Relatório panorâmico do setor Web3-AI: lógica técnica, aplicações em cenários e análise profunda dos principais projetos

Com o contínuo aquecimento da narrativa da IA, cada vez mais atenção está sendo dada a este setor. Foi realizada uma análise aprofundada da lógica técnica, cenários de aplicação e projetos representativos do setor Web3-AI, apresentando de forma abrangente o panorama e as tendências de desenvolvimento dessa área.

Um, Web3-AI: Análise da Lógica Tecnológica e Oportunidades de Mercado Emergentes

1.1 A lógica de fusão entre Web3 e IA: como definir a pista Web-AI

No último ano, a narrativa de IA tem sido excepcionalmente popular na indústria Web3, com projetos de IA surgindo como cogumelos após a chuva. Embora muitos projetos envolvam tecnologia de IA, alguns utilizam IA apenas em certas partes de seus produtos, e a economia de tokens subjacente não tem relação substancial com os produtos de IA; portanto, esses projetos não são discutidos neste artigo como projetos Web3-AI.

O foco deste artigo está na utilização da blockchain para resolver problemas de relações de produção e projetos que utilizam IA para resolver problemas de produtividade. Esses projetos oferecem produtos de IA e, ao mesmo tempo, baseiam-se em modelos econômicos Web3 como ferramentas de relações de produção, sendo ambos interdependentes. Vamos classificar esses projetos como a faixa Web3-AI. Para que os leitores compreendam melhor a faixa Web3-AI, será apresentada uma introdução ao processo de desenvolvimento da IA e aos desafios, bem como à forma como a combinação de Web3 e IA pode resolver problemas de forma perfeita e criar novos cenários de aplicação.

1.2 O processo de desenvolvimento da IA e os desafios: da coleta de dados à inferência do modelo

A tecnologia de IA é uma tecnologia que permite que os computadores simulem, ampliem e aprimorem a inteligência humana. Ela permite que os computadores executem várias tarefas complexas, desde tradução de idiomas, classificação de imagens até reconhecimento facial e aplicações de condução automática, a IA está mudando a maneira como vivemos e trabalhamos.

O processo de desenvolvimento de modelos de inteligência artificial geralmente inclui os seguintes passos-chave: coleta de dados e pré-processamento de dados, seleção e ajuste de modelos, treinamento e inferência de modelos. Para dar um exemplo simples, ao desenvolver um modelo para classificar imagens de gatos e cães, você precisa:

1. Coleta de dados e pré-processamento de dados: Coletar um conjunto de dados de imagens contendo gatos e cães, podendo usar conjuntos de dados públicos ou coletar dados reais. Em seguida, rotular cada imagem com a categoria (gato ou cão), garantindo que os rótulos sejam precisos. Converter as imagens para um formato que o modelo possa reconhecer, dividindo o conjunto de dados em conjunto de treinamento, conjunto de validação e conjunto de teste.

2. Seleção e ajuste de modelo: Escolher o modelo adequado, como redes neurais convolucionais (CNN), que são mais adequadas para tarefas de classificação de imagens. Ajustar os parâmetros ou a arquitetura do modelo de acordo com as diferentes necessidades; geralmente, o nível de profundidade da rede do modelo pode ser ajustado com base na complexidade da tarefa de IA. Neste simples exemplo de classificação, uma rede mais rasa pode ser suficiente.

3. Treinamento de modelo: é possível usar GPU, TPU ou um cluster de computação de alto desempenho para treinar o modelo, e o tempo de treinamento é afetado pela complexidade do modelo e pela capacidade de computação.

4. Inferência do modelo: O arquivo do modelo já treinado é normalmente chamado de pesos do modelo, e o processo de inferência refere-se ao uso de um modelo já treinado para prever ou classificar novos dados. Neste processo, pode-se usar um conjunto de teste ou novos dados para testar a eficácia da classificação do modelo, que é normalmente avaliada através de métricas como precisão, taxa de recuperação e F1-score.

Como mostrado na figura, após a coleta de dados e pré-processamento de dados, seleção e otimização de modelos, e treinamento, o modelo treinado é utilizado para inferir sobre o conjunto de testes, resultando nos valores de previsão P (probabilidade) para gatos e cães, ou seja, a probabilidade de o modelo inferir que é um gato ou um cão.

Modelos de IA treinados podem ser integrados em várias aplicações para executar diferentes tarefas. Neste exemplo, um modelo de IA para classificação de gatos e cães pode ser integrado em uma aplicação móvel, onde os utilizadores carregam imagens de gatos ou cães e recebem os resultados da classificação.

No entanto, o processo de desenvolvimento de IA centralizada apresenta alguns problemas nas seguintes situações:

Privacidade do usuário: em cenários centralizados, o processo de desenvolvimento de IA é geralmente opaco. Os dados dos usuários podem ser roubados sem o seu conhecimento e usados para treinamento de IA.

