Панорамный отчет по Web3-AI: техническая логика, сценарные применения и глубокий анализ ведущих проектов
С учетом продолжающегося роста интереса к AI-нарративу, все больше внимания уделяется этой области. В данной статье проводится глубокий анализ технической логики, сценариев применения и представительных проектов в области Web3-AI, чтобы в полной мере представить вам панораму и тенденции развития этой сферы.
Один. Web3-AI: Анализ технической логики и возможностей новых рынков
1.1 Логика интеграции Web3 и ИИ: как определить направление Web-AI
В прошлом году AI-нарративы в индустрии Web3 стали необычайно популярны, и AI-проекты появлялись как грибы после дождя. Хотя многие проекты включают в себя технологии AI, некоторые из них используют AI лишь в определённых частях своего продукта, и базовая токеномика не имеет существенной связи с AI-продуктами, поэтому такие проекты не будут обсуждаться в этой статье в контексте Web3-AI проектов.
Основное внимание в данной статье уделяется проектам, которые используют блокчейн для решения проблем производственных отношений и ИИ для решения проблем производительности. Эти проекты сами предоставляют ИИ-продукты и одновременно основаны на экономической модели Web3 в качестве инструмента производственных отношений, что дополняет друг друга. Мы классифицируем такие проекты как Web3-AI направление. Для лучшего понимания читателями направления Web3-AI, в статье будет подробно описан процесс разработки ИИ и возникающие при этом вызовы, а также то, как сочетание Web3 и ИИ идеально решает проблемы и создает новые сценарии применения.
1.2 Процесс разработки ИИ и вызовы: от сбора данных до моделирования вывода
Технология ИИ — это технология, позволяющая компьютерам моделировать, расширять и усиливать человеческий интеллект. Она позволяет компьютерам выполнять различные сложные задачи, начиная от перевода языков, классификации изображений и заканчивая распознаванием лиц, автономным вождением и другими приложениями; ИИ меняет наши способы жизни и работы.
Процесс разработки моделей искусственного интеллекта обычно включает в себя несколько ключевых этапов: сбор данных и предварительная обработка данных, выбор и настройка модели, обучение модели и вывод. Приведем простой пример: чтобы разработать модель для классификации изображений кошек и собак, вам необходимо:
Сбор данных и предварительная обработка данных: соберите набор данных изображений, содержащий кошек и собак, можно использовать открытые наборы данных или самостоятельно собрать реальные данные. Затем для каждого изображения укажите категорию (кошка или собака), убедитесь, что метки точные. Преобразуйте изображения в формат, который может распознать модель, разделите набор данных на обучающую выборку, валидационную выборку и тестовую выборку.
Выбор и настройка модели: выберите подходящую модель, например свёрточную нейронную сеть (CNN), которая лучше всего подходит для задач классификации изображений. Настройте параметры или архитектуру модели в зависимости от различных требований, как правило, уровни сети модели могут быть скорректированы в зависимости от сложности задачи ИИ. В этом простом примере классификации может быть достаточно более мелкой структуры сети.
Обучение модели: можно использовать GPU, TPU или высокопроизводительные вычислительные кластеры для обучения модели, время обучения зависит от сложности модели и вычислительной мощности.
Модельное вывод: Файлы, в которых обучена модель, обычно называются весами модели. Процесс вывода подразумевает использование уже обученной модели для прогнозирования или классификации новых данных. В этом процессе можно использовать тестовый набор или новые данные для проверки эффективности классификации модели, обычно для оценки эффективности модели используются такие показатели, как точность, полнота, F1-score и др.
Как показано на рисунке, после сбора данных, предобработки данных, выбора и настройки модели, а также обучения, получение предсказанных значений P (вероятность) для кошек и собак на тестовом наборе данных будет означать вероятность того, что модель определяет объект как кошку или собаку.
