Relatório panorâmico sobre o setor Web3-AI: Análise profunda da lógica técnica, aplicações de cenário e projetos de topo Profundidade
Com a contínua ascensão da narrativa de IA, cada vez mais atenção está sendo concentrada nesta área. Este artigo realiza uma análise aprofundada da lógica técnica, cenários de aplicação e projetos representativos do campo Web3-AI, apresentando a você uma visão abrangente e as tendências de desenvolvimento deste setor.
I. Web3-AI: Análise da Lógica Técnica e Oportunidades de Mercado Emergentes
1.1 Lógica de fusão entre Web3 e IA: como definir a pista Web3-AI
No último ano, a narrativa de IA tem sido excepcionalmente popular na indústria Web3, com projetos de IA a surgir como cogumelos após a chuva. Embora haja muitos projetos que envolvem tecnologia de IA, alguns deles utilizam IA apenas em certas partes de seus produtos, e a economia de tokens subjacente não tem uma relação substancial com os produtos de IA. Portanto, esses projetos não fazem parte da discussão de projetos Web3-AI neste artigo.
O foco deste artigo está em usar a blockchain para resolver problemas de relações de produção, enquanto a IA aborda questões de produtividade, com projetos que oferecem produtos de IA e que se baseiam em modelos econômicos Web3 como ferramentas de relações de produção, sendo ambos complementares. Classificamos esses projetos como a trilha Web3-AI. Para que os leitores compreendam melhor a trilha Web3-AI, este artigo irá apresentar o processo de desenvolvimento da IA e os desafios, bem como como a combinação de Web3 e IA pode resolver problemas de forma perfeita e criar novos cenários de aplicação.
1.2 O processo de desenvolvimento de 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, ampliem e aprimorem a inteligência humana. Ela permite que os computadores realizem diversas tarefas complexas, desde tradução de idiomas, classificação de imagens até reconhecimento facial, condução automática e outros cenários de aplicação. A IA está mudando a maneira como vivemos e trabalhamos.
O processo de desenvolvimento de modelos de inteligência artificial geralmente inclui os seguintes passos chave: coleta de dados e pré-processamento de dados, seleção e ajuste de modelos, treinamento e inferência de modelos. Por exemplo, ao desenvolver um modelo para classificar imagens de gatos e cães, você precisaria:
Coleta de dados e pré-processamento de dados: Coletar um conjunto de dados de imagens contendo gatos e cães, podendo usar conjuntos de dados públicos ou coletar dados reais. Em seguida, rotular cada imagem com a categoria (gato ou cão), garantindo que os rótulos sejam precisos. 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.
Seleção e ajuste do modelo: escolha um modelo adequado, como redes neurais convolucionais (CNN), que são mais adequadas para tarefas de classificação de imagens. Ajuste os parâmetros ou a arquitetura do modelo de acordo com diferentes necessidades; geralmente, a profundidade da rede do modelo pode ser ajustada de acordo com a complexidade da tarefa de IA. Neste exemplo simples de classificação, uma rede menos profunda pode ser suficiente.
Treinamento do modelo: é possível utilizar GPU, TPU ou clusters de computação de alto desempenho para treinar o modelo, sendo que o tempo de treinamento é influenciado pela complexidade do modelo e pela capacidade de computação.
Inferência do modelo: O arquivo de modelo treinado é normalmente chamado de pesos do modelo, e o processo de inferência refere-se ao uso de um modelo já treinado para prever ou classificar novos dados. Neste processo, pode-se usar um conjunto de teste ou novos dados para testar a eficácia de classificação do modelo, normalmente avaliando a validade do modelo através de 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 do modelo, e treinamento, o modelo treinado é utilizado para inferência no conjunto de teste, resultando nos valores de predição de gato e cachorro P (probabilidade), ou seja, a probabilidade de o modelo inferir que é um gato ou um cachorro.
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 carregam fotos de gatos ou cães e recebem os resultados da classificação.
No entanto, o processo de desenvolvimento de IA centralizada apresenta alguns problemas nos seguintes cenários:
Privacidade do usuário: em cenários centralizados, o processo de desenvolvimento 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: pequenas equipas ou indivíduos podem enfrentar restrições de não abertura de dados ao obter dados de áreas específicas (como dados médicos).
