Web3-AI Rapport panoramique : logique technique, applications de scénario et analyse approfondie des projets de premier plan
Avec la montée en puissance de la narration AI, de plus en plus d'attention se concentre sur ce secteur. Nous avons effectué une analyse approfondie de la logique technique, des cas d'application et des projets représentatifs du secteur Web3-AI, afin de vous présenter une vue d'ensemble des tendances et du développement dans ce domaine.
I. Web3-AI : analyse de la logique technique et des opportunités de marché émergentes
1.1 La logique de fusion entre Web3 et l'IA : comment définir la piste Web-AI
Au cours de l'année écoulée, la narration par IA a connu un essor exceptionnel dans l'industrie Web3, avec des projets d'IA apparaissant comme des champignons après la pluie. Bien que de nombreux projets impliquent des technologies d'IA, certains n'utilisent l'IA que dans certaines parties de leurs produits, et l'économie des tokens sous-jacente n'a pas de lien substantiel avec les produits d'IA, c'est pourquoi ces projets ne sont pas inclus dans la discussion sur les projets Web3-AI dans cet article.
L'article se concentre sur l'utilisation de la blockchain pour résoudre les problèmes de relations de production et sur les projets où l'IA résout les problèmes de productivité. Ces projets offrent eux-mêmes des produits d'IA tout en se basant sur un modèle économique Web3 en tant qu'outil de relations de production, les deux se complétant mutuellement. Nous classons ces projets dans la catégorie Web3-AI. Pour permettre aux lecteurs de mieux comprendre la catégorie Web3-AI, nous allons présenter le processus de développement de l'IA et les défis associés, ainsi que la manière dont la combinaison de Web3 et d'IA peut résoudre parfaitement les problèmes et créer de nouveaux scénarios d'application.
1.2 Le processus de développement de l'IA et ses défis : de la collecte de données à l'inférence du modèle
La technologie de l'IA est une technologie qui permet aux ordinateurs de simuler, d'étendre et d'améliorer l'intelligence humaine. Elle permet aux ordinateurs d'exécuter une variété de tâches complexes, allant de la traduction linguistique, la classification d'images jusqu'à la reconnaissance faciale et la conduite autonome, l'IA est en train de transformer notre façon de vivre et de travailler.
Le processus de développement d'un modèle d'intelligence artificielle comprend généralement les étapes clés suivantes : collecte de données et prétraitement des données, sélection et optimisation du modèle, entraînement et inférence du modèle. Prenons un exemple simple, développer un modèle pour classer des images de chats et de chiens, vous aurez besoin de :
Collecte de données et prétraitement des données : collectez un ensemble de données d'images contenant des chats et des chiens, vous pouvez utiliser des ensembles de données publics ou collecter des données réelles vous-même. Ensuite, étiquetez chaque image avec sa catégorie (chat ou chien), en veillant à ce que les étiquettes soient exactes. Convertissez les images dans un format que le modèle peut reconnaître, et divisez l'ensemble de données en ensemble d'entraînement, ensemble de validation et ensemble de test.
Choix et ajustement du modèle : choisir un modèle approprié, tel que les réseaux de neurones convolutionnels (CNN), qui conviennent bien aux tâches de classification d'images. Ajuster les paramètres ou l'architecture du modèle en fonction des différents besoins, en général, la profondeur du réseau du modèle peut être ajustée en fonction de la complexité de la tâche d'IA. Dans cet exemple de classification simple, une architecture de réseau moins profonde peut suffire.
Entraînement du modèle : Il est possible d'utiliser des GPU, TPU ou des clusters de calcul haute performance pour entraîner le modèle, le temps d'entraînement étant influencé par la complexité du modèle et la capacité de calcul.
Inférence du modèle : Les fichiers d'un modèle bien entraîné sont généralement appelés poids du modèle, et le processus d'inférence fait référence à l'utilisation d'un modèle déjà entraîné pour prédire ou classer de nouvelles données. Dans ce processus, un ensemble de test ou de nouvelles données peut être utilisé pour tester l'efficacité de classification du modèle, généralement évaluée à l'aide d'indicateurs tels que la précision, le rappel et le score F1.
