Rapport panoramique sur le secteur Web3-AI : analyse approfondie de la logique technique, des applications scénaristiques et des projets de premier plan
Avec la montée continue de la narration par l'IA, de plus en plus d'attention se concentre sur ce secteur. Une analyse approfondie de la logique technique, des cas d'application et des projets représentatifs du secteur Web3-AI a été réalisée, afin de vous présenter une vue d'ensemble et les tendances de développement dans ce domaine.
I. Web3-AI : Analyse de la logique technique et des opportunités sur les nouveaux marchés
1.1 La logique de fusion entre Web3 et IA : comment définir la piste Web-AI
Au cours de l’année écoulée, le récit de l’IA a explosé dans l’industrie du Web3, avec l’apparition de projets d’IA. Bien qu’il existe de nombreux projets qui impliquent la technologie de l’IA, certains n’utilisent l’IA que dans certaines parties de leurs produits, et la tokenomique sous-jacente n’est pas substantiellement liée aux produits d’IA, de sorte que de tels projets ne sont pas abordés dans cet article.
L'article se concentre sur l'utilisation de la blockchain pour résoudre les problèmes des relations de production, et sur les projets qui utilisent l'IA pour résoudre les problèmes de productivité. Ces projets offrent eux-mêmes des produits basés sur l'IA, tout en s'appuyant sur un modèle économique Web3 comme outil de relations de production, ces deux éléments étant complémentaires. Nous classons ces projets dans la catégorie Web3-AI. Pour permettre aux lecteurs de mieux comprendre la catégorie Web3-AI, nous allons développer le processus de développement de l'IA et les défis associés, ainsi que la manière dont la combinaison de Web3 et de l'IA peut parfaitement résoudre des problèmes et créer de nouveaux scénarios d'application.
1.2 Le processus de développement de l'IA et ses défis : de la collecte de données à l'inférence de modèles
La technologie AI est une technologie qui permet aux ordinateurs de simuler, d'étendre et d'améliorer l'intelligence humaine. Elle permet aux ordinateurs d'exécuter diverses tâches complexes, allant de la traduction linguistique, de la classification d'images à la reconnaissance faciale, en passant par des applications telles que la conduite autonome. L'IA transforme notre façon de vivre et de travailler.
Le processus de développement d'un modèle d'intelligence artificielle comprend généralement les étapes clés suivantes : collecte de données et prétraitement des données, sélection et ajustement du modèle, entraînement et inférence du modèle. Prenons un exemple simple, pour développer un modèle qui classe les images de chats et de chiens, vous devez :
Collecte de données et prétraitement des données : Collecter un ensemble de données d'images contenant des chats et des chiens, en utilisant des ensembles de données publics ou en collectant des données réelles soi-même. Ensuite, étiqueter chaque image avec une catégorie (chat ou chien), en s'assurant que les étiquettes sont précises. Convertir les images dans un format reconnaissable par le modèle, diviser l'ensemble de données en ensemble d'entraînement, ensemble de validation et ensemble de test.
Choix et ajustement du modèle : Choisir un modèle approprié, tel qu'un réseau de neurones convolutionnel (CNN), qui est particulièrement adapté aux tâches de classification d'images. Ajuster les paramètres ou l'architecture du modèle en fonction des besoins différents, en général, la profondeur du réseau du modèle peut être ajustée en fonction de la complexité de la tâche d'IA. Dans cet exemple simple de classification, une profondeur de réseau plus faible peut être suffisante.
Entraînement du modèle : il est possible d'utiliser des GPU, des TPU ou des clusters de calcul haute performance pour entraîner le modèle, le temps d'entraînement étant influencé par la complexité du modèle et la capacité de calcul.
Inférence du modèle : Le fichier du modèle entraîné est généralement appelé poids du modèle, et le processus d'inférence fait référence à l'utilisation d'un modèle déjà entraîné pour prédire ou classifier de nouvelles données. Dans ce processus, un ensemble de test ou de nouvelles données peut être utilisé pour évaluer l'efficacité de classification du modèle, généralement à l'aide d'indicateurs tels que la précision, le rappel et le score F1.