Seleção e ajuste de modelos: para pequenas equipas, é difícil obter recursos de modelos específicos ou gastar grandes custos na afinação de modelos.
Obtenção 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 representar um fardo económico significativo.
Renda de ativos de IA: os trabalhadores de rotulação de dados muitas vezes não conseguem obter uma renda que corresponda ao seu esforço, e os resultados da pesquisa dos desenvolvedores de IA também são difíceis de combinar com compradores que têm demanda.
Os desafios existentes em cenários de IA centralizada podem ser superados através da combinação com o Web3, que, como uma nova relação de produção, se adapta 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 AI: Mudança de papéis e aplicações inovadoras
A combinação de Web3 e IA pode aumentar a soberania do usuário, proporcionando uma plataforma de colaboração de IA aberta para os usuários, permitindo que eles passem de usuários 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 também pode gerar mais cenários de aplicação inovadores e novas formas de interação.
Baseada na tecnologia Web3, o desenvolvimento e a aplicação da IA irão acolher um novo sistema econômico colaborativo. A privacidade dos dados das pessoas pode ser garantida, o modelo de crowdsourcing de dados promove o avanço dos modelos de IA, e numerosos recursos de IA de código aberto estão disponíveis para os usuários, permitindo que a capacidade de computação compartilhada seja obtida a um custo reduzido. Com a ajuda de um mecanismo de colaboração descentralizado e de um mercado de IA aberto, pode-se realizar um sistema de distribuição de renda justa, incentivando mais pessoas a impulsionar o avanço 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, melhorando a eficiência do trabalho em diferentes cenários de aplicação, como análise de mercado, detecção de segurança, agrupamento social e várias outras funções. A IA generativa não só permite que os usuários vivam a experiência de "artista", como criar seus próprios NFTs usando tecnologia de IA, mas também pode criar cenários de jogo ricos e variados e experiências interativas interessantes no GameFi. A infraestrutura rica oferece uma experiência de desenvolvimento fluida, permitindo que tanto especialistas em IA quanto novatos que desejam entrar na área de IA encontrem uma entrada adequada neste mundo.
II. Interpretação do Mapa e Arquitetura dos Projetos da Ecologia Web3-AI
Estudámos principalmente 41 projetos na área do Web3-AI e classificámos esses projetos em diferentes níveis. A lógica de classificação de cada nível é mostrada na figura abaixo, incluindo a camada de infraestrutura, a camada intermédia e a camada de aplicação, com cada camada dividida em diferentes segmentos. No próximo capítulo, iremos realizar uma análise profunda de alguns projetos representativos.
A camada de infraestrutura abrange os recursos computacionais e a arquitetura técnica que suportam a execução de todo o ciclo de vida da IA, enquanto a camada intermediária inclui a gestão de dados, desenvolvimento de modelos e serviços de verificação de inferência que conectam a infraestrutura com as aplicações. A camada de aplicações foca nas diversas aplicações e soluções voltadas diretamente para o usuário.
Camada de infraestrutura:
A camada de infraestrutura é a base do ciclo de vida da IA, e este artigo classifica a capacidade de computação, a AI Chain e a plataforma de desenvolvimento como parte da camada de infraestrutura. É graças ao suporte dessas infraestruturas que é possível realizar o treinamento e a inferência de modelos de IA, apresentando aos usuários aplicações de IA poderosas e práticas.
Rede de computação descentralizada: pode fornecer poder de computação distribuído para o treinamento de modelos de IA, garantindo uma utilização eficiente e econômica dos recursos computacionais. Alguns projetos oferecem um mercado de poder de computação descentralizado, onde os usuários podem alugar poder de computação a baixo custo ou compartilhar poder de computação para obter lucros, com projetos representativos como IO.NET e Hyperbolic. Além disso, alguns projetos derivaram novas formas de jogar, como Compute Labs, que propuseram um protocolo tokenizado, permitindo que os usuários participem do aluguel de poder de computação de diferentes maneiras, comprando NFTs que representam entidades de GPU para obter lucros.