Обученная AI модель может быть дополнительно интегрирована в различные приложения для выполнения различных задач. В этом примере AI модель классификации кошек и собак может быть интегрирована в мобильное приложение, где пользователь загружает фотографии кошек или собак и получает результаты классификации.
Однако централизованный процесс разработки ИИ имеет некоторые проблемы в следующих сценариях:
Конфиденциальность пользователей: в централизованных сценариях процесс разработки ИИ обычно непрозрачен. Данные пользователей могут быть украдены без их ведома и использованы для обучения ИИ.
Получение источника данных: Небольшие команды или отдельные лица, получающие данные в определенной области (например, медицинские данные), могут столкнуться с ограничениями на нераскрытие данных.
Выбор и настройка модели: для небольших команд сложно получить ресурсы модели для конкретной области или потратить большие деньги на настройку модели.
Получение вычислительной мощности: для индивидуальных разработчиков и небольших команд высокая стоимость покупки GPU и аренды облачной вычислительной мощности может представлять собой значительное экономическое бремя.
Доходы от активов ИИ: Работники по разметке данных часто не могут получить доход, соответствующий их усилиям, а результаты исследований разработчиков ИИ также трудно сопоставить с покупателями, имеющими потребность.
В условиях централизованных AI-сценариев существующие вызовы могут быть решены путем сочетания с Web3, который, будучи новой производственной связью, естественным образом адаптируется к AI, представляющему новую производительную силу, тем самым способствуя одновременному прогрессу технологий и производственных возможностей.
1.3 Синергия Web3 и ИИ: изменение ролей и инновационные приложения
Сочетание Web3 и ИИ может усилить суверенитет пользователей, предоставляя откры платформу для сотрудничества в области ИИ, позволяя пользователям перейти от роли пользователей ИИ в эпоху Web2 к участникам, создавая ИИ, принадлежащий всем. В то же время интеграция мира Web3 и технологий ИИ может привести к возникновению большего количества инновационных приложений и игровых сценариев.
На основе технологий Web3 разработка и применение ИИ встретит совершенно новую систему кооперативной экономики. Конфиденциальность данных людей может быть обеспечена, модель краудсорсинга данных способствует прогрессу моделей ИИ, множество открытых ресурсов ИИ доступно пользователям, а совместная вычислительная мощность может быть получена по более низкой цене. С помощью децентрализованного механизма кооперативного краудсорсинга и открытого рынка ИИ можно реализовать справедливую систему распределения доходов, что будет стимулировать больше людей к продвижению прогресса технологий ИИ.
В сценарии Web3 ИИ может оказать положительное влияние в нескольких областях. Например, модели ИИ могут быть интегрированы в смарт-контракты, чтобы повысить эффективность работы в различных приложениях, таких как рыночный анализ, безопасность, социальное кластеризование и множество других функций. Генеративный ИИ не только позволяет пользователям испытать роль "художника", создавая свои собственные NFT с использованием ИИ-технологий, но и создает разнообразные игровые сцены и интересные взаимодействия в GameFi. Разнообразная инфраструктура обеспечивает плавный опыт разработки, и как эксперты в области ИИ, так и новички, желающие войти в сферу ИИ, могут найти подходящий вход в этот мир.
Два, интерпретация карты и структуры экосистемы Web3-AI проектов
Мы в основном исследовали 41 проект в области Web3-AI и разделили эти проекты на разные уровни. Логика разделения каждого уровня показана на следующем рисунке, включая уровень инфраструктуры, промежуточный уровень и уровень приложений, каждый из которых также делится на разные секции. В следующей главе мы проведем глубокий анализ некоторых представительных проектов.
Инфраструктурный уровень охватывает вычислительные ресурсы и технологическую архитектуру, поддерживающие весь жизненный цикл ИИ, в то время как средний уровень включает в себя управление данными, разработку моделей и услуги верификации и вывода, которые соединяют инфраструктуру с приложениями. Уровень приложений, в свою очередь, сосредоточен на различных приложениях и решениях, непосредственно ориентированных на пользователя.
