Web3-AI panorama : fusion technologique, scénarios d'application et analyse des projets de premier plan

Rapport panoramique sur le secteur Web3-AI : analyse approfondie de la logique technique, des applications scénaristiques et des projets de premier plan

Avec la montée en puissance de la narration AI, de plus en plus d'attention se concentre sur ce secteur. Une analyse approfondie de la logique technique, des cas d'application et des projets représentatifs du secteur Web3-AI a été réalisée, vous présentant ainsi un panorama complet et les tendances de développement dans ce domaine.

I. Web3-AI : Analyse de la logique technique et des opportunités de marché émergentes

1.1 La logique de fusion entre Web3 et l'IA : comment définir le secteur Web-AI

Au cours de l'année écoulée, la narration AI a connu un succès exceptionnel dans l'industrie Web3, avec des projets AI apparaissant comme des champignons après la pluie. Bien que de nombreux projets impliquent des technologies AI, certains d'entre eux n'utilisent l'AI que dans certaines parties de leurs produits, et l'économie des tokens sous-jacente n'a pas de lien substantiel avec les produits AI, c'est pourquoi ces projets ne sont pas inclus dans la discussion des projets Web3-AI dans cet article.

L'article se concentre sur l'utilisation de la blockchain pour résoudre les problèmes de relations de production, tandis que l'IA s'attaque aux problèmes de productivité. Ces projets proposent eux-mêmes des produits d'IA, tout en s'appuyant sur un modèle économique Web3 en tant qu'outil de relations de production, les deux se complétant mutuellement. Nous classons ces projets dans la catégorie Web3-AI. Afin de permettre aux lecteurs de mieux comprendre la catégorie Web3-AI, nous allons présenter le processus de développement de l'IA et ses défis, ainsi que la manière dont la combinaison de Web3 et d'IA peut parfaitement résoudre des problèmes et créer de nouveaux cas d'application.

1.2 Le processus de développement de l'IA et les défis : de la collecte de données à l'inférence du modèle

La technologie de l'IA est une technologie qui permet aux ordinateurs de simuler, d'étendre et d'améliorer l'intelligence humaine. Elle permet aux ordinateurs d'exécuter diverses tâches complexes, allant de la traduction linguistique, de la classification d'images à la reconnaissance faciale, en passant par les applications de conduite autonome. L'IA est en train de changer notre façon de vivre et de travailler.

Le processus de développement d'un modèle d'intelligence artificielle comprend généralement les étapes clés suivantes : collecte et prétraitement des données, sélection et optimisation du modèle, entraînement et inférence du modèle. Prenons un exemple simple, pour développer un modèle permettant de classer des images de chats et de chiens, vous avez besoin de :

  1. Collecte de données et prétraitement des données : recueillir un ensemble de données d'images contenant des chats et des chiens, en utilisant des ensembles de données publics ou en collectant des données réelles soi-même. Ensuite, étiqueter chaque image avec la catégorie ( chat ou chien ), en s'assurant que les étiquettes sont exactes. Convertir les images dans un format que le modèle peut reconnaître, puis diviser l'ensemble de données en ensemble d'entraînement, ensemble de validation et ensemble de test.

  2. Choix et ajustement du modèle : choisir un modèle approprié, tel que le réseau de neurones convolutionnel (CNN), qui est particulièrement adapté aux tâches de classification d'images. Ajuster les paramètres ou l'architecture du modèle en fonction des besoins différents, en général, les niveaux de réseau du modèle peuvent être ajustés en fonction de la complexité de la tâche d'IA. Dans cet exemple simple de classification, un réseau moins profond pourrait suffire.

  3. Entraînement du modèle : vous pouvez utiliser des GPU, des TPU ou des clusters de calcul haute performance pour entraîner le modèle, le temps d'entraînement étant influencé par la complexité du modèle et la capacité de calcul.

  4. Inférence du modèle : Le fichier d'un modèle bien entraîné est généralement appelé poids du modèle. Le processus d'inférence désigne l'utilisation d'un modèle déjà entraîné pour prédire ou classer de nouvelles données. Au cours de ce processus, un ensemble de test ou de nouvelles données peut être utilisé pour évaluer l'efficacité de la classification du modèle, généralement mesurée par des indicateurs tels que la précision, le rappel et le F1-score.

