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 narrativa 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 de la pista Web3-AI, presentándole de manera integral el panorama y las tendencias de desarrollo en este campo.
Uno, Web3-AI: Análisis de la lógica técnica y oportunidades en nuevos mercados
1.1 Lógica de fusión entre Web3 y AI: ¿cómo definir la pista Web-AI?
En el último año, la narración de IA ha sido excepcionalmente popular en la industria de Web3, y los proyectos de IA han surgido como hongos después de la lluvia. Aunque muchos proyectos 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 estos proyectos no se incluyen en la discusión de los proyectos Web3-AI en este artículo.
El enfoque de este artículo está en utilizar la blockchain para resolver problemas de relaciones de producción, y proyectos donde la IA resuelve 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 análisis del proceso de desarrollo de la IA y sus desafíos, 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 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. Puede permitir que las computadoras realicen una variedad de 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 y razonamiento del modelo. Por ejemplo, para desarrollar un modelo que clasifique imágenes de gatos y perros, necesitas:
Recopilación de datos y preprocesamiento de datos: recopilar un conjunto de datos de imágenes que contenga gatos y perros, se pueden utilizar conjuntos de datos públicos o recopilar 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 las redes neuronales convolucionales (CNN), que son más adecuadas para tareas de clasificación de imágenes. Ajustar 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 simple ejemplo 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: El archivo del modelo entrenado se denomina generalmente peso 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 prueba o nuevos datos para evaluar la efectividad de clasificación del modelo, normalmente utilizando métricas como la precisión, la tasa de recuperación y el F1-score para evaluar la efectividad del modelo.
Como se muestra en la figura, después de la recolección de datos y el preprocesamiento de datos, la selección y ajuste del modelo, y el entrenamiento, al realizar la inferencia del modelo entrenado en el conjunto de pruebas se obtendrán los valores de predicción para el gato y el perro P(probability), 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 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 fuentes de datos: pequeños equipos o individuos pueden enfrentar limitaciones en la obtención de datos de campos específicos (, como los datos médicos ), debido a que no son de código abierto.
Selección y ajuste de modelos: para equipos pequeños, es difícil obtener recursos de modelos en campos específicos o gastar grandes costos en el ajuste de modelos.
Obtención de potencia de cálculo: para los desarrolladores individuales y equipos pequeños, el alto costo de compra de GPU y los costos 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 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 la IA centralizada se pueden abordar mediante la combinación con Web3. Web3, como una nueva relación de producción, se adapta de forma natural a la IA, que representa una nueva fuerza productiva, promoviendo así el progreso simultáneo de la tecnología y la capacidad productiva.
1.3 Sinergia entre Web3 y AI: Cambio de roles y aplicaciones innovadoras
La combinación de Web3 y la IA puede fortalecer la soberanía del usuario, proporcionando una plataforma de colaboración en IA abierta para 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 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 dará la bienvenida a un nuevo sistema de economía colaborativa. La privacidad de los datos de las personas puede ser garantizada, el modelo de crowdsourcing de datos fomenta el progreso de los modelos de IA, y muchos recursos de IA de código abierto están disponibles para los usuarios, permitiendo acceder a la potencia de cálculo compartida a un costo más bajo. Gracias a un mecanismo descentralizado de colaboración y crowdsourcing y a un mercado de IA abierto, se puede lograr un sistema de distribución de ingresos justo, incentivando así a más personas a impulsar el progreso de la tecnología de IA.
En el escenario Web3, la IA puede tener un impacto positivo en múltiples sectores. 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, agrupación 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 diversos escenarios de juego y experiencias interactivas interesantes en GameFi. Una infraestructura rica proporciona una experiencia de desarrollo fluida, donde tanto los expertos en IA como los 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 estudiado 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, que incluye la capa de infraestructura, la capa intermedia y la capa de aplicación, y cada capa se divide en diferentes secciones. En el siguiente capítulo, realizaremos una Profundidad análisis 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 directamente orientadas al usuario.
Capa de infraestructura:
La capa de infraestructura es la base del ciclo de vida de la IA. En este artículo, se clasifican la potencia de cálculo, AI Chain y la plataforma de desarrollo como parte de 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 ofrecen un mercado de potencia de cálculo descentralizado, donde los usuarios pueden alquilar potencia de cálculo a bajo costo o compartirla para obtener beneficios, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevas formas de jugar, como Compute Labs, que propone un protocolo tokenizado, donde los usuarios pueden participar de diferentes maneras en el alquiler de potencia de cálculo para obtener beneficios 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 costuras de recursos de IA en cadena y fuera de cadena, promoviendo el desarrollo del ecosistema de la industria. 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 de 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 promueve la amplia aplicación de la tecnología de IA en el ecosistema Web3.