Инфраструктурный уровень:
Инфраструктурный уровень является основой жизненного цикла ИИ. В данной статье вычислительные мощности, AI Chain и платформы разработки классифицируются как инфраструктурный уровень. Именно благодаря поддержке этой инфраструктуры становится возможным обучение и вывод ИИ моделей, а также представление мощных и практичных ИИ приложений пользователям.
Децентрализованная вычислительная сеть: может обеспечить распределенные вычислительные ресурсы для обучения AI-моделей, гарантируя эффективное и экономичное использование вычислительных ресурсов. Некоторые проекты предлагают децентрализованный рынок вычислительных мощностей, где пользователи могут арендовать вычислительные мощности по низкой цене или делиться вычислительными мощностями для получения прибыли, примерами таких проектов являются IO.NET и Hyperbolic. Кроме того, некоторые проекты разработали новые способы использования, такие как Compute Labs, предложившие токенизированный протокол, где пользователи могут участвовать в аренде вычислительных мощностей различными способами, покупая NFT, представляющие физические GPU.
AI Chain: Использует блокчейн в качестве основы для жизненного цикла ИИ, обеспечивая бесшовное взаимодействие ИИ-ресурсов на цепочке и вне ее, способствуя развитию отраслевой экосистемы. Децентрализованный ИИ-рынок на цепочке может торговать ИИ-активами, такими как данные, модели, агенты и т. д., а также предлагает рамки разработки ИИ и сопутствующие инструменты разработки, примером проекта является Sahara AI. AI Chain также может способствовать прогрессу технологий ИИ в различных областях, например, Bittensor стимулирует конкуренцию различных типов ИИ-сетей через инновационный механизм стимулов подсетей.
Платформа для разработки: некоторые проекты предлагают платформу для разработки AI-агентов, а также могут реализовать торговлю AI-агентами, такие как Fetch.ai и ChainML. Удобные инструменты помогают разработчикам более легко создавать, обучать и развертывать AI-модели, такими проектами, как Nimble. Эта инфраструктура способствует широкому применению AI-технологий в экосистеме Web3.
Посреднический слой:
Этот уровень связан с данными AI, моделями, а также выводами и проверкой, и использование технологий Web3 может обеспечить более высокую эффективность работы.
Данные: Качество и количество данных являются ключевыми факторами, влияющими на эффективность обучения модели. В мире Web3, благодаря краудсорсинговым данным и совместной обработке данных, можно оптимизировать использование ресурсов и снизить затраты на данные. Пользователи могут обладать автономией над данными и продавать свои данные с защитой конфиденциальности, чтобы избежать кражи данных недобросовестными торговцами и получения высокой прибыли. Для сторон, нуждающихся в данных, эти платформы предлагают широкий выбор и крайне низкие затраты. Представленные проекты, такие как Grass, используют пользовательскую пропускную способность для сбора данных из Интернета, xData собирает медиаинформацию через удобные для пользователя плагины и поддерживает загрузку пользователями информации о твитах.
Кроме того, некоторые платформы позволяют экспертам в области или обычным пользователям выполнять задачи по предварительной обработке данных, такие как аннотирование изображений и классификация данных. Эти задачи могут требовать профессиональных знаний в области финансов и права, и пользователи могут токенизировать свои навыки для реализации совместной краудсорсинговой предварительной обработки данных. Примером является AI-рынок Sahara AI, который охватывает различные области данных и может покрывать многопрофильные сценарии данных; в то время как AIT Protocolt проводит аннотирование данных с помощью человеко-машинного взаимодействия.
Модель: В процессе разработки ИИ, о котором упоминалось ранее, различные типы потребностей требуют соответствующих моделей. Для задач обработки изображений обычно используются такие модели, как CNN и GAN, для задач обнаружения объектов можно выбрать серию Yolo, для текстовых задач распространены модели RNN и Transformer, а также существуют некоторые специфические или универсальные большие модели. Модели глубины, необходимые для задач различной сложности, также различаются, и иногда требуется настройка модели.
