Informe panorámico sobre el sector 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. Se ha llevado a cabo un análisis profundo de la lógica técnica, los casos de uso y los proyectos representativos del sector Web3-AI, para ofrecerle una visión completa del panorama y las tendencias de desarrollo en este ámbito.

Uno, Web3-AI: análisis de la lógica técnica y las oportunidades del mercado emergente

1.1 Lógica de la 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 de ellos 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 este tipo de proyectos no se incluyen en la discusión de proyectos Web3-AI en este artículo.

El enfoque de este artículo está en proyectos que utilizan blockchain para resolver problemas de relaciones de producción y AI para resolver problemas de productividad. Estos proyectos en sí mismos ofrecen productos de AI, al mismo tiempo que se basan en un modelo económico Web3 como herramienta de relaciones de producción, complementándose entre sí. Clasificamos este tipo de proyectos como la categoría Web3-AI. Para que los lectores comprendan mejor la categoría Web3-AI, se presentará el proceso de desarrollo de AI y los desafíos, así como cómo la combinación de Web3 y AI puede resolver problemas de manera perfecta y crear nuevos escenarios de aplicación.

1.2 El proceso de desarrollo de IA y los desafíos: desde la recolección de datos hasta la inferencia del modelo

La tecnología de IA es una técnica que permite a las computadoras simular, extender y mejorar la inteligencia humana. Puede permitir que las computadoras realicen diversas tareas complejas, desde la traducción de idiomas, la clasificación de imágenes hasta aplicaciones como el reconocimiento facial y la conducción autónoma. La IA está cambiando la forma en que vivimos y trabajamos.

El proceso de desarrollo de modelos de inteligencia artificial generalmente incluye los siguientes pasos clave: recolección de datos y preprocesamiento de datos, selección y ajuste del modelo, entrenamiento y razonamiento del modelo. Como un ejemplo simple, para desarrollar un modelo que clasifique imágenes de gatos y perros, necesitas:

1. Recolección de datos y preprocesamiento de datos: recolectar un conjunto de datos de imágenes que contenga gatos y perros, se puede utilizar un conjunto de datos público o recolectar datos reales por cuenta propia. Luego, etiquetar cada imagen con la categoría ( gato o perro ), asegurándose de que las etiquetas sean precisas. Convertir las imágenes a un formato que el modelo pueda reconocer, dividir el conjunto de datos en conjunto de entrenamiento, conjunto de validación y conjunto de prueba.

2. Selección y ajuste del modelo: elegir el modelo adecuado, como las redes neuronales convolucionales (CNN), que son más adecuadas para tareas de clasificación de imágenes. Ajustar los parámetros o la arquitectura del modelo según las diferentes necesidades, en general, los niveles de red del modelo se pueden ajustar según la complejidad de la tarea de IA. En este simple ejemplo de clasificación, una red de niveles más superficiales puede ser suficiente.

3. 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 cálculo.

4. Inferencia del modelo: El archivo que contiene el modelo entrenado generalmente se llama pesos 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 usar un conjunto de pruebas o nuevos datos para evaluar la efectividad de clasificación del modelo, comúnmente utilizando métricas como precisión, tasa de recuperación, puntuación F1, entre otros, para evaluar la efectividad del modelo.

Como se muestra en la figura, después de la recopilación de datos y el preprocesamiento de datos, la selección y ajuste del modelo, y el entrenamiento, al realizar inferencia con el modelo entrenado en el conjunto de prueba se obtendrán los valores de predicción de gato y perro 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 realizar 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 pueden subir imágenes de gatos o perros y obtener resultados de clasificación.

Sin embargo, el proceso de desarrollo de IA centralizada presenta algunos problemas en los siguientes escenarios:

Privacidad del usuario: En un escenario centralizado, el proceso de desarrollo de la IA suele ser opaco. Los datos del usuario pueden ser robados sin su conocimiento y utilizados para el entrenamiento de la IA.

Obtención de fuentes de datos: equipos pequeños o individuos que obtienen datos en campos específicos (, como datos médicos ), pueden enfrentar limitaciones por la falta de apertura de los datos.

