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 campo. Se ha realizado un análisis profundo de la lógica técnica, los escenarios de aplicación y los proyectos representativos en el ámbito de Web3-AI, presentándole una visión completa de este sector y sus tendencias de desarrollo.
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 sido excepcionalmente popular en la industria de Web3, con proyectos de IA surgiendo como champiñones después de la lluvia. Aunque hay muchos proyectos que involucran tecnología de IA, algunos de ellos 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 este tipo de proyectos no se incluyen 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 donde la IA soluciona problemas de productividad. Estos proyectos ofrecen productos de IA y se basan en un modelo económico Web3 como herramientas 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 el proceso de desarrollo y los desafíos de la IA, así como cómo la combinación de Web3 y IA 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 técnica que permite a las computadoras simular, extender y mejorar la inteligencia humana. Puede hacer que las computadoras realicen diversas tareas complejas, desde la traducción de idiomas, la clasificación de imágenes hasta el reconocimiento facial y la conducción autónoma; 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 del modelo e inferencia. Por ejemplo, para desarrollar un modelo que clasifique imágenes de gatos y perros, necesitas:
Recolección de datos y preprocesamiento de datos: recopilar un conjunto de datos de imágenes que contenga gatos y perros, se puede utilizar un conjunto de datos público o recopilar datos reales por sí mismo. Luego, etiquetar cada imagen con su categoría (gato o perro), asegurando que las etiquetas sean precisas. Convertir las imágenes a un formato que el modelo pueda reconocer, dividir 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 las redes neuronales convolucionales (CNN), que son comparativamente adecuadas para tareas de clasificación de imágenes. Ajustar los parámetros o la arquitectura del modelo según diferentes necesidades; en general, los niveles de red del modelo pueden ajustarse según la complejidad de la tarea de IA. En este simple ejemplo de clasificación, una red con niveles más superficiales puede ser suficiente.
Entrenamiento del modelo: se puede utilizar GPU, TPU o un clúster 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 computación.
Inferencia del modelo: Los archivos del modelo entrenado suelen denominarse pesos del modelo, y 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, que generalmente se evalúa con métricas como la precisión, la recuperación y el F1-score.
Como se muestra en la imagen, después de la recopilación de datos y el preprocesamiento de datos, la selección y ajuste de modelos, y el entrenamiento, se realiza la inferencia del modelo entrenado en el conjunto de prueba para obtener 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 ejecutar diferentes tareas. En este ejemplo, el modelo de IA para clasificación de gatos y perros se puede integrar en una aplicación móvil, donde los usuarios suben imágenes de gatos o perros y obtienen 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 pueden enfrentar limitaciones de no código abierto al obtener datos en campos específicos (como datos médicos).
Selección y ajuste de modelos: para equipos pequeños, es difícil obtener recursos de modelos específicos del dominio o gastar una gran cantidad de costos en el ajuste de modelos.
Obtención de poder de cómputo: para desarrolladores individuales y pequeños equipos, el alto costo de compra de GPU y los costos de alquiler de poder 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 coincidan con su esfuerzo, y los resultados de investigación de los desarrolladores de IA también son difíciles de igualar con compradores que tengan demanda.
