Informe panorámico sobre la pista Web3-AI: análisis profundo de la lógica técnica, aplicaciones en escenarios y proyectos de primer nivel
Con el continuo auge de la narrativa de IA, cada vez más atención se centra en este campo. Se ha realizado un análisis profundo de la lógica técnica, los escenarios de aplicación y los proyectos representativos de la pista Web3-AI, presentándole una visión completa de este ámbito y las tendencias de desarrollo.
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 Web-AI?
En el último año, la narrativa de IA ha sido excepcionalmente popular en la industria de Web3, y los proyectos de IA han surgido 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 de tokens subyacente no tiene una relación sustancial con los productos de IA, por lo que tales proyectos no se consideran parte de la discusión sobre 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, al mismo tiempo, se basan en un modelo económico Web3 como herramienta de relaciones de producción, siendo ambos complementarios. Clasificamos este tipo de proyectos en la categoría Web3-AI. Para que los lectores comprendan mejor la categoría Web3-AI, se presentará el proceso de desarrollo y los desafíos de la AI, así como cómo la combinación de Web3 y AI puede resolver problemas de manera perfecta y crear nuevos escenarios de aplicación.
1.2 El proceso de desarrollo de la IA y los desafíos: desde la recolección de datos hasta la inferencia del modelo
La tecnología de IA es una tecnología 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, la clasificación de imágenes hasta el reconocimiento facial, la 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: recolección y preprocesamiento de datos, selección y ajuste del modelo, entrenamiento y razonamiento del modelo. Para dar un ejemplo simple, al desarrollar un modelo para clasificar imágenes de gatos y perros, necesitas:
Recolección de datos y preprocesamiento de datos: recolectar un conjunto de datos de imágenes que contenga gatos y perros, se puede usar un conjunto de datos público o recolectar 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 un conjunto de entrenamiento, un conjunto de validación y un conjunto de prueba.
Selección y ajuste del modelo: elegir el modelo adecuado, como la red neuronal convolucional (CNN), que es más adecuada para tareas de clasificación de imágenes. Ajustar los parámetros o la arquitectura del modelo según diferentes necesidades, generalmente, la profundidad de la red del modelo se puede ajustar según la complejidad de la tarea de IA. En este simple ejemplo de clasificación, una red menos profunda podría ser suficiente.
Entrenamiento del modelo: se pueden utilizar GPU, TPU o clústeres de computación de alto rendimiento para entrenar el modelo, y el tiempo de entrenamiento está influenciado por la complejidad del modelo y la capacidad de cálculo.
Inferencia del modelo: El archivo del modelo entrenado se denomina generalmente pesos del modelo. El proceso de inferencia se refiere al uso de 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, y generalmente se utilizan métricas como la precisión, la tasa de recuperación y el F1-score para evaluar la efectividad del modelo.
Como se muestra en la imagen, después de la recolección de datos, el preprocesamiento de datos, la selección y ajuste del modelo, y el entrenamiento, al realizar la inferencia del modelo entrenado en el conjunto de prueba se obtendrán los valores de predicción de gato y perro P(probabilidad), es decir, la probabilidad de que el modelo inferencie que es un gato o un perro.
Los modelos de IA entrenados se pueden integrar aún más en diversas aplicaciones para realizar diferentes tareas. En este ejemplo, el modelo de IA para la clasificación de gatos y perros se puede integrar en una aplicación móvil, donde los usuarios pueden subir imágenes de gatos o perros y obtener resultados de clasificación.
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 la IA suele ser opaco. Los datos de los usuarios pueden ser robados sin su conocimiento y utilizados para el entrenamiento de la IA.
Obtención de la fuente de datos: equipos pequeños o individuos que buscan datos en campos específicos (, como datos médicos ), pueden enfrentar limitaciones debido a que los datos no son de código abierto.
Selección y ajuste del modelo: para equipos pequeños, es difícil obtener recursos de modelos específicos o gastar grandes costos en el ajuste del modelo.
