Rapport panoramique sur la piste Web3-AI : logique technique, applications de scénarios et analyse approfondie des projets de premier plan
Avec l'essor continu de la narration par l'IA, de plus en plus d'attention est portée sur ce secteur. Cet article analyse en profondeur la logique technique, les cas d'utilisation et les projets représentatifs du secteur Web3-AI, vous présentant ainsi un panorama complet et les tendances de développement dans ce domaine.
I. Web3-AI : analyse de la logique technique et des opportunités de marché émergentes
1.1 La logique de fusion entre Web3 et l'IA : comment définir le domaine Web3-AI
Au cours de l'année écoulée, la narration AI a connu un essor exceptionnel dans l'industrie Web3, avec des projets AI qui ont émergé comme des champignons après la pluie. Bien qu'il existe de nombreux projets impliquant des technologies AI, certains projets n'utilisent l'AI que dans certaines parties de leurs produits, et l'économie des tokens sous-jacente n'a pas de lien substantiel avec les produits AI, c'est pourquoi ces projets ne font pas partie de la discussion sur les projets Web3-AI dans cet article.
L'article se concentre sur l'utilisation de la blockchain pour résoudre les problèmes de relations de production et les projets où l'IA résout les problèmes de productivité. Ces projets offrent des produits d'IA tout en étant basés sur un modèle économique Web3 comme outil de relations de production, les deux étant complémentaires. Nous classifions ces projets dans la catégorie Web3-AI. Afin de permettre aux lecteurs de mieux comprendre la catégorie Web3-AI, cet article présentera le processus de développement de l'IA et les défis, ainsi que la manière dont la combinaison de Web3 et d'IA résout parfaitement les problèmes et crée de nouveaux cas d'application.
1.2 Le processus de développement de l'IA et ses défis : de la collecte de données à l'inférence du modèle
La technologie de l'IA est une technologie qui permet aux ordinateurs de simuler, d'étendre et d'améliorer l'intelligence humaine. Elle permet aux ordinateurs d'exécuter diverses tâches complexes, allant de la traduction de langues, de la classification d'images à la reconnaissance faciale, à la conduite autonome et d'autres scénarios d'application. L'IA change notre manière de vivre et de travailler.
Le processus de développement d'un modèle d'intelligence artificielle comprend généralement les étapes clés suivantes : collecte de données et prétraitement des données, sélection et optimisation du modèle, entraînement et inférence du modèle. Prenons un exemple simple, le développement d'un modèle pour classer les images de chats et de chiens, vous aurez besoin de :
Collecte de données et prétraitement des données : collecter un ensemble de données d'images contenant des chats et des chiens, en utilisant des ensembles de données publics ou en collectant des données réelles soi-même. Ensuite, étiquetez chaque image avec sa catégorie (chat ou chien), en veillant à ce que les étiquettes soient exactes. Convertissez les images dans un format que le modèle peut reconnaître, et divisez l'ensemble de données en ensembles d'entraînement, de validation et de test.
Sélection et ajustement du modèle : Choisir un modèle approprié, comme les réseaux de neurones convolutifs (CNN), qui conviennent particulièrement aux tâches de classification d'images. Ajuster les paramètres ou l'architecture du modèle en fonction des besoins différents, en général, la profondeur du réseau du modèle peut être ajustée en fonction de la complexité des tâches d'IA. Dans cet exemple de classification simple, une profondeur de réseau plus faible peut suffire.
Entraînement du modèle : il est possible d'utiliser des GPU, TPU ou des clusters de calcul haute performance pour entraîner le modèle, le temps d'entraînement étant influencé par la complexité du modèle et la puissance de calcul.
Inférence du modèle : Les fichiers de modèle entraînés sont généralement appelés poids du modèle. Le processus d'inférence fait référence à l'utilisation d'un modèle déjà entraîné pour prédire ou classer de nouvelles données. Dans ce processus, un ensemble de test ou de nouvelles données peut être utilisé pour évaluer l'efficacité de la classification du modèle, généralement mesurée par des indicateurs tels que la précision, le rappel et le score F1.