Capa intermedia:
Esta capa involucra datos de IA, modelos y razonamiento y verificación, utilizando tecnología Web3 se puede lograr una mayor Profundidad de 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 la recopilación de datos por crowdsourcing y el procesamiento colaborativo de datos, se puede optimizar el uso de recursos y reducir los costos de datos. Los usuarios pueden tener el control de sus datos y vender su propia información bajo la protección de la privacidad, para evitar que los malos comerciantes roben sus datos y obtengan altos beneficios. Para los demandantes de datos, estas plataformas ofrecen una amplia variedad de opciones y costos muy bajos. Proyectos representativos como Grass utilizan el ancho de banda de los usuarios para recopilar datos de la Web, xData recopila información multimedia a través de un complemento fácil de usar y permite a los usuarios subir información de tweets.
Además, algunas plataformas permiten a expertos del campo o usuarios comunes realizar tareas de preprocesamiento de datos, como la anotación de imágenes y la clasificación de datos. Estas tareas pueden requerir conocimientos especializados en el procesamiento de datos financieros y legales. Los usuarios pueden tokenizar sus habilidades, logrando la colaboración y el crowdsourcing en el preprocesamiento de datos. Un ejemplo es el mercado de IA de Sahara AI, que abarca tareas de datos en diferentes campos y puede cubrir escenarios de datos multidisciplinarios; mientras que el Protocolo AIT realiza la anotación de datos a través de la colaboración entre humanos y máquinas.
Modelo: En el proceso de desarrollo de IA mencionado anteriormente, diferentes tipos de necesidades requieren modelos adecuados. Para tareas de imágenes, se utilizan comúnmente modelos como CNN y GAN; para tareas de detección de objetos, se puede elegir la serie Yolo; para tareas de texto, los modelos comunes son RNN, Transformer, entre otros, y también hay algunos modelos grandes específicos o generales. La profundidad del modelo requerida varía según la complejidad de las tareas, 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 capas de almacenamiento y distribución para optimizar modelos. Las herramientas de desarrollo ofrecidas por Sahara AI incorporan algoritmos de IA avanzados y marcos de cálculo, y tienen la capacidad de entrenamiento colaborativo.
Inferencia y validación: Después de que el modelo ha sido entrenado, generará archivos de pesos del modelo que se pueden utilizar para clasificación, predicción u otras tareas específicas, este proceso se llama inferencia. El proceso de inferencia generalmente se acompaña de un mecanismo de validación para verificar si el origen del modelo de inferencia es correcto, si hay comportamientos maliciosos, etc. La inferencia en Web3 a menudo se puede integrar en contratos inteligentes, mediante la invocación del modelo para realizar la inferencia, las formas comunes de validación 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 del oráculo de IA, en el sitio web oficial de ORA también se menciona su investigación sobre ZKML y la combinación de opp/ai ( ZKML con OPML ).
Capa de aplicación:
Esta capa se centra principalmente en las aplicaciones dirigidas al usuario, combinando IA con Web3 para crear formas de juego más interesantes e innovadoras. Este artículo se centra en revisar los proyectos en varias áreas: 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.
13 me gusta
Recompensa
13
7
Compartir
Comentar
0/400
TianyaGuyueSword
· 07-25 06:57
Tu madre ha muerto
Ver originalesResponder0
NewPumpamentals
· 07-25 00:27
El mercado se ha obsesionado nuevamente con web3ai.
Ver originalesResponder0
CoconutWaterBoy
· 07-25 00:26
Ya está bien, otra vez con la trampa de Airdrop.
Ver originalesResponder0
AirdropHunter007
· 07-25 00:23
tontos deben tener cuidado, la IA es una máquina que toma a la gente por tonta
Ver originalesResponder0
ImpermanentSage
· 07-25 00:20
tontos demasiado, otra vez hay que ignorar y tomar a la gente por tonta.
Ver originalesResponder0
TrustMeBro
· 07-25 00:17
Antes era tan terrible lo que se decía, ahora es tan terrible la caída.
Ver originalesResponder0
StealthMoon
· 07-25 00:15
La pista se ha calentado, pero también hay que tener cuidado con las burbujas.
Panorama de la pista Web3-AI: fusión de tecnologías, escenarios de aplicación y análisis 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 narrativa 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 de la pista Web3-AI, presentándole de manera integral el panorama y las tendencias de desarrollo en este campo.
Uno, Web3-AI: Análisis de la lógica técnica y oportunidades en nuevos mercados
1.1 Lógica de fusión entre Web3 y AI: ¿cómo definir la pista Web-AI?
En el último año, la narración de IA ha sido excepcionalmente popular en la industria de Web3, y los proyectos de IA han surgido como hongos después de la lluvia. Aunque muchos proyectos 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 estos proyectos no se incluyen en la discusión de los proyectos Web3-AI en este artículo.