Comme indiqué sur la figure, après la collecte de données, le prétraitement des données, le choix et l'optimisation du modèle, et l'entraînement, le modèle entraîné sera utilisé pour effectuer des inférences sur l'ensemble de test, ce qui donnera des valeurs prédites P (probabilité) pour les chats et les chiens, c'est-à-dire la probabilité que le modèle infère qu'il s'agit d'un chat ou d'un chien.
Les modèles d'IA entraînés peuvent être intégrés dans diverses applications pour exécuter différentes tâches. Dans cet exemple, le modèle d'IA de classification de chats et de chiens peut être intégré dans une application mobile, où les utilisateurs téléchargent des images de chats ou de chiens et obtiennent des résultats de classification.
Cependant, le processus de développement de l'IA centralisée présente certains problèmes dans les scénarios suivants :
Confidentialité des utilisateurs : dans des scénarios centralisés, le processus de développement de l'IA est généralement opaque. Les données des utilisateurs peuvent être volées à leur insu et utilisées pour l'entraînement de l'IA.
Obtention des sources de données : Les petites équipes ou les particuliers peuvent être confrontés à des restrictions d'accès aux données non ouvertes lorsqu'ils tentent d'obtenir des données dans des domaines spécifiques (comme les données médicales).
Choix et ajustement des modèles : pour les petites équipes, il est difficile d'accéder aux ressources de modèles spécifiques ou de dépenser des coûts élevés pour l'ajustement des modèles.
Acquisition de puissance de calcul : Pour les développeurs individuels et les petites équipes, le coût d'achat élevé des GPU et les frais de location de puissance de calcul dans le cloud peuvent représenter un fardeau économique significatif.
Revenus des actifs d'IA : Les travailleurs de l'annotation de données ont souvent du mal à obtenir des revenus proportionnels à leurs efforts, tandis que les résultats de recherche des développeurs d'IA peinent également à correspondre aux acheteurs en demande.
Les défis existants dans les scénarios d'IA centralisée peuvent être surmontés grâce à la combinaison avec le Web3, le Web3 étant une nouvelle forme de relation de production, s'adaptant naturellement à l'IA qui représente une nouvelle productivité, ce qui permet de promouvoir des progrès simultanés dans la technologie et la capacité de production.
1.3 Synergie entre Web3 et l'IA : transformation des rôles et applications innovantes
La combinaison de Web3 et de l'IA peut renforcer la souveraineté des utilisateurs, en leur fournissant une plateforme de collaboration IA ouverte, transformant les utilisateurs de l'IA de l'ère Web2 en participants, et créant une IA que chacun peut posséder. En même temps, la fusion du monde Web3 avec la technologie IA peut également générer davantage de scénarios d'application innovants et de nouvelles manières de jouer.
Grâce à la technologie Web3, le développement et l'application de l'IA entreront dans un tout nouveau système économique collaboratif. La vie privée des données des individus sera protégée, le modèle de crowdsourcing des données favorisera les progrès des modèles d'IA, de nombreuses ressources d'IA open source seront disponibles pour les utilisateurs, et la puissance de calcul partagée pourra être obtenue à un coût relativement bas. Grâce à des mécanismes de collaboration décentralisée et à un marché de l'IA ouvert, un système de distribution des revenus équitable pourra être mis en place, incitant ainsi davantage de personnes à promouvoir les avancées de la technologie IA.
Dans le contexte de Web3, l'IA peut avoir un impact positif sur plusieurs domaines. Par exemple, les modèles d'IA peuvent être intégrés dans des contrats intelligents pour améliorer l'efficacité du travail dans différents scénarios d'application, tels que l'analyse de marché, la détection de sécurité, le regroupement social, et bien d'autres fonctions. L'IA générative permet non seulement aux utilisateurs de vivre le rôle d'"artiste", par exemple en utilisant la technologie IA pour créer leurs propres NFT, mais elle peut également créer des scénarios de jeu riches et variés et des expériences d'interaction intéressantes dans GameFi. Une infrastructure riche offre une expérience de développement fluide, que ce soit pour les experts en IA ou pour les novices souhaitant entrer dans le domaine de l'IA, chacun peut trouver une entrée appropriée dans ce monde.