Некоторые проекты поддерживают пользователей в предоставлении различных типов моделей или в совместном обучении моделей через краудсорсинг. Например, Sentient с помощью модульного дизайна позволяет пользователям размещать надежные данные моделей на уровне хранения и уровня распределения для оптимизации моделей. Инструменты разработки, предлагаемые Sahara AI, имеют встроенные современные алгоритмы ИИ и вычислительные фреймворки, а также обладают возможностью совместного обучения.
Вывод и верификация: После обучения модель генерирует файл весов модели, который можно использовать для прямой классификации, прогнозирования или выполнения других специфических задач, этот процесс называется выводом. Процесс вывода обычно сопровождается механизмом верификации, чтобы проверить, правильен ли источник модели вывода, есть ли злонамеренные действия и т.д. Вывод в Web3 обычно может быть интегрирован в смарт-контракты, путем вызова модели для вывода, распространенные методы верификации включают технологии ZKML, OPML и TEE. Представленные проекты, такие как AI-оракул на цепочке ORA (OAO), внедрили OPML в качестве проверяемого уровня AI-оракула, на официальном сайте ORA также упоминается их исследование по ZKML и opp/ai (комбинация ZKML и OPML).
Уровень приложения:
Этот уровень в основном представляет собой приложения, ориентированные на пользователя, которые объединяют ИИ и Web3, создавая больше интересных и инновационных способов взаимодействия. В этой статье в основном рассматриваются проекты в таких областях, как AIGC (контент, сгенерированный ИИ), ИИ-агенты и анализ данных.
AIGC: С помощью AIGC можно расширить возможности в NFT, играх и других областях Web3, пользователи могут напрямую с помощью Prompt (подсказок, предоставленных пользователем) создавать текст, изображения и аудио, а также в играх создавать индивидуализированный игровой процесс в соответствии со своими предпочтениями. NFT проекты, такие как NFPrompt, позволяют пользователям генерировать NFT с помощью ИИ для торговли на рынке; в играх, таких как Sleepless, пользователи формируют характер виртуального партнера через диалог, чтобы соответствовать своим предпочтениям;
AI-агент: это искусственный интеллект, способный самостоятельно выполнять задачи и принимать решения. AI-агенты обычно обладают способностями восприятия, рассуждения, обучения и действия, что позволяет им выполнять сложные задачи в различных условиях. Распространенные AI-агенты, такие как
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
16 Лайков
Награда
16
4
Поделиться
комментарий
0/400
StakeHouseDirector
· 12ч назад
Спекулянты снова рисуют большие пироги. Понимаешь, что это за фигня ai.
Посмотреть ОригиналОтветить0
RugPullSurvivor
· 12ч назад
Еще одна куча ловушек для спекуляций, хватит уже.
Посмотреть ОригиналОтветить0
LiquidationWizard
· 12ч назад
Хе-хе, это всё ещё игра на хайпе для того, чтобы обмануть неудачников.
Web3-AI Панорамный отчет: техническая логика, сценарии применения и глубокий анализ ведущих проектов
Панорамный отчет по Web3-AI: техническая логика, сценарные применения и глубокий анализ ведущих проектов
С учетом продолжающегося роста интереса к AI-нарративу, все больше внимания уделяется этой области. В данной статье проводится глубокий анализ технической логики, сценариев применения и представительных проектов в области Web3-AI, чтобы в полной мере представить вам панораму и тенденции развития этой сферы.