Comme montré sur la figure, après la collecte de données, le prétraitement des données, le choix et l'ajustement du modèle, ainsi que l'entraînement, l'inférence du modèle entraîné sur l'ensemble de test donnera les valeurs prédictives P (probabilité) pour les chats et les chiens, c'est-à-dire la probabilité que le modèle infère qu'il s'agit d'un chat ou d'un chien.
Un modèle d'IA entraîné peut être intégré dans diverses applications pour exécuter différentes tâches. Dans cet exemple, un modèle d'IA de classification de chats et de chiens peut être intégré dans une application mobile, où les utilisateurs téléchargent des images de chats ou de chiens pour obtenir des résultats de classification.
Cependant, le processus de développement de l'IA centralisée présente certains problèmes dans les scénarios suivants :
Confidentialité des utilisateurs : dans un contexte centralisé, le processus de développement de l'IA est généralement opaque. Les données des utilisateurs peuvent être volées à leur insu et utilisées pour l'entraînement de l'IA.
Obtenir des sources de données : les petites équipes ou les individus peuvent être confrontés à des restrictions concernant l'accès aux données non open source dans des domaines spécifiques (comme les données médicales).
Choix et ajustement du modèle : pour les petites équipes, il est difficile d'accéder à des ressources de modèles spécifiques ou de dépenser beaucoup de coûts pour l'ajustement des modèles.
Obtention de puissance de calcul : pour les développeurs individuels et les petites équipes, le coût élevé d'achat de GPU et les frais de location de puissance de calcul dans le cloud peuvent représenter un fardeau économique significatif.
Revenus des actifs IA : Les travailleurs de l'annotation de données ont souvent du mal à obtenir des revenus correspondant à leurs efforts, tandis que les résultats de recherche des développeurs d'IA ont également du mal à correspondre aux acheteurs qui en ont besoin.
Les défis existants dans les scénarios d'IA centralisée peuvent être surmontés grâce à une combinaison avec le Web3. En tant que nouvelle forme de relations de production, le Web3 s'adapte naturellement à l'IA, qui représente une nouvelle productivité, ce qui permet de promouvoir simultanément les progrès technologiques et des capacités de production.
1.3 Synergie entre Web3 et IA : transformation des rôles et applications innovantes
La combinaison de Web3 et de l'IA peut renforcer la souveraineté des utilisateurs, offrant une plateforme de collaboration AI ouverte, permettant aux utilisateurs de passer de simples utilisateurs d'IA à des participants, créant une IA que tout le monde peut posséder. En même temps, la fusion du monde Web3 avec les technologies IA peut également générer des scénarios d'application et des modes de jeu innovants.
Grâce à la technologie Web3, le développement et l'application de l'IA entreront dans un tout nouveau système économique collaboratif. La vie privée des données des utilisateurs peut être garantie, le mode de crowdsourcing des données favorise les progrès des modèles d'IA, de nombreuses ressources d'IA open source sont à la disposition des utilisateurs, et la puissance de calcul partagée peut être obtenue à un coût réduit. Avec l'aide d'un mécanisme de crowdsourcing décentralisé et d'un marché de l'IA ouvert, un système de répartition équitable des revenus peut être mis en place, ce qui incitera davantage de personnes à promouvoir les avancées de la technologie IA.
Dans le contexte de Web3, l'IA peut avoir un impact positif sur plusieurs domaines. Par exemple, des modèles d'IA peuvent être intégrés dans des contrats intelligents pour améliorer l'efficacité du travail dans divers scénarios d'application, tels que l'analyse de marché, la détection de sécurité, le clustering social, et bien d'autres fonctionnalités. L'IA générative permet non seulement aux utilisateurs de vivre le rôle d'"artiste", par exemple en utilisant des technologies d'IA pour créer leurs propres NFT, mais elle peut également créer des scénarios de jeu variés et des expériences interactives intéressantes dans GameFi. Une infrastructure riche offre une expérience de développement fluide, permettant à la fois aux experts en IA et aux novices souhaitant entrer dans le domaine de trouver une entrée appropriée dans ce monde.
Deuxième partie, interprétation de la carte et de l'architecture des projets écosystémiques Web3-AI
Nous avons principalement étudié 41 projets dans le domaine Web3-AI et avons classé ces projets en différents niveaux. La logique de classification de chaque niveau est illustrée dans le graphique ci-dessous, incluant le niveau d'infrastructure, le niveau intermédiaire et le niveau d'application, chacun étant subdivisé en différentes sections. Dans le chapitre suivant, nous procéderons à une analyse approfondie de certains projets représentatifs.
