Панорамный отчет о Web3-AI: Глубина технической логики, сценарные приложения и анализ ключевых проектов
С ростом интереса к AI-нарративу всё больше внимания сосредотачивается на этом направлении. В данной статье проведен глубокий анализ технической логики, приложений и представительных проектов в области Web3-AI, чтобы предоставить вам полное представление о панораме и тенденциях развития в этой сфере.
Один, Web3-AI: анализ технологической логики и возможностей новых рынков
1.1 Логика слияния Web3 и ИИ: как определить трек Web3-AI
В прошлом году AI-нарратив в индустрии Web3 стал необычайно популярным, AI-проекты возникали как грибы после дождя. Хотя существует множество проектов, связанных с AI-технологиями, некоторые проекты используют AI лишь в определенных частях своих продуктов, в то время как базовая токеномика не имеет существенной связи с AI-продуктами, поэтому такие проекты не рассматриваются в данной статье как Web3-AI проекты.
Основное внимание в данной статье уделяется проектам, использующим блокчейн для решения проблем производственных отношений и AI для решения проблем производительности. Эти проекты сами по себе предлагают AI-продукты и одновременно основываются на модели экономики Web3 в качестве инструмента производственных отношений, что дополняет друг друга. Мы классифицируем такие проекты как направление Web3-AI. Чтобы читатели лучше понимали направление Web3-AI, в данной статье будет подробно рассмотрен процесс разработки AI и возникающие вызовы, а также то, как сочетание Web3 и AI может идеально решать проблемы и создавать новые сценарии применения.
1.2 Процесс разработки ИИ и вызовы: от сбора данных до вывода модели
Искусственный интеллект — это технология, которая позволяет компьютерам имитировать, расширять и усиливать человеческий интеллект. Она позволяет компьютерам выполнять различные сложные задачи, от перевода языков, классификации изображений до распознавания лиц и автономного вождения. Искусственный интеллект меняет то, как мы живем и работаем.
Процесс разработки модели искусственного интеллекта обычно включает в себя несколько ключевых шагов: сбор данных и предварительная обработка данных, выбор и настройка модели, обучение модели и вывод. Приведем простой пример: для разработки модели, которая классифицирует изображения кошек и собак, вам необходимо:
Сбор данных и предварительная обработка данных: соберите набор изображений, содержащий кошек и собак, можно использовать открытые наборы данных или самостоятельно собрать реальные данные. Затем для каждого изображения отметьте категорию ( кошка или собака ), убедившись, что метки точны. Преобразуйте изображения в формат, который может распознать модель, разделите набор данных на обучающую выборку, валидационную выборку и тестовую выборку.
Выбор и настройка модели: выберите подходящую модель, например, сверточную нейронную сеть (CNN), которая лучше всего подходит для задач классификации изображений. Настройте параметры модели или архитектуру в зависимости от различных требований; как правило, уровни сети модели могут быть изменены в зависимости от сложности задачи ИИ. В этом простом примере классификации может быть достаточно более простой сети.
Обучение модели: можно использовать GPU, TPU или высокопроизводительные вычислительные кластеры для обучения модели, время обучения зависит от сложности модели и вычислительных мощностей.
Модельное инференс: Файлы, в которых обучена модель, обычно называются весами модели. Процесс инференса подразумевает использование уже обученной модели для прогнозирования или классификации новых данных. В этом процессе можно использовать тестовый набор или новые данные для тестирования классификационной эффективности модели, обычно для оценки эффективности модели используются такие показатели, как точность, полнота, F1-меры и другие.
Однако централизованный процесс разработки ИИ сталкивается с некоторыми проблемами в следующих сценариях:
Пользовательская конфиденциальность: в централизованных сценариях процесс разработки ИИ обычно непрозрачен. Данные пользователей могут быть украдены без их ведома и использованы для обучения ИИ.
Получение источника данных: небольшие команды или частные лица, получающие данные в определенной области (, такие как медицинские данные ), могут столкнуться с ограничениями в доступности данных.
