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 narración impulsada por AI, cada vez más atención se centra en este sector. Este artículo analiza en profundidad 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 en este campo.
Uno, Web3-AI: Análisis de la lógica técnica y oportunidades de mercado emergentes
1.1 Lógica de fusión entre Web3 y AI: ¿cómo definir la pista Web-AI?
En el último año, la narrativa de IA ha sido excepcionalmente popular en la industria Web3, con proyectos de IA surgiendo como champiñones 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 estos tipos de proyectos no se incluyen en la discusión de los proyectos Web3-AI en este artículo.
El enfoque de este artículo está en utilizar blockchain para resolver problemas de relaciones de producción, y en proyectos que utilizan IA para abordar 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, complementándose entre sí. Clasificamos este tipo de proyectos como la pista Web3-AI. Para que los lectores comprendan mejor la pista Web3-AI, a continuación se presentará el proceso de desarrollo de la IA y los desafíos, 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 la IA y sus desafíos: desde la recolección de datos hasta la inferencia del modelo
La tecnología de IA es una técnica que permite a las computadoras simular, extender y mejorar la inteligencia humana. Puede hacer que las computadoras realicen diversas tareas complejas, desde la traducción de idiomas, la clasificación de imágenes hasta el reconocimiento facial y la 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 del modelo e inferencia. Por ejemplo, para desarrollar un modelo que clasifique imágenes de gatos y perros, necesitas:
Recolección de datos y preprocesamiento de datos: recolectar un conjunto de datos de imágenes que contenga gatos y perros, se puede utilizar un conjunto de datos público o recolectar 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 un conjunto de entrenamiento, un conjunto de validación y un conjunto de prueba.
Selección y ajuste de modelos: elegir el 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 podría ser suficiente.
Entrenamiento del modelo: se puede utilizar GPU, TPU o un clúster de computación de alto rendimiento para entrenar el modelo, el tiempo de entrenamiento se ve afectado por la complejidad del modelo y la capacidad de cálculo.
Inferencia del modelo: El archivo del modelo entrenado se suele denominar pesos del modelo. 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 prueba o nuevos datos para evaluar la efectividad de clasificación del modelo, normalmente 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 y 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 para 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 se pueden integrar aún más en varias aplicaciones para realizar diferentes tareas. En este ejemplo, un modelo de IA para clasificar 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 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: equipos pequeños o individuos que obtienen datos en campos específicos (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 acceder a recursos de modelos en dominios específicos o gastar grandes costos en el ajuste de modelos.
Obtención de poder de cálculo: Para los desarrolladores individuales y pequeños equipos, los altos costos de compra de GPU y los gastos de alquiler de poder de cálculo en la nube pueden representar una carga económica significativa.
Ingresos de activos de IA: los trabajadores de anotación de datos a menudo no pueden obtener ingresos que coincidan con su esfuerzo, y los resultados de investigación de los desarrolladores de IA también son difíciles de coincidir con compradores que tienen demanda.
Los desafíos existentes en el escenario de AI centralizado pueden ser superados mediante la combinación con Web3, que, como una nueva relación de producción, se adapta de forma natural a la AI, que representa una nueva productividad, impulsando así el progreso simultáneo de la tecnología y la capacidad de producción.
1.3 Efecto sinérgico entre Web3 y la IA: cambio de roles y aplicaciones innovadoras
La combinación de Web3 y la IA puede mejorar la soberanía del usuario, proporcionando a los usuarios una plataforma de colaboración abierta de IA, permitiendo que los usuarios pasen de ser usuarios de IA en la era Web2 a participantes, creando una IA que todos puedan poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología de IA también puede generar más escenarios de aplicación innovadores y formas de jugar.
Basado en la tecnología Web3, el desarrollo y la aplicación de la IA darán paso a un nuevo sistema de economía colaborativa. 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, y numerosos recursos de IA de código abierto están disponibles para los usuarios, mientras que la potencia compartida se puede obtener a un costo menor. Con la ayuda de un mecanismo de colaboración descentralizado y un mercado de IA abierto, se puede lograr un sistema de distribución de ingresos equitativo, lo que incentiva a más personas a impulsar el progreso de la tecnología de IA.