II. Interprétation de la carte et de l'architecture des projets écologiques Web3-AI
Nous avons principalement étudié 41 projets dans le domaine Web3-AI et avons classé ces projets en différents niveaux. La logique de classification de chaque niveau est illustrée ci-dessous, comprenant la couche d'infrastructure, la couche intermédiaire et la couche d'application, chaque couche étant elle-même divisée en différents segments. Dans le chapitre suivant, nous procéderons à une analyse approfondie de certains projets représentatifs.
La couche d'infrastructure couvre les ressources de calcul et l'architecture technologique qui soutiennent l'ensemble du cycle de vie de l'IA, tandis que la couche intermédiaire comprend la gestion des données, le développement de modèles et les services de vérification des inférences qui connectent l'infrastructure et les applications. La couche d'application se concentre sur les diverses applications et solutions directement destinées aux utilisateurs.
Couche d'infrastructure :
La couche d'infrastructure est la base du cycle de vie de l'IA. Cet article classe la puissance de calcul, la chaîne AI et la plateforme de développement comme la couche d'infrastructure. C'est grâce au soutien de ces infrastructures que l'on peut réaliser l'entraînement et l'inférence des modèles d'IA, et présenter des applications IA puissantes et pratiques aux utilisateurs.
Réseau de calcul décentralisé : peut fournir une puissance de calcul distribuée pour l'entraînement de modèles d'IA, garantissant une utilisation efficace et économique des ressources de calcul. Certains projets proposent des marchés de puissance de calcul décentralisés, où les utilisateurs peuvent louer de la puissance de calcul à faible coût ou partager de la puissance de calcul pour obtenir des revenus, avec des projets représentatifs comme IO.NET et Hyperbolic. De plus, certains projets ont donné naissance à de nouvelles façons de jouer, comme Compute Labs, qui a proposé un protocole tokenisé, permettant aux utilisateurs de participer à la location de puissance de calcul de différentes manières en achetant des NFT représentant des entités GPU.
Chaîne d’IA : La blockchain est utilisée comme base du cycle de vie de l’IA pour réaliser une interaction transparente des ressources d’IA on-chain et off-chain, et promouvoir le développement de l’écosystème industriel. Le marché décentralisé de l’IA sur la chaîne peut échanger des actifs d’IA tels que des données, des modèles, des agents, etc., et fournir des cadres de développement de l’IA et des outils de développement de soutien, représentant des projets tels que Sahara AI. AI Chain peut également promouvoir l’avancement de la technologie de l’IA dans différents domaines, tels que Bittensor, grâce à un mécanisme d’incitation de sous-réseau innovant pour faciliter la concurrence entre les sous-réseaux pour différents types d’IA.
Plateforme de développement : certains projets offrent des plateformes de développement d'agents IA, et permettent également le trading d'agents IA, comme Fetch.ai et ChainML. Des outils tout-en-un aident les développeurs à créer, entraîner et déployer plus facilement des modèles IA, avec des projets représentatifs comme Nimble. Ces infrastructures favorisent l'application généralisée des technologies IA dans l'écosystème Web3.
Couche intermédiaire :
Ce niveau concerne les données AI, les modèles ainsi que le raisonnement et la validation, et l'utilisation de la technologie Web3 peut permettre d'atteindre une plus grande efficacité au travail.
Données : La qualité et la quantité des données sont des facteurs clés influençant l'efficacité de l'entraînement des modèles. Dans le monde de Web3, l'optimisation de l'utilisation des ressources et la réduction des coûts des données peuvent être réalisées grâce à la collecte de données par crowdsourcing et au traitement collaboratif des données. Les utilisateurs peuvent avoir le contrôle de leurs données et les vendre dans le cadre de la protection de la vie privée, afin d'éviter que leurs données ne soient volées par des entreprises malveillantes pour réaliser des bénéfices élevés. Pour les demandeurs de données, ces plateformes offrent un large choix et des coûts très bas. Des projets représentatifs comme Grass utilisent la bande passante des utilisateurs pour extraire des données Web, xData recueille des informations médiatiques via des plugins conviviaux et prend en charge le téléchargement d'informations sur les tweets par les utilisateurs.
