Relatório panorâmico do setor Web3-AI: lógica técnica, aplicações de cenários e análise profunda dos principais projetos
Com o contínuo aquecimento da narrativa de IA, cada vez mais atenção está sendo focada neste setor. Este artigo analisa profundamente a lógica técnica, os cenários de aplicação e os projetos representativos da pista Web3-AI, apresentando uma visão abrangente deste campo e das suas tendências de desenvolvimento.
Um, Web3-AI: Análise da lógica técnica e oportunidades de mercado emergentes
1.1 A lógica de fusão entre Web3 e IA: como definir a pista Web-AI
No último ano, a narrativa de IA tem estado excepcionalmente em alta na indústria Web3, com projetos de IA a surgirem como cogumelos após a chuva. Embora muitos projetos envolvam tecnologia de IA, alguns apenas utilizam IA em certas partes de seus produtos, e a economia dos tokens subjacentes não tem relação substancial com os produtos de IA; portanto, esses projetos não estão incluídos na discussão sobre projetos Web3-AI neste artigo.
O foco deste artigo está em usar blockchain para resolver problemas de relações de produção e projetos que utilizam IA para resolver problemas de produtividade. Esses projetos oferecem produtos de IA e, ao mesmo tempo, baseiam-se em modelos econômicos Web3 como ferramentas de relações de produção, que se complementam mutuamente. Classificamos esses projetos como a trilha Web3-AI. Para que os leitores compreendam melhor a trilha Web3-AI, este artigo irá apresentar o processo de desenvolvimento da IA e os desafios envolvidos, bem como como a combinação de Web3 e IA pode resolver problemas de forma 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 aumentem a inteligência humana. Ela permite que os computadores executem várias tarefas complexas, desde tradução de idiomas, classificação de imagens até reconhecimento facial e condução autónoma; 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 do modelo. Para dar um exemplo simples, ao desenvolver um modelo para classificar imagens de gatos e cães, você precisa:
Coleta de dados e pré-processamento de dados: colete um conjunto de dados de imagens que contenha gatos e cães, podendo usar conjuntos de dados públicos ou coletar dados reais. Em seguida, rotule cada imagem com a categoria (gato ou cão), garantindo que os rótulos sejam precisos. Converta as imagens para um formato que o modelo possa reconhecer e divida o conjunto de dados em conjunto de treinamento, conjunto de validação e conjunto de teste.
Seleção e ajuste do modelo: escolha um modelo apropriado, como redes neurais convolucionais (CNN), que são bastante adequadas para tarefas de classificação de imagens. Ajuste os parâmetros ou a arquitetura do modelo de acordo com diferentes necessidades; geralmente, a profundidade da rede do modelo pode ser ajustada com base na complexidade da tarefa de IA. Neste exemplo simples de classificação, uma rede de camada mais rasa pode ser suficiente.
Treinamento de modelo: pode-se usar GPU, TPU ou clusters 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.
Inferência do modelo: Os arquivos treinados do modelo são geralmente chamados de pesos 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 de classificação do modelo, geralmente avaliando a eficácia do modelo com 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, a inferência do modelo treinado no conjunto de teste resultará nos valores de predição de gato e cachorro P (probabilidade), 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 de classificação de gatos e cães pode ser integrado em uma aplicação móvel, onde os usuários carregam imagens de gatos ou cães e recebem resultados de 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 é geralmente 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 podem enfrentar limitações de não abertura de dados ao obter dados em áreas específicas (como dados médicos).
Escolha e ajuste de modelos: para pequenas equipes, é difícil obter recursos de modelo em domínios específicos ou gastar grandes custos para ajustar modelos.
Aquisição de poder de computação: para desenvolvedores individuais e pequenas equipes, o alto custo de compra de GPUs e as taxas de aluguel de poder de computação em nuvem podem representar um fardo econômico significativo.