Obtención de poder de cómputo: Para desarrolladores individuales y pequeños equipos, el alto costo de compra de GPU y las tarifas de alquiler de potencia de cómputo 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 se correspondan 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 existentes en el escenario de IA centralizada se pueden abordar combinándolos con Web3. Web3, como una nueva forma de relación de producción, se adapta de manera natural a la IA, que representa una nueva productividad, lo que impulsa el progreso simultáneo de la tecnología y la capacidad de producción.
1.3 La sinergia entre Web3 y la IA: cambio de roles y aplicaciones innovadoras
La combinación de Web3 y la IA puede aumentar la soberanía del usuario, proporcionando a los usuarios una plataforma de colaboración de IA abierta, permitiendo que los usuarios pasen de ser usuarios de IA en la era Web2 a participantes, creando una IA que todos puedan poseer. Al mismo tiempo, la fusión del mundo Web3 y la tecnología de IA también puede generar más escenarios de aplicación innovadores y formas de juego.
Basado en la tecnología Web3, el desarrollo y la aplicación de la IA dará lugar a un nuevo sistema de economía colaborativa. La privacidad de los datos de las personas puede ser garantizada, el modelo de datos de crowdsourcing promueve el avance de los modelos de IA, muchos recursos de IA de código abierto están disponibles para los usuarios, y la potencia compartida se puede obtener a un costo relativamente bajo. Con la ayuda de un mecanismo de colaboración descentralizada 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 avance de la tecnología de IA.
En el escenario de Web3, la IA puede tener un impacto positivo en múltiples ámbitos. Por ejemplo, los modelos de IA pueden integrarse en contratos inteligentes para mejorar la eficiencia del trabajo en diferentes aplicaciones, como análisis de mercado, detección de seguridad, agrupación social y muchas otras funciones. La IA generativa no solo permite a los usuarios experimentar el rol de "artista", como crear su propio NFT utilizando tecnología de IA, sino que también puede generar una variedad rica de escenarios de juego y experiencias interactivas interesantes en GameFi. La infraestructura rica proporciona una experiencia de desarrollo fluida, donde tanto los expertos en IA como los nuevos que desean ingresar al campo de la IA pueden encontrar la entrada adecuada en este mundo.
Dos, interpretación del mapa y la arquitectura del proyecto ecosistema Web3-AI
Principalmente investigamos 41 proyectos en el ámbito de Web3-AI y clasificamos estos proyectos en diferentes niveles. La lógica de clasificación de cada nivel se muestra en la imagen a continuación, que incluye la capa de infraestructura, la capa intermedia y la capa de aplicación, cada una de las cuales se divide en diferentes secciones. En el siguiente capítulo, realizaremos un análisis profundo de algunos proyectos representativos.
La capa de infraestructura abarca los recursos computacionales y la arquitectura tecnológica 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 inferencia de validación que conectan la infraestructura con las aplicaciones, mientras que la capa de aplicaciones se centra en diversas aplicaciones y soluciones orientadas directamente al usuario.
Capa de infraestructura:
La capa de infraestructura es la base del ciclo de vida de la IA. En este artículo, se clasifica la potencia de cálculo, AI Chain y la plataforma de desarrollo como parte de la capa de infraestructura. Es gracias al soporte de estas infraestructuras que se puede llevar a cabo el entrenamiento y la inferencia de modelos de IA, y presentar 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 una utilización eficiente y económica de los recursos de cálculo. Algunos proyectos han ofrecido un mercado de potencia de cálculo descentralizado, donde los usuarios pueden alquilar potencia de cálculo a bajo costo o compartir potencia de cálculo para obtener ingresos, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevas formas de juego, como Compute Labs, que han propuesto un protocolo de tokenización, donde los usuarios pueden participar en el alquiler de potencia de cálculo de diferentes maneras comprando NFTs que representan entidades de GPU.
AI Chain: Utiliza la blockchain como base para el ciclo de vida de la IA, logrando una interacción fluida entre los recursos de IA en línea y fuera de línea, promoviendo el desarrollo del ecosistema industrial. El mercado de IA descentralizado en la cadena puede comerciar activos de IA como datos, modelos, agentes, etc., y proporciona un marco de desarrollo de IA y herramientas de desarrollo complementarias, representado por proyectos como Sahara AI. AI Chain también puede fomentar el progreso de la tecnología de IA en diferentes campos, como Bittensor, que promueve la competencia entre diferentes tipos de subnet a través de un innovador mecanismo de incentivos de subnet.
