Informe panorámico de la pista Web3-AI: análisis profundo de la lógica técnica, aplicaciones en escenarios y proyectos de primer nivel
Con el continuo auge de la narración de IA, cada vez más atención se centra en este sector. Se ha realizado un análisis profundo de la lógica técnica, los escenarios de aplicación y los proyectos representativos del sector Web3-AI, presentando de manera integral el panorama y las tendencias de desarrollo en este campo.
Uno, Web3-AI: Análisis de la lógica técnica y oportunidades en mercados 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 estado excepcionalmente en auge en la industria de Web3, con proyectos de IA surgiendo como hongos después de la lluvia. Aunque hay muchos proyectos que involucran tecnología de IA, algunos proyectos solo utilizan IA en ciertas partes de sus productos, y la economía de tokens subyacente no está sustancialmente relacionada con los productos de IA, por lo que estos tipos de proyectos no se incluirán en la discusión de proyectos Web3-AI en este artículo.
El enfoque de este artículo está en el uso de la blockchain para resolver problemas de relaciones de producción y proyectos que utilizan IA para resolver problemas de productividad. Estos proyectos en sí mismos ofrecen productos de IA, al mismo tiempo que se basan en un modelo económico Web3 como herramienta de relaciones de producción, siendo ambos complementarios. Clasificamos este tipo de proyectos como la pista Web3-AI. Para que los lectores comprendan mejor la pista Web3-AI, se presentará un desarrollo sobre el proceso de desarrollo de IA y los desafíos, así como cómo la combinación de Web3 y IA resuelve perfectamente problemas y crea nuevos escenarios de aplicación.
1.2 El proceso de desarrollo de la IA y sus desafíos: desde la recolección de datos hasta la inferencia del modelo
La tecnología de IA es una técnica que permite a las computadoras simular, extender y mejorar la inteligencia humana. Esta 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 de datos y preprocesamiento de datos, selección y ajuste del modelo, entrenamiento e inferencia del modelo. Por ejemplo, para desarrollar un modelo que clasifique 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 pueden utilizar conjuntos de datos públicos o recolectar datos reales por cuenta propia. Luego, etiquetar cada imagen con su categoría (gato o perro), asegurándose de que las etiquetas sean precisas. Transformar las imágenes en 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: Elija un modelo adecuado, como las redes neuronales convolucionales (CNN), que son más adecuadas para tareas de clasificación de imágenes. Ajuste los parámetros o la arquitectura del modelo según diferentes necesidades; en general, la profundidad de la red del modelo se puede ajustar según la complejidad de la tarea de IA. En este ejemplo simple de clasificación, una red más superficial puede 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 se ve afectado por la complejidad del modelo y la capacidad de cálculo.
Inferencia del modelo: Los archivos del modelo entrenado suelen llamarse pesos del modelo, y el proceso de inferencia se refiere a utilizar 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 normalmente 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 y el preprocesamiento de datos, la selección y ajuste del modelo, así como 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 infiera 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 puede integrarse 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 escenarios centralizados, 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 fuentes de datos: equipos pequeños o individuos al obtener datos en campos específicos (como datos médicos) pueden enfrentar limitaciones debido a que los datos no son de código abierto.
Selección y ajuste de modelos: para equipos pequeños, es difícil obtener recursos de modelos específicos o gastar grandes costos en el ajuste de modelos.
Obtención de potencia de cálculo: para desarrolladores individuales y pequeños equipos, el alto costo de compra de GPU y las tarifas de alquiler de potencia de cálculo en la nube pueden representar una carga económica significativa.
Ingresos de activos de IA: Los trabajadores de anotación de datos a menudo no pueden obtener ingresos que correspondan a sus esfuerzos, y los resultados de la investigación de los desarrolladores de IA también son difíciles de igualar con los compradores que tienen demanda.
Los desafíos existentes en el escenario de la IA centralizada pueden abordarse combinando con Web3, que como una nueva relación de producción se adapta naturalmente a la IA que representa una nueva productividad, promoviendo así un progreso simultáneo en 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 AI puede fortalecer la soberanía del usuario, proporcionando una plataforma de colaboración de AI abierta que permite a los usuarios pasar de ser simples usuarios de AI en la era de Web2 a participantes, creando una AI que todos pueden poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología AI también puede generar más escenarios de aplicación innovadores y formas de jugar.
