Rapport panoramique sur le secteur Web3-AI : logique technique, applications scénaristiques et analyse approfondie des meilleurs projets
Avec la montée en puissance de la narration AI, de plus en plus d'attention se concentre sur ce secteur. Cet article analyse en profondeur la logique technique, les cas d'application et les projets représentatifs du secteur Web3-AI, vous présentant ainsi un aperçu complet de ce domaine et des tendances de développement.
1. Web3-AI : analyse de la logique technique et des opportunités de marché émergentes
1.1 La logique de fusion entre Web3 et AI : comment définir le domaine Web-AI
Au cours de l'année passée, la narration AI a connu un succès exceptionnel dans l'industrie Web3, avec des projets AI émergents comme des champignons après la pluie. Bien qu'il existe de nombreux projets impliquant des technologies AI, certains d'entre eux n'utilisent l'AI que dans certaines parties de leurs produits, et l'économie token sous-jacente n'a pas de lien substantiel avec les produits AI. Par conséquent, ces projets ne seront pas discutés dans le cadre des projets Web3-AI dans cet article.
L'article se concentre sur les projets qui utilisent la blockchain pour résoudre les problèmes de relations de production et l'IA pour résoudre les problèmes de productivité. Ces projets offrent eux-mêmes des produits d'IA tout en s'appuyant sur un modèle économique Web3 comme outil de relations de production, les deux se complétant mutuellement. Nous classons ces projets dans la piste Web3-AI. Afin d'aider les lecteurs à mieux comprendre la piste Web3-AI, cet article présentera le processus de développement de l'IA et les défis associés, ainsi que la manière dont la combinaison de Web3 et de l'IA peut parfaitement résoudre des problèmes et créer de nouveaux scénarios d'application.
1.2 Le processus de développement de l'IA et ses défis : de la collecte de données à l'inférence du modèle
La technologie de l'IA est une technologie qui permet aux ordinateurs de simuler, d'étendre et d'améliorer l'intelligence humaine. Elle permet aux ordinateurs d'exécuter diverses tâches complexes, allant de la traduction de langues, de la classification d'images jusqu'à la reconnaissance faciale et la conduite autonome. L'IA est en train de changer notre façon de vivre et de travailler.
Le processus de développement d'un modèle d'intelligence artificielle comprend généralement les étapes clés suivantes : collecte de données et prétraitement des données, sélection et ajustement du modèle, entraînement du modèle et inférence. Prenons un exemple simple, pour développer un modèle qui classifie des images de chats et de chiens, vous devez :
Collecte de données et prétraitement des données : collecter un ensemble de données d'images contenant des chats et des chiens, en utilisant un ensemble de données public ou en collectant des données réelles soi-même. Ensuite, étiqueter chaque image avec une catégorie (chat ou chien), en s'assurant que les étiquettes sont précises. Convertir les images dans un format que le modèle peut reconnaître, diviser l'ensemble de données en ensemble d'entraînement, ensemble de validation et ensemble de test.
Choix et ajustement du modèle : Choisissez un modèle approprié, tel que le réseau de neurones convolutif (CNN), qui est particulièrement adapté aux tâches de classification d'images. Ajustez les paramètres ou l'architecture du modèle en fonction des besoins différents. En général, la profondeur du réseau du modèle peut être ajustée en fonction de la complexité de la tâche d'IA. Dans cet exemple simple de classification, une profondeur de réseau moins importante peut suffire.
Entraînement du modèle : il est possible d'utiliser des GPU, TPU ou des clusters de calcul haute performance pour entraîner le modèle, le temps d'entraînement étant affecté par la complexité du modèle et la capacité de calcul.
Inférence du modèle : Le fichier du modèle entraîné est généralement appelé poids du modèle. Le processus d'inférence fait référence à l'utilisation d'un modèle déjà entraîné pour prédire ou classer de nouvelles données. Dans ce processus, un ensemble de test ou de nouvelles données peut être utilisé pour tester l'efficacité de classification du modèle, généralement évaluée à l'aide d'indicateurs tels que la précision, le rappel, le F1-score, etc.
