Панорамний звіт про Web3-AI: технічна логіка, сценарні застосування та глибокий аналіз провідних проєктів
З огляду на те, що AI-наратив продовжує набирати популярність, все більше уваги зосереджується на цій галузі. У цій статті проводиться глибокий аналіз технологічної логіки, застосункових сценаріїв та представницьких проектів у сфері Web3-AI, щоб повністю представити вам панораму та тенденції розвитку цієї області.
Одне. Web3-AI: аналіз технологічної логіки та нових ринкових можливостей
1.1 Логіка інтеграції Web3 та AI: як визначити Web-AI сегмент
Протягом минулого року AI-оповідання в індустрії Web3 стало надзвичайно популярним, AI-проекти з'являються як гриби після дощу. Хоча багато проектів використовують AI-технології, деякі з них лише в певних частинах своїх продуктів, тоді як базова токеноміка не має суттєвого зв'язку з AI-продуктами, тому такі проекти не входять до обговорення Web3-AI проектів у цій статті.
У цій статті акцентується увага на проектах, які використовують блокчейн для вирішення проблем виробничих відносин, а штучний інтелект — для вирішення проблем продуктивності. Ці проекти самі пропонують продукти на основі ШІ, одночасно спираючись на економічну модель Web3 як інструмент виробничих відносин, що підтримує один одного. Ми класифікуємо такі проекти в категорію Web3-AI. Щоб читачі краще зрозуміли цю категорію, в статті буде розглянуто процес розробки штучного інтелекту та виклики, а також те, як поєднання Web3 і ШІ може ідеально вирішити проблеми та створити нові сценарії застосування.
1.2 Розробка та виклики штучного інтелекту: від збору даних до моделювання висновків
Технологія штучного інтелекту є технологією, яка дозволяє комп'ютерам імітувати, розширювати та покращувати людський інтелект. Вона здатна дозволити комп'ютерам виконувати різноманітні складні завдання, від перекладу мов, класифікації зображень до розпізнавання облич, автономного водіння та інших застосувань, ШІ змінює спосіб нашого життя та роботи.
Процес розробки моделей штучного інтелекту зазвичай містить кілька ключових етапів: збір даних та попередня обробка даних, вибір моделі та її налаштування, навчання моделі та інференція. Наприклад, щоб розробити модель для класифікації зображень котів і собак, вам потрібно:
Збір даних та попередня обробка даних: зібрати набір даних з зображеннями котів і собак, можна використовувати публічні набори даних або зібрати реальні дані самостійно. Потім для кожного зображення потрібно позначити категорію (кіт або собака), забезпечивши точність міток. Перетворити зображення у формат, який може розпізнати модель, розділити набір даних на навчальний, валідаційний та тестовий набори.
Вибір і налаштування моделі: вибір відповідної моделі, наприклад, згорткової нейронної мережі (CNN), яка більше підходить для завдань класифікації зображень. Налаштування параметрів або архітектури моделі відповідно до різних вимог, зазвичай, рівень мережі моделі можна налаштувати відповідно до складності завдання AI. У цьому простому прикладі класифікації може бути достатньо більш поверхневої мережевої структури.
Моделювання: можна використовувати GPU, TPU або високопродуктивні обчислювальні кластери для навчання моделі, час навчання залежить від складності моделі та обчислювальної потужності.
Моделювання висновків: Файли, які містять навчану модель, зазвичай називаються вагою моделі. Процес висновку означає використання вже навченого моделі для прогнозування або класифікації нових даних. У цьому процесі можна використовувати тестовий набір або нові дані для перевірки ефективності класифікації моделі, зазвичай оцінюючи ефективність моделі за допомогою таких показників, як точність, чутливість, F1-score тощо.
Як показано на малюнку, після збору даних та їх попередньої обробки, вибору та налаштування моделі, а також навчання, виконуючи інференцію навченими моделями на тестовому наборі даних, можна отримати прогнозовані значення P (ймовірність) для котів та собак, тобто ймовірність того, що модель вважає об'єкт котом або собакою.
