Informe panorámico sobre la pista Web3-AI: análisis profundo de la lógica técnica, aplicaciones en escenarios y proyectos de primer nivel
Con el continuo aumento del interés en la narración de IA, cada vez más atención se centra en esta pista. Este artículo realiza un análisis profundo de la lógica técnica, los escenarios de aplicación y los proyectos representativos en la pista Web3-AI, presentando de manera integral el panorama y las tendencias de desarrollo en este campo.
Uno, Web3-AI: Análisis de la lógica técnica y oportunidades de mercado emergentes
1.1 Lógica de fusión entre Web3 y AI: cómo definir la pista Web-AI
En el último año, la narrativa de IA ha sido excepcionalmente popular en la industria de Web3, con proyectos de IA surgiendo como setas después de la lluvia. Aunque hay muchos proyectos que involucran tecnología de IA, algunos de ellos solo utilizan IA en ciertas partes de sus productos, y la economía de tokens subyacente no tiene una relación sustancial con los productos de IA. Por lo tanto, estos proyectos no se incluirán en la discusión de los proyectos Web3-AI en este artículo.
El enfoque de este artículo está en utilizar la blockchain para resolver problemas de relaciones de producción y la IA para resolver problemas de productividad. Estos proyectos ofrecen productos de IA y, al mismo tiempo, se basan en un modelo económico Web3 como herramienta de relaciones de producción, siendo ambos complementarios. Clasificamos estos proyectos dentro de la pista Web3-AI. Para que los lectores comprendan mejor la pista Web3-AI, este artículo presentará el proceso de desarrollo y los desafíos de la IA, así como cómo la combinación de Web3 y IA resuelve perfectamente problemas y crea nuevos escenarios de aplicación.
1.2 Proceso de desarrollo de IA y desafíos: desde la recopilación de datos hasta la inferencia del modelo
La tecnología de IA es una técnica que permite a las computadoras simular, extender y mejorar la inteligencia humana. Puede hacer que las computadoras realicen una variedad de tareas complejas, desde la traducción de idiomas, clasificación de imágenes hasta el reconocimiento facial y conducción autónoma. La IA está cambiando la forma en que vivimos y trabajamos.
El proceso de desarrollo de un modelo de inteligencia artificial generalmente incluye los siguientes pasos clave: recolección de datos y preprocesamiento de datos, selección y ajuste del modelo, entrenamiento e inferencia del modelo. Para dar un ejemplo simple, al desarrollar un modelo para clasificar imágenes de gatos y perros, necesitas:
Recolección de datos y preprocesamiento de datos: recolectar un conjunto de datos de imágenes que contenga gatos y perros, se puede utilizar un conjunto de datos público o recolectar datos reales por sí mismo. Luego, etiquetar cada imagen con su categoría (gato o perro), asegurándose de que las etiquetas sean precisas. Convertir las imágenes a un formato que el modelo pueda reconocer, y dividir el conjunto de datos en conjunto de entrenamiento, conjunto de validación y conjunto de prueba.
Selección y ajuste del modelo: elija un modelo adecuado, como las redes neuronales convolucionales (CNN), que son bastante adecuadas para tareas de clasificación de imágenes. Ajuste los parámetros o la arquitectura del modelo según las diferentes necesidades; en general, la profundidad de la red del modelo se puede ajustar según la complejidad de la tarea de IA. En este simple ejemplo de clasificación, una red menos profunda puede ser suficiente.
Entrenamiento del modelo: se pueden utilizar GPU, TPU o clústeres de computación de alto rendimiento para entrenar el modelo, y el tiempo de entrenamiento está influenciado por la complejidad del modelo y la capacidad de cálculo.
Inferencia del modelo: El archivo del modelo ya entrenado se denomina generalmente peso del modelo, y el proceso de inferencia se refiere al uso del modelo ya entrenado para predecir o clasificar nuevos datos. En este proceso, se puede utilizar un conjunto de prueba o nuevos datos para evaluar la efectividad de clasificación del modelo, generalmente utilizando métricas como la precisión, la tasa de recuperación y el F1-score para evaluar la validez del modelo.
