Панорамный отчет по Web3-AI: Техническая логика, сценарные приложения и глубокий анализ ведущих проектов
С ростом интереса к AI нарративам всё больше внимания сосредоточено на этой области. В данной статье проводится глубокий анализ технической логики, применяемых сценариев и представительных проектов в области Web3-AI, чтобы полностью представить вам панораму и тенденции развития в этой сфере.
Один. Web3-AI: анализ технической логики и возможностей новых рынков
1.1 Логика слияния Web3 и ИИ: как определить трассу Web-AI
В прошлом году AI-нарративы стали необычайно популярными в индустрии Web3, и проекты AI появились как грибы после дождя. Хотя многие проекты связаны с технологиями AI, некоторые из них используют AI только в определенных частях своих продуктов, а базовая токеномика не имеет существенной связи с продуктами AI, поэтому такие проекты не будут обсуждаться в данной статье как проекты Web3-AI.
Основное внимание в этой статье уделяется проектам, которые используют блокчейн для решения проблем производственных отношений и ИИ для решения проблем производительных сил. Эти проекты сами предлагают ИИ-продукты и основаны на экономической модели Web3 в качестве инструмента производственных отношений, что взаимодополняет друг друга. Мы классифицируем такие проекты как трек Web3-AI. Чтобы читатели лучше поняли трек Web3-AI, в статье будет подробно рассмотрен процесс разработки ИИ и его вызовы, а также то, как сочетание Web3 и ИИ идеально решает проблемы и создает новые сценарии применения.
1.2 Процесс разработки ИИ и вызовы: от сбора данных до вывода модели
Технология ИИ — это технология, позволяющая компьютерам имитировать, расширять и улучшать человеческий интеллект. Она позволяет компьютерам выполнять различные сложные задачи, от перевода языка, классификации изображений до распознавания лиц, автопилотирования и других приложений, ИИ меняет наши способы жизни и работы.
Процесс разработки моделей искусственного интеллекта обычно включает в себя несколько ключевых этапов: сбор данных и предобработка данных, выбор и настройка модели, обучение модели и вывод. Приведем простой пример: чтобы разработать модель для классификации изображений кошек и собак, вам потребуется:
Сбор данных и предварительная обработка данных: соберите набор данных изображений, содержащий кошек и собак, можно использовать открытые наборы данных или самостоятельно собрать реальные данные. Затем обозначьте категорию (кошка или собака) для каждого изображения, убедившись, что метки точны. Преобразуйте изображения в формат, который может распознать модель, разделите набор данных на обучающую выборку, валидационную выборку и тестовую выборку.
Выбор модели и ее настройка: выберите подходящую модель, такую как сверточная нейронная сеть (CNN), которая хорошо подходит для задач классификации изображений. Настраивайте параметры или архитектуру модели в зависимости от различных требований; как правило, уровни сети модели можно настраивать в зависимости от сложности задачи ИИ. В этом простом примере классификации может быть достаточно более простой сети.
Обучение модели: можно использовать GPU, TPU или кластеры высокопроизводительных вычислений для обучения модели; время обучения зависит от сложности модели и вычислительной мощности.
Моделирование вывода: Файлы, в которых обучена модель, обычно называются весами модели. Процесс вывода относится к процессу использования 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-меры и т.д.
На рисунке показано, что после сбора данных, предварительной обработки данных, выбора модели и оптимизации, а также обучения, полученную модель можно использовать для вывода на тестовом наборе данных, чтобы получить предсказанные значения для кошек и собак P (вероятность), то есть вероятность того, что модель выводит, что это кошка или собака.
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 результаты 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 данных из источников: небольшие команды или индивидуумы могут столкнуться с ограничениями на получение открытых данных в определенных областях (например, медицинских данных).
Выбор и настройка модели: для небольших команд трудно получить ресурсы моделей в определенной области или потратить большие средства на настройку модели.
Получение вычислительной мощности: для индивидуальных разработчиков и небольших команд высокая стоимость покупки GPU и аренды облачной вычислительной мощности могут составлять значительное экономическое бремя.
