Informe panorámico del sector Web3-AI: análisis profundo de la lógica técnica, aplicaciones en escenarios y proyectos de primer nivel Profundidad
Con el continuo aumento del interés en la narrativa de la IA, cada vez más atención se centra en este campo. Este artículo realiza un análisis profundo de la lógica técnica, los escenarios de aplicación y los proyectos representativos en la pista de Web3-AI, presentando una visión completa del panorama y las tendencias de desarrollo en este ámbito.
Uno, Web3-AI: Análisis de la lógica técnica y las oportunidades de mercado emergentes
1.1 Lógica de fusión entre Web3 y AI: ¿cómo definir la pista Web-AI?
En el último año, la narración de IA ha sido excepcionalmente popular en la industria de Web3, con proyectos de IA surgiendo como champiñones después de la lluvia. Aunque hay muchos proyectos que involucran tecnología de IA, algunos proyectos utilizan IA solo en ciertas partes de su producto, y la economía de tokens subyacente no tiene una conexión sustancial con los productos de IA, por lo que estos proyectos no se incluirán en la discusión de proyectos Web3-AI en este artículo.
El enfoque de este artículo está en el uso de blockchain para resolver problemas de relaciones de producción, y proyectos que utilizan IA para resolver problemas de productividad. Estos proyectos ofrecen productos de IA y se basan en modelos económicos de Web3 como herramientas para las relaciones de producción, complementándose entre sí. Clasificamos este tipo de proyectos en la pista Web3-AI. Para que los lectores comprendan mejor la pista Web3-AI, este artículo presentará el proceso de desarrollo y los desafíos de la IA, así como cómo la combinación de Web3 e IA puede resolver problemas y crear nuevos escenarios de aplicación de manera perfecta.
1.2 El proceso de desarrollo de la IA y los desafíos: desde la recolección de datos hasta la inferencia del modelo
La tecnología de IA es una técnica que permite a las computadoras simular, ampliar y mejorar la inteligencia humana. Puede permitir a las computadoras realizar 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: recolección de datos y preprocesamiento de datos, selección y ajuste del modelo, entrenamiento del modelo e inferencia. Para dar un ejemplo simple, al desarrollar un modelo para clasificar imágenes de gatos y perros, necesitarás:
Recolección de datos y preprocesamiento de datos: recolectar un conjunto de datos de imágenes que contenga gatos y perros, se puede usar un conjunto de datos público o recolectar datos reales. Luego, etiquetar cada imagen con su categoría (gato o perro), asegurando que las etiquetas sean precisas. Convertir las imágenes a un formato que el modelo pueda reconocer, dividir el conjunto de datos en conjunto de entrenamiento, conjunto de validación y conjunto de prueba.
Selección y ajuste del modelo: elegir el modelo adecuado, como las redes neuronales convolucionales (CNN), que son más adecuadas para tareas de clasificación de imágenes. Ajustar los parámetros o la arquitectura del modelo según diferentes necesidades; generalmente, la profundidad de la red del modelo se puede ajustar según la complejidad de la tarea de IA. En este ejemplo simple de clasificación, una red menos profunda puede ser suficiente.
Entrenamiento del modelo: se pueden utilizar GPU, TPU o clústeres de computación de alto rendimiento para entrenar el modelo, el tiempo de entrenamiento se ve afectado por la complejidad del modelo y la capacidad de cálculo.
Inferencia del modelo: Los archivos del modelo que han sido entrenados normalmente se denominan pesos del modelo, y el proceso de inferencia se refiere al proceso de utilizar un modelo ya entrenado para predecir o clasificar nuevos datos. En este proceso, se puede utilizar un conjunto de pruebas o nuevos datos para evaluar el rendimiento de clasificación del modelo, normalmente utilizando métricas como precisión, tasa de recuperación y 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 del modelo, así como el entrenamiento, se lleva a cabo la inferencia del modelo entrenado en el conjunto de prueba para obtener los valores de predicción de gato y perro P (probabilidad), es decir, la probabilidad de que el modelo infiera que es un gato o un perro.