Los desafíos existentes en el escenario de la IA centralizada pueden superarse mediante la combinación con Web3, que como una nueva forma de relación de producción se adapta de manera natural a la IA, representando nuevas fuerzas productivas, impulsando así el avance 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 AI puede aumentar la soberanía del usuario, proporcionando a los usuarios una plataforma de colaboración de IA abierta, permitiendo que los usuarios pasen de ser consumidores de IA en la era de Web2 a ser participantes, creando una IA que todos puedan poseer. Al mismo tiempo, la fusión del mundo de Web3 con la tecnología de IA 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 darán paso a un nuevo sistema económico colaborativo. La privacidad de los datos de las personas puede estar garantizada, el modelo de crowdsourcing de datos fomenta el avance de los modelos de IA, y numerosos recursos de IA de código abierto están disponibles para los usuarios, mientras que la potencia de cálculo compartida se puede obtener a un costo relativamente bajo. Con la ayuda de un mecanismo de colaboración 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 se pueden integrar en contratos inteligentes para mejorar la eficiencia laboral en diferentes escenarios de aplicación, como análisis de mercado, detección de seguridad, agrupación social y muchas otras funciones. La IA generativa no solo permite a los usuarios experimentar el papel de "artista", como crear su propio NFT utilizando tecnología de IA, sino que también puede crear escenas de juego diversas y experiencias interactivas interesantes en GameFi. Una infraestructura rica ofrece una experiencia de desarrollo fluida, donde tanto expertos en IA como novatos que desean ingresar al campo de la IA pueden encontrar una entrada adecuada en este mundo.
Dos, Interpretación del mapa y la arquitectura del proyecto ecológico Web3-AI
Hemos investigado principalmente 41 proyectos en la pista de Web3-AI, y hemos clasificado 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 soportan la operación 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 aplicación 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. Este artículo clasifica la potencia de cálculo, AI Chain y la plataforma de desarrollo 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, 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 un uso eficiente y económico de los recursos de cálculo. Algunos proyectos han ofrecido mercados de potencia de cálculo descentralizados, donde los usuarios pueden alquilar potencia de cálculo a bajo costo o compartirla para obtener ingresos, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevas formas de jugar, como Compute Labs, que han propuesto un protocolo tokenizado, donde los usuarios pueden participar en el alquiler de potencia de cálculo de diferentes maneras al comprar NFT 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 recursos de IA en la cadena y fuera de ella, 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 ofrece 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, que también pueden realizar transacciones de agentes de IA, como Fetch.ai y ChainML. Herramientas integrales ayudan a los desarrolladores a crear, entrenar y desplegar modelos de IA de manera más conveniente, representados por proyectos 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 verificación, y el uso 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 eficacia del entrenamiento del modelo. En el mundo de Web3, a través de datos de crowdsourcing y procesamiento colaborativo de datos, se puede optimizar la utilización de recursos y reducir los costos de datos. Los usuarios pueden tener soberanía sobre sus datos, vendiendo su propia información bajo la protección de la privacidad, para evitar que comerciantes malintencionados roben datos y obtengan grandes beneficios. 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 capturar 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 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 para lograr la colaboración en la multitud de preprocesamiento de datos. Un ejemplo es el mercado de IA como Sahara AI, que cuenta con diferentes tareas de datos en varios campos, abarcando escenarios de datos multiespecialidad; mientras que AIT Protocolt etiqueta datos mediante un enfoque de colaboración entre humanos y máquinas.
Modelo: En el proceso de desarrollo de IA mencionado anteriormente, diferentes tipos de requisitos necesitan ser emparejados con el modelo adecuado. Modelos comúnmente utilizados para 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, así como algunos modelos grandes específicos o generales. La profundidad del modelo necesaria 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 la externalización, como Sentient, que a través de un diseño modular, permite a los usuarios almacenar datos de modelos confiables en la capa de almacenamiento y distribución para la optimización de modelos. 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, se 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, si hay comportamientos maliciosos, etc. La inferencia en Web3 generalmente se puede integrar en contratos inteligentes, llamando 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 de ORA (OAO), han introducido OPML como una capa verificable para el oráculo de IA, en el sitio web oficial de ORA también mencionaron su investigación sobre ZKML y opp/ai (ZKML combinado con OPML).
Capa de aplicación:
Esta capa se dirige principalmente a aplicaciones orientadas al usuario, combinando IA y Web3 para crear más formas interesantes e innovadoras de jugar. Este artículo se centra principalmente en los proyectos 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.
24 me gusta
Recompensa
24
9
Compartir
Comentar
0/400
SerumSquirrel
· 07-15 20:34
El relato de especulación es increíble, me han engañado para que sea un tonto.