En el escenario de Web3, la IA puede tener un impacto positivo en múltiples áreas. Por ejemplo, los modelos de IA pueden integrarse en contratos inteligentes para mejorar la eficiencia del trabajo en diferentes escenarios de aplicación, como análisis de mercado, detección de seguridad, agrupamiento social y diversas funciones. La IA generativa no solo permite a los usuarios experimentar el papel de "artista", como crear su propio NFT utilizando tecnología de IA, sino que también puede crear escenarios de juego variados y experiencias interactivas interesantes en GameFi. Una infraestructura rica proporciona una experiencia de desarrollo fluida, donde tanto los expertos en IA como los principiantes 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 ecológico 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 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 computacionales y la arquitectura técnica que soportan todo el ciclo de vida de la IA, la capa intermedia incluye la gestión de datos, el desarrollo de modelos y los servicios de inferencia de verificación que conectan la infraestructura con las aplicaciones, mientras que la capa de aplicaciones se centra en las diversas aplicaciones y soluciones directamente dirigidas a los usuarios.
Capa de infraestructura:
La capa de infraestructura es la base del ciclo de vida de la IA. Este artículo clasifica la potencia de cálculo, AI Chain y la plataforma de desarrollo como parte de la 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 un uso eficiente y económico 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 propone un protocolo de tokenización, donde los usuarios pueden participar en el alquiler de potencia de cálculo de diferentes maneras al comprar NFT que representan entidades de GPU.
AI Chain: Utiliza blockchain como base para el ciclo de vida de la IA, logrando una interacción sin fisuras de los recursos de IA en línea y fuera de línea, promoviendo el desarrollo del ecosistema de la industria. El mercado descentralizado de IA 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 la tecnología de IA en diferentes campos, como Bittensor, que fomenta la competencia entre subredes de diferentes tipos de IA a través de un innovador mecanismo de incentivos de subred.
Plataforma de desarrollo: Algunos proyectos ofrecen plataformas de desarrollo de agentes de IA, que 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. Esta infraestructura facilita la amplia aplicación de la tecnología de IA en el ecosistema Web3.
Capa intermedia:
Esta capa implica datos de IA, modelos, así como inferencia y verificación, y la adopción 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 datos de crowdsourcing y procesamiento colaborativo de datos, se puede optimizar la utilización de recursos y reducir los costos de datos. Los usuarios pueden tener soberanía sobre sus datos, vendiendo sus propios datos bajo protección de la privacidad, para evitar que comerciantes malintencionados los roben y obtengan grandes beneficios. Para los demandantes de datos, estas plataformas ofrecen una amplia gama de opciones y costos extremadamente bajos. Proyectos representativos como Grass utilizan el ancho de banda de los usuarios para capturar datos de la web, y xData recopila información de medios a través de un plugin fácil de usar, además de soportar la carga de información de tweets por parte de los usuarios.
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, que pueden requerir conocimientos especializados en tareas de procesamiento de datos financieros y legales. Los usuarios pueden tokenizar sus habilidades y realizar una colaboración en la multitud de preprocesamiento de datos. Un ejemplo es el mercado de IA de Sahara AI, que abarca diversas tareas de datos en diferentes campos, pudiendo cubrir escenarios de datos multisciplinarios; mientras que el Protocolo AIT etiqueta datos a través de la colaboración entre humanos y máquinas.
Modelo: En el proceso de desarrollo de IA mencionado anteriormente, diferentes tipos de necesidades requieren que se correspondan con el modelo adecuado. Modelos comúnmente utilizados para 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, y por supuesto, también hay algunos modelos grandes específicos o generales. La profundidad del modelo necesaria para tareas de diferentes complejidades varía, y a veces se necesita 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 multitud, como Sentient, que a través de un diseño modular permite a los usuarios almacenar datos de modelos confiables en la capa de almacenamiento y en 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 cuentan con 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, predicciones u otras tareas específicas, este proceso se llama inferencia. El proceso de inferencia generalmente viene 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 llamada al modelo para realizar inferencia, las formas comunes de verificación incluyen tecnologías como ZKML, OPML y TEE. Proyectos representativos como el oráculo de AI en cadena ORA (OAO) han introducido OPML como la capa verificable del oráculo de AI, 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 dirige principalmente a aplicaciones orientadas al usuario, combinando la IA con Web3 para crear formas de juego más interesantes e innovadoras. Este artículo se centra principalmente en organizar 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 áreas de NFT, juegos y otros en Web3, los usuarios pueden generar texto, imágenes y audio directamente mediante Prompt (las palabras clave proporcionadas por el usuario), e incluso pueden generar contenido en los juegos según sus preferencias.