Навчена AI модель може бути додатково інтегрована в різні програми для виконання різних завдань. У цьому прикладі модель AI для класифікації котів і собак може бути інтегрована в мобільний додаток, де користувач завантажує зображення кота або собаки і отримує результати класифікації.
Однак, централізований процес розробки ШІ має деякі проблеми в наступних ситуаціях:
Приватність користувачів: у централізованих сценаріях процес розробки ШІ зазвичай є непрозорим. Дані користувачів можуть бути вкрадені без їх відома та використані для навчання ШІ.
Отримання джерела даних: невеликі команди або особи, які намагаються отримати дані в певній області (наприклад, медичні дані), можуть зіткнутися з обмеженнями на ненадання даних.
Вибір і налаштування моделей: для малих команд важко отримати ресурси моделей у специфічних галузях або витратити великі кошти на налаштування моделей.
Отримання обчислювальної потужності: для окремих розробників та малих команд висока вартість придбання GPU та витрати на оренду хмарної обчислювальної потужності можуть стати значним економічним тягарем.
Доходи від активів на основі ШІ: працівники з розмітки даних часто не можуть отримати доходи, що відповідають їхнім витратам, а результати досліджень розробників ШІ також важко узгодити з покупцями, які мають потребу.
Виклики, що існують у централізованих AI-сценаріях, можуть бути подолані через поєднання з Web3. Web3, як новий тип виробничих відносин, природно адаптується до AI, який представляє нові виробничі сили, тим самим сприяючи одночасному прогресу технологій і виробничих можливостей.
1.3 Синергетичний ефект Web3 та AI: зміна ролей та інноваційні застосування
Поєднання Web3 та AI може посилити суверенітет користувачів, надаючи їм відкриту платформу для співпраці з AI, що дозволяє користувачам перейти від використання AI в епоху Web2 до участі в ньому, створюючи AI, яким можуть володіти всі. Крім того, інтеграція світу Web3 та технологій AI може спровокувати виникнення ще більшої кількості інноваційних сценаріїв застосування та ігрових механік.
На основі технології Web3 розробка та застосування штучного інтелекту зустрінуть нову економічну систему співпраці. Приватність даних людей може бути захищена, модель краудсорсингу даних сприяє прогресу моделей штучного інтелекту, численні відкриті ресурси штучного інтелекту доступні для користувачів, а спільні обчислювальні потужності можна отримати за нижчою ціною. Завдяки децентралізованій механізму краудсорсингу та відкритому ринку штучного інтелекту можна реалізувати справедливу систему розподілу доходів, що стимулює більше людей сприяти прогресу технологій штучного інтелекту.
У сцені Web3 ШІ може мати позитивний вплив у кількох напрямках. Наприклад, моделі ШІ можуть бути інтегровані в смарт-контракти, що підвищує ефективність роботи в різних сферах застосування, таких як ринковий аналіз, безпекове тестування, соціальна кластеризація та інші функції. Генеративний ШІ не лише дозволяє користувачам відчути себе "художником", наприклад, створюючи свої власні NFT за допомогою технології ШІ, але й може створювати різноманітні ігрові сцени та цікаві інтерактивні досвіди в GameFi. Розвинена інфраструктура забезпечує плавний досвід розробки, завдяки чому як експерти з ШІ, так і новачки, які хочуть увійти в цю галузь, можуть знайти відповідний вхід у цьому світі.
Два, Аналіз екосистеми Web3-AI проектів та їх архітектура
Ми в основному досліджували 41 проект у сфері Web3-AI та розділили ці проекти на різні рівні. Логіка розподілу кожного рівня наведена на нижчій діаграмі, включаючи рівень інфраструктури, проміжний рівень та рівень застосування, кожен з яких також розділено на різні сектори. У наступному розділі ми проведемо глибокий аналіз деяких репрезентативних проектів.
Інфраструктурний рівень охоплює обчислювальні ресурси та технологічну архітектуру, які підтримують роботу всього життєвого циклу ШІ, тоді як середній рівень включає управління даними, розробку моделей та послуги верифікації й висновків, що з'єднують інфраструктуру та застосування. Рівень застосувань зосереджується на різних додатках та рішеннях, що безпосередньо орієнтовані на користувачів.
