Relatório de Panorama do Setor Web3-AI: Análise Profunda da Lógica Técnica, Aplicações de Cenário e Principais Projetos
Com o aquecimento contínuo da narrativa de IA, cada vez mais atenção está sendo concentrada neste setor. Foi realizada uma análise aprofundada da lógica técnica, cenários de aplicação e projetos representativos da pista Web3-AI, apresentando de forma abrangente o panorama e as tendências de desenvolvimento deste campo.
Um, Web3-AI: Análise da lógica técnica e das oportunidades de mercado emergentes
1.1 A lógica da fusão entre Web3 e IA: como definir o setor Web-AI
No último ano, a narrativa da IA explodiu na indústria Web3, com projetos de IA surgindo como cogumelos após a chuva. Embora haja muitos projetos que envolvem tecnologia de IA, alguns projetos usam IA apenas em certas partes de seus produtos, e a economia de tokens subjacente não tem uma relação substancial com o produto de IA, portanto, esses projetos não estão incluídos na discussão de projetos Web3-AI neste artigo.
O foco deste artigo é o uso da blockchain para resolver problemas de relações de produção e a utilização da IA para resolver problemas de produtividade. Estes projetos oferecem produtos de IA, ao mesmo tempo que são baseados em um modelo econômico Web3 como ferramenta de relações de produção, sendo que ambos se complementam. Classificamos esses projetos como pertencentes à trilha Web3-AI. Para que os leitores compreendam melhor a trilha Web3-AI, será feita uma introdução ao processo de desenvolvimento da IA e seus desafios, bem como a forma perfeita como a combinação de Web3 e IA resolve problemas e cria 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 tecnologia que permite que os computadores simulem, ampliem e melhorem a inteligência humana. Ela permite que os computadores realizem várias 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 do modelo. Para dar um exemplo simples, ao desenvolver um modelo para classificar imagens de gatos e cães, você precisará:
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 por conta própria. Em seguida, rotular cada imagem com a categoria (gato ou cão), garantindo que as etiquetas estejam corretas. Converter as imagens para um formato que o modelo possa reconhecer e dividir o conjunto de dados em conjunto de treino, conjunto de validação e conjunto de teste.
Seleção e ajuste do modelo: escolha um modelo adequado, como redes neurais convolucionais (CNN), que são mais apropriadas para tarefas de classificação de imagens. Ajuste os parâmetros ou a arquitetura do modelo de acordo com diferentes necessidades; geralmente, as camadas da rede do modelo podem ser ajustadas com base na complexidade da tarefa de IA. Neste exemplo simples de classificação, uma rede com camadas mais rasas pode ser suficiente.
Treinamento de 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 cálculo.
Inferência do modelo: O arquivo do modelo treinado é geralmente chamado de pesos do modelo, e o processo de inferência refere-se ao uso do 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, que geralmente é avaliada através de métricas como precisão, recall e F1-score.
Como mostrado na figura, 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 irá resultar nos valores de previsão 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, realizando diferentes tarefas. Neste exemplo, um modelo de IA para classificação de gatos e cães pode ser integrado numa aplicação móvel, onde os utilizadores carregam imagens 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 seu conhecimento e utilizados para o treinamento da IA.
Obtenção de fontes de dados: pequenas equipas ou indivíduos podem enfrentar limitações na obtenção de dados de áreas específicas (como dados médicos) devido à falta de abertura dos dados.
Seleção e ajuste de modelos: para pequenas equipes, é difícil obter recursos de modelos específicos ou gastar grandes custos em ajuste de modelos.
Obtenção de poder de cálculo: Para desenvolvedores individuais e pequenas equipas, o elevado custo de compra de GPUs e as taxas de aluguer de poder de cálculo na nuvem podem constituir um fardo económico significativo.
Rendimento de ativos de IA: Os trabalhadores de anotação de dados frequentemente não conseguem obter um rendimento que corresponda ao seu esforço, enquanto os resultados da pesquisa dos desenvolvedores de IA também têm dificuldade em se alinhar com compradores que têm demanda.
Os desafios existentes em cenários de AI centralizados podem ser superados através da combinação com o Web3. O Web3, como uma nova relação de produção, adapta-se naturalmente à AI, que representa uma nova força produtiva, promovendo assim o progresso simultâneo da tecnologia e da capacidade de produção.
1.3 A sinergia entre Web3 e IA: Mudanças de papel e aplicações inovadoras
A combinação de Web3 e IA pode fortalecer a soberania do usuário, proporcionando uma plataforma de colaboração em IA aberta, permitindo que os usuários se transformem de utilizadores de IA da era Web2 em participantes, criando uma IA que todos possam possuir. Ao mesmo tempo, a fusão do mundo Web3 com a tecnologia IA também pode gerar mais cenários de aplicação e formas inovadoras.