Plataforma de desarrollo: Algunos proyectos ofrecen plataformas de desarrollo de agentes de IA, que también permiten la negociación de agentes de IA, como Fetch.ai y ChainML. Herramientas todo en uno ayudan a los desarrolladores a crear, entrenar y desplegar modelos de IA de manera más conveniente, representados 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, y la adopción de tecnología Web3 puede lograr una mayor profundidad en la eficiencia laboral.
Datos: La calidad y cantidad de los datos son factores clave que afectan la efectividad del entrenamiento del modelo. En el mundo de Web3, a través de datos de crowdsourcing y procesamiento colaborativo de datos, se puede optimizar el uso de recursos y reducir los costos de datos. Los usuarios pueden tener soberanía sobre sus datos, vendiendo su propia información bajo protección de la privacidad, para evitar que los malos comerciantes roben y obtengan grandes beneficios de los datos. Para los demandantes de datos, estas plataformas ofrecen una amplia variedad de opciones y costos extremadamente bajos. Proyectos representativos como Grass utilizan el ancho de banda de los usuarios para recopilar datos de la Web, xData recopila información de medios a través de un complemento fácil de usar y apoya a los usuarios en la carga de información de tweets.
Además, algunas plataformas permiten a expertos en el campo o a usuarios comunes realizar tareas de preprocesamiento de datos, como etiquetado de imágenes y clasificación de datos. Estas tareas pueden requerir conocimientos especializados en el procesamiento de datos financieros y legales. Los usuarios pueden tokenizar sus habilidades para lograr la colaboración en la multitud de preprocesamiento de datos. Representando como el mercado de IA de Sahara AI, que tiene tareas de datos en diferentes campos, puede cubrir escenarios de datos en múltiples áreas; mientras que AIT Protocol realiza la etiquetación de datos a través de una colaboración humano-máquina.
Modelo: En el proceso de desarrollo de IA mencionado anteriormente, diferentes tipos de requisitos necesitan coincidir con el modelo adecuado. Modelos comúnmente utilizados para tareas de imágenes como CNN y GAN, para tareas de detección de objetos se puede elegir la serie Yolo, y para tareas de texto, los modelos comunes incluyen RNN y Transformer, además de algunos modelos grandes específicos o generales. La profundidad del modelo requerida 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 crowdsourcing, como Sentient que, mediante un diseño modular, permite a los usuarios colocar datos de modelos confiables en la capa de almacenamiento y en la capa de distribución para optimizar el modelo. Las herramientas de desarrollo proporcionadas por Sahara AI incorporan algoritmos avanzados de IA y marcos de cálculo, y tienen la capacidad de entrenamiento colaborativo.
Inferencia y verificación: Después de que el modelo ha sido entrenado, generará un archivo de pesos del modelo, que se puede utilizar para realizar directamente clasificación, predicciones u otras tareas específicas; este proceso se denomina inferencia. El proceso de inferencia generalmente va acompañado de un mecanismo de verificación para validar si la fuente del modelo de inferencia es correcta, si hay comportamientos maliciosos, etc. La inferencia en Web3 a menudo puede integrarse en contratos inteligentes, realizando inferencias mediante la llamada al modelo. Las formas comunes de verificación 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. En el sitio web oficial de ORA también mencionan su investigación sobre la combinación de ZKML y opp/ai ( ZKML con OPML ).
Capa de aplicación:
Esta capa está principalmente dirigida a aplicaciones orientadas al usuario, combinando IA con Web3 para crear más formas interesantes e innovadoras de jugar. Este artículo se centra en organizar los proyectos de AIGC(, contenido generado por IA), agentes de IA y análisis de datos.