La couche d'infrastructure couvre les ressources de calcul et l'architecture technique qui soutiennent l'ensemble du cycle de vie de l'IA, la couche intermédiaire comprend la gestion des données, le développement de modèles et les services de validation et d'inférence qui relient l'infrastructure aux applications, tandis que la couche d'application se concentre sur les diverses applications et solutions directement destinées aux utilisateurs.
Infrastructure Layer :
La couche d'infrastructure est la base du cycle de vie de l'IA. Cet article classe la puissance de calcul, la chaîne AI et la plateforme de développement comme étant la couche d'infrastructure. C'est grâce à ces infrastructures que l'on peut réaliser l'entraînement et l'inférence des modèles d'IA, et présenter des applications IA puissantes et pratiques aux utilisateurs.
Réseau de calcul décentralisé : il peut fournir une puissance de calcul distribuée pour l'entraînement des modèles d'IA, garantissant une utilisation efficace et économique des ressources de calcul. Certains projets offrent des marchés de puissance de calcul décentralisés où les utilisateurs peuvent louer de la puissance de calcul à faible coût ou partager la puissance de calcul pour en tirer des bénéfices, des projets représentatifs incluent IO.NET et Hyperbolic. De plus, certains projets ont dérivé de nouvelles mécaniques de jeu, comme Compute Labs, qui ont proposé un protocole tokenisé, permettant aux utilisateurs de participer de différentes manières à la location de puissance de calcul pour générer des bénéfices en achetant des NFT représentant des entités GPU.
AI Chain : Utiliser la blockchain comme base du cycle de vie de l'IA, réaliser une interaction transparente entre les ressources IA on-chain et off-chain, et promouvoir le développement de l'écosystème industriel. Le marché décentralisé de l'IA sur la chaîne permet d'échanger des actifs IA tels que des données, des modèles, des agents, etc., et fournit un cadre de développement IA et des outils de développement associés, avec des projets représentatifs tels que Sahara AI. AI Chain peut également favoriser les progrès technologiques de l'IA dans différents domaines, comme Bittensor qui encourage la compétition entre différents types de sous-réseaux grâce à un mécanisme d'incitation innovant.
Plateforme de développement : certains projets offrent des plateformes de développement d'agents IA, permettant également le trading d'agents IA, comme Fetch.ai et ChainML. Des outils tout-en-un aident les développeurs à créer, entraîner et déployer plus facilement des modèles IA, avec des projets représentatifs comme Nimble. Ces infrastructures favorisent l'application généralisée de la technologie IA dans l'écosystème Web3.
Couche intermédiaire :
Ce niveau implique des données AI, des modèles ainsi que le raisonnement et la validation, utilisant la technologie Web3 pour réaliser une efficacité de travail supérieure.
Données : La qualité et la quantité des données sont des facteurs clés qui influent sur l'efficacité de l'entraînement des modèles. Dans le monde Web3, l'optimisation de l'utilisation des ressources et la réduction des coûts des données peuvent être réalisées par le biais de données crowdsourcées et de traitement collaboratif des données. Les utilisateurs peuvent avoir le contrôle de leurs données et les vendre dans le respect de la vie privée pour éviter que leurs données ne soient volées et exploitées à des fins lucratives par de mauvais commerçants. Pour les demandeurs de données, ces plateformes offrent un large éventail de choix à des coûts très bas. Des projets représentatifs comme Grass utilisent la bande passante des utilisateurs pour collecter des données Web, xData collecte des informations médiatiques via des plugins conviviaux, et permet aux utilisateurs de télécharger des informations de tweets.
De plus, certaines plateformes permettent aux experts de domaine ou aux utilisateurs ordinaires d'exécuter des tâches de prétraitement des données, telles que l'annotation d'images et la classification des données, ces tâches pouvant nécessiter une expertise en matière de traitement des données financières et juridiques. Les utilisateurs peuvent tokeniser leurs compétences pour réaliser une collaboration en mode crowdsourcing pour le prétraitement des données. Des exemples incluent le marché AI de Sahara AI, qui propose des tâches de données dans différents domaines et peut couvrir des scénarios de données multi-domaines ; tandis que le protocole AIT effectue l'annotation des données grâce à une collaboration homme-machine.
