Informe panorámico sobre la pista Web3-AI: análisis profundo de la lógica técnica, aplicaciones en escenarios y proyectos de primer nivel
Con el calentamiento continuo de la narrativa de la IA, cada vez más atención se centra en este campo. Este artículo analiza en profundidad la lógica técnica, los escenarios de aplicación y los proyectos representativos del campo Web3-AI, presentándole de manera completa el panorama y las tendencias de desarrollo de este ámbito.
I. Web3-AI: Análisis de la lógica técnica y oportunidades de mercado emergentes
1.1 Lógica de fusión entre Web3 y AI: cómo definir la pista Web-AI
En el último año, la narrativa de IA ha sido excepcionalmente popular en la industria de Web3, con proyectos de IA surgiendo como setas 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 token subyacente no tiene una relación sustancial con los productos de IA; por lo tanto, estos proyectos no se incluyen en la discusión de proyectos Web3-AI en este artículo.
El enfoque de este artículo está en proyectos que utilizan la blockchain para resolver problemas de relaciones de producción y la IA para resolver problemas de productividad. Estos proyectos ofrecen productos de IA, a la vez que se basan en un modelo económico Web3 como herramienta de relaciones de producción, donde ambos se complementan. Clasificamos este tipo de proyectos como la pista Web3-AI. Para que los lectores comprendan mejor la pista Web3-AI, este artículo se desarrollará para presentar el proceso de desarrollo de la IA y los desafíos, así como cómo la combinación de Web3 y la 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, ampliar y mejorar la inteligencia humana. Puede permitir que las computadoras realicen diversas tareas complejas, desde la traducción de idiomas, 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: recopilación 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:
Recolección de datos y preprocesamiento de datos: recolectar un conjunto de datos de imágenes que contengan gatos y perros, se puede usar un conjunto de datos público 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 la red neuronal convolucional (CNN), que es más adecuada para tareas de clasificación de imágenes. Ajustar los parámetros o la arquitectura del modelo según las diferentes necesidades; generalmente, las capas de la red del modelo se pueden ajustar según la complejidad de la tarea de IA. En este simple ejemplo de clasificación, una red con capas 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 cálculo.
Inferencia del modelo: Los archivos del modelo entrenado generalmente se denominan pesos del modelo. 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 prueba 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.
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 datos: equipos pequeños o individuos que buscan datos en campos específicos (, como datos médicos ), pueden enfrentar limitaciones debido a la falta de apertura de los datos.
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 coincidan con su esfuerzo, y los resultados de la investigación de los desarrolladores de IA también son difíciles de coincidir con los compradores que tienen demanda.
Los desafíos existentes en el escenario de IA centralizada pueden abordarse a través de la combinación con Web3. Web3, como una nueva relación de producción, se adapta de forma natural a la IA, que representa nuevas fuerzas productivas, lo que impulsa el progreso simultáneo de la tecnología y la capacidad productiva.
1.3 La sinergia 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 Web2 a participantes, creando una AI que todos pueden poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología AI puede generar más escenarios de aplicación y formas innovadoras.
Basado en la tecnología Web3, el desarrollo y la aplicación de la IA darán lugar a un nuevo sistema de economía colaborativa. La privacidad de los datos de las personas puede ser garantizada, el modelo de crowdsourcing de datos promueve el progreso de los modelos de IA, numerosos recursos de IA de código abierto están disponibles para los usuarios, y 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 a su vez incentiva a más personas a promover 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, agrupación social y muchas otras funciones. La IA generativa no solo permite a los usuarios experimentar el papel de "artista", como crear sus propios NFT utilizando tecnología de IA, sino que también puede crear una variedad rica de escenarios de juego y experiencias interactivas interesantes en GameFi. La infraestructura rica ofrece una experiencia de desarrollo fluida, donde tanto expertos en IA como principiantes que desean ingresar al campo de la IA pueden encontrar una entrada adecuada en este mundo.
II. Mapa y análisis de la arquitectura de los proyectos ecológicos Web3-AI
Hemos estudiado principalmente 41 proyectos en la pista 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, cada una de las cuales se divide en diferentes secciones. En el siguiente capítulo, realizaremos un análisis profundo de algunos proyectos representativos.
La capa de infraestructura abarca los recursos computacionales y la arquitectura tecnológica que 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 validación que conectan la infraestructura con las aplicaciones, mientras que la capa de aplicaciones 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 útiles a los usuarios.
