Relatório panorâmico da pista Web3-AI: lógica técnica, aplicações de cena e análise profunda dos principais projetos
Com o aquecimento contínuo da narrativa da IA, cada vez mais atenção está sendo concentrada nesta área. Foi realizada uma análise aprofundada da lógica técnica, cenários de aplicação e projetos representativos da área Web3-AI, apresentando de forma abrangente o panorama e as tendências de desenvolvimento deste campo.
Um, Web3-AI: Análise da Lógica Técnica e Oportunidades de Mercado Emergentes
1.1 A lógica da fusão entre Web3 e AI: como definir o caminho Web-AI
No último ano, a narrativa da IA tem sido excepcionalmente popular na indústria Web3, com projetos de IA surgindo como cogumelos após a chuva. Embora haja muitos projetos que envolvem tecnologia de IA, alguns projetos usam IA apenas em certas partes de seus produtos, e a economia do token subjacente não tem ligação substancial com produtos de IA, portanto, esses projetos não estão incluídos na discussão de projetos Web3-AI deste artigo.
O foco deste artigo está em usar a blockchain para resolver problemas de relações de produção e a IA para resolver problemas de produtividade, projetos que oferecem produtos de IA e, ao mesmo tempo, baseiam-se em modelos econômicos Web3 como ferramentas de relações de produção, onde ambos se complementam. Classificamos esses projetos como parte da trilha Web3-AI. Para que os leitores compreendam melhor a trilha Web3-AI, iremos apresentar o processo de desenvolvimento e os desafios da IA, bem como como a combinação de Web3 e IA pode resolver problemas de forma perfeita e criar novos cenários de aplicação.
1.2 O processo de desenvolvimento e os desafios da IA: da coleta de dados à inferência do modelo
A tecnologia de IA é uma tecnologia que permite que os computadores simulem, expandam e aprimorem a inteligência humana. Ela permite que os computadores executem várias tarefas complexas, desde tradução de idiomas, classificação de imagens até reconhecimento facial, condução autónoma e outros cenários de aplicação, a IA está mudando a forma como vivemos e trabalhamos.
O processo de desenvolvimento de modelos de inteligência artificial geralmente inclui os seguintes passos-chave: coleta de dados e pré-processamento de dados, seleção e ajuste do modelo, treinamento e inferência do modelo. Para dar um exemplo simples, ao desenvolver um modelo para classificar imagens de gatos e cães, você precisa:
Coleta de dados e pré-processamento de dados: Coletar um conjunto de dados de imagens que contenha gatos e cães, podendo usar conjuntos de dados públicos ou coletar dados reais por conta própria. Em seguida, rotular cada imagem com a categoria (gato ou cão), garantindo que os rótulos sejam precisos. Converter as imagens para um formato que o modelo possa reconhecer e dividir o conjunto de dados em conjunto de treino, conjunto de validação e conjunto de teste.
Seleção e ajuste do modelo: escolha um modelo adequado, como redes neurais convolucionais (CNN), que são mais adequadas para tarefas de classificação de imagens. Ajuste os parâmetros ou a arquitetura do modelo de acordo com diferentes necessidades; normalmente, a profundidade da rede pode ser ajustada com base na complexidade da tarefa de IA. Neste exemplo simples de classificação, uma rede com menos camadas pode ser suficiente.
Treinamento de modelos: pode-se usar GPU, TPU ou clusters de computação de alto desempenho para treinar modelos, o tempo de treinamento é influenciado pela complexidade do modelo e pela capacidade de computação.
Inferência do modelo: O arquivo do modelo treinado é geralmente chamado de pesos do modelo, e o processo de inferência refere-se ao uso do modelo já treinado para prever ou classificar novos dados. Neste processo, pode-se usar um conjunto de testes ou novos dados para avaliar a eficácia da classificação do modelo, geralmente utilizando métricas como precisão, recall e F1-score.
Como mostrado na figura, após a coleta de dados e pré-processamento de dados, seleção e ajuste de modelo, e treinamento, ao realizar a inferência do modelo treinado no conjunto de teste, obteremos os valores de previsão de gato e cachorro P (probabilidade), ou seja, a probabilidade de o modelo inferir que é um gato ou um cachorro.