Baseada na tecnologia Web3, o desenvolvimento e a aplicação da IA irão entrar em 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, com poder computacional compartilhado podendo ser adquirido a um custo mais baixo. Com a ajuda de um mecanismo de colaboração 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 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 experimentem o papel de "artista", como por exemplo, criando seus próprios NFTs com tecnologia de IA, mas também pode criar cenários de jogos variados e experiências interativas interessantes no GameFi. Uma infraestrutura rica proporciona uma experiência de desenvolvimento fluida, permitindo que tanto especialistas em IA quanto novatos que desejam entrar no campo da IA encontrem uma entrada adequada neste mundo.
Dois, Interpretação do Mapa e da Arquitetura do Projeto Ecossistema Web3-AI
Estudámos principalmente 41 projetos na área do Web3-AI e dividimos esses projetos em diferentes níveis. A lógica de divisão de cada nível é mostrada na figura abaixo, incluindo a camada de infraestrutura, a camada intermédia e a camada de aplicação, sendo que cada camada é subdividida em diferentes setores. 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 operação de todo o ciclo de vida da IA, a camada intermediária 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 foca em diversas aplicações e soluções diretamente voltadas para os usuários.
Camada de infraestrutura:
A camada de infraestrutura é a base do ciclo de vida da IA. Este artigo classifica a capacidade computacional, 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 úteis aos usuários.
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 mercados de poder de computação descentralizados, onde os usuários podem alugar poder de computação a baixo custo ou compartilhar poder de computação para obter lucros, representados por projetos como IO.NET e Hyperbolic. Além disso, alguns projetos derivaram novas formas de jogo, como Compute Labs, que propôs um protocolo tokenizado, permitindo que os usuários participem de aluguer de poder de computação de diferentes maneiras, comprando NFTs que representam entidades de GPU.
AI Chain: Utiliza a blockchain como base para o ciclo de vida da IA, permitindo a interação sem costura entre recursos de IA on-chain e off-chain, promovendo o desenvolvimento do ecossistema da indústria. O mercado de IA descentralizado na blockchain pode negociar ativos de IA, como dados, modelos e agentes, e fornecer estruturas de desenvolvimento de IA e ferramentas de desenvolvimento auxiliares, com projetos representativos como Sahara AI. O AI Chain também pode promover o avanço das tecnologias de IA em diferentes campos, como Bittensor, que promove a competição entre sub-redes de diferentes 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 permitem a negociação 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 intermédia:
Esta camada envolve dados de IA, modelos, bem como raciocínio e verificação, 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 crowdsourced e processamento colaborativo de dados, é possível otimizar a utilização de recursos e reduzir os custos de dados. Os usuários podem ter a autonomia sobre seus dados, vendendo-os sob proteção de privacidade, para evitar que sejam roubados por comerciantes desonestos e que obtenham lucros elevados. Para os demandantes de dados, essas plataformas oferecem uma ampla variedade de opções e custos muito baixos. Projetos representativos como Grass utilizam a largura de banda dos usuários para capturar dados da Web, xData coleta informações de mídia através 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 realizem tarefas de pré-processamento de dados, como rotulagem de imagens e classificação de dados, tarefas que podem exigir conhecimento profissional em finanças e processamento de dados legais. Os usuários podem tokenizar suas habilidades para realizar a colaboração em crowdsourcing do pré-processamento de dados. Exemplares como o mercado de IA Sahara AI têm tarefas de dados em diferentes domínios, cobrindo cenários de dados multi-domínio; enquanto o AIT Protocolt rotula dados através de colaboração homem-máquina.
Modelo: No processo de desenvolvimento de IA mencionado anteriormente, diferentes tipos de necessidades precisam de modelos adequados. Modelos comumente usados para tarefas de imagem incluem CNN e GAN, para tarefas de detecção de objetos pode-se escolher a série Yolo, e para tarefas de texto, modelos comuns são RNN e Transformer, além de 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 apoiam os usuários na oferta de diferentes tipos de modelos ou na colaboração para treinar modelos de forma crowdsourced, 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 computação integradas, 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 geralmente ser integrada em contratos inteligentes, através da chamada do modelo para realizar a inferência; os métodos de validação comuns incluem tecnologias como ZKML, OPML e TEE. Projetos representativos como o oráculo AI na cadeia ORA (OAO) introduziram o OPML como uma camada verificável para o oráculo AI, e o site oficial da ORA mencionou também suas pesquisas sobre ZKML e opp/ai (ZKML combinado com OPML).
Camada de Aplicação:
Esta camada é principalmente uma aplicação direcionada ao usuário, combinando IA com Web3, criando mais experiências interessantes.
