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 par l'IA, de plus en plus d'attention est portée sur ce secteur. Cet article analyse en profondeur la logique technique, les cas d'application et les projets représentatifs du secteur Web3-AI, vous présentant ainsi une vue d'ensemble de ce domaine et des tendances de développement.
I. Web3-AI : Analyse de la logique technique et des opportunités de marché émergentes
1.1 La logique de la fusion entre Web3 et l'IA : comment définir le domaine Web-AI
Au cours de l'année écoulée, la narration par IA a connu un succès exceptionnel dans l'industrie du Web3, avec des projets d'IA qui ont jailli comme des champignons après la pluie. Bien qu'il existe de nombreux projets impliquant des technologies d'IA, certains projets n'utilisent l'IA que dans certaines parties de leurs produits, et l'économie des tokens sous-jacente n'a pas de lien substantiel avec les produits d'IA. Par conséquent, ces types de projets ne seront pas inclus dans la discussion sur les projets Web3-AI dans cet article.
L'article met l'accent sur l'utilisation de la blockchain pour résoudre les problèmes de relations de production et sur les projets qui utilisent l'IA pour résoudre les problèmes de productivité. Ces projets fournissent eux-mêmes des produits d'IA, tout en étant basés 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, cet article présentera le processus de développement de l'IA et les défis associés, ainsi que la manière dont la combinaison de Web3 et d'IA peut parfaitement résoudre des problèmes et créer de nouveaux scénarios d'application.
1.2 Processus de développement de l'IA et défis : de la collecte de données à l'inférence du modèle
La technologie 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 et aux applications de conduite autonome, l'IA change notre façon de vivre et de travailler.
Le processus de développement d'un modèle d'intelligence artificielle comprend généralement les étapes clés suivantes : collecte de données et prétraitement des données, sélection et ajustement du modèle, entraînement du modèle et inférence. Prenons un exemple simple : pour développer un modèle permettant de classer des images de chats et de chiens, vous devez :
Collecte de données et prétraitement des données : Collectez un ensemble de données d'images contenant des chats et des chiens, vous pouvez utiliser un ensemble de données public ou collecter vous-même des données réelles. Ensuite, étiquetez chaque image avec la catégorie ( chat ou chien ), en vous assurant que les étiquettes sont exactes. Transformez les images dans un format que le modèle peut reconnaître, divisez l'ensemble de données en ensemble d'entraînement, ensemble de validation et ensemble de test.
Choix et ajustement du modèle : choisir un modèle approprié, par exemple un réseau de neurones convolutif (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, la profondeur du réseau du modèle peut être ajustée en fonction de la complexité de la tâche d'IA. Dans cet exemple simple de classification, un réseau moins profond peut suffire.
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 puissance de calcul.
Inférence du modèle : Les fichiers de modèle entraînés sont généralement appelés poids du modèle. Le processus d'inférence fait référence à l'utilisation d'un modèle déjà entraîné pour prédire ou classer de nouvelles données. Dans ce processus, on peut utiliser un ensemble de test ou de nouvelles données pour évaluer l'efficacité de la classification du modèle, généralement en utilisant des indicateurs tels que la précision, le rappel, le score F1, etc.
Cependant, le processus de développement de l'IA centralisée présente certains problèmes dans les scénarios suivants :
Confidentialité 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 particuliers peuvent être confrontés à des restrictions liées à l'absence d'open source lors de l'acquisition de données spécifiques dans des domaines tels que les données médicales (.
Sélection et ajustement des modèles : pour les petites équipes, il est difficile d'accéder aux ressources de modèles spécifiques à un domaine ou de dépenser des coûts importants pour ajuster les modèles.
Obtention de puissance de calcul : pour les développeurs individuels et les petites équipes, le coût élevé d'achat de GPU et les frais de location de puissance de calcul dans le cloud peuvent constituer un fardeau économique significatif.