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.
6 me gusta
Recompensa
6
3
Republicar
Compartir
Comentar
0/400
mev_me_maybe
· hace9h
Es simplemente una narrativa de especulación.
Ver originalesResponder0
GasFeeCrier
· hace9h
El mismo viejo cuento, otra vez hablando de la IA
Ver originalesResponder0
New_Ser_Ngmi
· hace9h
Cuando se acaban las tendencias, dicen que se toma a la gente por tonta. Tsk tsk.
Panorama de la pista Web3-AI: análisis profundo de la lógica de fusión tecnológica 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 narración impulsada por AI, cada vez más atención se centra en este sector. Este artículo analiza en profundidad 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 en este campo.
Uno, Web3-AI: Análisis de la lógica técnica y oportunidades de mercado emergentes
1.1 Lógica de fusión entre Web3 y AI: ¿cómo definir la pista Web-AI?
En el último año, la narrativa de IA ha sido excepcionalmente popular en la industria Web3, con proyectos de IA surgiendo como champiñones 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 estos tipos de proyectos no se incluyen en la discusión de los proyectos Web3-AI en este artículo.
El enfoque de este artículo está en utilizar blockchain para resolver problemas de relaciones de producción, y en proyectos que utilizan IA para abordar 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, complementándose entre sí. Clasificamos este tipo de proyectos como la pista Web3-AI. Para que los lectores comprendan mejor la pista Web3-AI, a continuación se presentará el proceso de desarrollo de la IA y los desafíos, 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 la IA y sus desafíos: desde la recolección de datos hasta la inferencia del modelo
La tecnología de IA es una técnica que permite a las computadoras simular, extender y mejorar la inteligencia humana. Puede hacer que las computadoras realicen diversas tareas complejas, desde la traducción de idiomas, la clasificación de imágenes hasta el reconocimiento facial y la 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 del modelo e inferencia. Por ejemplo, para desarrollar un modelo que clasifique imágenes de gatos y perros, necesitas:
Recolección de datos y preprocesamiento de datos: recolectar un conjunto de datos de imágenes que contenga gatos y perros, se puede utilizar un conjunto de datos público o recolectar 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 un conjunto de entrenamiento, un conjunto de validación y un conjunto de prueba.
Selección y ajuste de modelos: elegir el 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 podría ser suficiente.
Entrenamiento del modelo: se puede utilizar GPU, TPU o un clúster de computación de alto rendimiento para entrenar el modelo, el tiempo de entrenamiento se ve afectado por la complejidad del modelo y la capacidad de cálculo.
Inferencia del modelo: El archivo del modelo entrenado se suele denominar pesos del modelo. 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 prueba o nuevos datos para evaluar la efectividad de clasificación del modelo, normalmente 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 y 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 para 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 se pueden integrar aún más en varias aplicaciones para realizar diferentes tareas. En este ejemplo, un modelo de IA para clasificar 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 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: equipos pequeños o individuos que obtienen datos en campos específicos (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 acceder a recursos de modelos en dominios específicos o gastar grandes costos en el ajuste de modelos.
Obtención de poder de cálculo: Para los desarrolladores individuales y pequeños equipos, los altos costos de compra de GPU y los gastos de alquiler de poder de cálculo en la nube pueden representar una carga económica significativa.
Ingresos de activos de IA: los trabajadores de anotación de datos a menudo no pueden obtener ingresos que coincidan con su esfuerzo, y los resultados de investigación de los desarrolladores de IA también son difíciles de coincidir con compradores que tienen demanda.
Los desafíos existentes en el escenario de AI centralizado pueden ser superados mediante la combinación con Web3, que, como una nueva relación de producción, se adapta de forma natural a la AI, que representa una nueva productividad, impulsando así el progreso simultáneo de la tecnología y la capacidad de producción.