Comme indiqué sur l'image, après la collecte de données, le prétraitement des données, la sélection et l'optimisation du modèle, et l'entraînement, le modèle entraîné est utilisé pour l'inférence sur l'ensemble de test afin d'obtenir les valeurs prédites P (probabilité) pour les chats et les chiens, c'est-à-dire la probabilité que le modèle infère qu'il s'agit d'un chat ou d'un chien.
Les modèles d'IA entraînés peuvent être intégrés dans diverses applications pour exécuter différentes tâches. Dans cet exemple, le modèle d'IA de classification des chats et des chiens peut être intégré dans une application mobile, où les utilisateurs peuvent télécharger des images de chats ou de chiens et obtenir des résultats de classification.
Cependant, le processus de développement de l'IA centralisée présente certains problèmes dans les scénarios suivants :
Confidentialité des utilisateurs : dans un environnement centralisé, le processus de développement de l'IA est généralement opaque. Les données des utilisateurs peuvent être volées à leur insu et utilisées pour l'entraînement de l'IA.
Obtention de la source de données : Les petites équipes ou les particuliers peuvent faire face à des limitations concernant l'absence d'ouverture des données lorsqu'ils cherchent à obtenir des données dans des domaines spécifiques (comme les données médicales).
Choix et optimisation du modèle : pour les petites équipes, il est difficile d'accéder aux ressources de modèle spécifiques ou de dépenser beaucoup de coûts pour l'optimisation du modèle.
Obtention de la puissance de calcul : pour les développeurs individuels et les petites équipes, le coût d'achat élevé des GPU et les frais de location de puissance de calcul dans le cloud peuvent constituer un fardeau économique significatif.
Revenus des actifs d'IA : Les travailleurs de l'annotation de données ne parviennent souvent pas à obtenir des revenus correspondant à leurs efforts, tandis que les résultats de recherche des développeurs d'IA sont également difficiles à faire correspondre avec des acheteurs en demande.
Les défis existants dans le cadre de l'IA centralisée peuvent être surmontés en combinant avec le Web3, le Web3 étant une nouvelle forme de relations de production qui s'adapte naturellement à l'IA, qui représente une nouvelle productivité, permettant ainsi des progrès simultanés dans la technologie et les capacités de production.
1.3 Synergie entre Web3 et IA : transformation des rôles et applications innovantes
La combinaison de Web3 et de l'IA peut renforcer la souveraineté des utilisateurs, en offrant une plateforme de collaboration IA ouverte, permettant aux utilisateurs de passer de simples utilisateurs d'IA de l'ère Web2 à des participants, créant une IA que tout le monde peut posséder. En même temps, la fusion du monde Web3 avec les technologies IA peut également générer davantage de scénarios d'application innovants et de nouvelles façons de jouer.
Avec la technologie Web3, le développement et l'application de l'IA entreront dans un tout nouveau système économique collaboratif. La vie privée des données des individus pourra être protégée, et le modèle de crowdsourcing de données favorisera les avancées des modèles d'IA. De nombreuses ressources d'IA open source seront disponibles pour les utilisateurs, et la puissance de calcul partagée pourra être obtenue à un coût relativement bas. Grâce à un mécanisme de collaboration décentralisé et à un marché de l'IA ouvert, un système de répartition des revenus équitable pourra être mis en place, incitant ainsi davantage de personnes à contribuer aux avancées de la technologie IA.
Dans le contexte de Web3, l'IA peut avoir un impact positif sur plusieurs secteurs. Par exemple, des modèles d'IA peuvent être intégrés dans des contrats intelligents pour améliorer l'efficacité au travail dans différents cas d'utilisation, tels que l'analyse de marché, la détection de sécurité, le clustering social et bien d'autres fonctions. L'IA générative permet non seulement aux utilisateurs de vivre le rôle d'"artiste", par exemple en utilisant la technologie IA pour créer leurs propres NFT, mais aussi de créer des scènes de jeu variées et des expériences interactives intéressantes dans le GameFi. Une infrastructure riche offre une expérience de développement fluide, que ce soit pour des experts en IA ou pour des novices souhaitant entrer dans le domaine de l'IA, chacun peut trouver une porte d'entrée appropriée dans cet univers.
