Informe panorámico sobre la pista Web3-AI: análisis en profundidad de la lógica técnica, aplicaciones en escenarios y proyectos de primer nivel.
Con el continuo aumento del interés en la narrativa de IA, cada vez más atención se centra en este campo. Se ha realizado un análisis profundo de la lógica técnica, los escenarios de aplicación y los proyectos representativos en el ámbito de Web3-AI, presentándole una visión completa de este campo y sus tendencias de desarrollo.
Uno, Web3-AI: Análisis de la lógica técnica y oportunidades de mercado emergentes
1.1 La lógica de la fusión entre Web3 y AI: ¿cómo definir la pista Web-AI?
En el último año, la narrativa de IA ha estado excepcionalmente en auge en la industria de Web3, con proyectos de IA surgiendo como champiñones 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 tanto, estos proyectos no se incluyen en la discusión de proyectos Web3-AI en este artículo.
El enfoque de este artículo está en utilizar blockchain para resolver problemas de relaciones de producción y proyectos que utilizan IA para abordar problemas de productividad. Estos proyectos ofrecen productos de IA y, al mismo tiempo, se basan en modelos económicos Web3 como herramientas de relaciones de producción, complementándose entre sí. Clasificamos estos proyectos en la categoría de Web3-AI. Para que los lectores comprendan mejor la categoría Web3-AI, se detallará el proceso de desarrollo de la IA y los desafíos, así como cómo la combinación de Web3 y IA puede resolver problemas de manera perfecta y crear nuevos escenarios de aplicación.
1.2 El proceso de desarrollo de la IA y sus desafíos: 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. Esto permite 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 e inferencia del modelo. Por ejemplo, para desarrollar un modelo que clasifique imágenes de gatos y perros, necesitarás:
Recolección de datos y preprocesamiento de datos: recopila un conjunto de datos de imágenes que contengan gatos y perros, pudiendo usar conjuntos de datos públicos o recolectar datos reales por tu cuenta. Luego, etiqueta cada imagen con su categoría (gato o perro), asegurándote de que las etiquetas sean precisas. Convierte las imágenes a un formato que el modelo pueda reconocer y divide el conjunto de datos en un conjunto de entrenamiento, un conjunto de validación y un conjunto de prueba.
Selección y ajuste del modelo: elegir un 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; generalmente, 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 con niveles más superficiales puede ser suficiente.
Entrenamiento del modelo: se puede utilizar GPU, TPU o un clúster de computación de alto rendimiento para entrenar el modelo, y el tiempo de entrenamiento está influenciado por la complejidad del modelo y la capacidad de cálculo.
Inferencia del modelo: El archivo del modelo entrenado se suele llamar pesos del modelo, y el proceso de inferencia se refiere al uso de un modelo ya entrenado para realizar predicciones o clasificaciones sobre nuevos datos. En este proceso, se puede utilizar un conjunto de pruebas o nuevos datos para evaluar el rendimiento del modelo en la clasificación, generalmente utilizando métricas como la precisión, la tasa de recuperación y el F1-score para evaluar la efectividad del modelo.
Como se muestra en la imagen, después de la recopilación de datos y el preprocesamiento de datos, la selección y ajuste de modelos, así como el entrenamiento, realizar la inferencia del modelo entrenado en el conjunto de prueba dará como resultado los valores de predicción de 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 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 suben imágenes de gatos o perros y obtienen resultados de clasificación.
Sin embargo, el proceso de desarrollo de IA centralizado presenta algunos problemas en los siguientes escenarios:
Privacidad del usuario: en un escenario centralizado, el proceso de desarrollo de IA suele ser opaco. Los datos del usuario pueden ser robados sin su conocimiento y utilizados para el entrenamiento de IA.
Obtención de fuentes de datos: los equipos pequeños o individuos pueden enfrentar restricciones de no ser de código abierto al obtener datos en campos específicos (como datos médicos).