Інфраструктурний рівень:
Інфраструктурний рівень є основою життєвого циклу ШІ, у цій статті обчислювальну потужність, AI Chain та розробницьку платформу класифікують як інфраструктурний рівень. Саме завдяки підтримці цих інфраструктур можливо здійснити навчання та інференцію моделей ШІ і представити користувачам потужні та практичні програми ШІ.
Децентралізована обчислювальна мережа: може забезпечити розподілені обчислювальні потужності для навчання AI-моделей, забезпечуючи ефективне та економічне використання обчислювальних ресурсів. Деякі проекти пропонують децентралізований ринок обчислювальної потужності, де користувачі можуть орендувати обчислювальні потужності за низькою ціною або ділитися потужностями для отримання доходу, прикладом таких проектів є IO.NET та Hyperbolic. Крім того, деякі проекти розробили нові ігрові механіки, такі як Compute Labs, які запропонували токенізований протокол, де користувачі можуть купувати NFT, що представляють фізичні GPU, та брати участь в оренді обчислювальних потужностей різними способами для отримання доходу.
AI Chain: Використання блокчейну як основи життєвого циклу ШІ, забезпечуючи безшовну взаємодію між ресурсами ШІ на ланцюгу та поза його межами, сприяючи розвитку екосистеми в галузі. Децентралізований ринок ШІ на ланцюгу може торгувати активами ШІ, такими як дані, моделі, агенти тощо, і надавати фреймворки для розробки ШІ та супутні інструменти для розробників, зокрема проєкт Sahara AI. AI Chain також може сприяти розвитку технологій ШІ в різних сферах, як це робить Bittensor через інноваційний механізм заохочення підмереж для сприяння конкуренції між різними типами ШІ.
Розробницька платформа: деякі проекти пропонують платформи для розробки AI-агентів, а також можуть реалізувати торгівлю AI-агентами, такі як Fetch.ai та ChainML. Універсальні інструменти допомагають розробникам зручніше створювати, навчати та розгортати AI-моделі, представлений проект, такий як Nimble. Ця інфраструктура сприяє широкому впровадженню технологій AI в екосистемі Web3.
Проміжний шар:
Цей рівень стосується даних AI, моделей, а також висновків і верифікації, використання технології Web3 може забезпечити вищу продуктивність праці.
Дані: Якість і кількість даних є ключовими факторами, що впливають на ефективність навчання моделей. У світі Web3, через краудсорсинг даних і кооперативну обробку даних, можна оптимізувати використання ресурсів і знизити витрати на дані. Користувачі можуть володіти автономією над даними, продаючи свої дані в умовах захисту приватності, щоб уникнути їх викрадення поганими торговцями та отримання високих прибутків. Для сторін, які потребують даних, ці платформи пропонують широкий вибір та надзвичайно низькі витрати. Представлені проекти, такі як Grass, використовують пропускну здатність користувачів для збору веб-даних, xData збирає медіаінформацію через зручні плагіни, а також підтримує завантаження користувачами інформації з твітів.
Крім того, деякі платформи дозволяють фахівцям або звичайним користувачам виконувати завдання з попередньої обробки даних, такі як маркування зображень, класифікація даних, ці завдання можуть вимагати спеціальних знань у фінансовій та юридичній обробці даних, користувачі можуть токенізувати свої навички, реалізуючи колективну краудсорсинг попередньої обробки даних. Представники, такі як AI-ринок Sahara AI, мають різні завдання з даними, які можуть охоплювати багатопрофільні сценарії даних; тоді як AIT Protocolt здійснює маркування даних за допомогою співпраці людини і машини.
Модель: У раніше згаданому процесі розробки ШІ різні типи вимог потребують відповідних моделей. Для завдань з обробки зображень зазвичай використовуються моделі, такі як CNN, GAN, для завдань виявлення об'єктів можна обрати серію Yolo, для текстових завдань поширеними є моделі RNN, Transformer та інші, звичайно, є також деякі специфічні або універсальні великі моделі. Моделі глибини, необхідні для завдань різної складності, також різні, іноді потрібно проводити налаштування моделі.
