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 narrativa de IA, cada vez más atención se centra en este campo. Hemos realizado un análisis profundo de la lógica técnica, los escenarios de aplicación y los proyectos representativos en la pista Web3-AI, para presentarle una visión completa de este campo y sus tendencias de desarrollo.
Uno, Web3-AI: Análisis de la lógica técnica y las oportunidades del mercado emergente
1.1 Lógica de fusión entre Web3 y AI: ¿Cómo definir la pista Web-AI?
En el último año, la narración de IA ha sido excepcionalmente popular en la industria de Web3, y los proyectos de IA han surgido como hongos 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 proyectos no serán discutidos en este artículo como proyectos Web3-AI.
El enfoque de este artículo está en el uso de la blockchain para resolver problemas de relaciones de producción y proyectos en los que la IA resuelve 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 mutuamente. Clasificamos estos proyectos en la categoría de Web3-AI. Para que los lectores comprendan mejor la categoría Web3-AI, presentaremos el proceso de desarrollo de la IA y sus desafíos, así como cómo la combinación de Web3 y IA puede resolver problemas de manera perfecta y crear nuevos escenarios de aplicación.
1.2 Proceso de desarrollo y desafíos de la IA: desde la recolección de datos hasta la inferencia del modelo
La tecnología de IA es una tecnología que permite a las computadoras simular, extender y mejorar la inteligencia humana. Puede permitir 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: recopilación de datos y preprocesamiento de datos, selección y ajuste del modelo, entrenamiento y razonamiento del modelo. Por ejemplo, si deseas desarrollar un modelo para clasificar imágenes de gatos y perros, necesitarás:
Recolección y preprocesamiento de datos: recopilar un conjunto de datos de imágenes que contenga gatos y perros, se puede utilizar un conjunto de datos público o recopilar 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, dividiendo el conjunto de datos en un conjunto de entrenamiento, un conjunto de validación y un conjunto de pruebas.
Selección y ajuste del modelo: elegir un modelo adecuado, como las redes neuronales convolucionales (CNN), que son particularmente adecuadas para tareas de clasificación de imágenes. Ajustar los parámetros o la arquitectura del modelo según diferentes necesidades; generalmente, la profundidad de la red del modelo puede ajustarse según la complejidad de la tarea de IA. En este simple ejemplo de clasificación, una red menos profunda puede ser suficiente.
Entrenamiento del modelo: se pueden utilizar GPU, TPU o clústeres de computación de alto rendimiento para entrenar el modelo; el tiempo de entrenamiento está influenciado por la complejidad del modelo y la capacidad de cómputo.
Inferencia del modelo: El archivo del modelo entrenado se llama generalmente peso del modelo, y el proceso de inferencia se refiere al proceso de utilizar un modelo ya entrenado para predecir o clasificar nuevos datos. En este proceso, se puede utilizar un conjunto de pruebas o nuevos datos para probar la efectividad de clasificación del modelo, que normalmente se evalúa utilizando métricas como la precisión, la tasa de recuperación y el F1-score.
Como se muestra en la figura, después de la recolección de datos, el preprocesamiento de datos, la selección y ajuste del modelo, y el entrenamiento, se realizará la inferencia del modelo entrenado sobre 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 diversas aplicaciones para ejecutar diferentes tareas. En este ejemplo, el modelo de IA para la clasificación de gatos y perros se puede integrar en una aplicación móvil, donde los usuarios suben imágenes de gatos o perros y obtienen resultados de clasificación.
Sin embargo, el proceso de desarrollo de IA centralizada presenta algunos problemas en los siguientes escenarios:
Privacidad del usuario: En escenarios centralizados, el proceso de desarrollo de la IA suele ser opaco. Los datos de los usuarios pueden ser robados sin su conocimiento y utilizados para el entrenamiento de la IA.
Obtención de fuentes de datos: los equipos pequeños o individuos que buscan datos en campos específicos (como datos médicos) pueden enfrentar restricciones debido a la falta de apertura de los datos.
Selección y ajuste del modelo: para equipos pequeños, es difícil obtener recursos de modelos específicos de dominio o gastar grandes costos en el ajuste del modelo.
Obtención de potencia de cálculo: Para desarrolladores individuales y pequeños equipos, los altos costos de compra de GPU y las tarifas de alquiler de potencia de cálculo en la nube pueden representar una carga económica significativa.
