Informe panorámico del sector Web3-AI: análisis profundo de la lógica técnica, aplicaciones en escenarios y proyectos de primer nivel

Con el continuo aumento de la narrativa de IA, cada vez más atención se centra en este campo. Este artículo analiza en profundidad la lógica técnica, los escenarios de aplicación y los proyectos representativos del campo Web3-AI, presentando una visión general y las tendencias de desarrollo en esta área.

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 Web3-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 del token subyacente no tiene una relación sustancial con los productos de IA; por lo tanto, estos proyectos no se consideran dentro de la discusión de proyectos Web3-AI en este artículo.

El enfoque de este artículo está en 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 están basados en un modelo económico Web3 como herramienta de relaciones de producción, ambos se complementan entre sí. Clasificamos estos proyectos como la pista Web3-AI. Para que los lectores comprendan mejor la pista Web3-AI, este artículo presentará el proceso de desarrollo de AI y los desafíos, así como cómo la combinación de Web3 y AI resuelve problemas de manera perfecta y crea 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 técnica que permite a las computadoras simular, extender y mejorar la inteligencia humana. Puede permitir que las computadoras realicen diversas tareas complejas, desde la traducción de idiomas, clasificación de imágenes hasta el reconocimiento facial, 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 e inferencia del modelo. Para dar un ejemplo sencillo, al desarrollar un modelo para clasificar imágenes de gatos y perros, necesitarás:

1. Recopilación de datos y preprocesamiento de datos: recopilar un conjunto de datos de imágenes que contenga gatos y perros, se puede utilizar un conjunto de datos público o recopilar datos reales por cuenta propia. Luego, etiquetar cada imagen con la categoría ( gato o perro ), asegurándose de que las etiquetas sean precisas. Convertir las imágenes a un formato que el modelo pueda reconocer, dividiendo el conjunto de datos en conjunto de entrenamiento, conjunto de validación y conjunto de prueba.

2. 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, las capas de la red del modelo se pueden ajustar según la complejidad de la tarea de IA. En este simple ejemplo de clasificación, una red de capas más superficial podría ser suficiente.

3. Entrenamiento del modelo: se puede 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.

4. Inferencia del modelo: El archivo del modelo entrenado generalmente se llama peso del modelo, y el proceso de inferencia se refiere al proceso de usar 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, generalmente utilizando métricas como la precisión, la recuperación, el F1-score, entre otros, para evaluar la efectividad del modelo.

Sin embargo, el proceso de desarrollo de IA centralizada presenta algunos problemas en los siguientes escenarios:

Privacidad del usuario: en un escenario centralizado, el proceso de desarrollo de IA suele ser opaco. Los datos de los usuarios pueden ser robados sin su conocimiento y utilizados para el entrenamiento de IA.

Obtención de fuentes de datos: pequeños equipos o individuos que obtienen datos de campos específicos (, como datos médicos ), pueden enfrentar limitaciones por la falta de apertura de los datos.

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 poder de cálculo: para desarrolladores individuales y pequeños equipos, el alto costo de compra de GPU y las tarifas de alquiler de poder de cálculo en la nube pueden representar una carga económica significativa.

Ingresos de activos de IA: los trabajadores de etiquetado de datos a menudo no pueden obtener ingresos que coincidan con su esfuerzo, y los resultados de investigación de los desarrolladores de IA también son difíciles de coincidir con los compradores que tienen demanda.

Los desafíos que existen en el escenario de la IA centralizada pueden ser abordados a través de la combinación con Web3. Web3, como una nueva forma de relación de producción, se adapta de manera natural a la IA, que representa una nueva forma de fuerza productiva, 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 fortalecer la soberanía del usuario, proporcionando a los usuarios una plataforma de colaboración de IA abierta, permitiendo que los usuarios pasen de ser consumidores de IA en la era Web2 a participantes, creando una IA que todos pueden 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 la bienvenida 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, numerosos recursos de IA de código abierto están disponibles para los usuarios, y la potencia de cálculo compartida se puede obtener a un costo relativamente 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 a su vez incentiva a más personas a impulsar el progreso de la tecnología de IA.

En el escenario de 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 papel de "artista", como crear su propio NFT utilizando tecnología de IA, sino que también puede crear escenarios de juego variados y experiencias interactivas interesantes en 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 de los proyectos ecosistémicos Web3-AI

Principalmente hemos investigado 41 proyectos en el ámbito de Web3-AI y hemos clasificado estos proyectos en diferentes niveles. La lógica de clasificación de cada nivel se muestra en la siguiente imagen, incluyendo la capa de infraestructura, la capa intermedia y la capa de aplicación, cada una de las cuales se divide en diferentes segmentos. En el siguiente capítulo, realizaremos un análisis profundo de algunos proyectos representativos.

La capa de infraestructura abarca los recursos computacionales y la arquitectura técnica que soportan el 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 validación e inferencia que conectan la infraestructura con las aplicaciones, mientras que 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 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 un uso de recursos de computación eficiente y económico. Algunos proyectos han ofrecido un mercado de potencia de cálculo descentralizada, donde los usuarios pueden alquilar potencia de cálculo a bajo costo o compartir potencia de cálculo para obtener ganancias, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevas formas de participación, como Compute Labs, que han propuesto un protocolo tokenizado, donde los usuarios pueden participar en el alquiler de potencia de cálculo de diferentes maneras mediante la compra de NFT que representan entidades de GPU.