Comme indiqué dans l'image, après la collecte de données, le prétraitement des données, la sélection et l'ajustement du modèle, et l'entraînement, le modèle entraîné sera utilisé pour l'inférence sur le jeu de test afin d'obtenir les valeurs de prédiction P (probabilité) pour les chats et les chiens, c'est-à-dire la probabilité que le modèle infère qu'il s'agit d'un chat ou d'un chien.
Les modèles d'IA entraînés peuvent être intégrés dans diverses applications pour exécuter différentes tâches. Dans cet exemple, le modèle d'IA de classification des chats et des chiens peut être intégré dans une application mobile, où l'utilisateur télécharge une image de chat ou de chien et obtient les résultats de la classification.
Cependant, le processus de développement de l'IA centralisée présente certains problèmes dans les scénarios suivants :
Confidentialité des utilisateurs : dans un environnement centralisé, le processus de développement de l'IA est souvent opaque. Les données des utilisateurs peuvent être volées à leur insu et utilisées pour l'entraînement de l'IA.
Obtention de la source de données : Les petites équipes ou les individus peuvent être confrontés à des restrictions sur l'ouverture des données lorsqu'ils obtiennent des données dans des domaines spécifiques (comme les données médicales).
Choix et ajustement du modèle : il est difficile pour les petites équipes d'accéder à des ressources de modèles spécifiques ou de dépenser beaucoup d'argent pour l'ajustement des modèles.
Acquisition de puissance de calcul : pour les développeurs individuels et les petites équipes, le coût élevé d'achat de GPU et les frais de location de puissance de calcul dans le cloud peuvent constituer un fardeau économique significatif.
Revenus des actifs d'IA : Les travailleurs de l'annotation de données ont souvent du mal à obtenir des revenus correspondant à leurs efforts, tandis que les résultats de recherche des développeurs d'IA peinent également à correspondre aux acheteurs en demande.
Les défis existants dans le contexte de l'IA centralisée peuvent être surmontés en se combinant avec le Web3, qui, en tant que nouvelle relation de production, s'adapte naturellement à l'IA représentant une nouvelle productivité, permettant ainsi une avancée simultanée de la technologie et des capacités de production.
1.3 Synergie entre Web3 et AI : Changement de rôle et applications innovantes
La combinaison de Web3 et de l'IA peut renforcer la souveraineté des utilisateurs, en leur offrant une plateforme de collaboration ouverte en IA, permettant aux utilisateurs de passer de simples utilisateurs d'IA de l'ère Web2 à des participants, créant ainsi une IA que tout le monde peut posséder. En même temps, la fusion du monde Web3 et des technologies IA peut également donner naissance à davantage de scénarios d'application innovants et de nouvelles manières de jouer.
Basé sur la technologie Web3, le développement et l'application de l'IA entreront dans un tout nouveau système économique collaboratif. La confidentialité des données des utilisateurs peut être protégée, le modèle de crowdsourcing des données favorise l'avancement des modèles d'IA, de nombreuses ressources d'IA open source sont disponibles pour les utilisateurs, et la puissance de calcul partagée peut être obtenue à moindre coût. Grâce à un mécanisme de crowdsourcing collaboratif décentralisé et à un marché de l'IA ouvert, un système de distribution des revenus équitable peut être réalisé, ce qui incitera davantage de personnes à promouvoir l'avancement de la technologie de l'IA.