Выбор модели и ее настройка: для небольших команд сложно получить ресурсы модели в конкретной области или потратить значительные средства на ее настройку.
Получение вычислительной мощности: для индивидуальных разработчиков и небольших команд высокие затраты на покупку GPU и аренду облачной вычислительной мощности могут представлять собой значительное экономическое бремя.
AI активы доход: работники по аннотированию данных часто не могут получить доход, соответствующий их усилиям, а результаты исследований разработчиков ИИ также трудно сопоставить с покупателями, имеющими потребность.
Вызовы, существующие в централизованных AI-сценариях, могут быть преодолены через интеграцию с Web3. Web3, как новая форма производственных отношений, естественно адаптируется к AI, представляющему новую производительность, что способствует одновременному прогрессу технологий и производственных мощностей.
1.3 Синергия Web3 и ИИ: изменение ролей и инновационные приложения
Сочетание Web3 и ИИ может усилить суверенитет пользователей, предоставляя им открытую платформу для сотрудничества в области ИИ, позволяя пользователям перейти от роли пользователей ИИ в эпоху Web2 к роли участников, создавая ИИ, принадлежащий всем. В то же время интеграция мира Web3 и технологий ИИ может привести к возникновению более инновационных сценариев применения и способов взаимодействия.
На основе технологий Web3 разработка и применение ИИ вступят в новую эру кооперативной экономики. Конфиденциальность данных людей будет защищена, модель краудсорсинга данных будет способствовать прогрессу ИИ-моделей, множество открытых ресурсов ИИ будет доступно пользователям, а совместно используемые вычислительные мощности можно будет получить по более низкой цене. С помощью децентрализованной механики кооперативного краудсорсинга и открытого рынка ИИ можно реализовать справедливую систему распределения доходов, что будет стимулировать большее количество людей к продвижению прогресса технологий ИИ.
В сцене Web3 ИИ может оказать положительное влияние в нескольких областях. Например, модели ИИ могут быть интегрированы в смарт-контракты, чтобы повысить эффективность работы в различных приложениях, таких как рыночный анализ, безопасность, социальная кластеризация и многие другие функции. Генеративный ИИ не только позволяет пользователям испытать роль "художника", например, создавая свои собственные NFT с использованием технологий ИИ, но также может создавать разнообразные игровые сцены и интересный опыт взаимодействия в GameFi. Разнообразная инфраструктура обеспечивает плавный опыт разработки, независимо от того, являются ли вы экспертом в области ИИ или новичком, желающим войти в область ИИ, вы можете найти подходящий вход в этот мир.
Два, Интерпретация карты и архитектуры экосистемы Web3-AI
Мы в основном исследовали 41 проект в области Web3-AI и разделили эти проекты на разные уровни. Логика разделения каждого уровня показана на следующем рисунке, включая уровень инфраструктуры, промежуточный уровень и уровень приложений, каждый из которых дополнительно разделен на различные секции. В следующей главе мы проведем глубокий анализ некоторых представительных проектов.
Инфраструктурный слой охватывает вычислительные ресурсы и технологическую архитектуру, поддерживающие весь жизненный цикл ИИ, промежуточный слой включает в себя управление данными, разработку моделей и услуги валидации и вывода, соединяющие инфраструктуру и приложения, а прикладной слой сосредоточен на различных приложениях и решениях, непосредственно ориентированных на пользователей.
Инфраструктурный уровень:
Инфраструктурный уровень является основой жизненного цикла ИИ, в этой статье вычислительные мощности, AI Chain и платформы разработки классифицируются как инфраструктурный уровень. Именно поддержка этой инфраструктуры позволяет осуществлять обучение и вывод моделей ИИ, а также представлять пользователям мощные и полезные приложения ИИ.