Один. Web3-AI: Анализ технической логики и возможностей новых рынков
1.1 Логика интеграции Web3 и ИИ: как определить направление Web-AI
В прошлом году AI-нарративы в индустрии Web3 стали необычайно популярны, и AI-проекты появлялись как грибы после дождя. Хотя многие проекты включают в себя технологии AI, некоторые из них используют AI лишь в определённых частях своего продукта, и базовая токеномика не имеет существенной связи с AI-продуктами, поэтому такие проекты не будут обсуждаться в этой статье в контексте Web3-AI проектов.
Основное внимание в данной статье уделяется проектам, которые используют блокчейн для решения проблем производственных отношений и ИИ для решения проблем производительности. Эти проекты сами предоставляют ИИ-продукты и одновременно основаны на экономической модели Web3 в качестве инструмента производственных отношений, что дополняет друг друга. Мы классифицируем такие проекты как Web3-AI направление. Для лучшего понимания читателями направления Web3-AI, в статье будет подробно описан процесс разработки ИИ и возникающие при этом вызовы, а также то, как сочетание Web3 и ИИ идеально решает проблемы и создает новые сценарии применения.
1.2 Процесс разработки ИИ и вызовы: от сбора данных до моделирования вывода
Технология ИИ — это технология, позволяющая компьютерам моделировать, расширять и усиливать человеческий интеллект. Она позволяет компьютерам выполнять различные сложные задачи, начиная от перевода языков, классификации изображений и заканчивая распознаванием лиц, автономным вождением и другими приложениями; ИИ меняет наши способы жизни и работы.
Процесс разработки моделей искусственного интеллекта обычно включает в себя несколько ключевых этапов: сбор данных и предварительная обработка данных, выбор и настройка модели, обучение модели и вывод. Приведем простой пример: чтобы разработать модель для классификации изображений кошек и собак, вам необходимо:
Сбор данных и предварительная обработка данных: соберите набор данных изображений, содержащий кошек и собак, можно использовать открытые наборы данных или самостоятельно собрать реальные данные. Затем для каждого изображения укажите категорию (кошка или собака), убедитесь, что метки точные. Преобразуйте изображения в формат, который может распознать модель, разделите набор данных на обучающую выборку, валидационную выборку и тестовую выборку.
Выбор и настройка модели: выберите подходящую модель, например свёрточную нейронную сеть (CNN), которая лучше всего подходит для задач классификации изображений. Настройте параметры или архитектуру модели в зависимости от различных требований, как правило, уровни сети модели могут быть скорректированы в зависимости от сложности задачи ИИ. В этом простом примере классификации может быть достаточно более мелкой структуры сети.
Обучение модели: можно использовать GPU, TPU или высокопроизводительные вычислительные кластеры для обучения модели, время обучения зависит от сложности модели и вычислительной мощности.
Модельное вывод: Файлы, в которых обучена модель, обычно называются весами модели. Процесс вывода подразумевает использование уже обученной модели для прогнозирования или классификации новых данных. В этом процессе можно использовать тестовый набор или новые данные для проверки эффективности классификации модели, обычно для оценки эффективности модели используются такие показатели, как точность, полнота, F1-score и др.
Как показано на рисунке, после сбора данных, предобработки данных, выбора и настройки модели, а также обучения, получение предсказанных значений P (вероятность) для кошек и собак на тестовом наборе данных будет означать вероятность того, что модель определяет объект как кошку или собаку.
Обученная AI модель может быть дополнительно интегрирована в различные приложения для выполнения различных задач. В этом примере AI модель классификации кошек и собак может быть интегрирована в мобильное приложение, где пользователь загружает фотографии кошек или собак и получает результаты классификации.
Однако централизованный процесс разработки ИИ имеет некоторые проблемы в следующих сценариях:
Конфиденциальность пользователей: в централизованных сценариях процесс разработки ИИ обычно непрозрачен. Данные пользователей могут быть украдены без их ведома и использованы для обучения ИИ.
Получение источника данных: Небольшие команды или отдельные лица, получающие данные в определенной области (например, медицинские данные), могут столкнуться с ограничениями на нераскрытие данных.
