Informe panorámico de la pista Web3-AI: análisis profundo de la lógica técnica, aplicaciones en escenarios y proyectos de primer nivel Profundidad
Con el continuo auge de la narración de IA, cada vez más atención se centra en este campo. Se ha llevado a cabo un análisis profundo de la lógica técnica, los escenarios de aplicación y los proyectos representativos del campo Web3-AI, presentando de manera integral el panorama y las tendencias de desarrollo en este ámbito.
Uno, Web3-AI: Análisis de la lógica técnica y oportunidades en mercados emergentes
1.1 Lógica de fusión entre Web3 y AI: cómo definir la pista Web-AI
En el último año, la narración de AI ha estado excepcionalmente en auge en la industria de Web3, con proyectos de AI surgiendo como setas después de la lluvia. Aunque hay muchos proyectos que involucran tecnología de AI, algunos solo utilizan AI en ciertas partes de sus productos, y la economía de tokens subyacente no tiene una relación sustancial con los productos de AI; por lo tanto, estos proyectos no forman parte de la discusión de los proyectos Web3-AI en este artículo.
El enfoque de este artículo está en utilizar la blockchain para resolver problemas de relaciones de producción, y la IA para abordar problemas de productividad. Estos proyectos ofrecen productos de IA por sí mismos, al mismo tiempo que se basan en un modelo económico Web3 como herramienta de relaciones de producción, siendo ambos complementarios. Clasificamos estos proyectos como parte de la pista Web3-AI. Para que los lectores comprendan mejor la pista Web3-AI, se presentará el proceso de desarrollo y los desafíos de la IA, así como la forma en que la combinación de Web3 y IA puede resolver problemas de manera perfecta y crear nuevos escenarios de aplicación.
1.2 El proceso de desarrollo de la IA y sus desafíos: desde la recolección de datos hasta la inferencia del modelo
La tecnología de IA es una técnica que permite a las computadoras simular, ampliar y mejorar la inteligencia humana. Puede permitir que las computadoras realicen diversas tareas complejas, desde la traducción de idiomas, la clasificación de imágenes hasta el reconocimiento facial, la conducción autónoma y otros escenarios de aplicación. La IA está cambiando la forma en que vivimos y trabajamos.
El proceso de desarrollo de modelos de inteligencia artificial generalmente incluye los siguientes pasos clave: recopilación de datos y preprocesamiento de datos, selección y ajuste del modelo, entrenamiento y razonamiento del modelo. Por ejemplo, al desarrollar un modelo para clasificar imágenes de gatos y perros, necesitas:
Recolección de datos y preprocesamiento de datos: recolectar un conjunto de datos de imágenes que contenga gatos y perros, se puede utilizar un conjunto de datos público o recolectar datos reales por cuenta propia. Luego, etiquetar cada imagen con su categoría (gato o perro), asegurando que las etiquetas sean precisas. Convertir las imágenes en un formato que el modelo pueda reconocer y dividir el conjunto de datos en conjunto de entrenamiento, conjunto de validación y conjunto de prueba.
Selección y ajuste del modelo: elegir un modelo adecuado, como las redes neuronales convolucionales (CNN), que son particularmente adecuadas para tareas de clasificación de imágenes. Ajustar los parámetros o la arquitectura del modelo según las diferentes necesidades; en general, los niveles de la red del modelo pueden ajustarse según la complejidad de la tarea de IA. En este simple ejemplo de clasificación, una red con menos capas podría ser suficiente.
Entrenamiento del modelo: se puede utilizar GPU, TPU o un clúster de computación de alto rendimiento para entrenar el modelo, y el tiempo de entrenamiento se ve afectado por la complejidad del modelo y la capacidad de cálculo.
Inferencia del modelo: El archivo del modelo entrenado suele ser denominado peso del modelo, y el proceso de inferencia se refiere al proceso de utilizar un modelo ya entrenado para predecir o clasificar nuevos datos. En este proceso, se puede utilizar un conjunto de pruebas o nuevos datos para evaluar el efecto de clasificación del modelo, y generalmente se utilizan métricas como la precisión, la tasa de recuperación y el F1-score para evaluar la efectividad del modelo.