Selección y ajuste del modelo: para equipos pequeños, es difícil obtener recursos de modelo específicos 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 coincidan con su esfuerzo, y los resultados de investigación de los desarrolladores de IA también son difíciles de coincidir con compradores que tienen demanda.

Los desafíos existentes en el escenario de la IA centralizada pueden abordarse combinándolos con Web3. Web3, como una nueva forma de relación de producción, se adapta de manera natural a la IA, que representa una nueva productividad, lo que impulsa el avance simultáneo de la tecnología y las capacidades productivas.

1.3 Efecto de sinergia entre Web3 y AI: cambio de roles y aplicaciones innovadoras

La combinación de Web3 y AI puede reforzar la soberanía del usuario, proporcionando una plataforma de colaboración AI abierta para los usuarios, permitiendo que los usuarios pasen de ser consumidores de AI en la era Web2 a participantes, creando una AI que todos puedan poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología AI también puede generar más escenarios de aplicación innovadores y formas de jugar.

Basado en la tecnología Web3, el desarrollo y la aplicación de la IA darán paso a un nuevo sistema económico de colaboración. La privacidad de los datos de las personas puede ser protegida, el modelo de datos en modo crowdfunding promueve el progreso de los modelos de IA, y numerosos recursos de IA de código abierto están disponibles para los usuarios, mientras que la potencia compartida se puede obtener a un costo relativamente bajo. 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 incentivará a más personas a impulsar el progreso de la tecnología de IA.

En el escenario de Web3, la IA puede tener un impacto positivo en múltiples áreas. Por ejemplo, los modelos de IA pueden integrarse en contratos inteligentes para mejorar la eficiencia laboral en diferentes escenarios de aplicación, como análisis de mercado, detección de seguridad, agrupación social y diversas otras 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 escenas de juego variadas y experiencias interactivas interesantes en GameFi. Una infraestructura rica proporciona una experiencia de desarrollo fluida, donde tanto los expertos en IA como los novatos que desean ingresar al campo de la IA pueden encontrar una entrada adecuada en este mundo.

Dos, Interpretación del Mapa y la Estructura del Proyecto Ecología Web3-AI

Principalmente investigamos 41 proyectos en la pista Web3-AI y clasificamos estos proyectos en diferentes niveles. La lógica de clasificación de cada nivel se muestra en la siguiente imagen, que incluye la capa de infraestructura, la capa intermedia y la capa de aplicación, cada una de las cuales se divide en diferentes secciones. En el siguiente capítulo, realizaremos un análisis profundo de algunos proyectos representativos.

La capa de infraestructura abarca los recursos de computación y la arquitectura tecnológica que soportan el funcionamiento de todo el ciclo de vida de la IA, la capa intermedia incluye la gestión de datos, el desarrollo de modelos y los servicios de inferencia de 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. En este artículo, se clasifican 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, presentando 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 computacionales. Algunos proyectos han ofrecido un mercado de potencia de cálculo descentralizada, donde los usuarios pueden alquilar potencia a bajo costo o compartir potencia para obtener ganancias, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevas formas de interacción, como Compute Labs, que han propuesto un protocolo tokenizado, donde los usuarios pueden participar en el alquiler de potencia de diferentes maneras mediante la compra de 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 la cadena, promoviendo el desarrollo del ecosistema industrial. El mercado de IA descentralizado en la cadena puede comerciar activos de IA como datos, modelos, agentes, etc., y ofrece un marco de desarrollo de IA y herramientas de desarrollo complementarias, con proyectos representativos como Sahara AI. AI Chain también puede promover el avance de la tecnología de IA en diferentes campos, como Bittensor, que fomenta la competencia entre subredes de diferentes tipos de IA a través de un innovador mecanismo de incentivos de subredes.

• Plataforma de desarrollo: Algunos proyectos ofrecen plataformas de desarrollo de agentes de IA, que también permiten realizar transacciones con agentes de IA, como Fetch.ai y ChainML. Herramientas integrales ayudan a los desarrolladores a crear, entrenar y desplegar modelos de IA de manera más conveniente, representados por proyectos como Nimble. Esta infraestructura fomenta la amplia aplicación de la tecnología de IA en el ecosistema Web3.

