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

Avec la montée en puissance de la narration par l'IA, de plus en plus d'attention se concentre sur ce secteur. Cet article analyse en profondeur la logique technique, les cas d'utilisation et les projets représentatifs du secteur Web3-AI, vous présentant ainsi un panorama complet et les tendances de développement dans ce domaine.

I. Web3-AI : analyse de la logique technologique et des nouvelles opportunités de marché

1.1 La logique de fusion entre Web3 et l'IA : comment définir le secteur Web3-AI

Au cours de l'année écoulée, la narration AI a connu un succès exceptionnel dans l'industrie Web3, avec des projets AI qui ont surgi 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 tokens sous-jacente n'a pas de lien substantiel avec les produits AI. Par conséquent, ces types de projets ne font pas partie de la discussion sur les projets Web3-AI dans cet article.

L'article se concentre sur les projets qui utilisent la blockchain pour résoudre des problèmes de relations de production et l'IA pour résoudre des problèmes de productivité. Ces projets eux-mêmes offrent des produits d'IA et sont basés sur un modèle économique Web3 en tant qu'outil de relations de production, les deux se complétant mutuellement. Nous classons ce type de projet dans la catégorie Web3-AI. Afin de permettre aux lecteurs de mieux comprendre la catégorie Web3-AI, cet article présentera le processus de développement et les défis de l'IA, ainsi que la manière dont la combinaison de Web3 et d'IA peut parfaitement résoudre des 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 AI 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, jusqu'à la reconnaissance faciale et la conduite autonome, AI est en train de changer notre façon de vivre et de travailler.

Le processus de développement d'un modèle d'intelligence artificielle comprend généralement les étapes clés suivantes : la collecte de données et le prétraitement des données, le choix et le réglage du modèle, l'entraînement du modèle et l'inférence. Prenons un exemple simple, pour développer un modèle pour classer les images de chats et de chiens, vous devez :

1. Collecte de données et prétraitement des données : collectez un ensemble de données d'images contenant des chats et des chiens, vous pouvez utiliser un ensemble de données public ou collecter vous-même des données réelles. Ensuite, étiquetez chaque image avec la catégorie ( chat ou chien ), en veillant à ce que les étiquettes soient précises. Transformez les images dans un format que le modèle peut reconnaître, puis divisez l'ensemble de données en ensemble d'entraînement, ensemble de validation et ensemble de test.

2. Sélection et ajustement du modèle : Choisissez le modèle approprié, comme les réseaux de neurones convolutifs (CNN), qui sont particulièrement adaptés aux tâches de classification d'images. Ajustez les paramètres ou l'architecture du modèle en fonction des besoins différents. En général, les niveaux de réseau du modèle peuvent être ajustés en fonction de la complexité de la tâche d'IA. Dans cet exemple simple de classification, des niveaux de réseau plus superficiels peuvent suffire.

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 influencé par la complexité du modèle et la capacité de calcul.

4. Inférence du modèle : Le fichier du modèle entraîné est généralement appelé poids du modèle. 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 tests 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 F1-score.

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.

Source de données : les petites équipes ou les individus qui cherchent à obtenir des données spécifiques dans des domaines tels que les données médicales ( peuvent rencontrer des limitations dues à l'absence d'ouverture des données.

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

Acquisition de puissance de calcul : pour les développeurs individuels et les petites équipes, le coût élevé d'achat de 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 obtiennent souvent des revenus qui ne correspondent pas à leurs efforts, tandis que les résultats de recherche des développeurs d'IA ont également du mal à correspondre aux acheteurs en demande.

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

) 1.3 La synergie entre Web3 et l'IA : changement de rôle et applications innovantes

La combinaison de Web3 et de l'IA peut renforcer la souveraineté des utilisateurs, en leur offrant une plateforme de collaboration IA ouverte, permettant aux utilisateurs de passer de l'utilisation de l'IA à l'ère Web2 à celle de participants, créant une IA que tout le monde peut posséder. En même temps, la fusion du monde Web3 et des technologies IA peut également engendrer davantage de scénarios d'application et de jeux innovants.

Grâce à la technologie Web3, le développement et l'application de l'IA s'engageront dans un tout nouveau système économique collaboratif. La vie privée des données des utilisateurs peut être protégée, le modèle de crowdsourcing des données favorise le progrès des modèles d'IA, de nombreuses ressources d'IA open source sont disponibles pour les utilisateurs, et la puissance de calcul partagée peut être obtenue à un coût réduit. Grâce à un mécanisme décentralisé de crowdsourcing collaboratif et à un marché de l'IA ouvert, il est possible de réaliser un système de répartition équitable des revenus, incitant ainsi davantage de personnes à faire avancer la technologie de l'IA.

Dans le scénario Web3, l'IA peut avoir un impact positif dans plusieurs domaines. Par exemple, les modèles d'IA peuvent être intégrés dans des contrats intelligents pour améliorer l'efficacité du travail dans différents cas d'application, tels que l'analyse de marché, la détection de sécurité, le regroupement social, et d'autres fonctions. L'IA générative permet non seulement aux utilisateurs de vivre le rôle d'"artiste", comme en utilisant des technologies d'IA pour créer leurs propres NFT, mais aussi de créer des scènes de jeu riches et variées ainsi que des expériences d'interaction intéressantes dans 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 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 avons classé ces projets en différentes couches. La logique de classification de chaque couche 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 réaliserons 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 comprend la gestion des données, le développement de modèles et les services de validation et de raisonnement qui connectent l'infrastructure aux applications, tandis que la couche d'application se concentre sur diverses applications et solutions directement destinées aux utilisateurs.

