Relatório panorâmico da pista Web3-AI: lógica técnica, aplicações de cenário e análise profunda de projetos de topo

Com o aquecimento contínuo da narrativa de IA, cada vez mais atenção está sendo concentrada nesta pista. Foi realizada uma análise aprofundada da lógica técnica, cenários de aplicação e projetos representativos da pista Web3-AI, apresentando de forma abrangente o panorama e as tendências de desenvolvimento deste campo.

I. Web3-AI: Análise da Lógica Técnica e Oportunidades de Mercado Emergentes

1.1 Lógica da fusão entre Web3 e AI: como definir a pista Web-AI

No último ano, a narrativa de IA tem estado excepcionalmente em alta na indústria Web3, com projetos de IA a surgirem como cogumelos após a chuva. Embora haja muitos projetos que envolvem tecnologia de IA, alguns destes projetos utilizam IA apenas em certas partes dos seus produtos, e a economia de tokens subjacente não tem uma relação substancial com os produtos de IA, portanto, tais projetos não estão incluídos na discussão sobre projetos Web3-AI neste artigo.

O foco deste artigo está na utilização da blockchain para resolver problemas de relações de produção e na utilização da IA para resolver problemas de produtividade. Esses projetos oferecem produtos de IA e, ao mesmo tempo, baseiam-se em modelos econômicos Web3 como ferramentas de relações de produção, sendo que ambos se complementam. Classificamos esses projetos na categoria Web3-AI. Para que os leitores compreendam melhor a categoria Web3-AI, serão apresentados o processo de desenvolvimento da IA e os desafios, assim como a forma como a combinação de Web3 e IA pode solucionar problemas de forma perfeita e criar novos cenários de aplicação.

1.2 O processo de desenvolvimento da IA e desafios: da coleta de dados à inferência do modelo

A tecnologia de IA é uma tecnologia que permite que os computadores simulem, ampliem e melhorem a inteligência humana. Ela permite que os computadores realizem várias tarefas complexas, desde tradução de idiomas, classificação de imagens até reconhecimento facial, condução autónoma e outros cenários de aplicação, a IA está mudando a maneira como vivemos e trabalhamos.

O processo de desenvolvimento de modelos de inteligência artificial geralmente inclui os seguintes passos-chave: coleta de dados e pré-processamento de dados, seleção e ajuste do modelo, treinamento e inferência do modelo. Para dar um exemplo simples, ao desenvolver um modelo para classificar imagens de gatos e cães, você precisa:

1. Coleta de dados e pré-processamento de dados: Coletar um conjunto de dados de imagens que contenham gatos e cães, podendo utilizar conjuntos de dados públicos ou coletar dados reais. Em seguida, rotular cada imagem com a categoria (gato ou cão), garantindo que os rótulos estejam corretos. Converter as imagens para um formato que o modelo possa reconhecer e dividir o conjunto de dados em conjunto de treinamento, conjunto de validação e conjunto de teste.

2. Seleção e ajuste do modelo: escolha o modelo adequado, como redes neurais convolucionais (CNN), que são mais adequadas para tarefas de classificação de imagens. Ajuste os parâmetros ou a arquitetura do modelo conforme as necessidades, geralmente, a profundidade da rede do modelo pode ser ajustada de acordo com a complexidade da tarefa de IA. Neste exemplo simples de classificação, uma rede de camada mais rasa pode ser suficiente.

3. Treinamento de modelo: pode-se usar GPU, TPU ou clusters de computação de alto desempenho para treinar o modelo, e o tempo de treinamento é influenciado pela complexidade do modelo e pela capacidade de computação.

4. Inferência do modelo: Os arquivos de modelo que foram treinados são geralmente chamados de pesos do modelo, e o processo de inferência refere-se ao uso de um modelo já treinado para prever ou classificar novos dados. Durante este processo, pode-se usar um conjunto de testes ou novos dados para testar a eficácia da classificação do modelo, sendo normalmente utilizados indicadores como precisão, taxa de recuperação e F1-score para avaliar a eficácia do modelo.

Após a coleta de dados e pré-processamento de dados, seleção e ajuste de modelos, e treinamento, realizar a inferência do modelo treinado no conjunto de teste resultará nos valores de previsão para gatos e cães P (probabilidade), ou seja, a probabilidade de o modelo inferir que é um gato ou um cão.

Modelos de IA treinados podem ser integrados em várias aplicações para executar diferentes tarefas. Neste exemplo, um modelo de IA para classificação de gatos e cães pode ser integrado em uma aplicação móvel, onde os usuários carregam imagens de gatos ou cães para obter os resultados da classificação.

No entanto, o processo de desenvolvimento de IA centralizada apresenta alguns problemas nos seguintes cenários:

Privacidade do usuário: em cenários centralizados, o processo de desenvolvimento de IA é geralmente opaco. Dados dos usuários podem ser roubados sem seu conhecimento e usados para treinamento de IA.