Como se muestra en la imagen, después de la recolección de datos, la preprocesamiento de datos, la selección y ajuste del modelo, y el entrenamiento, al realizar inferencias con el modelo entrenado en el conjunto de prueba, se obtendrán los valores de predicción P (probabilidad) de gatos y perros, es decir, la probabilidad de que el modelo infiera que es un gato o un perro.
Los modelos de IA entrenados pueden integrarse aún más en diversas aplicaciones para realizar diferentes tareas. En este ejemplo, el modelo de IA para la clasificación de gatos y perros puede integrarse en una aplicación móvil, donde los usuarios suben imágenes de gatos o perros y obtienen resultados de clasificación.
Sin embargo, el proceso de desarrollo de IA centralizada presenta algunos problemas en los siguientes escenarios:
Privacidad del usuario: En escenarios centralizados, el proceso de desarrollo de IA suele ser opaco. Los datos de los usuarios pueden ser robados sin su conocimiento y utilizados para el entrenamiento de IA.
Obtención de fuentes de datos: los pequeños equipos o individuos pueden enfrentar restricciones de no apertura de datos al obtener datos de campos específicos (como datos médicos).
Selección y ajuste del modelo: para equipos pequeños, es difícil obtener recursos de modelos específicos del dominio o gastar grandes costos en el ajuste del modelo.
Obtención de poder computacional: para los desarrolladores individuales y equipos pequeños, el alto costo de compra de GPU y las tarifas de alquiler de poder computacional en la nube pueden representar una carga económica significativa.
Ingresos de activos de IA: Los trabajadores de anotación de datos a menudo no pueden obtener ingresos que correspondan a su esfuerzo, y los resultados de investigación de los desarrolladores de IA también tienen dificultades para coincidir con compradores que los necesitan.
Los desafíos que existen en el escenario de la IA centralizada pueden ser superados mediante la combinación con Web3, que como una nueva forma de relación de producción se adapta de manera natural a la IA, que representa nuevas fuerzas productivas, impulsando así el progreso simultáneo de la tecnología y la capacidad de producción.
1.3 La sinergia entre Web3 y AI: transformación de roles y aplicaciones innovadoras
La combinación de Web3 y AI puede fortalecer la soberanía del usuario, proporcionando una plataforma de colaboración de AI abierta que permite a los usuarios pasar de ser meros usuarios de AI en la era de Web2 a ser participantes, creando una AI que todos puedan poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología AI también puede generar más escenarios de aplicación innovadores y formas de interacción.
Basado en la tecnología Web3, el desarrollo y la aplicación de la IA darán paso a un nuevo sistema económico de colaboración. La privacidad de los datos de las personas puede ser garantizada, el modelo de datos de crowdsourcing promueve el avance de los modelos de IA, y numerosos recursos de IA de código abierto están disponibles para los usuarios, mientras que la potencia de cálculo compartida se puede obtener a un costo más bajo. Con la ayuda de un mecanismo de colaboración descentralizado y un mercado de IA abierto, se puede lograr un sistema de distribución de ingresos equitativo, lo que incentivará a más personas a impulsar el progreso de la tecnología de IA.
En el escenario de Web3, la IA puede tener un impacto positivo en múltiples áreas. Por ejemplo, los modelos de IA pueden integrarse en contratos inteligentes para mejorar la eficiencia laboral en diferentes escenarios de aplicación, como análisis de mercado, detección de seguridad, agrupamiento social y diversas funcionalidades. La IA generativa no solo permite a los usuarios experimentar el rol de "artista", como crear su propio NFT utilizando tecnología de IA, sino que también puede crear escenarios de juego diversos y experiencias interactivas interesantes en GameFi. Una infraestructura rica proporciona una experiencia de desarrollo fluida, donde tanto expertos en IA como principiantes que desean adentrarse en el campo de la IA pueden encontrar la entrada adecuada en este mundo.
Dos, interpretación del mapa y la arquitectura del proyecto ecológico Web3-AI
Principalmente hemos investigado 41 proyectos en la pista de Web3-AI y hemos clasificado estos proyectos en diferentes niveles. La lógica de clasificación de cada nivel se muestra en la siguiente imagen, que incluye la capa de infraestructura, la capa intermedia y la capa de aplicación, cada una de las cuales se divide en diferentes secciones. En el siguiente capítulo, realizaremos un análisis profundo de algunos proyectos representativos.
