Informe panorámico sobre la pista Web3-AI: análisis profundo de la lógica técnica, aplicaciones en escenarios y proyectos de primer nivel
Con el continuo auge de la narrativa de IA, cada vez más atención se centra en este ámbito. Se ha realizado un análisis profundo de la lógica técnica, los escenarios de aplicación y los proyectos representativos del ámbito Web3-AI, presentando de manera integral el panorama y las tendencias de desarrollo en este campo.
Uno, Web3-AI: Análisis de la lógica técnica y las oportunidades del mercado emergente
1.1 Lógica de fusión entre Web3 y AI: ¿cómo definir la pista Web-AI?
En el último año, la narración de IA ha sido excepcionalmente popular en la industria de Web3, con proyectos de IA surgiendo como champiñones después de la lluvia. Aunque hay muchos proyectos que implican tecnología de IA, algunos de ellos solo utilizan IA en ciertas partes de sus productos, y la economía de tokens subyacente no tiene una relación sustancial con los productos de IA. Por lo tanto, estos proyectos no están incluidos en la discusión de proyectos Web3-AI en este artículo.
El enfoque de este artículo está en utilizar la blockchain para resolver problemas de relaciones de producción y la IA para resolver problemas de productividad. Estos proyectos ofrecen productos de IA y, al mismo tiempo, se basan en un modelo económico Web3 como herramienta de relaciones de producción, siendo ambos complementarios. Clasificamos estos proyectos en la categoría de la pista Web3-AI. Para que los lectores comprendan mejor la pista Web3-AI, se presentará el proceso de desarrollo y los desafíos de la IA, así como cómo la combinación de Web3 y IA resuelve problemas de manera perfecta y crea nuevos escenarios de aplicación.
1.2 El proceso de desarrollo de la IA y sus desafíos: desde la recolección de datos hasta la inferencia del modelo
La tecnología de IA es una tecnología que permite a las computadoras simular, extender y mejorar la inteligencia humana. Puede permitir que las computadoras realicen diversas tareas complejas, desde la traducción de idiomas, la clasificación de imágenes hasta el reconocimiento facial y las aplicaciones de conducción autónoma, la IA está cambiando la forma en que vivimos y trabajamos.
El proceso de desarrollo de modelos de inteligencia artificial generalmente incluye los siguientes pasos clave: recopilación de datos y preprocesamiento de datos, selección y ajuste del modelo, entrenamiento y razonamiento del modelo. Por ejemplo, para desarrollar un modelo que clasifique imágenes de gatos y perros, necesitas:
Recolección de datos y preprocesamiento de datos: recopilar un conjunto de datos de imágenes que contengan gatos y perros, se pueden utilizar conjuntos de datos públicos o recopilar datos reales por cuenta propia. Luego, etiquetar cada imagen con su categoría (gato o perro), asegurándose de que las etiquetas sean precisas. Convertir las imágenes a un formato que el modelo pueda reconocer y dividir el conjunto de datos en conjunto de entrenamiento, conjunto de validación y conjunto de prueba.
Selección y ajuste del modelo: seleccionar un modelo adecuado, como las redes neuronales convolucionales (CNN), que son más adecuadas para tareas de clasificación de imágenes. Ajustar los parámetros o la arquitectura del modelo según las diferentes necesidades; en general, la profundidad de la red del modelo se puede ajustar según la complejidad de la tarea de IA. En este simple ejemplo de clasificación, una red menos profunda puede ser suficiente.
Entrenamiento del modelo: se pueden utilizar GPU, TPU o clústeres de computación de alto rendimiento para entrenar el modelo, y el tiempo de entrenamiento está influenciado por la complejidad del modelo y la capacidad de cómputo.
Inferencia del modelo: El archivo del modelo entrenado generalmente se llama pesos del modelo, y el proceso de inferencia se refiere al uso del modelo ya entrenado para predecir o clasificar nuevos datos. En este proceso, se puede utilizar un conjunto de pruebas o nuevos datos para evaluar el rendimiento de clasificación del modelo, que normalmente se evalúa mediante métricas como la precisión, la tasa de recuperación y el F1-score.