Selección y ajuste de modelos: para equipos pequeños, es difícil obtener recursos de modelos en dominios específicos o gastar grandes costos en el ajuste de modelos.
Obtención de potencia de cálculo: para desarrolladores individuales y equipos pequeños, el alto costo 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 los compradores que tienen demanda.
Los desafíos existentes en el escenario de la IA centralizada pueden ser abordados mediante la combinación con Web3, que, como una nueva relación de producción, se adapta de forma natural a la IA, que representa una nueva productividad, promoviendo así el avance simultáneo de la tecnología y la capacidad de producción.
1.3 Sinergia entre Web3 y la IA: Cambios de rol y aplicaciones innovadoras
La combinación de Web3 y AI puede fortalecer la soberanía del usuario, proporcionando a los usuarios una plataforma de colaboración de AI abierta, permitiendo que los usuarios pasen de ser usuarios de AI en la era Web2 a participar, creando una AI que todos puedan poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología AI también puede generar más escenarios y formas de aplicación innovadoras.
Basado en la tecnología Web3, el desarrollo y la aplicación de la IA darán lugar a un nuevo sistema económico colaborativo. La privacidad de los datos de las personas puede ser garantizada, el modelo de datos colaborativos promueve el avance de los modelos de IA, y numerosos recursos de IA de código abierto están disponibles para los usuarios, con capacidad compartida que se puede obtener a un costo relativamente bajo. Con la ayuda de un mecanismo de colaboración descentralizado y un mercado abierto de IA, se puede lograr un sistema de distribución de ingresos justo, lo que incentivará a más personas a impulsar el avance 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, agrupamiento social y muchas otras funciones. La IA generativa no solo permite a los usuarios experimentar el papel de "artista", como crear su propio NFT utilizando tecnología de IA, sino que también puede crear escenarios de juego variados y experiencias interactivas interesantes en los juegos. Una infraestructura rica proporciona una experiencia de desarrollo fluida, donde tanto los expertos en IA como los principiantes que desean ingresar al campo de la IA pueden encontrar la entrada adecuada en este mundo.
II. Mapa y análisis de la arquitectura del proyecto ecosistema Web3-AI
Hemos investigado principalmente 41 proyectos en el ámbito de Web3-AI y hemos clasificado 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 computacionales y la arquitectura técnica 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 verificación que conectan la infraestructura con las aplicaciones, y la capa de aplicación se centra en diversas aplicaciones y soluciones directamente orientadas al usuario.
Capa de infraestructura:
La capa de infraestructura es la base del ciclo de vida de la IA. En este artículo, se clasifican la capacidad de cómputo, AI Chain y la plataforma de desarrollo como parte de la capa de infraestructura. Es gracias al soporte de estas infraestructuras que se puede llevar a cabo el entrenamiento e inferencia de modelos de IA, presentando a los usuarios aplicaciones de IA potentes y prácticas.
Red de computación descentralizada: puede proporcionar potencia de cálculo distribuida para el entrenamiento de modelos de IA, asegurando una utilización eficiente y económica de los recursos de cálculo. Algunos proyectos han ofrecido un mercado de potencia de cálculo descentralizado, donde los usuarios pueden alquilar potencia de cálculo a bajo costo o compartirla para obtener ganancias, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevos enfoques, como Compute Labs, que propusieron un protocolo tokenizado, donde los usuarios pueden participar en el alquiler de potencia de cálculo de diferentes maneras mediante la compra de NFT que representan entidades de GPU.
AI Chain: Utiliza la blockchain como base del ciclo de vida de la IA, logrando una interacción sin fisuras entre los recursos de IA en línea y fuera de línea, promoviendo el desarrollo del ecosistema de la industria. 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, representado por proyectos 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 diferentes tipos de subredes 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 integrales ayudan a los desarrolladores a crear, entrenar y desplegar modelos de IA de manera más conveniente, representados por proyectos como Nimble. Esta infraestructura promueve la amplia aplicación de la tecnología de IA en el ecosistema Web3.