Dans le contexte de Web3, l'IA peut avoir un impact positif dans plusieurs domaines. Par exemple, les modèles d'IA peuvent être intégrés dans des contrats intelligents pour améliorer l'efficacité au travail dans différents cas d'application, tels que l'analyse de marché, la détection de sécurité, le clustering social et bien d'autres fonctionnalités. L'IA générative permet non seulement aux utilisateurs de vivre le rôle d'"artiste", par exemple en utilisant des technologies d'IA pour créer leurs propres NFT, mais elle peut également créer des scènes de jeu riches et variées et des expériences d'interaction intéressantes dans GameFi. Une infrastructure riche offre une expérience de développement fluide, que ce soit pour les experts en IA ou pour les novices qui souhaitent entrer dans le domaine de l'IA, chacun peut trouver une entrée appropriée dans ce monde.
Deux, interprétation de la carte et de l'architecture des projets écosystémiques Web3-AI
Nous avons principalement étudié 41 projets dans le domaine Web3-AI et avons classé ces projets en différents niveaux. La logique de classification de chaque niveau est illustrée dans le graphique ci-dessous, y compris le niveau d'infrastructure, le niveau intermédiaire et le niveau d'application, chaque niveau étant lui-même divisé en différentes sections. Dans le chapitre suivant, nous procéderons à une analyse approfondie de certains projets représentatifs.
La couche d'infrastructure couvre les ressources de calcul et l'architecture technique nécessaires au fonctionnement de l'ensemble du cycle de vie de l'IA, la couche intermédiaire comprend la gestion des données, le développement de modèles et les services de validation et d'inférence qui relient l'infrastructure aux applications, tandis que la couche d'application se concentre sur les diverses applications et solutions directement destinées aux utilisateurs.
Infrastructure Layer :
La couche d'infrastructure est la base du cycle de vie de l'IA. Cet article classe la puissance de calcul, la chaîne d'IA et la plateforme de développement comme faisant partie de la couche d'infrastructure. C'est grâce au soutien de ces infrastructures que l'entraînement et l'inférence des modèles d'IA peuvent être réalisés, et que des applications IA puissantes et pratiques peuvent être présentées aux utilisateurs.
Réseau de calcul décentralisé : il peut fournir une puissance de calcul distribuée pour l'entraînement des modèles AI, garantissant une utilisation efficace et économique des ressources de calcul. Certains projets ont mis en place des marchés de puissance de calcul décentralisés, où les utilisateurs peuvent louer de la puissance de calcul à faible coût ou partager de la puissance de calcul pour en tirer des profits, avec des projets représentatifs comme IO.NET et Hyperbolic. De plus, certains projets ont dérivé de nouvelles manières de jouer, comme Compute Labs, qui a proposé un protocole tokenisé, permettant aux utilisateurs d'acheter des NFT représentant des entités GPU, pour participer de différentes manières à la location de puissance de calcul afin d'en tirer des bénéfices.
AI Chain : Utiliser la blockchain comme base pour le cycle de vie de l'IA, permettant une interaction fluide entre les ressources IA on-chain et off-chain, et favorisant le développement de l'écosystème industriel. Le marché décentralisé de l'IA sur la chaîne peut échanger des actifs IA tels que des données, des modèles, des agents, etc., et fournir un cadre de développement IA ainsi que des outils de développement associés, avec des projets représentatifs comme Sahara AI. AI Chain peut également favoriser les avancées technologiques de l'IA dans différents domaines, comme Bittensor qui stimule la concurrence entre différents types de sous-réseaux grâce à un mécanisme incitatif innovant.
Plateforme de développement : certains projets offrent des plateformes de développement d'agents IA, permettant également le trading d'agents IA, comme Fetch.ai et ChainML. Des outils tout-en-un aident les développeurs à créer, entraîner et déployer des modèles IA plus facilement, avec des projets représentatifs comme Nimble. Ces infrastructures favorisent l'application large de la technologie IA dans l'écosystème Web3.
Couche intermédiaire :
Ce niveau implique des données AI, des modèles ainsi que le raisonnement et la vérification, et l'utilisation de la technologie Web3 peut réaliser une efficacité de travail plus élevée.