Деякі проекти підтримують можливість для користувачів надавати різні типи моделей або співпрацювати в тренуванні моделей через краудсорсинг, такі як Sentient, який через модульний дизайн дозволяє користувачам зберігати надійні дані моделей на рівні зберігання та розподілу для оптимізації моделей, а також інструменти розробки, які надає Sahara AI, мають вбудовані сучасні алгоритми ШІ та обчислювальні фреймворки, а також здатність до спільного навчання.
Висновок та верифікація: після навчання моделі генеруються файли ваг моделі, які можна використовувати для безпосередньої класифікації, прогнозування або інших специфічних завдань. Цей процес називається висновком. Процес висновку зазвичай супроводжується механізмом верифікації, щоб перевірити, чи правильне походження моделі висновку, чи є зловмисні дії тощо. Висновок Web3 зазвичай можна інтегрувати в смарт-контракти, викликуючи модель для висновку. Загальні способи верифікації включають технології ZKML, OPML та TEE. Представники проектів, такі як AI-оракул на ORA-ланцюгу (OAO), впровадили OPML як верифікаційний шар для AI-оракулів, на офіційному сайті ORA також згадуються їхні дослідження щодо ZKML та opp/ai (поєднання ZKML з OPML).
Застосунковий рівень:
Цей рівень в основному складається з програм, орієнтованих на користувача, які поєднують штучний інтелект з Web3, створюючи більше цікавих і новаторських способів використання. У цій статті в основному розглядаються проекти в таких секторах, як AIGC (штучно згенерований контент), AI-агенти та аналіз даних.
AIGC: Завдяки AIGC можна розширити можливості у Web3, включаючи NFT, ігри та інші напрямки. Користувачі можуть безпосередньо за допомогою Prompt (підказок, наданих користувачем) генерувати текст, зображення та аудіо, навіть можуть створювати власні ігрові сценарії відповідно до своїх вподобань. NFT проекти, такі як NFPrompt, дозволяють користувачам генерувати NFT за допомогою ШІ для торгівлі на ринку; ігри, такі як Sleepless, дозволяють користувачам формувати характер віртуального партнера через діалоги, щоб відповідати своїм вподобанням;
AI-агенти: це штучні інтелектуальні системи, які можуть самостійно виконувати завдання та приймати рішення. AI-агенти зазвичай мають можливості сприйняття, міркування, навчання та дій, можуть виконувати складні завдання в різних середовищах. Загальними AI-агентами є
Ця сторінка може містити контент третіх осіб, який надається виключно в інформаційних цілях (не в якості запевнень/гарантій) і не повинен розглядатися як схвалення його поглядів компанією Gate, а також як фінансова або професійна консультація. Див. Застереження для отримання детальної інформації.
16 лайків
Нагородити
16
4
Поділіться
Прокоментувати
0/400
StakeHouseDirector
· 12год тому
Спекулянти знову малюють BTC, зрозумійте, що це за фігня ai
Переглянути оригіналвідповісти на0
RugPullSurvivor
· 12год тому
Ще одна купа спекулятивних пасток, досить уже.
Переглянути оригіналвідповісти на0
LiquidationWizard
· 12год тому
Хе-хе, це все ще грати за невдах, щоб розігріти інтерес.
Web3-AI повний звіт: технічна логіка, сценарії застосування та глибокий аналіз провідних проектів
Панорамний звіт про Web3-AI: технічна логіка, сценарні застосування та глибокий аналіз провідних проєктів
З огляду на те, що AI-наратив продовжує набирати популярність, все більше уваги зосереджується на цій галузі. У цій статті проводиться глибокий аналіз технологічної логіки, застосункових сценаріїв та представницьких проектів у сфері Web3-AI, щоб повністю представити вам панораму та тенденції розвитку цієї області.