Como se muestra en la figura, después de la recopilación de datos y el preprocesamiento de datos, la selección y ajuste del modelo, y el entrenamiento, se realiza la inferencia del modelo entrenado en el conjunto de prueba para obtener los valores de predicción de gato y perro P (probabilidad), es decir, la probabilidad de que el modelo infiera que es un gato o un perro.
Un modelo de IA entrenado puede integrarse aún más en diversas aplicaciones para ejecutar diferentes tareas. En este ejemplo, un modelo de IA para clasificación de gatos y perros puede integrarse en una aplicación móvil, donde los usuarios suben imágenes de gatos o perros y obtienen resultados de clasificación.
Sin embargo, el proceso de desarrollo de IA centralizada presenta algunos problemas en los siguientes escenarios:
Privacidad del usuario: En escenarios centralizados, el proceso de desarrollo de la IA suele ser opaco. Los datos de los usuarios pueden ser robados sin su conocimiento y utilizados para el entrenamiento de la IA.
Obtención de fuentes de datos: los equipos pequeños o individuos que buscan obtener datos en campos específicos (como datos médicos) pueden enfrentar limitaciones debido a la falta de apertura de los datos.
Selección y ajuste del modelo: para equipos pequeños, es difícil obtener recursos de modelo específicos del dominio o gastar grandes costos en el ajuste del modelo.
Obtención de poder de cómputo: Para los desarrolladores individuales y pequeños equipos, el alto costo de compra de GPU y los gastos de alquiler de poder de cómputo en la nube pueden representar una carga económica significativa.
Ingresos de activos de IA: los trabajadores de etiquetado de datos a menudo no pueden obtener ingresos que correspondan a su esfuerzo, y los resultados de investigación de los desarrolladores de IA también tienen dificultades para coincidir con los compradores que tienen demanda.
Los desafíos existentes en los escenarios de IA centralizada pueden superarse mediante la combinación con Web3. Web3, como una nueva forma de relación de producción, se adapta de forma natural a la IA, que representa una nueva fuerza productiva, promoviendo así el progreso simultáneo de la tecnología y la capacidad de producción.
1.3 La sinergia entre Web3 y la IA: transformación de roles y aplicaciones innovadoras
La combinación de Web3 y AI puede aumentar la soberanía del usuario, proporcionando una plataforma de colaboración de AI abierta que permite a los usuarios pasar de ser usuarios de AI en la era Web2 a participantes, creando una AI que todos pueden poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología AI también puede generar más escenarios de aplicación innovadores y formas de jugar.
Basado en la tecnología Web3, el desarrollo y la aplicación de la IA darán lugar a un nuevo sistema económico colaborativo. La privacidad de los datos de las personas puede ser garantizada, el modelo de crowdsourcing de datos promueve el avance de los modelos de IA, y numerosos recursos de IA de código abierto están disponibles para los usuarios, con capacidad compartida que se puede obtener a un costo más bajo. Con la ayuda de un mecanismo de colaboración descentralizado y un mercado de IA abierto, se puede lograr un sistema de distribución de ingresos justo, lo que incentiva a más personas a impulsar el progreso de la tecnología de IA.
En el escenario de Web3, la IA puede tener un impacto positivo en múltiples áreas. Por ejemplo, los modelos de IA pueden integrarse en contratos inteligentes para mejorar la eficiencia laboral en diferentes escenarios de aplicación, como el análisis de mercado, la detección de seguridad, la agrupación social y diversas funciones. La IA generativa no solo permite a los usuarios experimentar el papel de "artista", como crear sus propios NFT utilizando tecnología de IA, sino que también puede crear escenas de juego ricas y variadas y experiencias interactivas interesantes en GameFi. Una infraestructura rica proporciona una experiencia de desarrollo fluida, donde tanto los expertos en IA como los principiantes que desean entrar en el campo de la IA pueden encontrar una entrada adecuada en este mundo.