Los modelos de IA entrenados se pueden integrar aún más en diversas aplicaciones para realizar diferentes tareas. En este ejemplo, un 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 los 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 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: pequeños equipos o individuos pueden enfrentar limitaciones de no tener acceso a datos de código abierto al adquirir datos en campos específicos (como datos médicos).
Selección y ajuste de modelos: para equipos pequeños, es difícil obtener recursos de modelos específicos o gastar grandes costos en el ajuste de modelos.
Obtención de potencia de cálculo: para desarrolladores individuales y pequeños equipos, 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, mientras que los resultados de investigación de los desarrolladores de IA también son difíciles de coincidir con compradores que tienen demanda.
Los desafíos existentes en el escenario de la IA centralizada pueden superarse al combinarse con Web3, que como una nueva relación de producción, se adapta naturalmente a la IA que representa nuevas fuerzas productivas, promoviendo así el progreso simultáneo de la tecnología y la capacidad de producción.
1.3 La sinergia entre Web3 y la IA: Transformación de roles y aplicaciones innovadoras
La combinación de Web3 con 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 meros usuarios de AI en la era de Web2 a participantes, creando AI que todos puedan poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología AI también puede generar más escenarios de aplicación innovadores y formas de jugar.
Basado en la tecnología Web3, el desarrollo y la aplicación de la IA darán paso a un nuevo sistema económico de colaboración. La privacidad de los datos de las personas puede ser garantizada, y el modelo de colaboración de datos promueve el avance de los modelos de IA. Muchos recursos de IA de código abierto están disponibles para los usuarios, y la potencia de cálculo compartida se puede obtener a un costo más bajo. Con la ayuda de un mecanismo de colaboración descentralizado y un mercado de IA abierto, se puede lograr un sistema de distribución de ingresos justo, lo que incentiva 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 vías. 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 escenas de juego variadas y experiencias interactivas interesantes en GameFi. Una infraestructura rica proporciona una experiencia de desarrollo fluida, ya sea para expertos en IA o para principiantes que desean ingresar al campo de la IA, todos pueden encontrar una entrada adecuada en este mundo.
Dos, interpretación del mapa y la arquitectura del proyecto ecosistema Web3-AI
Principalmente estudiamos 41 proyectos en la pista de Web3-AI y clasificamos estos proyectos en diferentes niveles. La lógica de clasificación de cada nivel se muestra en la siguiente imagen, que incluye la capa de infraestructura, la capa intermedia y la capa de aplicación, y cada capa 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 soportan el funcionamiento de todo el ciclo de vida de la IA, la capa intermedia incluye la gestión de datos, el desarrollo de modelos y los servicios de inferencia de validación que conectan la infraestructura con las aplicaciones, mientras que la capa de aplicaciones se enfoca 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, la potencia de cálculo, AI Chain y la plataforma de desarrollo se clasifican como parte de la capa de infraestructura. Es gracias al soporte de estas infraestructuras que se puede llevar a cabo el entrenamiento y la inferencia de modelos de IA, presentando así 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 su potencia de cálculo para obtener ganancias, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevas formas de jugar, como Compute Labs, que propuso un protocolo tokenizado, donde los usuarios pueden participar en el alquiler de potencia de cálculo de diferentes maneras al comprar NFTs 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 comerciar 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 avance de la tecnología de 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 para subredes.
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 fomenta la amplia aplicación de la tecnología de IA en el ecosistema Web3.
Capa intermedia:
Esta capa involucra datos de IA, modelos, así como razonamiento y verificación, y al utilizar tecnología Web3 se puede lograr una mayor eficiencia laboral.
Datos: La calidad y cantidad de los datos son factores clave que afectan la efectividad del entrenamiento del modelo. En el mundo de Web3, a través de datos de crowdsourcing y procesamiento colaborativo de datos, se puede optimizar la utilización de recursos y reducir los costos de los datos. Los usuarios pueden tener autonomía sobre sus datos y venderlos bajo protección de la privacidad, para evitar que comerciantes deshonestos los roben y obtengan altos beneficios. Para los demandantes de datos, estas plataformas ofrecen una amplia variedad de opciones y costos extremadamente bajos. Proyectos representativos como Grass utilizan el ancho de banda de los usuarios para recopilar datos de la Web, xData recopila información de medios a través de un complemento fácil de usar y permite a los usuarios subir información de tweets.