AIGC: A través de AIGC se puede expandir a las pistas de NFT, juegos, etc. en Web3, los usuarios pueden generar texto, imágenes y audio directamente a través de Prompt( las palabras clave proporcionadas por los usuarios), e incluso pueden crear modos de juego personalizados según sus preferencias en los juegos. Proyectos de NFT como NFPrompt, los usuarios pueden generar NFT mediante IA para comerciar en el mercado; juegos como Sleepless, los usuarios moldean la personalidad de un compañero virtual a través de diálogos para que coincida con sus preferencias;
Agente de IA: se refiere a sistemas de inteligencia artificial que pueden ejecutar tareas de manera autónoma y tomar decisiones. Los agentes de IA generalmente tienen capacidades de percepción, razonamiento, aprendizaje y acción, y pueden llevar a cabo tareas complejas en diversos entornos. Algunos ejemplos comunes de agentes de IA son la traducción de idiomas y el aprendizaje de idiomas.
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
11 me gusta
Recompensa
11
4
Compartir
Comentar
0/400
SillyWhale
· hace17h
Narrativa narrativa, todos están en la narrativa.
Ver originalesResponder0
0xSleepDeprived
· hace17h
Ya vienen otra vez a aprovechar el hype de la IA. ¿No está ya todo quemado?
Ver originalesResponder0
StablecoinEnjoyer
· hace17h
Otra vez vienen a especular con conceptos para ganar tontos. ¿Quién atrapará el cuchillo que cae esta vez?
Panorama de la pista Web3-AI: un análisis profundo de la lógica técnica a los principales proyectos
Informe panorámico sobre la pista Web3-AI: análisis profundo de la lógica técnica, aplicaciones en escenarios y proyectos de primer nivel
Con el continuo auge de la narrativa de IA, cada vez más atención se centra en este campo. Se ha realizado un análisis profundo de la lógica técnica, los escenarios de aplicación y los proyectos representativos de la pista Web3-AI, presentándole una visión completa de este ámbito y las tendencias de desarrollo.
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 Web-AI?
En el último año, la narrativa de IA ha sido excepcionalmente popular en la industria de Web3, y los proyectos de IA han surgido 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 de tokens subyacente no tiene una relación sustancial con los productos de IA, por lo que tales proyectos no se consideran parte de la discusión sobre 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, al mismo tiempo, se basan en un modelo económico Web3 como herramienta de relaciones de producción, siendo ambos complementarios. Clasificamos este tipo de proyectos en la categoría Web3-AI. Para que los lectores comprendan mejor la categoría Web3-AI, se presentará el proceso de desarrollo y los desafíos de la AI, así como cómo la combinación de Web3 y AI puede resolver problemas de manera perfecta y crear nuevos escenarios de aplicación.
1.2 El proceso de desarrollo de la IA y los desafíos: desde la recolección de datos hasta la inferencia del modelo
La tecnología de IA es una tecnología 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, la clasificación de imágenes hasta el reconocimiento facial, la 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: recolección y preprocesamiento de datos, selección y ajuste del modelo, entrenamiento y razonamiento del modelo. Para dar un ejemplo simple, al desarrollar un modelo para clasificar imágenes de gatos y perros, necesitas:
Recolección de datos y preprocesamiento de datos: recolectar un conjunto de datos de imágenes que contenga gatos y perros, se puede usar un conjunto de datos público o recolectar 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 un conjunto de entrenamiento, un conjunto de validación y un conjunto de prueba.
Selección y ajuste del modelo: elegir el modelo adecuado, como la red neuronal convolucional (CNN), que es más adecuada para tareas de clasificación de imágenes. Ajustar los parámetros o la arquitectura del modelo según diferentes necesidades, generalmente, la profundidad de la red del modelo se puede ajustar según la complejidad de la tarea de IA. En este simple ejemplo de clasificación, una red menos profunda podría ser suficiente.
Entrenamiento del modelo: se pueden utilizar GPU, TPU o clústeres de computación de alto rendimiento para entrenar el modelo, y el tiempo de entrenamiento está influenciado por la complejidad del modelo y la capacidad de cálculo.
Inferencia del modelo: El archivo del modelo entrenado se denomina generalmente pesos del modelo. El proceso de inferencia se refiere al uso de 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, y generalmente se utilizan métricas como la precisión, la tasa de recuperación y el F1-score para evaluar la efectividad del modelo.