Données : La qualité et la quantité des données sont des facteurs clés qui influencent l'efficacité de l'entraînement des modèles. Dans le monde du Web3, l'optimisation de l'utilisation des ressources et la réduction des coûts de données peuvent être réalisées grâce à la collecte de données en crowdsourcing et au traitement collaboratif des données. Les utilisateurs peuvent posséder leurs données et les vendre dans le respect de la protection de la vie privée, afin d'éviter que leurs données ne soient volées par de mauvais commerçants et utilisées pour réaliser des profits élevés. Pour les demandeurs de données, ces plateformes offrent un large éventail de choix à des coûts très bas. Des projets représentatifs comme Grass utilisent la bande passante des utilisateurs pour extraire des données Web, xData collecte des informations médiatiques grâce à un plugin convivial et permet aux utilisateurs de télécharger des informations de tweets.
En outre, certaines plateformes permettent aux experts du domaine ou aux utilisateurs ordinaires d'effectuer des tâches de prétraitement des données, telles que l'annotation d'images et la classification des données, ces tâches pouvant nécessiter des connaissances spécialisées en finance et en droit pour le traitement des données. Les utilisateurs peuvent tokeniser leurs compétences et réaliser une collaboration en crowdsourcing pour le prétraitement des données. Des exemples incluent le marché AI d'Sahara AI, qui propose des tâches de données dans différents domaines, pouvant couvrir des scénarios de données multidisciplinaires ; tandis que le protocole AIT effectue l'annotation des données par le biais d'une collaboration homme-machine.
Modèle : Dans le processus de développement de l'IA mentionné précédemment, différents types de besoins nécessitent des modèles adaptés. Les modèles couramment utilisés pour les tâches d'image sont tels que CNN et GAN, pour les tâches de détection d'objets, on peut choisir la série Yolo, et pour les tâches textuelles, les modèles courants sont RNN, Transformer, etc. Bien sûr, il existe également des grands modèles spécifiques ou généraux. La profondeur des modèles nécessaires varie en fonction de la complexité des tâches, et parfois il est nécessaire d'ajuster les modèles.
Certains projets permettent aux utilisateurs de fournir différents types de modèles ou de collaborer à la formation de modèles par le biais de l'intelligence collective, comme Sentient qui, grâce à une conception modulaire, permet aux utilisateurs de placer des données de modèles fiables dans la couche de stockage et la couche de distribution pour optimiser les modèles. Les outils de développement fournis par Sahara AI intègrent des algorithmes d'IA avancés et des cadres de calcul, et disposent de la capacité d'entraînement collaboratif.
Raisonnement et validation : après l'entraînement, le modèle génère un fichier de poids de modèle qui peut être utilisé pour effectuer directement des classifications, des prédictions ou d'autres tâches spécifiques, ce processus est appelé raisonnement. Le processus de raisonnement est généralement accompagné d'un mécanisme de validation pour vérifier si l'origine du modèle de raisonnement est correcte, s'il y a des comportements malveillants, etc. Le raisonnement Web3 peut généralement être intégré dans des contrats intelligents, en appelant le modèle pour effectuer le raisonnement, les méthodes de validation courantes incluent des technologies telles que ZKML, OPML et TEE. Des projets représentatifs comme l'oracle AI sur la chaîne ORA (OAO) ont introduit OPML comme couche vérifiable pour l'oracle AI, et le site officiel d'ORA mentionne également leurs recherches sur ZKML et opp/ai (ZKML combiné avec OPML).
Couche d'application :
Ce niveau est principalement une application directement destinée aux utilisateurs, combinant l'IA avec le Web3 pour créer des moyens de jeu plus intéressants et innovants. Cet article passe en revue les projets dans plusieurs domaines, notamment l'AIGC (contenu généré par l'IA), les agents IA et l'analyse de données.
