Informe panorámico sobre el sector Web3-AI: análisis profundo 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 del campo Web3-AI, presentando de manera integral el panorama y las tendencias de desarrollo en este ámbito.
Uno, Web3-AI: Análisis de la lógica técnica y las oportunidades en mercados emergentes
1.1 Lógica de fusión entre Web3 y AI: cómo definir la pista Web-AI
En el último año, la narrativa de IA ha sido excepcionalmente popular en la industria de Web3, con proyectos de IA surgiendo como setas después de la lluvia. Aunque hay muchos proyectos que involucran tecnología de IA, algunos 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 tales proyectos no se incluyen en la discusión de proyectos Web3-AI en este artículo.
El enfoque de este artículo está en los proyectos que utilizan blockchain para resolver problemas de relaciones de producción y AI para resolver problemas de productividad. Estos proyectos ofrecen productos de AI y, al mismo tiempo, se basan en un modelo económico Web3 como herramienta para las relaciones de producción, siendo ambos complementarios. Clasificamos estos proyectos como la pista Web3-AI. Para ayudar a los lectores a comprender mejor la pista Web3-AI, se presentará una introducción al proceso de desarrollo y los desafíos de AI, 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 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, expandir 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, la conducción autónoma y otros escenarios de aplicación, 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. Para dar un ejemplo simple, al desarrollar un modelo para clasificar imágenes de gatos y perros, necesitarás:
Recopilación de datos y preprocesamiento de datos: Recopila un conjunto de datos de imágenes que contengan gatos y perros, puedes utilizar conjuntos de datos públicos o recopilar datos reales por ti mismo. 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: elige el modelo adecuado, como las redes neuronales convolucionales (CNN), que son más adecuadas para tareas de clasificación de imágenes. Ajusta los parámetros o la arquitectura del modelo según las diferentes necesidades; en general, los niveles de la 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 podría 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 se ve afectado por la complejidad del modelo y la capacidad de cálculo.
Inferencia del modelo: El archivo del modelo entrenado se suele denominar pesos del modelo, y el proceso de inferencia se refiere a 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 el rendimiento de clasificación del modelo, 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 figura, después de la recolección de datos y el preprocesamiento de datos, la selección y ajuste del modelo, y el entrenamiento, se realizará la inferencia del modelo entrenado en el conjunto de prueba, lo que dará como resultado los valores de predicción P (probabilidad) para gatos y perros, 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 caso, el modelo de IA para clasificar gatos y perros se puede integrar en una aplicación móvil, donde los usuarios suben imágenes de gatos o perros y pueden obtener 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 pequeños equipos o individuos al obtener datos en campos específicos (como datos médicos) pueden enfrentar limitaciones debido a la falta de código abierto de los datos.
Selección y ajuste de modelos: para equipos pequeños, es difícil obtener recursos de modelos específicos de dominio o gastar grandes costos en el ajuste de modelos.
Obtención de poder de cómputo: para desarrolladores individuales y equipos pequeños, el alto costo de compra de GPU y las tarifas de alquiler de poder de cómputo 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 investigación de los desarrolladores de IA también tienen dificultades para 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. Web3, como una nueva relación de producción, se adapta de forma natural a la IA, que representa una nueva productividad, impulsando así el progreso simultáneo de la tecnología y la capacidad de producción.
1.3 La sinergia entre Web3 y AI: Cambio de roles y aplicaciones innovadoras
La combinación de Web3 y AI puede aumentar la soberanía del usuario, proporcionando una plataforma de colaboración de AI abierta que transforma a los usuarios de la era Web2 de meros consumidores de AI 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 juego.
Basado en la tecnología Web3, el desarrollo y la aplicación de la IA dará lugar a un nuevo sistema económico colaborativo. La privacidad de los datos de las personas puede ser garantizada, el modelo de crowdsourcing de datos fomenta el avance de los modelos de IA, y numerosos recursos de IA de código abierto están disponibles para los usuarios. La potencia de cálculo compartida se puede obtener a un costo más bajo. Gracias a un mecanismo de colaboración y crowdsourcing descentralizado y a un mercado de IA abierto, se puede lograr un sistema de distribución de ingresos justo, incentivando así a más personas a impulsar el avance de la tecnología de IA.