Comme indiqué sur l'image, après la collecte de données, le prétraitement des données, la sélection et l'optimisation des modèles, et l'entraînement, l'inférence du modèle entraîné sur l'ensemble de test donnera les valeurs prédites pour les chats et les chiens P(probability), c'est-à-dire la probabilité que le modèle infère qu'il s'agit d'un chat ou d'un chien.

Web3-AI Panorama Report : Analyse approfondie de la logique technique, des applications de scénarios et des projets de premier plan

Un modèle d'IA entraîné peut être intégré dans diverses applications pour exécuter différentes tâches. Dans cet exemple, un modèle d'IA de classification de chats et de chiens peut être intégré dans une application mobile, permettant aux utilisateurs d'uploader des images de chats ou de chiens et d'obtenir les résultats de classification.

Cependant, le processus de développement de l'IA centralisée présente certains problèmes dans les scénarios suivants :

Vie privée des utilisateurs : dans un contexte centralisé, le processus de développement de l'IA est généralement opaque. Les données des utilisateurs peuvent être volées à leur insu et utilisées pour l'entraînement de l'IA.

Source de données : les petites équipes ou les individus peuvent être confrontés à des limitations de non-licence des données lorsqu'ils obtiennent des données spécifiques à un domaine (, telles que les données médicales ).

Sélection et ajustement du modèle : pour les petites équipes, il est difficile d'accéder à des ressources de modèle spécifiques à un domaine ou de dépenser beaucoup de coûts pour l'ajustement du modèle.

Accès à la puissance de calcul : pour les développeurs individuels et les petites équipes, le coût élevé d'achat des GPU et les frais de location de puissance de calcul dans le cloud peuvent constituer un fardeau économique significatif.

Revenu des actifs AI : Les travailleurs de l'annotation de données ont souvent du mal à obtenir un revenu correspondant à leurs efforts, tandis que les résultats de recherche des développeurs d'IA sont également difficiles à faire correspondre avec des acheteurs ayant des besoins.

Les défis existant dans les scénarios d'IA centralisés peuvent être surmontés en les combinant avec le Web3. Le Web3, en tant que nouvelle relation de production, s'adapte naturellement à l'IA, qui représente une nouvelle productivité, permettant ainsi une avancée simultanée de la technologie et des capacités de production.

1.3 Web3 et l'IA : synergies, transformations de rôles et applications innovantes

La combinaison de Web3 et de l'IA peut renforcer la souveraineté des utilisateurs, en leur offrant une plateforme de collaboration IA ouverte, permettant aux utilisateurs de passer d'utilisateurs de l'IA à l'ère Web2 à des participants, créant une IA détenue par tous. Parallèlement, la fusion du monde Web3 et des technologies IA peut également donner lieu à davantage de scénarios d'application innovants et de nouvelles manières de jouer.

Basé sur la technologie Web3, le développement et l'application de l'IA entreront dans un tout nouveau système économique collaboratif. La vie privée des données des utilisateurs peut être protégée, le modèle de crowdsourcing des données favorise les progrès des modèles d'IA, de nombreuses ressources d'IA open source sont disponibles pour les utilisateurs, et la puissance de calcul partagée peut être obtenue à un coût réduit. Grâce à un mécanisme de collaboration décentralisé et à un marché de l'IA ouvert, un système de distribution des revenus équitable peut être réalisé, ce qui incitera davantage de personnes à promouvoir les avancées de la technologie IA.

Dans le contexte de Web3, l'IA peut avoir un impact positif dans plusieurs domaines. Par exemple, les modèles d'IA peuvent être intégrés dans des contrats intelligents pour améliorer l'efficacité du travail dans différents scénarios d'application, tels que l'analyse de marché, la détection de sécurité, le clustering social, et bien d'autres fonctionnalités. L'IA générative permet non seulement aux utilisateurs de vivre le rôle d'"artiste", comme en créant leur propre NFT avec des technologies d'IA, mais elle peut également créer des scènes de jeu variées et des expériences interactives intéressantes dans le GameFi. Une infrastructure riche offre une expérience de développement fluide, que ce soit pour des experts en IA ou des novices souhaitant entrer dans le domaine de l'IA, chacun peut trouver une entrée appropriée dans ce monde.