Rendimento de ativos de IA: os trabalhadores de rotulagem de dados frequentemente não conseguem obter uma renda que corresponda ao seu esforço, enquanto os resultados de pesquisa dos desenvolvedores de IA também são difíceis de corresponder com compradores que têm demanda.
Os desafios existentes em cenários de IA centralizada podem ser superados através da combinação com o Web3, que, como uma nova relação de produção, adapta-se naturalmente à IA, que representa novas forças produtivas, promovendo assim o avanço simultâneo da tecnologia e da capacidade produtiva.
1.3 Web3 e a sinergia com a IA: mudança de papéis e aplicações inovadoras
A combinação de Web3 e IA pode aumentar a soberania do usuário, proporcionando uma plataforma de colaboração de IA aberta, permitindo que os usuários passem de meros usuários de IA da 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 também pode gerar mais cenários de aplicação inovadores e novas formas de interação.
Baseado na tecnologia Web3, o desenvolvimento e a aplicação da IA irão enfrentar um novo sistema econômico colaborativo. A privacidade dos dados das pessoas pode ser garantida, o modelo de crowdsourcing de dados promove o avanço dos modelos de IA, numerosos recursos de IA de código aberto estão disponíveis para os usuários, e a capacidade de computação compartilhada pode ser adquirida a um custo mais baixo. Com a ajuda de mecanismos de colaboração descentralizados e um mercado de IA aberto, é possível implementar um sistema de distribuição de renda justa, incentivando mais pessoas a impulsionar o avanço da tecnologia IA.
No cenário Web3, a IA pode ter um impacto positivo em várias áreas. Por exemplo, modelos de IA podem ser integrados em contratos inteligentes, melhorando a eficiência do trabalho em diferentes cenários de aplicação, como análise de mercado, detecção de segurança, agrupamento social e várias outras funções. A IA generativa não só permite que os usuários experimentem o papel de "artista", como ao usar tecnologias de IA para criar seus próprios NFTs, mas também pode criar cenários de jogos ricos e variados e experiências interativas interessantes no GameFi. Uma infraestrutura rica proporciona uma experiência de desenvolvimento fluida, permitindo que tanto especialistas em IA quanto novatos que desejam entrar no campo da IA encontrem 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 categorizámos estes projetos em diferentes níveis. A lógica de categorização de cada nível está ilustrada na imagem abaixo, incluindo o nível de infraestrutura, o nível intermédio e o nível de aplicação, sendo que cada nível é subdividido em diferentes setores. No próximo capítulo, faremos uma análise profunda de alguns projetos representativos.
A camada de infraestrutura abrange os recursos de computação e a arquitetura técnica que suportam a operação de todo o ciclo de vida da IA, enquanto a camada intermédia inclui a gestão de dados, desenvolvimento de modelos e serviços de validação e raciocínio que conectam a infraestrutura às aplicações. A camada de aplicação foca nas diversas aplicações e soluções diretamente voltadas para o utilizador.
Camada de infraestrutura:
A camada de infraestrutura é a base do ciclo de vida da IA, e este artigo classifica a capacidade de computação, a AI Chain e a plataforma de desenvolvimento como parte da camada de infraestrutura. É precisamente o suporte dessas infraestruturas que possibilita o treinamento e a inferência de modelos de IA, apresentando aos usuários aplicações de IA poderosas e práticas.
Rede de computação descentralizada: pode fornecer poder de computação distribuído para o treinamento de modelos de IA, garantindo uma utilização eficiente e econômica dos recursos de computação. Alguns projetos oferecem mercados de poder de computação descentralizados, onde os usuários podem alugar poder de computação a baixo custo ou compartilhar poder de computação para obter rendimentos, representados por projetos como IO.NET e Hyperbolic. Além disso, alguns projetos derivaram novas abordagens, como Compute Labs, que propuseram um protocolo tokenizado, permitindo que os usuários comprem NFTs que representam entidades GPU e participem de arrendamentos de poder de computação de diferentes maneiras para obter rendimentos.