La capa de infraestructura abarca los recursos de computación y la arquitectura técnica que apoyan el funcionamiento de todo el ciclo de vida de la IA, la capa intermedia incluye la gestión de datos, el desarrollo de modelos y los servicios de verificación e inferencia que conectan la infraestructura con las aplicaciones, mientras que la capa de aplicación se centra en diversas aplicaciones y soluciones dirigidas directamente a los usuarios.
Capa de infraestructura:
La capa de infraestructura es la base del ciclo de vida de la IA. Este artículo clasifica la potencia de cálculo, AI Chain y la plataforma de desarrollo como parte de la capa de infraestructura. Es gracias al apoyo de estas infraestructuras que se puede llevar a cabo el entrenamiento y la inferencia de modelos de IA, presentando aplicaciones de IA potentes y prácticas a los usuarios.
Red de computación descentralizada: puede proporcionar potencia de cálculo distribuida para el entrenamiento de modelos de IA, asegurando un uso eficiente y económico de los recursos de cálculo. Algunos proyectos han ofrecido un mercado de potencia de cálculo descentralizado, donde los usuarios pueden alquilar potencia de cálculo a bajo costo o compartir potencia de cálculo para obtener beneficios, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevas formas de juego, como Compute Labs, que ha propuesto un protocolo de tokenización, permitiendo a los usuarios participar de diferentes maneras en el alquiler de potencia de cálculo a través de la compra de NFTs que representan entidades GPU.
AI Chain: Utiliza la blockchain como base para el ciclo de vida de la IA, logrando una interacción fluida entre los recursos de IA en cadena y fuera de ella, promoviendo el desarrollo del ecosistema industrial. El mercado de IA descentralizado en la cadena puede intercambiar activos de IA como datos, modelos, agentes, etc., y proporciona un marco de desarrollo de IA y herramientas de desarrollo complementarias, representado por proyectos como Sahara AI. AI Chain también puede fomentar el progreso de la tecnología de IA en diferentes campos, como Bittensor, que promueve la competencia entre subredes de diferentes tipos de IA a través de un innovador mecanismo de incentivos de subred.
Plataforma de desarrollo: Algunos proyectos ofrecen plataformas de desarrollo de agentes de IA, que también pueden realizar transacciones de agentes de IA, como Fetch.ai y ChainML. Herramientas todo en uno ayudan a los desarrolladores a crear, entrenar y desplegar modelos de IA de manera más conveniente, representados por proyectos como Nimble. Esta infraestructura fomenta la amplia aplicación de la tecnología de IA en el ecosistema Web3.
Capa intermedia:
Esta capa implica datos de IA, modelos, así como inferencia y verificación; el uso de tecnología Web3 puede lograr una mayor eficiencia en el trabajo.
Datos: La calidad y cantidad de los datos son factores clave que afectan la efectividad del entrenamiento de modelos. En el mundo de Web3, a través de datos de crowdsourcing y procesamiento colaborativo de datos, se puede optimizar el uso de recursos y reducir los costos de datos. Los usuarios pueden tener autonomía sobre sus datos, vendiéndolos bajo la protección de la privacidad para evitar que comerciantes deshonestos los roben y obtengan grandes beneficios. Para los demandantes de datos, estas plataformas ofrecen una amplia gama de opciones y costos muy bajos. Proyectos representativos como Grass utilizan el ancho de banda del usuario para capturar datos de la web, xData recopila información de medios a través de un complemento fácil de usar y apoya a los usuarios en la carga de información de tweets.
Además, algunas plataformas permiten a expertos en el campo o a usuarios comunes realizar tareas de preprocesamiento de datos, como la anotación de imágenes y la clasificación de datos, que pueden requerir conocimientos profesionales en el procesamiento de datos financieros y legales. Los usuarios pueden tokenizar sus habilidades para lograr la colaboración en el crowdsourcing del preprocesamiento de datos. Un ejemplo es el mercado de IA de Sahara AI, que tiene tareas de datos en diferentes campos y puede cubrir escenarios de datos en múltiples disciplinas; mientras que AIT Protocolt realiza la anotación de datos a través de la colaboración humano-máquina.