Modèle : Dans le processus de développement de l'IA mentionné précédemment, différents types de besoins nécessitent des modèles adaptés. Les modèles couramment utilisés pour les tâches d'image incluent CNN et GAN, pour les tâches de détection d'objets, la série Yolo peut être choisie, et pour les tâches de texte, des modèles tels que RNN et Transformer sont courants, bien sûr, il existe également certains grands modèles spécifiques ou généraux. La profondeur des modèles nécessaires pour des tâches de complexité différente varie également, et il peut parfois être nécessaire d'ajuster les modèles.
Certains projets permettent aux utilisateurs de fournir différents types de modèles ou de collaborer à l'entraînement des modèles par le biais de l'affichage, comme Sentient qui, grâce à une conception modulaire, permet aux utilisateurs de placer des données de modèle fiables dans la couche de stockage et la couche de distribution pour optimiser les modèles. Les outils de développement fournis par Sahara AI intègrent des algorithmes d'IA avancés et des cadres de calcul, et possèdent la capacité d'entraînement collaboratif.
Inférence et validation : après l'entraînement, le modèle génère un fichier de poids de modèle qui peut être utilisé pour la classification, la prédiction ou d'autres tâches spécifiques, ce processus est appelé inférence. Le processus d'inférence est généralement accompagné d'un mécanisme de validation pour vérifier si la source du modèle d'inférence est correcte, s'il y a des comportements malveillants, etc. L'inférence dans Web3 peut généralement être intégrée dans des contrats intelligents, en appelant le modèle pour effectuer l'inférence, les méthodes de validation courantes incluent des technologies telles que ZKML, OPML et TEE. Des projets représentatifs tels que l'oracle AI sur la chaîne ORA (OAO) ont introduit OPML comme couche vérifiable pour l'oracle AI, et leur site officiel mentionne également leurs recherches sur ZKML et opp/ai (ZKML combiné avec OPML).
Couche d'application :
Cette couche est principalement une application directement destinée aux utilisateurs, combinant l'IA avec le Web3 pour créer des expériences plus intéressantes et innovantes. Cet article examine principalement les projets dans plusieurs domaines tels que AIGC (contenu généré par l'IA), agents IA et analyse de données.
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
20 J'aime
Récompense
20
8
Partager
Commentaire
0/400
BlockchainWorker
· Il y a 4h
Revoilà l'IA, le marché a déjà poursuivi la tendance jusqu'à l'extrême.
Voir l'originalRépondre0
UncleWhale
· Il y a 7h
确实被 prendre les gens pour des idiots 所以不再闭眼冲
Voir l'originalRépondre0
GateUser-40edb63b
· 07-30 17:44
Tous piégés par l'IA, Se faire prendre pour des cons, un à un.
Voir l'originalRépondre0
ser_we_are_ngmi
· 07-30 17:41
Je pense que beaucoup de projets profitent de l'IA, ils prennent les gens pour des idiots.
Voir l'originalRépondre0
SchroedingerMiner
· 07-30 17:36
Revoilà la narration financière, combien de temps cela pourra-t-il durer ?
Voir l'originalRépondre0
OffchainOracle
· 07-30 17:33
Certains domaines, discrets mais efficaces, se dirigent vers le web3 et commencent à susciter des spéculations.
Voir l'originalRépondre0
MercilessHalal
· 07-30 17:23
Encore un nouveau vent de se faire prendre pour des cons. On verra juste qui entre dans une position tôt et qui aura de la viande à manger.
Voir l'originalRépondre0
DeFiAlchemist
· 07-30 17:22
sérieusement, ce n'est pas juste une autre fusion technologique... nous assistons ici à une véritable alchimie financière, pour être honnête.
Web3-AI Panorama : Analyse approfondie de la logique technique, des scénarios d'application et des projets de premier plan
Rapport panoramique sur la piste Web3-AI : logique technique, applications de scénarios et analyse approfondie des projets de premier plan
Avec l'essor continu de la narration par l'IA, de plus en plus d'attention est portée sur ce secteur. Cet article analyse en profondeur la logique technique, les cas d'utilisation et les projets représentatifs du secteur Web3-AI, vous présentant ainsi un panorama complet et les tendances de développement dans ce domaine.