Obtenção de fontes de dados: pequenas equipas ou indivíduos podem enfrentar limitações na obtenção de dados em áreas específicas (como dados médicos) quando esses dados não são de código aberto.

Escolha e ajuste de modelos: para pequenas equipas, é difícil obter recursos de modelos específicos ou gastar grandes custos na afinação de modelos.

Aquisição de poder de computação: Para desenvolvedores individuais e pequenas equipes, o alto custo de compra de GPUs e as taxas de aluguer de poder de computação em nuvem podem representar um fardo econômico significativo.

Rendimento de ativos de IA: Os trabalhadores de rotulagem de dados frequentemente não conseguem obter uma renda que corresponda ao que investem, enquanto os resultados das pesquisas dos desenvolvedores de IA também são difíceis de corresponder aos compradores que têm demanda.

Os desafios existentes em cenários de AI centralizada podem ser superados através da combinação com o Web3, sendo o Web3 uma nova relação de produção que se adapta naturalmente à AI, que representa uma nova produtividade, promovendo assim o progresso simultâneo da tecnologia e da capacidade produtiva.

1.3 Web3 e a sinergia com a IA: mudanças de papéis e aplicações inovadoras

A combinação de Web3 e IA pode aumentar a soberania do usuário, proporcionando uma plataforma de colaboração de IA aberta, permitindo que os usuários passem de meros utilizadores de IA da era Web2 para participantes, criando uma IA que pode ser possuída por todos. Ao mesmo tempo, a fusão do mundo Web3 com a tecnologia de IA pode gerar mais cenários de aplicação e formas de inovação.

Baseada na tecnologia Web3, o desenvolvimento e a aplicação da IA ​​irão inaugurar um novo sistema econômico de colaboração. A privacidade dos dados das pessoas pode ser garantida, o modelo de crowdsourcing de dados promove o avanço dos modelos de IA, e numerosos recursos de IA de código aberto estão disponíveis para os usuários, enquanto o poder computacional compartilhado pode ser obtido a um custo mais baixo. Com a ajuda de um mecanismo de colaboração descentralizado e um mercado de IA aberto, pode-se alcançar um sistema de distribuição de renda justa, incentivando mais pessoas a impulsionar o progresso da tecnologia de IA.

No cenário Web3, a IA pode ter um impacto positivo em várias áreas. Por exemplo, modelos de IA podem ser integrados a contratos inteligentes, melhorando a eficiência do trabalho em diferentes cenários de aplicação, como análise de mercado, detecção de segurança, agrupamento social e várias outras funções. A IA generativa não só permite que os usuários experimentem o papel de "artista", como ao criar seu próprio NFT usando tecnologia de IA, mas também pode criar cenários de jogos ricos e diversos e experiências interativas interessantes no GameFi. Uma infraestrutura rica oferece uma experiência de desenvolvimento fluida, permitindo que tanto especialistas em IA quanto iniciantes que desejam entrar no campo da IA encontrem uma entrada adequada neste mundo.

Dois, Análise do Mapa e da Arquitetura dos Projetos da Ecologia Web3-AI

Estudámos principalmente 41 projetos na área do Web3-AI e classificámos esses projetos em diferentes níveis. A lógica de classificação de cada nível é apresentada na figura abaixo, incluindo a camada de infraestrutura, a camada intermédia e a camada de aplicação, sendo que cada camada é dividida em diferentes setores. No próximo capítulo, iremos realizar uma análise profunda de alguns projetos representativos.

A camada de infraestrutura abrange os recursos computacionais e a arquitetura técnica que suportam a execução de todo o ciclo de vida da IA, enquanto a camada intermediária inclui a gestão de dados, desenvolvimento de modelos e serviços de validação e inferência que conectam a infraestrutura com as aplicações. A camada de aplicações foca em várias aplicações e soluções diretamente voltadas para os usuários.

Camada de infraestrutura:

A camada de infraestrutura é a base do ciclo de vida da IA, e este artigo classifica o poder computacional, a AI Chain e a plataforma de desenvolvimento como parte da camada de infraestrutura. É precisamente com o suporte dessas infraestruturas que se torna possível treinar e inferir modelos de IA, apresentando aplicações de IA poderosas e práticas aos usuários.

• Rede de computação descentralizada: pode fornecer poder computacional distribuído para o treinamento de modelos de IA, garantindo a utilização eficiente e econômica de recursos computacionais. Alguns projetos oferecem mercados de poder computacional descentralizados, onde os usuários podem alugar poder computacional a baixo custo ou compartilhar poder computacional para obter rendimento, representados por projetos como IO.NET e Hyperbolic. Além disso, alguns projetos derivaram novas formas de jogar, como Compute Labs, que propuseram um protocolo tokenizado, onde os usuários podem participar de arrendamentos de poder computacional de diferentes maneiras ao comprar NFTs que representam entidades de GPU.