De plus, certaines plateformes permettent aux experts de domaine ou aux utilisateurs ordinaires d'exécuter des tâches de prétraitement des données, telles que l'annotation d'images et la classification des données, qui peuvent nécessiter des compétences professionnelles en matière de traitement des données financières et juridiques. Les utilisateurs peuvent tokeniser leurs compétences pour réaliser une collaboration en crowdsourcing du prétraitement des données. Des exemples incluent le marché de l'IA Sahara AI, qui propose des tâches de données dans différents domaines et peut couvrir divers scénarios de données ; tandis que le protocole AIT annotent les données par le biais d'une collaboration homme-machine.
Modèle : Dans le processus de développement de l'IA mentionné précédemment, différents types de besoins nécessitent des modèles adaptés. Les modèles couramment utilisés pour les tâches d'image incluent CNN, GAN, les tâches de détection d'objets peuvent choisir la série Yolo, et les tâches textuelles utilisent souvent des modèles tels que RNN, Transformer, ainsi que certains grands modèles spécifiques ou généraux. La profondeur des modèles nécessaires varie selon la complexité des tâches, et il est parfois nécessaire d'ajuster les modèles.
Certains projets permettent aux utilisateurs de fournir différents types de modèles ou de collaborer à l'entraînement de modèles par le biais de l'crowdsourcing, comme Sentient qui, grâce à un design modulaire, permet aux utilisateurs de placer des données de modèles fiables dans la couche de stockage et la couche de distribution pour l'optimisation des modèles. Les outils de développement fournis par Sahara AI intègrent des algorithmes d'IA avancés et des cadres de calcul, et possèdent la capacité d'entraînement collaboratif.
Inférence et validation : Une fois que le modèle a été entraîné, il génère un fichier de poids de modèle qui peut être utilisé pour la classification, la prédiction ou d'autres tâches spécifiques. Ce processus est appelé inférence. Le processus d'inférence est généralement accompagné d'un mécanisme de validation pour vérifier si la source du modèle d'inférence est correcte, s'il y a des comportements malveillants, etc. L'inférence Web3 peut généralement être intégrée dans des contrats intelligents, en appelant le modèle pour effectuer l'inférence. Les méthodes de validation courantes incluent des technologies telles que ZKML, OPML et TEE. Des projets représentatifs tels que l'oracle AI sur la chaîne ORA (OAO) ont introduit OPML comme couche vérifiable pour l'oracle AI. Le site officiel d'ORA mentionne également leurs recherches sur ZKML et opp/ai (ZKML combiné avec OPML).
Couche application :
Ce niveau est principalement constitué d'applications destinées aux utilisateurs, combinant l'IA avec le Web3 pour créer des expériences plus intéressantes et innovantes. Cet article passe en revue plusieurs projets dans les domaines de l'AIGC (contenu généré par IA), des agents IA et de l'analyse de données.
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
16 J'aime
Récompense
16
6
Partager
Commentaire
0/400
RektButStillHere
· 07-26 05:45
Trader sans réfléchir sur l'IA, j'ai l'impression de manquer un milliard.
Voir l'originalRépondre0
SchrodingerPrivateKey
· 07-26 00:25
Se faire prendre pour des cons avec un nouveau piège AI ?
Voir l'originalRépondre0
RektRecovery
· 07-23 13:12
ponzi prévisible reconditionné dans de la sauce ai... j'en ai parlé il y a des mois, pour être honnête
Voir l'originalRépondre0
PerpetualLonger
· 07-23 13:10
Position complète AI s'en moque, de toute façon je ne fais qu'un mot.
Voir l'originalRépondre0
GasFeeVictim
· 07-23 13:10
Encore une autre série de projets qui préparent à prendre les gens pour des idiots.
Voir l'originalRépondre0
DAOplomacy
· 07-23 13:04
smh un autre train de hype web3-ai... la dépendance au chemin rencontre des structures d'incitation sous-optimales tbh
Panorama de la filière Web3-AI : Analyse approfondie de la logique technique, des applications scénarisées et des projets représentatifs.
Rapport panoramique sur le secteur Web3-AI : analyse approfondie de la logique technique, des applications scénaristiques et des projets de premier plan
Avec la montée continue de la narration par l'IA, de plus en plus d'attention se concentre sur ce secteur. Une analyse approfondie de la logique technique, des cas d'application et des projets représentatifs du secteur Web3-AI a été réalisée, afin de vous présenter une vue d'ensemble et les tendances de développement dans ce domaine.
