Relatório panorâmico do setor Web3-AI: Análise profunda da lógica técnica, aplicações em cenários e projetos de topo Profundidade

Com o aquecimento contínuo da narrativa de IA, cada vez mais atenção está sendo concentrada nesta área. Este artigo analisa profundamente a lógica técnica, os cenários de aplicação e os projetos representativos da área Web3-AI, apresentando de forma abrangente o panorama e as tendências de desenvolvimento deste campo.

Uma, Web3-AI: Análise da Lógica Tecnológica e Oportunidades de Mercado Emergentes

1.1 Lógica da fusão entre Web3 e AI: como definir a pista Web-AI

No último ano, a narrativa de IA tem sido excepcionalmente popular na indústria Web3, com projetos de IA surgindo como cogumelos após a chuva. Embora muitos projetos envolvam tecnologia de IA, alguns deles utilizam IA apenas em certas partes de seus produtos, enquanto a economia de tokens subjacente não tem relação substancial com os produtos de IA; portanto, esses projetos não estão incluídos na discussão sobre projetos Web3-AI neste artigo.

O foco deste artigo está na utilização da blockchain para resolver problemas de relações de produção, enquanto a IA resolve problemas de produtividade. Esses projetos oferecem produtos de IA e, simultaneamente, baseiam-se em modelos econômicos Web3 como ferramentas de relações de produção, complementando-se mutuamente. Classificamos esses projetos como parte da pista Web3-AI. Para que os leitores compreendam melhor a pista Web3-AI, este artigo irá apresentar o processo de desenvolvimento da IA e os desafios enfrentados, bem como explicar 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 da IA e os desafios: da coleta de dados à inferência do modelo

A tecnologia de IA é uma tecnologia que permite que os computadores simulem, expandam e aumentem 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 a mudar 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 de modelo, treinamento de modelo e inferência. Para dar um exemplo simples, ao desenvolver um modelo para classificar imagens de gatos e cães, você precisaria:

1. Coleta de dados e pré-processamento de dados: colete um conjunto de dados de imagens que contenham gatos e cães, podendo usar conjuntos de dados públicos ou coletar dados reais. Em seguida, rotule cada imagem com a categoria (gato ou cão), garantindo que os rótulos sejam precisos. Converta as imagens para um formato que o modelo possa reconhecer e divida o conjunto de dados em conjunto de treinamento, conjunto de validação e conjunto de teste.

2. 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 as diferentes necessidades; geralmente, a profundidade da rede do modelo pode ser ajustada com base na complexidade da tarefa de IA. Neste exemplo simples de classificação, uma rede com menos camadas pode ser suficiente.

3. Treinamento de modelos: pode-se usar GPU, TPU ou clusters de computação de alto desempenho para treinar o modelo, e o tempo de treinamento é afetado pela complexidade do modelo e pela capacidade de computação.

4. Inferência do modelo: Os arquivos do modelo treinado normalmente são chamados de pesos do modelo, e o processo de inferência refere-se ao uso de um modelo já treinado para prever ou classificar novos dados. Durante este processo, um conjunto de testes ou novos dados pode ser utilizado para avaliar a eficácia da classificação do modelo, geralmente usando métricas como precisão, recall, F1-score, entre outras.

Após a coleta de dados e pré-processamento de dados, seleção e ajuste de modelo, e treinamento, o modelo treinado realiza a inferência no conjunto de teste, resultando nos valores de previsão P (probabilidade) para gatos e cães, ou seja, a probabilidade de o modelo inferir que é um gato ou um cão.

Modelos de IA treinados podem ser integrados a várias aplicações, executando diferentes tarefas. Neste exemplo, um modelo de IA para classificação de gatos e cães pode ser integrado a uma aplicação móvel, onde os usuários fazem o upload de imagens de gatos ou cães e recebem 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 da IA geralmente é opaco. Os dados dos usuários podem ser roubados sem o seu conhecimento e utilizados para o treinamento da IA.