Modelos de IA treinados podem ser integrados em várias aplicações para executar diferentes tarefas. Neste exemplo, um modelo de IA para classificação de gatos e cães pode ser integrado em uma aplicação móvel, onde os usuários carregam imagens de gatos ou cães e obtêm os resultados da classificação.
No entanto, o processo de desenvolvimento de IA centralizada apresenta alguns problemas nas seguintes situações:
Privacidade do usuário: em cenários centralizados, o processo de desenvolvimento de IA geralmente não é transparente. Os dados dos usuários podem ser roubados sem seu conhecimento e utilizados para o treinamento de IA.
Obtenção de fontes de dados: pequenas equipas ou indivíduos podem enfrentar limitações de não abertura de dados ao obter dados de áreas específicas (como dados médicos).
Seleção e ajuste de modelos: para equipes pequenas, é difícil obter recursos de modelos específicos de domínio ou gastar muito em ajustes de modelos.
Obtenção de poder de computação: para desenvolvedores individuais e pequenas equipes, os altos custos de compra de GPU e as despesas de aluguel de poder de computação em nuvem podem representar um fardo econômico significativo.
Renda de ativos de IA: trabalhadores de rotulagem de dados muitas vezes não conseguem obter uma renda que corresponda ao seu esforço, enquanto os resultados de pesquisa dos desenvolvedores de IA também têm dificuldade em se alinhar com compradores que têm demanda.
Os desafios existentes em cenários de IA centralizada podem ser superados através da combinação com a Web3, que, como uma nova forma de relação de produção, adapta-se naturalmente à IA, que representa uma nova força produtiva, promovendo assim o avanço simultâneo da tecnologia e da capacidade produtiva.
1.3 A Sinergia entre Web3 e AI: Mudança de Papéis e Aplicações Inovadoras
A combinação de Web3 e IA pode aumentar a soberania do usuário, proporcionando uma plataforma de colaboração de IA aberta, permitindo que os usuários passem de meros utilizadores da IA na era do Web2 para participantes, criando uma IA que pode ser possuída por todos. Ao mesmo tempo, a fusão do mundo Web3 com a tecnologia de IA pode gerar mais cenários de aplicação inovadores e formas de interação.
Baseada na tecnologia Web3, o desenvolvimento e a aplicação da IA irão acolher um novo sistema de economia colaborativa. A privacidade dos dados das pessoas pode ser garantida, o modelo de crowdsourcing de dados promove o avanço dos modelos de IA, numerosos recursos de IA de código aberto estão disponíveis para os usuários, e a capacidade de computação compartilhada pode ser obtida a um custo mais baixo. Com a ajuda de um mecanismo de colaboração descentralizada e um mercado de IA aberto, pode-se alcançar um sistema de distribuição de renda justa, incentivando assim mais pessoas a impulsionar o avanço da tecnologia de IA.
No cenário Web3, a IA pode ter um impacto positivo em várias áreas. Por exemplo, modelos de IA podem ser integrados a contratos inteligentes para melhorar a eficiência do trabalho em diferentes cenários de aplicação, como análise de mercado, detecção de segurança, agrupamento social e diversas outras funções. A IA generativa não só permite que os usuários experimentem o papel de "artista", criando seus próprios NFTs com tecnologia de IA, mas também pode criar cenários de jogo ricos e variados e experiências de interação interessantes no GameFi. Uma infraestrutura rica proporciona uma experiência de desenvolvimento fluida, permitindo que tanto especialistas em IA quanto novatos que desejam entrar no campo da IA encontrem uma entrada adequada neste mundo.
Dois, Interpretação do Mapa e Estrutura do Projeto Ecossistema Web3-AI
Estudámos principalmente 41 projetos na área do Web3-AI e classificámos esses projetos em diferentes níveis. A lógica de classificação de cada nível está ilustrada na figura abaixo, incluindo a camada de infraestrutura, a camada intermédia e a camada de aplicação, sendo que cada camada é dividida em diferentes setores. No próximo capítulo, faremos uma análise Profundidade de alguns projetos representativos.