Basado en la tecnología Web3, el desarrollo y la aplicación de la IA dará lugar a un nuevo sistema económico colaborativo. La privacidad de los datos de las personas puede ser garantizada, y el modelo de crowdsourcing de datos promueve el avance de los modelos de IA. Muchos recursos de IA de código abierto están disponibles para los usuarios, y la potencia de cálculo compartida se puede obtener a un costo más bajo. Con la ayuda de un mecanismo de colaboración y crowdsourcing descentralizado y un mercado de IA abierto, se puede lograr un sistema de distribución de ingresos justo, lo que incentivará 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 áreas. Por ejemplo, los modelos de IA pueden integrarse en contratos inteligentes para mejorar la eficiencia laboral en diferentes escenarios de aplicación, como análisis de mercado, detección de seguridad, agrupamiento 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 crear escenarios de juego variados y experiencias interactivas interesantes en GameFi. Una infraestructura rica ofrece una experiencia de desarrollo fluida, lo que permite que tanto expertos en IA como principiantes que desean ingresar al campo de la IA encuentren una entrada adecuada en este mundo.
Dos, interpretación del mapa y la arquitectura del proyecto ecológico Web3-AI
Principalmente estudiamos 41 proyectos en la pista de Web3-AI y clasificamos estos proyectos en diferentes niveles. La lógica de clasificación de cada nivel se muestra en la siguiente imagen, incluyendo 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 técnica que apoyan 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 verificación que conectan la infraestructura con las aplicaciones, mientras que la capa de aplicaciones se centra en diversas aplicaciones y soluciones dirigidas directamente a los usuarios.
Capa de infraestructura:
La capa de infraestructura es la base del ciclo de vida de la IA. En este artículo, la potencia de cálculo, AI Chain y la plataforma de desarrollo se clasifican como la capa de infraestructura. Es gracias al apoyo de estas infraestructuras que se puede llevar a cabo el entrenamiento y la inferencia de modelos de IA, presentando 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 computacionales. Algunos proyectos han ofrecido un mercado de poder de cálculo descentralizado, donde los usuarios pueden alquilar poder de cálculo a bajo costo o compartirlo para obtener ganancias, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevos enfoques, como Compute Labs, que propone un protocolo de tokenización, permitiendo a los usuarios participar de diferentes maneras en el alquiler de poder de cálculo para obtener ganancias mediante la compra de NFT que representan entidades 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 la cadena y fuera de ella, promoviendo el desarrollo del ecosistema industrial. El mercado descentralizado de IA 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 subredes de diferentes tipos de IA a través de un innovador mecanismo de incentivos de subred.
Plataforma de desarrollo: Algunos proyectos ofrecen plataformas de desarrollo de agentes de IA, y también pueden realizar transacciones de agentes de IA, como Fetch.ai y ChainML, entre otros. Herramientas integrales ayudan a los desarrolladores a crear, entrenar y desplegar modelos de IA de manera más conveniente, con proyectos representativos como Nimble. Esta infraestructura fomenta la amplia aplicación de la tecnología de IA en el ecosistema Web3.
Capa intermedia:
Este nivel involucra datos de IA, modelos, así como inferencia y validación, y el uso de tecnología Web3 puede lograr una mayor 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 la recopilación de datos colaborativa y el procesamiento de datos, se puede optimizar la utilización de recursos y reducir los costos de datos. Los usuarios pueden tener el control de sus datos y venderlos bajo la protección de la privacidad, evitando que sus datos sean robados y utilizados para obtener grandes beneficios por parte de comerciantes deshonestos. Para los demandantes de datos, estas plataformas ofrecen una amplia gama de opciones y costos extremadamente bajos. Proyectos representativos como Grass aprovechan el ancho de banda de los usuarios para recopilar datos de la web, xData utiliza complementos amigables para el usuario para recolectar información de medios, 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 la etiquetación de imágenes y la clasificación de datos, que pueden requerir conocimientos especializados en tareas de procesamiento de datos financieros y legales. Los usuarios pueden tokenizar sus habilidades y lograr la colaboración en el crowdsourcing del preprocesamiento de datos. Un ejemplo es el mercado de IA de Sahara AI, que tiene tareas de datos en diferentes campos y puede cubrir escenarios de datos de múltiples disciplinas; mientras que AIT Protocol etiqueta los datos a través de un enfoque de colaboración entre humanos y máquinas.