Como se muestra en la imagen, después de la recolección de datos, el preprocesamiento de datos, la selección y ajuste del modelo, y el entrenamiento, se llevará a cabo la inferencia del modelo entrenado en el conjunto de prueba, lo que dará como resultado los valores de predicción P (probabilidad) de gatos y perros, es decir, la probabilidad de que el modelo infiera que es un gato o un perro.
Los modelos de IA entrenados se pueden integrar aún más en diversas aplicaciones para realizar diferentes tareas. En este caso, el modelo de IA para clasificar gatos y perros se puede integrar en una aplicación móvil, donde los usuarios suben imágenes de gatos o perros y obtienen resultados de clasificación.
Sin embargo, el proceso de desarrollo de IA centralizada presenta algunos problemas en los siguientes escenarios:
Privacidad del usuario: En un escenario centralizado, el proceso de desarrollo de la IA suele ser opaco. Los datos de los usuarios pueden ser robados sin su conocimiento y utilizados para el entrenamiento de la IA.
Obtención de fuentes de datos: los equipos pequeños o los individuos que intentan obtener datos en áreas específicas (como datos médicos) pueden enfrentar restricciones debido a que los datos no son de código abierto.
Selección y ajuste de modelos: para equipos pequeños, es difícil obtener recursos de modelos en campos específicos o gastar grandes costos en el ajuste de modelos.
Obtención de poder de cálculo: para desarrolladores individuales y pequeños equipos, el alto costo de compra de GPU y las tarifas de alquiler de potencia de cálculo en la nube pueden representar una carga económica significativa.
Ingresos de activos de IA: Los trabajadores de etiquetado de datos a menudo no pueden obtener ingresos que correspondan a sus esfuerzos, y los resultados de la investigación de los desarrolladores de IA también son difíciles de emparejar con compradores que tienen demanda.
Los desafíos existentes en los escenarios de IA centralizada pueden abordarse mediante la combinación con Web3, que, como una nueva relación de producción, se adapta de forma natural a la IA que representa una nueva productividad, promoviendo así el progreso simultáneo de la tecnología y la capacidad de producción.
1.3 La sinergia entre Web3 y la IA: transformación de roles y aplicaciones innovadoras
La combinación de Web3 y AI puede fortalecer la soberanía del usuario, proporcionando una plataforma de colaboración de AI abierta que transforma a los usuarios de la era Web2, de meros consumidores de AI, en participantes, creando una AI que todos pueden poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología AI también puede generar más escenarios y formas de aplicación innovadoras.
Basado en la tecnología Web3, el desarrollo y la aplicación de la IA dará lugar a un nuevo sistema económico colaborativo. La privacidad de los datos de las personas puede ser garantizada, el modelo de crowdsourcing de datos promueve el avance de los modelos de IA, muchos recursos de IA de código abierto están disponibles para los usuarios, y la potencia compartida se puede obtener a un costo más bajo. Con la ayuda de un mecanismo de colaboración descentralizado y un mercado de IA abierto, se puede lograr un sistema de distribución de ingresos justo, lo que incentivará a más personas a impulsar el avance de la tecnología de IA.
En el escenario de Web3, la IA puede tener un impacto positivo en múltiples campos. Por ejemplo, los modelos de IA pueden integrarse en contratos inteligentes para mejorar la eficiencia laboral en diferentes escenarios de aplicación, como análisis de mercado, detección de seguridad, agrupación social y muchas otras funciones. La IA generativa no solo permite a los usuarios experimentar el papel de "artista", como crear sus propios NFT utilizando tecnología de IA, sino que también puede crear escenarios de juego variados e interesantes interacciones en GameFi. La infraestructura rica ofrece una experiencia de desarrollo fluida, donde tanto los expertos en IA como los novatos que desean ingresar al campo de la IA pueden encontrar una entrada adecuada en este mundo.