En el escenario Web3, la IA puede tener un impacto positivo en múltiples campos. 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 muchas otras funciones. La IA generativa no solo permite a los usuarios experimentar el rol de "artista", como crear su propio NFT utilizando tecnología de IA, sino que también puede crear escenarios de juego ricos y diversos 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 quieren ingresar al campo de la IA pueden encontrar la entrada adecuada en este mundo.
Dos, interpretación del mapa y la arquitectura del proyecto ecológico 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, 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 siguiente capítulo, realizaremos un análisis profundo de algunos proyectos representativos.
La capa de infraestructura abarca los recursos de computación y la arquitectura técnica que apoyan la ejecución de todo el ciclo de vida de la IA, mientras que 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. 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 una utilización eficiente y económica 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 ganancias, proyectos representativos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevos enfoques, como Compute Labs, que propone un protocolo de tokenización, 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 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 de IA descentralizado 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, representado por proyectos como Sahara AI. AI Chain también puede fomentar el progreso tecnológico en 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 todo en uno 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 la tecnología Web3 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 de Web3, a través de datos colaborativos y procesamiento de datos colaborativo, se puede optimizar la utilización de recursos y reducir los costos de datos. Los usuarios pueden tener soberanía sobre sus datos, vendiendo su información de forma privada para evitar que comerciantes deshonestos la roben y obtengan altas ganancias. 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 capturar 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 a usuarios comunes realizar tareas de preprocesamiento de datos, como la etiquetación 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, logrando una colaboración en la externalización de la preprocesamiento de datos. Representando como el mercado AI de Sahara, que tiene tareas de datos en diferentes campos, puede abarcar escenarios de datos de múltiples dominios; mientras que AIT Protocolt realiza la etiquetación de 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. Para tareas de imagen, los modelos comúnmente utilizados son CNN y GAN; para tareas de detección de objetos se puede elegir la serie Yolo; para tareas de texto, los modelos comunes son RNN y Transformer, y por supuesto, también existen algunos modelos grandes específicos o generales. La profundidad del modelo necesaria para tareas de diferentes complejidades también varía, 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 mediante 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 avanzados de IA y un marco 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 clasificaciones, predicciones u otras tareas específicas; este proceso se denomina inferencia. El proceso de inferencia generalmente va acompañado de mecanismos de verificación para validar si el origen del modelo de inferencia es correcto y si hay comportamientos maliciosos, etc. La inferencia en Web3 a menudo se puede integrar en contratos inteligentes, llamando al 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 la cadena ORA (OAO) han introducido OPML como una capa verificable para el oráculo de IA, y en el sitio web de ORA también se menciona su investigación sobre ZKML y opp/ai (ZKML combinado con OPML).
Capa de aplicación:
Esta capa se dirige principalmente a aplicaciones orientadas al usuario, combinando IA con Web3 para crear más formas interesantes e innovadoras de jugar. Este artículo se centra en organizar proyectos en varias áreas, incluidos AIGC (Contenido Generado por IA), Agentes de IA y Análisis de Datos.
AIGC: A través de AIGC se puede expandir a las áreas de NFT, juegos, etc. 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 estilos de juego personalizados en los juegos según sus preferencias. Proyectos NFT como NFPrompt, los usuarios pueden generar NFT a través de AI para comerciar en el mercado; juegos como Sleepless, los usuarios moldean la personalidad de sus compañeros virtuales a través de diálogos para que coincidan con sus preferencias;
Agente de IA: se refiere a sistemas de inteligencia artificial que pueden ejecutar tareas de manera autónoma y tomar decisiones. Los agentes de IA suelen tener capacidades de percepción, razonamiento, aprendizaje y acción, y pueden realizar tareas complejas en diversos entornos. Un agente de IA común es la traducción de lenguajes.