I. Web3-AI : analyse de la logique technique et des opportunités de marché émergentes
1.1 La logique de fusion entre Web3 et l'IA : comment définir le domaine Web3-AI
Au cours de l'année écoulée, la narration AI a connu un essor exceptionnel dans l'industrie Web3, avec des projets AI qui ont émergé comme des champignons après la pluie. Bien qu'il existe de nombreux projets impliquant des technologies AI, certains projets n'utilisent l'AI que dans certaines parties de leurs produits, et l'économie des tokens sous-jacente n'a pas de lien substantiel avec les produits AI, c'est pourquoi ces projets ne font pas partie de la discussion sur les projets Web3-AI dans cet article.
L'article se concentre sur l'utilisation de la blockchain pour résoudre les problèmes de relations de production et les projets où l'IA résout les problèmes de productivité. Ces projets offrent des produits d'IA tout en étant basés sur un modèle économique Web3 comme outil de relations de production, les deux étant complémentaires. Nous classifions ces projets dans la catégorie Web3-AI. Afin de permettre aux lecteurs de mieux comprendre la catégorie Web3-AI, cet article présentera le processus de développement de l'IA et les défis, ainsi que la manière dont la combinaison de Web3 et d'IA résout parfaitement les problèmes et crée de nouveaux cas d'application.
1.2 Le processus de développement de l'IA et ses défis : de la collecte de données à l'inférence du modèle
La technologie de l'IA est une technologie qui permet aux ordinateurs de simuler, d'étendre et d'améliorer l'intelligence humaine. Elle permet aux ordinateurs d'exécuter diverses tâches complexes, allant de la traduction de langues, de la classification d'images à la reconnaissance faciale, à la conduite autonome et d'autres scénarios d'application. L'IA change notre manière de vivre et de travailler.
Le processus de développement d'un modèle d'intelligence artificielle comprend généralement les étapes clés suivantes : collecte de données et prétraitement des données, sélection et optimisation du modèle, entraînement et inférence du modèle. Prenons un exemple simple, le développement d'un modèle pour classer les images de chats et de chiens, vous aurez besoin de :
Collecte de données et prétraitement des données : collecter un ensemble de données d'images contenant des chats et des chiens, en utilisant des ensembles de données publics ou en collectant des données réelles soi-même. Ensuite, étiquetez chaque image avec sa catégorie (chat ou chien), en veillant à ce que les étiquettes soient exactes. Convertissez les images dans un format que le modèle peut reconnaître, et divisez l'ensemble de données en ensembles d'entraînement, de validation et de test.
Sélection et ajustement du modèle : Choisir un modèle approprié, comme les réseaux de neurones convolutifs (CNN), qui conviennent particulièrement aux tâches de classification d'images. Ajuster les paramètres ou l'architecture du modèle en fonction des besoins différents, en général, la profondeur du réseau du modèle peut être ajustée en fonction de la complexité des tâches d'IA. Dans cet exemple de classification simple, une profondeur de réseau plus faible peut suffire.
Entraînement du modèle : il est possible d'utiliser des GPU, TPU ou des clusters de calcul haute performance pour entraîner le modèle, le temps d'entraînement étant influencé par la complexité du modèle et la puissance de calcul.
Inférence du modèle : Les fichiers de modèle entraînés sont généralement appelés poids du modèle. Le processus d'inférence fait référence à l'utilisation d'un modèle déjà entraîné pour prédire ou classer de nouvelles données. Dans ce processus, un ensemble de test ou de nouvelles données peut être utilisé pour évaluer l'efficacité de la classification du modèle, généralement mesurée par des indicateurs tels que la précision, le rappel et le score F1.
Comme montré sur la figure, après la collecte de données, le prétraitement des données, le choix et l'ajustement du modèle, ainsi que l'entraînement, l'inférence du modèle entraîné sur l'ensemble de test donnera les valeurs prédictives P (probabilité) pour les chats et les chiens, c'est-à-dire la probabilité que le modèle infère qu'il s'agit d'un chat ou d'un chien.
