Relatório panorâmico do setor Web3-AI: Análise profunda da lógica técnica, aplicações de cena e principais projetos

Com o aquecimento contínuo da narrativa de IA, cada vez mais atenção está concentrada neste setor. Uma análise aprofundada da lógica técnica, cenários de aplicação e projetos representativos do setor Web3-AI foi realizada, apresentando de forma abrangente o panorama e as tendências de desenvolvimento desta área.

Um, Web3-AI: Análise da Lógica Técnica e Oportunidades de Mercado Emergentes

1.1 Lógica da fusão entre Web3 e IA: como definir a pista Web-AI

No último ano, a narrativa de IA tem estado extremamente em alta na indústria Web3, com projetos de IA surgindo como cogumelos após a chuva. Embora haja muitos projetos que envolvem tecnologia de IA, alguns deles usam IA apenas em certas partes de seus produtos, e a economia de tokens subjacente não tem ligação substancial com os produtos de IA, portanto, esses projetos não fazem parte da discussão sobre projetos Web3-AI neste artigo.

O foco deste artigo está em utilizar a blockchain para resolver problemas de relações de produção e a IA para resolver problemas de produtividade. Estes projetos oferecem produtos de IA e, ao mesmo tempo, são baseados em modelos econômicos Web3 como ferramentas de relações de produção, complementando-se mutuamente. Classificamos esses projetos como parte da pista Web3-AI. Para que os leitores compreendam melhor a pista Web3-AI, vamos apresentar o processo de desenvolvimento da IA e os desafios, assim como a forma como a combinação de Web3 e IA pode solucionar problemas de maneira perfeita e criar novos cenários de aplicação.

1.2 O processo de desenvolvimento e os desafios da IA: da coleta de dados à inferência do modelo

A tecnologia de IA é uma tecnologia que permite que os computadores simulem, expandam e melhorem a inteligência humana. Ela capacita os computadores a executar várias tarefas complexas, desde tradução de linguagem, classificação de imagens até reconhecimento facial, condução autónoma e outros cenários de aplicação. A IA está a mudar a forma como vivemos e trabalhamos.

O processo de desenvolvimento de modelos de inteligência artificial geralmente inclui os seguintes passos-chave: coleta de dados e pré-processamento de dados, seleção e ajuste de modelos, treinamento e inferência de modelos. Para dar um exemplo simples, ao desenvolver um modelo para classificar imagens de gatos e cães, você precisa:

1. Coleta de dados e pré-processamento de dados: Coletar um conjunto de dados de imagens que contenha gatos e cães, podendo utilizar conjuntos de dados públicos ou coletar dados reais. Em seguida, rotular cada imagem com a categoria ( gato ou cão ), garantindo que as etiquetas estejam corretas. Converter as imagens para um formato que o modelo possa reconhecer, dividindo o conjunto de dados em conjunto de treinamento, conjunto de validação e conjunto de teste.

2. Seleção e ajuste de modelo: escolha o modelo adequado, como a Rede Neural Convolucional (CNN), que é mais adequada para tarefas de classificação de imagens. Ajuste os parâmetros ou a arquitetura do modelo conforme as diferentes necessidades; geralmente, a profundidade da rede do modelo pode ser ajustada de acordo com a complexidade da tarefa de IA. Neste simples exemplo de classificação, uma rede de profundidade menor pode ser suficiente.

3. Treinamento do modelo: pode-se usar GPU, TPU ou um cluster de computação de alto desempenho para treinar o modelo, e o tempo de treinamento é afetado pela complexidade do modelo e pela capacidade de computação.

4. Inferência do modelo: O arquivo do modelo treinado normalmente é chamado de peso do modelo. O processo de inferência refere-se ao uso de um modelo já treinado para prever ou classificar novos dados. Neste processo, pode-se utilizar um conjunto de testes ou novos dados para testar a eficácia da classificação do modelo, geralmente avaliando a eficácia do modelo através de métricas como precisão, taxa de recuperação e F1-score.

Como mostrado na figura, após a coleta de dados e pré-processamento de dados, seleção e ajuste de modelo, e treinamento, ao realizar a inferência do modelo treinado no conjunto de teste, obteremos os valores de previsão de gato e cachorro P(probability), ou seja, a probabilidade de o modelo inferir que é um gato ou um cachorro.

Modelos de IA treinados podem ser integrados em várias aplicações para executar diferentes tarefas. Neste exemplo, um modelo de IA para classificação de gatos e cães pode ser integrado numa aplicação móvel, onde os utilizadores fazem o upload de imagens de gatos ou cães e recebem os resultados da classificação.

No entanto, o processo de desenvolvimento de IA centralizada apresenta alguns problemas nos seguintes cenários:

Privacidade do usuário: em cenários centralizados, o processo de desenvolvimento da IA geralmente é opaco. Os dados dos usuários podem ser roubados sem o seu conhecimento e utilizados para o treinamento da IA.