AIGC : Grâce à l'AIGC, il est possible de s'étendre aux secteurs des NFT, des jeux, etc. dans le Web3, les utilisateurs peuvent directement générer des textes, des images et des audios via des Prompts (mots-clés fournis par l'utilisateur), et même créer des modes de jeu personnalisés selon leurs préférences. Des projets NFT comme NFPrompt, où les utilisateurs peuvent générer des NFT via l'IA pour les échanger sur le marché ; des jeux comme Sleepless, où les utilisateurs façonnent la personnalité de leur compagnon virtuel par le dialogue pour correspondre à leurs préférences ;
Agent IA : désigne un système d'intelligence artificielle capable d'exécuter des tâches de manière autonome et de prendre des décisions. Les agents IA possèdent généralement des capacités de perception, de raisonnement, d'apprentissage et d'action, leur permettant d'exécuter des tâches complexes dans divers environnements. Des exemples courants d'agents IA incluent
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
16 J'aime
Récompense
16
4
Partager
Commentaire
0/400
StakeHouseDirector
· Il y a 12h
Les spéculateurs reviennent encore à dessiner des BTC. Comprends un marteau, ai.
Voir l'originalRépondre0
RugPullSurvivor
· Il y a 12h
Encore une pile de pièges de spéculation, ça suffit.
Voir l'originalRépondre0
LiquidationWizard
· Il y a 12h
Eh bien, ce n'est pas encore une manière de créer du buzz pour être pris pour des pigeons.
Voir l'originalRépondre0
MEVHunter
· Il y a 12h
Encore une bonne occasion de creuser de l'or dans l'eau.
Web3-AI Rapport Panorama : Analyse approfondie de la logique technologique, des scénarios d'application et des projets de premier plan
Rapport panoramique sur le secteur Web3-AI : logique technique, applications scénaristiques et analyse approfondie des meilleurs projets
Avec la montée en puissance de la narration AI, de plus en plus d'attention se concentre sur ce secteur. Cet article analyse en profondeur la logique technique, les cas d'application et les projets représentatifs du secteur Web3-AI, vous présentant ainsi un aperçu complet de ce domaine et des tendances de développement.
1. Web3-AI : analyse de la logique technique et des opportunités de marché émergentes
1.1 La logique de fusion entre Web3 et AI : comment définir le domaine Web-AI
Au cours de l'année passée, la narration AI a connu un succès exceptionnel dans l'industrie Web3, avec des projets AI émergents comme des champignons après la pluie. Bien qu'il existe de nombreux projets impliquant des technologies AI, certains d'entre eux n'utilisent l'AI que dans certaines parties de leurs produits, et l'économie token sous-jacente n'a pas de lien substantiel avec les produits AI. Par conséquent, ces projets ne seront pas discutés dans le cadre des projets Web3-AI dans cet article.
L'article se concentre sur les projets qui utilisent la blockchain pour résoudre les problèmes de relations de production et l'IA pour résoudre les problèmes de productivité. Ces projets offrent eux-mêmes des produits d'IA tout en s'appuyant sur un modèle économique Web3 comme outil de relations de production, les deux se complétant mutuellement. Nous classons ces projets dans la piste Web3-AI. Afin d'aider les lecteurs à mieux comprendre la piste Web3-AI, cet article présentera le processus de développement de l'IA et les défis associés, ainsi que la manière dont la combinaison de Web3 et de l'IA peut parfaitement résoudre des problèmes et créer de nouveaux scénarios d'application.
1.2 Le processus de développement de l'IA et ses défis : de la collecte de données à l'inférence du modèle
La technologie de l'IA est une technologie qui permet aux ordinateurs de simuler, d'étendre et d'améliorer l'intelligence humaine. Elle permet aux ordinateurs d'exécuter diverses tâches complexes, allant de la traduction de langues, de la classification d'images jusqu'à la reconnaissance faciale et la conduite autonome. L'IA est en train de changer notre façon de vivre et de travailler.