Como se muestra en la imagen, después de la recolección de datos, el preprocesamiento de datos, la selección y ajuste del modelo, y el entrenamiento, al realizar la inferencia del modelo entrenado en el conjunto de prueba se obtendrán los valores de predicción de gato y perro P(probabilidad), es decir, la probabilidad de que el modelo inferencie que es un gato o un perro.
Los modelos de IA entrenados se pueden integrar aún más en diversas aplicaciones para realizar diferentes tareas. En este ejemplo, el modelo de IA para la clasificación de gatos y perros se puede integrar en una aplicación móvil, donde los usuarios pueden subir imágenes de gatos o perros y obtener resultados de clasificación.
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 la IA suele ser opaco. Los datos de los usuarios pueden ser robados sin su conocimiento y utilizados para el entrenamiento de la IA.
Obtención de la fuente de datos: equipos pequeños o individuos que buscan datos en campos específicos (, como datos médicos ), pueden enfrentar limitaciones debido a que los datos no son de código abierto.
Selección y ajuste del modelo: para equipos pequeños, es difícil obtener recursos de modelos específicos o gastar grandes costos en el ajuste del modelo.
Obtención de poder de cómputo: Para desarrolladores individuales y pequeños equipos, el alto costo de compra de GPU y las tarifas de alquiler de potencia de cómputo 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 se correspondan 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 existentes en el escenario de IA centralizada se pueden abordar combinándolos con Web3. Web3, como una nueva forma de relación de producción, se adapta de manera natural a la IA, que representa una nueva productividad, lo que impulsa el progreso simultáneo de la tecnología y la capacidad de producción.
1.3 La sinergia entre Web3 y la IA: cambio de roles y aplicaciones innovadoras
La combinación de Web3 y la IA puede aumentar la soberanía del usuario, proporcionando a los usuarios una plataforma de colaboración de IA abierta, permitiendo que los usuarios pasen de ser usuarios de IA en la era Web2 a participantes, creando una IA que todos puedan poseer. Al mismo tiempo, la fusión del mundo Web3 y la tecnología de IA también puede generar más escenarios de aplicación innovadores y formas de juego.
Basado en la tecnología Web3, el desarrollo y la aplicación de la IA dará lugar a un nuevo sistema de economía colaborativa. La privacidad de los datos de las personas puede ser garantizada, el modelo de datos de crowdsourcing promueve el avance de los modelos de IA, muchos recursos de IA de código abierto están disponibles para los usuarios, y la potencia compartida se puede obtener a un costo relativamente bajo. Con la ayuda de un mecanismo de colaboración descentralizada 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 avance de la tecnología de IA.
En el escenario de Web3, la IA puede tener un impacto positivo en múltiples ámbitos. Por ejemplo, los modelos de IA pueden integrarse en contratos inteligentes para mejorar la eficiencia del trabajo en diferentes aplicaciones, como análisis de mercado, detección de seguridad, agrupación social y muchas otras funciones. La IA generativa no solo permite a los usuarios experimentar el rol de "artista", como crear su propio NFT utilizando tecnología de IA, sino que también puede generar una variedad rica de escenarios de juego y experiencias interactivas interesantes en GameFi. La infraestructura rica proporciona una experiencia de desarrollo fluida, donde tanto los expertos en IA como los nuevos que desean ingresar al campo de la IA pueden encontrar la entrada adecuada en este mundo.
Dos, interpretación del mapa y la arquitectura del proyecto ecosistema Web3-AI
Principalmente investigamos 41 proyectos en el ámbito de Web3-AI y clasificamos estos proyectos en diferentes niveles. La lógica de clasificación de cada nivel se muestra en la imagen a continuación, que incluye la capa de infraestructura, la capa intermedia y la capa de aplicación, cada una de las cuales se divide en diferentes secciones. En el siguiente capítulo, realizaremos un análisis profundo de algunos proyectos representativos.
La capa de infraestructura abarca los recursos computacionales y la arquitectura tecnológica 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 inferencia de validación que conectan la infraestructura con las aplicaciones, mientras que la capa de aplicaciones se centra en diversas aplicaciones y soluciones orientadas directamente al usuario.
