Informe panorámico sobre la pista Web3-AI: análisis profundo de la lógica técnica, aplicaciones de escenario y proyectos de primer nivel

Con el creciente interés por la narrativa de IA, cada vez más atención se centra en este sector. Este artículo realiza un análisis profundo de la lógica técnica, los escenarios de aplicación y los proyectos representativos del sector Web3-AI, presentando de manera integral el panorama y las tendencias de desarrollo de este campo.

I. Web3-AI: Análisis de la lógica técnica y oportunidades en mercados emergentes

1.1 La lógica de la fusión entre Web3 y AI: ¿cómo definir la pista Web-AI?

En el último año, la narrativa de IA ha estado excepcionalmente en auge en la industria de Web3, y los proyectos de IA han surgido como setas después de la lluvia. Aunque hay muchos proyectos que involucran tecnología de IA, algunos proyectos 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 que este tipo de proyectos no se incluyen en la discusión de proyectos Web3-AI en este artículo.

El enfoque de este artículo está en el uso de blockchain para resolver problemas de relaciones de producción, y proyectos donde la IA resuelve problemas de productividad; estos proyectos ofrecen productos de IA y se basan en un modelo económico Web3 como herramienta de relaciones de producción, donde ambos se complementan entre sí. Clasificamos estos proyectos como parte de la pista Web3-AI. Para que los lectores comprendan mejor la pista Web3-AI, este artículo se desarrollará presentando el proceso de desarrollo y los desafíos de la IA, así como cómo la combinación de Web3 y IA puede resolver problemas de manera perfecta y crear nuevos escenarios de aplicación.

1.2 El proceso de desarrollo de IA y los desafíos: desde la recolección de datos hasta la inferencia del modelo

La tecnología de IA es una técnica que permite a las computadoras simular, ampliar y mejorar la inteligencia humana. Puede hacer que las computadoras realicen diversas tareas complejas, desde traducción de idiomas, clasificación de imágenes hasta reconocimiento facial y 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: recolección de datos y preprocesamiento de datos, selección y ajuste del modelo, entrenamiento y razonamiento del modelo. Para dar un ejemplo simple, al desarrollar un modelo para clasificar imágenes de gatos y perros, necesitas:

1. Recopilación de datos y preprocesamiento de datos: recopilar un conjunto de datos de imágenes que contengan gatos y perros, se puede utilizar un conjunto de datos público o recopilar datos reales por uno mismo. 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, dividiendo el conjunto de datos en conjunto de entrenamiento, conjunto de validación y conjunto de prueba.

2. Selección y ajuste del modelo: Elija un modelo adecuado, como las redes neuronales convolucionales (CNN), que son más adecuadas para tareas de clasificación de imágenes. Ajuste los parámetros o la arquitectura del modelo según diferentes necesidades; en general, los niveles de red del modelo se pueden ajustar según la complejidad de la tarea de IA. En este simple ejemplo de clasificación, una red menos profunda puede ser suficiente.

3. Entrenamiento del modelo: se pueden utilizar GPU, TPU o clústeres de computación de alto rendimiento para entrenar el modelo, y el tiempo de entrenamiento se ve afectado por la complejidad del modelo y la capacidad de cálculo.

4. Inferencia del modelo: Los archivos del modelo entrenado suelen llamarse pesos del modelo, y el proceso de inferencia se refiere al uso de un modelo ya entrenado para predecir o clasificar nuevos datos. En este proceso, se puede utilizar un conjunto de pruebas o nuevos datos para probar la efectividad de la clasificación del modelo, y generalmente se utilizan métricas como la precisión, la tasa de recuperación y el F1-score para evaluar la efectividad del modelo.

Después de la recopilación de datos, el preprocesamiento de datos, la selección y ajuste del modelo, y el entrenamiento, se realiza la inferencia del modelo entrenado en el conjunto de prueba para obtener los valores de predicción de gatos y perros P (probabilidad), es decir, la probabilidad de que el modelo infiera que es un gato o un perro.

Los modelos de IA entrenados pueden integrarse aún más en diversas aplicaciones para realizar diferentes tareas. En este ejemplo, el modelo de IA para la clasificación de gatos y perros puede integrarse 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 escenarios centralizados, 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: equipos pequeños o individuos que intentan obtener datos en campos específicos (como datos médicos) pueden enfrentar limitaciones debido a la falta de acceso a datos de código abierto.

Selección y ajuste de modelos: para equipos pequeños, es difícil obtener recursos de modelos específicos del campo o gastar grandes costos en el ajuste de modelos.

Obtención de poder de cómputo: Para desarrolladores individuales y equipos pequeños, el alto costo de compra de GPU y las tarifas de alquiler de poder de cómputo 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 su esfuerzo, y los resultados de investigación de los desarrolladores de IA también son difíciles de emparejar con compradores que tienen demanda.

Los desafíos existentes en el escenario de la IA centralizada pueden abordarse combinándolo con Web3. Web3, como una nueva forma de relación de producción, se adapta de manera natural a la IA, que representa una nueva productividad, promoviendo así el progreso simultáneo de la tecnología y la capacidad de producción.

1.3 Sinergias entre Web3 y AI: Transformación de roles y aplicaciones innovadoras

La combinación de Web3 y AI puede fortalecer la soberanía del usuario, proporcionando a los usuarios una plataforma de colaboración de AI abierta, permitiendo que los usuarios pasen de ser meros usuarios de AI en la era de Web2 a participantes, creando una AI que todos puedan poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología AI también puede generar más escenarios de aplicación innovadores y formas de juego.