A camada de infraestrutura abrange os recursos computacionais e a arquitetura tecnológica que suportam todo o ciclo de vida da IA, enquanto a camada intermediária inclui a gestão de dados, desenvolvimento de modelos e serviços de validação e inferência que conectam a infraestrutura às aplicações. A camada de aplicações foca em diversas aplicações e soluções diretamente voltadas para os utilizadores.
Camada de Infraestrutura:
A camada de infraestrutura é a base do ciclo de vida da IA, e este artigo classifica a capacidade de computação, a AI Chain e a plataforma de desenvolvimento como parte da camada de infraestrutura. É precisamente com o suporte dessas infraestruturas que é possível realizar o treinamento e a inferência de modelos de IA, apresentando aplicações de IA poderosas e práticas aos usuários.
Rede de computação descentralizada: pode fornecer poder de computação distribuído para o treinamento de modelos de IA, garantindo uma utilização eficiente e económica dos recursos computacionais. Alguns projetos oferecem mercados de poder de computação descentralizados, onde os usuários podem alugar poder de computação a baixo custo ou compartilhar poder de computação para obter lucros, com projetos representativos como IO.NET e Hyperbolic. Além disso, alguns projetos derivaram novas formas de jogo, como Compute Labs, que propuseram um protocolo tokenizado, permitindo que os usuários participem de locação de poder de computação de diferentes maneiras para obter lucros através da compra de NFTs que representam entidades de GPU.
AI Chain: Utiliza a blockchain como base para o ciclo de vida da IA, permitindo a interação sem costura de recursos de IA on-chain e off-chain, promovendo o desenvolvimento do ecossistema da indústria. O mercado descentralizado de IA na blockchain pode negociar ativos de IA como dados, modelos, agentes, etc., e fornece uma estrutura de desenvolvimento de IA e ferramentas de desenvolvimento complementares, representado por projetos como Sahara AI. A AI Chain também pode promover o avanço tecnológico da IA em diferentes áreas, como Bittensor, que promove a competição entre diferentes tipos de sub-redes por meio de um mecanismo de incentivo inovador.
Plataforma de desenvolvimento: alguns projetos oferecem plataformas de desenvolvimento de agentes de IA, que também podem realizar transações de agentes de IA, como Fetch.ai e ChainML. Ferramentas tudo-em-um ajudam os desenvolvedores a criar, treinar e implementar modelos de IA de forma mais conveniente, representados por projetos como Nimble. Esta infraestrutura promove a ampla aplicação da tecnologia de IA no ecossistema Web3.
Camada Intermediária:
Esta camada envolve dados de IA, modelos, bem como raciocínio e validação, e a utilização de tecnologia Web3 pode alcançar maior eficiência de trabalho.
Dados: A qualidade e quantidade dos dados são fatores-chave que influenciam a eficácia do treinamento de modelos. No mundo Web3, através da coleta de dados em massa e do processamento colaborativo de dados, é possível otimizar a utilização de recursos e reduzir os custos dos dados. Os usuários podem ter autonomia sobre seus dados, vendendo-os sob proteção de privacidade, para evitar que sejam roubados por comerciantes desonestos e explorados para lucros elevados. Para os demandantes de dados, essas plataformas oferecem uma ampla gama de opções a custos muito baixos. Projetos representativos como Grass utilizam a largura de banda dos usuários para capturar dados da Web, enquanto xData coleta informações de mídia através de plugins amigáveis ao usuário e suporta o upload de informações de tweets pelos usuários.
Além disso, algumas plataformas permitem que especialistas de domínio ou usuários comuns realizem tarefas de pré-processamento de dados, como rotulagem de imagens e classificação de dados, tarefas que podem exigir conhecimentos especializados em finanças e processamento de dados legais. Os usuários podem tokenizar suas habilidades, permitindo a colaboração em crowdsourcing para o pré-processamento de dados. Exemplos como o mercado de IA Sahara AI têm tarefas de dados em diferentes domínios, podendo cobrir cenários de dados multi-domínio; enquanto o AIT Protocolt realiza a rotulagem de dados por meio de colaboração homem-máquina.