Deuxième partie, Interprétation de la carte et de l'architecture des projets écologiques Web3-AI
Nous avons principalement étudié 41 projets dans le domaine Web3-AI et avons classé ces projets en différentes catégories. La logique de classification de chaque niveau est illustrée dans le schéma ci-dessous, comprenant la couche d'infrastructure, la couche intermédiaire et la couche d'application, chaque couche étant à son tour divisée en différents segments. Dans le chapitre suivant, nous procéderons à une analyse approfondie de certains projets représentatifs.
La couche d'infrastructure couvre les ressources informatiques et l'architecture technique qui soutiennent l'ensemble du cycle de vie de l'IA, la couche intermédiaire inclut la gestion des données, le développement des modèles et les services d'inférence de validation qui connectent l'infrastructure aux applications, tandis que la couche d'application se concentre sur les diverses applications et solutions directement destinées aux utilisateurs.
Infrastructure Layer :
La couche d'infrastructure est la base du cycle de vie de l'IA. Cet article classe la puissance de calcul, la chaîne d'IA et la plateforme de développement comme faisant partie de la couche d'infrastructure. Ce sont ces infrastructures qui permettent l'entraînement et l'inférence des modèles d'IA, et de présenter aux utilisateurs des applications IA puissantes et pratiques.
Réseau de calcul décentralisé : il peut fournir une puissance de calcul distribuée pour l'entraînement des modèles d'IA, garantissant une utilisation efficace et économique des ressources de calcul. Certains projets ont mis en place un marché de puissance de calcul décentralisée, où les utilisateurs peuvent louer de la puissance de calcul à faible coût ou partager leur puissance de calcul pour obtenir des revenus, des projets représentatifs incluent IO.NET et Hyperbolic. De plus, certains projets ont donné naissance à de nouvelles manières de jouer, comme Compute Labs, qui propose un protocole tokenisé, permettant aux utilisateurs de participer à la location de puissance de calcul de différentes manières en achetant des NFT représentant des entités GPU.
AI Chain : Utiliser la blockchain comme base du cycle de vie de l'IA, permettant une interaction transparente entre les ressources IA on-chain et off-chain, favorisant le développement de l'écosystème industriel. Le marché décentralisé de l'IA sur la chaîne peut échanger des actifs IA tels que des données, des modèles, des agents, etc., et fournir des cadres de développement IA ainsi que des outils de développement associés, avec des projets représentatifs comme Sahara AI. AI Chain peut également favoriser les progrès technologiques de l'IA dans différents domaines, comme Bittensor qui stimule la concurrence entre différents types de sous-réseaux grâce à un mécanisme d'incitation innovant.
Plateforme de développement : certains projets proposent des plateformes de développement d'agents IA, permettant également le trading d'agents IA, comme Fetch.ai et ChainML. Des outils tout-en-un aident les développeurs à créer, former et déployer plus facilement des modèles IA, représentés par des projets comme Nimble. Ces infrastructures favorisent une large application de la technologie IA dans l'écosystème Web3.
Couche intermédiaire :
Ce niveau concerne les données AI, les modèles ainsi que le raisonnement et la validation, et l'utilisation de la technologie Web3 peut permettre une efficacité de travail accrue.
Données : La qualité et la quantité des données sont des facteurs clés influençant l'efficacité de l'entraînement des modèles. Dans le monde de Web3, l'optimisation de l'utilisation des ressources et la réduction des coûts des données peuvent être réalisées grâce à la collecte de données par crowdsourcing et au traitement collaboratif des données. Les utilisateurs peuvent avoir le contrôle de leurs données et vendre les leurs en protégeant leur vie privée, afin d'éviter que leurs données ne soient volées par de mauvais commerçants et qu'ils ne réalisent des profits exorbitants. Pour les demandeurs de données, ces plateformes offrent un large éventail de choix à des coûts très bas. Des projets représentatifs comme Grass utilisent la bande passante des utilisateurs pour collecter des données Web, et xData collecte des informations médiatiques via des plugins conviviaux, tout en permettant aux utilisateurs de télécharger des informations sur des tweets.