Dos, interpretación del mapa y la arquitectura del proyecto ecosistema Web3-AI
Principalmente hemos investigado 41 proyectos en la pista de Web3-AI y hemos clasificado estos proyectos en diferentes niveles. La lógica de clasificación de cada nivel se muestra en la siguiente imagen, incluyendo la capa de infraestructura, la capa intermedia y la capa de aplicación, cada una de las cuales se divide en diferentes secciones. En el próximo capítulo, realizaremos un análisis profundo de algunos proyectos representativos.
La capa de infraestructura abarca los recursos computacionales y la arquitectura técnica que soportan la operación de todo el ciclo de vida de la IA, la capa intermedia incluye la gestión de datos, el desarrollo de modelos y los servicios de inferencia de validación que conectan la infraestructura con las aplicaciones, mientras que la capa de aplicaciones se centra en diversas aplicaciones y soluciones dirigidas directamente a los usuarios.
Capa de infraestructura:
La capa de infraestructura es la base del ciclo de vida de la IA. Este artículo clasifica la computación, AI Chain y la plataforma de desarrollo como parte de la capa de infraestructura. Es gracias al apoyo de estas infraestructuras que se puede llevar a cabo el entrenamiento y la inferencia de modelos de IA, y presentar aplicaciones de IA potentes y prácticas a los usuarios.
Red de computación descentralizada: puede proporcionar potencia de cálculo distribuida para el entrenamiento de modelos de IA, asegurando un uso eficiente y económico de los recursos computacionales. Algunos proyectos ofrecen mercados de potencia de cálculo descentralizados, donde los usuarios pueden alquilar potencia de cálculo a bajo costo o compartirla para obtener ganancias, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevas formas de jugar, como Compute Labs, que propone un protocolo tokenizado, donde los usuarios pueden participar en el alquiler de potencia de cálculo de diferentes maneras mediante la compra de NFT que representan entidades GPU.
AI Chain: Utiliza la cadena de bloques como base para el ciclo de vida de la IA, logrando una interacción fluida de recursos de IA en la cadena y fuera de ella, promoviendo el desarrollo del ecosistema de la industria. El mercado de IA descentralizado en la cadena puede comerciar activos de IA como datos, modelos, agentes, etc., y proporciona un marco de desarrollo de IA y herramientas de desarrollo complementarias, representado por proyectos como Sahara AI. AI Chain también puede facilitar el avance de la tecnología de IA en diferentes campos, como Bittensor, que promueve la competencia entre diferentes tipos de subredes de IA mediante un innovador mecanismo de incentivos de subred.
Plataforma de desarrollo: algunos proyectos ofrecen plataformas de desarrollo de agentes de IA, que también pueden realizar transacciones de agentes de IA, como Fetch.ai y ChainML. Herramientas integrales ayudan a los desarrolladores a crear, entrenar y desplegar modelos de IA de manera más conveniente, representados por proyectos como Nimble. Esta infraestructura facilita la amplia aplicación de la tecnología de IA en el ecosistema Web3.
Capa intermedia:
Esta capa involucra datos de IA, modelos, así como inferencia y verificación, utilizando tecnología Web3 se puede lograr una mayor Profundidad en la eficiencia laboral.
Datos: La calidad y cantidad de los datos son factores clave que afectan la efectividad del entrenamiento del modelo. En el mundo de Web3, a través de la recopilación de datos por crowdsourcing y el procesamiento colaborativo de datos, se puede optimizar la utilización de recursos y reducir el costo de los datos. Los usuarios pueden tener el control sobre sus datos y, en un entorno de protección de la privacidad, vender sus propios datos para evitar que sean robados y utilizados por comerciantes malintencionados con fines de lucro excesivo. Para los demandantes de datos, estas plataformas ofrecen una amplia variedad de opciones a un costo muy bajo. Proyectos representativos como Grass utilizan el ancho de banda de los usuarios para recopilar datos de la web, xData recopila información de medios a través de un plugin fácil de usar y apoya a los usuarios en la carga de información de tweets.
