Relatório panorâmico sobre a pista Web3-AI: Análise profunda da lógica tecnológica, aplicações de cenários e principais projetos

Com o aquecimento contínuo da narrativa de IA, cada vez mais atenção está concentrada nesse campo. Este artigo analisa em profundidade a lógica técnica, os cenários de aplicação e os projetos representativos da pista Web3-AI, apresentando uma visão abrangente e as tendências de desenvolvimento neste campo.

I. Web3-AI: Análise da Lógica Tecnológica e Oportunidades em Mercados Emergentes

1.1 Lógica da fusão entre Web3 e IA: como definir a pista Web3-AI

No último ano, a narrativa da IA tem estado excepcionalmente em alta na indústria Web3, com projetos de IA a surgirem como cogumelos após a chuva. Embora haja muitos projetos que envolvem tecnologia de IA, alguns projetos utilizam IA apenas em certas partes de seus produtos, e a economia de tokens subjacente não tem uma ligação substancial com os produtos de IA; portanto, esses projetos não estão incluídos na discussão sobre projetos Web3-AI neste artigo.

O foco deste artigo está em projetos que utilizam blockchain para resolver problemas de relações de produção e AI para resolver problemas de produtividade, sendo que esses projetos oferecem produtos de AI e, ao mesmo tempo, utilizam um modelo econômico Web3 como ferramenta de relações de produção, ambos se complementando. Nós classificamos esses projetos como a vertente Web3-AI. Para que os leitores compreendam melhor a vertente Web3-AI, este artigo irá apresentar o processo de desenvolvimento e os desafios da AI, bem como como a combinação de Web3 e AI pode resolver problemas de forma perfeita e criar novos cenários de aplicação.

1.2 O processo de desenvolvimento da IA e 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, condução autónoma e outros cenários de aplicação. A IA está mudando a maneira como vivemos e trabalhamos.

O processo de desenvolvimento de um modelo de inteligência artificial geralmente inclui os seguintes passos-chave: coleta de dados e pré-processamento de dados, seleção e ajuste do modelo, treinamento e inferência do modelo. 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 que contenha gatos e cães, podendo usar conjuntos de dados públicos ou coletar dados reais por conta própria. Em seguida, rotular cada imagem com a categoria ( gato ou cão ), garantindo que as etiquetas estejam corretas. 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: escolha o modelo apropriado, como redes neurais convolucionais (CNN), que são mais adequadas para tarefas de classificação de imagens. Ajuste os parâmetros ou a arquitetura do modelo conforme as diferentes necessidades; geralmente, os níveis de rede do modelo podem ser ajustados de acordo com a complexidade da tarefa de IA. Neste exemplo simples de classificação, uma rede mais rasa pode ser suficiente.

3. Treinamento do modelo: pode-se usar GPU, TPU ou cluster de computação de alto desempenho para treinar o modelo, e o tempo de treinamento é influenciado pela complexidade do modelo e pela capacidade de computação.

4. Inferência do modelo: os arquivos de modelo treinados geralmente são chamados de pesos do modelo, e o processo de inferência refere-se ao uso de um modelo já treinado para prever ou classificar novos dados. Durante esse processo, pode-se usar um conjunto de teste ou novos dados para testar a eficácia da classificação do modelo, geralmente avaliando a eficácia do modelo com métricas como precisão, taxa de recuperação, F1-score, entre outras.

No entanto, o processo de desenvolvimento de IA centralizada apresenta alguns problemas nos seguintes cenários:

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

Obtenção de fontes de dados: pequenas equipas ou indivíduos que obtêm dados em áreas específicas (, como dados médicos ), podem enfrentar limitações de dados que não são de código aberto.

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

Obtenção de poder computacional: para desenvolvedores individuais e pequenas equipas, os elevados custos de aquisição de GPU e as taxas de aluguer de poder computacional na nuvem podem constituir um fardo económico significativo.

Rendimento de ativos de IA: os trabalhadores de rotulagem de dados muitas vezes não conseguem obter rendimentos que correspondam ao seu esforço, e os resultados da pesquisa dos desenvolvedores de IA também são difíceis de combinar com compradores que têm demanda.

Os desafios existentes no cenário da IA centralizada podem ser superados através da combinação com o Web3, que, como uma nova forma de relação de produção, se adapta naturalmente à IA, que representa uma nova produtividade, promovendo, assim, o progresso simultâneo da tecnologia e da capacidade produtiva.