De plus, certaines plateformes permettent à des experts du domaine ou à des utilisateurs ordinaires d'effectuer des tâches de prétraitement des données, telles que l'annotation d'images et la classification des données, qui peuvent nécessiter des connaissances professionnelles en matière de traitement des données financières et juridiques. Les utilisateurs peuvent tokeniser leurs compétences pour réaliser un travail collaboratif de prétraitement des données. Des exemples incluent le marché AI de Sahara AI, qui propose des tâches de données dans différents domaines pouvant couvrir des scénarios de données multi-domaines ; tandis que le protocole AIT effectue l'annotation des données grâce à une collaboration homme-machine.
Modèle : Dans le processus de développement de l'IA mentionné précédemment, différents types de besoins nécessitent des modèles appropriés. Pour les tâches d'image, les modèles couramment utilisés incluent CNN et GAN. Pour les tâches de détection d'objets, on peut choisir la série Yolo, tandis que pour les tâches textuelles, des modèles comme RNN et Transformer sont courants, sans oublier certains grands modèles spécifiques ou généraux. La profondeur des modèles nécessaires varie également en fonction de la complexité des tâches, et il est parfois nécessaire d'ajuster les modèles.
Certains projets permettent aux utilisateurs de fournir différents types de modèles ou de collaborer à l'entraînement de modèles par le biais de la crowdsourcing, comme Sentient qui, grâce à une conception modulaire, permet aux utilisateurs de placer des données de modèles fiables dans la couche de stockage et la couche de distribution pour l'optimisation des modèles. Les outils de développement fournis par Sahara AI intègrent des algorithmes d'IA avancés et des cadres de calcul, et possèdent la capacité d'entraînement collaboratif.
Inférence et validation : après que le modèle ait été formé, il génère un fichier de poids de modèle qui peut être utilisé pour effectuer directement des classifications, des prédictions ou d'autres tâches spécifiques, ce processus est appelé inférence. Le processus d'inférence est généralement accompagné d'un mécanisme de validation pour vérifier si la provenance du modèle d'inférence est correcte et s'il n'y a pas d'activités malveillantes, etc. L'inférence Web3 peut généralement être intégrée dans des contrats intelligents, en appelant le modèle pour effectuer l'inférence, les méthodes de validation courantes incluent les technologies ZKML, OPML et TEE. Des projets représentatifs comme l'oracle IA sur chaîne ORA (OAO) ont introduit OPML comme couche vérifiable pour l'oracle IA, et le site officiel d'ORA mentionne également leurs recherches sur ZKML et opp/ai (ZKML combiné avec OPML).
Couche d'application :
Cette couche est principalement une application directement destinée aux utilisateurs, combinant l'IA avec le Web3 pour créer une expérience meilleure.
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
13 J'aime
Récompense
13
4
Partager
Commentaire
0/400
SnapshotLaborer
· Il y a 17h
Se faire prendre pour des cons est toujours se faire prendre pour des cons. piégeage AI est manifestement faux.
Voir l'originalRépondre0
ImpermanentPhilosopher
· Il y a 17h
Le goût de la ciboulette qui ne peut pas être réprimé derrière l'IA Web3
Voir l'originalRépondre0
GasGuzzler
· Il y a 17h
Beaucoup de projets en peau, tout fait avec de l'IA.
Voir l'originalRépondre0
SnapshotBot
· Il y a 17h
J'ai bu trop tôt, tous ces concepts d'IA sont trop absurdes.
Web3-AI : analyse panoramique des technologies intégrées, innovation des scénarios et analyse approfondie des projets de premier plan.
Web3-AI Rapport panoramique : logique technique, applications de scénario et analyse approfondie des projets de premier plan
Avec la montée en puissance de la narration AI, de plus en plus d'attention se concentre sur ce secteur. Nous avons effectué une analyse approfondie de la logique technique, des cas d'application et des projets représentatifs du secteur Web3-AI, afin de vous présenter une vue d'ensemble des tendances et du développement dans ce domaine.