Ver originalesResponder0
CryingOldWallet
· 07-15 20:19
¿Cuándo terminará este juego de especulación sobre la IA?
Ver originalesResponder0
CoffeeOnChain
· 07-14 07:44
La IA ha generado un montón de burbujas, no hay muchos con verdadero poder.
Ver originalesResponder0
MagicBean
· 07-12 21:06
Al final, no es más que una IA cambiando de piel para hacer dinero.
Ver originalesResponder0
TerraNeverForget
· 07-12 21:03
Otra persona ha vuelto a hacer trucos, el equipo detrás del proyecto realmente sabe contar historias.
Ver originalesResponder0
FancyResearchLab
· 07-12 21:00
Otro concepto de especulación en papel.
Ver originalesResponder0
defi_detective
· 07-12 20:55
¿Están otra vez haciendo marketing conceptual? Ya era hora de que se apagara este fuego ficticio.
Ver originalesResponder0
GasGuru
· 07-12 20:49
Vamos a ver cuánto tiempo puede durar esta ola de entusiasmo~
Ver originalesResponder0
RooftopReserver
· 07-12 20:38
Jugar con el proyecto está bien, pero no compres la caída ciegamente.
Análisis panorámico de Web3-AI: Fusión tecnológica, aplicaciones de escenario y análisis profundo de 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 campo. Se ha realizado un análisis profundo de la lógica técnica, los escenarios de aplicación y los proyectos representativos en el ámbito de Web3-AI, presentándole una visión completa de este sector y sus tendencias de desarrollo.
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 sido excepcionalmente popular en la industria de Web3, con proyectos de IA surgiendo como champiñones después de la lluvia. Aunque hay muchos proyectos que involucran tecnología de IA, algunos de ellos 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 este tipo de proyectos no se incluyen 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 donde la IA soluciona problemas de productividad. Estos proyectos ofrecen productos de IA y se basan en un modelo económico Web3 como herramientas 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 el proceso de desarrollo y los desafíos de la IA, así como cómo la combinación de Web3 y IA 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 técnica que permite a las computadoras simular, extender y mejorar la inteligencia humana. Puede hacer que las computadoras realicen diversas tareas complejas, desde la traducción de idiomas, la clasificación de imágenes hasta el reconocimiento facial y la conducción autónoma; 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 del modelo e inferencia. Por ejemplo, para desarrollar un modelo que clasifique imágenes de gatos y perros, necesitas:
Recolección de datos y preprocesamiento de datos: recopilar un conjunto de datos de imágenes que contenga gatos y perros, se puede utilizar un conjunto de datos público o recopilar datos reales por sí mismo. Luego, etiquetar cada imagen con su categoría (gato o perro), asegurando que las etiquetas sean precisas. Convertir las imágenes a un formato que el modelo pueda reconocer, dividir 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 las redes neuronales convolucionales (CNN), que son comparativamente adecuadas para tareas de clasificación de imágenes. Ajustar los parámetros o la arquitectura del modelo según diferentes necesidades; en general, los niveles de red del modelo pueden ajustarse según la complejidad de la tarea de IA. En este simple ejemplo de clasificación, una red con niveles más superficiales puede ser suficiente.
Entrenamiento del modelo: se puede utilizar GPU, TPU o un clúster 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 computación.
Inferencia del modelo: Los archivos del modelo entrenado suelen denominarse pesos del modelo, y 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, que generalmente se evalúa con métricas como la precisión, la recuperación y el F1-score.
Como se muestra en la imagen, después de la recopilación de datos y el preprocesamiento de datos, la selección y ajuste de modelos, y el entrenamiento, se realiza la inferencia del modelo entrenado en el conjunto de prueba para obtener 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 ejecutar diferentes tareas. En este ejemplo, el modelo de IA para clasificación de gatos y perros se puede integrar en una aplicación móvil, donde los usuarios suben imágenes de gatos o perros y obtienen 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 pueden enfrentar limitaciones de no código abierto al obtener datos en campos específicos (como datos médicos).