Dos, interpretación del mapa y la arquitectura del proyecto ecosistema Web3-AI
Hemos investigado principalmente 41 proyectos en la pista de Web3-AI y hemos clasificado estos proyectos en diferentes niveles. La lógica de división de cada nivel se muestra en la siguiente imagen, que incluye la capa de infraestructura, la capa intermedia y la capa de aplicación, y cada nivel se divide en diferentes secciones. En el siguiente capítulo, realizaremos un análisis profundo de algunos proyectos representativos.
La capa de infraestructura abarca los recursos de computación y la arquitectura técnica que soportan el funcionamiento de todo el ciclo de vida de la IA, la capa intermedia incluye la gestión de datos, el desarrollo de modelos y los servicios de verificación e inferencia que conectan la infraestructura con las aplicaciones, mientras que la capa de aplicación se centra en diversas aplicaciones y soluciones directamente orientadas al usuario.
Capa de infraestructura:
La capa de infraestructura es la base del ciclo de vida de la IA. En este artículo, la potencia de cálculo, AI Chain y la plataforma de desarrollo se clasifican como capa de infraestructura. Es gracias al apoyo de estas infraestructuras que se puede llevar a cabo el entrenamiento y la inferencia de modelos de IA, y presentar aplicaciones de IA potentes y prácticas a los usuarios.
Red de computación descentralizada: puede proporcionar potencia de cálculo distribuida para el entrenamiento de modelos de IA, asegurando una utilización eficiente y económica de los recursos de cálculo. Algunos proyectos ofrecen un mercado de potencia de cálculo descentralizado, donde los usuarios pueden alquilar potencia de cálculo a bajo costo o compartir potencia de cálculo para obtener ganancias, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevas formas de juego, como Compute Labs, que propusieron un protocolo tokenizado, donde los usuarios pueden participar de diferentes maneras en el alquiler de potencia de cálculo para obtener ganancias mediante la compra de NFT que representan entidades de GPU.
AI Chain: Utiliza la blockchain como base para el ciclo de vida de la IA, logrando la interacción fluida de recursos de IA en cadena y fuera de ella, promoviendo el desarrollo del ecosistema industrial. El mercado de IA descentralizado en la cadena puede comerciar activos de IA como datos, modelos, agentes, etc., y proporciona un marco de desarrollo de IA y herramientas de desarrollo complementarias, representado por proyectos como Sahara AI. AI Chain también puede fomentar el avance de la tecnología de IA en diferentes campos, como Bittensor, que promueve la competencia entre subredes de diferentes tipos de IA a través de un innovador mecanismo de incentivos en subredes.
Plataforma de desarrollo: Algunos proyectos ofrecen plataformas de desarrollo de agentes de IA, que también pueden realizar transacciones de agentes de IA, como Fetch.ai y ChainML. Herramientas todo en uno ayudan a los desarrolladores a crear, entrenar y desplegar modelos de IA de manera más conveniente, representados por proyectos como Nimble. Esta infraestructura facilita la amplia aplicación de la tecnología de IA en el ecosistema Web3.
Capa intermedia:
Esta capa involucra datos de IA, modelos y razonamiento y verificación, utilizando tecnología Web3 se puede lograr una mayor eficiencia laboral.
Datos: La calidad y cantidad de los datos son factores clave que afectan la eficacia del entrenamiento del modelo. En el mundo de Web3, a través de la recopilación de datos por crowdsourcing y el procesamiento colaborativo de datos, se puede optimizar la utilización de recursos y reducir los costos de datos. Los usuarios pueden tener autonomía sobre sus datos y venderlos bajo la protección de la privacidad, para evitar que comerciantes deshonestos roben sus datos y obtengan altas ganancias. Para los demandantes de datos, estas plataformas ofrecen una amplia gama de opciones y costos muy bajos. Proyectos representativos como Grass utilizan el ancho de banda de los usuarios para capturar datos de la web, xData recopila información de medios a través de un plugin fácil de usar y permite a los usuarios subir información de tweets.