Obtenção de fontes de dados: pequenas equipas ou indivíduos podem enfrentar limitações de não abertura de dados ao obter dados em áreas específicas (como dados médicos).

Seleção e ajuste de modelos: Para pequenas equipas, é difícil obter recursos de modelos específicos ou gastar grandes quantias em ajuste de modelos.

Aquisição de poder de cálculo: para desenvolvedores individuais e pequenas equipas, os altos custos de compra de GPUs e as taxas de arrendamento de poder de cálculo na nuvem podem constituir um fardo económico significativo.

Renda de ativos de IA: os trabalhadores de rotulagem de dados muitas vezes não conseguem obter uma renda que corresponda ao seu esforço, e os resultados da 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 relação de produção, se adapta naturalmente à IA, que representa uma nova força produtiva, promovendo assim o progresso 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 fortalecer a soberania do usuário, oferecendo uma plataforma de colaboração em IA aberta, permitindo que os usuários passem de meros utilizadores de IA na era Web2 para participantes, criando uma IA que todos podem possuir. Ao mesmo tempo, a fusão do mundo Web3 com a tecnologia de IA pode gerar ainda mais cenários de aplicação inovadores e novas formas de interação.

Baseada na tecnologia Web3, o desenvolvimento e a aplicação da IA irão acolher um novo sistema econômico de colaboração. A privacidade dos dados das pessoas pode ser garantida, o modelo de crowdsourcing de dados promove o avanço dos modelos de IA, e numerosos recursos de IA de código aberto estão disponíveis para os usuários, com poder computacional compartilhado a ser adquirido a um custo reduzido. Com a ajuda de um mecanismo de colaboração descentralizada e um mercado de IA aberto, pode-se alcançar um sistema de distribuição de renda justo, incentivando 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, aumentando a eficiência do trabalho em diferentes cenários de aplicação, como análise de mercado, detecção de segurança, clustering social e diversas outras funções. A IA generativa não só permite que os usuários experimentem o papel de "artista", como criar seus próprios NFTs usando tecnologia de IA, mas também pode criar cenários de jogo ricos e variados e experiências interativas interessantes no GameFi. Uma infraestrutura rica oferece uma experiência de desenvolvimento fluida, onde tanto especialistas em IA quanto novatos que desejam entrar no campo da IA podem encontrar a 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 estes projetos em diferentes níveis. A lógica de classificação de cada nível está representada na figura abaixo, incluindo a camada de infraestrutura, a camada intermédia e a camada de aplicação, cada uma dividida em diferentes secções. No próximo capítulo, faremos uma análise Profundidade de alguns projetos representativos.

A camada de infraestrutura abrange os recursos computacionais e a arquitetura técnica que suportam a operação de todo o ciclo de vida da IA, enquanto a camada intermédia inclui a gestão de dados, desenvolvimento de modelos e serviços de validação e raciocínio que conectam a infraestrutura às aplicações. A camada de aplicação foca nas diversas aplicações e soluções diretamente voltadas para os usuários.

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 se pode realizar o treinamento e a inferência de modelos de IA, apresentando aos usuários aplicações de IA poderosas e práticas.

• Rede de computação descentralizada: pode fornecer poder de computação distribuído para o treinamento de modelos de IA, garantindo uma utilização eficiente e econômica dos recursos de computação. Alguns projetos oferecem um mercado de poder de computação descentralizado, onde os usuários podem alugar poder de computação a baixo custo ou compartilhar poder de computação para obter rendimentos, representados por projetos como IO.NET e Hyperbolic. Além disso, alguns projetos derivaram novas formas de jogar, como Compute Labs, que propuseram um protocolo tokenizado, onde os usuários podem participar de aluguel de poder de computação de diferentes maneiras, comprando NFTs que representam entidades de GPU.