Выбор и настройка модели: для небольших команд сложно получить ресурсы модели для конкретной области или потратить большие деньги на настройку модели.
Получение вычислительной мощности: для индивидуальных разработчиков и небольших команд высокая стоимость покупки GPU и аренды облачной вычислительной мощности может представлять собой значительное экономическое бремя.
Доходы от активов ИИ: Работники по разметке данных часто не могут получить доход, соответствующий их усилиям, а результаты исследований разработчиков ИИ также трудно сопоставить с покупателями, имеющими потребность.
В условиях централизованных AI-сценариев существующие вызовы могут быть решены путем сочетания с Web3, который, будучи новой производственной связью, естественным образом адаптируется к AI, представляющему новую производительную силу, тем самым способствуя одновременному прогрессу технологий и производственных возможностей.
1.3 Синергия Web3 и ИИ: изменение ролей и инновационные приложения
Сочетание Web3 и ИИ может усилить суверенитет пользователей, предоставляя откры платформу для сотрудничества в области ИИ, позволяя пользователям перейти от роли пользователей ИИ в эпоху Web2 к участникам, создавая ИИ, принадлежащий всем. В то же время интеграция мира Web3 и технологий ИИ может привести к возникновению большего количества инновационных приложений и игровых сценариев.
На основе технологий Web3 разработка и применение ИИ встретит совершенно новую систему кооперативной экономики. Конфиденциальность данных людей может быть обеспечена, модель краудсорсинга данных способствует прогрессу моделей ИИ, множество открытых ресурсов ИИ доступно пользователям, а совместная вычислительная мощность может быть получена по более низкой цене. С помощью децентрализованного механизма кооперативного краудсорсинга и открытого рынка ИИ можно реализовать справедливую систему распределения доходов, что будет стимулировать больше людей к продвижению прогресса технологий ИИ.
В сценарии Web3 ИИ может оказать положительное влияние в нескольких областях. Например, модели ИИ могут быть интегрированы в смарт-контракты, чтобы повысить эффективность работы в различных приложениях, таких как рыночный анализ, безопасность, социальное кластеризование и множество других функций. Генеративный ИИ не только позволяет пользователям испытать роль "художника", создавая свои собственные NFT с использованием ИИ-технологий, но и создает разнообразные игровые сцены и интересные взаимодействия в GameFi. Разнообразная инфраструктура обеспечивает плавный опыт разработки, и как эксперты в области ИИ, так и новички, желающие войти в сферу ИИ, могут найти подходящий вход в этот мир.
Два, интерпретация карты и структуры экосистемы Web3-AI проектов
Мы в основном исследовали 41 проект в области Web3-AI и разделили эти проекты на разные уровни. Логика разделения каждого уровня показана на следующем рисунке, включая уровень инфраструктуры, промежуточный уровень и уровень приложений, каждый из которых также делится на разные секции. В следующей главе мы проведем глубокий анализ некоторых представительных проектов.
Инфраструктурный уровень охватывает вычислительные ресурсы и технологическую архитектуру, поддерживающие весь жизненный цикл ИИ, в то время как средний уровень включает в себя управление данными, разработку моделей и услуги верификации и вывода, которые соединяют инфраструктуру с приложениями. Уровень приложений, в свою очередь, сосредоточен на различных приложениях и решениях, непосредственно ориентированных на пользователя.
Инфраструктурный уровень:
Инфраструктурный уровень является основой жизненного цикла ИИ. В данной статье вычислительные мощности, AI Chain и платформы разработки классифицируются как инфраструктурный уровень. Именно благодаря поддержке этой инфраструктуры становится возможным обучение и вывод ИИ моделей, а также представление мощных и практичных ИИ приложений пользователям.