AI Chain: Utiliza a blockchain como base para o ciclo de vida da IA, permitindo a interação perfeita entre recursos de IA on-chain e off-chain, promovendo o desenvolvimento do ecossistema da indústria. O mercado descentralizado de IA na blockchain pode negociar ativos de IA como dados, modelos, agentes, etc., e oferece estruturas de desenvolvimento de IA e ferramentas de desenvolvimento correspondentes, representado pelo projeto Sahara AI. AI Chain também pode promover avanços tecnológicos em IA em diferentes campos, como Bittensor, que promove a competição entre sub-redes de diferentes tipos de IA através de um mecanismo de incentivo inovador.
Plataforma de desenvolvimento: alguns projetos oferecem plataformas de desenvolvimento de agentes de IA, podendo também 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 por projetos como Nimble. Esta infraestrutura promove a ampla aplicação da tecnologia de IA no ecossistema Web3.
Camada intermediária:
Esta camada envolve dados de IA, modelos e raciocínio e verificação, utilizando tecnologia Web3 para alcançar uma maior eficiência no trabalho.
Dados: A qualidade e a quantidade dos dados são fatores-chave que afetam a eficácia do treinamento de modelos. No mundo Web3, através de dados crowdsourced e processamento colaborativo de dados, é possível otimizar a utilização de recursos e reduzir os custos de dados. Os usuários podem ter autonomia sobre seus dados, vendendo suas informações sob proteção de privacidade, a fim de evitar que dados sejam roubados por comerciantes desonestos e que lucros elevados sejam obtidos. Para os demandantes de dados, essas plataformas oferecem uma ampla gama de opções e custos extremamente baixos. Projetos representativos como Grass utilizam a largura de banda dos usuários para capturar dados da Web, xData coleta informações de mídia por meio de plugins amigáveis ao usuário e suporta o upload de informações de tweets pelos usuários.
Além disso, algumas plataformas permitem que especialistas de domínio ou usuários comuns executem 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, permitindo a colaboração em forma de crowdsourcing para o pré-processamento de dados. Exemplos incluem o mercado de IA Sahara AI, que possui tarefas de dados em diferentes domínios e pode abranger cenários de dados multifacetados; enquanto o AIT Protocol realiza a rotulagem de dados através de uma abordagem de colaboração homem-máquina.
Modelo: No processo de desenvolvimento de IA mencionado anteriormente, diferentes tipos de requisitos precisam ser correspondidos a modelos adequados. Modelos comuns para tarefas de imagem incluem CNN e GAN, para tarefas de detecção de objetos pode-se escolher a série Yolo, modelos comuns para tarefas de texto incluem RNN e Transformer, e claro que existem alguns modelos grandes específicos ou gerais. A profundidade do modelo necessária para tarefas de complexidade diferente 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 o Sentient que, através de um design modular, permite que os usuários coloquem dados de modelos confiáveis na camada de armazenamento e na camada de distribuição para otimização de modelos. As ferramentas de desenvolvimento fornecidas pela Sahara AI possuem algoritmos de IA avançados e estruturas de cálculo integradas, além de capacidade de treinamento colaborativo.
Inferência e validação: após o treinamento, o modelo gera arquivos de pesos do modelo, que podem ser utilizados para classificação, previsão ou outras tarefas específicas, um processo conhecido como inferência. O processo de inferência geralmente é acompanhado por um mecanismo de validação, para verificar se a origem do modelo de inferência está correta e se há comportamentos maliciosos, entre outros. A inferência no Web3 pode ser frequentemente integrada em contratos inteligentes, através da chamada do 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 em cadeia ORA (OAO) introduziram OPML como uma camada verificável para o oráculo de IA, e o site oficial da ORA também menciona suas pesquisas sobre ZKML e opp/ai (ZKML combinado com OPML).
Camada de aplicação:
Esta camada destina-se principalmente a aplicações voltadas para o usuário, combinando IA com Web3, criando maneiras mais interessantes e inovadoras de brincar. Este artigo aborda principalmente os projetos nos setores de AIGC (Conteúdo Gerado por IA), Agentes de IA e Análise de Dados.
