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 esta pista. 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 campo y las tendencias de desarrollo.

Uno, Web3-AI: Análisis de la lógica técnica y las oportunidades del nuevo mercado

1.1 Lógica de la fusión entre Web3 y AI: cómo definir la pista Web-AI

En el último año, la narrativa de IA ha estado extraordinariamente de moda en la industria de Web3, y los proyectos de IA han surgido como hongos 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 tanto, estos tipos de proyectos no se consideran parte de la discusión sobre proyectos Web3-AI en este artículo.

El enfoque de este artículo está en el uso de blockchain para resolver problemas de relaciones de producción y proyectos que utilizan IA para resolver problemas de productividad. Estos proyectos ofrecen productos de IA 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 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 resuelve problemas de manera perfecta y crea nuevos escenarios de aplicación.

1.2 El proceso de desarrollo de 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 y razonamiento del modelo. Por ejemplo, al desarrollar un modelo para clasificar imágenes de gatos y perros, necesitas:

1. Recolección de datos y preprocesamiento de datos: recolectar un conjunto de datos de imágenes que contengan gatos y perros, se puede utilizar un conjunto de datos público o recolectar datos reales por cuenta propia. Luego, etiquetar cada imagen con su 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 conjunto de entrenamiento, conjunto de validación y conjunto de prueba.

2. Selección y ajuste de modelos: elige el modelo adecuado, como las redes neuronales convolucionales (CNN), que son más adecuadas para tareas de clasificación de imágenes. Ajusta los parámetros o la arquitectura del modelo según las diferentes necesidades; por lo general, los niveles de red del modelo se pueden ajustar según la complejidad de la tarea de IA. En este simple ejemplo de clasificación, una red con niveles más superficiales puede ser suficiente.

3. 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.

4. Inferencia del modelo: El archivo del modelo entrenado generalmente se denomina peso del modelo, y el proceso de inferencia se refiere al proceso de utilizar un modelo ya entrenado para predecir o clasificar nuevos datos. En este proceso, se puede utilizar un conjunto de prueba o nuevos datos para evaluar la efectividad de la clasificación del modelo, generalmente utilizando métricas como precisión, tasa de recuperación y F1-score para evaluar la efectividad del modelo.

Como se muestra en la imagen, después de la recopilación y el preprocesamiento de datos, la selección y ajuste del modelo, y el entrenamiento, se inferirá el 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 pueden integrarse aún más en diversas aplicaciones para realizar diferentes tareas. En este ejemplo, un modelo de IA de clasificación de gatos y perros puede integrarse 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 datos: los equipos pequeños o individuos que buscan obtener datos en campos específicos (como datos médicos) pueden enfrentar restricciones por la falta de acceso a datos de código abierto.

Selección y ajuste de modelos: Para equipos pequeños, es difícil obtener recursos de modelos específicos de dominio o gastar grandes costos en el ajuste de modelos.

Obtención de poder de cálculo: Para los desarrolladores individuales y equipos pequeños, el alto costo de compra de GPU y las tarifas de alquiler de poder de cálculo 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 correspondan a su esfuerzo, y los resultados de investigación de los desarrolladores de IA también tienen dificultades para coincidir con compradores que los necesiten.

Los desafíos existentes en el escenario de la IA centralizada pueden superarse mediante la combinación con Web3. Web3, como una nueva relación de producción, se adapta de manera natural a la IA, que representa una nueva productividad, promoviendo así el progreso simultáneo de la tecnología y la capacidad de producción.

1.3 Efecto sinérgico entre Web3 y AI: Cambio de roles y aplicaciones innovadoras

La combinación de Web3 y AI puede fortalecer la soberanía del usuario, proporcionando a los usuarios una plataforma de colaboración de AI abierta, permitiendo que los usuarios pasen de ser usuarios de AI en la era de Web2 a participantes, creando una AI que todos puedan poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología AI también puede generar más escenarios de aplicación innovadores y formas de interacción.