Además, algunas plataformas permiten a expertos en el campo o a usuarios comunes realizar tareas de preprocesamiento de datos, como la etiquetación de imágenes y la clasificación de datos, las cuales pueden requerir conocimientos especializados en tareas financieras y legales de procesamiento de datos. Los usuarios pueden tokenizar sus habilidades para lograr la colaboración y el crowdsourcing en el preprocesamiento de datos. Ejemplos como el mercado de IA Sahara AI presentan tareas de datos en diferentes campos, cubriendo escenarios de datos multidisciplinarios; mientras que AIT Protocolt etiqueta los datos mediante un enfoque de colaboración humano-máquina.
Modelo: En el proceso de desarrollo de IA mencionado anteriormente, diferentes tipos de necesidades requieren que se emparejen con el modelo adecuado. Modelos comúnmente utilizados para tareas de imágenes, como CNN y GAN; para tareas de detección de objetos, se puede elegir la serie Yolo; para tareas de texto, los modelos comunes incluyen RNN y Transformer, por supuesto, también hay algunos modelos grandes específicos o generales. La profundidad del modelo necesaria varía según la complejidad de la tarea, y a veces es necesario ajustar el modelo.
Algunos proyectos permiten a los usuarios proporcionar diferentes tipos de modelos o colaborar en el entrenamiento de modelos a través de la externalización, como Sentient, que mediante un diseño modular, permite a los usuarios almacenar datos de modelos confiables en la capa de almacenamiento y la capa de distribución para la optimización de modelos. Las herramientas de desarrollo proporcionadas por Sahara AI incorporan algoritmos de IA avanzados y marcos de cálculo, y tienen la capacidad de entrenamiento colaborativo.
Inferencia y validación: Después de que el modelo ha sido entrenado, genera archivos de pesos del modelo que se pueden utilizar para clasificación, predicción u otras tareas específicas, este proceso se denomina inferencia. El proceso de inferencia generalmente está acompañado de un mecanismo de validación, para verificar si el origen del modelo de inferencia es correcto, si hay comportamientos maliciosos, etc. La inferencia en Web3 generalmente se puede integrar en contratos inteligentes, mediante la llamada al modelo para realizar la inferencia, las formas comunes de validación incluyen tecnologías como ZKML, OPML y TEE. Proyectos representativos como el oráculo de IA en cadena ORA (OAO), han introducido OPML como la capa verificable del oráculo de IA, en el sitio web oficial de ORA también se menciona su investigación sobre ZKML y opp/ai (ZKML combinado con OPML).
Capa de aplicación:
Esta capa se centra principalmente en aplicaciones dirigidas al usuario, combinando la IA con Web3 para crear formas de juego más interesantes e innovadoras. Este artículo se centra en organizar los proyectos en varios sectores, incluidos AIGC (Contenido Generado por IA), Agentes de IA y Análisis de Datos.
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
16 me gusta
Recompensa
16
6
Compartir
Comentar
0/400
RektButStillHere
· 07-26 05:45
Invertir en AI sin pensar, siento que voy a perderme mil millones.
Ver originalesResponder0
SchrodingerPrivateKey
· 07-26 00:25
¿La trampa para tomar a la gente por tonta ha cambiado a AI?
Ver originalesResponder0
RektRecovery
· 07-23 13:12
ponzi predecible reempaquetado en salsa de IA... lo llamé hace meses, para ser honesto
Ver originalesResponder0
PerpetualLonger
· 07-23 13:10
Posición completa AI no se preocupa, de todos modos solo tengo una palabra: hacer.
Ver originalesResponder0
GasFeeVictim
· 07-23 13:10
Otra tanda de proyectos que están a punto de tomar a la gente por tonta.
Ver originalesResponder0
DAOplomacy
· 07-23 13:04
smh otro tren de hype de web3-ai... la dependencia del camino se encuentra con estructuras de incentivos subóptimas, tbh
Panorama de la pista Web3-AI: análisis profundo de la lógica técnica, aplicaciones en escenarios y proyectos representativos.
Informe panorámico sobre la pista Web3-AI: análisis profundo de la lógica técnica, aplicaciones en escenarios y proyectos de primer nivel
Con el continuo auge de la narrativa de IA, cada vez más atención se centra en este ámbito. Se ha realizado un análisis profundo de la lógica técnica, los escenarios de aplicación y los proyectos representativos del ámbito Web3-AI, presentando de manera integral el panorama y las tendencias de desarrollo en este campo.