Децентрализованная вычислительная сеть: может обеспечить распределенные вычислительные ресурсы для обучения AI-моделей, гарантируя эффективное и экономичное использование вычислительных ресурсов. Некоторые проекты предлагают децентрализованный рынок вычислительных мощностей, где пользователи могут арендовать вычислительные мощности по низкой цене или делиться вычислительными мощностями для получения прибыли, примерами таких проектов являются IO.NET и Hyperbolic. Кроме того, некоторые проекты разработали новые способы использования, такие как Compute Labs, предложившие токенизированный протокол, где пользователи могут участвовать в аренде вычислительных мощностей различными способами, покупая NFT, представляющие физические GPU.
AI Chain: Использует блокчейн в качестве основы для жизненного цикла ИИ, обеспечивая бесшовное взаимодействие ИИ-ресурсов на цепочке и вне ее, способствуя развитию отраслевой экосистемы. Децентрализованный ИИ-рынок на цепочке может торговать ИИ-активами, такими как данные, модели, агенты и т. д., а также предлагает рамки разработки ИИ и сопутствующие инструменты разработки, примером проекта является Sahara AI. AI Chain также может способствовать прогрессу технологий ИИ в различных областях, например, Bittensor стимулирует конкуренцию различных типов ИИ-сетей через инновационный механизм стимулов подсетей.
Платформа для разработки: некоторые проекты предлагают платформу для разработки AI-агентов, а также могут реализовать торговлю AI-агентами, такие как Fetch.ai и ChainML. Удобные инструменты помогают разработчикам более легко создавать, обучать и развертывать AI-модели, такими проектами, как Nimble. Эта инфраструктура способствует широкому применению AI-технологий в экосистеме Web3.
Посреднический слой:
Этот уровень связан с данными AI, моделями, а также выводами и проверкой, и использование технологий Web3 может обеспечить более высокую эффективность работы.
Кроме того, некоторые платформы позволяют экспертам в области или обычным пользователям выполнять задачи по предварительной обработке данных, такие как аннотирование изображений и классификация данных. Эти задачи могут требовать профессиональных знаний в области финансов и права, и пользователи могут токенизировать свои навыки для реализации совместной краудсорсинговой предварительной обработки данных. Примером является AI-рынок Sahara AI, который охватывает различные области данных и может покрывать многопрофильные сценарии данных; в то время как AIT Protocolt проводит аннотирование данных с помощью человеко-машинного взаимодействия.
Некоторые проекты поддерживают пользователей в предоставлении различных типов моделей или в совместном обучении моделей через краудсорсинг. Например, Sentient с помощью модульного дизайна позволяет пользователям размещать надежные данные моделей на уровне хранения и уровня распределения для оптимизации моделей. Инструменты разработки, предлагаемые Sahara AI, имеют встроенные современные алгоритмы ИИ и вычислительные фреймворки, а также обладают возможностью совместного обучения.
Уровень приложения:
Этот уровень в основном представляет собой приложения, ориентированные на пользователя, которые объединяют ИИ и Web3, создавая больше интересных и инновационных способов взаимодействия. В этой статье в основном рассматриваются проекты в таких областях, как AIGC (контент, сгенерированный ИИ), ИИ-агенты и анализ данных.
AIGC: С помощью AIGC можно расширить возможности в NFT, играх и других областях Web3, пользователи могут напрямую с помощью Prompt (подсказок, предоставленных пользователем) создавать текст, изображения и аудио, а также в играх создавать индивидуализированный игровой процесс в соответствии со своими предпочтениями. NFT проекты, такие как NFPrompt, позволяют пользователям генерировать NFT с помощью ИИ для торговли на рынке; в играх, таких как Sleepless, пользователи формируют характер виртуального партнера через диалог, чтобы соответствовать своим предпочтениям;
AI-агент: это искусственный интеллект, способный самостоятельно выполнять задачи и принимать решения. AI-агенты обычно обладают способностями восприятия, рассуждения, обучения и действия, что позволяет им выполнять сложные задачи в различных условиях. Распространенные AI-агенты, такие как