Децентрализованная вычислительная сеть: может предоставить распределенные вычислительные мощности для обучения AI-моделей, обеспечивая эффективное и экономичное использование вычислительных ресурсов. Некоторые проекты предлагают децентрализованный рынок вычислительных мощностей, где пользователи могут арендовать вычислительные мощности по низкой цене или делиться вычислительными мощностями для получения дохода, такими проектами являются IO.NET и Hyperbolic. Кроме того, некоторые проекты выработали новые способы взаимодействия, такие как Compute Labs, которые предложили токенизированный протокол, позволяющий пользователям участвовать в аренде вычислительных мощностей различными способами, покупая NFT, представляющие собой физические GPU.
AI Chain: Использование блокчейна в качестве основы для жизненного цикла ИИ, обеспечивая бесшовное взаимодействие ИИ-ресурсов на цепочке и вне её, способствуя развитию отраслевой экосистемы. Децентрализованный рынок ИИ на цепочке может торговать ИИ-активами, такими как данные, модели, агенты и т.д., и предоставляет ИИ-разработчикам фреймворки и сопутствующие инструменты разработки, такие как проект Sahara AI. AI Chain также может способствовать прогрессу технологий ИИ в различных областях, например, Bittensor продвигает конкуренцию различных подтипов ИИ через инновационный механизм стимулирования подсетей.
Платформа разработки: некоторые проекты предлагают платформу разработки AI-агентов, а также могут осуществлять торговлю AI-агентами, такие как Fetch.ai и ChainML и др. Универсальные инструменты помогают разработчикам проще создавать, обучать и разворачивать AI-модели, такими проектами являются Nimble. Эта инфраструктура способствует широкому применению технологий AI в экосистеме Web3.
Посреднический уровень:
Этот уровень касается данных AI, моделей, а также вывода и верификации, использование технологий Web3 может обеспечить более высокую рабочую эффективность.
Данные: Качество и количество данных являются ключевыми факторами, влияющими на эффективность обучения модели. В мире Web3, благодаря краудсорсингу данных и совместной обработке данных, можно оптимизировать использование ресурсов и снизить затраты на данные. Пользователи могут иметь автономию над данными, продавая свои данные при защите конфиденциальности, чтобы избежать кражи данных недобросовестными торговцами и получения высокой прибыли. Для сторон, требующих данные, эти платформы предлагают широкий выбор и очень низкие затраты. Представляющие проекты, такие как Grass, используют пропускную способность пользователей для сбора веб-данных, xData собирают медиаподробности с помощью удобных плагинов и поддерживают загрузку пользователями информации о твитах.
Кроме того, некоторые платформы позволяют экспертам в области или обычным пользователям выполнять задачи предварительной обработки данных, такие как аннотирование изображений и классификация данных. Эти задачи могут требовать профессиональных знаний в области финансов и юриспруденции, пользователи могут токенизировать свои навыки, реализуя коллективное краудсорсинг предварительной обработки данных. Примером является AI-рынок, такой как Sahara AI, который охватывает задачи данных из различных областей и может покрыть многофункциональные сценарии данных; в то время как AIT Protocolt осуществляет аннотирование данных с помощью человеческого и машинного взаимодействия.
Модель: В ранее упомянутом процессе разработки ИИ различные типы требований требуют соответствующих моделей. Модели, часто используемые в задачах обработки изображений, такие как CNN, GAN; для задач обнаружения объектов можно выбрать серию Yolo; для текстовых задач распространены модели RNN, Transformer и некоторые специфические или универсальные большие модели. Модели глубины также различаются в зависимости от сложности задачи, иногда требуется настройка модели.
Некоторые проекты поддерживают пользователей в предоставлении различных типов моделей или в совместной тренировке моделей через краудсорсинг. Например, Sentient благодаря модульному дизайну позволяет пользователям размещать надежные данные моделей на уровне хранения и распределения для оптимизации моделей. Инструменты разработки, предлагаемые Sahara AI, встроены с современными алгоритмами ИИ и вычислительными фреймворками, а также обладают возможностью совместной тренировки.