Además, algunas plataformas permiten a expertos del campo o usuarios comunes realizar tareas de preprocesamiento de datos, como la anotación de imágenes y la clasificación de datos, que pueden requerir conocimientos especializados en tareas financieras y legales de procesamiento de datos. Los usuarios pueden tokenizar sus habilidades y lograr la colaboración y el crowdsourcing en el preprocesamiento de datos. Representando como el mercado de IA de Sahara AI, que tiene tareas de datos en diferentes campos y puede cubrir escenarios de datos en múltiples dominios; mientras que AIT Protocolt realiza la anotación de datos a través de una colaboración humano-máquina.
Modelo: En el proceso de desarrollo de IA mencionado anteriormente, diferentes tipos de requisitos necesitan coincidir con el modelo adecuado. Modelos comúnmente utilizados para tareas de imagen como CNN, GAN; para tareas de detección de objetos, se puede elegir la serie Yolo; para tareas de texto, los modelos comunes incluyen RNN, Transformer, entre otros, por supuesto que también hay algunos modelos grandes específicos o generales. La profundidad del modelo necesaria varía según la complejidad de las tareas, a veces es necesario ajustar el modelo.
Algunos proyectos permiten a los usuarios proporcionar diferentes tipos de modelos o colaborar en el entrenamiento de modelos a través de la externalización, como Sentient, que mediante un diseño modular permite a los usuarios colocar datos de modelo confiables en la capa de almacenamiento y en la capa de distribución para la optimización del modelo, y las herramientas de desarrollo proporcionadas por Sahara AI incorporan algoritmos de IA avanzados y un marco de cálculo, además de contar con la capacidad de entrenamiento colaborativo.
Inferencia y validación: Después de que el modelo es entrenado, genera un archivo de pesos del modelo que se puede utilizar para clasificaciones, predicciones u otras tareas específicas, este proceso se conoce como inferencia. El proceso de inferencia generalmente viene acompañado de un mecanismo de validación para verificar si la fuente del modelo de inferencia es correcta, si hay comportamientos maliciosos, etc. La inferencia en Web3 generalmente se puede integrar en contratos inteligentes, llamando al modelo para realizar inferencias. Los métodos de validación comunes incluyen tecnologías como ZKML, OPML y TEE. Proyectos representativos como el oráculo de IA en cadena ORA (OAO) han introducido OPML como una capa verificable para el oráculo de IA, y en el sitio web oficial de ORA también mencionaron su investigación sobre ZKML y opp/ai (ZKML combinado con OPML).
Capa de aplicación:
Esta capa está principalmente orientada a aplicaciones para usuarios, combinando IA con Web3 para crear más cosas interesantes.
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
11 me gusta
Recompensa
11
6
Republicar
Compartir
Comentar
0/400
PerpetualLonger
· 08-14 01:56
bull run ha llegado, la IA sin duda liderará comprar la caída y acumular.
Ver originalesResponder0
BTCRetirementFund
· 08-13 22:16
Hay demasiados proyectos que son solo una moda, se puede saber fácilmente cuáles son verdaderos y cuáles falsos.
Ver originalesResponder0
LiquidityWitch
· 08-13 22:13
Otra historia para hacer dinero.
Ver originalesResponder0
screenshot_gains
· 08-13 22:01
¿Qué utilidad tiene la IA por persona si solo van a tomar a la gente por tonta?
Informe panorámico de Web3-AI: análisis profundo de la fusión tecnológica, escenarios de aplicación y proyectos de primer nivel.
Informe panorámico de la pista Web3-AI: análisis profundo de la lógica técnica, aplicaciones en escenarios y proyectos de primer nivel Profundidad
Con el continuo auge de la narración de IA, cada vez más atención se centra en este campo. Se ha llevado a cabo un análisis profundo de la lógica técnica, los escenarios de aplicación y los proyectos representativos del campo Web3-AI, presentando de manera integral el panorama y las tendencias de desarrollo en este ámbito.