AI Chain: Utiliza a blockchain como base para o ciclo de vida da IA, permitindo a interação sem costura de recursos de IA on-chain e off-chain, promovendo o desenvolvimento do ecossistema industrial. O mercado de IA descentralizado na blockchain pode negociar ativos de IA como dados, modelos, agentes, etc., e oferece uma estrutura de desenvolvimento de IA e ferramentas de desenvolvimento associadas, representado por projetos como Sahara AI. O AI Chain também pode promover o avanço da tecnologia de IA em diferentes áreas, como o Bittensor, que promove a competição de sub-redes de diferentes tipos de IA através de um mecanismo de incentivo inovador de sub-rede.
Plataforma de desenvolvimento: alguns projetos oferecem plataformas de desenvolvimento de agentes de IA, que também podem realizar transações de agentes de IA, como Fetch.ai e ChainML. Ferramentas de uma só parada ajudam os desenvolvedores a criar, treinar e implementar modelos de IA de forma mais conveniente, representadas por projetos como Nimble. Essa 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 verificação, utilizando tecnologia Web3 para alcançar uma maior profundidade de eficiência no trabalho.
Dados: A qualidade e a quantidade dos dados são fatores-chave que afetam a eficácia do treinamento do modelo. No mundo Web3, através da coleta de dados em massa e do processamento colaborativo de dados, é possível otimizar a utilização de recursos e reduzir os custos dos dados. Os usuários podem ter autonomia sobre os dados, vendendo suas próprias informações sob proteção de privacidade, para evitar que dados sejam roubados e explorados por comerciantes desonestos. Para os demandantes de dados, essas plataformas oferecem uma ampla gama de opções e custos extremamente baixos. Projetos representativos como Grass utilizam a largura de banda dos usuários para capturar dados da Web, e xData coleta informações de mídia através de um plugin amigável ao usuário, além de suportar o upload de informações de tweets pelos usuários.
Além disso, algumas plataformas permitem que especialistas em áreas ou usuários comuns executem tarefas de pré-processamento de dados, como rotulagem de imagens e classificação de dados, que podem exigir conhecimentos especializados em finanças e tarefas legais de processamento de dados. Os usuários podem tokenizar suas habilidades, realizando a colaboração em massa para o pré-processamento de dados. Representando como o mercado de IA Sahara AI, que possui tarefas de dados em diferentes áreas, podendo abranger cenários de dados multidisciplinares; enquanto o Protocolo AIT realiza a rotulagem de dados através de colaboração humano-máquina.
Modelo: No processo de desenvolvimento de IA mencionado anteriormente, diferentes tipos de requisitos precisam ser correspondidos a modelos adequados. Modelos comumente usados para tarefas de imagem, como CNN e GAN, para tarefas de detecção de objetos podem escolher a série Yolo, e para tarefas de texto, modelos comuns incluem RNN e Transformer, além de alguns modelos grandes específicos ou gerais. A profundidade do modelo necessária para tarefas de diferentes complexidades também varia, e às vezes é necessário ajustar o modelo.
Alguns projetos suportam que os usuários forneçam diferentes tipos de modelos ou colaborem no treinamento de modelos através de crowdsourcing, como o 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 estruturas de computação, e têm a capacidade de treinamento colaborativo.
Inferência e verificação: após o treinamento do modelo, um arquivo de pesos do modelo é gerado, que pode ser usado para classificação, previsão ou outras tarefas específicas, e esse processo é chamado de inferência. O processo de inferência geralmente é acompanhado por mecanismos de verificação para validar se a origem do modelo de inferência está correta e se há comportamentos maliciosos, entre outros. A inferência do Web3 pode geralmente ser integrada em contratos inteligentes, chamando o modelo para realizar a inferência, e os métodos comuns de verificação incluem tecnologias como ZKML, OPML e TEE. Projetos representativos como o oráculo de IA em 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 ZKML e opp/ai (ZKML combinado com OPML).
