Relatório panorâmico sobre o setor Web3-AI: Análise profunda da lógica técnica, aplicações de cenários e principais projetos.

Com a contínua ascensão da narrativa de IA, cada vez mais atenção está sendo concentrada nesta área. Uma análise aprofundada da lógica técnica, cenários de aplicação e projetos representativos da área Web3-AI foi realizada para apresentar de forma abrangente o panorama e as tendências de desenvolvimento deste campo.

I. Web3-AI: Análise da Lógica Tecnológica e Oportunidades de Mercado Emergentes

1.1 A lógica da fusão entre Web3 e IA: como definir a pista Web-AI

No último ano, a narrativa de IA tem sido excepcionalmente popular na indústria Web3, com projetos de IA surgindo como cogumelos após a chuva. Embora muitos projetos envolvam tecnologia de IA, alguns projetos usam IA apenas em algumas partes de seus produtos, e a economia de tokens subjacente não tem uma relação substancial com os produtos de IA; portanto, esses projetos não serão discutidos como projetos Web3-AI neste artigo.

O foco deste artigo está em usar a blockchain para resolver problemas de relações de produção, enquanto a IA resolve problemas de produtividade em projetos que oferecem produtos de IA e, ao mesmo tempo, utilizam modelos econômicos Web3 como ferramentas de relações de produção, ambos se complementando. Classificamos esses projetos como parte da pista Web3-AI. Para que os leitores compreendam melhor a pista Web3-AI, serão apresentadas as etapas de desenvolvimento da IA e os desafios, bem como a forma 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 da IA e os desafios: da coleta de dados à inferência do modelo

A tecnologia de IA é uma técnica que permite aos computadores simular, expandir e aprimorar a inteligência humana. Ela permite que os computadores executem várias tarefas complexas, desde tradução de idiomas, classificação de imagens até reconhecimento facial e aplicações de condução autónoma; a IA está mudando a forma como vivemos e trabalhamos.

O processo de desenvolvimento de modelos de inteligência artificial geralmente inclui os seguintes passos chave: coleta de dados e pré-processamento de dados, seleção e ajuste de modelos, treinamento e inferência de modelos. Para dar um exemplo simples, ao desenvolver um modelo para classificar imagens de gatos e cães, você precisará:

1. Coleta de dados e pré-processamento de dados: Coletar um conjunto de dados de imagens que contenham gatos e cães, podendo utilizar 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.

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

3. Treinamento do modelo: pode-se usar GPU, TPU ou clusters de computação de alto desempenho para treinar o modelo, e o tempo de treinamento é afetado pela complexidade do modelo e pela capacidade de computação.

4. Inferência do modelo: Os arquivos do modelo treinado são geralmente chamados de pesos do modelo. 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 da classificação do modelo, geralmente avaliando a eficácia do modelo com métricas como precisão, taxa de recall e F1-score.

Após a coleta de dados e pré-processamento de dados, seleção e ajuste de modelo, e treinamento, a inferência do modelo treinado no conjunto de teste resultará em valores de previsão para gatos e cães P (probabilidade), ou seja, a probabilidade de o modelo inferir que é um gato ou um cão.

Modelos de IA treinados podem ser integrados em várias aplicações, realizando diferentes tarefas. Neste exemplo, um modelo de IA para classificação de gatos e cães pode ser integrado em uma aplicação móvel, onde os usuários fazem o upload de imagens de gatos ou cães e recebem os resultados da classificação.

No entanto, o processo de desenvolvimento de IA centralizada enfrenta alguns problemas nas seguintes situações:

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 usados para o treinamento da IA.

Obtenção de fonte de dados: pequenas equipas ou indivíduos ao obter dados em áreas específicas (como dados médicos) podem enfrentar restrições de dados que não são de código aberto.

Seleção e ajuste de modelos: Para pequenas equipes, é difícil obter recursos de modelos específicos ou gastar muito dinheiro para ajustar modelos.