Le processus de développement d'un modèle d'intelligence artificielle comprend généralement les étapes clés suivantes : collecte de données et prétraitement des données, sélection et ajustement du modèle, entraînement du modèle et inférence. Prenons un exemple simple, pour développer un modèle qui classifie des images de chats et de chiens, vous devez :
Collecte de données et prétraitement des données : collecter un ensemble de données d'images contenant des chats et des chiens, en utilisant un ensemble de données public ou en collectant des données réelles soi-même. Ensuite, étiqueter chaque image avec une catégorie (chat ou chien), en s'assurant que les étiquettes sont précises. Convertir les images dans un format que le modèle peut reconnaître, diviser l'ensemble de données en ensemble d'entraînement, ensemble de validation et ensemble de test.
Choix et ajustement du modèle : Choisissez un modèle approprié, tel que le réseau de neurones convolutif (CNN), qui est particulièrement adapté aux tâches de classification d'images. Ajustez les paramètres ou l'architecture du modèle en fonction des besoins différents. En général, la profondeur du réseau du modèle peut être ajustée en fonction de la complexité de la tâche d'IA. Dans cet exemple simple de classification, une profondeur de réseau moins importante peut suffire.
Entraînement du modèle : il est possible d'utiliser des GPU, TPU ou des clusters de calcul haute performance pour entraîner le modèle, le temps d'entraînement étant affecté par la complexité du modèle et la capacité de calcul.
Inférence du modèle : Le fichier du modèle entraîné est généralement appelé poids du modèle. Le processus d'inférence fait référence à l'utilisation d'un modèle déjà entraîné pour prédire ou classer de nouvelles données. Dans ce processus, un ensemble de test ou de nouvelles données peut être utilisé pour tester l'efficacité de classification du modèle, généralement évaluée à l'aide d'indicateurs tels que la précision, le rappel, le F1-score, etc.
Comme indiqué dans l'image, après la collecte de données, le prétraitement des données, la sélection et l'ajustement du modèle, et l'entraînement, le modèle entraîné sera utilisé pour l'inférence sur le jeu de test afin d'obtenir les valeurs de prédiction P (probabilité) pour les chats et les chiens, c'est-à-dire la probabilité que le modèle infère qu'il s'agit d'un chat ou d'un chien.
Les modèles d'IA entraînés peuvent être intégrés dans diverses applications pour exécuter différentes tâches. Dans cet exemple, le modèle d'IA de classification des chats et des chiens peut être intégré dans une application mobile, où l'utilisateur télécharge une image de chat ou de chien et obtient les résultats de la classification.
Cependant, le processus de développement de l'IA centralisée présente certains problèmes dans les scénarios suivants :
Confidentialité des utilisateurs : dans un environnement centralisé, le processus de développement de l'IA est souvent opaque. Les données des utilisateurs peuvent être volées à leur insu et utilisées pour l'entraînement de l'IA.
Obtention de la source de données : Les petites équipes ou les individus peuvent être confrontés à des restrictions sur l'ouverture des données lorsqu'ils obtiennent des données dans des domaines spécifiques (comme les données médicales).
Choix et ajustement du modèle : il est difficile pour les petites équipes d'accéder à des ressources de modèles spécifiques ou de dépenser beaucoup d'argent pour l'ajustement des modèles.
Acquisition de puissance de calcul : pour les développeurs individuels et les petites équipes, le coût élevé d'achat de GPU et les frais de location de puissance de calcul dans le cloud peuvent constituer un fardeau économique significatif.
Revenus des actifs d'IA : Les travailleurs de l'annotation de données ont souvent du mal à obtenir des revenus correspondant à leurs efforts, tandis que les résultats de recherche des développeurs d'IA peinent également à correspondre aux acheteurs en demande.
Les défis existants dans le contexte de l'IA centralisée peuvent être surmontés en se combinant avec le Web3, qui, en tant que nouvelle relation de production, s'adapte naturellement à l'IA représentant une nouvelle productivité, permettant ainsi une avancée simultanée de la technologie et des capacités de production.