Ingresos de activos de IA: los trabajadores de etiquetado de datos a menudo no pueden obtener ingresos que correspondan a su esfuerzo, y los resultados de la investigación de los desarrolladores de IA también son difíciles de emparejar con compradores que tienen demanda.
Los desafíos existentes en los escenarios de IA centralizada pueden abordarse combinando con Web3, que como una nueva forma de relación de producción, se adapta de manera natural a la IA que representa nuevas fuerzas productivas, promoviendo así el progreso simultáneo de la tecnología y la capacidad productiva.
1.3 La sinergia entre Web3 y la IA: cambio de roles y aplicaciones innovadoras
La combinación de Web3 y la IA puede fortalecer la soberanía del usuario, proporcionando a los usuarios una plataforma abierta de colaboración en IA, permitiendo que los usuarios pasen de ser usuarios de IA en la era Web2 a ser participantes, creando una IA que todos puedan poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología de IA también puede dar lugar a más escenarios y formas innovadoras de aplicación.
Basado en la tecnología Web3, el desarrollo y la aplicación de la IA darán paso a un nuevo sistema económico colaborativo. La privacidad de los datos de las personas puede ser garantizada, y el modelo de datos en modo crowdsourcing promueve el avance de los modelos de IA. Muchos recursos de IA de código abierto están disponibles para los usuarios, y la potencia de cálculo compartida se puede obtener a un costo reducido. Con la ayuda de un mecanismo de colaboración descentralizado y un mercado de IA abierto, se puede lograr un sistema de distribución de ingresos justo, lo que incentiva a más personas a impulsar el progreso de la tecnología de IA.
En el escenario 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 laboral 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 sus propios 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, permitiendo que tanto expertos en IA como novatos que desean ingresar al campo de la IA encuentren una entrada adecuada en este mundo.
Dos, interpretación del mapa y la arquitectura del proyecto ecosistema Web3-AI
Hemos investigado principalmente 41 proyectos en la pista de Web3-AI y hemos clasificado estos proyectos en diferentes niveles. La lógica de clasificación de cada nivel se muestra en la siguiente imagen, incluyendo la capa de infraestructura, la capa intermedia y la capa de aplicación, cada una de las cuales se divide en diferentes secciones. En el próximo capítulo, realizaremos un análisis profundo de algunos proyectos representativos.
La capa de infraestructura abarca los recursos computacionales y la arquitectura tecnológica que soportan el ciclo de vida completo de la IA, la capa intermedia incluye la gestión de datos, el desarrollo de modelos y los servicios de inferencia de validación que conectan la infraestructura con las aplicaciones, mientras que la capa de aplicaciones se centra en diversas aplicaciones y soluciones dirigidas directamente a los usuarios.
Capa de infraestructura:
La capa de infraestructura es la base del ciclo de vida de la IA. 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 ingresos, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevas formas de juego, como Compute Labs, que propusieron un protocolo tokenizado, donde los usuarios pueden participar en el alquiler de potencia de cálculo de diferentes maneras al comprar NFT que representan entidades GPU.
AI Chain: Utiliza la blockchain como base para el ciclo de vida de la IA, logrando una interacción fluida entre los recursos de IA en la cadena y fuera de ella, promoviendo el desarrollo del ecosistema de la industria. El mercado descentralizado de IA en la cadena puede intercambiar activos de IA como datos, modelos, agentes, etc., y proporciona un marco de desarrollo de IA y herramientas de desarrollo complementarias, con proyectos representativos como Sahara AI. AI Chain también puede fomentar el avance de la tecnología de IA en diferentes campos, como Bittensor, que promueve 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 pueden realizar transacciones de agentes de IA, como Fetch.ai y ChainML. Herramientas integradas ayudan a los desarrolladores a crear, entrenar y desplegar modelos de IA de manera más conveniente, representados por proyectos como Nimble. Esta infraestructura fomenta la amplia aplicación de la tecnología de IA en el ecosistema Web3.
Capa intermedia:
Esta capa involucra datos de IA, modelos, así como inferencia y verificación, y el uso de la tecnología Web3 puede lograr una mayor profundidad de trabajo.
Datos: La calidad y cantidad de los datos son factores clave que afectan la efectividad del entrenamiento del modelo. En el mundo Web3, a través de la recopilación de datos y el 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 y venderlos bajo la protección de la privacidad, para evitar que comerciantes deshonestos los roben y obtengan altos beneficios. Para los demandantes de datos, estas plataformas ofrecen una amplia variedad de opciones y costos muy bajos. Proyectos representativos como Grass utilizan el ancho de banda de los usuarios para rastrear datos de la Web, xData recopila información de medios a través de un complemento amigable para el usuario y apoya a los usuarios en la carga de información de tweets.