1.3 A sinergia entre Web3 e IA: transformação de papéis e aplicações inovadoras

A combinação de Web3 e IA pode aumentar a soberania dos usuários, proporcionando uma plataforma de colaboração em IA aberta, permitindo que os usuários passem de meros utilizadores de IA da era Web2 para participantes, criando uma IA que pode ser possuída por todos. Ao mesmo tempo, a fusão do mundo Web3 com a tecnologia de IA pode gerar mais cenários e formas de aplicação inovadoras.

Baseada na tecnologia Web3, o desenvolvimento e a aplicação de IA irão inaugurar um novo sistema de economia colaborativa. A privacidade dos dados das pessoas pode ser garantida, o modelo de crowdsourcing de dados promove o avanço dos modelos de IA, e numerosos recursos de IA de código aberto estão disponíveis para os usuários, enquanto o poder computacional compartilhado pode ser adquirido a um custo mais baixo. Com a ajuda de um mecanismo de colaboração descentralizada e um mercado de IA aberto, é possível realizar um sistema de distribuição de renda justo, incentivando assim mais pessoas a impulsionar o avanço 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, melhorando 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 diversos e interações interessantes no GameFi. A infraestrutura rica oferece uma experiência de desenvolvimento fluida, permitindo que tanto especialistas em IA quanto novatos que desejam entrar no campo da IA encontrem uma entrada adequada neste mundo.

II. Interpretação do Mapa e da Arquitetura dos Projetos Ecossistêmicos Web3-AI

Estudámos principalmente 41 projetos na área do Web3-AI e classificámos esses projetos em diferentes níveis. A lógica de classificação de cada nível está representada na figura abaixo, incluindo o nível de infraestrutura, o nível intermédio e o nível de aplicação, cada um dividido em diferentes seções. No próximo capítulo, iremos fazer uma análise aprofundada de alguns projetos representativos.

A camada de infraestrutura abrange os recursos computacionais e a arquitetura tecnológica que suportam a operação de todo o ciclo de vida da IA, a camada intermediária inclui a gestão de dados, o desenvolvimento de modelos e os serviços de verificação e inferência que conectam a infraestrutura às aplicações, enquanto a camada de aplicação se concentra nas diversas aplicações e soluções diretamente voltadas para os usuários.

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 com o suporte dessas infraestruturas que se pode realizar 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 utilização eficiente e econômica dos recursos computacionais. Alguns projetos oferecem mercados de poder computacional descentralizados, onde os usuários podem alugar poder computacional a baixo custo ou compartilhar poder computacional para obter rendimento, com projetos representativos como IO.NET e Hyperbolic. Além disso, alguns projetos derivaram novas formas de utilização, como o Compute Labs, que propôs um protocolo tokenizado, permitindo que os usuários participem do aluguel de poder computacional de diferentes maneiras, através da compra de NFTs que representam entidades de GPU, para obter rendimento.

• AI Chain: Utiliza a blockchain como base para o ciclo de vida da IA, permitindo a interação sem costura entre recursos de IA on-chain e off-chain, promovendo o desenvolvimento do ecossistema da indústria. O mercado descentralizado de IA na blockchain pode negociar ativos de IA como dados, modelos, agentes, etc., e fornece uma estrutura de desenvolvimento de IA e ferramentas de desenvolvimento associadas, com projetos representativos como Sahara AI. A AI Chain também pode promover o progresso tecnológico da IA em diferentes campos, como o Bittensor, que fomenta a concorrência entre subnetworks de diferentes tipos de IA através de um mecanismo inovador de incentivos.

• 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 tudo-em-um ajudam os desenvolvedores a criar, treinar e implantar modelos de IA de forma mais conveniente, representadas por projetos como Nimble. Esta infraestrutura promove a ampla aplicação da tecnologia de IA no ecossistema Web3.

Camada intermédia:

Esta camada envolve dados de IA, modelos, bem como raciocínio e validação; a adoção da tecnologia Web3 pode alcançar uma maior eficiência de trabalho.

• Dados: A qualidade e a quantidade dos dados são fatores-chave que influenciam 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, vendendo-os sob proteção de privacidade para evitar que sejam roubados por comerciantes mal-intencionados e explorados para lucros elevados. Para os demandantes de dados, essas plataformas oferecem uma ampla gama de opções e custos extremamente baixos. Projetos representativos como Grass utilizam a largura de banda dos usuários para capturar dados da Web, xData coleta informações de mídia através de plugins amigáveis ao usuário e suporta o upload de informações de tweets pelos usuários.