Revenus des actifs AI : Les travailleurs de l'annotation de données ne parviennent souvent pas à obtenir des revenus correspondant à leurs efforts, tandis que les résultats de recherche des développeurs d'IA ont également du mal à correspondre aux acheteurs ayant des besoins.
Les défis présents dans les scénarios d'IA centralisée peuvent être surmontés en les combinant avec le Web3. Le Web3, en tant que nouvelle forme de relation de production, s'adapte naturellement à l'IA qui représente une nouvelle productivité, permettant ainsi des progrès simultanés en technologie et en capacité de production.
) 1.3 Synergie entre Web3 et IA : Transformation des rôles et applications innovantes
La combinaison du 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 de simples utilisateurs d'IA de l'ère Web2 à des participants, créant une IA dont chacun peut être propriétaire. En même temps, la fusion du monde Web3 avec la technologie IA peut également engendrer davantage de scénarios d'application innovants et de façons de jouer.
Avec la technologie Web3, le développement et l'application de l'IA entreront dans un tout nouveau système économique collaboratif. La confidentialité des données des utilisateurs peut être garantie, le modèle de crowdsourcing des données favorise l'avancement 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 relativement bas. Grâce à un mécanisme de collaboration décentralisé et à un marché ouvert de l'IA, il est possible de réaliser un système de distribution de revenus équitable, ce qui incitera davantage de personnes à promouvoir les progrès de la technologie IA.
Dans le cadre de Web3, l'IA peut avoir un impact positif sur 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 fonctions. L'IA générative permet non seulement aux utilisateurs d'expérimenter le rôle d'"artiste", comme en utilisant la technologie de l'IA pour créer leurs propres NFT, mais elle peut également créer des scénarios de jeu riches et variés et des expériences interactives intéressantes dans GameFi. Une infrastructure riche offre une expérience de développement fluide, que ce soit pour les experts en IA ou pour les débutants souhaitant entrer dans le domaine de l'IA, chacun peut trouver une entrée appropriée dans ce monde.
II. Interprétation de la carte et de l'architecture des projets écosystémiques Web3-AI
Nous avons principalement étudié 41 projets dans le domaine de Web3-AI et avons classé ces projets en différentes couches. La logique de classification de chaque couche est illustrée dans le graphique ci-dessous, comprenant la couche d'infrastructure, la couche intermédiaire et la couche d'application, chaque couche étant subdivisée en différents secteurs. Dans le chapitre suivant, nous procéderons à une analyse approfondie de certains projets représentatifs.
La couche d'infrastructure couvre les ressources de calcul et l'architecture technique 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 raisonnement de validation qui connectent l'infrastructure et les applications, tandis que la couche d'application se concentre sur les diverses applications et solutions directement destinées aux utilisateurs.
![Web3-AI Rapport panoramique sur le secteur : logique technique, applications scénaristiques et analyse approfondie des projets de premier plan]###https://img-cdn.gateio.im/webp-social/moments-ad1811191c5ea0fa48c4b3287f37eaf6.webp(
) Couche d'infrastructure :
La couche d'infrastructure est la base du cycle de vie de l'IA. Cet article classe la puissance de calcul, la chaîne d'IA 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 d'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 de modèles d'IA, garantissant une utilisation efficace et économique des ressources de calcul. Certains projets offrent un marché de puissance de calcul décentralisé, où les utilisateurs peuvent louer de la puissance de calcul à faible coût ou 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 façons de jouer, comme Compute Labs, qui propose un protocole de tokenisation, permettant aux utilisateurs de participer de différentes manières à la location de puissance de calcul pour obtenir des revenus en achetant des NFT représentant des entités GPU.