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.
10 me gusta
Recompensa
10
6
Republicar
Compartir
Comentar
0/400
BearMarketBuilder
· hace6h
Después de haber sido optimista, finalmente me he vuelto pesimista.
Ver originalesResponder0
HodlNerd
· hace6h
fascinante correlación entre ciclos de IA y fases de acumulación de cripto... tengo que analizar esto más a fondo
Ver originalesResponder0
DataBartender
· hace6h
Otra vez ha llegado un año de Ser engañados.
Ver originalesResponder0
GateUser-74b10196
· hace6h
Otra vez están engañando con el concepto para tomar a la gente por tonta.
Ver originalesResponder0
SatoshiChallenger
· hace6h
Otra ola de publicidad para tomar a la gente por tonta.
Ver originalesResponder0
ConsensusDissenter
· hace7h
Nuevamente se está especulando sobre el concepto de ai web3.
Web3-AI panorama: análisis profundo de la lógica técnica, los escenarios de aplicación y los principales proyectos.
Informe panorámico sobre el sector Web3-AI: análisis profundo 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 del campo Web3-AI, presentando de manera integral el panorama y las tendencias de desarrollo en este ámbito.
Uno, Web3-AI: Análisis de la lógica técnica y las oportunidades en mercados emergentes
1.1 Lógica de fusión entre Web3 y AI: cómo definir la pista Web-AI
En el último año, la narrativa de IA ha sido excepcionalmente popular en la industria de Web3, con proyectos de IA surgiendo como setas después de la lluvia. Aunque hay muchos proyectos que involucran tecnología de IA, algunos 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 tales proyectos no se incluyen en la discusión de proyectos Web3-AI en este artículo.
El enfoque de este artículo está en los proyectos que utilizan blockchain para resolver problemas de relaciones de producción y AI para resolver problemas de productividad. Estos proyectos ofrecen productos de AI y, al mismo tiempo, se basan en un modelo económico Web3 como herramienta para las relaciones de producción, siendo ambos complementarios. Clasificamos estos proyectos como la pista Web3-AI. Para ayudar a los lectores a comprender mejor la pista Web3-AI, se presentará una introducción al proceso de desarrollo y los desafíos de AI, 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 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, expandir 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, la conducción autónoma y otros escenarios de aplicación, 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. Para dar un ejemplo simple, al desarrollar un modelo para clasificar imágenes de gatos y perros, necesitarás:
Recopilación de datos y preprocesamiento de datos: Recopila un conjunto de datos de imágenes que contengan gatos y perros, puedes utilizar conjuntos de datos públicos o recopilar datos reales por ti mismo. 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: elige el modelo adecuado, como las redes neuronales convolucionales (CNN), que son más adecuadas para tareas de clasificación de imágenes. Ajusta los parámetros o la arquitectura del modelo según las diferentes necesidades; en general, los niveles de la 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 podría 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 se ve afectado por la complejidad del modelo y la capacidad de cálculo.
Inferencia del modelo: El archivo del modelo entrenado se suele denominar pesos del modelo, y el proceso de inferencia se refiere a 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 el rendimiento de clasificación del modelo, 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 figura, después de la recolección de datos y el preprocesamiento de datos, la selección y ajuste del modelo, y el entrenamiento, se realizará la inferencia del modelo entrenado en el conjunto de prueba, lo que dará como resultado los valores de predicción P (probabilidad) para gatos y perros, 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 caso, el modelo de IA para clasificar gatos y perros se puede integrar en una aplicación móvil, donde los usuarios suben imágenes de gatos o perros y pueden obtener 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 pequeños equipos o individuos al obtener datos en campos específicos (como datos médicos) pueden enfrentar limitaciones debido a la falta de código abierto de los datos.
Selección y ajuste de modelos: para equipos pequeños, es difícil obtener recursos de modelos específicos de dominio o gastar grandes costos en el ajuste de modelos.