1.3 Synergie entre Web3 et AI : Changement de rôle et applications innovantes
La combinaison de Web3 et de l'IA peut renforcer la souveraineté des utilisateurs, en leur offrant une plateforme de collaboration ouverte en IA, permettant aux utilisateurs de passer de simples utilisateurs d'IA de l'ère Web2 à des participants, créant ainsi une IA que tout le monde peut posséder. En même temps, la fusion du monde Web3 et des technologies IA peut également donner naissance à davantage de scénarios d'application innovants et de nouvelles manières de jouer.
Basé sur la technologie Web3, le développement et l'application de l'IA entreront dans un tout nouveau système économique collaboratif. La confidentialité des données des utilisateurs peut être protégée, le modèle de crowdsourcing des données favorise l'avancement des modèles d'IA, de nombreuses ressources d'IA open source sont disponibles pour les utilisateurs, et la puissance de calcul partagée peut être obtenue à moindre coût. Grâce à un mécanisme de crowdsourcing collaboratif décentralisé et à un marché de l'IA ouvert, un système de distribution des revenus équitable peut être réalisé, ce qui incitera davantage de personnes à promouvoir l'avancement de la technologie de l'IA.
Dans le contexte de Web3, l'IA peut avoir un impact positif dans plusieurs domaines. Par exemple, les modèles d'IA peuvent être intégrés dans des contrats intelligents pour améliorer l'efficacité au travail dans différents cas d'application, tels que l'analyse de marché, la détection de sécurité, le clustering social et bien d'autres fonctionnalités. L'IA générative permet non seulement aux utilisateurs de vivre le rôle d'"artiste", par exemple en utilisant des technologies d'IA pour créer leurs propres NFT, mais elle peut également créer des scènes de jeu riches et variées et des expériences d'interaction intéressantes dans GameFi. Une infrastructure riche offre une expérience de développement fluide, que ce soit pour les experts en IA ou pour les novices qui souhaitent entrer dans le domaine de l'IA, chacun peut trouver une entrée appropriée dans ce monde.
Deux, interprétation de la carte et de l'architecture des projets écosystémiques Web3-AI
Nous avons principalement étudié 41 projets dans le domaine Web3-AI et avons classé ces projets en différents niveaux. La logique de classification de chaque niveau est illustrée dans le graphique ci-dessous, y compris le niveau d'infrastructure, le niveau intermédiaire et le niveau d'application, chaque niveau étant lui-même divisé en différentes sections. Dans le chapitre suivant, nous procéderons à une analyse approfondie de certains projets représentatifs.
La couche d'infrastructure couvre les ressources de calcul et l'architecture technique nécessaires au fonctionnement de l'ensemble du cycle de vie de l'IA, la couche intermédiaire comprend la gestion des données, le développement de modèles et les services de validation et d'inférence qui relient l'infrastructure aux applications, tandis que la couche d'application se concentre sur les diverses applications et solutions directement destinées aux utilisateurs.
Infrastructure Layer :
La couche d'infrastructure est la base du cycle de vie de l'IA. Cet article classe la puissance de calcul, la chaîne d'IA et la plateforme de développement comme faisant partie de la couche d'infrastructure. C'est grâce au soutien de ces infrastructures que l'entraînement et l'inférence des modèles d'IA peuvent être réalisés, et que des applications IA puissantes et pratiques peuvent être présentées aux utilisateurs.
Réseau de calcul décentralisé : il peut fournir une puissance de calcul distribuée pour l'entraînement des modèles AI, garantissant une utilisation efficace et économique des ressources de calcul. Certains projets ont mis en place des marchés de puissance de calcul décentralisés, où les utilisateurs peuvent louer de la puissance de calcul à faible coût ou partager de la puissance de calcul pour en tirer des profits, avec des projets représentatifs comme IO.NET et Hyperbolic. De plus, certains projets ont dérivé de nouvelles manières de jouer, comme Compute Labs, qui a proposé un protocole tokenisé, permettant aux utilisateurs d'acheter des NFT représentant des entités GPU, pour participer de différentes manières à la location de puissance de calcul afin d'en tirer des bénéfices.