I. Web3-AI : Analyse de la logique technique et des opportunités sur les nouveaux marchés
1.1 La logique de fusion entre Web3 et IA : comment définir la piste Web-AI
Au cours de l’année écoulée, le récit de l’IA a explosé dans l’industrie du Web3, avec l’apparition de projets d’IA. Bien qu’il existe de nombreux projets qui impliquent la technologie de l’IA, certains n’utilisent l’IA que dans certaines parties de leurs produits, et la tokenomique sous-jacente n’est pas substantiellement liée aux produits d’IA, de sorte que de tels projets ne sont pas abordés dans cet article.
L'article se concentre sur l'utilisation de la blockchain pour résoudre les problèmes des relations de production, et sur les projets qui utilisent l'IA pour résoudre les problèmes de productivité. Ces projets offrent eux-mêmes des produits basés sur l'IA, tout en s'appuyant sur un modèle économique Web3 comme outil de relations de production, ces deux éléments étant complémentaires. Nous classons ces projets dans la catégorie Web3-AI. Pour permettre aux lecteurs de mieux comprendre la catégorie Web3-AI, nous allons développer le processus de développement de l'IA et les défis associés, ainsi que la manière dont la combinaison de Web3 et de l'IA peut parfaitement résoudre des problèmes et créer de nouveaux scénarios d'application.
1.2 Le processus de développement de l'IA et ses défis : de la collecte de données à l'inférence de modèles
La technologie AI est une technologie qui permet aux ordinateurs de simuler, d'étendre et d'améliorer l'intelligence humaine. Elle permet aux ordinateurs d'exécuter diverses tâches complexes, allant de la traduction linguistique, de la classification d'images à la reconnaissance faciale, en passant par des applications telles que la conduite autonome. L'IA transforme notre façon de vivre et de travailler.
Le processus de développement d'un modèle d'intelligence artificielle comprend généralement les étapes clés suivantes : collecte de données et prétraitement des données, sélection et ajustement du modèle, entraînement et inférence du modèle. Prenons un exemple simple, pour développer un modèle qui classe les images de chats et de chiens, vous devez :
Collecte de données et prétraitement des données : Collecter un ensemble de données d'images contenant des chats et des chiens, en utilisant des ensembles de données publics ou en collectant des données réelles soi-même. Ensuite, étiqueter chaque image avec une catégorie (chat ou chien), en s'assurant que les étiquettes sont précises. Convertir les images dans un format reconnaissable par le modèle, diviser l'ensemble de données en ensemble d'entraînement, ensemble de validation et ensemble de test.
Choix et ajustement du modèle : Choisir un modèle approprié, tel qu'un réseau de neurones convolutionnel (CNN), qui est particulièrement adapté aux tâches de classification d'images. Ajuster les paramètres ou l'architecture du modèle en fonction des besoins différents, en général, la profondeur du réseau du modèle peut être ajustée en fonction de la complexité de la tâche d'IA. Dans cet exemple simple de classification, une profondeur de réseau plus faible peut être suffisante.
Entraînement du modèle : il est possible d'utiliser des GPU, des TPU ou des clusters de calcul haute performance pour entraîner le modèle, le temps d'entraînement étant influencé par la complexité du modèle et la capacité de calcul.
Inférence du modèle : Le fichier du modèle entraîné est généralement appelé poids du modèle, et le processus d'inférence fait référence à l'utilisation d'un modèle déjà entraîné pour prédire ou classifier de nouvelles données. Dans ce processus, un ensemble de test ou de nouvelles données peut être utilisé pour évaluer l'efficacité de classification du modèle, généralement à l'aide d'indicateurs tels que la précision, le rappel et le score F1.
Comme indiqué sur la figure, après la collecte de données, le prétraitement des données, le choix et l'optimisation du modèle, et l'entraînement, le modèle entraîné sera utilisé pour effectuer des inférences sur l'ensemble de test, ce qui donnera des valeurs prédites P (probabilité) pour les chats et les chiens, c'est-à-dire la probabilité que le modèle infère qu'il s'agit d'un chat ou d'un chien.