Modelo: Durante o processo de desenvolvimento de IA mencionado anteriormente, diferentes tipos de requisitos precisam de modelos adequados. Modelos comumente usados em tarefas de imagem incluem CNN e GAN, para tarefas de deteção de objetos pode-se escolher a série Yolo, e para tarefas de texto, modelos como RNN e Transformer são comuns, além de alguns modelos grandes específicos ou gerais. A profundidade do modelo necessária para tarefas de diferentes complexidades também varia, e às vezes é necessário ajustar o modelo.
Alguns projetos suportam que os usuários forneçam diferentes tipos de modelos ou colaborem no treinamento de modelos através de crowdsourcing, como o Sentient que, através de um design modular, permite que os usuários coloquem dados de modelos confiáveis na camada de armazenamento e na camada de distribuição para otimização de modelos. As ferramentas de desenvolvimento fornecidas pela Sahara AI incorporam algoritmos de IA avançados e frameworks de computação, e possuem a capacidade de treinamento colaborativo.
Inferência e validação: Após o treinamento, o modelo gera arquivos de pesos que podem ser usados para classificação, previsão ou outras tarefas específicas, um processo conhecido como inferência. O processo de inferência normalmente é acompanhado por mecanismos de validação para verificar se a origem do modelo de inferência é correta e se há comportamentos maliciosos, entre outros. A inferência em Web3 pode geralmente ser integrada em contratos inteligentes, chamando o modelo para realizar a inferência. As formas comuns de validação incluem tecnologias como ZKML, OPML e TEE. Projetos representativos como o oráculo de IA em cadeia ORA (OAO) introduziram o OPML como uma camada verificável para o oráculo de IA, e o site oficial da ORA também mencionou suas pesquisas sobre ZKML e opp/ai (ZKML combinado com OPML).
Camada de aplicação:
Esta camada é principalmente composta por aplicativos voltados diretamente para o usuário, combinando IA com Web3 para criar formas mais interessantes e inovadoras de interação. Este artigo organiza principalmente projetos nas áreas de AIGC (Conteúdo Gerado por IA), Agentes de IA e Análise de Dados.
Esta página pode conter conteúdos de terceiros, que são fornecidos apenas para fins informativos (sem representações/garantias) e não devem ser considerados como uma aprovação dos seus pontos de vista pela Gate, nem como aconselhamento financeiro ou profissional. Consulte a Declaração de exoneração de responsabilidade para obter mais informações.
16 gostos
Recompensa
16
6
Partilhar
Comentar
0/400
RektButStillHere
· 07-26 05:45
Negociar AI sem pensar, sinto que vou perder um bilhão.
Ver originalResponder0
SchrodingerPrivateKey
· 07-26 00:25
Ser enganado por idiotas de armadilha novamente com IA?
Ver originalResponder0
RektRecovery
· 07-23 13:12
ponzi previsível reembalado em molho de IA... chamei isso há meses, para ser sincero
Ver originalResponder0
PerpetualLonger
· 07-23 13:10
Posição completa AI não se importou, de qualquer forma, eu só vou fazer uma coisa.
Ver originalResponder0
GasFeeVictim
· 07-23 13:10
Outra série de projetos que estão a fazer as pessoas de parvas.
Ver originalResponder0
DAOplomacy
· 07-23 13:04
smh outro hype train de web3-ai... dependência de caminho encontra estruturas de incentivo sub-ótimas para ser honesto
Panorama da pista Web3-AI: análise profunda da lógica técnica, aplicações de cenário e projetos representativos.
Relatório panorâmico da pista Web3-AI: lógica técnica, aplicações de cena e análise profunda dos principais projetos
Com o aquecimento contínuo da narrativa da IA, cada vez mais atenção está sendo concentrada nesta área. Foi realizada uma análise aprofundada da lógica técnica, cenários de aplicação e projetos representativos da área Web3-AI, apresentando de forma abrangente o panorama e as tendências de desenvolvimento deste campo.