Red de computación descentralizada: puede proporcionar potencia de cálculo distribuida para el entrenamiento de modelos de IA, asegurando una utilización eficiente y económica de los recursos de cálculo. Algunos proyectos ofrecen mercados de potencia de cálculo descentralizados, donde los usuarios pueden alquilar potencia de cálculo a bajo costo o compartirla para obtener ganancias, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevas formas de juego, como Compute Labs, que han propuesto protocolos tokenizados, donde los usuarios pueden participar en el alquiler de potencia de cálculo para obtener ganancias comprando NFT que representan entidades de GPU de diferentes maneras.
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 línea y fuera de línea, promoviendo el desarrollo del ecosistema de la industria. El mercado de IA descentralizado en la blockchain puede negociar 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 promover avances tecnológicos en IA en diferentes campos, como Bittensor, que fomenta 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 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 involucra datos de IA, modelos, así como inferencia y verificación. La adopción 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 de modelos. En el mundo 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 autonomía sobre sus datos y vender su información personal bajo la protección de la privacidad, para evitar que comerciantes malintencionados roben sus datos y obtengan grandes ganancias. Para los demandantes de datos, estas plataformas ofrecen una amplia gama de opciones y costos extremadamente bajos. Proyectos representativos como Grass utilizan el ancho de banda de los usuarios para capturar datos web, xData recopila información de medios a través de un plugin amigable para el usuario y permite a los usuarios subir información de tuits.
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, 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 crowdfunding en el preprocesamiento de datos. Representando como el mercado de IA de Sahara, que tiene tareas de datos en diferentes campos, puede abarcar escenarios de datos multidisciplinarios; mientras que AIT Protocolt etiqueta los 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 la coincidencia con el modelo adecuado. Modelos comúnmente utilizados para tareas de imagen como CNN y GAN, para tareas de detección de objetos se puede elegir la serie Yolo, y para tareas de texto, los modelos comunes son RNN y Transformer, entre otros, por supuesto, también hay algunos modelos grandes específicos o generales. La profundidad del modelo necesaria para tareas de diferentes complejidades también varía, 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 financiación colectiva, como Sentient, que permite a los usuarios colocar datos de modelos confiables en la capa de almacenamiento y en la capa de distribución para la optimización de modelos a través de un diseño modular. 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 entrenar, el modelo generará un archivo de pesos del modelo, que puede utilizarse 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, entre otros. La inferencia en Web3 se puede integrar en contratos inteligentes, llamando al modelo para realizar la inferencia. 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, y en el sitio web de ORA también mencionaron su investigación sobre la combinación de ZKML y opp/ai( ZKML con OPML).
Capa de aplicación:
Esta capa está principalmente orientada a aplicaciones dirigidas al usuario, combinando la IA con Web3 para crear formas más interesantes e innovadoras de jugar. Este artículo se centra principalmente en organizar los proyectos en varios sectores, como AIGC(, contenido generado por IA), agentes de IA y análisis de datos.
AIGC: A través de AIGC se puede expandir a las áreas de NFT, juegos, etc. en Web3, los usuarios pueden generar texto, imágenes y audio directamente a través de las palabras clave que proporciona el usuario, (, incluso pueden generar estilos de juego personalizados en función de sus preferencias. Proyectos de NFT como NFPrompt, los usuarios pueden generar NFT mediante AI para comerciar en el mercado; juegos como Sleepless, los usuarios moldean la personalidad de un compañero virtual a través de diálogos para coincidir con sus preferencias;
Agente de IA: se refiere a sistemas de inteligencia artificial que pueden ejecutar tareas de forma autónoma y tomar decisiones. Los agentes de IA suelen tener capacidades de percepción, razonamiento, aprendizaje y acción, y pueden llevar a cabo tareas complejas en diversos entornos. Ejemplos comunes de agentes de IA incluyen traducción de idiomas, aprendizaje de idiomas, conversión de imágenes a texto, etc., que en escenarios de Web3 pueden generar robots de trading, crear memes, realizar detección de seguridad en la cadena, entre otros. MyShell, como plataforma de agentes de IA, ofrece varios tipos de agentes, incluidos agentes para aprendizaje educativo, compañeros virtuales, agentes de trading, etc., y proporciona herramientas de desarrollo de agentes fáciles de usar, permitiendo construir su propio agente sin necesidad de código.