Modelo: En el proceso de desarrollo de IA mencionado anteriormente, diferentes tipos de necesidades requieren la correspondencia con modelos adecuados. Modelos comúnmente utilizados para tareas de imagen como CNN y GAN, para tareas de detección de objetos se puede elegir la serie Yolo, y para tareas de texto, los modelos comunes incluyen RNN y Transformer, además de algunos modelos grandes específicos o generales. La profundidad de los modelos necesarios varía según la complejidad de las tareas, a veces es necesario ajustar el modelo.
Algunos proyectos permiten a los usuarios proporcionar diferentes tipos de modelos o colaborar en el entrenamiento de modelos a través de la externalización, como Sentient, que a través de un diseño modular, permite a los usuarios almacenar datos de modelos confiables en la capa de almacenamiento y la capa de distribución para optimizar modelos. Las herramientas de desarrollo proporcionadas por Sahara AI incorporan algoritmos de IA avanzados y un marco de cálculo, y tienen la capacidad de entrenamiento colaborativo.
Inferencia y verificación: después de que el modelo ha sido entrenado, generará un archivo de pesos del modelo que se puede utilizar para realizar clasificación, predicciones u otras tareas específicas, este proceso se llama inferencia. El proceso de inferencia generalmente va acompañado de un mecanismo de verificación, para validar si la fuente del modelo de inferencia es correcta, si hay comportamientos maliciosos, etc. La inferencia en Web3 suele integrarse en contratos inteligentes, mediante la llamada al modelo para realizar la inferencia, las formas comunes de verificación incluyen tecnologías como ZKML, OPML y TEE. Proyectos representativos como el oráculo de IA en la cadena ORA (OAO), han introducido OPML como una capa verificable para el oráculo de IA, en el sitio web de ORA también mencionan su investigación sobre ZKML y opp/ai (ZKML combinado con OPML).
Capa de aplicación:
Esta capa se centra principalmente en aplicaciones dirigidas al usuario, combinando IA con Web3 para crear formas de juego más interesantes e innovadoras. Este artículo se centra en los proyectos de AIGC (contenido generado por IA), agentes de IA y análisis de datos.
AIGC: A través de AIGC se puede expandir a las áreas de NFT, juegos y más en Web3, los usuarios pueden generar texto, imágenes y audio directamente a través de Prompt (palabras clave proporcionadas por el usuario), e incluso pueden crear sus propias jugadas personalizadas en los juegos según sus preferencias. Proyectos NFT como NFPrompt, los usuarios pueden generar NFT con IA para comerciar en el mercado; juegos como Sleepless, los usuarios moldean la personalidad de sus compañeros virtuales a través de diálogos para que coincidan con sus gustos;
Agente de IA: se refiere a sistemas de inteligencia artificial que pueden ejecutar tareas de forma autónoma y tomar decisiones. Los agentes de IA suelen tener capacidades de percepción, razonamiento, aprendizaje y acción, y pueden realizar tareas complejas en diversos entornos. Agentes de IA comunes como
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
16 me gusta
Recompensa
16
4
Compartir
Comentar
0/400
StakeHouseDirector
· hace12h
Los especuladores de perros vuelven a hacer promesas. No entiendo un carajo ai.
Ver originalesResponder0
RugPullSurvivor
· hace12h
Otra trampa de especulación, ya basta.
Ver originalesResponder0
LiquidationWizard
· hace12h
Jeje, todavía no es más que calentar el tema para ser tomado por tonto.
Ver originalesResponder0
MEVHunter
· hace12h
Otra buena oportunidad para buscar oro en el agua.
Informe panorámico de Web3-AI: análisis profundo de la lógica técnica, escenarios de aplicación y proyectos de primer nivel
Informe panorámico sobre la pista Web3-AI: análisis profundo de la lógica técnica, aplicaciones en escenarios y proyectos de primer nivel
Con el continuo aumento del interés en la narración de IA, cada vez más atención se centra en esta pista. Este artículo realiza un análisis profundo de la lógica técnica, los escenarios de aplicación y los proyectos representativos en la pista Web3-AI, presentando de manera integral el panorama y las tendencias de desarrollo en este campo.