Вывод и верификация: после обучения модель генерирует файлы весов модели, которые могут использоваться для прямой классификации, прогнозирования или других конкретных задач, этот процесс называется выводом. Процесс вывода обычно сопровождается механизмом верификации, чтобы проверить, правильен ли источник выводимой модели, нет ли злонамеренных действий и т. д. Вывод в Web3 обычно может быть интегрирован в смарт-контракты, путем вызова модели для вывода, распространенные методы верификации включают технологии ZKML, OPML и TEE. Представляющий проект, такой как AI-оракул на ORA (OAO), внедрил OPML как слой проверки для AI-оракула, на официальном сайте ORA также упоминается их исследование о сочетании ZKML и opp/ai(ZKML с OPML).
Прикладной уровень:
Этот уровень в основном представляет собой приложения, ориентированные на пользователя, которые объединяют ИИ и Web3, создавая более интересные и инновационные способы. В этой статье в основном рассматриваются проекты в таких областях, как AIGC(, AI-генерируемый контент), AI-агенты и анализ данных.
AIGC: С помощью AIGC можно расширить возможности в NFT, играх и других областях Web3, пользователи могут непосредственно через Prompt(, заданные пользователями, генерировать текст, изображения и аудио, а также создавать индивидуальный стиль игры по своему усмотрению. NFT проекты, такие как NFPrompt, позволяют пользователям генерировать NFT с помощью ИИ и торговать ими на рынке; игры, такие как Sleepless, позволяют пользователям формировать характер виртуального партнера через диалоги, чтобы соответствовать своим предпочтениям;
AI-агент: это искусственный интеллект, способный самостоятельно выполнять задачи и принимать решения. AI-агенты обычно обладают способностями восприятия, рассуждения, обучения и действия, и могут выполнять сложные задачи в различных условиях. Распространенные AI-агенты включают в себя языковой перевод, изучение языков, преобразование изображений в текст и т.д. В контексте Web3 они могут генерировать торговых роботов, создавать мемы, осуществлять безопасность на блокчейне и т.д. Например, MyShell как платформа AI-агентов предлагает различные типы агентов, включая образовательные, виртуальные компаньоны, торговые агенты и т.д., а также предоставляет удобные инструменты для разработки агентов, позволяя создавать собственных агентов без необходимости программирования.
Анализ данных: с помощью интеграции технологий ИИ и баз данных из смежных областей осуществляется анализ, оценка, прогнозирование данных и т.д. В Web3 это можно сделать, анализируя рыночные данные, динамику умных денег и т.д., чтобы помочь пользователям принимать инвестиционные решения. Прогнозирование токенов также является уникальным сценарием применения в Web3, такие проекты, как Ocean, официально настроили долгосрочное прогнозирование токенов.
Посмотреть Оригинал
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
5 Лайков
Награда
5
2
Поделиться
комментарий
0/400
JustHereForMemes
· 18ч назад
Опять выдумывают новые уловки, чтобы обмануть неудачников.
Посмотреть ОригиналОтветить0
CryptoHistoryClass
· 18ч назад
*проверяет исторические графики* ах да... классическая мания "ai+web3". как и iot+blockchain в 2018 году снова.
Web3-AI панорама: логика слияния технологий, сценарии применения и анализ ведущих проектов
Панорамный отчет о Web3-AI: Глубина технической логики, сценарные приложения и анализ ключевых проектов
С ростом интереса к AI-нарративу всё больше внимания сосредотачивается на этом направлении. В данной статье проведен глубокий анализ технической логики, приложений и представительных проектов в области Web3-AI, чтобы предоставить вам полное представление о панораме и тенденциях развития в этой сфере.
Один, Web3-AI: анализ технологической логики и возможностей новых рынков
1.1 Логика слияния Web3 и ИИ: как определить трек Web3-AI
В прошлом году AI-нарратив в индустрии Web3 стал необычайно популярным, AI-проекты возникали как грибы после дождя. Хотя существует множество проектов, связанных с AI-технологиями, некоторые проекты используют AI лишь в определенных частях своих продуктов, в то время как базовая токеномика не имеет существенной связи с AI-продуктами, поэтому такие проекты не рассматриваются в данной статье как Web3-AI проекты.