Análisis de datos: a través de la integración de tecnologías de IA y bases de datos de campos relacionados, se logra el análisis, juicio y predicción de datos, en Web3, se puede ayudar a los usuarios a tomar decisiones de inversión mediante el análisis de datos del mercado, dinámicas de dinero inteligente, etc. La predicción de tokens también es un escenario de aplicación único en Web3, representado por proyectos como Ocean, el oficial ha establecido un...
Ver originales
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.
12 me gusta
Recompensa
12
5
Compartir
Comentar
0/400
MeaninglessGwei
· hace12h
Otra vez con la AI, me está volviendo loco.
Ver originalesResponder0
BearMarketMonk
· 08-06 05:05
¿Ecología al menos de 6 cifras?
Ver originalesResponder0
LayerHopper
· 08-06 04:56
Una vez más es un conductor de IA.
Ver originalesResponder0
FarmToRiches
· 08-06 04:36
Ser engañados nueva narrativa ha llegado
Ver originalesResponder0
MoonlightGamer
· 08-06 04:36
¿Chocar? Solo es una trampa para aprovecharse del calor de la AI~
Panorama de la pista Web3-AI: análisis profundo de la lógica técnica, escenarios de aplicación y proyectos de primer nivel
Informe panorámico sobre la pista Web3-AI: análisis profundo de la lógica técnica, aplicaciones en escenarios y proyectos de primer nivel
Con el calentamiento continuo de la narrativa de la IA, cada vez más atención se centra en este campo. Este artículo analiza en profundidad la lógica técnica, los escenarios de aplicación y los proyectos representativos del campo Web3-AI, presentándole de manera completa el panorama y las tendencias de desarrollo de este ámbito.
I. Web3-AI: Análisis de la lógica técnica y oportunidades de mercado emergentes
1.1 Lógica de fusión entre Web3 y AI: cómo definir la pista Web-AI
En el último año, la narrativa de IA ha sido excepcionalmente popular en la industria de Web3, con proyectos de IA surgiendo como setas 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 token subyacente no tiene una relación sustancial con los productos de IA; por lo tanto, estos proyectos no se incluyen en la discusión de proyectos Web3-AI en este artículo.
El enfoque de este artículo está en proyectos que utilizan la blockchain para resolver problemas de relaciones de producción y la IA para resolver problemas de productividad. Estos proyectos ofrecen productos de IA, a la vez que se basan en un modelo económico Web3 como herramienta de relaciones de producción, donde ambos se complementan. Clasificamos este tipo de proyectos como la pista Web3-AI. Para que los lectores comprendan mejor la pista Web3-AI, este artículo se desarrollará para presentar el proceso de desarrollo de la IA y los desafíos, así como cómo la combinación de Web3 y la 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, ampliar y mejorar la inteligencia humana. Puede permitir que las computadoras realicen diversas tareas complejas, desde la traducción de idiomas, 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: recopilación 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:
Recolección de datos y preprocesamiento de datos: recolectar un conjunto de datos de imágenes que contengan gatos y perros, se puede usar un conjunto de datos público 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 la red neuronal convolucional (CNN), que es más adecuada para tareas de clasificación de imágenes. Ajustar los parámetros o la arquitectura del modelo según las diferentes necesidades; generalmente, las capas de la red del modelo se pueden ajustar según la complejidad de la tarea de IA. En este simple ejemplo de clasificación, una red con capas 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 cálculo.
Inferencia del modelo: Los archivos del modelo entrenado generalmente se denominan pesos del modelo. 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 prueba 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.
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 datos: equipos pequeños o individuos que buscan datos en campos específicos (, como datos médicos ), pueden enfrentar limitaciones debido a la falta de apertura de los datos.
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 coincidan con su esfuerzo, y los resultados de la investigación de los desarrolladores de IA también son difíciles de coincidir con los compradores que tienen demanda.
Los desafíos existentes en el escenario de IA centralizada pueden abordarse a través de la combinación con Web3. Web3, como una nueva relación de producción, se adapta de forma natural a la IA, que representa nuevas fuerzas productivas, lo que impulsa el progreso simultáneo de la tecnología y la capacidad productiva.
1.3 La sinergia 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 Web2 a participantes, creando una AI que todos pueden poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología AI puede generar más escenarios de aplicación y formas innovadoras.