Capa intermedia:
Este nivel involucra datos de IA, modelos, así como inferencia y validación; utilizando tecnología Web3 se puede lograr una mayor eficiencia en el 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 autonomía sobre sus datos y venderlos bajo la protección de la privacidad, para evitar que comerciantes deshonestos los roben y obtengan grandes beneficios. Para las partes que requieren 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 recopilar datos de la Web, xData recoge información de medios a través de un plugin amigable para el usuario y apoya la carga de información de tweets por parte de los usuarios.
Además, algunas plataformas permiten a expertos en el campo o a usuarios comunes realizar tareas de preprocesamiento de datos, como etiquetado de imágenes y clasificación de datos, que pueden requerir conocimientos especializados en tareas de procesamiento de datos financieros y legales. Los usuarios pueden tokenizar sus habilidades para lograr la colaboración en la externalización del preprocesamiento de datos. Ejemplos como el mercado de IA de Sahara AI, que abarca tareas de datos en diferentes campos, pueden cubrir escenarios de datos multidisciplinarios; mientras que el Protocolo AIT etiqueta datos a través de una colaboración humano-máquina.
Modelo: En el proceso de desarrollo de IA mencionado anteriormente, diferentes tipos de necesidades requieren la coincidencia con el modelo adecuado. Modelos comúnmente utilizados para tareas de imágenes como CNN, GAN; para tareas de detección de objetos se puede elegir la serie Yolo; para tareas de texto, modelos comunes incluyen RNN, Transformer, entre otros, y 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 en 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 un archivo de pesos del modelo que se puede utilizar para realizar clasificación, predicciones u otras tareas específicas, este proceso se 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, 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 la inferencia, los métodos de verificación comunes incluyen tecnologías como ZKML, OPML y TEE. Proyectos representativos como el oráculo de IA en cadena de ORA (OAO) han introducido OPML como la capa verificable del oráculo de IA, en el sitio web oficial de ORA también mencionaron su investigación sobre ZKML y opp/ai (ZKML combinado con OPML).
Capa de aplicación:
Esta capa está principalmente dirigida a aplicaciones de usuario, combinando la IA con Web3 para crear más cosas interesantes e innovadoras.
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.
7 me gusta
Recompensa
7
3
Compartir
Comentar
0/400
TokenUnlocker
· hace12h
¿Cuándo terminarán la especulación y la subida repentina de conceptos?
Ver originalesResponder0
Layer3Dreamer
· hace12h
teóricamente hablando, el potencial del zk-bridge aquí está severamente subexplorado...
Ver originalesResponder0
DAOTruant
· hace12h
Ay, hay un montón de proyectos de mala calidad, todos están tomando a la gente por tonta.
Panorama de la pista Web3-AI: Análisis profundo de la fusión tecnológica y aplicaciones innovadoras
Informe panorámico sobre la pista Web3-AI: análisis en profundidad de la lógica técnica, aplicaciones en escenarios y proyectos de primer nivel.
Con el continuo aumento del interés en la narrativa de IA, cada vez más atención se centra en este campo. Se ha realizado un análisis profundo de la lógica técnica, los escenarios de aplicación y los proyectos representativos en el ámbito de Web3-AI, presentándole una visión completa de este campo y sus tendencias de desarrollo.
Uno, Web3-AI: Análisis de la lógica técnica y oportunidades de mercado emergentes
1.1 La lógica de la fusión entre Web3 y AI: ¿cómo definir la pista Web-AI?
En el último año, la narrativa de IA ha estado excepcionalmente en auge en la industria de Web3, con proyectos de IA surgiendo como champiñones 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 tanto, estos proyectos no se incluyen en la discusión de proyectos Web3-AI en este artículo.