Modelo: En el proceso de desarrollo de IA mencionado anteriormente, diferentes tipos de demandas requieren que se asignen modelos adecuados. Modelos comúnmente utilizados en tareas de imagen como CNN, GAN; para tareas de detección de objetos se puede elegir la serie Yolo; para tareas de texto, modelos comunes como RNN, Transformer, entre otros, y por supuesto, también hay algunos modelos grandes específicos o generales. La profundidad del modelo necesaria varía según la complejidad de la tarea; 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 la crowdsourcing, como Sentient, que a través de un diseño modular permite a los usuarios colocar datos de modelos confiables en la capa de almacenamiento y la capa de distribución para la optimización de modelos. Las herramientas de desarrollo proporcionadas por Sahara AI incorporan algoritmos de IA avanzados 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 clasificación, predicciones u otras tareas específicas; este proceso se llama inferencia. El proceso de inferencia generalmente va acompañado de un mecanismo de verificación para validar si la fuente del modelo de inferencia es correcta y si hay comportamientos maliciosos, entre otros. La inferencia en Web3 se puede integrar normalmente en contratos inteligentes, utilizando la llamada al modelo para realizar la inferencia. Las formas comunes de verificación incluyen tecnologías como ZKML, OPML y TEE. Proyectos representativos como el oráculo de IA en cadena ORA (OAO) han introducido OPML como una capa verificable para el oráculo de IA. En el sitio web de ORA también se menciona su investigación sobre ZKML y opp/ai (ZKML combinado con OPML).
Capa de aplicación:
Esta capa está principalmente orientada a aplicaciones dirigidas al usuario, combinando la IA con Web3 para crear más formas interesantes e innovadoras de jugar. Este artículo se centra principalmente en organizar los proyectos de las secciones de AIGC (contenido generado por IA), agentes de IA y análisis de datos.
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.
14 me gusta
Recompensa
14
7
Republicar
Compartir
Comentar
0/400
MEVSandwichMaker
· hace15h
Los titulares sensacionalistas han vuelto con su espectáculo. Web3+AI ni siquiera han entendido el concepto y ya están analizando.
Ver originalesResponder0
ZKProofster
· hace16h
meh... otro artículo de hype sobre web3-ai. Hablando técnicamente, el 90% de estos "proyectos de ia" carecen de cualquier primitiva criptográfica que valga la pena mencionar.
Ver originalesResponder0
GasWaster
· hace16h
solo otro esquema ponzi de ia... ya he perdido suficiente gas en estos, para ser honesto
Ver originalesResponder0
SolidityStruggler
· hace16h
Todo el mundo está especulando sobre la tendencia de la IA, pero ¿cuántos realmente están haciendo tecnología?
Ver originalesResponder0
FlatlineTrader
· hace16h
Al final, el concepto de炒 acaba fallando; aprovecha la popularidad y toma a la gente por tonta.
Ver originalesResponder0
BearMarketBard
· hace16h
¿Todo el día gritando ai ai, de todos modos solo estás jugando con bloques?
Ver originalesResponder0
RektRecorder
· hace16h
Otra promesa de AI+Web3, hablar de ello no sirve de nada.
Panorama de la pista Web3-AI: análisis de la lógica técnica, escenarios de aplicación y proyectos de primer nivel
Informe panorámico de la pista Web3-AI: análisis profundo de la lógica técnica, aplicaciones en escenarios y proyectos de primer nivel
Con el continuo auge de la narración de IA, cada vez más atención se centra en este sector. Se ha realizado un análisis profundo de la lógica técnica, los escenarios de aplicación y los proyectos representativos del sector Web3-AI, presentando de manera integral el panorama y las tendencias de desarrollo en este campo.