Uno, Web3-AI: Análisis de la lógica técnica y oportunidades de mercado emergentes
1.1 Lógica de fusión entre Web3 y AI: cómo definir la pista Web-AI
En el último año, la narrativa de IA ha sido excepcionalmente popular en la industria de Web3, con proyectos de IA surgiendo como setas después de la lluvia. Aunque hay muchos proyectos que involucran tecnología de IA, algunos de ellos solo utilizan IA en ciertas partes de sus productos, y la economía de tokens subyacente no tiene una relación sustancial con los productos de IA. Por lo tanto, estos proyectos no se incluirán en la discusión de los proyectos Web3-AI en este artículo.
El enfoque de este artículo está en utilizar la blockchain para resolver problemas de relaciones de producción y la IA para resolver problemas de productividad. Estos proyectos ofrecen productos de IA y, al mismo tiempo, se basan en un modelo económico Web3 como herramienta de relaciones de producción, siendo ambos complementarios. Clasificamos estos proyectos dentro de la pista Web3-AI. Para que los lectores comprendan mejor la pista Web3-AI, este artículo presentará el proceso de desarrollo y los desafíos de la IA, así como cómo la combinación de Web3 y IA resuelve perfectamente problemas y crea nuevos escenarios de aplicación.
1.2 Proceso de desarrollo de IA y desafíos: desde la recopilación de datos hasta la inferencia del modelo
La tecnología de IA es una técnica que permite a las computadoras simular, extender y mejorar la inteligencia humana. Puede hacer que las computadoras realicen una variedad de tareas complejas, desde la traducción de idiomas, clasificación de imágenes hasta el reconocimiento facial y conducción autónoma. La IA está cambiando la forma en que vivimos y trabajamos.
El proceso de desarrollo de un modelo de inteligencia artificial generalmente incluye los siguientes pasos clave: recolección de datos y preprocesamiento de datos, selección y ajuste del modelo, entrenamiento e inferencia del modelo. Para dar un ejemplo simple, al desarrollar un modelo para clasificar imágenes de gatos y perros, necesitas:
Recolección de datos y preprocesamiento de datos: recolectar un conjunto de datos de imágenes que contenga gatos y perros, se puede utilizar un conjunto de datos público o recolectar datos reales por sí mismo. Luego, etiquetar cada imagen con su categoría (gato o perro), asegurándose de que las etiquetas sean precisas. Convertir las imágenes a un formato que el modelo pueda reconocer, y dividir el conjunto de datos en conjunto de entrenamiento, conjunto de validación y conjunto de prueba.
Selección y ajuste del modelo: elija un modelo adecuado, como las redes neuronales convolucionales (CNN), que son bastante adecuadas para tareas de clasificación de imágenes. Ajuste los parámetros o la arquitectura del modelo según las diferentes necesidades; en general, la profundidad de la red del modelo se puede ajustar según la complejidad de la tarea de IA. En este simple ejemplo de clasificación, una red menos profunda puede ser suficiente.
Entrenamiento del modelo: se pueden utilizar GPU, TPU o clústeres de computación de alto rendimiento para entrenar el modelo, y el tiempo de entrenamiento está influenciado por la complejidad del modelo y la capacidad de cálculo.
Inferencia del modelo: El archivo del modelo ya entrenado se denomina generalmente peso del modelo, y el proceso de inferencia se refiere al uso del modelo ya entrenado para predecir o clasificar nuevos datos. En este proceso, se puede utilizar un conjunto de prueba o nuevos datos para evaluar la efectividad de clasificación del modelo, generalmente utilizando métricas como la precisión, la tasa de recuperación y el F1-score para evaluar la validez del modelo.
Como se muestra en la imagen, después de la recolección de datos, la preprocesamiento de datos, la selección y ajuste del modelo, y el entrenamiento, al realizar inferencias con el modelo entrenado en el conjunto de prueba, se obtendrán los valores de predicción P (probabilidad) de gatos y perros, es decir, la probabilidad de que el modelo infiera que es un gato o un perro.
Los modelos de IA entrenados pueden integrarse aún más en diversas aplicaciones para realizar diferentes tareas. En este ejemplo, el modelo de IA para la clasificación de gatos y perros puede integrarse en una aplicación móvil, donde los usuarios suben imágenes de gatos o perros y obtienen resultados de clasificación.
Sin embargo, el proceso de desarrollo de IA centralizada presenta algunos problemas en los siguientes escenarios:
Privacidad del usuario: En escenarios centralizados, el proceso de desarrollo de IA suele ser opaco. Los datos de los usuarios pueden ser robados sin su conocimiento y utilizados para el entrenamiento de IA.