Aquisição de poder computacional: para desenvolvedores individuais e pequenas equipes, o alto custo de compra de GPU e as taxas de aluguel de poder computacional em nuvem podem representar uma carga econômica significativa.

Rendimento de ativos de IA: Os trabalhadores de anotação de dados muitas vezes não conseguem obter rendimentos que correspondam ao seu esforço, enquanto os resultados da pesquisa dos desenvolvedores de IA também são difíceis de serem correspondidos com compradores que têm demanda.

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

1.3 A sinergia entre Web3 e IA: Mudança de papéis e aplicações inovadoras

A combinação de Web3 e IA pode aumentar a soberania do usuário, proporcionando uma plataforma de colaboração de IA aberta, permitindo que os usuários passem de meros utilizadores de IA da era Web2 para participantes, criando uma IA que todos possam possuir. Ao mesmo tempo, a fusão do mundo Web3 com a tecnologia IA pode gerar mais cenários de aplicação e maneiras inovadoras.

Baseada na tecnologia Web3, o desenvolvimento e a aplicação da IA ​​irão inaugurar 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 muitos recursos de IA de código aberto estão disponíveis para os usuários, enquanto o poder de computação compartilhado pode ser obtido a um custo mais baixo. Com a ajuda de um mecanismo de crowdsourcing colaborativo descentralizado e um mercado de IA aberto, é possível implementar um sistema de distribuição de renda justa, incentivando assim mais pessoas a impulsionar o progresso da tecnologia de IA.

No cenário Web3, a IA pode ter um impacto positivo em várias áreas. Por exemplo, modelos de IA podem ser integrados a contratos inteligentes, aumentando a eficiência do trabalho em diferentes cenários de aplicação, como análise de mercado, detecção de segurança, agrupamento social e diversas outras funções. A IA generativa não só permite que os usuários experimentem o papel 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 em GameFi. Uma infraestrutura rica oferece uma experiência de desenvolvimento fluida, permitindo que tanto especialistas em IA quanto novatos que desejam entrar no campo da IA encontrem uma entrada apropriada neste mundo.

Dois, interpretação do mapa e da arquitetura do projeto ecossistémico Web3-AI

Estudamos principalmente 41 projetos na pista Web3-AI, e dividimos esses projetos em diferentes níveis. A lógica de divisão de cada nível está ilustrada na imagem abaixo, incluindo a camada de infraestrutura, a camada intermediária e a camada de aplicação, cada uma dividida em diferentes seções. No próximo capítulo, faremos uma análise Profundidade de alguns projetos representativos.

A camada de infraestrutura abrange os recursos computacionais e a arquitetura técnica que suportam a execução de todo o ciclo de vida da IA, a camada intermédia inclui a gestão de dados, desenvolvimento de modelos e serviços de validação e inferência que conectam a infraestrutura às aplicações, enquanto a camada de aplicação se concentra nas diversas aplicações e soluções direcionadas diretamente aos usuários.

Camada de infraestrutura:

A camada de infraestrutura é a base do ciclo de vida da IA. Este artigo classifica a capacidade de computação, a AI Chain e a plataforma de desenvolvimento como parte da camada de infraestrutura. É o suporte dessas infraestruturas que permite o treinamento e a inferência de modelos de IA, apresentando aplicações de IA poderosas e práticas aos usuários.

• Rede de computação descentralizada: pode fornecer potência de computação distribuída para o treinamento de modelos de IA, garantindo uma utilização eficiente e económica dos recursos computacionais. Alguns projetos oferecem mercados de potência de computação descentralizados, onde os usuários podem alugar potência de computação a baixo custo ou compartilhar potência para obter ganhos, representados por projetos como IO.NET e Hyperbolic. Além disso, alguns projetos derivaram novas abordagens, como Compute Labs, que propôs um protocolo tokenizado, onde os usuários podem participar de locação de potência de computação de diferentes maneiras, comprando NFTs que representam entidades de GPU para obter ganhos.