![Web3-AI Panorama de rapport : logique technique, applications de scène et analyse approfondie des projets de pointe]###https://img-cdn.gateio.im/webp-social/moments-ad1811191c5ea0fa48c4b3287f37eaf6.webp(

Infrastructure Layer:

La couche d'infrastructure est la base du cycle de vie de l'IA. Cet article classe la puissance de calcul, AI Chain et la plateforme de développement comme faisant partie de la couche d'infrastructure. C'est grâce au soutien de ces infrastructures que l'entraînement et l'inférence des modèles d'IA peuvent être réalisés, et que des applications IA puissantes et pratiques peuvent être présentées aux utilisateurs.

• Réseau de calcul décentralisé : 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 un marché de puissance de calcul décentralisé, où les utilisateurs peuvent louer de la puissance de calcul à faible coût ou partager de la puissance de calcul pour obtenir des revenus, des projets représentatifs tels que IO.NET et Hyperbolic. De plus, certains projets ont donné naissance à de nouveaux modes d'utilisation, comme Compute Labs, qui propose un protocole de tokenisation, 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, réaliser une interaction sans couture entre les ressources IA sur chaîne et hors chaîne, et promouvoir le développement de l'écosystème industriel. Le marché décentralisé de l'IA sur 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 progrès technologiques de l'IA dans différents domaines, comme Bittensor qui stimule la compétition entre différents types de sous-réseaux grâce à un mécanisme d'incitation innovant.

• Plateforme de développement : certains projets offrent des plateformes de développement d'agents IA, et peuvent également réaliser des transactions d'agents IA, comme Fetch.ai et ChainML. Des outils tout-en-un aident les développeurs à créer, entraîner et déployer plus facilement des modèles IA, représentant des projets tels que Nimble. Cette infrastructure favorise l'application généralisée des technologies 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 permettant d'atteindre une efficacité de travail supérieure.

• 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, grâce aux données crowdsourcées 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 contrôle de leurs données et vendre les leurs tout en protégeant leur vie privée, afin d'éviter que leurs données ne soient volées par de mauvais commerçants et utilisées pour réaliser d'importants profits. 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, xData recueille des informations médiatiques via des plugins conviviaux et permet aux utilisateurs de télécharger des informations sur les 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 peuvent nécessiter des connaissances spécialisées en matière de finance et de droit. Les utilisateurs peuvent tokeniser leurs compétences pour réaliser un crowdsourcing collaboratif du prétraitement des données. Des exemples incluent le marché AI de Sahara AI, qui propose des tâches de données dans différents domaines, couvrant des scénarios de données multidisciplinaires ; tandis que le protocole AIT annotent les données par le biais de la collaboration homme-machine.

• Modèle : Lors du développement de l'IA mentionné précédemment, différents types de besoins nécessitent des modèles adaptés. Les modèles couramment utilisés pour les tâches d'image sont les CNN et les GAN, pour les tâches de détection d'objets, on peut choisir la série Yolo, et pour les tâches de texte, les modèles courants incluent les RNN et les Transformer, sans oublier certains grands modèles spécifiques ou généraux. La profondeur des modèles nécessaires varie également selon la complexité des tâches, et il peut parfois être nécessaire d'affiner le modèle.

Certains projets permettent aux utilisateurs de fournir différents types de modèles ou de collaborer à l'entraînement de modèles par le biais de l'outsourcing, comme Sentient qui, grâce à une conception modulaire, permet aux utilisateurs de placer des données de modèles fiables dans les 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 un cadre de calcul, et possèdent la capacité d'entraînement collaboratif.

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

Couche d'application :

Cette couche est principalement destinée aux applications orientées vers l'utilisateur, combinant l'IA avec le Web3 pour créer davantage de mécanismes intéressants et innovants. Cet article passe en revue les projets dans plusieurs domaines, notamment le contenu généré par l'IA AIGC), les agents IA et l'analyse de données.

• AIGC : Grâce à AIGC, il est possible de s'étendre aux secteurs NFT, jeux, etc. dans le Web3. Les utilisateurs peuvent directement générer du texte, des images et de l'audio via le Prompt( fourni par l'utilisateur), et même créer des modes de jeu personnalisés selon leurs préférences. Des projets NFT comme NFPrompt permettent aux utilisateurs de générer des NFT via l'IA pour les échanger sur le marché ; des jeux comme Sleepless permettent aux utilisateurs de façonner la personnalité de leur compagnon virtuel par le dialogue pour correspondre à leurs goûts ;

• Agent IA : désigne un système d'intelligence artificielle capable d'exécuter des tâches de manière autonome et de prendre des décisions. Les agents IA possèdent généralement des capacités de perception, de raisonnement, d'apprentissage et d'action, et peuvent exécuter des tâches complexes dans divers environnements. Des exemples courants d'agents IA incluent la traduction linguistique, l'apprentissage des langues, la conversion d'images en texte, etc. Dans le contexte de Web3, ils peuvent générer des robots de trading, créer des mèmes, effectuer des vérifications de sécurité en chaîne, etc. MyShell, en tant que plateforme d'agents IA, propose divers types d'agents, y compris l'apprentissage éducatif, les compagnons virtuels, les agents de trading, et offre des outils de développement d'agents conviviaux, permettant de créer son propre agent sans code.

• Analyse des données : En intégrant des technologies d'IA et des bases de données dans des domaines connexes, il est possible de réaliser l'analyse, le jugement, la prévision, etc. des données. Dans le Web3, cela peut aider les utilisateurs à prendre des décisions d'investissement en analysant les données du marché, les dynamiques des fonds intelligents, etc. La prévision des tokens est également un scénario d'application unique dans le Web3, avec des projets représentatifs tels qu'Ocean, où l'équipe officielle a mis en place des prévisions de tokens.