Camada de Aplicação:
Esta camada é principalmente um aplicativo voltado diretamente para os usuários, combinando IA com Web3 para criar maneiras mais interessantes e inovadoras de jogar. Este artigo resume os projetos em várias áreas, incluindo AIGC (Conteúdo Gerado por IA), agentes de IA e análise de dados.
Esta página pode conter conteúdos de terceiros, que são fornecidos apenas para fins informativos (sem representações/garantias) e não devem ser considerados como uma aprovação dos seus pontos de vista pela Gate, nem como aconselhamento financeiro ou profissional. Consulte a Declaração de exoneração de responsabilidade para obter mais informações.
9 gostos
Recompensa
9
5
Partilhar
Comentar
0/400
GasFeeSobber
· 5h atrás
Então, a IA realmente tem algo de verdadeiro...
Ver originalResponder0
LightningLady
· 5h atrás
É só fazer uma fusão rígida, de qualquer forma os investidores não conseguem entender.
Ver originalResponder0
AltcoinAnalyst
· 5h atrás
Do ponto de vista dos dados e dos indicadores técnicos, 74% dos projetos Web3 estão a aproveitar o conceito de IA, a distribuição do TVL apresenta uma assimetria à esquerda... recomenda-se uma análise rigorosa da coerência do modelo econômico dos Tokens, e ter cuidado com projetos de IA falsos.
Ver originalResponder0
RektCoaster
· 5h atrás
Outro projeto de web3 que está apenas a fazer as pessoas de parvas com a IA.
Panorama da pista Web3-AI: Análise profunda da lógica de fusão tecnológica e dos principais projetos
Relatório panorâmico do setor Web3-AI: lógica técnica, aplicações de cenários e análise profunda dos principais projetos
Com o contínuo aquecimento da narrativa de IA, cada vez mais atenção está sendo focada neste setor. Este artigo analisa profundamente a lógica técnica, os cenários de aplicação e os projetos representativos da pista Web3-AI, apresentando uma visão abrangente deste campo e das suas tendências de desenvolvimento.
Um, Web3-AI: Análise da lógica técnica e oportunidades de mercado emergentes
1.1 A lógica de fusão entre Web3 e IA: como definir a pista Web-AI
No último ano, a narrativa de IA tem estado excepcionalmente em alta na indústria Web3, com projetos de IA a surgirem como cogumelos após a chuva. Embora muitos projetos envolvam tecnologia de IA, alguns apenas utilizam IA em certas partes de seus produtos, e a economia dos tokens subjacentes não tem relação substancial com os produtos de IA; portanto, esses projetos não estão incluídos na discussão sobre projetos Web3-AI neste artigo.
O foco deste artigo está em usar blockchain para resolver problemas de relações de produção e projetos que utilizam IA para resolver problemas de produtividade. Esses projetos oferecem produtos de IA e, ao mesmo tempo, baseiam-se em modelos econômicos Web3 como ferramentas de relações de produção, que se complementam mutuamente. Classificamos esses projetos como a trilha Web3-AI. Para que os leitores compreendam melhor a trilha Web3-AI, este artigo irá apresentar o processo de desenvolvimento da IA e os desafios envolvidos, bem como como a combinação de Web3 e IA pode resolver problemas de forma 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 aumentem a inteligência humana. Ela permite que os computadores executem várias tarefas complexas, desde tradução de idiomas, classificação de imagens até reconhecimento facial e condução autónoma; 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 do modelo. Para dar um exemplo simples, ao desenvolver um modelo para classificar imagens de gatos e cães, você precisa:
Coleta de dados e pré-processamento de dados: colete um conjunto de dados de imagens que contenha gatos e cães, podendo usar conjuntos de dados públicos ou coletar dados reais. Em seguida, rotule cada imagem com a categoria (gato ou cão), garantindo que os rótulos sejam precisos. Converta as imagens para um formato que o modelo possa reconhecer e divida o conjunto de dados em conjunto de treinamento, conjunto de validação e conjunto de teste.