El enfoque de este artículo está en utilizar la blockchain para resolver problemas de relaciones de producción, y proyectos donde la IA resuelve 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 análisis del proceso de desarrollo de la IA y sus desafíos, 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 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. Puede permitir que las computadoras realicen una variedad de 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 y razonamiento del modelo. Por ejemplo, para desarrollar un modelo que clasifique imágenes de gatos y perros, necesitas:
Recopilación de datos y preprocesamiento de datos: recopilar un conjunto de datos de imágenes que contenga gatos y perros, se pueden utilizar conjuntos de datos públicos o recopilar 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 las redes neuronales convolucionales (CNN), que son más adecuadas para tareas de clasificación de imágenes. Ajustar 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 simple ejemplo 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: El archivo del modelo entrenado se denomina generalmente peso 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 prueba o nuevos datos para evaluar la efectividad de clasificación del modelo, normalmente utilizando métricas como la precisión, la tasa de recuperación y el F1-score para evaluar la efectividad del modelo.
Como se muestra en la figura, después de la recolección de datos y el preprocesamiento de datos, la selección y ajuste del modelo, y el entrenamiento, al realizar la inferencia del modelo entrenado en el conjunto de pruebas se obtendrán los valores de predicción para el gato y el perro P(probability), 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 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 fuentes de datos: pequeños equipos o individuos pueden enfrentar limitaciones en la obtención de datos de campos específicos (, como los datos médicos ), debido a que no son de código abierto.
Selección y ajuste de modelos: para equipos pequeños, es difícil obtener recursos de modelos en campos específicos o gastar grandes costos en el ajuste de modelos.
Obtención de potencia de cálculo: para los desarrolladores individuales y equipos pequeños, el alto costo de compra de GPU y los costos 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 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 la IA centralizada se pueden abordar mediante la combinación con Web3. Web3, como una nueva relación de producción, se adapta de forma natural a la IA, que representa una nueva fuerza productiva, promoviendo así el progreso simultáneo de la tecnología y la capacidad productiva.
1.3 Sinergia entre Web3 y AI: Cambio de roles y aplicaciones innovadoras
La combinación de Web3 y la IA puede fortalecer la soberanía del usuario, proporcionando una plataforma de colaboración en IA abierta para 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 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 dará la bienvenida a un nuevo sistema de economía colaborativa. La privacidad de los datos de las personas puede ser garantizada, el modelo de crowdsourcing de datos fomenta el progreso de los modelos de IA, y muchos recursos de IA de código abierto están disponibles para los usuarios, permitiendo acceder a la potencia de cálculo compartida a un costo más bajo. Gracias a un mecanismo descentralizado de colaboración y crowdsourcing y a un mercado de IA abierto, se puede lograr un sistema de distribución de ingresos justo, incentivando así a más personas a impulsar el progreso de la tecnología de IA.
En el escenario Web3, la IA puede tener un impacto positivo en múltiples sectores. 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, agrupación 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 diversos escenarios de juego y experiencias interactivas interesantes en GameFi. Una infraestructura rica proporciona una experiencia de desarrollo fluida, donde tanto los expertos en IA como los 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 estudiado 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, que incluye la capa de infraestructura, la capa intermedia y la capa de aplicación, y cada capa se divide en diferentes secciones. En el siguiente capítulo, realizaremos una Profundidad análisis 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 directamente orientadas al usuario.
Capa de infraestructura:
La capa de infraestructura es la base del ciclo de vida de la IA. En este artículo, se clasifican la potencia de cálculo, AI Chain y la plataforma de desarrollo como parte de 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 ofrecen un mercado de potencia de cálculo descentralizado, donde los usuarios pueden alquilar potencia de cálculo a bajo costo o compartirla para obtener beneficios, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevas formas de jugar, como Compute Labs, que propone un protocolo tokenizado, donde los usuarios pueden participar de diferentes maneras en el alquiler de potencia de cálculo para obtener beneficios 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 costuras de recursos de IA en cadena y fuera de cadena, promoviendo el desarrollo del ecosistema de la industria. 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 de 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 promueve la amplia aplicación de la tecnología de IA en el ecosistema Web3.
Capa intermedia:
Esta capa involucra datos de IA, modelos y razonamiento y verificación, utilizando tecnología Web3 se puede lograr una mayor Profundidad de trabajo.
Además, algunas plataformas permiten a expertos del campo o usuarios comunes realizar tareas de preprocesamiento de datos, como la anotación de imágenes y la clasificación de datos. Estas tareas pueden requerir conocimientos especializados en el procesamiento de datos financieros y legales. Los usuarios pueden tokenizar sus habilidades, logrando la colaboración y el crowdsourcing en el preprocesamiento de datos. Un ejemplo es el mercado de IA de Sahara AI, que abarca tareas de datos en diferentes campos y puede cubrir escenarios de datos multidisciplinarios; mientras que el Protocolo AIT realiza la anotación de datos a través de la 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 capas de almacenamiento y distribución para optimizar modelos. Las herramientas de desarrollo ofrecidas por Sahara AI incorporan algoritmos de IA avanzados y marcos de cálculo, y tienen la capacidad de entrenamiento colaborativo.
Capa de aplicación:
Esta capa se centra principalmente en las aplicaciones dirigidas al usuario, combinando IA con Web3 para crear formas de juego más interesantes e innovadoras. Este artículo se centra en revisar los proyectos en varias áreas: contenido generado por IA (, agentes de IA y análisis de datos.