AI активы доход: работники по разметке данных часто не могут получить доход, соответствующий их усилиям, а результаты исследований разработчиков AI также трудно сопоставить с покупателями, которые имеют потребность.
Вызовы, существующие в централизованных сценариях ИИ, могут быть решены путем интеграции с Web3. Web3, как новая форма производственных отношений, естественно адаптируется к ИИ, представляющему новую производительность, тем самым способствуя одновременному прогрессу технологий и производственных мощностей.
1.3 Взаимодействие Web3 и ИИ: изменения ролей и инновационные приложения
Сочетание Web3 и ИИ может усилить суверенитет пользователей, предоставляя открытые платформы для сотрудничества в области ИИ, позволяя пользователям из эпохи Web2 стать участниками и создавать ИИ, которым могут владеть все. В то же время, интеграция мира Web3 и технологий ИИ может привести к возникновению более инновационных приложений и игровых сценариев.
На основе технологии Web3 разработка и применение ИИ вступят в новую эру совместной экономической системы. Конфиденциальность данных людей будет гарантирована, модель краудсорсинга данных будет способствовать прогрессу ИИ-моделей, множество открытых ресурсов ИИ будет доступно пользователям, а общая вычислительная мощность можно будет получить по низкой цене. С помощью децентрализованной механики краудсорсинга и открытого ИИ-рынка можно реализовать справедливую систему распределения доходов, что, в свою очередь, будет стимулировать больше людей к продвижению технологий ИИ.
В сценах Web3 ИИ может оказать положительное влияние в нескольких областях. Например, ИИ модели могут быть интегрированы в смарт-контракты, чтобы повысить эффективность работы в различных приложениях, таких как рыночный анализ, безопасность, социальная кластеризация и множество других функций. Генеративный ИИ не только позволяет пользователям испытать роль "художника", создавая свои собственные NFT с использованием ИИ технологий, но также может создавать разнообразные игровые сценарии и интересные взаимодействия в GameFi. Разнообразная инфраструктура обеспечивает плавный опыт разработки, и как эксперты в области ИИ, так и новички, желающие войти в область ИИ, могут найти подходящий вход в этом мире.
Два, Интерпретация экосистемы Web3-AI и архитектуры проектов
Мы в основном исследовали 41 проект в области Web3-AI и разделили эти проекты на разные уровни. Логика разделения каждого уровня показана на следующем рисунке, включая уровень инфраструктуры, средний уровень и уровень приложений, каждый из которых делится на разные сегменты. В следующей главе мы проведем глубокий анализ некоторых представительных проектов.
Уровень инфраструктуры охватывает вычислительные ресурсы и технологическую архитектуру, поддерживающие весь жизненный цикл ИИ, промежуточный уровень включает управление данными, разработку моделей и услуги по валидации и выводу, соединяющие инфраструктуру и приложения, тогда как уровень приложений сосредоточен на различных приложениях и решениях, непосредственно ориентированных на пользователей.
Инфраструктурный уровень:
Инфраструктурный слой является основой жизненного цикла ИИ, в этой статье вычислительная мощность, AI Chain и платформы разработки классифицируются как инфраструктурный слой. Именно поддержка этих инфраструктур позволяет осуществлять обучение и вывод моделей ИИ, а также предоставлять пользователям мощные и практичные ИИ-приложения.
Децентрализованная вычислительная сеть: может предоставить распределенные вычислительные мощности для обучения AI моделей, обеспечивая эффективное и экономичное использование вычислительных ресурсов. Некоторые проекты предлагают децентрализованный рынок вычислительных мощностей, где пользователи могут арендовать вычислительные мощности с низкими затратами или делиться мощностями для получения прибыли, такие как IO.NET и Hyperbolic. Кроме того, некоторые проекты предложили новые способы использования, такие как Compute Labs, которые представили токенизированный протокол, позволяющий пользователям участвовать в аренде вычислительных мощностей различными способами через покупку NFT, представляющих физические GPU.