• AI Chain: Utiliza la cadena de bloques como base para el ciclo de vida de la IA, logrando la interacción sin problemas de los recursos de IA en línea y fuera de línea, promoviendo el desarrollo del ecosistema de la industria. El mercado descentralizado de IA en la cadena puede comerciar activos de IA como datos, modelos, agentes, etc., y ofrece un marco de desarrollo de IA y herramientas de desarrollo complementarias, representado por proyectos como Sahara AI. AI Chain también puede promover el progreso de la tecnología de IA en diferentes campos, como Bittensor, que fomenta la competencia de 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 integrales ayudan a los desarrolladores a crear, entrenar y desplegar modelos de IA de manera más conveniente, representadas por proyectos como Nimble. Esta infraestructura promueve la amplia aplicación de la tecnología de IA en el ecosistema Web3.

Capa intermedia:

Este nivel implica datos de IA, modelos, así como inferencia y verificación; el uso de tecnología Web3 puede lograr una mayor eficiencia laboral.

• Datos: La calidad y cantidad de los datos son factores clave que influyen en la efectividad del entrenamiento del modelo. En el mundo Web3, a través de la recopilación de datos y el procesamiento colaborativo de datos, se puede optimizar la utilización de recursos y reducir los costos de los datos. Los usuarios pueden tener el control sobre sus datos, vendiéndolos bajo condiciones de protección de la privacidad, para evitar que los comerciantes malintencionados los roben y obtengan grandes beneficios. Para los demandantes de datos, estas plataformas ofrecen una amplia gama de opciones y costos extremadamente 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 fácil de usar y apoya a los usuarios a 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 etiquetación de imágenes y la clasificación de datos. Estas tareas pueden requerir conocimientos especializados en el procesamiento de datos financieros y legales. Los usuarios pueden tokenizar sus habilidades, logrando la colaboración y el crowdsourcing en el preprocesamiento de datos. Representa como el mercado de IA de Sahara AI, que cuenta con tareas de datos en diferentes campos, pudiendo abarcar escenarios de datos de múltiples dominios; mientras que AIT Protocolt etiqueta los datos a través de un enfoque de colaboración entre humanos y máquinas.

• Modelo: En el proceso de desarrollo de IA mencionado anteriormente, diferentes tipos de demandas requieren emparejar modelos adecuados. Modelos comúnmente utilizados para tareas de imagen incluyen CNN y GAN; para tareas de detección de objetos se puede elegir la serie Yolo; para tareas de texto, son comunes los modelos RNN y Transformer, así como algunos modelos grandes específicos o generales. La profundidad del modelo necesaria varía según la complejidad de la tarea, y a veces es necesario ajustar el modelo.

Algunos proyectos permiten a los usuarios proporcionar diferentes tipos de modelos o colaborar en el entrenamiento de modelos a través de la multitud, como Sentient, que mediante un diseño modular, permite a los usuarios almacenar datos de modelos confiables en la capa de almacenamiento y distribución para la optimización de modelos. Las herramientas de desarrollo proporcionadas por Sahara AI incorporan algoritmos de IA avanzados y marcos de cálculo, y poseen la capacidad de entrenamiento colaborativo.

• Inferencia y validación: Después de que el modelo ha sido entrenado, generará un archivo de pesos del modelo, que se puede utilizar para realizar clasificación, predicciones u otras tareas específicas; este proceso se denomina inferencia. El proceso de inferencia generalmente está acompañado de un mecanismo de validación para verificar si la fuente del modelo de inferencia es correcta, si hay comportamientos maliciosos, etc. La inferencia en Web3 a menudo se puede integrar en contratos inteligentes, mediante la invocación del modelo para realizar inferencias. 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 para el oráculo de IA, y en el sitio web oficial de ORA también mencionaron su investigación sobre la combinación de ZKML y opp/ai(ZKML con OPML).

Capa de aplicación:

Esta capa está principalmente orientada a aplicaciones dirigidas al usuario, combinando AI con Web3 para crear formas de juego más interesantes e innovadoras. Este artículo se centra principalmente en organizar los proyectos de AIGC(, contenido generado por AI), agentes de AI y análisis de datos en estos varios sectores.

• AIGC: A través de AIGC se puede expandir a las áreas de NFT, juegos y otros en Web3. Los usuarios pueden generar texto, imágenes y audio directamente a través de las palabras clave que proporcionan con Prompt(, e incluso pueden crear jugabilidad personalizada en los juegos según sus preferencias. Proyectos NFT como NFPrompt permiten a los usuarios generar NFT mediante AI para comerciar en el mercado; juegos como Sleepless permiten a los usuarios dar forma a la personalidad de un compañero virtual a través de diálogos para coincidir con sus preferencias;

• Agente de IA: se refiere a un sistema de inteligencia artificial que puede 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. Ejemplos comunes de agentes de IA incluyen la traducción de idiomas, el aprendizaje de idiomas, la conversión de imágenes a texto, etc.; en el escenario de Web3, pueden generar robots de comercio, generar memes, detección de seguridad en cadena, entre otros. MyShell, como plataforma de agentes de IA, ofrece diversos tipos de agentes, incluyendo aprendizaje educativo, compañeros virtuales, agentes de comercio, etc., y proporciona herramientas de desarrollo de agentes amigables para el usuario, permitiendo crear su propio agente sin necesidad de codificación.

• Análisis de datos: A través de la integración de tecnologías de IA y bases de datos de campos relacionados, se logra el análisis, juicio, predicción, etc. de los datos. En Web3, se puede ayudar a los usuarios a tomar decisiones de inversión analizando datos del mercado, dinámicas de dinero inteligente, etc. La predicción de tokens también es un escenario de aplicación único en Web3, representado por proyectos como Ocean, donde se ha establecido oficialmente la predicción de tokens.