Um, Web3-AI: Análise da Lógica Técnica e Oportunidades de Mercado Emergentes
1.1 A lógica da fusão entre Web3 e AI: como definir o caminho Web-AI
No último ano, a narrativa da IA tem sido excepcionalmente popular na indústria Web3, com projetos de IA surgindo como cogumelos após a chuva. Embora haja muitos projetos que envolvem tecnologia de IA, alguns projetos usam IA apenas em certas partes de seus produtos, e a economia do token subjacente não tem ligação substancial com produtos de IA, portanto, esses projetos não estão incluídos na discussão de projetos Web3-AI deste artigo.
O foco deste artigo está em usar a blockchain para resolver problemas de relações de produção e a IA para resolver problemas de produtividade, projetos que oferecem produtos de IA e, ao mesmo tempo, baseiam-se em modelos econômicos Web3 como ferramentas de relações de produção, onde ambos se complementam. Classificamos esses projetos como parte da trilha Web3-AI. Para que os leitores compreendam melhor a trilha Web3-AI, iremos apresentar o processo de desenvolvimento e os desafios da IA, bem como como a combinação de Web3 e IA pode resolver problemas de forma perfeita e criar novos cenários de aplicação.
1.2 O processo de desenvolvimento e os desafios da IA: da coleta de dados à inferência do modelo
A tecnologia de IA é uma tecnologia que permite que os computadores simulem, expandam e aprimorem a inteligência humana. Ela permite que os computadores executem várias tarefas complexas, desde tradução de idiomas, classificação de imagens até reconhecimento facial, condução autónoma e outros cenários de aplicação, a IA está mudando a forma como vivemos e trabalhamos.
O processo de desenvolvimento de modelos de inteligência artificial geralmente inclui os seguintes passos-chave: coleta de dados e pré-processamento de dados, seleção e ajuste do modelo, treinamento e inferência do modelo. Para dar um exemplo simples, ao desenvolver um modelo para classificar imagens de gatos e cães, você precisa:
Coleta de dados e pré-processamento de dados: Coletar um conjunto de dados de imagens que contenha gatos e cães, podendo usar conjuntos de dados públicos ou coletar dados reais por conta própria. Em seguida, rotular cada imagem com a categoria (gato ou cão), garantindo que os rótulos sejam precisos. Converter as imagens para um formato que o modelo possa reconhecer e dividir o conjunto de dados em conjunto de treino, conjunto de validação e conjunto de teste.
Seleção e ajuste do modelo: escolha um modelo adequado, como redes neurais convolucionais (CNN), que são mais adequadas para tarefas de classificação de imagens. Ajuste os parâmetros ou a arquitetura do modelo de acordo com diferentes necessidades; normalmente, a profundidade da rede pode ser ajustada com base na complexidade da tarefa de IA. Neste exemplo simples de classificação, uma rede com menos camadas pode ser suficiente.
Treinamento de modelos: pode-se usar GPU, TPU ou clusters de computação de alto desempenho para treinar modelos, o tempo de treinamento é influenciado pela complexidade do modelo e pela capacidade de computação.
Inferência do modelo: O arquivo do modelo treinado é geralmente chamado de pesos do modelo, e o processo de inferência refere-se ao uso do modelo já treinado para prever ou classificar novos dados. Neste processo, pode-se usar um conjunto de testes ou novos dados para avaliar a eficácia da classificação do modelo, geralmente utilizando métricas como precisão, recall e F1-score.
Como mostrado na figura, após a coleta de dados e pré-processamento de dados, seleção e ajuste de modelo, e treinamento, ao realizar a inferência do modelo treinado no conjunto de teste, obteremos os valores de previsão de gato e cachorro P (probabilidade), ou seja, a probabilidade de o modelo inferir que é um gato ou um cachorro.