Obtención de fuentes de datos: los pequeños equipos o individuos pueden enfrentar restricciones de no apertura de datos al obtener datos de campos específicos (como datos médicos).
Selección y ajuste del modelo: para equipos pequeños, es difícil obtener recursos de modelos específicos del dominio o gastar grandes costos en el ajuste del modelo.
Obtención de poder computacional: para los desarrolladores individuales y equipos pequeños, el alto costo de compra de GPU y las tarifas de alquiler de poder computacional en la nube pueden representar una carga económica significativa.
Ingresos de activos de IA: Los trabajadores de anotación de datos a menudo no pueden obtener ingresos que correspondan a su esfuerzo, y los resultados de investigación de los desarrolladores de IA también tienen dificultades para coincidir con compradores que los necesitan.
Los desafíos que existen en el escenario de la IA centralizada pueden ser superados mediante la combinación con Web3, que como una nueva forma de relación de producción se adapta de manera natural a la IA, que representa nuevas fuerzas productivas, impulsando así el progreso simultáneo de la tecnología y la capacidad de producción.
1.3 La sinergia entre Web3 y AI: transformación de roles y aplicaciones innovadoras
La combinación de Web3 y AI puede fortalecer la soberanía del usuario, proporcionando una plataforma de colaboración de AI abierta que permite a los usuarios pasar de ser meros usuarios de AI en la era de Web2 a ser participantes, creando una AI que todos puedan poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología AI también puede generar más escenarios de aplicación innovadores y formas de interacción.
Basado en la tecnología Web3, el desarrollo y la aplicación de la IA darán paso a un nuevo sistema económico de colaboración. La privacidad de los datos de las personas puede ser garantizada, el modelo de datos de crowdsourcing promueve el avance de los modelos de IA, y numerosos recursos de IA de código abierto están disponibles para los usuarios, mientras que la potencia de cálculo compartida se puede obtener a un costo más bajo. Con la ayuda de un mecanismo de colaboración descentralizado y un mercado de IA abierto, se puede lograr un sistema de distribución de ingresos equitativo, lo que incentivará a más personas a impulsar el progreso de la tecnología de IA.
En el escenario de Web3, la IA puede tener un impacto positivo en múltiples áreas. Por ejemplo, los modelos de IA pueden integrarse en contratos inteligentes para mejorar la eficiencia laboral en diferentes escenarios de aplicación, como análisis de mercado, detección de seguridad, agrupamiento social y diversas funcionalidades. La IA generativa no solo permite a los usuarios experimentar el rol de "artista", como crear su propio NFT utilizando tecnología de IA, sino que también puede crear escenarios de juego diversos y experiencias interactivas interesantes en GameFi. Una infraestructura rica proporciona una experiencia de desarrollo fluida, donde tanto expertos en IA como principiantes que desean adentrarse en el campo de la IA pueden encontrar la entrada adecuada en este mundo.
Dos, interpretación del mapa y la arquitectura del proyecto ecológico Web3-AI
Principalmente hemos investigado 41 proyectos en la pista de Web3-AI y hemos clasificado estos proyectos en diferentes niveles. La lógica de clasificación de cada nivel se muestra en la siguiente imagen, que incluye la capa de infraestructura, la capa intermedia y la capa de aplicación, cada una de las cuales se divide en diferentes secciones. En el siguiente capítulo, realizaremos un análisis profundo de algunos proyectos representativos.
La capa de infraestructura abarca los recursos de computación y la arquitectura técnica que apoyan el funcionamiento de todo el ciclo de vida de la IA, la capa intermedia incluye la gestión de datos, el desarrollo de modelos y los servicios de verificación e inferencia que conectan la infraestructura con las aplicaciones, mientras que la capa de aplicación se centra en diversas aplicaciones y soluciones dirigidas directamente a los usuarios.
Capa de infraestructura:
La capa de infraestructura es la base del ciclo de vida de la IA. Este artículo clasifica la potencia de cálculo, AI Chain y la plataforma de desarrollo como parte de la capa de infraestructura. Es gracias al apoyo de estas infraestructuras que se puede llevar a cabo el entrenamiento y la inferencia de modelos de IA, presentando aplicaciones de IA potentes y prácticas a los usuarios.