Uno, Web3-AI: Análisis de la lógica técnica y oportunidades en mercados 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 estado excepcionalmente en auge en la industria de Web3, con proyectos de IA surgiendo como hongos después de la lluvia. Aunque hay muchos proyectos que involucran tecnología de IA, algunos proyectos solo utilizan IA en ciertas partes de sus productos, y la economía de tokens subyacente no está sustancialmente relacionada con los productos de IA, por lo que estos tipos de proyectos no se incluirán en la discusión de proyectos Web3-AI en este artículo.
El enfoque de este artículo está en el uso de la blockchain para resolver problemas de relaciones de producción y proyectos que utilizan IA para resolver problemas de productividad. Estos proyectos en sí mismos ofrecen productos de IA, al mismo tiempo que se basan en un modelo económico Web3 como herramienta de relaciones de producción, siendo ambos complementarios. Clasificamos este tipo de proyectos como la pista Web3-AI. Para que los lectores comprendan mejor la pista Web3-AI, se presentará un desarrollo sobre el proceso de desarrollo de IA y los desafíos, así como cómo la combinación de Web3 y IA resuelve perfectamente problemas y crea nuevos escenarios de aplicación.
1.2 El proceso de desarrollo de la IA y sus desafíos: desde la recolección de datos hasta la inferencia del modelo
La tecnología de IA es una técnica que permite a las computadoras simular, extender y mejorar la inteligencia humana. Esta 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 de datos y preprocesamiento de datos, selección y ajuste del modelo, entrenamiento e inferencia del modelo. Por ejemplo, para desarrollar un modelo que clasifique 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 pueden utilizar conjuntos de datos públicos o recolectar datos reales por cuenta propia. Luego, etiquetar cada imagen con su categoría (gato o perro), asegurándose de que las etiquetas sean precisas. Transformar las imágenes en 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: Elija un modelo adecuado, como las redes neuronales convolucionales (CNN), que son más adecuadas para tareas de clasificación de imágenes. Ajuste los parámetros o la arquitectura del modelo según diferentes necesidades; en general, la profundidad de la red del modelo se puede ajustar según la complejidad de la tarea de IA. En este ejemplo simple de clasificación, una red más superficial puede 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 se ve afectado por la complejidad del modelo y la capacidad de cálculo.
Inferencia del modelo: Los archivos del modelo entrenado suelen llamarse pesos del modelo, y el proceso de inferencia se refiere a utilizar 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 normalmente 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 y el preprocesamiento de datos, la selección y ajuste del modelo, así como 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 infiera 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 puede integrarse 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 escenarios centralizados, 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 fuentes de datos: equipos pequeños o individuos al obtener datos en campos específicos (como datos médicos) pueden enfrentar limitaciones debido a que los datos no son de código abierto.
Selección y ajuste de modelos: para equipos pequeños, es difícil obtener recursos de modelos específicos o gastar grandes costos en el ajuste de modelos.
Obtención de potencia de cálculo: para desarrolladores individuales y pequeños equipos, el alto costo de compra de GPU y las tarifas de alquiler de potencia de cálculo en la nube pueden representar una carga económica significativa.
Ingresos de activos de IA: Los trabajadores de anotación de datos a menudo no pueden obtener ingresos que correspondan a sus esfuerzos, y los resultados de la investigación de los desarrolladores de IA también son difíciles de igualar con los compradores que tienen demanda.
Los desafíos existentes en el escenario de la IA centralizada pueden abordarse combinando con Web3, que como una nueva relación de producción se adapta naturalmente a la IA que representa una nueva productividad, promoviendo así un progreso simultáneo en 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 AI puede fortalecer la soberanía del usuario, proporcionando una plataforma de colaboración de AI abierta que permite a los usuarios pasar de ser simples usuarios de AI en la era de Web2 a participantes, creando una AI que todos pueden poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología AI también puede generar más escenarios de aplicación innovadores y formas de jugar.