Esta página pode conter conteúdos de terceiros, que são fornecidos apenas para fins informativos (sem representações/garantias) e não devem ser considerados como uma aprovação dos seus pontos de vista pela Gate, nem como aconselhamento financeiro ou profissional. Consulte a Declaração de exoneração de responsabilidade para obter mais informações.
11 gostos
Recompensa
11
6
Republicar
Partilhar
Comentar
0/400
PerpetualLonger
· 08-14 01:56
bull run já chegou, a IA certamente levará a comprar na baixa ing
Ver originalResponder0
BTCRetirementFund
· 08-13 22:16
Há muitos projetos que são apenas uma moda. Dá para perceber facilmente se são verdadeiros ou falsos.
Ver originalResponder0
LiquidityWitch
· 08-13 22:13
Mais um texto sobre contar histórias para ganhar dinheiro.
Ver originalResponder0
screenshot_gains
· 08-13 22:01
O que vale a pena a IA por pessoa se ainda têm de me fazer de parvo?
Ver originalResponder0
AirdropHunter420
· 08-13 21:50
Outra nova narrativa de ser enganado por idiotas
Ver originalResponder0
RektButStillHere
· 08-13 21:47
Não fale mais, mais uma onda de ser enganado por idiotas chegou.
Relatório panorâmico Web3-AI: fusão de tecnologias, cenários de aplicação e análise aprofundada de projetos de topo
Relatório de Panorama do Setor Web3-AI: Análise Profunda da Lógica Técnica, Aplicações de Cenário e Principais Projetos
Com o aquecimento contínuo da narrativa de IA, cada vez mais atenção está sendo concentrada neste setor. Foi realizada uma análise aprofundada da lógica técnica, cenários de aplicação e projetos representativos da pista Web3-AI, apresentando de forma abrangente o panorama e as tendências de desenvolvimento deste campo.
Um, Web3-AI: Análise da lógica técnica e das oportunidades de mercado emergentes
1.1 A lógica da fusão entre Web3 e IA: como definir o setor Web-AI
No último ano, a narrativa da IA explodiu na indústria Web3, com projetos de IA surgindo como cogumelos após a chuva. Embora haja muitos projetos que envolvem tecnologia de IA, alguns projetos usam IA apenas em certas partes de seus produtos, e a economia de tokens subjacente não tem uma relação substancial com o produto de IA, portanto, esses projetos não estão incluídos na discussão de projetos Web3-AI neste artigo.
O foco deste artigo é o uso da blockchain para resolver problemas de relações de produção e a utilização da IA para resolver problemas de produtividade. Estes projetos oferecem produtos de IA, ao mesmo tempo que são baseados em um modelo econômico Web3 como ferramenta de relações de produção, sendo que ambos se complementam. Classificamos esses projetos como pertencentes à trilha Web3-AI. Para que os leitores compreendam melhor a trilha Web3-AI, será feita uma introdução ao processo de desenvolvimento da IA e seus desafios, bem como a forma perfeita como a combinação de Web3 e IA resolve problemas e cria 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 tecnologia que permite que os computadores simulem, ampliem e melhorem a inteligência humana. Ela permite que os computadores realizem várias 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 do modelo. Para dar um exemplo simples, ao desenvolver um modelo para classificar imagens de gatos e cães, você precisará:
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 por conta própria. Em seguida, rotular cada imagem com a categoria (gato ou cão), garantindo que as etiquetas estejam corretas. Converter as imagens para um formato que o modelo possa reconhecer e dividir o conjunto de dados em conjunto de treino, conjunto de validação e conjunto de teste.
Seleção e ajuste do modelo: escolha um modelo adequado, como redes neurais convolucionais (CNN), que são mais apropriadas para tarefas de classificação de imagens. Ajuste os parâmetros ou a arquitetura do modelo de acordo com diferentes necessidades; geralmente, as camadas da rede do modelo podem ser ajustadas com base na complexidade da tarefa de IA. Neste exemplo simples de classificação, uma rede com camadas mais rasas pode ser suficiente.
Treinamento de 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 cálculo.
Inferência do modelo: O arquivo do modelo treinado é geralmente chamado de pesos do modelo, e o processo de inferência refere-se ao uso do 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, que geralmente é avaliada através de métricas como precisão, recall e F1-score.
Como mostrado na figura, 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 irá resultar nos valores de previsão 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, realizando diferentes tarefas. Neste exemplo, um modelo de IA para classificação de gatos e cães pode ser integrado numa aplicação móvel, onde os utilizadores carregam imagens 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 seu conhecimento e utilizados para o treinamento da IA.
Obtenção de fontes de dados: pequenas equipas ou indivíduos podem enfrentar limitações na obtenção de dados de áreas específicas (como dados médicos) devido à falta de abertura dos dados.