Uno, Web3-AI: Análisis de la lógica técnica y oportunidades en mercados emergentes
1.1 Lógica de fusión entre Web3 y AI: cómo definir la pista Web-AI
En el último año, la narración de AI ha estado excepcionalmente en auge en la industria de Web3, con proyectos de AI surgiendo como setas después de la lluvia. Aunque hay muchos proyectos que involucran tecnología de AI, algunos solo utilizan AI en ciertas partes de sus productos, y la economía de tokens subyacente no tiene una relación sustancial con los productos de AI; por lo tanto, estos proyectos no forman parte de la discusión de los proyectos Web3-AI en este artículo.
El enfoque de este artículo está en utilizar la blockchain para resolver problemas de relaciones de producción, y la IA para abordar problemas de productividad. Estos proyectos ofrecen productos de IA por sí mismos, al mismo tiempo que se basan en un modelo económico Web3 como herramienta de relaciones de producción, siendo ambos complementarios. Clasificamos estos proyectos como parte de la pista Web3-AI. Para que los lectores comprendan mejor la pista Web3-AI, se presentará el proceso de desarrollo y los desafíos de la IA, así como la forma en que la combinación de Web3 y IA puede resolver problemas de manera perfecta y crear nuevos escenarios de aplicación.
1.2 El proceso de desarrollo de la IA y sus desafíos: desde la recolección de datos hasta la inferencia del modelo
La tecnología de IA es una técnica que permite a las computadoras simular, ampliar y mejorar la inteligencia humana. Puede permitir que las computadoras realicen diversas tareas complejas, desde la traducción de idiomas, la clasificación de imágenes hasta el reconocimiento facial, la conducción autónoma y otros escenarios de aplicación. La IA está cambiando la forma en que vivimos y trabajamos.
El proceso de desarrollo de modelos de inteligencia artificial generalmente incluye los siguientes pasos clave: recopilación de datos y preprocesamiento de datos, selección y ajuste del modelo, entrenamiento y razonamiento del modelo. Por ejemplo, al desarrollar un modelo para clasificar imágenes de gatos y perros, necesitas:
Recolección de datos y preprocesamiento de datos: recolectar un conjunto de datos de imágenes que contenga gatos y perros, se puede utilizar un conjunto de datos público o recolectar datos reales por cuenta propia. Luego, etiquetar cada imagen con su categoría (gato o perro), asegurando que las etiquetas sean precisas. Convertir las imágenes en un formato que el modelo pueda reconocer y dividir el conjunto de datos en conjunto de entrenamiento, conjunto de validación y conjunto de prueba.
Selección y ajuste del modelo: elegir un modelo adecuado, como las redes neuronales convolucionales (CNN), que son particularmente adecuadas para tareas de clasificación de imágenes. Ajustar los parámetros o la arquitectura del modelo según las diferentes necesidades; en general, los niveles de la red del modelo pueden ajustarse según la complejidad de la tarea de IA. En este simple ejemplo de clasificación, una red con menos capas podría ser suficiente.
Entrenamiento del modelo: se puede utilizar GPU, TPU o un clúster de computación de alto rendimiento para entrenar el modelo, y el tiempo de entrenamiento se ve afectado por la complejidad del modelo y la capacidad de cálculo.
Inferencia del modelo: El archivo del modelo entrenado suele ser denominado peso del modelo, y el proceso de inferencia se refiere al proceso de utilizar un modelo ya entrenado para predecir o clasificar nuevos datos. En este proceso, se puede utilizar un conjunto de pruebas o nuevos datos para evaluar el efecto de clasificación del modelo, y generalmente se utilizan métricas como la precisión, la tasa de recuperación y el F1-score para evaluar la efectividad del modelo.
Como se muestra en la figura, después de la recopilación de datos y el preprocesamiento de datos, la selección y ajuste del modelo, y el entrenamiento, se realiza la inferencia del modelo entrenado en el conjunto de prueba para obtener los valores de predicción de gato y perro P (probabilidad), es decir, la probabilidad de que el modelo infiera que es un gato o un perro.