Basado en la tecnología Web3, el desarrollo y aplicación de la IA dará paso a un nuevo sistema económico colaborativo. La privacidad de los datos de las personas puede ser garantizada, el modelo de datos en modalidad de crowdsourcing promueve el avance de los modelos de IA, y numerosos recursos de IA de código abierto están disponibles para los usuarios, permitiendo acceder a la potencia de cálculo compartida a un costo más 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 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 sus propios NFT utilizando tecnología de IA, sino que también puede crear escenarios de juego diversos 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

Principalmente hemos investigado 41 proyectos en el sector de Web3-AI y hemos clasificado estos proyectos en diferentes niveles. La lógica de clasificación de cada nivel se muestra en la siguiente imagen, que incluye la capa de infraestructura, la capa intermedia y la capa de aplicación, y cada nivel 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 todo el ciclo de vida de la IA. La capa intermedia incluye la gestión de datos, el desarrollo de modelos y los servicios de validación e inferencia que conectan la infraestructura con las aplicaciones. 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, 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 útiles 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 compartir potencia de cálculo para obtener ganancias, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevos enfoques, como Compute Labs, que han propuesto protocolos de tokenización, donde los usuarios pueden participar en el alquiler de potencia de cálculo de diferentes maneras 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 sin fisuras entre los recursos de IA en la cadena y fuera de ella, promoviendo el desarrollo del ecosistema de la industria. El mercado descentralizado de IA en la cadena puede intercambiar activos de IA como datos, modelos, agentes, etc., y proporciona un marco de desarrollo de IA y herramientas de desarrollo auxiliares, representado por proyectos como Sahara AI. AI Chain también puede fomentar el avance 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. 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 fomenta la amplia aplicación de la tecnología de IA en el ecosistema Web3.

Capa intermedia:

Esta capa implica datos de IA, modelos, así como inferencia y verificación, utilizando tecnología Web3 para lograr una mayor eficiencia en el trabajo.

• 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 la utilización de recursos y reducir los costos de datos. Los usuarios pueden tener el derecho de controlar sus datos y venderlos bajo la protección de la privacidad, para evitar que comerciantes deshonestos los roben y obtengan altos beneficios. Para los demandantes de datos, estas plataformas ofrecen una amplia variedad de opciones y un costo muy bajo. 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, que pueden requerir conocimientos especializados en finanzas y en el procesamiento de datos legales. Los usuarios pueden tokenizar sus habilidades para lograr la colaboración en la subcontratación del preprocesamiento de datos. Ejemplos como el mercado AI de Sahara AI, que abarca tareas de datos de diferentes campos, pueden cubrir escenarios de datos multidisciplinarios; mientras que el Protocolo AIT etiqueta los datos mediante un enfoque de colaboración entre humanos y máquinas.

• Modelo: En el proceso de desarrollo de IA mencionado anteriormente, diferentes tipos de necesidades requieren que se emparejen con el modelo adecuado. Modelos comúnmente utilizados en tareas de imágenes como CNN y GAN, tareas de detección de objetos pueden elegir la serie Yolo, en tareas de texto son comunes modelos como RNN y Transformer, por supuesto, también hay algunos modelos grandes específicos o generales. La profundidad del modelo necesaria para tareas de diferentes complejidades también varía, a veces se requiere ajustar el modelo.

Algunos proyectos permiten a los usuarios proporcionar diferentes tipos de modelos o colaborar en el entrenamiento de modelos a través del crowdfunding, como Sentient, que a través de un diseño modular, permite a los usuarios almacenar datos de modelos confiables en la capa de almacenamiento y la capa de distribución para optimizar modelos. Las herramientas de desarrollo proporcionadas por Sahara AI incorporan algoritmos de IA avanzados y marcos de cálculo, y cuentan con la capacidad de entrenamiento colaborativo.

• Inferencia y verificación: Después de que el modelo ha sido entrenado, generará archivos de pesos del modelo, que se pueden usar para clasificación, predicción 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, etc. La inferencia en Web3 generalmente se puede integrar en contratos inteligentes, mediante la llamada al modelo para realizar inferencias. Los métodos de verificación comunes incluyen tecnologías como ZKML, OPML y TEE. Proyectos representativos como el oráculo de IA en la cadena ORA (OAO) han introducido OPML como una capa verificable para el oráculo de IA. En el sitio web oficial de ORA también se menciona su investigación sobre ZKML y opp/ai (ZKML combinado con OPML).

Capa de aplicación:

Este nivel está principalmente orientado 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 revisar los proyectos en varias áreas, como AIGC (contenido generado por IA), agentes de IA y análisis de datos.

• AIGC: a través de AIGC