Одне. Web3-AI: аналіз технологічної логіки та нових ринкових можливостей
1.1 Логіка інтеграції Web3 та AI: як визначити Web-AI сегмент
Протягом минулого року AI-оповідання в індустрії Web3 стало надзвичайно популярним, AI-проекти з'являються як гриби після дощу. Хоча багато проектів використовують AI-технології, деякі з них лише в певних частинах своїх продуктів, тоді як базова токеноміка не має суттєвого зв'язку з AI-продуктами, тому такі проекти не входять до обговорення Web3-AI проектів у цій статті.
У цій статті акцентується увага на проектах, які використовують блокчейн для вирішення проблем виробничих відносин, а штучний інтелект — для вирішення проблем продуктивності. Ці проекти самі пропонують продукти на основі ШІ, одночасно спираючись на економічну модель Web3 як інструмент виробничих відносин, що підтримує один одного. Ми класифікуємо такі проекти в категорію Web3-AI. Щоб читачі краще зрозуміли цю категорію, в статті буде розглянуто процес розробки штучного інтелекту та виклики, а також те, як поєднання Web3 і ШІ може ідеально вирішити проблеми та створити нові сценарії застосування.
1.2 Розробка та виклики штучного інтелекту: від збору даних до моделювання висновків
Технологія штучного інтелекту є технологією, яка дозволяє комп'ютерам імітувати, розширювати та покращувати людський інтелект. Вона здатна дозволити комп'ютерам виконувати різноманітні складні завдання, від перекладу мов, класифікації зображень до розпізнавання облич, автономного водіння та інших застосувань, ШІ змінює спосіб нашого життя та роботи.
Процес розробки моделей штучного інтелекту зазвичай містить кілька ключових етапів: збір даних та попередня обробка даних, вибір моделі та її налаштування, навчання моделі та інференція. Наприклад, щоб розробити модель для класифікації зображень котів і собак, вам потрібно:
Збір даних та попередня обробка даних: зібрати набір даних з зображеннями котів і собак, можна використовувати публічні набори даних або зібрати реальні дані самостійно. Потім для кожного зображення потрібно позначити категорію (кіт або собака), забезпечивши точність міток. Перетворити зображення у формат, який може розпізнати модель, розділити набір даних на навчальний, валідаційний та тестовий набори.
Вибір і налаштування моделі: вибір відповідної моделі, наприклад, згорткової нейронної мережі (CNN), яка більше підходить для завдань класифікації зображень. Налаштування параметрів або архітектури моделі відповідно до різних вимог, зазвичай, рівень мережі моделі можна налаштувати відповідно до складності завдання AI. У цьому простому прикладі класифікації може бути достатньо більш поверхневої мережевої структури.
Моделювання: можна використовувати GPU, TPU або високопродуктивні обчислювальні кластери для навчання моделі, час навчання залежить від складності моделі та обчислювальної потужності.
Моделювання висновків: Файли, які містять навчану модель, зазвичай називаються вагою моделі. Процес висновку означає використання вже навченого моделі для прогнозування або класифікації нових даних. У цьому процесі можна використовувати тестовий набір або нові дані для перевірки ефективності класифікації моделі, зазвичай оцінюючи ефективність моделі за допомогою таких показників, як точність, чутливість, F1-score тощо.
Як показано на малюнку, після збору даних та їх попередньої обробки, вибору та налаштування моделі, а також навчання, виконуючи інференцію навченими моделями на тестовому наборі даних, можна отримати прогнозовані значення P (ймовірність) для котів та собак, тобто ймовірність того, що модель вважає об'єкт котом або собакою.
! Web3-AI Track Panorama Report: глибокий аналіз технічної логіки, сценаріїв додатків та топових проєктів
Навчена AI модель може бути додатково інтегрована в різні програми для виконання різних завдань. У цьому прикладі модель AI для класифікації котів і собак може бути інтегрована в мобільний додаток, де користувач завантажує зображення кота або собаки і отримує результати класифікації.
Однак, централізований процес розробки ШІ має деякі проблеми в наступних ситуаціях:
Приватність користувачів: у централізованих сценаріях процес розробки ШІ зазвичай є непрозорим. Дані користувачів можуть бути вкрадені без їх відома та використані для навчання ШІ.