Les modèles d'IA entraînés peuvent être intégrés dans diverses applications pour exécuter différentes tâches. Dans cet exemple, le modèle d'IA de classification de chats et de chiens peut être intégré dans une application mobile, où les utilisateurs téléchargent des images de chats ou de chiens et obtiennent des résultats de classification.
Cependant, le processus de développement de l'IA centralisée présente certains problèmes dans les scénarios suivants :
Confidentialité des utilisateurs : dans des scénarios centralisés, le processus de développement de l'IA est généralement opaque. Les données des utilisateurs peuvent être volées à leur insu et utilisées pour l'entraînement de l'IA.
Obtention des sources de données : Les petites équipes ou les particuliers peuvent être confrontés à des restrictions d'accès aux données non ouvertes lorsqu'ils tentent d'obtenir des données dans des domaines spécifiques (comme les données médicales).
Choix et ajustement des modèles : pour les petites équipes, il est difficile d'accéder aux ressources de modèles spécifiques ou de dépenser des coûts élevés pour l'ajustement des modèles.
Acquisition de puissance de calcul : Pour les développeurs individuels et les petites équipes, le coût d'achat élevé des GPU et les frais de location de puissance de calcul dans le cloud peuvent représenter un fardeau économique significatif.
Revenus des actifs d'IA : Les travailleurs de l'annotation de données ont souvent du mal à obtenir des revenus proportionnels à leurs efforts, tandis que les résultats de recherche des développeurs d'IA peinent également à correspondre aux acheteurs en demande.
Les défis existants dans les scénarios d'IA centralisée peuvent être surmontés grâce à la combinaison avec le Web3, le Web3 étant une nouvelle forme de relation de production, s'adaptant naturellement à l'IA qui représente une nouvelle productivité, ce qui permet de promouvoir des progrès simultanés dans la technologie et la capacité de production.
1.3 Synergie entre Web3 et l'IA : transformation des rôles et applications innovantes
La combinaison de Web3 et de l'IA peut renforcer la souveraineté des utilisateurs, en leur fournissant une plateforme de collaboration IA ouverte, transformant les utilisateurs de l'IA de l'ère Web2 en participants, et créant une IA que chacun peut posséder. En même temps, la fusion du monde Web3 avec la technologie IA peut également générer davantage de scénarios d'application innovants et de nouvelles manières de jouer.
Grâce à la technologie Web3, le développement et l'application de l'IA entreront dans un tout nouveau système économique collaboratif. La vie privée des données des individus sera protégée, le modèle de crowdsourcing des données favorisera les progrès des modèles d'IA, de nombreuses ressources d'IA open source seront disponibles pour les utilisateurs, et la puissance de calcul partagée pourra être obtenue à un coût relativement bas. Grâce à des mécanismes de collaboration décentralisée et à un marché de l'IA ouvert, un système de distribution des revenus équitable pourra être mis en place, incitant ainsi davantage de personnes à promouvoir les avancées de la technologie IA.
Dans le contexte de Web3, l'IA peut avoir un impact positif sur plusieurs domaines. Par exemple, les modèles d'IA peuvent être intégrés dans des contrats intelligents pour améliorer l'efficacité du travail dans différents scénarios d'application, tels que l'analyse de marché, la détection de sécurité, le regroupement social, et bien d'autres fonctions. L'IA générative permet non seulement aux utilisateurs de vivre le rôle d'"artiste", par exemple en utilisant la technologie IA pour créer leurs propres NFT, mais elle peut également créer des scénarios de jeu riches et variés et des expériences d'interaction intéressantes dans GameFi. Une infrastructure riche offre une expérience de développement fluide, que ce soit pour les experts en IA ou pour les novices souhaitant entrer dans le domaine de l'IA, chacun peut trouver une entrée appropriée dans ce monde.
II. Interprétation de la carte et de l'architecture des projets écologiques Web3-AI
Nous avons principalement étudié 41 projets dans le domaine Web3-AI et avons classé ces projets en différents niveaux. La logique de classification de chaque niveau est illustrée ci-dessous, comprenant la couche d'infrastructure, la couche intermédiaire et la couche d'application, chaque couche étant elle-même divisée en différents segments. Dans le chapitre suivant, nous procéderons à une analyse approfondie de certains projets représentatifs.