Basado en la tecnología Web3, el desarrollo y la aplicación de la IA darán paso a un nuevo sistema económico de colaboración. La privacidad de los datos de las personas puede ser garantizada, el modelo de datos de crowdsourcing promueve el avance de los modelos de IA, numerosos recursos de IA de código abierto están disponibles para los usuarios, y la potencia de cálculo 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, agrupamiento social y muchas otras funciones. La IA generativa no solo permite a los usuarios experimentar el rol de "artista", como crear su propio NFT utilizando tecnología de IA, sino que también puede crear escenarios de juego diversos y experiencias interactivas interesantes en GameFi. Una infraestructura rica proporciona una experiencia de desarrollo fluida, donde tanto expertos en IA como 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 clasificación 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 capa se divide en diferentes secciones. En el siguiente capítulo, realizaremos un análisis profundo de algunos proyectos representativos.

La capa de infraestructura abarca los recursos computacionales y la arquitectura técnica que soportan la operación 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 razonamiento de verificación que conectan la infraestructura con las aplicaciones, mientras que la capa de aplicación se centra en diversas aplicaciones y soluciones dirigidas directamente a los usuarios.

Capa de infraestructura:

La capa de infraestructura es la base del ciclo de vida de la IA. En este artículo, la capacidad de cálculo, AI Chain y la plataforma de desarrollo se clasifican como capa de infraestructura. Gracias al soporte de estas infraestructuras, se puede llevar a cabo el entrenamiento y la inferencia de modelos de IA, presentando aplicaciones de IA poderosas 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 de recursos de cálculo eficiente y económica. Algunos proyectos han ofrecido mercados de potencia de cálculo descentralizados, donde los usuarios pueden alquilar potencia de cálculo a bajo costo o compartirla para obtener ingresos, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevos enfoques, como Compute Labs, que ha propuesto un protocolo de tokenización, donde los usuarios pueden participar de diferentes maneras en el alquiler de potencia de cálculo para obtener ingresos 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 una interacción sin fisuras entre los recursos de IA en la cadena y fuera de ella, promoviendo el desarrollo del ecosistema de la industria. 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 promover el avance de tecnologías de IA en diferentes campos, como Bittensor, que a través de un innovador mecanismo de incentivos de subredes fomenta la competencia entre diferentes tipos de subredes de IA.

• Plataforma de desarrollo: Algunos proyectos ofrecen plataformas de desarrollo de agentes de IA y también permiten el comercio de agentes de IA, como Fetch.ai y ChainML. Herramientas integrales ayudan a los desarrolladores a crear, entrenar y desplegar modelos de IA de manera más conveniente, representados por proyectos como Nimble. Estas infraestructuras fomentan la amplia aplicación de la tecnología de IA en el ecosistema Web3.

Capa intermedia:

Este nivel involucra datos de IA, modelos y razonamiento y verificación, y el uso de tecnología Web3 puede lograr una mayor eficiencia laboral.

• Datos: La calidad y cantidad de los datos son factores clave que afectan la efectividad 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, vendiéndolos bajo condiciones de protección de la privacidad, para evitar que comerciantes deshonestos los roben y obtengan altos beneficios. 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 mediática a través de un plugin amigable para el usuario y permite a los usuarios subir información de tweets.

Además, algunas plataformas permiten a expertos en el campo o usuarios comunes realizar tareas de preprocesamiento de datos, como la anotación de imágenes y la clasificación de datos, que pueden requerir conocimientos especializados para el procesamiento de datos en tareas financieras y legales. Los usuarios pueden tokenizar sus habilidades para lograr una colaboración de crowdsourcing en el preprocesamiento de datos. Un ejemplo es el mercado de IA como Sahara AI, que tiene tareas de datos en diferentes campos y puede cubrir escenarios de datos multidisciplinarios; mientras que AIT Protocol etiqueta los datos a través de una colaboración hombre-máquina.

• Modelo: En el proceso de desarrollo de IA mencionado anteriormente, diferentes tipos de necesidades requieren la coincidencia con el modelo adecuado. Modelos comúnmente utilizados en tareas de imagen como CNN, GAN; para tareas de detección de objetos se puede elegir la serie Yolo; para tareas de texto, los modelos comunes son RNN, Transformer, entre otros, por supuesto, también hay algunos modelos grandes específicos o generales. La profundidad del modelo necesario 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, a través de 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 avanzados de IA y marcos de cálculo, y tienen la capacidad de entrenamiento colaborativo.

• Inferencia y verificación: Después de que el modelo ha sido entrenado, generará un archivo de pesos del modelo, que se puede utilizar para realizar clasificación, predicción u otras tareas específicas. Este proceso se conoce como inferencia. El proceso de inferencia generalmente va acompañado de un mecanismo de verificación, para validar si la fuente del modelo de inferencia es correcta, si hay comportamientos maliciosos, etc. La inferencia en Web3 generalmente se puede integrar en contratos inteligentes, mediante la invocación del modelo para realizar inferencias. Los métodos de verificación comunes 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 para el 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:

Este nivel está principalmente dirigido a aplicaciones que se enfocan directamente en el usuario, combinando IA con Web3 para crear más formas interesantes e innovadoras de interacción. Este artículo se centra principalmente en los proyectos de AIGC (Contenido Generado por IA), agentes de IA y análisis de datos.

• AIGC: A través de AIGC se puede expandir a las pistas de NFT, juegos, etc. en Web3, los usuarios pueden generar texto, imágenes y audio directamente a través de Prompt (las palabras clave proporcionadas por el usuario), e incluso pueden generar contenido en los juegos según sus preferencias.