AI Chain : Utiliser la blockchain comme base pour le cycle de vie de l'IA, permettant une interaction transparente entre les ressources d'IA en ligne et hors ligne, et favorisant le développement de l'écosystème industriel. Le marché décentralisé de l'IA sur la chaîne permet d'échanger des actifs d'IA tels que des données, des modèles, des agents, etc., et fournit un cadre de développement d'IA ainsi que des outils de développement associés, avec des projets représentatifs comme Sahara AI. AI Chain peut également promouvoir les avancées technologiques de l'IA dans différents domaines, comme Bittensor qui favorise la concurrence entre différents types de sous-réseaux grâce à un mécanisme d'incitation innovant.
Plateforme de développement : certains projets offrent des plateformes de développement d'agents IA, et permettent 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 comme Nimble. Cette infrastructure favorise l'application généralisée des technologies IA dans l'écosystème Web3.
Couche intermédiaire :
Cette couche implique des données AI, des modèles ainsi que le raisonnement et la validation, et l'adoption de la technologie Web3 peut permettre une efficacité de travail plus élevée.
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'utilisation des données par le biais de la collaboration et du traitement des données en crowdsourcing peut optimiser l'utilisation des ressources et réduire les coûts des données. Les utilisateurs peuvent avoir le droit de contrôler leurs données et, dans le cadre de la protection de la vie privée, vendre leurs propres données pour éviter que celles-ci ne soient volées par de mauvais commerçants pour réaliser des bénéfices élevés. Pour les demandeurs de données, ces plateformes offrent un large éventail de choix et des coûts extrêmement bas. Des projets représentatifs comme Grass utilisent la bande passante des utilisateurs pour extraire des données Web, xData collecte des informations médiatiques via des plugins conviviaux et prend en charge le téléchargement d'informations de tweets par les utilisateurs.
De plus, certaines plateformes permettent aux experts de domaine ou aux utilisateurs ordinaires d'effectuer des tâches de prétraitement de données, telles que l'annotation d'images et la classification des données. Ces tâches peuvent nécessiter des connaissances spécialisées en matière de traitement des données financières et juridiques. Les utilisateurs peuvent tokeniser leurs compétences pour réaliser une collaboration de type crowdsourcing pour le prétraitement des données. Des marchés d'IA comme Sahara AI, avec des tâches de données dans différents domaines, peuvent couvrir des scénarios de données multi-domaines ; tandis que le protocole AIT effectue l'annotation des données par le biais d'une 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, tels que CNN, GAN, peuvent être utilisés pour des tâches de détection d'objets comme la série Yolo, et pour les tâches textuelles, les modèles courants incluent RNN, Transformer, etc. Bien sûr, il existe également des modèles spécifiques ou généraux. La profondeur des modèles nécessaires varie en fonction de la complexité des tâches, et il peut parfois être nécessaire d'affiner les modèles.
Certains projets permettent aux utilisateurs de fournir différents types de modèles ou de collaborer à l'entraînement de modèles par le biais de l'crowdsourcing, comme Sentient qui, grâce à un design modulaire, permet aux utilisateurs de placer des données de modèles fiables dans la couche de stockage et la couche de distribution pour optimiser les modèles. Les outils de développement fournis par Sahara AI intègrent des algorithmes d'IA avancés et un cadre de calcul, et possèdent la capacité d'entraînement collaboratif.
Inférence et validation : Après que le modèle a été entraîné, il génère un fichier de poids du modèle, qui peut être utilisé pour la classification, la prédiction ou d'autres tâches spécifiques. Ce processus est appelé inférence. L'inférence est généralement accompagnée d'un mécanisme de validation pour vérifier si la source du modèle d'inférence est correcte et s'il y a des comportements malveillants, etc. L'inférence dans 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. Leur site officiel mentionne également leurs recherches sur la combinaison de ZKML et opp/ai)ZKML avec OPML(.
) Couche d'application :
Cette couche est principalement une application directement destinée aux utilisateurs, combinant l'IA avec le Web3 pour créer des jeux plus intéressants et innovants. Cet article examine principalement les projets dans plusieurs domaines, notamment le contenu généré par l'IA AIGC###, les agents IA et l'analyse de données.
