Веб3-AI трек в целом: анализ технической интеграции, сценариев применения и ведущих проектов

Обзор сектора Web3-AI: глубокий анализ технологической логики, сценарных приложений и топовых проектов

С ростом интереса к AI-нарративу все больше внимания уделяется этой области. Мы глубоко проанализировали техническую логику, сценарии применения и представительные проекты в области Web3-AI, чтобы全面 представить вам панораму и тенденции развития этой сферы.

Один. Web3-AI: анализ технической логики и новых рыночных возможностей

1.1 Логика слияния Web3 и ИИ: как определить трассу Web-AI

За последний год AI-нарратив в индустрии Web3 стал исключительно популярным, и AI-проекты появляются как грибы после дождя. Хотя многие проекты связаны с AI-технологиями, некоторые из них используют AI только в определенных частях своих продуктов, а базовая токеномика не имеет существенной связи с AI-продуктами, поэтому такие проекты не будут обсуждаться в данной статье о Web3-AI проектах.

Основное внимание в данной статье уделяется проектам, которые используют блокчейн для решения проблем производственных отношений, а ИИ - для решения проблем производительных сил; эти проекты сами по себе предлагают ИИ-продукты и одновременно основаны на экономической модели Web3 как инструмента производственных отношений, оба аспекта взаимодополняют друг друга. Мы классифицируем такие проекты как направление Web3-AI. Для того чтобы читатели лучше поняли направление Web3-AI, будет подробно представлено развитие и вызовы ИИ, а также то, как сочетание Web3 и ИИ идеально решает проблемы и создает новые сценарии применения.

1.2 Процесс разработки ИИ и его вызовы: от сбора данных до вывода модели

Технология ИИ — это технология, позволяющая компьютерам моделировать, расширять и усиливать человеческий интеллект. Она позволяет компьютерам выполнять различные сложные задачи, от перевода языков, классификации изображений до распознавания лиц и автономного вождения, ИИ меняет способы нашей жизни и работы.

Процесс разработки моделей искусственного интеллекта обычно включает в себя несколько ключевых этапов: сбор данных и предварительная обработка данных, выбор и настройка модели, обучение модели и вывод. В качестве простого примера, для разработки модели, которая позволяет классифицировать изображения кошек и собак, вам нужно:

  1. Сбор данных и предобработка данных: соберите набор изображений, содержащий кошек и собак, можно использовать открытые наборы данных или самостоятельно собрать реальные данные. Затем аннотируйте каждое изображение с классом ( кошка или собака ), убедитесь, что метки точны. Преобразуйте изображения в формат, который может распознать модель, разделите набор данных на обучающий набор, валидационный набор и тестовый набор.

  2. Выбор и настройка модели: выберите подходящую модель, например, свёрточную нейронную сеть (CNN), которая лучше всего подходит для задач классификации изображений. Настройте параметры или архитектуру модели в зависимости от различных требований; как правило, уровни сети модели можно регулировать в зависимости от сложности AI задачи. В этом простом примере классификации может быть достаточно более поверхностных уровней сети.

  3. Обучение модели: можно использовать GPU, TPU или высокопроизводительные вычислительные кластеры для обучения модели, время обучения зависит от сложности модели и вычислительных возможностей.

  4. Модельное вывод: Файл, в котором обучена модель, обычно называется весами модели. Процесс вывода относится к использованию уже обученной модели для предсказания или классификации новых данных. В этом процессе можно использовать тестовый набор или новые данные для проверки эффективности классификации модели, обычно оцениваемой по таким показателям, как точность, полнота, F1-score и т.д.

Как показано на рисунке, после сбора данных и предварительной обработки данных, выбора и настройки модели, а также обучения, применение обученной модели на тестовом наборе данных приведет к получению предсказанных значений для кошек и собак P(вероятность), то есть вероятность того, что модель сделает вывод о том, что это кошка или собака.

Web3-AI Состояние рынка: техническая логика, сценарные приложения и глубокий анализ топовых проектов

Обученная модель ИИ может быть дополнительно интегрирована в различные приложения для выполнения различных задач. В этом примере модель ИИ для классификации кошек и собак может быть интегрирована в мобильное приложение, где пользователи загружают фотографии кошек или собак и получают результат классификации.

Однако централизованный процесс разработки ИИ имеет некоторые проблемы в следующих сценариях:

Пользовательская конфиденциальность: в централизованных сценариях процесс разработки ИИ обычно непрозрачен. Данные пользователей могут быть украдены без их ведома и использованы для обучения ИИ.

Получение источника данных: небольшие команды или отдельные лица, получающие данные в определенной области, такие как медицинские данные (, могут столкнуться с ограничениями на использование закрытых данных.

Выбор и настройка модели: для небольших команд сложно получить ресурсы моделей в определенной области или потратить значительные средства на настройку модели.

Получение вычислительной мощности: высокая стоимость покупки GPU и аренды облачной вычислительной мощности может стать значительным экономическим бременем для индивидуальных разработчиков и небольших команд.