AI Chain: Использование блокчейна в качестве основы для жизненного цикла ИИ, что обеспечивает бесшовное взаимодействие ресурсов ИИ на цепочке и вне ее, способствуя развитию экосистемы отрасли. Децентрализованный рынок ИИ на цепочке может торговать активами ИИ, такими как данные, модели, агенты и т.д., а также предоставляет фреймворк для разработки ИИ и сопутствующие инструменты разработки, примеры проектов включают Sahara AI. AI Chain также может способствовать прогрессу технологий ИИ в различных областях, таких как Bittensor, который стимулирует конкуренцию между подсетями различных типов ИИ с помощью инновационного механизма стимуляции подсетей.
Платформа разработки: некоторые проекты предлагают платформу разработки AI-агентов, а также могут осуществлять сделки с AI-агентами, такие как Fetch.ai и ChainML и др. Универсальные инструменты помогают разработчикам более удобно создавать, обучать и разворачивать AI-модели, такие как Nimble. Эта инфраструктура содействует широкому применению технологий AI в экосистеме Web3.
Промежуточный слой:
Этот уровень касается данных AI, моделей, а также вывода и валидации, использование технологий Web3 может обеспечить более высокую рабочую эффективность.
Данные: Качество и количество данных являются ключевыми факторами, влияющими на эффективность обучения модели. В мире Web3 через краудсорсинг данных и совместную обработку данных можно оптимизировать использование ресурсов и снизить затраты на данные. Пользователи могут обладать правами на данные и продавать свои данные с соблюдением конфиденциальности, чтобы избежать кражи данных недобросовестными компаниями и получения высоких прибылей. Для потребителей данных эти платформы предлагают широкий выбор и очень низкие затраты. Примеры проектов, таких как Grass, используют пропускную способность пользователей для сбора веб-данных, xData собирает медиаинформацию с помощью удобного плагина и поддерживает загрузку пользователями информации о твитах.
Кроме того, некоторые платформы позволяют экспертам в области или обычным пользователям выполнять задачи предварительной обработки данных, такие как аннотирование изображений и классификация данных, которые могут требовать специализированных знаний для обработки финансовых и юридических задач. Пользователи могут токенизировать свои навыки и реализовать сотрудничество по краудсорсингу предварительной обработки данных. Представляет собой рынок ИИ, такой как Sahara AI, который охватывает различные задачи данных в разных областях и может покрывать многопрофильные сценарии данных; в то время как AIT Protocol аннотирует данные с помощью человеческо-машинного взаимодействия.
Модель: В процессе разработки ИИ, о котором упоминалось ранее, различные типы требований требуют соответствующих моделей. Модели, часто используемые для задач с изображениями, такие как CNN и GAN, для задач обнаружения объектов можно выбрать серию Yolo, а для текстовых задач распространены модели RNN, Transformer и другие, конечно, существуют и некоторые специфические или универсальные большие модели. Для задач различной сложности требуется разная Глубина моделей, иногда необходимо настраивать модели.
Некоторые проекты поддерживают пользователей в предоставлении различных типов моделей или в совместной тренировке моделей через краудсорсинг, такие как Sentient, который благодаря модульному дизайну позволяет пользователям размещать надежные данные моделей на уровне хранения и распределения для оптимизации моделей, и инструменты разработки Sahara AI, которые встроены с передовыми AI алгоритмами и вычислительными фреймворками, а также имеют возможность совместной тренировки.
Вывод и верификация: после обучения модель генерирует файлы весов модели, которые могут быть использованы для классификации, прогнозирования или других конкретных задач, этот процесс называется выводом. Процесс вывода обычно сопровождается механизмом верификации, чтобы проверить, правильно ли источник модели вывода, существуют ли злонамеренные действия и т. д. Вывод Web3 обычно может быть интегрирован в смарт-контракты, вызывая модель для вывода, распространенные методы верификации включают такие технологии, как ZKML, OPML и TEE. Представляющие проекты, такие как AI-оракул на ORA (OAO), внедрили OPML в качестве проверяемого уровня AI-оракула, на официальном сайте ORA также упоминается их исследование о ZKML и opp/ai (ZKML в сочетании с OPML).