Esta página pode conter conteúdo de terceiros, que é fornecido apenas para fins informativos (não para representações/garantias) e não deve ser considerada como um endosso de suas opiniões pela Gate nem como aconselhamento financeiro ou profissional. Consulte a Isenção de responsabilidade para obter detalhes.
20 Curtidas
Recompensa
20
8
Compartilhar
Comentário
0/400
BlockchainWorker
· 4h atrás
Mais uma vez a IA, o mercado de hype já chegou ao seu limite.
Ver originalResponder0
UncleWhale
· 7h atrás
确实被 fazer as pessoas de parvas 所以不再闭眼冲
Ver originalResponder0
GateUser-40edb63b
· 07-30 17:44
Todos armadilha AI皮 fazer as pessoas de parvas, um é um.
Ver originalResponder0
ser_we_are_ngmi
· 07-30 17:41
Eu acho que muitos projetos estão a aproveitar-se da IA, fazer as pessoas de parvas.
Ver originalResponder0
SchroedingerMiner
· 07-30 17:36
Mais uma vez a narrativa financeira, quanto tempo conseguirá durar esta onda?
Ver originalResponder0
OffchainOracle
· 07-30 17:33
Algumas áreas que se desenvolvem silenciosamente estão avançando para o web3 e já começaram a especular sobre conceitos.
Ver originalResponder0
MercilessHalal
· 07-30 17:23
Mais uma nova oportunidade de fazer as pessoas de parvas. É só ver quem entra numa posição mais cedo e quem tem carne para comer.
Ver originalResponder0
DeFiAlchemist
· 07-30 17:22
sério, isto não é apenas mais uma fusão tecnológica... estamos a testemunhar pura alquimia financeira aqui, para ser sincero
Web3-AI em Perspectiva: Análise Profunda da Lógica Tecnológica, Cenários de Aplicação e Projetos de Topo
Relatório panorâmico sobre o setor Web3-AI: Análise profunda da lógica técnica, aplicações de cenário e projetos de topo Profundidade
Com a contínua ascensão da narrativa de IA, cada vez mais atenção está sendo concentrada nesta área. Este artigo realiza uma análise aprofundada da lógica técnica, cenários de aplicação e projetos representativos do campo Web3-AI, apresentando a você uma visão abrangente e as tendências de desenvolvimento deste setor.
I. Web3-AI: Análise da Lógica Técnica e Oportunidades de Mercado Emergentes
1.1 Lógica de fusão entre Web3 e IA: como definir a pista Web3-AI
No último ano, a narrativa de IA tem sido excepcionalmente popular na indústria Web3, com projetos de IA a surgir como cogumelos após a chuva. Embora haja muitos projetos que envolvem tecnologia de IA, alguns deles utilizam IA apenas em certas partes de seus produtos, e a economia de tokens subjacente não tem uma relação substancial com os produtos de IA. Portanto, esses projetos não fazem parte da discussão de projetos Web3-AI neste artigo.
O foco deste artigo está em usar a blockchain para resolver problemas de relações de produção, enquanto a IA aborda questões de produtividade, com projetos que oferecem produtos de IA e que se baseiam em modelos econômicos Web3 como ferramentas de relações de produção, sendo ambos complementares. Classificamos esses projetos como a trilha Web3-AI. Para que os leitores compreendam melhor a trilha Web3-AI, este artigo irá apresentar o processo de desenvolvimento da IA e os desafios, bem como como a combinação de Web3 e IA pode resolver problemas de forma perfeita e criar novos cenários de aplicação.
1.2 O processo de desenvolvimento de 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, ampliem e aprimorem a inteligência humana. Ela permite que os computadores realizem diversas tarefas complexas, desde tradução de idiomas, classificação de imagens até reconhecimento facial, condução automática e outros cenários de aplicação. A IA está mudando a maneira como vivemos e trabalhamos.
O processo de desenvolvimento de modelos de inteligência artificial geralmente inclui os seguintes passos chave: coleta de dados e pré-processamento de dados, seleção e ajuste de modelos, treinamento e inferência de modelos. Por exemplo, ao desenvolver um modelo para classificar imagens de gatos e cães, você precisaria:
Coleta de dados e pré-processamento de dados: Coletar um conjunto de dados de imagens contendo gatos e cães, podendo usar conjuntos de dados públicos ou coletar dados reais. Em seguida, rotular cada imagem com a categoria (gato ou cão), garantindo que os rótulos sejam precisos. 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.