Seleção e ajuste do modelo: escolha um modelo apropriado, como redes neurais convolucionais (CNN), que são bastante adequadas para tarefas de classificação de imagens. Ajuste os parâmetros ou a arquitetura do modelo de acordo com diferentes necessidades; geralmente, a profundidade da rede do modelo pode ser ajustada com base na complexidade da tarefa de IA. Neste exemplo simples de classificação, uma rede de camada mais rasa pode ser suficiente.
Treinamento de modelo: pode-se usar GPU, TPU ou clusters 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.
Inferência do modelo: Os arquivos treinados do modelo são geralmente chamados de pesos 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 de classificação do modelo, geralmente avaliando a eficácia do modelo com 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, a inferência do modelo treinado no conjunto de teste resultará nos valores de predição de gato e cachorro P (probabilidade), 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 de classificação de gatos e cães pode ser integrado em uma aplicação móvel, onde os usuários carregam imagens de gatos ou cães e recebem resultados de 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 é geralmente 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 podem enfrentar limitações de não abertura de dados ao obter dados em áreas específicas (como dados médicos).
Escolha e ajuste de modelos: para pequenas equipes, é difícil obter recursos de modelo em domínios específicos ou gastar grandes custos para ajustar modelos.
Aquisição de poder de computação: para desenvolvedores individuais e pequenas equipes, o alto custo de compra de GPUs e as taxas de aluguel de poder de computação em nuvem podem representar um fardo econômico significativo.
Rendimento de ativos de IA: os trabalhadores de rotulagem de dados frequentemente não conseguem obter uma renda que corresponda ao seu esforço, enquanto os resultados de pesquisa dos desenvolvedores de IA também são difíceis de corresponder com compradores que têm demanda.
Os desafios existentes em cenários de IA centralizada podem ser superados através da combinação com o Web3, que, como uma nova relação de produção, adapta-se naturalmente à IA, que representa novas forças produtivas, promovendo assim o avanço simultâneo da tecnologia e da capacidade produtiva.
1.3 Web3 e a sinergia com a IA: mudança de papéis e aplicações inovadoras
A combinação de Web3 e IA pode aumentar a soberania do usuário, proporcionando uma plataforma de colaboração de IA aberta, permitindo que os usuários passem de meros usuários de IA da 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 também pode gerar mais cenários de aplicação inovadores e novas formas de interação.
Baseado na tecnologia Web3, o desenvolvimento e a aplicação da IA irão enfrentar um novo sistema econômico colaborativo. A privacidade dos dados das pessoas pode ser garantida, o modelo de crowdsourcing de dados promove o avanço dos modelos de IA, numerosos recursos de IA de código aberto estão disponíveis para os usuários, e a capacidade de computação compartilhada pode ser adquirida a um custo mais baixo. Com a ajuda de mecanismos de colaboração descentralizados e um mercado de IA aberto, é possível implementar um sistema de distribuição de renda justa, incentivando mais pessoas a impulsionar o avanço da tecnologia IA.
No cenário Web3, a IA pode ter um impacto positivo em várias áreas. Por exemplo, modelos de IA podem ser integrados em contratos inteligentes, melhorando a eficiência do trabalho em diferentes cenários de aplicação, como análise de mercado, detecção de segurança, agrupamento social e várias outras funções. A IA generativa não só permite que os usuários experimentem o papel de "artista", como ao usar tecnologias de IA para criar seus próprios NFTs, mas também pode criar cenários de jogos ricos e variados e experiências interativas interessantes no GameFi. Uma infraestrutura rica proporciona uma experiência de desenvolvimento fluida, permitindo que tanto especialistas em IA quanto novatos que desejam entrar no campo da IA encontrem 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 categorizámos estes projetos em diferentes níveis. A lógica de categorização de cada nível está ilustrada na imagem abaixo, incluindo o nível de infraestrutura, o nível intermédio e o nível de aplicação, sendo que cada nível é subdividido em diferentes setores. No próximo capítulo, faremos uma análise profunda de alguns projetos representativos.