1.3 Efecto sinérgico entre Web3 y la IA: cambio de roles y aplicaciones innovadoras
La combinación de Web3 y la IA puede mejorar la soberanía del usuario, proporcionando a los usuarios una plataforma de colaboración abierta de IA, permitiendo que los usuarios pasen de ser usuarios de IA en la era Web2 a participantes, creando una IA que todos puedan poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología de IA también puede generar más escenarios de aplicación innovadores y formas de jugar.
Basado en la tecnología Web3, el desarrollo y la aplicación de la IA darán paso a un nuevo sistema de economía colaborativa. 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, y numerosos recursos de IA de código abierto están disponibles para los usuarios, mientras que la potencia compartida se puede obtener a un costo menor. Con la ayuda de un mecanismo de colaboración descentralizado y un mercado de IA abierto, se puede lograr un sistema de distribución de ingresos equitativo, lo que incentiva a más personas a impulsar el progreso de la tecnología de IA.
En el escenario de Web3, la IA puede tener un impacto positivo en múltiples áreas. Por ejemplo, los modelos de IA pueden integrarse en contratos inteligentes para mejorar la eficiencia del trabajo en diferentes escenarios de aplicación, como análisis de mercado, detección de seguridad, agrupamiento social y diversas funciones. La IA generativa no solo permite a los usuarios experimentar el papel de "artista", como crear su propio NFT utilizando tecnología de IA, sino que también puede crear escenarios de juego variados y experiencias interactivas interesantes en GameFi. Una infraestructura rica proporciona una experiencia de desarrollo fluida, donde tanto los expertos en IA como los principiantes 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 ecológico 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 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 computacionales y la arquitectura técnica que soportan todo el ciclo de vida de la IA, la capa intermedia incluye la gestión de datos, el desarrollo de modelos y los servicios de inferencia de verificación que conectan la infraestructura con las aplicaciones, mientras que la capa de aplicaciones se centra en las diversas aplicaciones y soluciones directamente dirigidas a los usuarios.
Capa de infraestructura:
La capa de infraestructura es la base del ciclo de vida de la IA. Este artículo clasifica la potencia de cálculo, AI Chain y la plataforma de desarrollo como parte de la 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 un uso eficiente y económico 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 propone un protocolo de tokenización, donde los usuarios pueden participar en el alquiler de potencia de cálculo de diferentes maneras al comprar NFT que representan entidades de GPU.
AI Chain: Utiliza blockchain como base para el ciclo de vida de la IA, logrando una interacción sin fisuras de los recursos de IA en línea y fuera de línea, promoviendo el desarrollo del ecosistema de la industria. El mercado descentralizado de IA 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 la tecnología de IA en diferentes campos, como Bittensor, que fomenta la competencia entre subredes de diferentes tipos de IA a través de un innovador mecanismo de incentivos de subred.
Plataforma de desarrollo: Algunos proyectos ofrecen plataformas de desarrollo de agentes de IA, que 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. Esta infraestructura facilita la amplia aplicación de la tecnología de IA en el ecosistema Web3.
Capa intermedia:
Esta capa implica datos de IA, modelos, así como inferencia y verificación, y la adopción de tecnología Web3 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, que pueden requerir conocimientos especializados en tareas de procesamiento de datos financieros y legales. Los usuarios pueden tokenizar sus habilidades y realizar una colaboración en la multitud de preprocesamiento de datos. Un ejemplo es el mercado de IA de Sahara AI, que abarca diversas tareas de datos en diferentes campos, pudiendo cubrir escenarios de datos multisciplinarios; mientras que el Protocolo AIT etiqueta datos a través de la colaboración entre humanos y máquinas.
Algunos proyectos permiten a los usuarios proporcionar diferentes tipos de modelos o colaborar en el entrenamiento de modelos a través de la multitud, como Sentient, que a través de un diseño modular permite a los usuarios almacenar datos de modelos confiables en la capa de almacenamiento y en 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 cuentan con la capacidad de entrenamiento colaborativo.
Capa de aplicación:
Esta capa se dirige principalmente a aplicaciones orientadas al usuario, combinando la IA con Web3 para crear formas de juego más interesantes e innovadoras. Este artículo se centra principalmente en organizar los proyectos de AIGC (contenido generado por IA), agentes de IA y análisis de datos.