Deux, Interprétation de la carte et de l'architecture des projets écologiques Web3-AI

Nous avons principalement étudié 41 projets dans le secteur Web3-AI et avons classé ces projets en différentes couches. La logique de classification de chaque couche est illustrée dans le diagramme ci-dessous, comprenant la couche d'infrastructure, la couche intermédiaire et la couche d'application, chacune étant subdivisée en différents modules. Dans le prochain chapitre, nous procéderons à une analyse approfondie de certains projets représentatifs.

Web3-AI aperçu du rapport sur le secteur : logique technique, applications de scénarios et analyse approfondie des projets de premier plan

La couche d'infrastructure couvre les ressources de calcul et l'architecture technologique qui soutiennent l'ensemble du cycle de vie de l'IA. La couche intermédiaire comprend la gestion des données, le développement de modèles et les services de validation et de raisonnement qui connectent l'infrastructure et les applications. La couche d'application se concentre sur divers types d'applications et de solutions directement destinées aux utilisateurs.

Infrastructure Layer:

La couche d'infrastructure est la base du cycle de vie de l'IA. Cet article classe la puissance de calcul, la chaîne AI et la plateforme de développement comme faisant partie de la couche d'infrastructure. C'est grâce au soutien de ces infrastructures que l'entraînement et l'inférence des modèles IA peuvent être réalisés, et que des applications IA puissantes et pratiques peuvent être présentées aux utilisateurs.

  • Réseau de calcul décentralisé : il peut fournir une puissance de calcul distribuée pour l'entraînement des modèles d'IA, garantissant une utilisation efficace et économique des ressources de calcul. Certains projets ont mis en place un marché de puissance de calcul décentralisé, permettant aux utilisateurs de louer de la puissance à faible coût ou de partager leur puissance pour obtenir des revenus, des projets représentatifs incluent IO.NET et Hyperbolic. De plus, certains projets ont donné naissance à de nouvelles mécaniques, comme Compute Labs, qui propose un protocole tokenisé, permettant aux utilisateurs de participer à la location de puissance de manière variée en achetant des NFT représentant des entités GPU.

  • AI Chain : Utiliser la blockchain comme base du cycle de vie de l'IA, réaliser une interaction sans faille des ressources IA sur chaîne et hors chaîne, et promouvoir le développement de l'écosystème industriel. Le marché décentralisé de l'IA sur chaîne permet d'échanger des actifs IA tels que des données, des modèles, des agents, etc., et fournit un cadre de développement IA ainsi que des outils de développement associés, représentant des projets tels que Sahara AI. AI Chain peut également promouvoir les avancées technologiques de l'IA dans différents domaines, comme Bittensor qui encourage la concurrence entre différents types de sous-réseaux grâce à un mécanisme incitatif innovant.

  • Plateforme de développement : certains projets offrent des plateformes de développement d'agents IA, permettant également le trading d'agents IA, comme Fetch.ai et ChainML. Des outils tout-en-un aident les développeurs à créer, entraîner et déployer des modèles IA de manière plus pratique, avec des projets représentatifs tels que Nimble. Ces infrastructures favorisent l'application généralisée des technologies IA dans l'écosystème Web3.

Couche intermédiaire:

Ce niveau concerne les données AI, les modèles ainsi que le raisonnement et la validation, et l'utilisation de la technologie Web3 peut permettre une plus grande efficacité au travail.

  • Données : La qualité et la quantité des données sont des facteurs clés influençant l'efficacité de l'entraînement des modèles. Dans le monde de Web3, l'optimisation de l'utilisation des ressources et la réduction des coûts des données peuvent être réalisées par le biais de données en crowdsourcing et de traitement collaboratif des données. Les utilisateurs peuvent avoir le contrôle de leurs données, vendre leurs propres données dans le cadre de la protection de la vie privée, afin d'éviter que des commerçants malveillants ne volent les données et ne réalisent d'énormes profits. Pour les demandeurs de données, ces plateformes offrent un large choix et des coûts très bas. Des projets représentatifs comme Grass utilisent la bande passante des utilisateurs pour extraire des données Web, xData collecte des informations médiatiques via un plugin convivial et permet aux utilisateurs de télécharger des informations sur des tweets.