Modelos de IA treinados podem ser integrados em várias aplicações para executar diferentes tarefas. Neste exemplo, um modelo de IA para classificação de gatos e cães pode ser integrado em uma aplicação móvel, onde os usuários carregam imagens de gatos ou cães e obtêm os resultados da classificação.
No entanto, o processo de desenvolvimento de IA centralizada apresenta alguns problemas nas seguintes situações:
Privacidade do usuário: em cenários centralizados, o processo de desenvolvimento de IA geralmente não é transparente. Os dados dos usuários podem ser roubados sem seu conhecimento e utilizados para o treinamento de IA.
Obtenção de fontes de dados: pequenas equipas ou indivíduos podem enfrentar limitações de não abertura de dados ao obter dados de áreas específicas (como dados médicos).
Seleção e ajuste de modelos: para equipes pequenas, é difícil obter recursos de modelos específicos de domínio ou gastar muito em ajustes de modelos.
Obtenção de poder de computação: para desenvolvedores individuais e pequenas equipes, os altos custos de compra de GPU e as despesas de aluguel de poder de computação em nuvem podem representar um fardo econômico significativo.
Renda de ativos de IA: trabalhadores de rotulagem de dados muitas vezes não conseguem obter uma renda que corresponda ao seu esforço, enquanto os resultados de pesquisa dos desenvolvedores de IA também têm dificuldade em se alinhar com compradores que têm demanda.
Os desafios existentes em cenários de IA centralizada podem ser superados através da combinação com a Web3, que, como uma nova forma de relação de produção, adapta-se naturalmente à IA, que representa uma nova força produtiva, promovendo assim o avanço simultâneo da tecnologia e da capacidade produtiva.
1.3 A Sinergia entre Web3 e AI: Mudança de Papéis e Aplicações Inovadoras
A combinação de Web3 e IA pode aumentar a soberania do usuário, proporcionando uma plataforma de colaboração de IA aberta, permitindo que os usuários passem de meros utilizadores da IA na era do Web2 para participantes, criando uma IA que pode ser possuída por todos. Ao mesmo tempo, a fusão do mundo Web3 com a tecnologia de IA pode gerar mais cenários de aplicação inovadores e formas de interação.
Baseada na tecnologia Web3, o desenvolvimento e a aplicação da IA irão acolher um novo sistema de economia colaborativa. A privacidade dos dados das pessoas pode ser garantida, o modelo de crowdsourcing de dados promove o avanço dos modelos de IA, numerosos recursos de IA de código aberto estão disponíveis para os usuários, e a capacidade de computação compartilhada pode ser obtida a um custo mais baixo. Com a ajuda de um mecanismo de colaboração descentralizada e um mercado de IA aberto, pode-se alcançar um sistema de distribuição de renda justa, incentivando assim mais pessoas a impulsionar o avanço da tecnologia de IA.
No cenário Web3, a IA pode ter um impacto positivo em várias áreas. Por exemplo, modelos de IA podem ser integrados a contratos inteligentes para melhorar a eficiência do trabalho em diferentes cenários de aplicação, como análise de mercado, detecção de segurança, agrupamento social e diversas outras funções. A IA generativa não só permite que os usuários experimentem o papel de "artista", criando seus próprios NFTs com tecnologia de IA, mas também pode criar cenários de jogo ricos e variados e experiências de interação interessantes no GameFi. Uma infraestrutura rica proporciona uma experiência de desenvolvimento fluida, permitindo que tanto especialistas em IA quanto novatos que desejam entrar no campo da IA encontrem uma entrada adequada neste mundo.
Dois, Interpretação do Mapa e Estrutura do Projeto Ecossistema Web3-AI
Estudámos principalmente 41 projetos na área do Web3-AI e classificámos esses projetos em diferentes níveis. A lógica de classificação de cada nível está ilustrada na figura abaixo, incluindo a camada de infraestrutura, a camada intermédia e a camada de aplicação, sendo que cada camada é dividida em diferentes setores. No próximo capítulo, faremos uma análise Profundidade de alguns projetos representativos.