Además, algunas plataformas permiten a expertos en el campo o a usuarios comunes realizar tareas de preprocesamiento de datos, como la anotación de imágenes y la clasificación de datos, que pueden requerir conocimientos especializados en tareas financieras y legales de procesamiento de datos. Los usuarios pueden tokenizar sus habilidades y 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 AIT Protocolt etiqueta los datos a través de la colaboración entre humanos y máquinas.
Modelo: En el proceso de desarrollo de IA mencionado anteriormente, diferentes tipos de necesidades requieren la asignación de un modelo adecuado. Modelos comúnmente utilizados para tareas de imagen como CNN, GAN; para tareas de detección de objetos se puede elegir la serie Yolo; para tareas de texto, los modelos comunes son RNN, Transformer, entre otros, y por supuesto, hay algunos modelos grandes específicos o generales. La profundidad del modelo necesaria varía según la complejidad de la tarea; 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 convocatoria de masas, 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 del modelo. Las herramientas de desarrollo proporcionadas por Sahara AI incorporan algoritmos de IA avanzados y marcos de computación, y tienen la capacidad de entrenamiento colaborativo.
Inferencia y validación: Después de que el modelo ha sido entrenado, generará archivos de pesos del modelo, que se pueden utilizar para realizar clasificaciones, predicciones u otras tareas específicas; este proceso se denomina inferencia. El proceso de inferencia generalmente va acompañado de mecanismos de validación, para verificar si la fuente del modelo de inferencia es correcta, si existen comportamientos maliciosos, etc. La inferencia en Web3 generalmente se puede integrar en contratos inteligentes, a través de la llamada al modelo para realizar la inferencia. Los métodos de validación comunes incluyen tecnologías como ZKML, OPML y TEE. Proyectos representativos como el oráculo de IA en la cadena ORA (OAO) han introducido OPML como la capa verificable del oráculo de IA, y en el sitio web oficial de ORA también se menciona su investigación sobre ZKML y opp/ai (ZKML combinado con OPML).
Capa de aplicación:
Esta capa está principalmente orientada a aplicaciones dirigidas al usuario, combinando la IA con Web3 para crear formas de juego más interesantes e innovadoras. Este artículo se centra principalmente en los proyectos de AIGC (Contenido Generado por IA), agentes de IA y análisis de datos.
This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.
16 me gusta
Recompensa
16
7
Compartir
Comentar
0/400
CommunityWorker
· 07-02 05:28
Otra vez van a hacer ai para tomar a la gente por tonta.
Ver originalesResponder0
StakeOrRegret
· 07-02 05:27
Otra gran producción, ¡qué rico~ ya estaba esperando esto!
Ver originalesResponder0
fren.eth
· 07-02 05:26
Ser engañados de nuevo quieren contar una nueva historia.
Ver originalesResponder0
VibesOverCharts
· 07-02 05:25
Dejemos de lado el análisis de la pista y veamos qué proyecto está haciendo un Airdrop.
Ver originalesResponder0
FUDwatcher
· 07-02 05:24
¿Eso es todo? Profundidad del análisis es solo trampa.
Ver originalesResponder0
TokenomicsTinfoilHat
· 07-02 05:17
¿Otra vez especulando con la IA? Ya dijimos que iba a llegar al límite hace seis meses.
Ver originalesResponder0
RektRecovery
· 07-02 05:08
otra pieza de hype de AI + web3... he visto esta película antes, para ser honesto
Web3-AI: interpretación panorámica: fusión tecnológica, escenarios de aplicación y análisis profundo de proyectos de primer nivel
Informe panorámico del sector Web3-AI: análisis profundo de la lógica técnica, aplicaciones en escenarios y proyectos de primer nivel Profundidad
Con el continuo aumento del interés en la narrativa de la IA, cada vez más atención se centra en este campo. Este artículo realiza un análisis profundo de la lógica técnica, los escenarios de aplicación y los proyectos representativos en la pista de Web3-AI, presentando una visión completa del panorama y las tendencias de desarrollo en este ámbito.