Уровень приложений:
Этот уровень в основном представляет собой приложения, ориентированные непосредственно на пользователей, которые объединяют ИИ и Web3, создавая больше интересных и инновационных способов игры. В этой статье в основном рассматриваются проекты в таких областях, как AIGC (генерация контента с помощью ИИ), AI-агенты и анализ данных.
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» .
10 Лайков
Награда
10
6
Поделиться
комментарий
0/400
DiamondHands
· 3ч назад
整天看不懂 就知道 разыгрывайте людей как лохов...
Посмотреть ОригиналОтветить0
GasFeeSobber
· 21ч назад
Так ли это, что ИИ действительно может что-то делать...
Посмотреть ОригиналОтветить0
LightningLady
· 21ч назад
Так просто и объединяйте, всё равно инвесторы не поймут.
Посмотреть ОригиналОтветить0
AltcoinAnalyst
· 21ч назад
С точки зрения данных и технических индикаторов, 74% проектов Web3 используют концепцию ИИ, распределение TVL имеет левостороннюю асимметрию... Рекомендуется строго проверять самосогласованность токеномики, быть осторожным с псевдо-ИИ проектами.
Посмотреть ОригиналОтветить0
RektCoaster
· 21ч назад
Еще одна спекуляция на web3 и ai, будут играть для лохов.
Панорама Web3-AI сектора: глубокий анализ логики интеграции технологий и топовых проектов
Панорамный отчет по Web3-AI: Техническая логика, сценарные приложения и глубокий анализ ведущих проектов
С ростом интереса к AI нарративам всё больше внимания сосредоточено на этой области. В данной статье проводится глубокий анализ технической логики, применяемых сценариев и представительных проектов в области Web3-AI, чтобы полностью представить вам панораму и тенденции развития в этой сфере.
Один. Web3-AI: анализ технической логики и возможностей новых рынков
1.1 Логика слияния Web3 и ИИ: как определить трассу Web-AI
В прошлом году AI-нарративы стали необычайно популярными в индустрии Web3, и проекты AI появились как грибы после дождя. Хотя многие проекты связаны с технологиями AI, некоторые из них используют AI только в определенных частях своих продуктов, а базовая токеномика не имеет существенной связи с продуктами AI, поэтому такие проекты не будут обсуждаться в данной статье как проекты Web3-AI.
Основное внимание в этой статье уделяется проектам, которые используют блокчейн для решения проблем производственных отношений и ИИ для решения проблем производительных сил. Эти проекты сами предлагают ИИ-продукты и основаны на экономической модели Web3 в качестве инструмента производственных отношений, что взаимодополняет друг друга. Мы классифицируем такие проекты как трек Web3-AI. Чтобы читатели лучше поняли трек Web3-AI, в статье будет подробно рассмотрен процесс разработки ИИ и его вызовы, а также то, как сочетание Web3 и ИИ идеально решает проблемы и создает новые сценарии применения.
1.2 Процесс разработки ИИ и вызовы: от сбора данных до вывода модели
Технология ИИ — это технология, позволяющая компьютерам имитировать, расширять и улучшать человеческий интеллект. Она позволяет компьютерам выполнять различные сложные задачи, от перевода языка, классификации изображений до распознавания лиц, автопилотирования и других приложений, ИИ меняет наши способы жизни и работы.
Процесс разработки моделей искусственного интеллекта обычно включает в себя несколько ключевых этапов: сбор данных и предобработка данных, выбор и настройка модели, обучение модели и вывод. Приведем простой пример: чтобы разработать модель для классификации изображений кошек и собак, вам потребуется:
Сбор данных и предварительная обработка данных: соберите набор данных изображений, содержащий кошек и собак, можно использовать открытые наборы данных или самостоятельно собрать реальные данные. Затем обозначьте категорию (кошка или собака) для каждого изображения, убедившись, что метки точны. Преобразуйте изображения в формат, который может распознать модель, разделите набор данных на обучающую выборку, валидационную выборку и тестовую выборку.