Un modelo de IA entrenado puede integrarse aún más en diversas aplicaciones para ejecutar diferentes tareas. En este ejemplo, un modelo de IA para clasificación de gatos y perros puede integrarse en una aplicación móvil, donde los usuarios suben imágenes de gatos o perros y obtienen resultados de clasificación.
Sin embargo, el proceso de desarrollo de IA centralizada presenta algunos problemas en los siguientes escenarios:
Privacidad del usuario: En escenarios centralizados, el proceso de desarrollo de la IA suele ser opaco. Los datos de los usuarios pueden ser robados sin su conocimiento y utilizados para el entrenamiento de la IA.
Obtención de fuentes de datos: los equipos pequeños o individuos que buscan obtener datos en campos específicos (como datos médicos) pueden enfrentar limitaciones debido a la falta de apertura de los datos.
Selección y ajuste del modelo: para equipos pequeños, es difícil obtener recursos de modelo específicos del dominio o gastar grandes costos en el ajuste del modelo.
Obtención de poder de cómputo: Para los desarrolladores individuales y pequeños equipos, el alto costo de compra de GPU y los gastos de alquiler de poder de cómputo en la nube pueden representar una carga económica significativa.
Ingresos de activos de IA: los trabajadores de etiquetado de datos a menudo no pueden obtener ingresos que correspondan a su esfuerzo, y los resultados de investigación de los desarrolladores de IA también tienen dificultades para coincidir con los compradores que tienen demanda.
Los desafíos existentes en los escenarios de IA centralizada pueden superarse mediante la combinación con Web3. Web3, como una nueva forma de relación de producción, se adapta de forma natural a la IA, que representa una nueva fuerza productiva, promoviendo así el progreso simultáneo de la tecnología y la capacidad de producción.
1.3 La sinergia entre Web3 y la IA: transformación de roles y aplicaciones innovadoras
La combinación de Web3 y AI puede aumentar la soberanía del usuario, proporcionando una plataforma de colaboración de AI abierta que permite a los usuarios pasar de ser usuarios de AI en la era Web2 a participantes, creando una AI que todos pueden poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología AI también puede generar más escenarios de aplicación innovadores y formas de jugar.
Basado en la tecnología Web3, el desarrollo y la aplicación de la IA darán lugar a un nuevo sistema económico colaborativo. La privacidad de los datos de las personas puede ser garantizada, el modelo de crowdsourcing de datos promueve el avance de los modelos de IA, y numerosos recursos de IA de código abierto están disponibles para los usuarios, con capacidad compartida que se puede obtener a un costo más bajo. Con la ayuda de un mecanismo de colaboración descentralizado y un mercado de IA abierto, se puede lograr un sistema de distribución de ingresos justo, lo que incentiva a más personas a impulsar el progreso de la tecnología de IA.
En el escenario de Web3, la IA puede tener un impacto positivo en múltiples áreas. Por ejemplo, los modelos de IA pueden integrarse en contratos inteligentes para mejorar la eficiencia laboral en diferentes escenarios de aplicación, como el análisis de mercado, la detección de seguridad, la agrupación social y diversas funciones. La IA generativa no solo permite a los usuarios experimentar el papel de "artista", como crear sus propios NFT utilizando tecnología de IA, sino que también puede crear escenas de juego ricas y variadas y experiencias interactivas interesantes en GameFi. Una infraestructura rica proporciona una experiencia de desarrollo fluida, donde tanto los expertos en IA como los principiantes que desean entrar en el campo de la IA pueden encontrar una entrada adecuada en este mundo.
Dos, interpretación del mapa y la arquitectura del proyecto ecosistema Web3-AI
Principalmente hemos investigado 41 proyectos en la pista de Web3-AI y hemos clasificado estos proyectos en diferentes niveles. La lógica de clasificación de cada nivel se muestra en la siguiente imagen, incluyendo la capa de infraestructura, la capa intermedia y la capa de aplicación, cada una de las cuales se divide en diferentes secciones. En el próximo capítulo, realizaremos un análisis profundo de algunos proyectos representativos.