Un modèle d'IA entraîné peut être intégré dans diverses applications pour exécuter différentes tâches. Dans cet exemple, un modèle d'IA de classification de chats et de chiens peut être intégré dans une application mobile, où les utilisateurs téléchargent des images de chats ou de chiens pour obtenir des résultats de classification.
Cependant, le processus de développement de l'IA centralisée présente certains problèmes dans les scénarios suivants :
Confidentialité des utilisateurs : dans un contexte centralisé, le processus de développement de l'IA est généralement opaque. Les données des utilisateurs peuvent être volées à leur insu et utilisées pour l'entraînement de l'IA.
Obtenir des sources de données : les petites équipes ou les individus peuvent être confrontés à des restrictions concernant l'accès aux données non open source dans des domaines spécifiques (comme les données médicales).
Choix et ajustement du modèle : pour les petites équipes, il est difficile d'accéder à des ressources de modèles spécifiques ou de dépenser beaucoup de coûts pour l'ajustement des modèles.
Obtention de puissance de calcul : pour les développeurs individuels et les petites équipes, le coût élevé d'achat de GPU et les frais de location de puissance de calcul dans le cloud peuvent représenter un fardeau économique significatif.
Revenus des actifs IA : Les travailleurs de l'annotation de données ont souvent du mal à obtenir des revenus correspondant à leurs efforts, tandis que les résultats de recherche des développeurs d'IA ont également du mal à correspondre aux acheteurs qui en ont besoin.
Les défis existants dans les scénarios d'IA centralisée peuvent être surmontés grâce à une combinaison avec le Web3. En tant que nouvelle forme de relations de production, le Web3 s'adapte naturellement à l'IA, qui représente une nouvelle productivité, ce qui permet de promouvoir simultanément les progrès technologiques et des capacités de production.
1.3 Synergie entre Web3 et IA : transformation des rôles et applications innovantes
La combinaison de Web3 et de l'IA peut renforcer la souveraineté des utilisateurs, offrant une plateforme de collaboration AI ouverte, permettant aux utilisateurs de passer de simples utilisateurs d'IA à des participants, créant une IA que tout le monde peut posséder. En même temps, la fusion du monde Web3 avec les technologies IA peut également générer des scénarios d'application et des modes de jeu innovants.
Grâce à la technologie Web3, le développement et l'application de l'IA entreront dans un tout nouveau système économique collaboratif. La vie privée des données des utilisateurs peut être garantie, le mode de crowdsourcing des données favorise les progrès des modèles d'IA, de nombreuses ressources d'IA open source sont à la disposition des utilisateurs, et la puissance de calcul partagée peut être obtenue à un coût réduit. Avec l'aide d'un mécanisme de crowdsourcing décentralisé et d'un marché de l'IA ouvert, un système de répartition équitable des revenus peut être mis en place, ce qui incitera davantage de personnes à promouvoir les avancées de la technologie IA.
Dans le contexte de Web3, l'IA peut avoir un impact positif sur plusieurs domaines. Par exemple, des modèles d'IA peuvent être intégrés dans des contrats intelligents pour améliorer l'efficacité du travail dans divers scénarios d'application, tels que l'analyse de marché, la détection de sécurité, le clustering social, et bien d'autres fonctionnalités. L'IA générative permet non seulement aux utilisateurs de vivre le rôle d'"artiste", par exemple en utilisant des technologies d'IA pour créer leurs propres NFT, mais elle peut également créer des scénarios de jeu variés et des expériences interactives intéressantes dans GameFi. Une infrastructure riche offre une expérience de développement fluide, permettant à la fois aux experts en IA et aux novices souhaitant entrer dans le domaine de trouver une entrée appropriée dans ce monde.
Deuxième partie, interprétation de la carte et de l'architecture des projets écosystémiques Web3-AI
Nous avons principalement étudié 41 projets dans le domaine Web3-AI et avons classé ces projets en différents niveaux. La logique de classification de chaque niveau est illustrée dans le graphique ci-dessous, incluant le niveau d'infrastructure, le niveau intermédiaire et le niveau d'application, chacun étant subdivisé en différentes sections. Dans le chapitre suivant, nous procéderons à une analyse approfondie de certains projets représentatifs.