La couche d'infrastructure couvre les ressources de calcul et l'architecture technologique qui soutiennent l'ensemble du cycle de vie de l'IA, tandis que la couche intermédiaire comprend la gestion des données, le développement de modèles et les services de vérification des inférences qui connectent l'infrastructure et les applications. La couche d'application se concentre sur les diverses applications et solutions directement destinées aux utilisateurs.
Couche d'infrastructure :
La couche d'infrastructure est la base du cycle de vie de l'IA. Cet article classe la puissance de calcul, la chaîne AI et la plateforme de développement comme la couche d'infrastructure. C'est grâce au soutien de ces infrastructures que l'on peut réaliser l'entraînement et l'inférence des modèles d'IA, et présenter des applications IA puissantes et pratiques aux utilisateurs.
Réseau de calcul décentralisé : peut fournir une puissance de calcul distribuée pour l'entraînement de modèles d'IA, garantissant une utilisation efficace et économique des ressources de calcul. Certains projets proposent des marchés de puissance de calcul décentralisés, où les utilisateurs peuvent louer de la puissance de calcul à faible coût ou partager de la puissance de calcul pour obtenir des revenus, avec des projets représentatifs comme IO.NET et Hyperbolic. De plus, certains projets ont donné naissance à de nouvelles façons de jouer, comme Compute Labs, qui a proposé un protocole tokenisé, permettant aux utilisateurs de participer à la location de puissance de calcul de différentes manières en achetant des NFT représentant des entités GPU.
Chaîne d’IA : La blockchain est utilisée comme base du cycle de vie de l’IA pour réaliser une interaction transparente des ressources d’IA on-chain et off-chain, et promouvoir le développement de l’écosystème industriel. Le marché décentralisé de l’IA sur la chaîne peut échanger des actifs d’IA tels que des données, des modèles, des agents, etc., et fournir des cadres de développement de l’IA et des outils de développement de soutien, représentant des projets tels que Sahara AI. AI Chain peut également promouvoir l’avancement de la technologie de l’IA dans différents domaines, tels que Bittensor, grâce à un mécanisme d’incitation de sous-réseau innovant pour faciliter la concurrence entre les sous-réseaux pour différents types d’IA.
Plateforme de développement : certains projets offrent des plateformes de développement d'agents IA, et permettent également le trading d'agents IA, comme Fetch.ai et ChainML. Des outils tout-en-un aident les développeurs à créer, entraîner et déployer plus facilement des modèles IA, avec des projets représentatifs comme Nimble. Ces infrastructures favorisent l'application généralisée des technologies IA dans l'écosystème Web3.
Couche intermédiaire :
Ce niveau concerne les données AI, les modèles ainsi que le raisonnement et la validation, et l'utilisation de la technologie Web3 peut permettre d'atteindre une plus grande efficacité au travail.
De plus, certaines plateformes permettent aux experts de domaine ou aux utilisateurs ordinaires d'exécuter des tâches de prétraitement des données, telles que l'annotation d'images et la classification des données, qui peuvent nécessiter des compétences professionnelles en matière de traitement des données financières et juridiques. Les utilisateurs peuvent tokeniser leurs compétences pour réaliser une collaboration en crowdsourcing du prétraitement des données. Des exemples incluent le marché de l'IA Sahara AI, qui propose des tâches de données dans différents domaines et peut couvrir divers scénarios de données ; tandis que le protocole AIT annotent les données par le biais d'une collaboration homme-machine.
Certains projets permettent aux utilisateurs de fournir différents types de modèles ou de collaborer à l'entraînement de modèles par le biais de l'crowdsourcing, comme Sentient qui, grâce à un design modulaire, permet aux utilisateurs de placer des données de modèles fiables dans la couche de stockage et la couche de distribution pour l'optimisation des modèles. Les outils de développement fournis par Sahara AI intègrent des algorithmes d'IA avancés et des cadres de calcul, et possèdent la capacité d'entraînement collaboratif.
Couche application :
Ce niveau est principalement constitué d'applications destinées aux utilisateurs, combinant l'IA avec le Web3 pour créer des expériences plus intéressantes et innovantes. Cet article passe en revue plusieurs projets dans les domaines de l'AIGC (contenu généré par IA), des agents IA et de l'analyse de données.