Basado en la tecnología Web3, el desarrollo y la aplicación de la IA darán lugar a un nuevo sistema de economía colaborativa. La privacidad de los datos de las personas puede ser garantizada, el modelo de crowdsourcing de datos promueve el progreso de los modelos de IA, numerosos recursos de IA de código abierto están disponibles para los usuarios, y 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 a su vez incentiva a más personas a promover 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, agrupación social y muchas otras funciones. La IA generativa no solo permite a los usuarios experimentar el papel de "artista", como crear sus propios NFT utilizando tecnología de IA, sino que también puede crear una variedad rica de escenarios de juego y experiencias interactivas interesantes en GameFi. La infraestructura rica ofrece una experiencia de desarrollo fluida, donde tanto expertos en IA como principiantes que desean ingresar al campo de la IA pueden encontrar una entrada adecuada en este mundo.
II. Mapa y análisis de la arquitectura de los proyectos ecológicos Web3-AI
Hemos estudiado principalmente 41 proyectos en la pista 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, cada una de las cuales se divide en diferentes secciones. En el siguiente capítulo, realizaremos un análisis profundo de algunos proyectos representativos.
La capa de infraestructura abarca los recursos computacionales y la arquitectura tecnológica que 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 validación que conectan la infraestructura con las aplicaciones, mientras que la capa de aplicaciones 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 útiles a los usuarios.
Red de computación descentralizada: puede proporcionar potencia de cálculo distribuida para el entrenamiento de modelos de IA, asegurando una utilización eficiente y económica de los recursos de cálculo. Algunos proyectos ofrecen mercados de potencia de cálculo descentralizados, donde los usuarios pueden alquilar potencia de cálculo a bajo costo o compartirla para obtener ganancias, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevas formas de juego, como Compute Labs, que han propuesto protocolos tokenizados, donde los usuarios pueden participar en el alquiler de potencia de cálculo para obtener ganancias comprando NFT que representan entidades de GPU de diferentes maneras.
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 línea y fuera de línea, promoviendo el desarrollo del ecosistema de la industria. El mercado de IA descentralizado en la blockchain puede negociar 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 promover avances tecnológicos en IA en diferentes campos, como Bittensor, que fomenta 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 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 involucra datos de IA, modelos, así como inferencia y verificación. La adopción 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, 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 crowdfunding en el preprocesamiento de datos. Representando como el mercado de IA de Sahara, que tiene tareas de datos en diferentes campos, puede abarcar escenarios de datos multidisciplinarios; mientras que AIT Protocolt etiqueta los 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 financiación colectiva, como Sentient, que permite a los usuarios colocar datos de modelos confiables en la capa de almacenamiento y en la capa de distribución para la optimización de modelos a través de un diseño modular. 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 formas más interesantes e innovadoras de jugar. Este artículo se centra principalmente en organizar los proyectos en varios sectores, como AIGC(, contenido generado por IA), agentes de IA y análisis de datos.
AIGC: A través de AIGC se puede expandir a las áreas de NFT, juegos, etc. en Web3, los usuarios pueden generar texto, imágenes y audio directamente a través de las palabras clave que proporciona el usuario, (, incluso pueden generar estilos de juego personalizados en función de sus preferencias. Proyectos de NFT como NFPrompt, los usuarios pueden generar NFT mediante AI para comerciar en el mercado; juegos como Sleepless, los usuarios moldean la personalidad de un compañero virtual a través de diálogos para coincidir con sus preferencias;
Agente de IA: se refiere a sistemas de inteligencia artificial que pueden ejecutar tareas de forma autónoma y tomar decisiones. Los agentes de IA suelen tener capacidades de percepción, razonamiento, aprendizaje y acción, y pueden llevar a cabo tareas complejas en diversos entornos. Ejemplos comunes de agentes de IA incluyen traducción de idiomas, aprendizaje de idiomas, conversión de imágenes a texto, etc., que en escenarios de Web3 pueden generar robots de trading, crear memes, realizar detección de seguridad en la cadena, entre otros. MyShell, como plataforma de agentes de IA, ofrece varios tipos de agentes, incluidos agentes para aprendizaje educativo, compañeros virtuales, agentes de trading, etc., y proporciona herramientas de desarrollo de agentes fáciles de usar, permitiendo construir su propio agente sin necesidad de código.
Análisis de datos: a través de la integración de tecnologías de IA y bases de datos de campos relacionados, se logra el análisis, juicio y predicción de datos, en Web3, se puede ayudar a los usuarios a tomar decisiones de inversión mediante el análisis de datos del mercado, dinámicas de dinero inteligente, etc. La predicción de tokens también es un escenario de aplicación único en Web3, representado por proyectos como Ocean, el oficial ha establecido un...