Capa de infraestructura:
La capa de infraestructura es la base del ciclo de vida de la IA. En este artículo, se clasifica la potencia de cálculo, AI Chain y la plataforma de desarrollo como parte de la capa de infraestructura. Es gracias al soporte de estas infraestructuras que se puede llevar a cabo el entrenamiento y la inferencia de modelos de IA, y presentar 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 una utilización eficiente y económica de los recursos de cálculo. Algunos proyectos han ofrecido un mercado de potencia de cálculo descentralizado, donde los usuarios pueden alquilar potencia de cálculo a bajo costo o compartir potencia de cálculo para obtener ingresos, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevas formas de juego, como Compute Labs, que han propuesto un protocolo de tokenización, donde los usuarios pueden participar en el alquiler de potencia de cálculo de diferentes maneras comprando NFTs que representan entidades de GPU.
AI Chain: Utiliza la blockchain como base para el ciclo de vida de la IA, logrando una interacción fluida entre los recursos de IA en línea y fuera de línea, promoviendo el desarrollo del ecosistema industrial. El mercado de IA descentralizado en la cadena puede comerciar activos de IA como datos, modelos, agentes, etc., y proporciona un marco de desarrollo de IA y herramientas de desarrollo complementarias, representado por proyectos como Sahara AI. AI Chain también puede fomentar el progreso de la tecnología de IA en diferentes campos, como Bittensor, que promueve la competencia entre diferentes tipos de subnet a través de un innovador mecanismo de incentivos de subnet.
Plataforma de desarrollo: Algunos proyectos ofrecen plataformas de desarrollo de agentes de IA, que también permiten la negociación de agentes de IA, como Fetch.ai y ChainML. Herramientas todo en uno ayudan a los desarrolladores a crear, entrenar y desplegar modelos de IA de manera más conveniente, representados 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, y la adopción de tecnología Web3 puede lograr una mayor profundidad en la eficiencia laboral.
Además, algunas plataformas permiten a expertos en el campo o a usuarios comunes realizar tareas de preprocesamiento de datos, como etiquetado de imágenes y clasificación de datos. Estas tareas pueden requerir conocimientos especializados en el procesamiento de datos financieros y legales. Los usuarios pueden tokenizar sus habilidades para lograr la colaboración en la multitud de preprocesamiento de datos. Representando como el mercado de IA de Sahara AI, que tiene tareas de datos en diferentes campos, puede cubrir escenarios de datos en múltiples áreas; mientras que AIT Protocol realiza la etiquetación de datos a través de una colaboración humano-máquina.
Algunos proyectos permiten a los usuarios proporcionar diferentes tipos de modelos o colaborar en el entrenamiento de modelos a través de crowdsourcing, como Sentient que, mediante un diseño modular, permite a los usuarios colocar datos de modelos confiables en la capa de almacenamiento y en la capa de distribución para optimizar el modelo. Las herramientas de desarrollo proporcionadas por Sahara AI incorporan algoritmos avanzados de IA y marcos de cálculo, y tienen la capacidad de entrenamiento colaborativo.
Capa de aplicación:
Esta capa está principalmente dirigida a aplicaciones orientadas al usuario, combinando IA con Web3 para crear más formas interesantes e innovadoras de jugar. Este artículo se centra en organizar los proyectos de AIGC(, contenido generado por IA), agentes de IA y análisis de datos.
AIGC: A través de AIGC se puede expandir a las pistas de NFT, juegos, etc. en Web3, los usuarios pueden generar texto, imágenes y audio directamente a través de Prompt( las palabras clave proporcionadas por los usuarios), e incluso pueden crear modos de juego personalizados según sus preferencias en los juegos. Proyectos de NFT como NFPrompt, los usuarios pueden generar NFT mediante IA para comerciar en el mercado; juegos como Sleepless, los usuarios moldean la personalidad de un compañero virtual a través de diálogos para que coincida con sus preferencias;
Agente de IA: se refiere a sistemas de inteligencia artificial que pueden ejecutar tareas de manera autónoma y tomar decisiones. Los agentes de IA generalmente tienen capacidades de percepción, razonamiento, aprendizaje y acción, y pueden llevar a cabo tareas complejas en diversos entornos. Algunos ejemplos comunes de agentes de IA son la traducción de idiomas y el aprendizaje de idiomas.