• AI Chain: Utiliza a blockchain como base para o ciclo de vida da IA, permitindo a interacção sem costura entre recursos de IA on-chain e off-chain, promovendo o desenvolvimento do ecossistema da indústria. O mercado de IA descentralizado na blockchain pode negociar activos de IA como dados, modelos, agentes, etc., e fornece uma estrutura de desenvolvimento de IA e ferramentas de desenvolvimento complementares, com projetos representativos como Sahara AI. A AI Chain também pode promover o progresso tecnológico da IA em diferentes áreas, como a Bittensor, que fomenta a competição entre sub-redes de diferentes tipos de IA através de um mecanismo inovador de incentivo para sub-redes.

• 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 implantar modelos de IA de forma mais conveniente, representados por projetos como Nimble. Essa infraestrutura promove a ampla aplicação da tecnologia de IA no ecossistema Web3.

Camada intermédia:

Esta camada envolve dados de IA, modelos, bem como raciocínio e validação, utilizando tecnologia Web3 para alcançar uma maior profundidade de eficiência no trabalho.

• Dados: A qualidade e a quantidade dos dados são fatores chave que influenciam a eficácia do treinamento de modelos. No mundo do Web3, através de dados coletados por crowdsourcing e 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 e, sob proteção de privacidade, vender suas informações para evitar que sejam roubadas por comerciantes mal-intencionados e que gerem lucros exorbitantes. Para os demandantes de dados, essas plataformas oferecem uma ampla gama de opções e custos extremamente baixos. Projetos representativos como Grass utilizam a largura de banda dos usuários para capturar dados da Web, xData coleta informações de mídia através de um plugin amigável ao usuário e suporta o upload de informações de tweets pelos usuários.

Além disso, algumas plataformas permitem que especialistas do setor ou usuários comuns realizem tarefas de pré-processamento de dados, como rotulagem de imagens e classificação de dados, que podem exigir conhecimentos especializados em tarefas financeiras e legais de processamento de dados. Os usuários podem tokenizar suas habilidades, possibilitando a colaboração em crowdsourcing para o pré-processamento de dados. Exemplos incluem o mercado de IA da Sahara AI, que possui tarefas de dados em diferentes domínios e pode cobrir cenários de dados multisetoriais; enquanto o AIT Protocol realiza a rotulagem de dados por meio de uma abordagem de colaboração homem-máquina.

• Modelo: No processo de desenvolvimento de IA mencionado anteriormente, diferentes tipos de necessidades requerem a correspondência com o modelo apropriado. Modelos comumente utilizados em tarefas de imagem incluem CNN e GAN, para tarefas de detecção de objetos pode-se escolher a série Yolo, enquanto que 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 na formação de modelos através de crowdsourcing, como o Sentient, que através de um design modular, permite que os usuários armazenem 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 estruturas de cálculo, e possuem a capacidade de treinamento colaborativo.

• Inferência e validação: Após o treinamento, o modelo gera arquivos de pesos do modelo, que podem ser usados para classificação, previsão ou outras tarefas específicas; esse processo é chamado de inferência. O processo de inferência geralmente vem acompanhado de um mecanismo de validação, que verifica se a origem do modelo de inferência está correta e se não há comportamentos maliciosos, etc. A inferência em Web3 geralmente pode ser integrada em contratos inteligentes, através da chamada do modelo para realizar a inferência. Formas comuns de validação incluem tecnologias como ZKML, OPML e TEE. Projetos representativos como o ORA Chain AI Oracle (OAO) introduziram o OPML como uma camada verificável para o oráculo de IA, e o site oficial da ORA também menciona suas pesquisas sobre ZKML e opp/ai (ZKML combinado com OPML).

Camada de Aplicação:

Esta camada é principalmente uma aplicação voltada diretamente para o usuário, que combina IA com Web3, criando mais maneiras interessantes e inovadoras de jogar. Este artigo aborda principalmente os projetos nos segmentos de AIGC (Conteúdo Gerado por IA), agentes de IA e análise de dados.

• AIGC: Com AIGC, é possível expandir para os setores de NFT, jogos, entre outros no Web3, onde os usuários podem gerar texto, imagens e áudio diretamente através de Prompt (palavras-chave fornecidas pelo usuário), podendo até gerar conteúdo no jogo de acordo com suas preferências.