Выбор модели и ее настройка: выберите подходящую модель, такую как сверточная нейронная сеть (CNN), которая хорошо подходит для задач классификации изображений. Настраивайте параметры или архитектуру модели в зависимости от различных требований; как правило, уровни сети модели можно настраивать в зависимости от сложности задачи ИИ. В этом простом примере классификации может быть достаточно более простой сети.
Обучение модели: можно использовать GPU, TPU или кластеры высокопроизводительных вычислений для обучения модели; время обучения зависит от сложности модели и вычислительной мощности.
Моделирование вывода: Файлы, в которых обучена модель, обычно называются весами модели. Процесс вывода относится к процессу использования 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-меры и т.д.
На рисунке показано, что после сбора данных, предварительной обработки данных, выбора модели и оптимизации, а также обучения, полученную модель можно использовать для вывода на тестовом наборе данных, чтобы получить предсказанные значения для кошек и собак P (вероятность), то есть вероятность того, что модель выводит, что это кошка или собака.
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 результаты 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 данных из источников: небольшие команды или индивидуумы могут столкнуться с ограничениями на получение открытых данных в определенных областях (например, медицинских данных).
Выбор и настройка модели: для небольших команд трудно получить ресурсы моделей в определенной области или потратить большие средства на настройку модели.
Получение вычислительной мощности: для индивидуальных разработчиков и небольших команд высокая стоимость покупки GPU и аренды облачной вычислительной мощности могут составлять значительное экономическое бремя.
AI активы доход: работники по разметке данных часто не могут получить доход, соответствующий их усилиям, а результаты исследований разработчиков AI также трудно сопоставить с покупателями, которые имеют потребность.
Вызовы, существующие в централизованных сценариях ИИ, могут быть решены путем интеграции с Web3. Web3, как новая форма производственных отношений, естественно адаптируется к ИИ, представляющему новую производительность, тем самым способствуя одновременному прогрессу технологий и производственных мощностей.
1.3 Взаимодействие Web3 и ИИ: изменения ролей и инновационные приложения
Сочетание Web3 и ИИ может усилить суверенитет пользователей, предоставляя открытые платформы для сотрудничества в области ИИ, позволяя пользователям из эпохи Web2 стать участниками и создавать ИИ, которым могут владеть все. В то же время, интеграция мира Web3 и технологий ИИ может привести к возникновению более инновационных приложений и игровых сценариев.
На основе технологии Web3 разработка и применение ИИ вступят в новую эру совместной экономической системы. Конфиденциальность данных людей будет гарантирована, модель краудсорсинга данных будет способствовать прогрессу ИИ-моделей, множество открытых ресурсов ИИ будет доступно пользователям, а общая вычислительная мощность можно будет получить по низкой цене. С помощью децентрализованной механики краудсорсинга и открытого ИИ-рынка можно реализовать справедливую систему распределения доходов, что, в свою очередь, будет стимулировать больше людей к продвижению технологий ИИ.
В сценах Web3 ИИ может оказать положительное влияние в нескольких областях. Например, ИИ модели могут быть интегрированы в смарт-контракты, чтобы повысить эффективность работы в различных приложениях, таких как рыночный анализ, безопасность, социальная кластеризация и множество других функций. Генеративный ИИ не только позволяет пользователям испытать роль "художника", создавая свои собственные NFT с использованием ИИ технологий, но также может создавать разнообразные игровые сценарии и интересные взаимодействия в GameFi. Разнообразная инфраструктура обеспечивает плавный опыт разработки, и как эксперты в области ИИ, так и новички, желающие войти в область ИИ, могут найти подходящий вход в этом мире.
Два, Интерпретация экосистемы Web3-AI и архитектуры проектов
Мы в основном исследовали 41 проект в области Web3-AI и разделили эти проекты на разные уровни. Логика разделения каждого уровня показана на следующем рисунке, включая уровень инфраструктуры, средний уровень и уровень приложений, каждый из которых делится на разные сегменты. В следующей главе мы проведем глубокий анализ некоторых представительных проектов.