Obtenção de fontes de dados: pequenas equipas ou indivíduos ao obter dados de áreas específicas (, como dados médicos ), podem enfrentar limitações devido à falta de abertura dos dados.

Seleção e ajuste de modelos: para pequenas equipas, é difícil obter recursos de modelos específicos ou gastar muito dinheiro na otimização de modelos.

Obtenção de poder computacional: Para desenvolvedores individuais e pequenas equipes, os altos custos de compra de GPU e as taxas de aluguel de poder computacional na nuvem podem constituir um fardo econômico significativo.

Renda de ativos de IA: trabalhadores de rotulagem de dados muitas vezes não conseguem obter uma renda que corresponda ao seu esforço, e os resultados de pesquisa dos desenvolvedores de IA também são difíceis de corresponder com compradores que têm demanda.

Os desafios existentes no cenário de IA centralizada podem ser superados através da combinação com o Web3. O Web3, como uma nova relação de produção, adapta-se naturalmente à IA, que representa uma nova força produtiva, promovendo assim o avanço simultâneo da tecnologia e da capacidade produtiva.

1.3 Web3 e a sinergia com a IA: transformação de papéis e aplicações inovadoras

A combinação de Web3 e IA pode fortalecer a soberania do usuário, oferecendo uma plataforma de colaboração de IA aberta que permite aos usuários passar de meros utilizadores da IA na era Web2 para participantes, criando uma IA que pode ser possuída por todos. Ao mesmo tempo, a fusão do mundo Web3 com a tecnologia IA pode gerar ainda mais cenários de aplicação inovadores e maneiras de interagir.

Com base na tecnologia Web3, o desenvolvimento e a aplicação da AI irão entrar em um novo sistema de economia colaborativa. A privacidade dos dados das pessoas pode ser garantida, e o modelo de crowdsourcing de dados promove o avanço dos modelos de AI, com muitos recursos de AI de código aberto disponíveis para os usuários, e o poder de computação compartilhado pode ser obtido a um custo mais baixo. Com a ajuda de um mecanismo de colaboração descentralizado e um mercado de AI aberto, é possível realizar um sistema de distribuição de renda justo, incentivando assim mais pessoas a impulsionar o avanço da tecnologia de AI.

No cenário Web3, a IA pode ter um impacto positivo em várias áreas. Por exemplo, modelos de IA podem ser integrados em contratos inteligentes para melhorar a eficiência do trabalho em diferentes cenários de aplicação, como análise de mercado, detecção de segurança, agrupamento social e diversas outras funções. A IA generativa não só permite que os usuários experimentem o papel de "artista", como criar seus próprios NFTs utilizando tecnologia de IA, mas também pode criar cenários de jogo variados e experiências interativas interessantes em GameFi. Uma infraestrutura rica oferece uma experiência de desenvolvimento fluida, e tanto especialistas em IA quanto novatos que desejam entrar no campo da IA podem encontrar uma entrada adequada neste mundo.

Dois, Interpretação do Mapa e Arquitetura do Projeto Ecossistema Web3-AI

Estudámos principalmente 41 projetos na área do Web3-AI e dividimos esses projetos em diferentes camadas. A lógica de divisão de cada camada está representada na figura abaixo, incluindo a camada de infraestrutura, a camada intermédia e a camada de aplicação, cada uma subdividida em diferentes setores. No próximo capítulo, iremos realizar uma análise profunda de alguns projetos representativos.

A camada de infraestrutura abrange os recursos computacionais e a arquitetura técnica que suportam a operação de todo o ciclo de vida da IA, a camada intermediária inclui a gestão de dados, o desenvolvimento de modelos e os serviços de verificação de raciocínio que conectam a infraestrutura às aplicações, enquanto a camada de aplicação foca em diversas aplicações e soluções voltadas diretamente para os usuários.

Camada de infraestrutura:

A camada de infraestrutura é a base do ciclo de vida da IA. Neste artigo, a capacidade de computação, a AI Chain e a plataforma de desenvolvimento são classificadas como camada de infraestrutura. É precisamente com o suporte dessas infraestruturas que se consegue treinar e inferir modelos de IA, apresentando assim aplicações de IA poderosas e úteis aos usuários.

• Rede de Computação Descentralizada: pode fornecer poder computacional distribuído para o treinamento de modelos de IA, garantindo uma utilização eficiente e econômica dos recursos computacionais. Alguns projetos oferecem um mercado de poder computacional descentralizado, onde os usuários podem alugar poder computacional a baixo custo ou compartilhar poder computacional para obter rendimentos, representados por projetos como IO.NET e Hyperbolic. Além disso, alguns projetos derivaram novas maneiras de jogar, como Compute Labs, que propuseram um protocolo tokenizado, onde os usuários podem participar do aluguel de poder computacional de diferentes maneiras para obter rendimentos, comprando NFTs que representam entidades de GPU.