Seleção e ajuste de modelos: para pequenas equipes, é difícil obter recursos de modelos específicos ou gastar grandes custos em ajuste de modelos.
Obtenção de poder de cálculo: Para desenvolvedores individuais e pequenas equipas, o elevado custo de compra de GPUs e as taxas de aluguer de poder de cálculo na nuvem podem constituir um fardo económico significativo.
Rendimento de ativos de IA: Os trabalhadores de anotação de dados frequentemente não conseguem obter um rendimento que corresponda ao seu esforço, enquanto os resultados da pesquisa dos desenvolvedores de IA também têm dificuldade em se alinhar com compradores que têm demanda.
Os desafios existentes em cenários de AI centralizados podem ser superados através da combinação com o Web3. O Web3, como uma nova relação de produção, adapta-se naturalmente à AI, que representa uma nova força produtiva, promovendo assim o progresso simultâneo da tecnologia e da capacidade de produção.
1.3 A sinergia entre Web3 e IA: Mudanças de papel e aplicações inovadoras
A combinação de Web3 e IA pode fortalecer a soberania do usuário, proporcionando uma plataforma de colaboração em IA aberta, permitindo que os usuários se transformem de utilizadores de IA da era Web2 em participantes, criando uma IA que todos possam possuir. Ao mesmo tempo, a fusão do mundo Web3 com a tecnologia IA também pode gerar mais cenários de aplicação e formas inovadoras.
Baseada na tecnologia Web3, o desenvolvimento e a aplicação da IA irão entrar em 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, com poder computacional compartilhado podendo ser adquirido a um custo mais baixo. Com a ajuda de um mecanismo de colaboração 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 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 experimentem o papel de "artista", como por exemplo, criando seus próprios NFTs com tecnologia de IA, mas também pode criar cenários de jogos variados e experiências interativas interessantes no GameFi. Uma infraestrutura rica proporciona uma experiência de desenvolvimento fluida, permitindo que tanto especialistas em IA quanto novatos que desejam entrar no campo da IA encontrem uma entrada adequada neste mundo.
Dois, Interpretação do Mapa e da Arquitetura do Projeto Ecossistema Web3-AI
Estudámos principalmente 41 projetos na área do Web3-AI e dividimos esses projetos em diferentes níveis. A lógica de divisão de cada nível é mostrada na figura abaixo, incluindo a camada de infraestrutura, a camada intermédia e a camada de aplicação, sendo que cada camada é subdividida em diferentes setores. 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 operação de todo o ciclo de vida da IA, a camada intermediária 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 foca em diversas aplicações e soluções diretamente voltadas para os usuários.
Camada de infraestrutura:
A camada de infraestrutura é a base do ciclo de vida da IA. Este artigo classifica a capacidade computacional, 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 úteis aos usuários.
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 mercados de poder de computação descentralizados, onde os usuários podem alugar poder de computação a baixo custo ou compartilhar poder de computação para obter lucros, representados por projetos como IO.NET e Hyperbolic. Além disso, alguns projetos derivaram novas formas de jogo, como Compute Labs, que propôs um protocolo tokenizado, permitindo que os usuários participem de aluguer de poder de computação de diferentes maneiras, comprando NFTs que representam entidades de GPU.
AI Chain: Utiliza a blockchain como base para o ciclo de vida da IA, permitindo a interação sem costura entre recursos de IA on-chain e off-chain, promovendo o desenvolvimento do ecossistema da indústria. O mercado de IA descentralizado na blockchain pode negociar ativos de IA, como dados, modelos e agentes, e fornecer estruturas de desenvolvimento de IA e ferramentas de desenvolvimento auxiliares, com projetos representativos como Sahara AI. O AI Chain também pode promover o avanço das tecnologias de IA em diferentes campos, como Bittensor, que promove a competição entre sub-redes de diferentes 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 permitem a negociação 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 intermédia:
Esta camada envolve dados de IA, modelos, bem como raciocínio e verificação, e a utilização da tecnologia Web3 pode alcançar uma maior profundidade de eficiência no trabalho.
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, tarefas que podem exigir conhecimento profissional em finanças e processamento de dados legais. Os usuários podem tokenizar suas habilidades para realizar a colaboração em crowdsourcing do pré-processamento de dados. Exemplares como o mercado de IA Sahara AI têm tarefas de dados em diferentes domínios, cobrindo cenários de dados multi-domínio; enquanto o AIT Protocolt rotula dados através de colaboração homem-máquina.
Alguns projetos apoiam os usuários na oferta de diferentes tipos de modelos ou na colaboração para treinar modelos de forma crowdsourced, 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 computação integradas, e têm a capacidade de treinamento colaborativo.
Camada de Aplicação:
Esta camada é principalmente uma aplicação direcionada ao usuário, combinando IA com Web3, criando mais experiências interessantes.