De plus, certaines plateformes permettent aux experts du domaine ou aux utilisateurs ordinaires d'exécuter des tâches de prétraitement des données, telles que l'annotation d'images et la classification des données, ces tâches pouvant nécessiter des connaissances spécialisées en finance et en droit pour le traitement des données. Les utilisateurs peuvent tokeniser leurs compétences pour réaliser une collaboration en crowdsourcing sur le prétraitement des données. Des exemples incluent le marché AI de Sahara AI, qui propose des tâches de données dans différents domaines, pouvant couvrir des scénarios de données interdomaines ; tandis que le protocole AIT effectue l'annotation des données par le biais de la collaboration homme-machine.

  • Modèle : Dans le processus de développement de l'IA mentionné précédemment, différents types de besoins nécessitent de faire correspondre des modèles appropriés. Les modèles couramment utilisés pour les tâches d'image incluent CNN, GAN, pour les tâches de détection d'objets, on peut choisir la série Yolo, et pour les tâches de texte, les modèles courants incluent RNN, Transformer, etc. Bien sûr, il existe également des modèles spécifiques ou généraux de grande taille. La profondeur du modèle nécessaire varie également en fonction de la complexité des tâches, et il peut parfois être nécessaire d'ajuster le modèle.

Certains projets permettent aux utilisateurs de fournir différents types de modèles ou de collaborer à l'entraînement de modèles par le biais de l'intelligence collective, comme Sentient qui, grâce à une conception modulaire, permet aux utilisateurs de stocker des données de modèles fiables dans les couches de stockage et de distribution pour optimiser les modèles. Les outils de développement fournis par Sahara AI intègrent des algorithmes d'IA avancés et des cadres de calcul, et possèdent la capacité d'entraînement collaboratif.

  • Inférence et validation : après l'entraînement, le modèle génère un fichier de poids de modèle qui peut être utilisé pour effectuer directement des classifications, des prédictions ou d'autres tâches spécifiques, ce processus est appelé inférence. Le processus d'inférence est généralement accompagné d'un mécanisme de validation pour vérifier si la source du modèle d'inférence est correcte, s'il y a des comportements malveillants, etc. L'inférence Web3 peut généralement être intégrée dans des contrats intelligents, en appelant le modèle pour effectuer l'inférence, les méthodes de validation courantes incluent des technologies telles que ZKML, OPML et TEE. Des projets représentatifs comme l'oracle AI sur la chaîne ORA ( OAO ) ont introduit OPML comme couche vérifiable pour l'oracle AI, et leur site officiel mentionne également leur recherche sur la combinaison de ZKML et opp/ai ( ZKML avec OPML ).

Couche applicative :

Cette couche est principalement axée sur les applications destinées aux utilisateurs, combinant l'IA avec le Web3 pour créer des expériences plus intéressantes et innovantes. Cet article examine principalement les projets dans les secteurs suivants : la génération de contenu AIGC(AI, les agents IA et l'analyse de données.

  • AIGC : grâce à AIGC, il est possible de s'étendre à
SAHARA3.82%
Voir l'original
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
  • Récompense
  • 7
  • Partager
Commentaire
0/400
TianyaGuyueSwordvip
· 07-25 06:57
Ta mère est morte
Voir l'originalRépondre0
NewPumpamentalsvip
· 07-25 00:27
Le marché est à nouveau obsédé par le web3ai.
Voir l'originalRépondre0
CoconutWaterBoyvip
· 07-25 00:26
Ça suffit, encore un piège d'Airdrop.
Voir l'originalRépondre0
AirdropHunter007vip
· 07-25 00:23
Les pigeons doivent faire attention, l'IA est une machine à prendre les gens pour des idiots.
Voir l'originalRépondre0
ImpermanentSagevip
· 07-25 00:20
pigeons trop nombreux, encore une fois il faut les ignorer pour prendre les gens pour des idiots.
Voir l'originalRépondre0
TrustMeBrovip
· 07-25 00:17
Avant, c'était tellement terrible, maintenant c'est une chute terrible.
Voir l'originalRépondre0
StealthMoonvip
· 07-25 00:15
La piste est en feu, mais il faut rester vigilant face à la bulle.
Voir l'originalRépondre0
  • Épingler
Trader les cryptos partout et à tout moment
qrCode
Scan pour télécharger Gate app
Communauté
Français (Afrique)
  • 简体中文
  • English
  • Tiếng Việt
  • 繁體中文
  • Español
  • Русский
  • Français (Afrique)
  • Português (Portugal)
  • Bahasa Indonesia
  • 日本語
  • بالعربية
  • Українська
  • Português (Brasil)