Rapport panoramique sur le domaine Web3-AI : logique technique, applications scénaristiques et analyse approfondie des projets de premier plan

Avec la montée en puissance de la narration AI, de plus en plus d'attention est portée sur ce secteur. Cet article analyse en profondeur la logique technique, les cas d'application et les projets représentatifs du secteur Web3-AI, vous présentant ainsi un panorama complet et les tendances de développement de 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 AI : comment définir le secteur Web-AI

Au cours de l'année écoulée, la narration AI a connu un succès exceptionnel dans l'industrie Web3, avec des projets AI apparaissant comme des champignons après la pluie. Bien qu'il existe de nombreux projets impliquant des technologies AI, certains projets n'utilisent l'AI que dans certaines parties de leurs produits, et l'économie des jetons sous-jacente n'a pas de lien substantiel avec les produits AI. Par conséquent, ces projets ne sont pas inclus dans la discussion des 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 des problèmes de productivité. Ces projets offrent eux-mêmes des produits d'IA tout en s'appuyant 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. Afin d'aider les lecteurs à mieux comprendre la catégorie Web3-AI, cet article présentera le processus de développement de l'IA et les défis associés, ainsi que la manière dont la combinaison de Web3 et d'IA résout parfaitement les problèmes et crée 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 diverses tâches complexes, allant de la traduction de langues, de la classification d'images à la reconnaissance faciale et à la conduite autonome, l'IA est en train de changer notre mode de vie et de travail.

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 :

1. Collecte de données et prétraitement des données : Collectez un ensemble de données d'images contenant des chats et des chiens, en utilisant des ensembles de données publics ou en collectant vos propres données réelles. Ensuite, étiquetez chaque image avec sa catégorie (chat ou chien), en vous assurant que les étiquettes sont exactes. Transformez 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.

2. Choix et ajustement du modèle : Choisissez un modèle approprié, comme les réseaux de neurones convolutifs (CNN), qui conviennent particulièrement aux tâches de classification d'images. Ajustez les paramètres ou l'architecture du modèle en fonction des besoins spécifiques ; en général, la profondeur du réseau peut être ajustée en fonction de la complexité de la tâche AI. Dans cet exemple simple de classification, une profondeur de réseau moins importante peut être suffisante.

3. Entraînement du modèle : il est possible d'utiliser des GPU, des TPU ou des clusters de calcul haute performance pour entraîner le modèle, le temps d'entraînement étant affecté par la complexité du modèle et la capacité de calcul.

4. Inférence du modèle : Les fichiers de modèle entraînés sont généralement appelés poids du modèle. Le processus d'inférence fait référence à l'utilisation d'un modèle déjà entraîné pour prédire ou classer de nouvelles données. Au cours de ce processus, un ensemble de test ou de nouvelles données peut être utilisé pour évaluer l'efficacité de la classification du modèle, généralement 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'ajustement du modèle, et l'entraînement, le modèle entraîné est utilisé pour effectuer des inférences sur l'ensemble de test, ce qui donnera 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 téléchargent des images de chats ou de chiens pour 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 contexte centralisé, le processus de développement de l'IA est souvent 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 individus peuvent faire face à des restrictions de non-licence de données lorsqu'ils obtiennent des données spécifiques à un domaine (comme les données médicales).

Choix et ajustement du modèle : pour les petites équipes, il est difficile d'accéder aux ressources de modèles spécifiques à un domaine ou de dépenser beaucoup de coûts pour l'ajustement du modèle.

Obtention de puissance de calcul : pour les développeurs individuels et les petites équipes, le coût élevé d'achat des GPU et les frais de location de puissance de calcul dans le cloud peuvent constituer un fardeau économique significatif.

Revenu des actifs AI : Les travailleurs de l'annotation de données ont souvent du mal à obtenir un revenu correspondant à leurs efforts, tandis que les résultats de recherche des développeurs d'IA peinent également à correspondre aux acheteurs qui en ont besoin.

Les défis présents dans les scénarios d'IA centralisée peuvent être surmontés en les combinant avec le Web3, qui, en tant que nouvelle relation de production, s'adapte naturellement à l'IA représentant une nouvelle productivité, permettant ainsi une avancée simultanée des technologies et des capacités de production.

1.3 Web3 et l'IA : synergie, transformation des rôles et applications innovantes

La combinaison de Web3 et de l'IA peut renforcer la souveraineté des utilisateurs, en leur fournissant une plateforme de collaboration AI ouverte, permettant aux utilisateurs de passer du statut d'utilisateurs de l'IA à l'ère Web2 à celui de participants, créant une IA que tout le monde peut posséder. En même temps, la fusion du monde Web3 avec les technologies de l'IA peut également générer davantage de scénarios d'application innovants et de nouvelles manières de jouer.

Avec la technologie Web3, le développement et l'application de l'IA entreront dans un tout nouveau système économique collaboratif. La confidentialité des données des utilisateurs sera 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 réduit. Grâce à un mécanisme de collaboration décentralisé et à un marché ouvert de l'IA, un système de répartition équitable des revenus pourra être réalisé, incitant ainsi davantage de personnes à promouvoir les avancées de la technologie IA.

Dans le contexte de Web3, l'IA peut avoir un impact positif dans plusieurs domaines. Par exemple, les modèles d'IA peuvent être intégrés dans les contrats intelligents pour améliorer l'efficacité du travail dans différents scénarios d'application, tels que l'analyse de marché, la détection de sécurité, le clustering social, et bien d'autres fonctionnalités. L'IA générative permet non seulement aux utilisateurs de vivre le rôle d'un "artiste", par exemple en utilisant la technologie de l'IA pour créer leurs propres NFT, mais elle peut aussi créer des scènes de jeu variées et des expériences interactives intéressantes dans GameFi. Une infrastructure riche offre une expérience de développement fluide, que ce soit pour les experts en IA ou pour les débutants souhaitant entrer dans le domaine de l'IA, chacun peut trouver une entrée appropriée dans ce monde.