Uno, Web3-AI: Análisis de la lógica técnica y las oportunidades del mercado emergente
1.1 Lógica de fusión entre Web3 y AI: ¿cómo definir la pista Web-AI?
En el último año, la narración de IA ha sido excepcionalmente popular en la industria de Web3, con proyectos de IA surgiendo como champiñones después de la lluvia. Aunque hay muchos proyectos que implican tecnología de IA, algunos de ellos solo utilizan IA en ciertas partes de sus productos, y la economía de tokens subyacente no tiene una relación sustancial con los productos de IA. Por lo tanto, estos proyectos no están incluidos en la discusión de proyectos Web3-AI en este artículo.
El enfoque de este artículo está en utilizar la blockchain para resolver problemas de relaciones de producción y la IA para resolver problemas de productividad. Estos proyectos ofrecen productos de IA y, al mismo tiempo, se basan en un modelo económico Web3 como herramienta de relaciones de producción, siendo ambos complementarios. Clasificamos estos proyectos en la categoría de la pista Web3-AI. Para que los lectores comprendan mejor la pista Web3-AI, se presentará el proceso de desarrollo y los desafíos de la IA, así como cómo la combinación de Web3 y IA resuelve problemas de manera perfecta y crea nuevos escenarios de aplicación.
1.2 El proceso de desarrollo de la IA y sus desafíos: desde la recolección de datos hasta la inferencia del modelo
La tecnología de IA es una tecnología que permite a las computadoras simular, extender y mejorar la inteligencia humana. Puede permitir que las computadoras realicen diversas tareas complejas, desde la traducción de idiomas, la clasificación de imágenes hasta el reconocimiento facial y las aplicaciones de conducción autónoma, la IA está cambiando la forma en que vivimos y trabajamos.
El proceso de desarrollo de modelos de inteligencia artificial generalmente incluye los siguientes pasos clave: recopilación de datos y preprocesamiento de datos, selección y ajuste del modelo, entrenamiento y razonamiento del modelo. Por ejemplo, para desarrollar un modelo que clasifique imágenes de gatos y perros, necesitas:
Recolección de datos y preprocesamiento de datos: recopilar un conjunto de datos de imágenes que contengan gatos y perros, se pueden utilizar conjuntos de datos públicos o recopilar datos reales por cuenta propia. Luego, etiquetar cada imagen con su categoría (gato o perro), asegurándose de que las etiquetas sean precisas. Convertir las imágenes a un formato que el modelo pueda reconocer y dividir el conjunto de datos en conjunto de entrenamiento, conjunto de validación y conjunto de prueba.
Selección y ajuste del modelo: seleccionar un modelo adecuado, como las redes neuronales convolucionales (CNN), que son más adecuadas para tareas de clasificación de imágenes. Ajustar los parámetros o la arquitectura del modelo según las diferentes necesidades; en general, la profundidad de la red del modelo se puede ajustar según la complejidad de la tarea de IA. En este simple ejemplo de clasificación, una red menos profunda puede ser suficiente.
Entrenamiento del modelo: se pueden utilizar GPU, TPU o clústeres de computación de alto rendimiento para entrenar el modelo, y el tiempo de entrenamiento está influenciado por la complejidad del modelo y la capacidad de cómputo.
Inferencia del modelo: El archivo del modelo entrenado generalmente se llama pesos del modelo, y el proceso de inferencia se refiere al uso del modelo ya entrenado para predecir o clasificar nuevos datos. En este proceso, se puede utilizar un conjunto de pruebas o nuevos datos para evaluar el rendimiento de clasificación del modelo, que normalmente se evalúa mediante métricas como la precisión, la tasa de recuperación y el F1-score.
Como se muestra en la imagen, después de la recolección de datos, el preprocesamiento de datos, la selección y ajuste del modelo, y el entrenamiento, se llevará a cabo la inferencia del modelo entrenado en el conjunto de prueba, lo que dará como resultado los valores de predicción P (probabilidad) de gatos y perros, es decir, la probabilidad de que el modelo infiera que es un gato o un perro.
