Relatório panorâmico Web3-AI: Análise profunda da lógica técnica, cenários de aplicação e principais projetos.

Relatório panorâmico do setor Web3-AI: análise profunda da lógica técnica, aplicações de cenários e projetos de topo

Com o aquecimento contínuo da narrativa de IA, cada vez mais atenção está sendo direcionada para esta área. Este artigo analisa em profundidade a lógica técnica, os cenários de aplicação e os projetos representativos da área Web3-AI, apresentando de forma abrangente o panorama e as tendências de desenvolvimento deste campo.

Uma, Web3-AI: Análise da lógica técnica e oportunidades no mercado emergente

1.1 Lógica de fusão entre Web3 e AI: como definir o espaço de competição Web-AI

No último ano, a narrativa de IA tem sido excepcionalmente popular na indústria Web3, com projetos de IA a surgirem como cogumelos após a chuva. Embora muitos projetos envolvam tecnologia de IA, alguns projetos utilizam IA apenas em certas partes de seus produtos, e a economia de tokens subjacente não está substancialmente relacionada aos produtos de IA. Portanto, esses projetos não estão incluídos na discussão de projetos Web3-AI neste artigo.

O foco deste artigo está em projetos que usam blockchain para resolver problemas de relações de produção e AI para resolver problemas de produtividade. Esses projetos oferecem produtos de AI e, ao mesmo tempo, baseiam-se em modelos econômicos Web3 como ferramentas de relações de produção, sendo ambos complementares. Classificamos esses projetos como a vertente Web3-AI. Para que os leitores compreendam melhor a vertente Web3-AI, este artigo apresentará o processo de desenvolvimento da AI e os desafios, bem como como a combinação de Web3 e AI pode resolver problemas de forma perfeita e criar novos cenários de aplicação.

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

A tecnologia de IA é uma tecnologia que permite que os computadores simulem, expandam e aprimorem a inteligência humana. Ela permite que os computadores executem várias tarefas complexas, desde tradução de línguas, classificação de imagens até reconhecimento facial e condução autónoma, entre outras aplicações, a IA está a mudar a forma 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 de modelos, treinamento e inferência de modelos. Para dar um exemplo simples, ao desenvolver um modelo para classificar imagens de gatos e cães, você precisará:

1. Coleta de dados e pré-processamento de dados: Coletar um conjunto de dados de imagens que contenham gatos e cães, podendo usar conjuntos de dados públicos ou coletar dados reais por conta própria. 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, dividindo o conjunto de dados em conjunto de treinamento, conjunto de validação e conjunto de teste.

2. Seleção e ajuste do modelo: escolher o modelo adequado, como redes neurais convolucionais (CNN), que são mais adequadas para tarefas de classificação de imagens. Ajustar os parâmetros ou a arquitetura do modelo de acordo com diferentes necessidades, geralmente, a profundidade da rede do modelo pode ser ajustada com base na complexidade da tarefa de IA. Neste exemplo simples de classificação, uma rede menos profunda pode ser suficiente.

3. Treinamento do modelo: é possível 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 cálculo.

4. Inferência do modelo: O arquivo do modelo treinado é geralmente chamado de pesos do modelo, e o processo de inferência refere-se ao uso do 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, geralmente avaliando a eficácia do modelo com métricas como precisão, taxa de recuperação e F1-score.

Como mostrado na figura, após a coleta de dados e pré-processamento de dados, seleção e ajuste de modelo, e treinamento, a inferência do modelo treinado no conjunto de teste resultará nos valores de previsão de 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, o modelo de IA para classificação de gatos e cães pode ser integrado numa aplicação móvel, onde os utilizadores podem enviar imagens de gatos ou cães para obter resultados de 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 da IA geralmente é opaco. Os dados dos usuários podem ser roubados sem o seu conhecimento e utilizados para o treinamento da IA.

Obtenção de fontes de dados: equipes pequenas ou indivíduos que buscam dados em áreas específicas (como dados médicos) podem enfrentar restrições devido à falta de abertura dos dados.

Seleção e ajuste de modelos: para pequenas equipas, é difícil obter recursos de modelos específicos ou gastar grandes custos em ajuste de modelos.

Aquisição de poder computacional: para desenvolvedores individuais e pequenas equipas, o elevado custo de compra de GPUs e as taxas de aluguer de poder computacional na nuvem podem constituir um fardo económico significativo.

Renda de ativos de IA: os trabalhadores de rotulagem de dados muitas vezes não conseguem obter uma renda que corresponda ao seu esforço, enquanto os resultados de pesquisa dos desenvolvedores de IA também são difíceis de corresponder com compradores que têm demanda.

Os desafios existentes no cenário de IA centralizada podem ser superados através da combinação com o Web3. O Web3, como uma nova forma de relação de produção, adapta-se naturalmente à IA, que representa uma nova força produtiva, promovendo assim o progresso simultâneo da tecnologia e da capacidade produtiva.

1.3 A Sinergia entre Web3 e IA: Mudança de Papéis e Aplicações Inovadoras

A combinação de Web3 e IA pode fortalecer a soberania do usuário, proporcionando uma plataforma de colaboração em 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 IA pode gerar mais cenários de aplicação e maneiras inovadoras.