Uno, Web3-AI: Análisis de la lógica técnica y las oportunidades de mercado emergentes
1.1 Lógica de fusión entre Web3 y AI: ¿cómo definir la pista Web-AI?
En el último año, la narración de IA ha sido excepcionalmente popular en la industria de Web3, con proyectos de IA surgiendo como champiñones después de la lluvia. Aunque hay muchos proyectos que involucran tecnología de IA, algunos proyectos utilizan IA solo en ciertas partes de su producto, y la economía de tokens subyacente no tiene una conexión sustancial con los productos de IA, por lo que estos proyectos no se incluirán en la discusión de proyectos Web3-AI en este artículo.
El enfoque de este artículo está en el uso de blockchain para resolver problemas de relaciones de producción, y proyectos que utilizan IA para resolver problemas de productividad. Estos proyectos ofrecen productos de IA y se basan en modelos económicos de Web3 como herramientas para las relaciones de producción, complementándose entre sí. Clasificamos este tipo de proyectos en la pista Web3-AI. Para que los lectores comprendan mejor la pista Web3-AI, este artículo presentará el proceso de desarrollo y los desafíos de la IA, así como cómo la combinación de Web3 e IA puede resolver problemas y crear nuevos escenarios de aplicación de manera perfecta.
1.2 El proceso de desarrollo de la IA y los desafíos: desde la recolección de datos hasta la inferencia del modelo
La tecnología de IA es una técnica que permite a las computadoras simular, ampliar y mejorar la inteligencia humana. Puede permitir a las computadoras realizar 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: recolección de datos y preprocesamiento de datos, selección y ajuste del modelo, entrenamiento del modelo e inferencia. Para dar un ejemplo simple, al desarrollar un modelo para clasificar imágenes de gatos y perros, necesitarás:
Recolección de datos y preprocesamiento de datos: recolectar un conjunto de datos de imágenes que contenga gatos y perros, se puede usar un conjunto de datos público o recolectar datos reales. Luego, etiquetar cada imagen con su categoría (gato o perro), asegurando que las etiquetas sean precisas. Convertir las imágenes a un formato que el modelo pueda reconocer, dividir el conjunto de datos en conjunto de entrenamiento, conjunto de validación y conjunto de prueba.
Selección y ajuste del modelo: elegir el modelo adecuado, como las redes neuronales convolucionales (CNN), que son más adecuadas para tareas de clasificación de imágenes. Ajustar los parámetros o la arquitectura del modelo según diferentes necesidades; generalmente, la profundidad de la red del modelo se puede ajustar según la complejidad de la tarea de IA. En este ejemplo simple de clasificación, una red menos profunda puede ser suficiente.
Entrenamiento del modelo: se pueden utilizar GPU, TPU o clústeres de computación de alto rendimiento para entrenar el modelo, el tiempo de entrenamiento se ve afectado por la complejidad del modelo y la capacidad de cálculo.
Inferencia del modelo: Los archivos del modelo que han sido entrenados normalmente se denominan pesos del modelo, y el proceso de inferencia se refiere al proceso de utilizar un modelo ya entrenado para predecir o clasificar nuevos datos. En este proceso, se puede utilizar un conjunto de pruebas o nuevos datos para evaluar el rendimiento de clasificación del modelo, normalmente utilizando métricas como precisión, tasa de recuperación y 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 del modelo, así como el entrenamiento, se lleva a cabo la inferencia del modelo entrenado en el conjunto de prueba para obtener los valores de predicción de gato y perro P (probabilidad), es decir, la probabilidad de que el modelo infiera que es un gato o un perro.
Los modelos de IA entrenados se pueden integrar aún más en diversas aplicaciones para realizar diferentes tareas. En este ejemplo, un 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 los 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 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: pequeños equipos o individuos pueden enfrentar limitaciones de no tener acceso a datos de código abierto al adquirir datos en campos específicos (como datos médicos).
Selección y ajuste de modelos: para equipos pequeños, es difícil obtener recursos de modelos específicos o gastar grandes costos en el ajuste de modelos.