• AI Chain: Utiliza a blockchain como base para o ciclo de vida da IA, permitindo a interação sem costura entre recursos de IA on-chain e off-chain, promovendo o desenvolvimento do ecossistema da indústria. O mercado descentralizado de IA na blockchain permite a negociação de ativos de IA como dados, modelos, agentes, etc., e fornece frameworks de desenvolvimento de IA e ferramentas de desenvolvimento complementares, representado pelo projeto Sahara AI. A AI Chain também pode promover o avanço das tecnologias de IA em diferentes áreas, como Bittensor, que incentiva a concorrência entre sub-redes de diferentes tipos de IA através de um mecanismo inovador de incentivo de sub-rede.

• Plataforma de desenvolvimento: alguns projetos oferecem plataformas de desenvolvimento de agentes de IA, e também é possível realizar transações com agentes de IA, como Fetch.ai e ChainML. Ferramentas de balcão único ajudam os desenvolvedores a criar, treinar e implementar modelos de IA de forma mais conveniente, representados por projetos como Nimble. Esta infraestrutura promove a ampla aplicação da tecnologia de IA no ecossistema Web3.

Camada intermédia:

Esta camada envolve dados de IA, modelos, bem como raciocínio e validação, utilizando tecnologia Web3 para alcançar maior eficiência no trabalho.

• Dados: A qualidade e a quantidade dos dados são fatores-chave que influenciam a eficácia do treinamento de modelos. No mundo Web3, através da coleta de dados colaborativa e do processamento de dados cooperativo, é possível otimizar a utilização de recursos e reduzir os custos de dados. Os usuários podem ter autonomia sobre seus dados, vendendo-os em condições de proteção de privacidade, para evitar que dados sejam roubados por empresas mal-intencionadas e que lucros excessivos sejam obtidos. Para os demandantes de dados, essas plataformas oferecem uma ampla gama de escolhas e custos extremamente baixos. Projetos representativos como Grass utilizam a largura de banda dos usuários para capturar dados da Web, xData coleta informações de mídia através de um plugin amigável ao usuário e permite que os usuários enviem informações de tweets.

Além disso, algumas plataformas permitem que especialistas de domínio ou usuários comuns executem tarefas de pré-processamento de dados, como anotação de imagens e classificação de dados. Essas tarefas podem exigir conhecimentos especializados no processamento de dados financeiros e legais. Os usuários podem tokenizar suas habilidades para realizar a colaboração em massa no pré-processamento de dados. Exemplos como o mercado de IA Sahara AI têm tarefas de dados em diferentes domínios, cobrindo cenários de dados multissetoriais; enquanto o AIT Protocol realiza a anotação de dados através de uma abordagem de colaboração homem-máquina.

• Modelo: No processo de desenvolvimento de IA mencionado anteriormente, diferentes tipos de necessidades requerem a correspondência com o modelo adequado. Modelos comuns utilizados em tarefas de imagem incluem CNN e GAN, para tarefas de detecção de objetos pode-se escolher a série Yolo, enquanto que em tarefas de texto, modelos comuns incluem RNN e Transformer, e claro, há também alguns modelos grandes específicos ou genéricos. A profundidade do modelo necessária varia conforme a complexidade da tarefa, e às vezes é preciso ajustar o modelo.

Alguns projetos suportam que os usuários forneçam diferentes tipos de modelos ou colaborem na formação de modelos através de crowdsourcing, como a Sentient que, através de um design modular, permite que os usuários coloquem dados de modelos confiáveis na camada de armazenamento e na camada de distribuição para otimização de modelos. As ferramentas de desenvolvimento fornecidas pela Sahara AI incorporam algoritmos de IA avançados e um framework de computação, além de possuírem a capacidade de formação colaborativa.

• Inferência e validação: após o treinamento, o modelo gera arquivos de pesos do modelo, que podem ser usados para classificação, previsão ou outras tarefas específicas, e esse processo é chamado de inferência. O processo de inferência geralmente é acompanhado por um mecanismo de validação, para verificar se a origem do modelo de inferência está correta, se há comportamentos maliciosos, etc. A inferência em Web3 pode geralmente ser integrada em contratos inteligentes, chamando o modelo para realizar a inferência, e as formas comuns de validação incluem tecnologias como ZKML, OPML e TEE. Projetos representativos, como o oráculo de IA na cadeia ORA ( OAO ), introduziram o OPML como uma camada verificável para o oráculo de IA, e no site oficial da ORA, também mencionaram suas pesquisas sobre a combinação de ZKML e opp/ai ( ZKML com OPML ).

Camada de Aplicação:

Esta camada é principalmente uma aplicação voltada para o usuário, combinando IA com Web3, criando mais maneiras interessantes e inovadoras de jogar. Este artigo aborda principalmente os projetos das seções de Geração de Conteúdo AIGC(, Agentes de IA e Análise de Dados.

• AIGC: através do AIGC pode-se expandir para