AI активы доход: работники по аннотированию данных часто не могут получить доход, соответствующий их усилиям, а результаты исследований разработчиков AI также трудно сопоставить с покупателями, которым это нужно.

Вызовы, существующие в централизованных AI-сценариях, могут быть преодолены через интеграцию с Web3. Web3, как новая форма производственных отношений, естественно адаптируется к AI, представляющему новую производительную силу, что способствует одновременному прогрессу технологий и производственных мощностей.

) 1.3 Синергия Web3 и ИИ: изменение ролей и инновационные приложения

Слияние Web3 и ИИ может усилить суверенитет пользователей, предоставляя открыту платформу для сотрудничества с ИИ, позволяя пользователям перейти от роли пользователей ИИ в эпоху Web2 к участникам, создавая ИИ, которым могут владеть все. В то же время, интеграция мира Web3 и технологий ИИ может привести к появлению большего количества инновационных сценариев применения и игровых механик.

На основе технологии Web3 разработка и применение AI встретят новую систему кооперативной экономики. Приватность данных людей может быть защищена, модель краудсорсинга данных способствует прогрессу AI моделей, множество открытых ресурсов AI доступны для пользователей, совместимые вычислительные мощности могут быть получены по низкой цене. С помощью децентрализованного механизма кооперативного краудсорсинга и открытого рынка AI можно реализовать справедливую систему распределения доходов, что, в свою очередь, стимулирует больше людей к продвижению прогресса технологий AI.

В сцене Web3 ИИ может оказать положительное влияние в нескольких областях. Например, модели ИИ могут быть интегрированы в смарт-контракты, чтобы повысить рабочую эффективность в различных приложениях, таких как рыночный анализ, безопасность, социальная кластеризация и многие другие функции. Генеративный ИИ позволяет пользователям попробовать себя в роли "артиста", например, создавая свои собственные NFT с помощью технологий ИИ, а также создавать разнообразные игровые сцены и интересные интерактивные опыты в GameFi. Разнообразная инфраструктура обеспечивает плавный процесс разработки, и как эксперты в области ИИ, так и новички, желающие войти в эту сферу, могут найти подходящий вход в этом мире.

Два, Интерпретация структуры и карты экосистемы проектов Web3-AI

Мы в основном изучили 41 проект в области Web3-AI и разделили эти проекты на разные уровни. Логика разделения каждого уровня показана на следующем рисунке, включая уровень инфраструктуры, промежуточный уровень и уровень приложений, каждый из которых дополнительно делится на разные секции. В следующей главе мы проведем Глубина анализ некоторых представительных проектов.

![Web3-AI Секторный обзор: Техническая логика, сценарные приложения и глубокий анализ ведущих проектов]###https://img-cdn.gateio.im/webp-social/moments-c10336df2eaf71062b92590bb9d80a4c.webp(

Уровень инфраструктуры охватывает вычислительные ресурсы и технологическую архитектуру, поддерживающие весь жизненный цикл ИИ, тогда как промежуточный уровень включает в себя управление данными, разработку моделей и услуги верификации и вывода, соединяющие инфраструктуру и приложения. Уровень приложений сосредоточен на различных приложениях и решениях, напрямую ориентированных на пользователей.

Инфраструктурный уровень:

Инфраструктурный слой является основой жизненного цикла ИИ. В этой статье вычислительная мощность, AI Chain и платформа разработки классифицируются как инфраструктурный слой. Именно благодаря поддержке этой инфраструктуры становится возможным обучение и вывод моделей ИИ, а также предоставление пользователю мощных и практичных приложений ИИ.

  • Децентрализованная вычислительная сеть: может предоставить распределенные вычислительные мощности для обучения ИИ моделей, обеспечивая эффективное и экономичное использование вычислительных ресурсов. Некоторые проекты предлагают децентрализованные рынки вычислительных мощностей, где пользователи могут арендовать мощности по низким ценам или делиться мощностями для получения дохода, такие проекты, как IO.NET и Hyperbolic. Кроме того, некоторые проекты разработали новые игровые механики, такие как Compute Labs, которые предложили токенизированные протоколы, позволяя пользователям участвовать в аренде вычислительных мощностей различными способами, покупая NFT, представляющие физические GPU.

  • AI Chain: Использование блокчейна в качестве основы для жизненного цикла ИИ, что позволяет осуществлять бесшовное взаимодействие ресурсов ИИ на цепи и вне ее, способствуя развитию экосистемы отрасли. Децентрализованный рынок ИИ на цепи позволяет торговать активами ИИ, такими как данные, модели, агенты и т.д., и предоставляет рамки для разработки ИИ и сопутствующие инструменты разработки, такими как проект Sahara AI. AI Chain также может способствовать прогрессу технологий ИИ в различных областях, например, Bittensor способствует конкуренции различных типов подсетей ИИ через инновационный механизм стимулов для подсетей.