Basado en la tecnología Web3, el desarrollo y la aplicación de la IA dará lugar a un nuevo sistema económico colaborativo. La privacidad de los datos de las personas puede ser garantizada, y el modelo de crowdsourcing de datos promueve el avance de los modelos de IA. Muchos recursos de IA de código abierto están disponibles para los usuarios, y la potencia de cálculo compartida se puede obtener a un costo más bajo. Con la ayuda de un mecanismo de colaboración y crowdsourcing descentralizado y un mercado de IA abierto, se puede lograr un sistema de distribución de ingresos justo, lo que incentivará 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 áreas. Por ejemplo, los modelos de IA pueden integrarse en contratos inteligentes para mejorar la eficiencia laboral en diferentes escenarios de aplicación, como análisis de mercado, detección de seguridad, agrupamiento 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 crear escenarios de juego variados y experiencias interactivas interesantes en GameFi. Una infraestructura rica ofrece una experiencia de desarrollo fluida, lo que permite que tanto expertos en IA como principiantes que desean ingresar al campo de la IA encuentren una entrada adecuada en este mundo.
Dos, interpretación del mapa y la arquitectura del proyecto ecológico Web3-AI
Principalmente estudiamos 41 proyectos en la pista de Web3-AI y clasificamos estos proyectos en diferentes niveles. La lógica de clasificación de cada nivel se muestra en la siguiente imagen, incluyendo 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 técnica que apoyan 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 verificación que conectan la infraestructura con las aplicaciones, mientras que la capa de aplicaciones se centra en diversas aplicaciones y soluciones dirigidas directamente a los usuarios.
Capa de infraestructura:
La capa de infraestructura es la base del ciclo de vida de la IA. En este artículo, la potencia de cálculo, AI Chain y la plataforma de desarrollo se clasifican como la capa de infraestructura. Es gracias al apoyo de estas infraestructuras que se puede llevar a cabo el entrenamiento y la inferencia de modelos de IA, presentando 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 computacionales. Algunos proyectos han ofrecido un mercado de poder de cálculo descentralizado, donde los usuarios pueden alquilar poder de cálculo a bajo costo o compartirlo para obtener ganancias, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevos enfoques, como Compute Labs, que propone un protocolo de tokenización, permitiendo a los usuarios participar de diferentes maneras en el alquiler de poder de cálculo para obtener ganancias mediante la compra de NFT que representan entidades 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 la cadena y fuera de ella, promoviendo el desarrollo del ecosistema industrial. El mercado descentralizado de IA 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 subredes de diferentes tipos de IA a través de un innovador mecanismo de incentivos de subred.
Plataforma de desarrollo: Algunos proyectos ofrecen plataformas de desarrollo de agentes de IA, y también pueden realizar transacciones de agentes de IA, como Fetch.ai y ChainML, entre otros. Herramientas integrales ayudan a los desarrolladores a crear, entrenar y desplegar modelos de IA de manera más conveniente, con proyectos representativos como Nimble. Esta infraestructura fomenta la amplia aplicación de la tecnología de IA en el ecosistema Web3.
Capa intermedia:
Este nivel involucra datos de IA, modelos, así como inferencia y validación, y el uso de tecnología Web3 puede lograr una mayor eficiencia laboral.
Además, algunas plataformas permiten a expertos en el campo o a usuarios comunes realizar tareas de preprocesamiento de datos, como la etiquetación de imágenes y la clasificación de datos, que pueden requerir conocimientos especializados en tareas de procesamiento de datos financieros y legales. Los usuarios pueden tokenizar sus habilidades y lograr la colaboración en el crowdsourcing del preprocesamiento de datos. Un ejemplo es el mercado de IA de Sahara AI, que tiene tareas de datos en diferentes campos y puede cubrir escenarios de datos de múltiples disciplinas; mientras que AIT Protocol etiqueta los datos a través de un enfoque de colaboración entre humanos y máquinas.
Algunos proyectos permiten a los usuarios proporcionar diferentes tipos de modelos o colaborar en el entrenamiento de modelos a través de la crowdsourcing, como Sentient, que a través de un diseño modular permite a los usuarios colocar datos de modelos confiables en la capa de almacenamiento y la capa de distribución para la optimización de modelos. Las herramientas de desarrollo proporcionadas por Sahara AI incorporan algoritmos de IA avanzados y marcos de cálculo, y tienen la capacidad de entrenamiento colaborativo.
Capa de aplicación:
Esta capa está principalmente orientada a aplicaciones dirigidas al usuario, combinando la IA con Web3 para crear más formas interesantes e innovadoras de jugar. Este artículo se centra principalmente en organizar los proyectos de las secciones de AIGC (contenido generado por IA), agentes de IA y análisis de datos.