AIGC : Grâce à AIGC, il est possible de s'étendre vers des domaines tels que les NFT et les jeux dans le Web3. Les utilisateurs peuvent directement générer du texte, des images et de l'audio grâce aux prompts donnés par l'utilisateur (, et même créer des modes de jeu personnalisés selon leurs préférences. Des projets NFT comme NFPrompt permettent aux utilisateurs de générer des NFT par IA et de les échanger sur le marché ; des jeux comme Sleepless permettent aux utilisateurs de façonner la personnalité de leur compagnon virtuel à travers des dialogues pour correspondre à leurs goûts ;
Agent IA : désigne un système d'intelligence artificielle capable d'exécuter des tâches de manière autonome et de prendre des décisions. Les agents IA possèdent généralement des capacités de perception, de raisonnement, d'apprentissage et d'action, leur permettant d'exécuter des tâches complexes dans divers environnements. Des exemples courants d'agents IA incluent la traduction linguistique, l'apprentissage des langues, la conversion d'images en texte, etc. Dans le contexte Web3, ils peuvent générer des robots de trading, des mèmes, des détections de sécurité sur la chaîne, etc. MyShell, en tant que plateforme d'agents IA, propose divers types d'agents, y compris l'apprentissage éducatif, les compagnons virtuels, les agents de trading, et offre des outils de développement d'agents conviviaux pour les utilisateurs, permettant de créer leur propre agent sans coder.
Analyse des données : en intégrant des technologies d'IA et des bases de données des domaines connexes, réaliser l'analyse, le jugement, la prévision, etc. Dans le Web3, cela peut aider les utilisateurs à prendre des décisions d'investissement en analysant les données du marché, les dynamiques de l'argent intelligent, etc. La prévision des jetons est également un scénario d'application unique dans le Web3, représentant des projets comme Ocean, dont l'équipe officielle a mis en place des paramètres.
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.
12 J'aime
Récompense
12
5
Partager
Commentaire
0/400
MeaninglessGwei
· Il y a 18h
Encore une fois, l'IA m'énerve à mourir.
Voir l'originalRépondre0
BearMarketMonk
· 08-06 05:05
L'écologie doit être au moins de 6 chiffres, non ?
Voir l'originalRépondre0
LayerHopper
· 08-06 04:56
Encore un autre conducteur de cheval AI
Voir l'originalRépondre0
FarmToRiches
· 08-06 04:36
Se faire prendre pour des cons nouvelle narration est arrivée
Voir l'originalRépondre0
MoonlightGamer
· 08-06 04:36
Conflit ? Just un piège pour profiter de la popularité de l'IA ~
Web3-AI secteur panorama : logique technique, scénarios d'application et analyse approfondie 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 par l'IA, de plus en plus d'attention est portée sur ce secteur. Cet article analyse en profondeur la logique technique, les cas d'application et les projets représentatifs du secteur Web3-AI, vous présentant ainsi une vue d'ensemble de ce domaine et des tendances de développement.
I. Web3-AI : Analyse de la logique technique et des opportunités de marché émergentes
1.1 La logique de la fusion entre Web3 et l'IA : comment définir le domaine Web-AI
Au cours de l'année écoulée, la narration par IA a connu un succès exceptionnel dans l'industrie du Web3, avec des projets d'IA qui ont jailli comme des champignons après la pluie. Bien qu'il existe de nombreux projets impliquant des technologies d'IA, certains projets n'utilisent l'IA que dans certaines parties de leurs produits, et l'économie des tokens sous-jacente n'a pas de lien substantiel avec les produits d'IA. Par conséquent, ces types de projets ne seront pas inclus dans la discussion sur les projets Web3-AI dans cet article.