Уровень инфраструктуры охватывает вычислительные ресурсы и технологическую архитектуру, поддерживающие весь жизненный цикл ИИ, промежуточный уровень включает управление данными, разработку моделей и услуги по валидации и выводу, соединяющие инфраструктуру и приложения, тогда как уровень приложений сосредоточен на различных приложениях и решениях, непосредственно ориентированных на пользователей.
Инфраструктурный уровень:
Инфраструктурный слой является основой жизненного цикла ИИ, в этой статье вычислительная мощность, AI Chain и платформы разработки классифицируются как инфраструктурный слой. Именно поддержка этих инфраструктур позволяет осуществлять обучение и вывод моделей ИИ, а также предоставлять пользователям мощные и практичные ИИ-приложения.
Децентрализованная вычислительная сеть: может предоставить распределенные вычислительные мощности для обучения AI моделей, обеспечивая эффективное и экономичное использование вычислительных ресурсов. Некоторые проекты предлагают децентрализованный рынок вычислительных мощностей, где пользователи могут арендовать вычислительные мощности с низкими затратами или делиться мощностями для получения прибыли, такие как IO.NET и Hyperbolic. Кроме того, некоторые проекты предложили новые способы использования, такие как Compute Labs, которые представили токенизированный протокол, позволяющий пользователям участвовать в аренде вычислительных мощностей различными способами через покупку NFT, представляющих физические GPU.
AI Chain: Использование блокчейна в качестве основы для жизненного цикла ИИ, что обеспечивает бесшовное взаимодействие ресурсов ИИ на цепочке и вне ее, способствуя развитию экосистемы отрасли. Децентрализованный рынок ИИ на цепочке может торговать активами ИИ, такими как данные, модели, агенты и т.д., а также предоставляет фреймворк для разработки ИИ и сопутствующие инструменты разработки, примеры проектов включают Sahara AI. AI Chain также может способствовать прогрессу технологий ИИ в различных областях, таких как Bittensor, который стимулирует конкуренцию между подсетями различных типов ИИ с помощью инновационного механизма стимуляции подсетей.
Платформа разработки: некоторые проекты предлагают платформу разработки AI-агентов, а также могут осуществлять сделки с AI-агентами, такие как Fetch.ai и ChainML и др. Универсальные инструменты помогают разработчикам более удобно создавать, обучать и разворачивать AI-модели, такие как Nimble. Эта инфраструктура содействует широкому применению технологий AI в экосистеме Web3.
Промежуточный слой:
Этот уровень касается данных AI, моделей, а также вывода и валидации, использование технологий Web3 может обеспечить более высокую рабочую эффективность.
Кроме того, некоторые платформы позволяют экспертам в области или обычным пользователям выполнять задачи предварительной обработки данных, такие как аннотирование изображений и классификация данных, которые могут требовать специализированных знаний для обработки финансовых и юридических задач. Пользователи могут токенизировать свои навыки и реализовать сотрудничество по краудсорсингу предварительной обработки данных. Представляет собой рынок ИИ, такой как Sahara AI, который охватывает различные задачи данных в разных областях и может покрывать многопрофильные сценарии данных; в то время как AIT Protocol аннотирует данные с помощью человеческо-машинного взаимодействия.
Некоторые проекты поддерживают пользователей в предоставлении различных типов моделей или в совместной тренировке моделей через краудсорсинг, такие как Sentient, который благодаря модульному дизайну позволяет пользователям размещать надежные данные моделей на уровне хранения и распределения для оптимизации моделей, и инструменты разработки Sahara AI, которые встроены с передовыми AI алгоритмами и вычислительными фреймворками, а также имеют возможность совместной тренировки.
Уровень приложений:
Этот уровень в основном представляет собой приложения, ориентированные непосредственно на пользователей, которые объединяют ИИ и Web3, создавая больше интересных и инновационных способов игры. В этой статье в основном рассматриваются проекты в таких областях, как AIGC (генерация контента с помощью ИИ), AI-агенты и анализ данных.