Основное внимание в данной статье уделяется проектам, использующим блокчейн для решения проблем производственных отношений и AI для решения проблем производительности. Эти проекты сами по себе предлагают AI-продукты и одновременно основываются на модели экономики Web3 в качестве инструмента производственных отношений, что дополняет друг друга. Мы классифицируем такие проекты как направление Web3-AI. Чтобы читатели лучше понимали направление Web3-AI, в данной статье будет подробно рассмотрен процесс разработки AI и возникающие вызовы, а также то, как сочетание Web3 и AI может идеально решать проблемы и создавать новые сценарии применения.
1.2 Процесс разработки ИИ и вызовы: от сбора данных до вывода модели
Искусственный интеллект — это технология, которая позволяет компьютерам имитировать, расширять и усиливать человеческий интеллект. Она позволяет компьютерам выполнять различные сложные задачи, от перевода языков, классификации изображений до распознавания лиц и автономного вождения. Искусственный интеллект меняет то, как мы живем и работаем.
Процесс разработки модели искусственного интеллекта обычно включает в себя несколько ключевых шагов: сбор данных и предварительная обработка данных, выбор и настройка модели, обучение модели и вывод. Приведем простой пример: для разработки модели, которая классифицирует изображения кошек и собак, вам необходимо:
Сбор данных и предварительная обработка данных: соберите набор изображений, содержащий кошек и собак, можно использовать открытые наборы данных или самостоятельно собрать реальные данные. Затем для каждого изображения отметьте категорию ( кошка или собака ), убедившись, что метки точны. Преобразуйте изображения в формат, который может распознать модель, разделите набор данных на обучающую выборку, валидационную выборку и тестовую выборку.
Выбор и настройка модели: выберите подходящую модель, например, сверточную нейронную сеть (CNN), которая лучше всего подходит для задач классификации изображений. Настройте параметры модели или архитектуру в зависимости от различных требований; как правило, уровни сети модели могут быть изменены в зависимости от сложности задачи ИИ. В этом простом примере классификации может быть достаточно более простой сети.
Обучение модели: можно использовать GPU, TPU или высокопроизводительные вычислительные кластеры для обучения модели, время обучения зависит от сложности модели и вычислительных мощностей.
Модельное инференс: Файлы, в которых обучена модель, обычно называются весами модели. Процесс инференса подразумевает использование уже обученной модели для прогнозирования или классификации новых данных. В этом процессе можно использовать тестовый набор или новые данные для тестирования классификационной эффективности модели, обычно для оценки эффективности модели используются такие показатели, как точность, полнота, F1-меры и другие.
Однако централизованный процесс разработки ИИ сталкивается с некоторыми проблемами в следующих сценариях:
Пользовательская конфиденциальность: в централизованных сценариях процесс разработки ИИ обычно непрозрачен. Данные пользователей могут быть украдены без их ведома и использованы для обучения ИИ.
Получение источника данных: небольшие команды или частные лица, получающие данные в определенной области (, такие как медицинские данные ), могут столкнуться с ограничениями в доступности данных.
Выбор модели и ее настройка: для небольших команд сложно получить ресурсы модели в конкретной области или потратить значительные средства на ее настройку.
Получение вычислительной мощности: для индивидуальных разработчиков и небольших команд высокие затраты на покупку GPU и аренду облачной вычислительной мощности могут представлять собой значительное экономическое бремя.
AI активы доход: работники по аннотированию данных часто не могут получить доход, соответствующий их усилиям, а результаты исследований разработчиков ИИ также трудно сопоставить с покупателями, имеющими потребность.
Вызовы, существующие в централизованных AI-сценариях, могут быть преодолены через интеграцию с Web3. Web3, как новая форма производственных отношений, естественно адаптируется к AI, представляющему новую производительность, что способствует одновременному прогрессу технологий и производственных мощностей.