L'article met l'accent sur l'utilisation de la blockchain pour résoudre les problèmes de relations de production et sur les projets qui utilisent l'IA pour résoudre les problèmes de productivité. Ces projets fournissent eux-mêmes des produits d'IA, tout en étant basés 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, cet article présentera le processus de développement de l'IA et les défis associés, ainsi que la manière dont la combinaison de Web3 et d'IA peut parfaitement résoudre des problèmes et créer de nouveaux scénarios d'application.
1.2 Processus de développement de l'IA et défis : de la collecte de données à l'inférence du modèle
La technologie 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 et aux applications de conduite autonome, l'IA change notre façon de vivre et de travailler.
Le processus de développement d'un modèle d'intelligence artificielle comprend généralement les étapes clés suivantes : collecte de données et prétraitement des données, sélection et ajustement du modèle, entraînement du modèle et inférence. Prenons un exemple simple : pour développer un modèle permettant de classer des images de chats et de chiens, vous devez :
Collecte de données et prétraitement des données : Collectez un ensemble de données d'images contenant des chats et des chiens, vous pouvez utiliser un ensemble de données public ou collecter vous-même des données réelles. Ensuite, étiquetez chaque image avec la catégorie ( chat ou chien ), en vous assurant que les étiquettes sont exactes. Transformez les images dans un format que le modèle peut reconnaître, divisez l'ensemble de données en ensemble d'entraînement, ensemble de validation et ensemble de test.
Choix et ajustement du modèle : choisir un modèle approprié, par exemple un réseau de neurones convolutif (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, la profondeur du réseau du modèle peut être ajustée en fonction de la complexité de la tâche d'IA. Dans cet exemple simple de classification, un réseau moins profond peut suffire.
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 puissance de calcul.
Inférence du modèle : Les fichiers de modèle entraînés sont généralement appelés poids du modèle. Le processus d'inférence fait référence à l'utilisation d'un modèle déjà entraîné pour prédire ou classer de nouvelles données. Dans ce processus, on peut utiliser un ensemble de test ou de nouvelles données pour évaluer l'efficacité de la classification du modèle, généralement en utilisant des indicateurs tels que la précision, le rappel, le score F1, etc.
Cependant, le processus de développement de l'IA centralisée présente certains problèmes dans les scénarios suivants :
Confidentialité 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 particuliers peuvent être confrontés à des restrictions liées à l'absence d'open source lors de l'acquisition de données spécifiques dans des domaines tels que les données médicales (.
Sélection et ajustement des modèles : pour les petites équipes, il est difficile d'accéder aux ressources de modèles spécifiques à un domaine ou de dépenser des coûts importants pour ajuster les modèles.
Obtention de puissance de calcul : pour les développeurs individuels et les petites équipes, le coût élevé d'achat de GPU et les frais de location de puissance de calcul dans le cloud peuvent constituer un fardeau économique significatif.
Revenus des actifs AI : Les travailleurs de l'annotation de données ne parviennent souvent pas à obtenir des revenus correspondant à leurs efforts, tandis que les résultats de recherche des développeurs d'IA ont également du mal à correspondre aux acheteurs ayant des besoins.
Les défis présents dans les scénarios d'IA centralisée peuvent être surmontés en les combinant avec le Web3. Le Web3, en tant que nouvelle forme de relation de production, s'adapte naturellement à l'IA qui représente une nouvelle productivité, permettant ainsi des progrès simultanés en technologie et en capacité de production.
) 1.3 Synergie entre Web3 et IA : Transformation des rôles et applications innovantes
La combinaison du 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 de simples utilisateurs d'IA de l'ère Web2 à des participants, créant une IA dont chacun peut être propriétaire. En même temps, la fusion du monde Web3 avec la technologie IA peut également engendrer davantage de scénarios d'application innovants et de façons de jouer.