A camada de infraestrutura abrange os recursos de computação e a arquitetura técnica que suportam a operação de todo o ciclo de vida da IA, enquanto a camada intermédia inclui a gestão de dados, desenvolvimento de modelos e serviços de validação e raciocínio que conectam a infraestrutura às aplicações. A camada de aplicação foca nas diversas aplicações e soluções diretamente voltadas para o utilizador.
Camada de infraestrutura:
A camada de infraestrutura é a base do ciclo de vida da IA, e este artigo classifica a capacidade de computação, a AI Chain e a plataforma de desenvolvimento como parte da camada de infraestrutura. É precisamente o suporte dessas infraestruturas que possibilita o treinamento e a inferência de modelos de IA, apresentando aos usuários aplicações de IA poderosas e práticas.
Rede de computação descentralizada: pode fornecer poder de computação distribuído para o treinamento de modelos de IA, garantindo uma utilização eficiente e econômica dos recursos de computação. Alguns projetos oferecem mercados de poder de computação descentralizados, onde os usuários podem alugar poder de computação a baixo custo ou compartilhar poder de computação para obter rendimentos, representados por projetos como IO.NET e Hyperbolic. Além disso, alguns projetos derivaram novas abordagens, como Compute Labs, que propuseram um protocolo tokenizado, permitindo que os usuários comprem NFTs que representam entidades GPU e participem de arrendamentos de poder de computação de diferentes maneiras para obter rendimentos.
AI Chain: Utiliza a blockchain como base para o ciclo de vida da IA, permitindo a interação sem costura de recursos de IA on-chain e off-chain, promovendo o desenvolvimento do ecossistema industrial. O mercado de IA descentralizado na blockchain pode negociar ativos de IA como dados, modelos, agentes, etc., e oferece uma estrutura de desenvolvimento de IA e ferramentas de desenvolvimento associadas, representado por projetos como Sahara AI. O AI Chain também pode promover o avanço da tecnologia de IA em diferentes áreas, como o Bittensor, que promove a competição de sub-redes de diferentes tipos de IA através de um mecanismo de incentivo inovador de sub-rede.
Plataforma de desenvolvimento: alguns projetos oferecem plataformas de desenvolvimento de agentes de IA, que também podem realizar transações de agentes de IA, como Fetch.ai e ChainML. Ferramentas de uma só parada ajudam os desenvolvedores a criar, treinar e implementar modelos de IA de forma mais conveniente, representadas por projetos como Nimble. Essa 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 verificação, utilizando tecnologia Web3 para alcançar uma maior profundidade de eficiência no trabalho.
Além disso, algumas plataformas permitem que especialistas em áreas ou usuários comuns executem tarefas de pré-processamento de dados, como rotulagem de imagens e classificação de dados, que podem exigir conhecimentos especializados em finanças e tarefas legais de processamento de dados. Os usuários podem tokenizar suas habilidades, realizando a colaboração em massa para o pré-processamento de dados. Representando como o mercado de IA Sahara AI, que possui tarefas de dados em diferentes áreas, podendo abranger cenários de dados multidisciplinares; enquanto o Protocolo AIT realiza a rotulagem de dados através de colaboração humano-máquina.
Alguns projetos suportam que os usuários forneçam diferentes tipos de modelos ou colaborem no treinamento de modelos através de crowdsourcing, como o 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 estruturas de computação, e têm a capacidade de treinamento colaborativo.
Camada de Aplicação:
Esta camada é principalmente um aplicativo voltado diretamente para os usuários, combinando IA com Web3 para criar maneiras mais interessantes e inovadoras de jogar. Este artigo resume os projetos em várias áreas, incluindo AIGC (Conteúdo Gerado por IA), agentes de IA e análise de dados.