• AI Chain: Utiliza a blockchain como base para o ciclo de vida da IA, permitindo a interação sem costura de 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, entre outros, e fornece uma estrutura de desenvolvimento de IA e ferramentas de desenvolvimento complementares, com projetos representativos como Sahara AI. AI Chain também pode promover o avanço da tecnologia de IA em diferentes áreas, como o Bittensor, que promove a competição entre diferentes sub-redes de tipos de IA através de um mecanismo inovador de incentivos de sub-rede.

• Plataforma de desenvolvimento: Alguns projetos oferecem plataformas de desenvolvimento de agentes de IA, que também podem realizar transações de agentes de IA, como Fetch.ai e ChainML. Ferramentas tudo-em-um ajudam os desenvolvedores a criar, treinar e implementar modelos de IA de forma mais conveniente, representadas 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, bem como raciocínio e validação, e a utilização da tecnologia Web3 pode alcançar uma maior Profundidade de 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 coletados em massa e processamento colaborativo de dados, é possível otimizar a utilização de recursos e reduzir os custos dos dados. Os usuários podem ter autonomia sobre seus dados, podendo vendê-los sob proteção da privacidade, para evitar que seus dados sejam roubados por comerciantes desonestos e explorados para obter altos lucros. 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, enquanto o xData coleta informações de mídia através de plugins amigáveis ao usuário, e suporta o upload de informações de tweets.

Além disso, algumas plataformas permitem que especialistas de domínio ou usuários comuns realizem tarefas de pré-processamento de dados, como rotulagem de imagens e classificação de dados, que podem exigir conhecimento especializado em tarefas financeiras e jurídicas de processamento de dados. Os usuários podem tokenizar suas habilidades, realizando uma colaboração em forma de crowdsourcing para o pré-processamento de dados. Exemplos como o mercado de IA Sahara AI possuem tarefas de dados em diferentes domínios, abrangendo cenários de dados multissetoriais; enquanto o AIT Protocol rotula dados através de uma abordagem de colaboração homem-máquina.

• Modelo: No processo de desenvolvimento de IA mencionado anteriormente, diferentes tipos de necessidades precisam de modelos adequados. Modelos comuns para tarefas de imagem, como CNN e GAN, para tarefas de deteção de objetos, pode-se escolher a série Yolo, e para tarefas de texto, modelos como RNN e Transformer são comuns, além de alguns modelos grandes específicos ou gerais. A profundidade do modelo necessária varia conforme a complexidade da tarefa, 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 pelo Sahara AI incorporam algoritmos de IA avançados e estruturas de computação, e têm a capacidade de treinamento colaborativo.

• Inferência e validação: Após o treinamento, o modelo gera arquivos de pesos do modelo, que podem ser usados para classificação, previsão ou outras tarefas específicas. Esse processo é chamado de inferência. O processo de inferência geralmente é acompanhado por mecanismos de validação, para verificar se a origem do modelo de inferência é correta e se há comportamentos maliciosos, entre outros. A inferência em Web3 pode ser integrada em contratos inteligentes, chamando o modelo para realizar a inferência, e os métodos de validação comuns incluem tecnologias como ZKML, OPML e TEE. Projetos representativos, como o oráculo de IA na cadeia ORA (OAO), introduziram o OPML como uma camada verificável para o oráculo de IA, e o site oficial da ORA também mencionou suas pesquisas sobre ZKML e opp/ai (ZKML combinado com OPML).

Camada de aplicação:

Esta camada é principalmente voltada para aplicações de interface com o utilizador, combinando IA com Web3 para criar mais jogabilidades interessantes e inovadoras. Este artigo analisa principalmente os projetos nos setores de AIGC (Conteúdo Gerado por IA), agentes de IA e análise de dados.

• AIGC: Através do AIGC, é possível expandir para as áreas de NFT e jogos no Web3, permitindo que os usuários gerem texto, imagens e áudio diretamente através de Prompt (palavras-chave fornecidas pelo usuário), podendo até criar personagens personalizados no jogo de acordo com suas preferências.