Além disso, algumas plataformas permitem que especialistas de domínio ou usuários comuns realizem tarefas de pré-processamento de dados, como rotulagem de imagens e classificação de dados, tarefas que podem exigir conhecimentos especializados em finanças e processamento de dados jurídicos. Os usuários podem tokenizar suas habilidades, permitindo a colaboração em forma de crowdsourcing para o pré-processamento de dados. Representando mercados de IA como o Sahara AI, com tarefas de dados de diferentes domínios, que podem cobrir cenários de dados multisetoriais; enquanto o AIT Protocolt realiza rotulagem de dados por meio de colaboração homem-máquina.

• Modelo: No processo de desenvolvimento de IA mencionado anteriormente, diferentes tipos de necessidades requerem a correspondência com o modelo adequado. Modelos comumente usados em tarefas de imagem incluem CNN e GAN, enquanto para tarefas de detecção de objetos pode-se escolher a série Yolo. Em tarefas de texto, os modelos comuns incluem RNN e Transformer, além de alguns modelos grandes específicos ou gerais. A profundidade do modelo necessária para tarefas de complexidade diferente também varia, e às vezes é necessário ajustar o modelo.

Alguns projetos suportam que os usuários forneçam diferentes tipos de modelos ou colaborem na formação de modelos através de crowdsourcing, como o Sentient que, através de um design modular, permite aos usuários colocar dados de modelos confiáveis na camada de armazenamento e na camada de distribuição para otimização de modelos. As ferramentas de desenvolvimento fornecidas pela Sahara AI incorporam algoritmos de IA avançados e estruturas de computação, além de terem a capacidade de treinamento colaborativo.

• Inferência e validação: Após o treinamento, o modelo gera um arquivo de pesos do modelo, que pode ser utilizado para classificação, previsão ou outras tarefas específicas, esse processo é chamado de inferência. O processo de inferência geralmente é acompanhado por um mecanismo de validação, para verificar se a origem do modelo de inferência é correta, se há comportamentos maliciosos, etc. A inferência em Web3 pode ser integrada em contratos inteligentes, através da chamada de modelos para realização de inferência, as formas comuns de validação incluem tecnologias como ZKML, OPML e TEE. Projetos representativos como o oráculo de IA na cadeia ORA (OAO), introduziram OPML como uma camada verificável para o oráculo de IA, e no site oficial da ORA também mencionaram suas pesquisas sobre a combinação de ZKML e opp/ai(ZKML com OPML).

Camada de aplicação:

Esta camada é principalmente um aplicativo voltado diretamente para o usuário, combinando IA com Web3, criando mais maneiras interessantes e inovadoras de jogar. Este artigo organiza principalmente os projetos em torno de AIGC(, conteúdo gerado por IA), agentes de IA e análise de dados.

• AIGC: Através do AIGC é possível expandir para as áreas de NFT, jogos e outros no Web3, onde os usuários podem gerar texto, imagens e áudio diretamente com base nas palavras-chave fornecidas pelo usuário através do Prompt(, podendo até mesmo criar modos de jogo personalizados de acordo com suas preferências. Projetos NFT como NFPrompt permitem que os usuários gerem NFTs com IA para negociação no mercado; jogos como Sleepless permitem que os usuários moldem a personalidade de um parceiro virtual através de diálogos, combinando com suas preferências;

• Agente de IA: refere-se a sistemas de inteligência artificial que podem executar tarefas de forma autónoma e tomar decisões. Os agentes de IA normalmente possuem capacidades de percepção, raciocínio, aprendizagem e ação, podendo executar tarefas complexas em diversos ambientes. Agentes de IA comuns incluem tradução de idiomas, aprendizagem de idiomas, conversão de imagem em texto, entre outros. No contexto do Web3, podem gerar robôs de negociação, criar memes, realizar deteções de segurança na cadeia, etc. Por exemplo, o MyShell, como plataforma de agentes de IA, oferece vários tipos de agentes, incluindo aprendizagem educacional, companheiros virtuais, agentes de negociação, entre outros, e fornece ferramentas de desenvolvimento de agentes amigáveis ao utilizador, permitindo a criação do seu próprio agente sem a necessidade de código.

• Análise de dados: através da integração de tecnologias de IA e bancos de dados de áreas relacionadas, para realizar análise, julgamento, previsão de dados, etc., no Web3, pode-se auxiliar os usuários na tomada de decisões de investimento analisando dados de mercado, dinâmicas de dinheiro inteligente, entre outros. A previsão de tokens também é um cenário de aplicação único no Web3, com projetos representativos como o Ocean, onde a equipe oficial definiu a previsão de tokens.