  • Платформа разработки: некоторые проекты предлагают платформы для разработки AI-агентов, а также могут реализовать торговлю AI-агентами, такие как Fetch.ai и ChainML. Удобные инструменты помогают разработчикам проще создавать, обучать и развертывать AI-модели, такими проектами, как Nimble. Эти инфраструктуры способствуют широкому применению технологий AI в экосистеме Web3.

Посреднический слой:

Этот уровень касается данных AI, моделей, а также вывода и верификации, использование технологий Web3 может обеспечить более высокую эффективность работы.

  • Данные: Качество и количество данных являются ключевыми факторами, влияющими на эффективность обучения модели. В мире Web3, благодаря краудсорсинговым данным и совместной обработке данных, можно оптимизировать использование ресурсов и снизить затраты на данные. Пользователи могут обладать автономией над данными, продавая свои данные в условиях защиты конфиденциальности, чтобы избежать кражи данных и получения высоких прибылей недобросовестными торговцами. Для сторон, нуждающихся в данных, эти платформы предлагают широкий выбор и крайне низкие затраты. Примеры проектов, таких как Grass, используют пропускную способность пользователей для сбора веб-данных, xData собирает медиаподробности с помощью удобного для пользователя плагина и поддерживает загрузку пользователями информации о твитах.

Кроме того, некоторые платформы позволяют экспертам в своей области или обычным пользователям выполнять задачи предварительной обработки данных, такие как аннотация изображений и классификация данных. Эти задачи могут требовать специализированных знаний для обработки данных в финансовой и правовой сферах. Пользователи могут токенизировать свои навыки, чтобы реализовать краудсорсинг для предварительной обработки данных. Представленный, например, на AI-рынке Sahara AI, с различными задачами данных в разных областях, может охватывать многообразные сценарии обработки данных; в то время как AIT Protocolt выполняет аннотацию данных с помощью человеческо-машинного взаимодействия.

  • Модель: В ранее упомянутом процессе разработки AI разные типы требований требуют соответствующих моделей. Модели, часто используемые для задач обработки изображений, такие как CNN, GAN; для задач обнаружения объектов можно выбрать серию Yolo; для текстовых задач распространены такие модели, как RNN, Transformer и, конечно, есть также некоторые специфические или универсальные большие модели. Модель Глубина также различается в зависимости от сложности задач, иногда требуется настройка модели.

Некоторые проекты поддерживают пользователей, предоставляющих различные типы моделей или сотрудничество по обучению моделей через краудсорсинг, такие как Sentient, который с помощью модульного дизайна позволяет пользователям размещать надежные данные моделей на уровне хранения и распределения для оптимизации моделей. Инструменты разработки, предоставляемые Sahara AI, встроены с современными алгоритмами ИИ и вычислительными фреймворками и обладают возможностью совместного обучения.

  • Вывод и верификация: после обучения модель генерирует файлы весов модели, которые можно использовать для прямой классификации, прогнозирования или других конкретных задач, этот процесс называется выводом. Процесс вывода обычно сопровождается механизмом верификации, чтобы проверить, правильно ли происхождение модели вывода, есть ли злонамеренные действия и т. д. Вывод в Web3 обычно может быть интегрирован в смарт-контракты, вызывая модель для выполнения вывода, распространенными методами верификации являются технологии ZKML, OPML и TEE. Примером проекта является ORA, на которой AI оракул )OAO(, который вводит OPML в качестве проверяемого уровня AI оракула, а на официальном сайте ORA также упоминается их исследование о сочетании ZKML и opp/ai)ZKML с OPML(.

Уровень приложения:

Этот уровень в основном представляет собой приложения, ориентированные непосредственно на пользователя, объединяющие ИИ и Web3, создавая больше интересных и инновационных способов. В данной статье в основном рассматриваются проекты в таких областях, как AIGC)AI Генерация контента(, ИИ-агенты и аналитика данных.

  • AIGC: через AIGC можно расширить до
SAHARA3.82%
Посмотреть Оригинал
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
  • Награда
  • 7
  • Поделиться
комментарий
0/400
TianyaGuyueSwordvip
· 07-25 06:57
Твоя мама умерла
Посмотреть ОригиналОтветить0
NewPumpamentalsvip
· 07-25 00:27
Рынок снова стал одержим web3ai.
Посмотреть ОригиналОтветить0
CoconutWaterBoyvip
· 07-25 00:26
Да хватит уже, снова ловушка Аирдроп.
Посмотреть ОригиналОтветить0
AirdropHunter007vip
· 07-25 00:23
неудачники должны быть осторожны, ИИ - это машина для распродажи неудачников
Посмотреть ОригиналОтветить0
ImpermanentSagevip
· 07-25 00:20
неудачники太多了 又要忽悠 разыгрывайте людей как лохов一波啊
Посмотреть ОригиналОтветить0
TrustMeBrovip
· 07-25 00:17
Раньше говорили, как плохо, а теперь падение какое ужасное.
Посмотреть ОригиналОтветить0
StealthMoonvip
· 07-25 00:15
Трек стал популярен, но нужно быть осторожными с пузырем.
Посмотреть ОригиналОтветить0
  • Закрепить