Red de computación descentralizada: puede proporcionar potencia de cálculo distribuida para el entrenamiento de modelos de IA, asegurando un uso eficiente y económico de los recursos de cálculo. Algunos proyectos han ofrecido un mercado de potencia de cálculo descentralizado, donde los usuarios pueden alquilar potencia de cálculo a bajo costo o compartir potencia de cálculo para obtener beneficios, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevas formas de juego, como Compute Labs, que ha propuesto un protocolo de tokenización, permitiendo a los usuarios participar de diferentes maneras en el alquiler de potencia de cálculo a través de la compra de NFTs que representan entidades GPU.
AI Chain: Utiliza la blockchain como base para el ciclo de vida de la IA, logrando una interacción fluida entre los recursos de IA en cadena y fuera de ella, promoviendo el desarrollo del ecosistema industrial. El mercado de IA descentralizado en la cadena puede intercambiar activos de IA como datos, modelos, agentes, etc., y proporciona un marco de desarrollo de IA y herramientas de desarrollo complementarias, representado por proyectos como Sahara AI. AI Chain también puede fomentar el progreso de la tecnología de IA en diferentes campos, como Bittensor, que promueve la competencia entre subredes de diferentes tipos de IA a través de un innovador mecanismo de incentivos de subred.
Plataforma de desarrollo: Algunos proyectos ofrecen plataformas de desarrollo de agentes de IA, que también pueden realizar transacciones de agentes de IA, como Fetch.ai y ChainML. Herramientas todo en uno ayudan a los desarrolladores a crear, entrenar y desplegar modelos de IA de manera más conveniente, representados por proyectos como Nimble. Esta infraestructura fomenta la amplia aplicación de la tecnología de IA en el ecosistema Web3.
Capa intermedia:
Esta capa implica datos de IA, modelos, así como inferencia y verificación; el uso de tecnología Web3 puede lograr una mayor eficiencia en el trabajo.
Además, algunas plataformas permiten a expertos en el campo o a usuarios comunes realizar tareas de preprocesamiento de datos, como la anotación de imágenes y la clasificación de datos, que pueden requerir conocimientos profesionales en el procesamiento de datos financieros y legales. Los usuarios pueden tokenizar sus habilidades para lograr la colaboración en el crowdsourcing del preprocesamiento de datos. Un ejemplo es el mercado de IA de Sahara AI, que tiene tareas de datos en diferentes campos y puede cubrir escenarios de datos en múltiples disciplinas; mientras que AIT Protocolt realiza la anotación de datos a través de la colaboración humano-máquina.
Algunos proyectos permiten a los usuarios proporcionar diferentes tipos de modelos o colaborar en el entrenamiento de modelos a través de la externalización, como Sentient, que a través de un diseño modular, permite a los usuarios almacenar datos de modelos confiables en la capa de almacenamiento y la capa de distribución para optimizar modelos. Las herramientas de desarrollo proporcionadas por Sahara AI incorporan algoritmos de IA avanzados y un marco de cálculo, y tienen la capacidad de entrenamiento colaborativo.
Capa de aplicación:
Esta capa se centra principalmente en aplicaciones dirigidas al usuario, combinando IA con Web3 para crear formas de juego más interesantes e innovadoras. Este artículo se centra en los proyectos de AIGC (contenido generado por IA), agentes de IA y análisis de datos.
AIGC: A través de AIGC se puede expandir a las áreas de NFT, juegos y más en Web3, los usuarios pueden generar texto, imágenes y audio directamente a través de Prompt (palabras clave proporcionadas por el usuario), e incluso pueden crear sus propias jugadas personalizadas en los juegos según sus preferencias. Proyectos NFT como NFPrompt, los usuarios pueden generar NFT con IA para comerciar en el mercado; juegos como Sleepless, los usuarios moldean la personalidad de sus compañeros virtuales a través de diálogos para que coincidan con sus gustos;
Agente de IA: se refiere a sistemas de inteligencia artificial que pueden ejecutar tareas de forma autónoma y tomar decisiones. Los agentes de IA suelen tener capacidades de percepción, razonamiento, aprendizaje y acción, y pueden realizar tareas complejas en diversos entornos. Agentes de IA comunes como