La couche d'infrastructure couvre les ressources de calcul et l'architecture technique qui soutiennent l'ensemble du cycle de vie de l'IA, la couche intermédiaire comprend la gestion des données, le développement de modèles et les services de validation et d'inférence qui relient l'infrastructure aux applications, tandis que la couche d'application se concentre sur les diverses applications et solutions directement destinées aux utilisateurs.
Infrastructure Layer :
La couche d'infrastructure est la base du cycle de vie de l'IA. Cet article classe la puissance de calcul, la chaîne AI et la plateforme de développement comme étant la couche d'infrastructure. C'est grâce à ces infrastructures que l'on peut réaliser l'entraînement et l'inférence des modèles d'IA, et présenter des applications IA puissantes et pratiques aux utilisateurs.
Réseau de calcul décentralisé : il peut fournir une puissance de calcul distribuée pour l'entraînement des modèles d'IA, garantissant une utilisation efficace et économique des ressources de calcul. Certains projets offrent des marchés de puissance de calcul décentralisés où les utilisateurs peuvent louer de la puissance de calcul à faible coût ou partager la puissance de calcul pour en tirer des bénéfices, des projets représentatifs incluent IO.NET et Hyperbolic. De plus, certains projets ont dérivé de nouvelles mécaniques de jeu, comme Compute Labs, qui ont proposé un protocole tokenisé, permettant aux utilisateurs de participer de différentes manières à la location de puissance de calcul pour générer des bénéfices en achetant des NFT représentant des entités GPU.
AI Chain : Utiliser la blockchain comme base du cycle de vie de l'IA, réaliser une interaction transparente entre les ressources IA on-chain et off-chain, et promouvoir le développement de l'écosystème industriel. Le marché décentralisé de l'IA sur la chaîne permet d'échanger des actifs IA tels que des données, des modèles, des agents, etc., et fournit un cadre de développement IA et des outils de développement associés, avec des projets représentatifs tels que Sahara AI. AI Chain peut également favoriser les progrès technologiques de l'IA dans différents domaines, comme Bittensor qui encourage la compétition entre différents types de sous-réseaux grâce à un mécanisme d'incitation innovant.
Plateforme de développement : certains projets offrent des plateformes de développement d'agents IA, permettant également le trading d'agents IA, comme Fetch.ai et ChainML. Des outils tout-en-un aident les développeurs à créer, entraîner et déployer plus facilement des modèles IA, avec des projets représentatifs comme Nimble. Ces infrastructures favorisent l'application généralisée de la technologie IA dans l'écosystème Web3.
Couche intermédiaire :
Ce niveau implique des données AI, des modèles ainsi que le raisonnement et la validation, utilisant la technologie Web3 pour réaliser une efficacité de travail supérieure.
De plus, certaines plateformes permettent aux experts de domaine ou aux utilisateurs ordinaires d'exécuter des tâches de prétraitement des données, telles que l'annotation d'images et la classification des données, ces tâches pouvant nécessiter une expertise en matière de traitement des données financières et juridiques. Les utilisateurs peuvent tokeniser leurs compétences pour réaliser une collaboration en mode crowdsourcing pour le prétraitement des données. Des exemples incluent le marché AI de Sahara AI, qui propose des tâches de données dans différents domaines et peut couvrir des scénarios de données multi-domaines ; tandis que le protocole AIT effectue l'annotation des données grâce à une collaboration homme-machine.
Certains projets permettent aux utilisateurs de fournir différents types de modèles ou de collaborer à l'entraînement des modèles par le biais de l'affichage, comme Sentient qui, grâce à une conception modulaire, permet aux utilisateurs de placer des données de modèle fiables dans la couche de stockage et la couche de distribution pour optimiser les modèles. Les outils de développement fournis par Sahara AI intègrent des algorithmes d'IA avancés et des cadres de calcul, et possèdent la capacité d'entraînement collaboratif.
Couche d'application :
Cette couche est principalement une application directement destinée aux utilisateurs, combinant l'IA avec le Web3 pour créer des expériences plus intéressantes et innovantes. Cet article examine principalement les projets dans plusieurs domaines tels que AIGC (contenu généré par l'IA), agents IA et analyse de données.