèle. Prenons un exemple simple, pour développer un modèle qui classe les images de chats et de chiens, vous aurez besoin de :
Collecte de données et prétraitement des données : collecter un ensemble de données d'images contenant des chats et des chiens, en utilisant des ensembles de données publics ou en collectant des données réelles soi-même. Ensuite, étiquetez chaque image avec une catégorie (chat ou chien), en s'assurant que les étiquettes sont correctes. Transformez les images en un format que le modèle peut reconnaître, et divisez l'ensemble de données en ensemble d'entraînement, ensemble de validation et ensemble de test.
Choix et optimisation du modèle : Choisir un modèle approprié, tel que le réseau de neurones convolutionnels (CNN), qui est particulièrement adapté aux tâches de classification d'images. Ajuster les paramètres ou l'architecture du modèle en fonction des besoins, généralement, la profondeur du réseau peut être ajustée en fonction de la complexité de la tâche AI. Dans cet exemple simple de classification, une profondeur de réseau plus faible peut suffire.
Entraînement du modèle : il est possible d'utiliser des GPU, TPU ou des clusters de calcul haute performance pour entraîner le modèle, le temps d'entraînement étant influencé par la complexité du modèle et la capacité de calcul.
Inférence du modèle : Le fichier du modèle entraîné est généralement appelé poids du modèle. Le processus d'inférence désigne l'utilisation d'un modèle déjà entraîné pour prédire ou classer de nouvelles données. Au cours de ce processus, un ensemble de test ou de nouvelles données peut être utilisé pour tester l'efficacité de la classification du modèle, généralement évaluée à l'aide d'indicateurs tels que la précision, le rappel et le F1-score.
Comme indiqué sur l'image, après la collecte de données et le prétraitement des données, la sélection et l'ajustement du modèle, et l'entraînement, effectuer l'inférence du modèle entraîné sur l'ensemble de test donnera les valeurs prédites P (probabilité) pour les chats et les chiens, c'est-à-dire la probabilité que le modèle infère qu'il s'agit d'un chat ou d'un chien.
Un modèle d'IA entraîné peut être intégré dans diverses applications pour exécuter différentes tâches. Dans cet exemple, un modèle d'IA de classification de chats et de chiens peut être intégré dans une application mobile, où l'utilisateur télécharge une image de chat ou de chien et obtient un résultat de classification.
Cependant, le processus de développement de l'IA centralisée présente certains problèmes dans les scénarios suivants :
Confidentialité des utilisateurs : dans un environnement centralisé, le processus de développement de l'IA est souvent opaque. Les données des utilisateurs peuvent être volées à leur insu et utilisées pour l'entraînement de l'IA.
Obtention des sources de données : Les petites équipes ou les particuliers peuvent faire face à des restrictions sur l'ouverture des données lorsqu'ils essaient d'obtenir des données dans des domaines spécifiques (comme les données médicales).
Choix et optimisation des modèles : pour les petites équipes, il est difficile d'obtenir des ressources de modèles spécifiques ou de dépenser d'importants coûts pour l'optimisation des modèles.
Acquisition de puissance de calcul : Pour les développeurs individuels et les petites équipes, le coût élevé d'achat de GPU et les frais de location de puissance de calcul dans le cloud peuvent constituer un fardeau économique significatif.
Revenus des actifs d'IA : Les travailleurs de l'annotation de données ont souvent du mal à obtenir des revenus proportionnels à leurs efforts, tandis que les résultats de recherche des développeurs d'IA peinent également à correspondre aux acheteurs ayant des besoins.
Les défis existants dans les scénarios d'IA centralisée peuvent être surmontés grâce à l'intégration avec le Web3, qui, en tant que nouvelle relation de production, s'adapte naturellement à l'IA représentant une nouvelle productivité, permettant ainsi une avancée simultanée de la technologie et des capacités de production.
1.3 Synergie entre Web3 et AI : Changement de rôle et applications innovantes
La combinaison de Web3 et de l'IA peut renforcer la souveraineté des utilisateurs, en offrant aux utilisateurs une plateforme de collaboration ouverte en IA, permettant aux utilisateurs de passer de simples utilisateurs de l'IA à des participants, créant une IA que tout le monde peut posséder. Parallèlement, la fusion du monde Web3 et des technologies IA peut également donner lieu à davantage de scénarios d'application innovants et de nouvelles manières de jouer.
Basé sur la technologie Web3, le développement et l'application de l'IA entreront dans un tout nouveau système économique collaboratif. La vie privée des données des individus peut être protégée, et le modèle de crowdsourcing de données favorise l'avancement des modèles d'IA, avec de nombreuses ressources IA open source disponibles pour les utilisateurs, et une puissance de calcul partagée pouvant être obtenue à un coût réduit. Grâce à un mécanisme de collaboration décentralisé et à un marché d'IA ouvert, un système de répartition des revenus équitable peut être réalisé, incitant ainsi davantage de personnes à faire progresser la technologie IA.