• AI Chain: Utiliza a blockchain como base para o ciclo de vida da IA, permitindo a interação sem costura de recursos de IA on-chain e off-chain, promovendo o desenvolvimento do ecossistema da indústria. O mercado descentralizado de IA na blockchain pode negociar ativos de IA como dados, modelos, agentes, etc., e oferece uma estrutura de desenvolvimento de IA e ferramentas de desenvolvimento associadas, representado por projetos como Sahara AI. AI Chain também pode promover o avanço das tecnologias de IA em diferentes áreas, como Bittensor, que incentiva a competição entre sub-redes de diferentes tipos de IA através de um mecanismo inovador de incentivo de sub-rede.

• Plataforma de Desenvolvimento: Alguns projetos oferecem plataformas de desenvolvimento de agentes de IA, permitindo também a realização de transações com agentes de IA, como Fetch.ai e ChainML. Ferramentas tudo-em-um ajudam os desenvolvedores a criar, treinar e implantar modelos de IA de forma mais conveniente, com projetos representativos como Nimble. Esta infraestrutura promove a ampla aplicação da tecnologia de IA no ecossistema Web3.

Camada intermediária:

Esta camada envolve dados de IA, modelos, bem como raciocínio e validação, adotando a tecnologia Web3 para alcançar uma maior Profundidade de trabalho.

• Dados: A qualidade e a quantidade dos dados são fatores-chave que afetam a eficácia do treinamento do modelo. No mundo Web3, através de dados de crowdsourcing e processamento colaborativo de dados, é possível otimizar a utilização de recursos e reduzir os custos de dados. Os usuários podem ter autonomia sobre os dados, vendendo seus próprios dados sob proteção de privacidade, para evitar que dados sejam roubados por comerciantes desonestos e que lucros elevados sejam obtidos. Para os demandantes de dados, essas plataformas oferecem uma ampla gama de opções e custos extremamente baixos. Projetos representativos como Grass utilizam a largura de banda dos usuários para capturar dados da Web, xData coleta informações da mídia através de plugins amigáveis ao usuário e suporta o upload de informações de tweets pelos usuários.

Além disso, algumas plataformas permitem que especialistas do setor ou usuários comuns realizem tarefas de pré-processamento de dados, como rotulagem de imagens e classificação de dados. Essas tarefas podem exigir conhecimento especializado, como o processamento de dados em tarefas financeiras e legais. Os usuários podem tokenizar suas habilidades para realizar a colaboração em pré-processamento de dados. Exemplos incluem o mercado de IA Sahara AI, que possui tarefas de dados em diferentes setores e pode cobrir cenários de dados em múltiplos setores; enquanto o AIT Protocol realiza a rotulagem de dados através de uma abordagem de colaboração homem-máquina.

• Modelo: No processo de desenvolvimento de IA mencionado anteriormente, diferentes tipos de necessidades precisam de modelos adequados. Modelos comumente usados em tarefas de imagem incluem CNN e GAN, para tarefas de deteção de objetos pode-se escolher a série Yolo, e para tarefas de texto, modelos comuns como RNN e Transformer, além de alguns modelos grandes específicos ou genéricos. A profundidade do modelo necessária varia com a complexidade da tarefa, e às vezes é necessário ajustar o modelo.

Alguns projetos suportam que os usuários forneçam diferentes tipos de modelos ou colaborem no treinamento de modelos através de crowdsourcing, como o Sentient, que através de um design modular, permite que os usuários coloquem dados de modelos confiáveis na camada de armazenamento e na camada de distribuição para otimização de modelos. As ferramentas de desenvolvimento fornecidas pela Sahara AI incorporam algoritmos de IA avançados e estruturas de cálculo, além de possuírem a capacidade de treinamento colaborativo.

• Inferência e validação: após o treinamento, o modelo gera arquivos de pesos que podem ser usados para classificação, previsão ou outras tarefas específicas, e esse processo é chamado de inferência. O processo de inferência geralmente é acompanhado por um mecanismo de validação, para verificar se a origem do modelo de inferência está correta e se há comportamentos maliciosos, entre outros. A inferência em Web3 pode ser integrada em contratos inteligentes, chamando o modelo para realizar a inferência, e métodos de validação comuns incluem tecnologias como ZKML, OPML e TEE. Projetos representativos como o oráculo de IA na cadeia ORA (OAO) introduziram o OPML como uma camada verificável para o oráculo de IA, e o site oficial da ORA também menciona suas pesquisas sobre ZKML e opp/ai (ZKML combinado com OPML).

Camada de aplicação:

Esta camada é principalmente uma aplicação voltada diretamente para o usuário, combinando IA com Web3, criando mais maneiras divertidas e inovadoras de jogar. Este artigo analisa principalmente os projetos nos setores de AIGC (Conteúdo Gerado por IA), Agentes de IA e Análise de Dados.

• AIGC: Através do AIGC, é possível expandir para as áreas de NFT, jogos e outros no Web3, os usuários podem gerar texto, imagens e áudio diretamente através de Prompt (palavras-chave fornecidas pelo usuário), e até mesmo gerar conteúdos personalizados nos jogos de acordo com suas preferências.