El enfoque de este artículo está en utilizar blockchain para resolver problemas de relaciones de producción y proyectos que utilizan IA para abordar problemas de productividad. Estos proyectos ofrecen productos de IA y, al mismo tiempo, se basan en modelos económicos Web3 como herramientas de relaciones de producción, complementándose entre sí. Clasificamos estos proyectos en la categoría de Web3-AI. Para que los lectores comprendan mejor la categoría Web3-AI, se detallará el proceso de desarrollo de la IA y los desafíos, así como cómo la combinación de Web3 y IA puede resolver problemas de manera perfecta y crear nuevos escenarios de aplicación.
1.2 El proceso de desarrollo de la IA y sus desafíos: 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. Esto permite 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 e inferencia del modelo. Por ejemplo, para desarrollar un modelo que clasifique imágenes de gatos y perros, necesitarás:
Recolección de datos y preprocesamiento de datos: recopila un conjunto de datos de imágenes que contengan gatos y perros, pudiendo usar conjuntos de datos públicos o recolectar datos reales por tu cuenta. Luego, etiqueta cada imagen con su categoría (gato o perro), asegurándote de que las etiquetas sean precisas. Convierte las imágenes a un formato que el modelo pueda reconocer y divide el conjunto de datos en un conjunto de entrenamiento, un conjunto de validación y un conjunto de prueba.
Selección y ajuste del modelo: elegir un 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; generalmente, 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 con niveles más superficiales puede ser suficiente.
Entrenamiento del modelo: se puede utilizar GPU, TPU o un clúster de computación de alto rendimiento para entrenar el modelo, y el tiempo de entrenamiento está influenciado por la complejidad del modelo y la capacidad de cálculo.
Inferencia del modelo: El archivo del modelo entrenado se suele llamar pesos del modelo, y el proceso de inferencia se refiere al uso de un modelo ya entrenado para realizar predicciones o clasificaciones sobre nuevos datos. En este proceso, se puede utilizar un conjunto de pruebas o nuevos datos para evaluar el rendimiento del modelo en la clasificación, generalmente utilizando métricas como la precisión, la tasa de recuperación y el F1-score para evaluar la efectividad del modelo.
Como se muestra en la imagen, después de la recopilación de datos y el preprocesamiento de datos, la selección y ajuste de modelos, así como el entrenamiento, realizar la inferencia del modelo entrenado en el conjunto de prueba dará como resultado los valores de predicción de 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 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 suben imágenes de gatos o perros y obtienen resultados de clasificación.
Sin embargo, el proceso de desarrollo de IA centralizado presenta algunos problemas en los siguientes escenarios:
Privacidad del usuario: en un escenario centralizado, el proceso de desarrollo de IA suele ser opaco. Los datos del usuario pueden ser robados sin su conocimiento y utilizados para el entrenamiento de IA.
Obtención de fuentes de datos: los equipos pequeños o individuos pueden enfrentar restricciones de no ser de código abierto al obtener datos en campos específicos (como datos médicos).
Selección y ajuste de modelos: para equipos pequeños, es difícil obtener recursos de modelos en dominios específicos o gastar grandes costos en el ajuste de modelos.
Obtención de potencia de cálculo: para desarrolladores individuales y equipos pequeños, el alto costo 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 los compradores que tienen demanda.
Los desafíos existentes en el escenario de la IA centralizada pueden ser abordados mediante la combinación con Web3, que, como una nueva relación de producción, se adapta de forma natural a la IA, que representa una nueva productividad, promoviendo así el avance simultáneo de la tecnología y la capacidad de producción.
1.3 Sinergia entre Web3 y la IA: Cambios de rol y aplicaciones innovadoras
La combinación de Web3 y AI puede fortalecer la soberanía del usuario, proporcionando a los usuarios una plataforma de colaboración de AI abierta, permitiendo que los usuarios pasen de ser usuarios de AI en la era Web2 a participar, creando una AI que todos puedan poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología AI también puede generar más escenarios y formas de aplicación innovadoras.