Dans le contexte de Web3, l'IA peut avoir un impact positif dans de multiples domaines. Par exemple, les modèles d'IA peuvent être intégrés dans des contrats intelligents pour améliorer l'efficacité du travail dans différents scénarios d'application, tels que l'analyse de marché, la détection de sécurité, le clustering social et de nombreuses autres fonctionnalités. L'IA générative permet non seulement aux utilisateurs de vivre le rôle d'"artiste", par exemple en utilisant la technologie d'IA pour créer leurs propres NFT, mais elle peut également créer des scènes de jeu variées et des expériences interactives intéressantes dans le GameFi. Une infrastructure riche offre une expérience de développement fluide, permettant à la fois aux experts en IA et aux nouveaux venus souhaitant entrer dans le domaine de trouver une entrée appropriée dans ce monde.
Deuxième, interprétation de la carte et de l'architecture des projets écologiques Web3-AI
Nous avons principalement étudié 41 projets dans le domaine Web3-AI et avons classé ces projets en différentes couches. La logique de classification de chaque couche est illustrée dans le diagramme ci-dessous, comprenant la couche d'infrastructure, la couche intermédiaire et la couche d'application, chaque couche étant divisée en différents segments. Dans le chapitre suivant, nous procéderons à une analyse approfondie de certains projets représentatifs.
La couche d'infrastructure couvre les ressources de calcul et l'architecture technique qui soutiennent le fonctionnement de l'ensemble du cycle de vie de l'IA, la couche intermédiaire comprend la gestion des données, le développement de modèles et les services de validation et d'inférence qui relient l'infrastructure aux applications, tandis que la couche d'application se concentre sur les diverses applications et solutions directement destinées aux utilisateurs.
Infrastructure Layer :
La couche d'infrastructure est la base du cycle de vie de l'IA. Cet article classe la puissance de calcul, la chaîne AI et la plateforme de développement comme faisant partie de la couche d'infrastructure. C'est grâce au soutien de ces infrastructures que l'on peut réaliser l'entraînement et l'inférence des modèles d'IA et présenter aux utilisateurs des applications IA puissantes et pratiques.
Réseau de calcul décentralisé : il peut fournir une puissance de calcul distribuée pour l'entraînement des modèles d'IA, garantissant une utilisation efficace et économique des ressources de calcul. Certains projets proposent un marché de puissance de calcul décentralisé, où les utilisateurs peuvent louer de la puissance de calcul à faible coût ou partager de la puissance de calcul pour générer des revenus, avec des projets représentatifs comme IO.NET et Hyperbolic. De plus, certains projets ont dérivé de nouveaux mécanismes, comme Compute Labs, qui ont proposé un protocole tokenisé, permettant aux utilisateurs de participer de différentes manières à la location de puissance de calcul pour générer des revenus en achetant des NFT représentant des GPU physiques.
AI Chain : Utiliser la blockchain comme base du cycle de vie de l'IA, permettant une interaction fluide entre les ressources IA en ligne et hors ligne, et favorisant le développement de l'écosystème industriel. Le marché décentralisé de l'IA sur la chaîne peut échanger des actifs IA tels que des données, des modèles, des agents, etc., et fournir un cadre de développement IA ainsi que des outils de développement connexes, avec des projets représentatifs comme Sahara AI. AI Chain peut également favoriser les progrès technologiques de l'IA dans différents domaines, comme Bittensor qui stimule la concurrence entre les sous-réseaux de différents types d'IA grâce à un mécanisme d'incitation innovant.
Plateforme de développement : certains projets proposent des plateformes de développement d'agents IA, permettant également le trading d'agents IA, tels que Fetch.ai et ChainML. Des outils tout-en-un aident les développeurs à créer, entraîner et déployer plus facilement des modèles d'IA, avec des projets représentatifs comme Nimble. Ces infrastructures favorisent l'application généralisée de la technologie IA dans l'écosystème Web3.
Couche intermédiaire :
Cette couche concerne les données AI, les modèles ainsi que le raisonnement et la vérification, et l'adoption de la technologie Web3 peut permettre une efficacité de travail accrue.
De plus, certaines plateformes permettent aux experts du domaine ou aux utilisateurs ordinaires d'exécuter des tâches de prétraitement des données, telles que l'annotation d'images et la classification des données, qui peuvent nécessiter des connaissances spécialisées en matière de finance et de traitement des données juridiques. Les utilisateurs peuvent tokeniser leurs compétences pour réaliser un travail collaboratif de prétraitement des données. Des exemples incluent le marché de l'IA Sahara AI, qui propose des tâches de données dans différents domaines et peut couvrir des scénarios de données multi-domaines ; tandis que le protocole AIT annotent les données par le biais d'une collaboration homme-machine.
Certains projets permettent aux utilisateurs de fournir différents types de modèles ou de collaborer à l'entraînement de modèles par le biais de la crowdsourcing, comme Sentient qui, grâce à un design modulaire, permet aux utilisateurs de placer des données de modèles fiables dans la couche de stockage et la couche de distribution pour l'optimisation des modèles. Les outils de développement fournis par Sahara AI intègrent des algorithmes d'IA avancés et des frameworks de calcul, et possèdent la capacité d'entraînement collaboratif.
Couche d'application :
Cette couche est principalement une application destinée aux utilisateurs, combinant l'IA avec le Web3 pour créer des jeux plus intéressants et innovants. Cet article passe en revue plusieurs projets dans les domaines de l'AIGC (contenu généré par l'IA), des agents IA et de l'analyse de données.