Seleção e ajuste do modelo: escolha um modelo adequado, como redes neurais convolucionais (CNN), que são mais adequadas para tarefas de classificação de imagens. Ajuste os parâmetros ou a arquitetura do modelo de acordo com diferentes necessidades; geralmente, a profundidade da rede do modelo pode ser ajustada de acordo com a complexidade da tarefa de IA. Neste exemplo simples de classificação, uma rede menos profunda pode ser suficiente.
Treinamento do modelo: é possível utilizar GPU, TPU ou clusters de computação de alto desempenho para treinar o modelo, sendo que o tempo de treinamento é influenciado pela complexidade do modelo e pela capacidade de computação.
Inferência do modelo: O arquivo de modelo treinado é normalmente chamado de pesos do modelo, e o processo de inferência refere-se ao uso de um modelo já treinado para prever ou classificar novos dados. Neste processo, pode-se usar um conjunto de teste ou novos dados para testar a eficácia de classificação do modelo, normalmente avaliando a validade do modelo através de 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 do modelo, e treinamento, o modelo treinado é utilizado para inferência no conjunto de teste, resultando nos valores de predição de gato e cachorro P (probabilidade), ou seja, a probabilidade de o modelo inferir que é um gato ou um cachorro.
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 carregam fotos de gatos ou cães e recebem os resultados da classificação.
No entanto, o processo de desenvolvimento de IA centralizada apresenta alguns problemas nos seguintes cenários:
Privacidade do usuário: em cenários centralizados, o processo de desenvolvimento 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: pequenas equipas ou indivíduos podem enfrentar restrições de não abertura de dados ao obter dados de áreas específicas (como dados médicos).
Seleção e ajuste de modelos: para pequenas equipas, é difícil obter recursos de modelos específicos ou gastar grandes custos na afinação de modelos.
Obtenção 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 representar um fardo económico significativo.
Renda de ativos de IA: os trabalhadores de rotulação de dados muitas vezes não conseguem obter uma renda que corresponda ao seu esforço, e os resultados da pesquisa dos desenvolvedores de IA também são difíceis de combinar com compradores que têm demanda.
Os desafios existentes em cenários de IA centralizada podem ser superados através da combinação com o Web3, que, como uma nova relação de produção, se adapta 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 AI: Mudança de papéis e aplicações inovadoras
A combinação de Web3 e IA pode aumentar a soberania do usuário, proporcionando uma plataforma de colaboração de IA aberta para os usuários, permitindo que eles passem de usuários 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 também pode gerar mais cenários de aplicação inovadores e novas formas de interação.
Baseada na tecnologia Web3, o desenvolvimento e a aplicação da IA irão acolher um novo sistema econômico colaborativo. A privacidade dos dados das pessoas pode ser garantida, o modelo de crowdsourcing de dados promove o avanço dos modelos de IA, e numerosos recursos de IA de código aberto estão disponíveis para os usuários, permitindo que a capacidade de computação compartilhada seja obtida a um custo reduzido. Com a ajuda de um mecanismo de colaboração descentralizado e de um mercado de IA aberto, pode-se realizar um sistema de distribuição de renda justa, incentivando mais pessoas a impulsionar o avanço 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, melhorando a eficiência do trabalho em diferentes cenários de aplicação, como análise de mercado, detecção de segurança, agrupamento social e várias outras funções. A IA generativa não só permite que os usuários vivam a experiência de "artista", como criar seus próprios NFTs usando tecnologia de IA, mas também pode criar cenários de jogo ricos e variados e experiências interativas interessantes no GameFi. A infraestrutura rica oferece uma experiência de desenvolvimento fluida, permitindo que tanto especialistas em IA quanto novatos que desejam entrar na área de IA encontrem uma entrada adequada neste mundo.