AI Chain : Utiliser la blockchain comme base pour le cycle de vie de l'IA, permettant une interaction fluide entre les ressources IA on-chain et off-chain, et favorisant le développement de l'écosystème industriel. Le marché décentralisé de l'IA sur la chaîne peut échanger des actifs IA tels que des données, des modèles, des agents, etc., et fournir un cadre de développement IA ainsi que des outils de développement associés, avec des projets représentatifs comme Sahara AI. AI Chain peut également favoriser les avancées technologiques de l'IA dans différents domaines, comme Bittensor qui stimule la concurrence entre différents types de sous-réseaux grâce à un mécanisme incitatif innovant.
Plateforme de développement : certains projets offrent des plateformes de développement d'agents IA, permettant également le trading d'agents IA, comme Fetch.ai et ChainML. Des outils tout-en-un aident les développeurs à créer, entraîner et déployer des modèles IA plus facilement, avec des projets représentatifs comme Nimble. Ces infrastructures favorisent l'application large de la technologie IA dans l'écosystème Web3.
Couche intermédiaire :
Ce niveau implique des données AI, des modèles ainsi que le raisonnement et la vérification, et l'utilisation de la technologie Web3 peut réaliser une efficacité de travail plus élevée.
En outre, certaines plateformes permettent aux experts du domaine ou aux utilisateurs ordinaires d'effectuer des tâches de prétraitement des données, telles que l'annotation d'images et la classification des données, ces tâches pouvant nécessiter des connaissances spécialisées en finance et en droit pour le traitement des données. Les utilisateurs peuvent tokeniser leurs compétences et réaliser une collaboration en crowdsourcing pour le prétraitement des données. Des exemples incluent le marché AI d'Sahara AI, qui propose des tâches de données dans différents domaines, pouvant couvrir des scénarios de données multidisciplinaires ; tandis que le protocole AIT effectue l'annotation des données par le biais d'une collaboration homme-machine.
Certains projets permettent aux utilisateurs de fournir différents types de modèles ou de collaborer à la formation de modèles par le biais de l'intelligence collective, comme Sentient qui, grâce à une conception modulaire, permet aux utilisateurs de placer des données de modèles fiables dans la couche de stockage et la couche de distribution pour optimiser les modèles. Les outils de développement fournis par Sahara AI intègrent des algorithmes d'IA avancés et des cadres de calcul, et disposent de la capacité d'entraînement collaboratif.
Couche d'application :
Ce niveau est principalement une application directement destinée aux utilisateurs, combinant l'IA avec le Web3 pour créer des moyens de jeu plus intéressants et innovants. Cet article passe en revue les projets dans plusieurs domaines, notamment l'AIGC (contenu généré par l'IA), les agents IA et l'analyse de données.
AIGC : Grâce à l'AIGC, il est possible de s'étendre aux secteurs des NFT, des jeux, etc. dans le Web3, les utilisateurs peuvent directement générer des textes, des images et des audios via des Prompts (mots-clés fournis par l'utilisateur), et même créer des modes de jeu personnalisés selon leurs préférences. Des projets NFT comme NFPrompt, où les utilisateurs peuvent générer des NFT via l'IA pour les échanger sur le marché ; des jeux comme Sleepless, où les utilisateurs façonnent la personnalité de leur compagnon virtuel par le dialogue pour correspondre à leurs préférences ;
Agent IA : désigne un système d'intelligence artificielle capable d'exécuter des tâches de manière autonome et de prendre des décisions. Les agents IA possèdent généralement des capacités de perception, de raisonnement, d'apprentissage et d'action, leur permettant d'exécuter des tâches complexes dans divers environnements. Des exemples courants d'agents IA incluent