Отримання джерела даних: невеликі команди або особи, які намагаються отримати дані в певній області (наприклад, медичні дані), можуть зіткнутися з обмеженнями на ненадання даних.
Вибір і налаштування моделей: для малих команд важко отримати ресурси моделей у специфічних галузях або витратити великі кошти на налаштування моделей.
Отримання обчислювальної потужності: для окремих розробників та малих команд висока вартість придбання GPU та витрати на оренду хмарної обчислювальної потужності можуть стати значним економічним тягарем.
Доходи від активів на основі ШІ: працівники з розмітки даних часто не можуть отримати доходи, що відповідають їхнім витратам, а результати досліджень розробників ШІ також важко узгодити з покупцями, які мають потребу.
Виклики, що існують у централізованих AI-сценаріях, можуть бути подолані через поєднання з Web3. Web3, як новий тип виробничих відносин, природно адаптується до AI, який представляє нові виробничі сили, тим самим сприяючи одночасному прогресу технологій і виробничих можливостей.
1.3 Синергетичний ефект Web3 та AI: зміна ролей та інноваційні застосування
Поєднання Web3 та AI може посилити суверенітет користувачів, надаючи їм відкриту платформу для співпраці з AI, що дозволяє користувачам перейти від використання AI в епоху Web2 до участі в ньому, створюючи AI, яким можуть володіти всі. Крім того, інтеграція світу Web3 та технологій AI може спровокувати виникнення ще більшої кількості інноваційних сценаріїв застосування та ігрових механік.
На основі технології Web3 розробка та застосування штучного інтелекту зустрінуть нову економічну систему співпраці. Приватність даних людей може бути захищена, модель краудсорсингу даних сприяє прогресу моделей штучного інтелекту, численні відкриті ресурси штучного інтелекту доступні для користувачів, а спільні обчислювальні потужності можна отримати за нижчою ціною. Завдяки децентралізованій механізму краудсорсингу та відкритому ринку штучного інтелекту можна реалізувати справедливу систему розподілу доходів, що стимулює більше людей сприяти прогресу технологій штучного інтелекту.
У сцені Web3 ШІ може мати позитивний вплив у кількох напрямках. Наприклад, моделі ШІ можуть бути інтегровані в смарт-контракти, що підвищує ефективність роботи в різних сферах застосування, таких як ринковий аналіз, безпекове тестування, соціальна кластеризація та інші функції. Генеративний ШІ не лише дозволяє користувачам відчути себе "художником", наприклад, створюючи свої власні NFT за допомогою технології ШІ, але й може створювати різноманітні ігрові сцени та цікаві інтерактивні досвіди в GameFi. Розвинена інфраструктура забезпечує плавний досвід розробки, завдяки чому як експерти з ШІ, так і новачки, які хочуть увійти в цю галузь, можуть знайти відповідний вхід у цьому світі.
Два, Аналіз екосистеми Web3-AI проектів та їх архітектура
Ми в основному досліджували 41 проект у сфері Web3-AI та розділили ці проекти на різні рівні. Логіка розподілу кожного рівня наведена на нижчій діаграмі, включаючи рівень інфраструктури, проміжний рівень та рівень застосування, кожен з яких також розділено на різні сектори. У наступному розділі ми проведемо глибокий аналіз деяких репрезентативних проектів.
Інфраструктурний рівень охоплює обчислювальні ресурси та технологічну архітектуру, які підтримують роботу всього життєвого циклу ШІ, тоді як середній рівень включає управління даними, розробку моделей та послуги верифікації й висновків, що з'єднують інфраструктуру та застосування. Рівень застосувань зосереджується на різних додатках та рішеннях, що безпосередньо орієнтовані на користувачів.
Інфраструктурний рівень:
Інфраструктурний рівень є основою життєвого циклу ШІ, у цій статті обчислювальну потужність, AI Chain та розробницьку платформу класифікують як інфраструктурний рівень. Саме завдяки підтримці цих інфраструктур можливо здійснити навчання та інференцію моделей ШІ і представити користувачам потужні та практичні програми ШІ.