I. Web3-AI : analyse de la logique technique et des opportunités de marché émergentes
1.1 La logique de fusion entre Web3 et l'IA : comment définir la piste Web-AI
Au cours de l'année écoulée, la narration par IA a connu un essor exceptionnel dans l'industrie Web3, avec des projets d'IA apparaissant comme des champignons après la pluie. Bien que de nombreux projets impliquent des technologies d'IA, certains n'utilisent l'IA que dans certaines parties de leurs produits, et l'économie des tokens sous-jacente n'a pas de lien substantiel avec les produits d'IA, c'est pourquoi ces projets ne sont pas inclus dans la discussion sur les projets Web3-AI dans cet article.
L'article se concentre sur l'utilisation de la blockchain pour résoudre les problèmes de relations de production et sur les projets où l'IA résout les problèmes de productivité. Ces projets offrent eux-mêmes des produits d'IA tout en se basant sur un modèle économique Web3 en tant qu'outil de relations de production, les deux se complétant mutuellement. Nous classons ces projets dans la catégorie Web3-AI. Pour permettre aux lecteurs de mieux comprendre la catégorie Web3-AI, nous allons présenter le processus de développement de l'IA et les défis associés, ainsi que la manière dont la combinaison de Web3 et d'IA peut résoudre parfaitement les problèmes et créer de nouveaux scénarios d'application.
1.2 Le processus de développement de l'IA et ses défis : de la collecte de données à l'inférence du modèle
La technologie de l'IA est une technologie qui permet aux ordinateurs de simuler, d'étendre et d'améliorer l'intelligence humaine. Elle permet aux ordinateurs d'exécuter une variété de tâches complexes, allant de la traduction linguistique, la classification d'images jusqu'à la reconnaissance faciale et la conduite autonome, l'IA est en train de transformer notre façon de vivre et de travailler.
Le processus de développement d'un modèle d'intelligence artificielle comprend généralement les étapes clés suivantes : collecte de données et prétraitement des données, sélection et optimisation du modèle, entraînement et inférence du modèle. Prenons un exemple simple, développer un modèle pour classer des images de chats et de chiens, vous aurez besoin de :
Collecte de données et prétraitement des données : collectez un ensemble de données d'images contenant des chats et des chiens, vous pouvez utiliser des ensembles de données publics ou collecter des données réelles vous-même. Ensuite, étiquetez chaque image avec sa catégorie (chat ou chien), en veillant à ce que les étiquettes soient exactes. Convertissez les images dans un format que le modèle peut reconnaître, et divisez l'ensemble de données en ensemble d'entraînement, ensemble de validation et ensemble de test.
Choix et ajustement du modèle : choisir un modèle approprié, tel que les réseaux de neurones convolutionnels (CNN), qui conviennent bien aux tâches de classification d'images. Ajuster les paramètres ou l'architecture du modèle en fonction des différents besoins, en général, la profondeur du réseau du modèle peut être ajustée en fonction de la complexité de la tâche d'IA. Dans cet exemple de classification simple, une architecture de réseau moins profonde peut suffire.
Entraînement du modèle : Il est possible d'utiliser des GPU, TPU ou des clusters de calcul haute performance pour entraîner le modèle, le temps d'entraînement étant influencé par la complexité du modèle et la capacité de calcul.
Inférence du modèle : Les fichiers d'un modèle bien entraîné sont généralement appelés poids du modèle, et le processus d'inférence fait référence à l'utilisation d'un modèle déjà entraîné pour prédire ou classer de nouvelles données. Dans ce processus, un ensemble de test ou de nouvelles données peut être utilisé pour tester l'efficacité de classification du modèle, généralement évaluée à l'aide d'indicateurs tels que la précision, le rappel et le score F1.
Comme indiqué sur l'image, après la collecte de données, le prétraitement des données, la sélection et l'optimisation du modèle, et l'entraînement, le modèle entraîné est utilisé pour l'inférence sur l'ensemble de test afin d'obtenir les valeurs prédites P (probabilité) pour les chats et les chiens, c'est-à-dire la probabilité que le modèle infère qu'il s'agit d'un chat ou d'un chien.