Obtenção da fonte de dados: pequenas equipas ou indivíduos podem enfrentar limitações na obtenção de dados de áreas específicas (como dados médicos) quando estes não são de código aberto.

Seleção e ajuste de modelos: para pequenas equipas, é difícil obter recursos de modelos específicos ou gastar grandes custos em ajuste de modelos.

Aquisição de poder de computação: para desenvolvedores individuais e pequenas equipas, os elevados custos de compra de GPUs e as despesas de aluguer de poder de computação na nuvem podem constituir um fardo económico significativo.

Rendimento de ativos de IA: Os trabalhadores de rotulagem de dados muitas vezes não conseguem obter um rendimento que corresponda ao seu esforço, enquanto os resultados da pesquisa dos desenvolvedores de IA também têm dificuldade em se alinhar com compradores que têm demanda.

Os desafios existentes em cenários de IA centralizada podem ser superados através da combinação com o Web3. O Web3, como uma nova relação de produção, adapta-se naturalmente à IA, que representa uma nova forma de produtividade, promovendo assim o progresso simultâneo da tecnologia e das capacidades produtivas.

1.3 Web3 e a sinergia com a IA: transformação de papéis e aplicações inovadoras

A combinação de Web3 e IA pode aumentar a soberania do usuário, proporcionando uma plataforma de colaboração de IA aberta, permitindo que os usuários se transformem de utilizadores de IA da era Web2 em participantes, criando uma IA que todos possam possuir. Ao mesmo tempo, a fusão do mundo Web3 com a tecnologia IA pode gerar ainda mais cenários de aplicação e formas inovadoras.

Com base na tecnologia Web3, o desenvolvimento e a aplicação da IA irão acolher um novo sistema econômico de colaboração. A privacidade dos dados das pessoas pode ser garantida, o modelo de dados em crowdsourcing promove o avanço dos modelos de IA, numerosos recursos de IA de código aberto estão disponíveis para os usuários, e a capacidade de computação compartilhada pode ser obtida a um custo mais baixo. Com a ajuda de um mecanismo de colaboração e crowdsourcing descentralizado e de um mercado de IA aberto, é possível implementar um sistema de distribuição de renda justo, incentivando assim mais pessoas a impulsionar o progresso da tecnologia de IA.

No cenário Web3, a IA pode ter um impacto positivo em várias áreas. Por exemplo, modelos de IA podem ser integrados a contratos inteligentes para melhorar a eficiência do trabalho em diferentes cenários de aplicação, como análise de mercado, detecção de segurança, agrupamento social e várias outras funções. A IA generativa não só permite que os usuários experimentem o papel de "artista", como criar seus próprios NFTs usando tecnologia de IA, mas também pode criar cenários de jogos ricos e diversos e experiências interativas interessantes. Uma infraestrutura rica oferece uma experiência de desenvolvimento fluida, onde tanto especialistas em IA quanto novatos que desejam entrar no campo da IA podem encontrar uma entrada adequada neste mundo.

Dois, interpretação do mapa e da arquitetura do projeto ecossistêmico Web3-AI

Nós pesquisamos principalmente 41 projetos na área de Web3-AI e classificamos esses projetos em diferentes níveis. A lógica de classificação de cada nível é mostrada na figura abaixo, incluindo a camada de infraestrutura, a camada intermediária e a camada de aplicação, cada uma delas dividida em diferentes segmentos. No próximo capítulo, faremos uma análise profunda de alguns projetos representativos.

A camada de infraestrutura abrange os recursos computacionais e a arquitetura técnica que suportam a execução de todo o ciclo de vida da IA, a camada intermédia inclui a gestão de dados, desenvolvimento de modelos e serviços de validação e inferência que conectam a infraestrutura e as aplicações, enquanto a camada de aplicações foca nas diversas aplicações e soluções diretamente voltadas para os utilizadores.

Camada de infraestrutura:

A camada de infraestrutura é a base do ciclo de vida da IA. Este artigo classifica a capacidade de computação, a AI Chain e a plataforma de desenvolvimento como parte da camada de infraestrutura. É precisamente o suporte dessas infraestruturas que permite o treinamento e a inferência de modelos de IA, apresentando aplicações de IA poderosas e práticas aos usuários.

• Rede de computação descentralizada: pode fornecer poder computacional distribuído para o treinamento de modelos de IA, garantindo uma utilização eficiente e econômica dos recursos computacionais. Alguns projetos ofereceram mercados de computação descentralizados, onde os usuários podem alugar poder computacional a baixo custo ou compartilhar poder computacional para obter rendimentos, com projetos representativos como IO.NET e Hyperbolic. Além disso, alguns projetos originaram novas formas de interação, como Compute Labs, que propuseram um protocolo tokenizado, permitindo que os usuários participem da locação de poder computacional de diferentes maneiras, comprando NFTs que representam entidades GPU para obter rendimentos.