Selección y ajuste de modelos: para equipos pequeños, es difícil obtener recursos de modelos específicos del dominio o gastar una gran cantidad de costos en el ajuste de modelos.
Obtención de poder de cómputo: para desarrolladores individuales y pequeños equipos, el alto costo de compra de GPU y los costos de alquiler de poder 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 coincidan con su esfuerzo, y los resultados de investigación de los desarrolladores de IA también son difíciles de igualar con compradores que tengan demanda.
Los desafíos existentes en el escenario de la IA centralizada pueden superarse mediante la combinación con Web3, que como una nueva forma de relación de producción se adapta de manera natural a la IA, representando nuevas fuerzas productivas, impulsando así el avance 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 AI puede aumentar la soberanía del usuario, proporcionando a los usuarios una plataforma de colaboración de IA abierta, permitiendo que los usuarios pasen de ser consumidores de IA en la era de Web2 a ser participantes, creando una IA que todos puedan poseer. Al mismo tiempo, la fusión del mundo de Web3 con la tecnología de IA 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 darán paso a un nuevo sistema económico colaborativo. La privacidad de los datos de las personas puede estar garantizada, el modelo de crowdsourcing de datos fomenta el avance de los modelos de IA, y numerosos recursos de IA de código abierto están disponibles para los usuarios, mientras que la potencia de cálculo compartida se puede obtener a un costo relativamente bajo. Con la ayuda de un mecanismo de colaboración 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 se pueden integrar en contratos inteligentes para mejorar la eficiencia laboral en diferentes escenarios de aplicación, como análisis de mercado, detección de seguridad, agrupación social y muchas otras funciones. La IA generativa no solo permite a los usuarios experimentar el papel de "artista", como crear su propio NFT utilizando tecnología de IA, sino que también puede crear escenas de juego diversas y experiencias interactivas interesantes en GameFi. Una infraestructura rica ofrece una experiencia de desarrollo fluida, donde tanto expertos en IA como novatos que desean ingresar al campo de la IA pueden encontrar una entrada adecuada en este mundo.
Dos, Interpretación del mapa y la arquitectura del proyecto ecológico Web3-AI
Hemos investigado principalmente 41 proyectos en la pista de Web3-AI, y hemos clasificado 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 soportan la operación 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 aplicación 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. Este artículo clasifica la potencia de cálculo, AI Chain y la plataforma de desarrollo 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, 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 un uso eficiente y económico de los recursos de cálculo. Algunos proyectos han ofrecido mercados de potencia de cálculo descentralizados, donde los usuarios pueden alquilar potencia de cálculo a bajo costo o compartirla para obtener ingresos, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevas formas de jugar, como Compute Labs, que han propuesto un protocolo tokenizado, donde los usuarios pueden participar en el alquiler de potencia de cálculo de diferentes maneras al comprar NFT 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 recursos de IA en la cadena y fuera de ella, 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 ofrece 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, que también pueden realizar transacciones de agentes de IA, como Fetch.ai y ChainML. Herramientas integrales ayudan a los desarrolladores a crear, entrenar y desplegar modelos de IA de manera más conveniente, representados por proyectos 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 verificación, y el uso 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 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 para lograr la colaboración en la multitud de preprocesamiento de datos. Un ejemplo es el mercado de IA como Sahara AI, que cuenta con diferentes tareas de datos en varios campos, abarcando escenarios de datos multiespecialidad; mientras que AIT Protocolt etiqueta datos mediante 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 externalización, como Sentient, que a través de un diseño modular, permite a los usuarios almacenar datos de modelos confiables en la capa de almacenamiento y distribución para la optimización de modelos. 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 se dirige principalmente a aplicaciones orientadas al usuario, combinando IA y Web3 para crear más formas interesantes e innovadoras de jugar. Este artículo se centra principalmente en los proyectos de AIGC (Contenido Generado por IA), agentes de IA y análisis de datos.