A camada de infraestrutura abrange os recursos computacionais e a arquitetura tecnológica que suportam todo o ciclo de vida da IA, enquanto a camada intermediária inclui a gestão de dados, desenvolvimento de modelos e serviços de validação e inferência que conectam a infraestrutura às aplicações. A camada de aplicações foca em diversas aplicações e soluções diretamente voltadas para os utilizadores.
Camada de Infraestrutura:
A camada de infraestrutura é a base do ciclo de vida da IA, e este artigo classifica a capacidade de computação, a AI Chain e a plataforma de desenvolvimento como parte da camada de infraestrutura. É precisamente com o suporte dessas infraestruturas que é possível realizar o treinamento e a inferência de modelos de IA, apresentando aplicações de IA poderosas e práticas aos usuários.
Rede de computação descentralizada: pode fornecer poder de computação distribuído para o treinamento de modelos de IA, garantindo uma utilização eficiente e económica dos recursos computacionais. Alguns projetos oferecem mercados de poder de computação descentralizados, onde os usuários podem alugar poder de computação a baixo custo ou compartilhar poder de computação para obter lucros, com projetos representativos como IO.NET e Hyperbolic. Além disso, alguns projetos derivaram novas formas de jogo, como Compute Labs, que propuseram um protocolo tokenizado, permitindo que os usuários participem de locação de poder de computação de diferentes maneiras para obter lucros através da compra de NFTs que representam entidades de GPU.
AI Chain: Utiliza a blockchain como base para o ciclo de vida da IA, permitindo a interação sem costura de recursos de IA on-chain e off-chain, promovendo o desenvolvimento do ecossistema da indústria. O mercado descentralizado de IA na blockchain pode negociar ativos de IA como dados, modelos, agentes, etc., e fornece uma estrutura de desenvolvimento de IA e ferramentas de desenvolvimento complementares, representado por projetos como Sahara AI. A AI Chain também pode promover o avanço tecnológico da IA em diferentes áreas, como Bittensor, que promove a competição entre diferentes tipos de sub-redes por meio de um mecanismo de incentivo inovador.
Plataforma de desenvolvimento: alguns projetos oferecem plataformas de desenvolvimento de agentes de IA, que também podem realizar transações de agentes de IA, como Fetch.ai e ChainML. Ferramentas tudo-em-um ajudam os desenvolvedores a criar, treinar e implementar modelos de IA de forma mais conveniente, representados por projetos como Nimble. Esta infraestrutura promove a ampla aplicação da tecnologia de IA no ecossistema Web3.
Camada Intermediária:
Esta camada envolve dados de IA, modelos, bem como raciocínio e validação, e a utilização de tecnologia Web3 pode alcançar maior eficiência de trabalho.
Além disso, algumas plataformas permitem que especialistas de domínio ou usuários comuns realizem tarefas de pré-processamento de dados, como rotulagem de imagens e classificação de dados, tarefas que podem exigir conhecimentos especializados em finanças e processamento de dados legais. Os usuários podem tokenizar suas habilidades, permitindo a colaboração em crowdsourcing para o pré-processamento de dados. Exemplos como o mercado de IA Sahara AI têm tarefas de dados em diferentes domínios, podendo cobrir cenários de dados multi-domínio; enquanto o AIT Protocolt realiza a rotulagem de dados por meio de colaboração homem-máquina.
Alguns projetos suportam que os usuários forneçam diferentes tipos de modelos ou colaborem no treinamento de modelos através de crowdsourcing, como o Sentient que, através de um design modular, permite que os usuários coloquem dados de modelos confiáveis na camada de armazenamento e na camada de distribuição para otimização de modelos. As ferramentas de desenvolvimento fornecidas pela Sahara AI incorporam algoritmos de IA avançados e frameworks de computação, e possuem a capacidade de treinamento colaborativo.
Camada de aplicação:
Esta camada é principalmente composta por aplicativos voltados diretamente para o usuário, combinando IA com Web3 para criar formas mais interessantes e inovadoras de interação. Este artigo organiza principalmente projetos nas áreas de AIGC (Conteúdo Gerado por IA), Agentes de IA e Análise de Dados.