Obtención de potencia de cálculo: para desarrolladores individuales y pequeños equipos, 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, mientras que los resultados de investigación de los desarrolladores de IA también son difíciles de coincidir con compradores que tienen demanda.
Los desafíos existentes en el escenario de la IA centralizada pueden superarse al combinarse con Web3, que como una nueva relación de producción, se adapta naturalmente a la IA que representa nuevas fuerzas productivas, promoviendo así el progreso simultáneo de la tecnología y la capacidad de producción.
1.3 La sinergia entre Web3 y la IA: Transformación de roles y aplicaciones innovadoras
La combinación de Web3 con 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 meros usuarios de AI en la era de Web2 a participantes, creando AI que todos puedan poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología AI también puede generar más escenarios de aplicación innovadores y formas de jugar.
Basado en la tecnología Web3, el desarrollo y la aplicación de la IA darán paso a un nuevo sistema económico de colaboración. La privacidad de los datos de las personas puede ser garantizada, y el modelo de colaboración de datos promueve el avance de los modelos de IA. Muchos recursos de IA de código abierto están disponibles para los usuarios, y la potencia de cálculo compartida se puede obtener a un costo más bajo. Con la ayuda de un mecanismo de colaboración descentralizado y un mercado de IA abierto, se puede lograr un sistema de distribución de ingresos justo, lo que incentiva 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 vías. 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 escenas de juego variadas y experiencias interactivas interesantes en GameFi. Una infraestructura rica proporciona una experiencia de desarrollo fluida, ya sea para expertos en IA o para principiantes que desean ingresar al campo de la IA, todos pueden encontrar una entrada adecuada en este mundo.
Dos, interpretación del mapa y la arquitectura del proyecto ecosistema Web3-AI
Principalmente estudiamos 41 proyectos en la pista de Web3-AI y clasificamos estos proyectos en diferentes niveles. La lógica de clasificación de cada nivel se muestra en la siguiente imagen, que incluye la capa de infraestructura, la capa intermedia y la capa de aplicación, y cada capa 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 soportan el funcionamiento de todo el ciclo de vida de la IA, la capa intermedia incluye la gestión de datos, el desarrollo de modelos y los servicios de inferencia de validación que conectan la infraestructura con las aplicaciones, mientras que la capa de aplicaciones se enfoca 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, la potencia de cálculo, AI Chain y la plataforma de desarrollo se clasifican como parte de la capa de infraestructura. Es gracias al soporte de estas infraestructuras que se puede llevar a cabo el entrenamiento y la inferencia de modelos de IA, presentando así 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 su potencia de cálculo para obtener ganancias, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevas formas de jugar, como Compute Labs, que propuso un protocolo tokenizado, donde los usuarios pueden participar en el alquiler de potencia de cálculo de diferentes maneras al comprar NFTs 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 comerciar 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 avance de la tecnología de 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 para subredes.
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 fomenta la amplia aplicación de la tecnología de IA en el ecosistema Web3.
Capa intermedia:
Esta capa involucra datos de IA, modelos, así como razonamiento y verificación, y al utilizar tecnología Web3 se 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 anotación de imágenes y la clasificación de datos, que pueden requerir conocimientos especializados en tareas financieras y legales de procesamiento de datos. Los usuarios pueden tokenizar sus habilidades y 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 AIT Protocolt etiqueta los datos a través de la colaboración entre humanos y máquinas.
Algunos proyectos permiten a los usuarios proporcionar diferentes tipos de modelos o colaborar en el entrenamiento de modelos a través de la convocatoria de masas, 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 del modelo. Las herramientas de desarrollo proporcionadas por Sahara AI incorporan algoritmos de IA avanzados y marcos de computación, y tienen la capacidad de entrenamiento colaborativo.
Capa de aplicación:
Esta capa está principalmente orientada a aplicaciones dirigidas al usuario, combinando la IA con Web3 para crear formas de juego más interesantes e innovadoras. Este artículo se centra principalmente en los proyectos de AIGC (Contenido Generado por IA), agentes de IA y análisis de datos.