Los modelos de IA entrenados se pueden integrar aún más en diversas aplicaciones para realizar diferentes tareas. En este caso, el modelo de IA para clasificar gatos y perros se puede integrar en una aplicación móvil, donde los usuarios suben imágenes de gatos o perros y obtienen resultados de clasificación.
Sin embargo, el proceso de desarrollo de IA centralizada presenta algunos problemas en los siguientes escenarios:
Privacidad del usuario: En un escenario centralizado, el proceso de desarrollo de la IA suele ser opaco. Los datos de los usuarios pueden ser robados sin su conocimiento y utilizados para el entrenamiento de la IA.
Obtención de fuentes de datos: los equipos pequeños o los individuos que intentan obtener datos en áreas específicas (como datos médicos) pueden enfrentar restricciones debido a que los datos no son de código abierto.
Selección y ajuste de modelos: para equipos pequeños, es difícil obtener recursos de modelos en campos específicos o gastar grandes costos en el ajuste de modelos.
Obtención de poder de cálculo: para desarrolladores individuales y pequeños equipos, el alto costo de compra de GPU y las tarifas de alquiler de potencia de cálculo en la nube pueden representar una carga económica significativa.
Ingresos de activos de IA: Los trabajadores de etiquetado de datos a menudo no pueden obtener ingresos que correspondan a sus esfuerzos, y los resultados de la investigación de los desarrolladores de IA también son difíciles de emparejar con compradores que tienen demanda.
Los desafíos existentes en los escenarios de IA centralizada pueden abordarse mediante la combinación con Web3, que, como una nueva relación de producción, se adapta de forma natural a la IA que representa una nueva productividad, promoviendo así el progreso simultáneo de la tecnología y la capacidad de producción.
1.3 La sinergia entre Web3 y la IA: transformación de roles y aplicaciones innovadoras
La combinación de Web3 y AI puede fortalecer la soberanía del usuario, proporcionando una plataforma de colaboración de AI abierta que transforma a los usuarios de la era Web2, de meros consumidores de AI, en participantes, creando una AI que todos pueden poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología AI también puede generar más escenarios y formas de aplicación innovadoras.
Basado en la tecnología Web3, el desarrollo y la aplicación de la IA dará lugar a un nuevo sistema económico colaborativo. La privacidad de los datos de las personas puede ser garantizada, el modelo de crowdsourcing de datos promueve el avance de los modelos de IA, muchos recursos de IA de código abierto están disponibles para los usuarios, y la potencia compartida se puede obtener a un costo más bajo. Con la ayuda de un mecanismo de colaboración descentralizado y un mercado de IA abierto, se puede lograr un sistema de distribución de ingresos justo, lo que incentivará a más personas a impulsar el avance de la tecnología de IA.
En el escenario de Web3, la IA puede tener un impacto positivo en múltiples campos. Por ejemplo, los modelos de IA pueden integrarse en contratos inteligentes para mejorar la eficiencia laboral en diferentes escenarios de aplicación, como análisis de mercado, detección de seguridad, agrupación social y muchas otras funciones. La IA generativa no solo permite a los usuarios experimentar el papel de "artista", como crear sus propios NFT utilizando tecnología de IA, sino que también puede crear escenarios de juego variados e interesantes interacciones en GameFi. La infraestructura rica ofrece una experiencia de desarrollo fluida, donde tanto los expertos en IA como los novatos que desean ingresar al campo de la IA pueden encontrar una entrada adecuada en este mundo.
Dos, interpretación del mapa y la arquitectura del proyecto ecosistema Web3-AI
Hemos investigado principalmente 41 proyectos en la pista de Web3-AI y hemos clasificado estos proyectos en diferentes niveles. La lógica de división de cada nivel se muestra en la siguiente imagen, que incluye la capa de infraestructura, la capa intermedia y la capa de aplicación, y cada nivel se divide en diferentes secciones. En el siguiente capítulo, realizaremos un análisis profundo de algunos proyectos representativos.