Obtención de poder de cómputo: para desarrolladores individuales y equipos pequeños, el alto costo de compra de GPU y las tarifas de alquiler de poder de cómputo 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 investigación de los desarrolladores de IA también tienen dificultades para 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. Web3, como una nueva relación de producción, se adapta de forma natural a la IA, que representa una nueva productividad, impulsando así el progreso simultáneo de la tecnología y la capacidad de producción.
1.3 La sinergia entre Web3 y AI: Cambio de roles y aplicaciones innovadoras
La combinación de Web3 y AI puede aumentar la soberanía del usuario, proporcionando una plataforma de colaboración de AI abierta que transforma a los usuarios de la era Web2 de meros consumidores de AI 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 juego.
Basado en la tecnología Web3, el desarrollo y la aplicación de la IA dará lugar a un nuevo sistema económico colaborativo. La privacidad de los datos de las personas puede ser garantizada, el modelo de crowdsourcing de datos fomenta el avance de los modelos de IA, y numerosos recursos de IA de código abierto están disponibles para los usuarios. La potencia de cálculo compartida se puede obtener a un costo más bajo. Gracias a un mecanismo de colaboración y crowdsourcing descentralizado y a un mercado de IA abierto, se puede lograr un sistema de distribución de ingresos justo, incentivando así a más personas a impulsar el avance de la tecnología de IA.
En el escenario Web3, la IA puede tener un impacto positivo en múltiples campos. 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 muchas otras funciones. La IA generativa no solo permite a los usuarios experimentar el rol de "artista", como crear su propio NFT utilizando tecnología de IA, sino que también puede crear escenarios de juego ricos y diversos 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 quieren ingresar al campo de la IA pueden encontrar la entrada adecuada en este mundo.
Dos, interpretación del mapa y la arquitectura del proyecto ecológico 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, 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 siguiente capítulo, realizaremos un análisis profundo de algunos proyectos representativos.
La capa de infraestructura abarca los recursos de computación y la arquitectura técnica que apoyan la ejecución de todo el ciclo de vida de la IA, mientras que 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. 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 una utilización eficiente y económica 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 ganancias, proyectos representativos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevos enfoques, como Compute Labs, que propone un protocolo de tokenización, 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 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 de IA descentralizado 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, representado por proyectos como Sahara AI. AI Chain también puede fomentar el progreso tecnológico en 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 todo en uno 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 la tecnología Web3 puede lograr una mayor eficiencia laboral.
Además, algunas plataformas permiten a expertos en el campo o a usuarios comunes realizar tareas de preprocesamiento de datos, como la etiquetación 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, logrando una colaboración en la externalización de la preprocesamiento de datos. Representando como el mercado AI de Sahara, que tiene tareas de datos en diferentes campos, puede abarcar escenarios de datos de múltiples dominios; mientras que AIT Protocolt realiza la etiquetación de 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 mediante 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 avanzados de IA y un marco de cálculo, y tienen la capacidad de entrenamiento colaborativo.
Capa de aplicación:
Esta capa se dirige principalmente a aplicaciones orientadas al usuario, combinando IA con Web3 para crear más formas interesantes e innovadoras de jugar. Este artículo se centra en organizar proyectos en varias áreas, incluidos AIGC (Contenido Generado por IA), Agentes de IA y Análisis de Datos.
AIGC: A través de AIGC se puede expandir a las áreas de NFT, juegos, etc. 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 estilos de juego personalizados en los juegos según sus preferencias. Proyectos NFT como NFPrompt, los usuarios pueden generar NFT a través de AI para comerciar en el mercado; juegos como Sleepless, los usuarios moldean la personalidad de sus compañeros virtuales a través de diálogos para que coincidan con sus preferencias;
Agente de IA: se refiere a sistemas de inteligencia artificial que pueden ejecutar tareas de manera autónoma y tomar decisiones. Los agentes de IA suelen tener capacidades de percepción, razonamiento, aprendizaje y acción, y pueden realizar tareas complejas en diversos entornos. Un agente de IA común es la traducción de lenguajes.