Les modèles d'IA entraînés peuvent être intégrés dans diverses applications pour exécuter différentes tâches. Dans cet exemple, le modèle d'IA de classification des chats et des chiens peut être intégré dans une application mobile, où les utilisateurs peuvent télécharger des images de chats ou de chiens et obtenir des résultats de classification.
Cependant, le processus de développement de l'IA centralisée présente certains problèmes dans les scénarios suivants :
Confidentialité des utilisateurs : dans un environnement centralisé, le processus de développement de l'IA est généralement opaque. Les données des utilisateurs peuvent être volées à leur insu et utilisées pour l'entraînement de l'IA.
Obtention de la source de données : Les petites équipes ou les particuliers peuvent faire face à des limitations concernant l'absence d'ouverture des données lorsqu'ils cherchent à obtenir des données dans des domaines spécifiques (comme les données médicales).
Choix et optimisation du modèle : pour les petites équipes, il est difficile d'accéder aux ressources de modèle spécifiques ou de dépenser beaucoup de coûts pour l'optimisation du modèle.
Obtention de la puissance de calcul : pour les développeurs individuels et les petites équipes, le coût d'achat élevé des GPU et les frais de location de puissance de calcul dans le cloud peuvent constituer un fardeau économique significatif.
Revenus des actifs d'IA : Les travailleurs de l'annotation de données ne parviennent souvent pas à obtenir des revenus correspondant à leurs efforts, tandis que les résultats de recherche des développeurs d'IA sont également difficiles à faire correspondre avec des acheteurs en demande.
Les défis existants dans le cadre de l'IA centralisée peuvent être surmontés en combinant avec le Web3, le Web3 étant une nouvelle forme de relations de production qui s'adapte naturellement à l'IA, qui représente une nouvelle productivité, permettant ainsi des progrès simultanés dans la technologie et les capacités de production.
1.3 Synergie entre Web3 et IA : transformation des rôles et applications innovantes
La combinaison de Web3 et de l'IA peut renforcer la souveraineté des utilisateurs, en offrant une plateforme de collaboration IA ouverte, permettant aux utilisateurs de passer de simples utilisateurs d'IA de l'ère Web2 à des participants, créant une IA que tout le monde peut posséder. En même temps, la fusion du monde Web3 avec les technologies IA peut également générer davantage de scénarios d'application innovants et de nouvelles façons de jouer.
Avec la technologie Web3, le développement et l'application de l'IA entreront dans un tout nouveau système économique collaboratif. La vie privée des données des individus pourra être protégée, et le modèle de crowdsourcing de données favorisera les avancées des modèles d'IA. De nombreuses ressources d'IA open source seront disponibles pour les utilisateurs, et la puissance de calcul partagée pourra être obtenue à un coût relativement bas. Grâce à un mécanisme de collaboration décentralisé et à un marché de l'IA ouvert, un système de répartition des revenus équitable pourra être mis en place, incitant ainsi davantage de personnes à contribuer aux avancées de la technologie IA.
Dans le contexte de Web3, l'IA peut avoir un impact positif sur plusieurs secteurs. Par exemple, des modèles d'IA peuvent être intégrés dans des contrats intelligents pour améliorer l'efficacité au travail dans différents cas d'utilisation, tels que l'analyse de marché, la détection de sécurité, le clustering social et bien d'autres fonctions. L'IA générative permet non seulement aux utilisateurs de vivre le rôle d'"artiste", par exemple en utilisant la technologie IA pour créer leurs propres NFT, mais aussi de créer des scènes de jeu variées et des expériences interactives intéressantes dans le GameFi. Une infrastructure riche offre une expérience de développement fluide, que ce soit pour des experts en IA ou pour des novices souhaitant entrer dans le domaine de l'IA, chacun peut trouver une porte d'entrée appropriée dans cet univers.
Deuxième partie, Interprétation de la carte et de l'architecture des projets écologiques Web3-AI
Nous avons principalement étudié 41 projets dans le domaine Web3-AI et avons classé ces projets en différentes catégories. La logique de classification de chaque niveau est illustrée dans le schéma ci-dessous, comprenant la couche d'infrastructure, la couche intermédiaire et la couche d'application, chaque couche étant à son tour divisée en différents segments. Dans le chapitre suivant, nous procéderons à une analyse approfondie de certains projets représentatifs.