1.3 Синергия Web3 и ИИ: изменение ролей и инновационные приложения
Сочетание Web3 и ИИ может усилить суверенитет пользователей, предоставляя им открытую платформу для сотрудничества в области ИИ, позволяя пользователям перейти от роли пользователей ИИ в эпоху Web2 к роли участников, создавая ИИ, принадлежащий всем. В то же время интеграция мира Web3 и технологий ИИ может привести к возникновению более инновационных сценариев применения и способов взаимодействия.
На основе технологий Web3 разработка и применение ИИ вступят в новую эру кооперативной экономики. Конфиденциальность данных людей будет защищена, модель краудсорсинга данных будет способствовать прогрессу ИИ-моделей, множество открытых ресурсов ИИ будет доступно пользователям, а совместно используемые вычислительные мощности можно будет получить по более низкой цене. С помощью децентрализованной механики кооперативного краудсорсинга и открытого рынка ИИ можно реализовать справедливую систему распределения доходов, что будет стимулировать большее количество людей к продвижению прогресса технологий ИИ.
В сцене Web3 ИИ может оказать положительное влияние в нескольких областях. Например, модели ИИ могут быть интегрированы в смарт-контракты, чтобы повысить эффективность работы в различных приложениях, таких как рыночный анализ, безопасность, социальная кластеризация и многие другие функции. Генеративный ИИ не только позволяет пользователям испытать роль "художника", например, создавая свои собственные NFT с использованием технологий ИИ, но также может создавать разнообразные игровые сцены и интересный опыт взаимодействия в GameFi. Разнообразная инфраструктура обеспечивает плавный опыт разработки, независимо от того, являются ли вы экспертом в области ИИ или новичком, желающим войти в область ИИ, вы можете найти подходящий вход в этот мир.
Два, Интерпретация карты и архитектуры экосистемы Web3-AI
Мы в основном исследовали 41 проект в области Web3-AI и разделили эти проекты на разные уровни. Логика разделения каждого уровня показана на следующем рисунке, включая уровень инфраструктуры, промежуточный уровень и уровень приложений, каждый из которых дополнительно разделен на различные секции. В следующей главе мы проведем глубокий анализ некоторых представительных проектов.
Инфраструктурный слой охватывает вычислительные ресурсы и технологическую архитектуру, поддерживающие весь жизненный цикл ИИ, промежуточный слой включает в себя управление данными, разработку моделей и услуги валидации и вывода, соединяющие инфраструктуру и приложения, а прикладной слой сосредоточен на различных приложениях и решениях, непосредственно ориентированных на пользователей.
Инфраструктурный уровень:
Инфраструктурный уровень является основой жизненного цикла ИИ, в этой статье вычислительные мощности, AI Chain и платформы разработки классифицируются как инфраструктурный уровень. Именно поддержка этой инфраструктуры позволяет осуществлять обучение и вывод моделей ИИ, а также представлять пользователям мощные и полезные приложения ИИ.
Децентрализованная вычислительная сеть: может предоставить распределенные вычислительные мощности для обучения AI-моделей, обеспечивая эффективное и экономичное использование вычислительных ресурсов. Некоторые проекты предлагают децентрализованный рынок вычислительных мощностей, где пользователи могут арендовать вычислительные мощности по низкой цене или делиться вычислительными мощностями для получения дохода, такими проектами являются IO.NET и Hyperbolic. Кроме того, некоторые проекты выработали новые способы взаимодействия, такие как Compute Labs, которые предложили токенизированный протокол, позволяющий пользователям участвовать в аренде вычислительных мощностей различными способами, покупая NFT, представляющие собой физические GPU.