Deux, 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 les avons classés en différents niveaux. La logique de classification de chaque niveau est illustrée dans le diagramme ci-dessous, comprenant la couche d'infrastructure, la couche intermédiaire et la couche d'application, chaque couche étant 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 de calcul et l'architecture technique qui soutiennent le fonctionnement de l'ensemble du cycle de vie de l'IA, la couche intermédiaire comprend la gestion des données, le développement de modèles et les services de vérification et de raisonnement qui relient l'infrastructure aux applications, tandis que la couche d'application se concentre sur les diverses applications et solutions directement destinées aux utilisateurs.

Couche d'infrastructure :

La couche d'infrastructure est la base du cycle de vie de l'IA. Cet article classe la puissance de calcul, la chaîne AI et la plateforme de développement comme appartenant à la couche d'infrastructure. Ce sont ces infrastructures qui permettent d'effectuer l'entraînement et l'inférence des modèles d'IA, et de présenter aux utilisateurs des applications d'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 offrent des marchés de puissance de calcul décentralisés, où les utilisateurs peuvent louer de la puissance de calcul à faible coût ou partager leur puissance de calcul pour en tirer des bénéfices, avec des projets représentatifs comme IO.NET et Hyperbolic. De plus, certains projets ont dérivé de nouvelles façons de jouer, comme Compute Labs, qui propose des protocoles tokenisés, permettant aux utilisateurs de participer de différentes manières à la location de puissance de calcul pour obtenir des bénéfices en achetant des NFT représentant des entités GPU.

• AI Chain : Utiliser la blockchain comme base pour le cycle de vie de l'IA, permettant une interaction fluide entre les ressources IA en ligne et hors ligne, et 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 un cadre de développement IA ainsi que des outils de développement associés, avec des projets représentatifs comme Sahara AI. AI Chain peut également favoriser les avancées technologiques de l'IA dans différents domaines, comme Bittensor qui stimule la concurrence entre différents types de sous-réseaux par un mécanisme d'incitation innovant.

• Plateforme de développement : certains projets offrent 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, avec des projets représentatifs comme Nimble. Ces infrastructures favorisent l'application généralisée 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, 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 du Web3, grâce aux données en crowdsourcing et au traitement collaboratif des données, il est possible d'optimiser l'utilisation des ressources et de réduire les coûts des données. Les utilisateurs peuvent avoir le pouvoir de disposer de leurs données et, dans le cadre de la protection de la vie privée, vendre leurs propres données afin d'éviter que des acteurs malveillants ne volent leurs données et n'en tirent des profits exorbitants. Pour les demandeurs de données, ces plateformes offrent un large éventail de choix et des coûts très bas. Des projets représentatifs comme Grass utilisent la bande passante des utilisateurs pour extraire des données du Web, xData collecte des informations médiatiques via un plugin convivial et permet aux utilisateurs de télécharger des informations de tweets.

De plus, certaines plateformes permettent aux experts du domaine ou aux utilisateurs ordinaires d'exécuter des tâches de prétraitement des données, telles que l'annotation d'images et la classification des données, ces tâches pouvant nécessiter des connaissances spécialisées en matière de traitement des données financières et juridiques. Les utilisateurs peuvent tokeniser leurs compétences, permettant ainsi la collaboration par le biais de l'outsourcing des prétraitements de données. Des exemples comme le marché de l'IA Sahara AI, qui propose des tâches de données dans différents domaines, peuvent couvrir des scénarios de données multi-domaines ; tandis que le protocole AIT marque les données par le biais de la collaboration homme-machine.

• Modèle : Dans le processus de développement de l'IA mentionné précédemment, différents types de besoins nécessitent des modèles adaptés. Pour les tâches d'image, des modèles couramment utilisés comme CNN et GAN, pour les tâches de détection d'objets, on peut choisir la série Yolo, et pour les tâches textuelles, des modèles tels que RNN et Transformer sont fréquents, bien sûr, il existe également des modèles spécifiques ou généraux. La profondeur des modèles nécessaires varie selon la complexité des tâches, et il peut parfois être 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 l'intelligence collective, comme Sentient qui, grâce à un design modulaire, permet aux utilisateurs de placer des données de modèles fiables dans des couches de stockage et 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 ont la capacité d'entraînement collaboratif.

• Inférence et validation : Une fois le modèle entraîné, il génère un fichier de poids du 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 l'origine du modèle d'inférence est correcte, s'il y a des comportements malveillants, etc. L'inférence Web3 peut généralement être intégrée dans des contrats intelligents, permettant d'appeler le modèle pour l'inférence. Les méthodes de validation courantes incluent des technologies telles que ZKML, OPML et TEE. Des projets représentatifs comme l'oracle AI sur la chaîne ORA (OAO) ont introduit OPML comme couche vérifiable pour l'oracle AI, et leur site officiel mentionne également leurs recherches sur ZKML et opp/ai (ZKML combiné avec OPML).

Couche d'application :

Ce niveau est principalement destiné aux applications orientées vers l'utilisateur, combinant l'IA et le Web3 pour créer des expériences plus intéressantes et innovantes. Cet article se concentre principalement sur les projets dans plusieurs domaines, notamment AIGC (contenu généré par l'IA), agents IA et analyse de données.

• AIGC : via AIGC