II. Interpretação do Mapa e Arquitetura dos Projetos da Ecologia Web3-AI
Estudámos principalmente 41 projetos na área do Web3-AI e classificámos esses projetos em diferentes níveis. A lógica de classificação de cada nível é mostrada na figura abaixo, incluindo a camada de infraestrutura, a camada intermédia e a camada de aplicação, com cada camada dividida em diferentes segmentos. No próximo capítulo, iremos realizar uma análise profunda de alguns projetos representativos.
A camada de infraestrutura abrange os recursos computacionais e a arquitetura técnica que suportam a execução de todo o ciclo de vida da IA, enquanto a camada intermediária inclui a gestão de dados, desenvolvimento de modelos e serviços de verificação de inferência que conectam a infraestrutura com as aplicações. A camada de aplicações foca nas diversas aplicações e soluções voltadas diretamente para o usuário.
Camada de infraestrutura:
A camada de infraestrutura é a base do ciclo de vida da IA, e este artigo classifica a capacidade de computação, a AI Chain e a plataforma de desenvolvimento como parte da camada de infraestrutura. É graças ao suporte dessas infraestruturas que é possível realizar o treinamento e a inferência de modelos de IA, apresentando aos usuários aplicações de IA poderosas e práticas.
Rede de computação descentralizada: pode fornecer poder de computação distribuído para o treinamento de modelos de IA, garantindo uma utilização eficiente e econômica dos recursos computacionais. Alguns projetos oferecem um mercado de poder de computação descentralizado, onde os usuários podem alugar poder de computação a baixo custo ou compartilhar poder de computação para obter lucros, com projetos representativos como IO.NET e Hyperbolic. Além disso, alguns projetos derivaram novas formas de jogar, como Compute Labs, que propuseram um protocolo tokenizado, permitindo que os usuários participem do aluguel de poder de computação de diferentes maneiras, comprando NFTs que representam entidades de GPU para obter lucros.
AI Chain: Utiliza a blockchain como base para o ciclo de vida da IA, permitindo a interação perfeita entre recursos de IA on-chain e off-chain, promovendo o desenvolvimento do ecossistema da indústria. O mercado descentralizado de IA na blockchain pode negociar ativos de IA como dados, modelos, agentes, etc., e oferece estruturas de desenvolvimento de IA e ferramentas de desenvolvimento correspondentes, representado pelo projeto Sahara AI. AI Chain também pode promover avanços tecnológicos em IA em diferentes campos, como Bittensor, que promove a competição entre sub-redes de diferentes tipos de IA através de um mecanismo de incentivo inovador.
Plataforma de desenvolvimento: alguns projetos oferecem plataformas de desenvolvimento de agentes de IA, podendo também 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 por projetos como Nimble. Esta infraestrutura promove a ampla aplicação da tecnologia de IA no ecossistema Web3.
Camada intermediária:
Esta camada envolve dados de IA, modelos e raciocínio e verificação, utilizando tecnologia Web3 para alcançar uma maior eficiência no trabalho.
Além disso, algumas plataformas permitem que especialistas de domínio ou usuários comuns executem 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, permitindo a colaboração em forma de crowdsourcing para o pré-processamento de dados. Exemplos incluem o mercado de IA Sahara AI, que possui tarefas de dados em diferentes domínios e pode abranger cenários de dados multifacetados; enquanto o AIT Protocol realiza a rotulagem de dados através de uma abordagem de colaboração homem-máquina.
Alguns projetos suportam que os usuários forneçam diferentes tipos de modelos ou colaborem no treinamento de modelos através de crowdsourcing, como o Sentient que, através de um design modular, permite que os usuários coloquem dados de modelos confiáveis na camada de armazenamento e na camada de distribuição para otimização de modelos. As ferramentas de desenvolvimento fornecidas pela Sahara AI possuem algoritmos de IA avançados e estruturas de cálculo integradas, além de capacidade de treinamento colaborativo.
Camada de aplicação:
Esta camada destina-se principalmente a aplicações voltadas para o usuário, combinando IA com Web3, criando maneiras mais interessantes e inovadoras de brincar. Este artigo aborda principalmente os projetos nos setores de AIGC (Conteúdo Gerado por IA), Agentes de IA e Análise de Dados.