Además, algunas plataformas permiten a expertos en el campo o usuarios comunes realizar tareas de preprocesamiento de datos, como la anotación de imágenes y la clasificación de datos, que pueden requerir conocimientos especializados en el procesamiento de datos financieros y legales. Los usuarios pueden tokenizar sus habilidades para lograr la colaboración en el crowdsourcing de preprocesamiento de datos. Un ejemplo es el mercado de IA Sahara AI, que cuenta con tareas de datos en diferentes campos y puede abarcar escenarios de datos multidisciplinarios; mientras que AIT Protocolt realiza la anotación de datos a través de la colaboración humano-máquina.
Modelo: En el proceso de desarrollo de IA mencionado anteriormente, diferentes tipos de necesidades requieren el emparejamiento con modelos adecuados. Modelos comúnmente utilizados para tareas de imagen incluyen CNN y GAN, para tareas de detección de objetos se puede elegir la serie Yolo, y para tareas de texto son comunes modelos como RNN y Transformer, por supuesto, también hay algunos modelos grandes específicos o generales. La profundidad de los modelos necesarios varía según la complejidad de las tareas, y a veces es necesario ajustar los modelos.
Algunos proyectos permiten a los usuarios proporcionar diferentes tipos de modelos o colaborar en el entrenamiento de modelos a través de la externalización, como Sentient, que a través de un diseño modular, permite a los usuarios almacenar datos de modelos confiables en la capa de almacenamiento y la capa de distribución para la optimización de modelos. Las herramientas de desarrollo proporcionadas por Sahara AI incorporan algoritmos de IA avanzados y marcos de cálculo, y tienen la capacidad de entrenamiento colaborativo.
Inferencia y verificación: Después de que el modelo ha sido entrenado, generará archivos de pesos del modelo que se pueden usar para realizar clasificación, predicción u otras tareas específicas; este proceso se denomina inferencia. El proceso de inferencia generalmente va acompañado de un mecanismo de verificación para validar si la fuente del modelo de inferencia es correcta, si hay comportamientos maliciosos, etc. La inferencia en Web3 generalmente se puede integrar en contratos inteligentes, a través de la invocación del modelo para realizar inferencia, las formas comunes de verificación incluyen tecnologías como ZKML, OPML y TEE. Proyectos representativos como el oráculo de IA en la cadena ORA (OAO) han introducido OPML como la capa verificable del oráculo de IA; en el sitio web oficial de ORA también se menciona su investigación sobre ZKML y opp/ai (ZKML combinado con OPML).
Capa de aplicación:
Esta capa está principalmente dirigida a aplicaciones de usuario, combinando IA con Web3 para crear un mejor
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.
13 me gusta
Recompensa
13
4
Compartir
Comentar
0/400
SnapshotLaborer
· hace17h
Ser engañados de los que son Ser engañados. trampa AI a simple vista falso
Ver originalesResponder0
ImpermanentPhilosopher
· hace17h
El sabor a cebollino que no se puede ocultar detrás de Web3 AI
Ver originalesResponder0
GasGuzzler
· hace17h
Muchos proyectos de piel, todo relacionado con la IA.
Ver originalesResponder0
SnapshotBot
· hace17h
Me he tomado demasiado pronto, los conceptos de IA son demasiado absurdos.
Análisis panorámico de Web3-AI: fusión tecnológica, innovación de escenarios y análisis profundo de proyectos de primer nivel
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 narrativa de IA, cada vez más atención se centra en este campo. Hemos realizado un análisis profundo de la lógica técnica, los escenarios de aplicación y los proyectos representativos en la pista Web3-AI, para presentarle una visión completa de este campo y sus tendencias de desarrollo.
Uno, Web3-AI: Análisis de la lógica técnica y las oportunidades del mercado emergente
1.1 Lógica de fusión entre Web3 y AI: ¿Cómo definir la pista Web-AI?
En el último año, la narración de IA ha sido excepcionalmente popular en la industria de Web3, y los proyectos de IA han surgido como hongos 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 proyectos no serán discutidos en este artículo como proyectos Web3-AI.