Baseado na tecnologia Web3, o desenvolvimento e a aplicação da IA irão dar as boas-vindas a 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, numerosos recursos de IA de código aberto estão disponíveis para os usuários, e o poder computacional compartilhado pode ser adquirido a um custo mais baixo. Com a ajuda de um mecanismo de colaboração descentralizado de crowdsourcing e de um mercado de IA aberto, é possível realizar um sistema de distribuição de renda justo, 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 em contratos inteligentes para aumentar a eficiência do trabalho em diferentes cenários de aplicação, como análise de mercado, verificações de segurança, clusters sociais e várias outras funcionalidades. A IA generativa não só permite que os usuários experimentem o papel de "artista", criando seus próprios NFTs com tecnologia de IA, mas também pode criar cenários de jogo diversificados e interações interessantes no GameFi. Uma infraestrutura rica oferece uma experiência de desenvolvimento fluida, permitindo que tanto especialistas em IA quanto novatos que desejam entrar no campo da IA encontrem uma entrada adequada neste mundo.

Dois, Interpretação do Mapa e da Arquitetura do Projeto Ecossistema Web3-AI

Estudamos principalmente 41 projetos na pista Web3-AI e classificamos esses projetos em diferentes níveis. A lógica de classificação de cada nível é mostrada na figura abaixo, incluindo a camada de infraestrutura, a camada intermediária e a camada de aplicação, com cada nível dividido em diferentes setores. No próximo capítulo, faremos 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, a camada intermediária inclui a gestão de dados, desenvolvimento de modelos e serviços de verificação e raciocínio que conectam a infraestrutura às aplicações, enquanto a camada de aplicação foca nas várias aplicações e soluções direcionadas diretamente aos usuários.

Camada de infraestrutura:

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

• Rede de computação descentralizada: pode fornecer poder computacional distribuído para o treinamento de modelos de IA, garantindo uma utilização eficiente e econômica dos recursos computacionais. Alguns projetos oferecem um mercado de poder computacional descentralizado, onde os usuários podem alugar poder computacional a um custo baixo ou compartilhar poder computacional para obter lucros, representados por projetos como IO.NET e Hyperbolic. Além disso, alguns projetos derivaram novas maneiras de jogar, como Compute Labs, que propuseram um protocolo tokenizado, permitindo que os usuários participem do aluguel de poder computacional de diferentes maneiras, comprando NFTs que representam entidades de GPU para obter lucros.

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

• Plataforma de desenvolvimento: alguns projetos oferecem plataformas de desenvolvimento de agentes de IA, que também podem realizar transações de agentes de IA, como Fetch.ai e ChainML. Ferramentas tudo-em-um ajudam os desenvolvedores a criar, treinar e implementar modelos de IA de forma mais conveniente, representados pelo projeto Nimble. Essa infraestrutura promove a ampla aplicação da tecnologia de IA no ecossistema Web3.

Camada intermédia:

Esta camada envolve dados de IA, modelos e raciocínio e verificação, utilizando tecnologia Web3 para alcançar uma maior eficiência de trabalho.

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

Além disso, algumas plataformas permitem que especialistas em áreas específicas ou usuários comuns realizem tarefas de pré-processamento de dados, como rotulagem de imagens e classificação de dados, que podem exigir conhecimentos especializados em tarefas financeiras e jurídicas de processamento de dados. Os usuários podem tokenizar suas habilidades para realizar a colaboração em um modelo de crowdsourcing de pré-processamento de dados. Exemplos como o mercado de IA Sahara AI apresentam tarefas de dados em diferentes áreas, cobrindo cenários de dados em múltiplas disciplinas; enquanto o AIT Protocolt realiza a rotulagem de dados por meio de colaboração entre humanos e máquinas.

• Modelo: No processo de desenvolvimento de IA mencionado anteriormente, diferentes tipos de requisitos precisam de modelos adequados. Modelos comuns para tarefas de imagem incluem CNN e GAN, para tarefas de detecção de objetos, pode-se escolher a série Yolo, e para tarefas de texto, modelos como RNN e Transformer são comuns, além de alguns modelos grandes específicos ou gerais. A profundidade do modelo necessária para tarefas de diferentes complexidades também varia, 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 a 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 avançados de IA e estruturas de computação, e têm a capacidade de treinamento colaborativo.

• Inferência e validação: após o treinamento, o modelo gera arquivos de pesos do modelo, que podem ser usados para classificação, previsão ou outras tarefas específicas, processo esse chamado de inferência. O processo de inferência geralmente vem acompanhado de mecanismos de validação, para verificar se a origem do modelo de inferência está correta e se não há comportamentos maliciosos, entre outros. A inferência no Web3 pode ser geralmente integrada em contratos inteligentes, chamando o modelo para realizar a inferência, e as formas comuns de validação incluem tecnologias como ZKML, OPML e TEE. Projetos representativos como o oráculo de IA da cadeia ORA (OAO) introduziram o OPML como uma camada verificável para o oráculo de IA, e o site oficial da ORA menciona também 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 jogadas mais interessantes e inovadoras. Este artigo foca nos projetos em vários setores, incluindo AIGC (Conteúdo Gerado por IA), Agentes de IA e Análise de Dados.

• AIGC: Através do AIGC, é possível expandir para as áreas de NFT e jogos no Web3, onde os usuários podem gerar texto, imagens e áudio diretamente através de Prompt (palavras-chave fornecidas pelo usuário), podendo até mesmo criar modos de jogo personalizados de acordo com suas preferências. Projetos NFT como NFPrompt, onde os usuários podem gerar NFTs com a AI para negociar no mercado; jogos como Sleepless, onde os usuários moldam a personalidade de um companheiro virtual através de diálogos para corresponder às suas preferências;

• Agente de IA: refere-se a sistemas de inteligência artificial que podem executar tarefas de forma autónoma e tomar decisões. Os agentes de IA normalmente possuem capacidades de percepção, raciocínio, aprendizagem e ação, podendo realizar tarefas complexas em diversos ambientes. Exemplos comuns de agentes de IA incluem