AI Chain: Использование блокчейна в качестве основы для жизненного цикла ИИ, обеспечивая бесшовное взаимодействие ИИ-ресурсов на цепочке и вне её, способствуя развитию отраслевой экосистемы. Децентрализованный рынок ИИ на цепочке может торговать ИИ-активами, такими как данные, модели, агенты и т.д., и предоставляет ИИ-разработчикам фреймворки и сопутствующие инструменты разработки, такие как проект Sahara AI. AI Chain также может способствовать прогрессу технологий ИИ в различных областях, например, Bittensor продвигает конкуренцию различных подтипов ИИ через инновационный механизм стимулирования подсетей.
Платформа разработки: некоторые проекты предлагают платформу разработки AI-агентов, а также могут осуществлять торговлю AI-агентами, такие как Fetch.ai и ChainML и др. Универсальные инструменты помогают разработчикам проще создавать, обучать и разворачивать AI-модели, такими проектами являются Nimble. Эта инфраструктура способствует широкому применению технологий AI в экосистеме Web3.
Посреднический уровень:
Этот уровень касается данных AI, моделей, а также вывода и верификации, использование технологий Web3 может обеспечить более высокую рабочую эффективность.
Кроме того, некоторые платформы позволяют экспертам в области или обычным пользователям выполнять задачи предварительной обработки данных, такие как аннотирование изображений и классификация данных. Эти задачи могут требовать профессиональных знаний в области финансов и юриспруденции, пользователи могут токенизировать свои навыки, реализуя коллективное краудсорсинг предварительной обработки данных. Примером является AI-рынок, такой как Sahara AI, который охватывает задачи данных из различных областей и может покрыть многофункциональные сценарии данных; в то время как AIT Protocolt осуществляет аннотирование данных с помощью человеческого и машинного взаимодействия.
Некоторые проекты поддерживают пользователей в предоставлении различных типов моделей или в совместной тренировке моделей через краудсорсинг. Например, Sentient благодаря модульному дизайну позволяет пользователям размещать надежные данные моделей на уровне хранения и распределения для оптимизации моделей. Инструменты разработки, предлагаемые Sahara AI, встроены с современными алгоритмами ИИ и вычислительными фреймворками, а также обладают возможностью совместной тренировки.
Прикладной уровень:
Этот уровень в основном представляет собой приложения, ориентированные на пользователя, которые объединяют ИИ и Web3, создавая более интересные и инновационные способы. В этой статье в основном рассматриваются проекты в таких областях, как AIGC(, AI-генерируемый контент), AI-агенты и анализ данных.
AIGC: С помощью AIGC можно расширить возможности в NFT, играх и других областях Web3, пользователи могут непосредственно через Prompt(, заданные пользователями, генерировать текст, изображения и аудио, а также создавать индивидуальный стиль игры по своему усмотрению. NFT проекты, такие как NFPrompt, позволяют пользователям генерировать NFT с помощью ИИ и торговать ими на рынке; игры, такие как Sleepless, позволяют пользователям формировать характер виртуального партнера через диалоги, чтобы соответствовать своим предпочтениям;
AI-агент: это искусственный интеллект, способный самостоятельно выполнять задачи и принимать решения. AI-агенты обычно обладают способностями восприятия, рассуждения, обучения и действия, и могут выполнять сложные задачи в различных условиях. Распространенные AI-агенты включают в себя языковой перевод, изучение языков, преобразование изображений в текст и т.д. В контексте Web3 они могут генерировать торговых роботов, создавать мемы, осуществлять безопасность на блокчейне и т.д. Например, MyShell как платформа AI-агентов предлагает различные типы агентов, включая образовательные, виртуальные компаньоны, торговые агенты и т.д., а также предоставляет удобные инструменты для разработки агентов, позволяя создавать собственных агентов без необходимости программирования.
Анализ данных: с помощью интеграции технологий ИИ и баз данных из смежных областей осуществляется анализ, оценка, прогнозирование данных и т.д. В Web3 это можно сделать, анализируя рыночные данные, динамику умных денег и т.д., чтобы помочь пользователям принимать инвестиционные решения. Прогнозирование токенов также является уникальным сценарием применения в Web3, такие проекты, как Ocean, официально настроили долгосрочное прогнозирование токенов.