El enfoque de este artículo está en el uso de la blockchain para resolver problemas de relaciones de producción y proyectos en los que la IA resuelve 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 mutuamente. Clasificamos estos proyectos en la categoría de Web3-AI. Para que los lectores comprendan mejor la categoría Web3-AI, presentaremos el proceso de desarrollo de la IA y sus desafíos, así como cómo la combinación de Web3 y IA puede resolver problemas de manera perfecta y crear nuevos escenarios de aplicación.
1.2 Proceso de desarrollo y desafíos de la IA: desde la recolección de datos hasta la inferencia del modelo
La tecnología de IA es una tecnología que permite a las computadoras simular, extender y mejorar la inteligencia humana. Puede permitir 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: recopilación de datos y preprocesamiento de datos, selección y ajuste del modelo, entrenamiento y razonamiento del modelo. Por ejemplo, si deseas desarrollar un modelo para clasificar imágenes de gatos y perros, necesitarás:
Recolección y preprocesamiento de datos: recopilar un conjunto de datos de imágenes que contenga gatos y perros, se puede utilizar un conjunto de datos público o recopilar 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, dividiendo el conjunto de datos en un conjunto de entrenamiento, un conjunto de validación y un conjunto de pruebas.
Selección y ajuste del modelo: elegir un modelo adecuado, como las redes neuronales convolucionales (CNN), que son particularmente adecuadas para tareas de clasificación de imágenes. Ajustar los parámetros o la arquitectura del modelo según diferentes necesidades; generalmente, la profundidad de la red del modelo puede ajustarse según la complejidad de la tarea de IA. En este simple ejemplo de clasificación, una red menos profunda puede ser suficiente.
Entrenamiento del modelo: se pueden utilizar GPU, TPU o clústeres de computación de alto rendimiento para entrenar el modelo; el tiempo de entrenamiento está influenciado por la complejidad del modelo y la capacidad de cómputo.
Inferencia del modelo: El archivo del modelo entrenado se llama generalmente peso del modelo, y el proceso de inferencia se refiere al proceso de utilizar un modelo ya entrenado para predecir o clasificar nuevos datos. En este proceso, se puede utilizar un conjunto de pruebas o nuevos datos para probar la efectividad de clasificación del modelo, que normalmente se evalúa utilizando métricas como la precisión, la tasa de recuperación y el F1-score.
Como se muestra en la figura, después de la recolección de datos, el preprocesamiento de datos, la selección y ajuste del modelo, y el entrenamiento, se realizará la inferencia del modelo entrenado sobre 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 diversas aplicaciones para ejecutar diferentes tareas. En este ejemplo, el modelo de IA para la clasificación de gatos y perros se puede integrar en una aplicación móvil, donde los usuarios suben imágenes de gatos o perros y obtienen resultados de clasificación.
Sin embargo, el proceso de desarrollo de IA centralizada presenta algunos problemas en los siguientes escenarios:
Privacidad del usuario: En escenarios centralizados, el proceso de desarrollo de la IA suele ser opaco. Los datos de los usuarios pueden ser robados sin su conocimiento y utilizados para el entrenamiento de la IA.
Obtención de fuentes de datos: los equipos pequeños o individuos que buscan datos en campos específicos (como datos médicos) pueden enfrentar restricciones debido a la falta de apertura de los datos.
Selección y ajuste del modelo: para equipos pequeños, es difícil obtener recursos de modelos específicos de dominio o gastar grandes costos en el ajuste del modelo.
Obtención de potencia de cálculo: Para desarrolladores individuales y pequeños equipos, los altos costos de compra de GPU y las tarifas de alquiler de potencia de cálculo en la nube pueden representar una carga económica significativa.
Ingresos de activos de IA: los trabajadores de etiquetado de datos a menudo no pueden obtener ingresos que correspondan a su esfuerzo, y los resultados de la investigación de los desarrolladores de IA también son difíciles de emparejar con compradores que tienen demanda.
Los desafíos existentes en los escenarios de IA centralizada pueden abordarse combinando con Web3, que como una nueva forma de relación de producción, se adapta de manera natural a la IA que representa nuevas fuerzas productivas, promoviendo así el progreso simultáneo de la tecnología y la capacidad productiva.
1.3 La sinergia entre Web3 y la IA: cambio de roles y aplicaciones innovadoras
La combinación de Web3 y la IA puede fortalecer la soberanía del usuario, proporcionando a los usuarios una plataforma abierta de colaboración en IA, permitiendo que los usuarios pasen de ser usuarios de IA en la era Web2 a ser participantes, creando una IA que todos puedan poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología de IA también puede dar lugar a más escenarios y formas innovadoras de aplicación.