Basado en la tecnología Web3, el desarrollo y la aplicación de la IA darán lugar a un nuevo sistema económico colaborativo. La privacidad de los datos de las personas puede ser garantizada, el modelo de datos colaborativos promueve el avance de los modelos de IA, y numerosos recursos de IA de código abierto están disponibles para los usuarios, con capacidad compartida que se puede obtener a un costo relativamente bajo. Con la ayuda de un mecanismo de colaboración descentralizado y un mercado abierto de IA, se puede lograr un sistema de distribución de ingresos justo, lo que incentivará a más personas a impulsar el avance 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, agrupamiento social y muchas otras funciones. La IA generativa no solo permite a los usuarios experimentar el papel de "artista", como crear su propio NFT utilizando tecnología de IA, sino que también puede crear escenarios de juego variados y experiencias interactivas interesantes en los juegos. Una infraestructura rica proporciona una experiencia de desarrollo fluida, donde tanto los expertos en IA como los principiantes que desean ingresar al campo de la IA pueden encontrar la entrada adecuada en este mundo.
II. Mapa y análisis de la arquitectura del proyecto ecosistema Web3-AI
Hemos investigado principalmente 41 proyectos en el ámbito de Web3-AI y hemos clasificado 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 computacionales y la arquitectura técnica 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 verificación que conectan la infraestructura con las aplicaciones, y la capa de aplicación se centra en diversas aplicaciones y soluciones directamente orientadas al usuario.
Capa de infraestructura:
La capa de infraestructura es la base del ciclo de vida de la IA. En este artículo, se clasifican la capacidad de cómputo, AI Chain y la plataforma de desarrollo como parte de la capa de infraestructura. Es gracias al soporte de estas infraestructuras que se puede llevar a cabo el entrenamiento e inferencia de modelos de IA, presentando a los usuarios aplicaciones de IA potentes y prácticas.
Red de computación descentralizada: puede proporcionar potencia de cálculo distribuida para el entrenamiento de modelos de IA, asegurando una utilización eficiente y económica de los recursos de cálculo. Algunos proyectos han ofrecido un mercado de potencia de cálculo descentralizado, donde los usuarios pueden alquilar potencia de cálculo a bajo costo o compartirla para obtener ganancias, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevos enfoques, como Compute Labs, que propusieron un protocolo tokenizado, donde los usuarios pueden participar en el alquiler de potencia de cálculo de diferentes maneras mediante la compra de NFT que representan entidades de GPU.
AI Chain: Utiliza la blockchain como base del ciclo de vida de la IA, logrando una interacción sin fisuras entre los recursos de IA en línea y fuera de línea, promoviendo el desarrollo del ecosistema de la industria. 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, representado por proyectos 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 diferentes tipos de subredes 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 integrales ayudan a los desarrolladores a crear, entrenar y desplegar modelos de IA de manera más conveniente, representados por proyectos como Nimble. Esta infraestructura promueve la amplia aplicación de la tecnología de IA en el ecosistema Web3.
Capa intermedia:
Este nivel involucra datos de IA, modelos, así como inferencia y validación; utilizando tecnología Web3 se puede lograr una mayor eficiencia en el trabajo.
Además, algunas plataformas permiten a expertos en el campo o a usuarios comunes realizar tareas de preprocesamiento de datos, como etiquetado de imágenes y clasificación de datos, que pueden requerir conocimientos especializados en tareas de procesamiento de datos financieros y legales. Los usuarios pueden tokenizar sus habilidades para lograr la colaboración en la externalización del preprocesamiento de datos. Ejemplos como el mercado de IA de Sahara AI, que abarca tareas de datos en diferentes campos, pueden cubrir escenarios de datos multidisciplinarios; mientras que el Protocolo AIT etiqueta datos a través de una 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 en 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 la IA con Web3 para crear más cosas interesantes e innovadoras.