La capa de infraestructura abarca los recursos computacionales y la arquitectura técnica que soportan la operación de todo el ciclo de vida de la IA, la capa intermedia incluye la gestión de datos, el desarrollo de modelos y los servicios de inferencia de validación que conectan la infraestructura con las aplicaciones, mientras que la capa de aplicaciones se centra en diversas aplicaciones y soluciones dirigidas directamente a los usuarios.
Capa de infraestructura:
La capa de infraestructura es la base del ciclo de vida de la IA. Este artículo clasifica la computación, AI Chain y la plataforma de desarrollo como parte de la capa de infraestructura. Es gracias al apoyo de estas infraestructuras que se puede llevar a cabo el entrenamiento y la inferencia de modelos de IA, y presentar aplicaciones de IA potentes y prácticas a los usuarios.
Red de computación descentralizada: puede proporcionar potencia de cálculo distribuida para el entrenamiento de modelos de IA, asegurando un uso eficiente y económico de los recursos computacionales. Algunos proyectos ofrecen mercados de potencia de cálculo descentralizados, donde los usuarios pueden alquilar potencia de cálculo a bajo costo o compartirla para obtener ganancias, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevas formas de jugar, como Compute Labs, que propone un protocolo tokenizado, donde los usuarios pueden participar en el alquiler de potencia de cálculo de diferentes maneras mediante la compra de NFT que representan entidades GPU.
AI Chain: Utiliza la cadena de bloques como base para el ciclo de vida de la IA, logrando una interacción fluida de recursos de IA en la cadena y fuera de ella, promoviendo el desarrollo del ecosistema de la industria. El mercado de IA descentralizado en la cadena puede comerciar activos de IA como datos, modelos, agentes, etc., y proporciona un marco de desarrollo de IA y herramientas de desarrollo complementarias, representado por proyectos como Sahara AI. AI Chain también puede facilitar el avance de la tecnología de IA en diferentes campos, como Bittensor, que promueve la competencia entre diferentes tipos de subredes de IA mediante un innovador mecanismo de incentivos de subred.
Plataforma de desarrollo: algunos proyectos ofrecen plataformas de desarrollo de agentes de IA, que también pueden realizar transacciones de agentes de IA, como Fetch.ai y ChainML. Herramientas integrales ayudan a los desarrolladores a crear, entrenar y desplegar modelos de IA de manera más conveniente, representados por proyectos como Nimble. Esta infraestructura facilita la amplia aplicación de la tecnología de IA en el ecosistema Web3.
Capa intermedia:
Esta capa involucra datos de IA, modelos, así como inferencia y verificación, utilizando tecnología Web3 se puede lograr una mayor Profundidad en la eficiencia laboral.
Además, algunas plataformas permiten a expertos del campo o usuarios comunes realizar tareas de preprocesamiento de datos, como la anotación de imágenes y la clasificación de datos, que pueden requerir conocimientos especializados en tareas financieras y legales de procesamiento de datos. Los usuarios pueden tokenizar sus habilidades y lograr la colaboración y el crowdsourcing en el preprocesamiento de datos. Representando como el mercado de IA de Sahara AI, que tiene tareas de datos en diferentes campos y puede cubrir escenarios de datos en múltiples dominios; mientras que AIT Protocolt realiza la anotación de datos a través de una colaboración humano-máquina.
Algunos proyectos permiten a los usuarios proporcionar diferentes tipos de modelos o colaborar en el entrenamiento de modelos a través de la externalización, como Sentient, que mediante un diseño modular permite a los usuarios colocar datos de modelo confiables en la capa de almacenamiento y en la capa de distribución para la optimización del modelo, y las herramientas de desarrollo proporcionadas por Sahara AI incorporan algoritmos de IA avanzados y un marco de cálculo, además de contar con la capacidad de entrenamiento colaborativo.
Capa de aplicación:
Esta capa está principalmente orientada a aplicaciones para usuarios, combinando IA con Web3 para crear más cosas interesantes.