Basado en la tecnología Web3, el desarrollo y la aplicación de la IA darán paso a un nuevo sistema económico colaborativo. La privacidad de los datos de las personas puede ser garantizada, y el modelo de datos en modo crowdsourcing promueve el avance de los modelos de IA. Muchos recursos de IA de código abierto están disponibles para los usuarios, y la potencia de cálculo compartida se puede obtener a un costo reducido. Con la ayuda de un mecanismo de colaboración descentralizado y un mercado de IA abierto, se puede lograr un sistema de distribución de ingresos justo, lo que incentiva a más personas a impulsar el progreso de la tecnología de IA.
En el escenario 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 laboral 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 sus propios 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, permitiendo que tanto expertos en IA como novatos que desean ingresar al campo de la IA encuentren una entrada adecuada en este mundo.
Dos, interpretación del mapa y la arquitectura del proyecto ecosistema Web3-AI
Hemos investigado principalmente 41 proyectos en la pista de Web3-AI y hemos clasificado estos proyectos en diferentes niveles. La lógica de clasificación de cada nivel se muestra en la siguiente imagen, incluyendo la capa de infraestructura, la capa intermedia y la capa de aplicación, cada una de las cuales se divide en diferentes secciones. En el próximo capítulo, realizaremos un análisis profundo de algunos proyectos representativos.
La capa de infraestructura abarca los recursos computacionales y la arquitectura tecnológica que soportan el ciclo de vida completo de la IA, la capa intermedia incluye la gestión de datos, el desarrollo de modelos y los servicios de inferencia de validación que conectan la infraestructura con las aplicaciones, mientras que la capa de aplicaciones se centra en diversas aplicaciones y soluciones dirigidas directamente a los usuarios.
Capa de infraestructura:
La capa de infraestructura es la base del ciclo de vida de la IA. 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 ingresos, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevas formas de juego, como Compute Labs, que propusieron un protocolo tokenizado, donde los usuarios pueden participar en el alquiler de potencia de cálculo de diferentes maneras al comprar NFT que representan entidades GPU.
AI Chain: Utiliza la blockchain como base para el ciclo de vida de la IA, logrando una interacción fluida entre los recursos de IA en la cadena y fuera de ella, promoviendo el desarrollo del ecosistema de la industria. El mercado descentralizado de IA en la cadena puede intercambiar activos de IA como datos, modelos, agentes, etc., y proporciona un marco de desarrollo de IA y herramientas de desarrollo complementarias, con proyectos representativos como Sahara AI. AI Chain también puede fomentar el avance de la tecnología de IA en diferentes campos, como Bittensor, que promueve 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 pueden realizar transacciones de agentes de IA, como Fetch.ai y ChainML. Herramientas integradas ayudan a los desarrolladores a crear, entrenar y desplegar modelos de IA de manera más conveniente, representados por proyectos como Nimble. Esta infraestructura fomenta la amplia aplicación de la tecnología de IA en el ecosistema Web3.
Capa intermedia:
Esta capa involucra datos de IA, modelos, así como inferencia y verificación, y el uso de la tecnología Web3 puede lograr una mayor profundidad de trabajo.
Además, algunas plataformas permiten a expertos en el campo o usuarios comunes realizar tareas de preprocesamiento de datos, como la anotación de imágenes y la clasificación de datos, que pueden requerir conocimientos especializados en el procesamiento de datos financieros y legales. Los usuarios pueden tokenizar sus habilidades para lograr la colaboración en el crowdsourcing de preprocesamiento de datos. Un ejemplo es el mercado de IA Sahara AI, que cuenta con tareas de datos en diferentes campos y puede abarcar escenarios de datos multidisciplinarios; mientras que AIT Protocolt realiza la anotación de datos a través de la colaboración humano-máquina.
Algunos proyectos permiten a los usuarios proporcionar diferentes tipos de modelos o colaborar en el entrenamiento de modelos a través de la externalización, como Sentient, que a través de un diseño modular, permite a los usuarios almacenar datos de modelos confiables en la capa de almacenamiento y la capa de distribución para la optimización de modelos. Las herramientas de desarrollo proporcionadas por Sahara AI incorporan algoritmos de IA avanzados y marcos de cálculo, y tienen la capacidad de entrenamiento colaborativo.
Capa de aplicación:
Esta capa está principalmente dirigida a aplicaciones de usuario, combinando IA con Web3 para crear un mejor