• AI Chain: Utiliza a blockchain como base para o ciclo de vida da AI, permitindo a interacção sem costura de recursos de AI em cadeia e fora da cadeia, promovendo o desenvolvimento do ecossistema da indústria. O mercado descentralizado de AI em cadeia pode negociar ativos de AI como dados, modelos, agentes, etc., e oferece uma estrutura de desenvolvimento de AI e ferramentas de desenvolvimento complementares, representado por projectos como Sahara AI. AI Chain também pode promover o avanço tecnológico de AI em diferentes áreas, como Bittensor, que incentiva a competição entre sub-redes de diferentes tipos de AI através de um mecanismo de incentivo inovador.

• Plataforma de desenvolvimento: alguns projetos oferecem plataformas de desenvolvimento de agentes de IA, que também podem realizar transações de agentes de IA, como Fetch.ai e ChainML. Ferramentas de ponto único ajudam os desenvolvedores a criar, treinar e implementar modelos de IA de forma mais conveniente, representados por projetos como Nimble. Esta infraestrutura promove a ampla aplicação da tecnologia de IA no ecossistema Web3.

Camada intermediária:

Esta camada envolve dados de IA, modelos e raciocínio e validação, utilizando a tecnologia Web3 para alcançar uma maior eficiência de trabalho.

• Dados: A qualidade e a quantidade dos dados são fatores-chave que afetam a eficácia do treinamento de modelos. No mundo Web3, através de dados de crowdsourcing e processamento colaborativo de dados, é possível otimizar a utilização de recursos e reduzir os custos de dados. Os usuários podem ter autonomia sobre os dados, podendo vender suas informações sob proteção de privacidade, para evitar que dados sejam roubados por comerciantes desonestos e que lucros exorbitantes sejam obtidos. Para os demandantes de dados, essas plataformas oferecem uma ampla gama de opções a um custo muito baixo. Projetos representativos como Grass utilizam a largura de banda dos usuários para capturar dados da Web, e xData coleta informações de mídia através de plugins amigáveis ao usuário, além de suportar o upload de informações de tweets pelos usuários.

Além disso, algumas plataformas permitem que especialistas em áreas específicas ou usuários comuns realizem tarefas de pré-processamento de dados, como rotulagem de imagens e classificação de dados, que podem exigir conhecimentos especializados em tarefas financeiras e jurídicas de processamento de dados. Os usuários podem tokenizar suas habilidades e realizar a colaboração em forma de crowdsourcing para o pré-processamento de dados. Exemplos como o mercado de IA Sahara AI possuem tarefas de dados em diferentes áreas, que podem abranger cenários de dados multiárea; enquanto o AIT Protocol rotula dados por meio de uma abordagem de colaboração homem-máquina.

• Modelo: No processo de desenvolvimento de IA mencionado anteriormente, diferentes tipos de requisitos precisam ser correspondidos a modelos adequados. Modelos comuns em tarefas de imagem, como CNN e GAN, para tarefas de detecção de objetos, pode-se escolher a série Yolo, e para tarefas de texto, os modelos comuns incluem RNN, Transformer, entre outros, claro que também existem alguns modelos específicos ou gerais. A profundidade do modelo necessária para tarefas de diferentes complexidades também varia, e às vezes é necessário ajustar o modelo.

Alguns projetos suportam que os usuários forneçam diferentes tipos de modelos ou colaborem no treinamento de modelos através de crowdsourcing, como o Sentient, que através de um design modular, permite que os usuários coloquem dados de modelos confiáveis na camada de armazenamento e de distribuição para otimização de modelos. As ferramentas de desenvolvimento fornecidas pela Sahara AI incorporam algoritmos de IA avançados e um framework de computação, além de possuírem a capacidade de treinamento colaborativo.

• Inferência e verificação: Após o treinamento, o modelo gera arquivos de pesos do modelo que podem ser usados para classificação, previsão ou outras tarefas específicas, esse processo é chamado de inferência. O processo de inferência geralmente é acompanhado por um mecanismo de verificação, para validar se a origem do modelo de inferência está correta, se há comportamentos maliciosos, etc. A inferência em Web3 pode ser integrada em contratos inteligentes, chamando o modelo para realizar a inferência, formas comuns de verificação incluem técnicas como ZKML, OPML e TEE. Projetos representativos como o oráculo de IA na cadeia ORA (OAO) introduziram o OPML como uma camada verificável para o oráculo de IA, e no site oficial da ORA também mencionaram suas pesquisas sobre ZKML e opp/ai (ZKML combinado com OPML).

Camada de Aplicação:

Esta camada é principalmente uma aplicação voltada diretamente para o usuário, combinando IA com Web3, criando mais experiências interessantes e inovadoras.