La capa de infraestructura abarca los recursos de computación y la arquitectura técnica que soportan el funcionamiento de todo el ciclo de vida de la IA, la capa intermedia incluye la gestión de datos, el desarrollo de modelos y los servicios de verificación e inferencia que conectan la infraestructura con las aplicaciones, mientras que la capa de aplicación se centra en diversas aplicaciones y soluciones directamente orientadas al usuario.
Capa de infraestructura:
La capa de infraestructura es la base del ciclo de vida de la IA. En este artículo, la potencia de cálculo, AI Chain y la plataforma de desarrollo se clasifican como capa de infraestructura. Es gracias al apoyo de estas infraestructuras que se puede llevar a cabo el entrenamiento y la inferencia de modelos de IA, y presentar aplicaciones de IA potentes y prácticas a los usuarios.
Red de computación descentralizada: puede proporcionar potencia de cálculo distribuida para el entrenamiento de modelos de IA, asegurando una utilización eficiente y económica de los recursos de cálculo. Algunos proyectos ofrecen un mercado de potencia de cálculo descentralizado, donde los usuarios pueden alquilar potencia de cálculo a bajo costo o compartir potencia de cálculo para obtener ganancias, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevas formas de juego, como Compute Labs, que propusieron un protocolo tokenizado, donde los usuarios pueden participar de diferentes maneras en el alquiler de potencia de cálculo para obtener ganancias mediante la compra de NFT que representan entidades de GPU.
AI Chain: Utiliza la blockchain como base para el ciclo de vida de la IA, logrando la interacción fluida de recursos de IA en cadena y fuera de ella, promoviendo el desarrollo del ecosistema industrial. El mercado de IA descentralizado en la cadena puede comerciar activos de IA como datos, modelos, agentes, etc., y proporciona un marco de desarrollo de IA y herramientas de desarrollo complementarias, representado por proyectos como Sahara AI. AI Chain también puede fomentar el avance de la tecnología de IA en diferentes campos, como Bittensor, que promueve la competencia entre subredes de diferentes tipos de IA a través de un innovador mecanismo de incentivos en subredes.
Plataforma de desarrollo: Algunos proyectos ofrecen plataformas de desarrollo de agentes de IA, que también pueden realizar transacciones de agentes de IA, como Fetch.ai y ChainML. Herramientas todo en uno ayudan a los desarrolladores a crear, entrenar y desplegar modelos de IA de manera más conveniente, representados por proyectos como Nimble. Esta infraestructura facilita la amplia aplicación de la tecnología de IA en el ecosistema Web3.
Capa intermedia:
Esta capa involucra datos de IA, modelos y razonamiento y verificación, utilizando tecnología Web3 se puede lograr una mayor eficiencia laboral.
Además, algunas plataformas permiten a expertos en el campo o a usuarios comunes realizar tareas de preprocesamiento de datos, como la etiquetación de imágenes y la clasificación de datos, las cuales pueden requerir conocimientos especializados en tareas financieras y legales de procesamiento de datos. Los usuarios pueden tokenizar sus habilidades para lograr la colaboración y el crowdsourcing en el preprocesamiento de datos. Ejemplos como el mercado de IA Sahara AI presentan tareas de datos en diferentes campos, cubriendo escenarios de datos multidisciplinarios; mientras que AIT Protocolt etiqueta los datos mediante un enfoque de colaboración humano-máquina.
Algunos proyectos permiten a los usuarios proporcionar diferentes tipos de modelos o colaborar en el entrenamiento de modelos a través de la externalización, como Sentient, que mediante un diseño modular, permite a los usuarios almacenar datos de modelos confiables en la capa de almacenamiento y la capa de distribución para la optimización de modelos. Las herramientas de desarrollo proporcionadas por Sahara AI incorporan algoritmos de IA avanzados y marcos de cálculo, y tienen la capacidad de entrenamiento colaborativo.
Capa de aplicación:
Esta capa se centra principalmente en aplicaciones dirigidas al usuario, combinando la IA con Web3 para crear formas de juego más interesantes e innovadoras. Este artículo se centra en organizar los proyectos en varios sectores, incluidos AIGC (Contenido Generado por IA), Agentes de IA y Análisis de Datos.