Capa intermedia:

Esta capa implica datos de IA, modelos y razonamiento y verificación, utilizando tecnología Web3 se puede lograr una mayor eficiencia laboral.

• Datos: La calidad y cantidad de los datos son factores clave que afectan la efectividad del entrenamiento del modelo. En el mundo Web3, mediante datos crowdsourced y procesamiento colaborativo de datos, se puede optimizar la utilización de recursos y reducir los costos de datos. Los usuarios pueden tener autonomía sobre sus datos, vendiendo los suyos bajo condiciones de protección de la privacidad, para evitar que los datos sean robados y utilizados por comerciantes deshonestos para obtener grandes beneficios. Para los demandantes de datos, estas plataformas ofrecen una amplia gama de opciones y costos extremadamente bajos. Proyectos representativos como Grass utilizan el ancho de banda de los usuarios para recopilar datos de la web, xData recoge información de medios a través de un complemento fácil de usar y apoya a los usuarios para subir información sobre tweets.

Además, algunas plataformas permiten que expertos en el campo o usuarios comunes realicen tareas de preprocesamiento de datos, como la etiquetación de imágenes y la clasificación de datos. Estas tareas pueden requerir conocimientos especializados en el procesamiento de datos financieros y legales. Los usuarios pueden tokenizar sus habilidades y lograr la colaboración en la externalización del preprocesamiento de datos. Ejemplos como el mercado de IA Sahara AI tienen tareas de datos en diferentes campos, que pueden cubrir escenarios de datos de múltiples dominios; mientras que el Protocolo AIT etiqueta datos a través de un enfoque de colaboración entre humanos y máquinas.

• Modelo: En el proceso de desarrollo de IA mencionado anteriormente, diferentes tipos de demandas requieren la asignación de un modelo adecuado. Modelos comúnmente utilizados para tareas de imagen como CNN, GAN; para tareas de detección de objetos se puede elegir la serie Yolo; para tareas de texto, los modelos comunes son RNN, Transformer, entre otros, por supuesto, también hay algunos modelos grandes específicos o generales. La profundidad del modelo necesaria varía según la complejidad de la tarea, y a veces es necesario ajustar el modelo.

Algunos proyectos permiten a los usuarios proporcionar diferentes tipos de modelos o colaborar en el entrenamiento de modelos a través de la 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 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: Una vez que el modelo ha sido entrenado, generará un archivo de pesos del modelo que se puede utilizar para realizar clasificación, predicciones u otras tareas específicas; a este proceso se le llama inferencia. El proceso de inferencia generalmente va acompañado de un mecanismo de verificación para validar si la fuente del modelo de inferencia es correcta o si hay comportamientos maliciosos, etc. La inferencia en Web3 generalmente se puede integrar en contratos inteligentes, realizando llamadas al modelo para llevar a cabo la 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 una capa verificable para los oráculos de IA, y en el sitio web oficial de ORA también mencionan su investigación sobre ZKML y la combinación de opp/ai( con OPML).

Capa de aplicación:

Esta capa está principalmente orientada a aplicaciones de usuario, combinando AI con Web3 para crear más formas interesantes e innovadoras de jugar. Este artículo se centra en revisar los proyectos de AIGC(, contenido generado por AI), agentes de AI y análisis de datos.

• AIGC: A través de AIGC se puede expandir a las áreas de NFT, juegos y más en Web3. Los usuarios pueden generar texto, imágenes y audio directamente a través de Prompt(, las palabras clave proporcionadas por el usuario), e incluso pueden crear modos de juego personalizados en función de sus preferencias. Proyectos de NFT como NFPrompt, los usuarios pueden generar NFT mediante IA para comerciar en el mercado; juegos como Sleepless, los usuarios moldean la personalidad de compañeros virtuales a través de diálogos para que coincidan con sus gustos;

• Agente de IA: se refiere a sistemas de inteligencia artificial que pueden ejecutar tareas de forma autónoma y tomar decisiones. Los agentes de IA suelen tener la capacidad de percibir, razonar, aprender y actuar, y pueden ejecutar tareas complejas en diversos entornos. Los agentes de IA comunes incluyen la traducción de idiomas, el aprendizaje de idiomas,