La couche d'infrastructure couvre les ressources informatiques et l'architecture technique qui soutiennent l'ensemble du cycle de vie de l'IA, la couche intermédiaire inclut la gestion des données, le développement des modèles et les services d'inférence de validation qui connectent l'infrastructure aux applications, tandis que la couche d'application se concentre sur les diverses applications et solutions directement destinées aux utilisateurs.
Infrastructure Layer :
La couche d'infrastructure est la base du cycle de vie de l'IA. Cet article classe la puissance de calcul, la chaîne d'IA et la plateforme de développement comme faisant partie de la couche d'infrastructure. Ce sont ces infrastructures qui permettent l'entraînement et l'inférence des modèles d'IA, et de présenter aux utilisateurs des applications IA puissantes et pratiques.
Réseau de calcul décentralisé : il peut fournir une puissance de calcul distribuée pour l'entraînement des modèles d'IA, garantissant une utilisation efficace et économique des ressources de calcul. Certains projets ont mis en place un marché de puissance de calcul décentralisée, où les utilisateurs peuvent louer de la puissance de calcul à faible coût ou partager leur puissance de calcul pour obtenir des revenus, des projets représentatifs incluent IO.NET et Hyperbolic. De plus, certains projets ont donné naissance à de nouvelles manières de jouer, comme Compute Labs, qui propose un protocole tokenisé, permettant aux utilisateurs de participer à la location de puissance de calcul de différentes manières en achetant des NFT représentant des entités GPU.
AI Chain : Utiliser la blockchain comme base du cycle de vie de l'IA, permettant une interaction transparente entre les ressources IA on-chain et off-chain, favorisant le développement de l'écosystème industriel. Le marché décentralisé de l'IA sur la chaîne peut échanger des actifs IA tels que des données, des modèles, des agents, etc., et fournir des cadres de développement IA ainsi que des outils de développement associés, avec des projets représentatifs comme Sahara AI. AI Chain peut également favoriser les progrès technologiques de l'IA dans différents domaines, comme Bittensor qui stimule la concurrence entre différents types de sous-réseaux grâce à un mécanisme d'incitation innovant.
Plateforme de développement : certains projets proposent des plateformes de développement d'agents IA, permettant également le trading d'agents IA, comme Fetch.ai et ChainML. Des outils tout-en-un aident les développeurs à créer, former et déployer plus facilement des modèles IA, représentés par des projets comme Nimble. Ces infrastructures favorisent une large application de la technologie IA dans l'écosystème Web3.
Couche intermédiaire :
Ce niveau concerne les données AI, les modèles ainsi que le raisonnement et la validation, et l'utilisation de la technologie Web3 peut permettre une efficacité de travail accrue.
De plus, certaines plateformes permettent à des experts du domaine ou à des utilisateurs ordinaires d'effectuer des tâches de prétraitement des données, telles que l'annotation d'images et la classification des données, qui peuvent nécessiter des connaissances professionnelles en matière de traitement des données financières et juridiques. Les utilisateurs peuvent tokeniser leurs compétences pour réaliser un travail collaboratif de prétraitement des données. Des exemples incluent le marché AI de Sahara AI, qui propose des tâches de données dans différents domaines pouvant couvrir des scénarios de données multi-domaines ; tandis que le protocole AIT effectue l'annotation des données grâce à une collaboration homme-machine.
Certains projets permettent aux utilisateurs de fournir différents types de modèles ou de collaborer à l'entraînement de modèles par le biais de la crowdsourcing, comme Sentient qui, grâce à une conception modulaire, permet aux utilisateurs de placer des données de modèles fiables dans la couche de stockage et la couche de distribution pour l'optimisation des modèles. Les outils de développement fournis par Sahara AI intègrent des algorithmes d'IA avancés et des cadres de calcul, et possèdent la capacité d'entraînement collaboratif.
Couche d'application :
Cette couche est principalement une application directement destinée aux utilisateurs, combinant l'IA avec le Web3 pour créer une expérience meilleure.