Децентралізована обчислювальна мережа: може забезпечити розподілені обчислювальні потужності для навчання AI-моделей, забезпечуючи ефективне та економічне використання обчислювальних ресурсів. Деякі проекти пропонують децентралізований ринок обчислювальної потужності, де користувачі можуть орендувати обчислювальні потужності за низькою ціною або ділитися потужностями для отримання доходу, прикладом таких проектів є IO.NET та Hyperbolic. Крім того, деякі проекти розробили нові ігрові механіки, такі як Compute Labs, які запропонували токенізований протокол, де користувачі можуть купувати NFT, що представляють фізичні GPU, та брати участь в оренді обчислювальних потужностей різними способами для отримання доходу.
AI Chain: Використання блокчейну як основи життєвого циклу ШІ, забезпечуючи безшовну взаємодію між ресурсами ШІ на ланцюгу та поза його межами, сприяючи розвитку екосистеми в галузі. Децентралізований ринок ШІ на ланцюгу може торгувати активами ШІ, такими як дані, моделі, агенти тощо, і надавати фреймворки для розробки ШІ та супутні інструменти для розробників, зокрема проєкт Sahara AI. AI Chain також може сприяти розвитку технологій ШІ в різних сферах, як це робить Bittensor через інноваційний механізм заохочення підмереж для сприяння конкуренції між різними типами ШІ.
Розробницька платформа: деякі проекти пропонують платформи для розробки AI-агентів, а також можуть реалізувати торгівлю AI-агентами, такі як Fetch.ai та ChainML. Універсальні інструменти допомагають розробникам зручніше створювати, навчати та розгортати AI-моделі, представлений проект, такий як Nimble. Ця інфраструктура сприяє широкому впровадженню технологій AI в екосистемі Web3.
Проміжний шар:
Цей рівень стосується даних AI, моделей, а також висновків і верифікації, використання технології Web3 може забезпечити вищу продуктивність праці.
Крім того, деякі платформи дозволяють фахівцям або звичайним користувачам виконувати завдання з попередньої обробки даних, такі як маркування зображень, класифікація даних, ці завдання можуть вимагати спеціальних знань у фінансовій та юридичній обробці даних, користувачі можуть токенізувати свої навички, реалізуючи колективну краудсорсинг попередньої обробки даних. Представники, такі як AI-ринок Sahara AI, мають різні завдання з даними, які можуть охоплювати багатопрофільні сценарії даних; тоді як AIT Protocolt здійснює маркування даних за допомогою співпраці людини і машини.
Деякі проекти підтримують можливість для користувачів надавати різні типи моделей або співпрацювати в тренуванні моделей через краудсорсинг, такі як Sentient, який через модульний дизайн дозволяє користувачам зберігати надійні дані моделей на рівні зберігання та розподілу для оптимізації моделей, а також інструменти розробки, які надає Sahara AI, мають вбудовані сучасні алгоритми ШІ та обчислювальні фреймворки, а також здатність до спільного навчання.
Застосунковий рівень:
Цей рівень в основному складається з програм, орієнтованих на користувача, які поєднують штучний інтелект з Web3, створюючи більше цікавих і новаторських способів використання. У цій статті в основному розглядаються проекти в таких секторах, як AIGC (штучно згенерований контент), AI-агенти та аналіз даних.
AIGC: Завдяки AIGC можна розширити можливості у Web3, включаючи NFT, ігри та інші напрямки. Користувачі можуть безпосередньо за допомогою Prompt (підказок, наданих користувачем) генерувати текст, зображення та аудіо, навіть можуть створювати власні ігрові сценарії відповідно до своїх вподобань. NFT проекти, такі як NFPrompt, дозволяють користувачам генерувати NFT за допомогою ШІ для торгівлі на ринку; ігри, такі як Sleepless, дозволяють користувачам формувати характер віртуального партнера через діалоги, щоб відповідати своїм вподобанням;
AI-агенти: це штучні інтелектуальні системи, які можуть самостійно виконувати завдання та приймати рішення. AI-агенти зазвичай мають можливості сприйняття, міркування, навчання та дій, можуть виконувати складні завдання в різних середовищах. Загальними AI-агентами є