Avec la technologie Web3, le développement et l'application de l'IA entreront dans un tout nouveau système économique collaboratif. La confidentialité des données des utilisateurs peut être garantie, le modèle de crowdsourcing des données favorise l'avancement 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 relativement bas. Grâce à un mécanisme de collaboration décentralisé et à un marché ouvert de l'IA, il est possible de réaliser un système de distribution de revenus équitable, ce qui incitera davantage de personnes à promouvoir les progrès de la technologie IA.
Dans le cadre de Web3, l'IA peut avoir un impact positif sur 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 fonctions. L'IA générative permet non seulement aux utilisateurs d'expérimenter le rôle d'"artiste", comme en utilisant la technologie de l'IA pour créer leurs propres NFT, mais elle peut également créer des scénarios de jeu riches et variés et des expériences interactives intéressantes dans GameFi. Une infrastructure riche offre une expérience de développement fluide, que ce soit pour les experts en IA ou pour les débutants souhaitant entrer dans le domaine de l'IA, chacun peut trouver une entrée appropriée dans ce monde.
II. Interprétation de la carte et de l'architecture des projets écosystémiques Web3-AI
Nous avons principalement étudié 41 projets dans le domaine de Web3-AI et avons classé ces projets en différentes couches. La logique de classification de chaque couche est illustrée dans le graphique ci-dessous, comprenant la couche d'infrastructure, la couche intermédiaire et la couche d'application, chaque couche étant subdivisée en différents secteurs. Dans le chapitre suivant, nous procéderons à une analyse approfondie de certains projets représentatifs.
La couche d'infrastructure couvre les ressources de calcul et l'architecture technique 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 raisonnement de validation qui connectent l'infrastructure et les applications, tandis que la couche d'application se concentre sur les diverses applications et solutions directement destinées aux utilisateurs.
![Web3-AI Rapport panoramique sur le secteur : logique technique, applications scénaristiques et analyse approfondie des projets de premier plan]###https://img-cdn.gateio.im/webp-social/moments-ad1811191c5ea0fa48c4b3287f37eaf6.webp(
) Couche d'infrastructure :
La couche d'infrastructure est la base du cycle de vie de l'IA. Cet article classe la puissance de calcul, la chaîne d'IA 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 d'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 de modèles d'IA, garantissant une utilisation efficace et économique des ressources de calcul. Certains projets offrent un marché de puissance de calcul décentralisé, où les utilisateurs peuvent louer de la puissance de calcul à faible coût ou 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 façons de jouer, comme Compute Labs, qui propose un protocole de tokenisation, permettant aux utilisateurs de participer de différentes manières à la location de puissance de calcul pour obtenir des revenus en achetant des NFT représentant des entités GPU.
AI Chain : Utiliser la blockchain comme base pour le cycle de vie de l'IA, permettant une interaction transparente entre les ressources d'IA en ligne et hors ligne, et favorisant le développement de l'écosystème industriel. Le marché décentralisé de l'IA sur la chaîne permet d'échanger des actifs d'IA tels que des données, des modèles, des agents, etc., et fournit un cadre de développement d'IA ainsi que des outils de développement associés, avec des projets représentatifs comme Sahara AI. AI Chain peut également promouvoir les avancées technologiques de l'IA dans différents domaines, comme Bittensor qui favorise la concurrence entre différents types de sous-réseaux grâce à un mécanisme d'incitation innovant.
Plateforme de développement : certains projets offrent des plateformes de développement d'agents IA, et permettent 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 comme Nimble. Cette infrastructure favorise l'application généralisée des technologies IA dans l'écosystème Web3.
Couche intermédiaire :
Cette couche implique des données AI, des modèles ainsi que le raisonnement et la validation, et l'adoption de la technologie Web3 peut permettre une efficacité de travail plus élevée.
De plus, certaines plateformes permettent aux experts de domaine ou aux utilisateurs ordinaires d'effectuer des tâches de prétraitement de données, telles que l'annotation d'images et la classification des données. Ces tâches peuvent nécessiter des connaissances spécialisées en matière de traitement des données financières et juridiques. Les utilisateurs peuvent tokeniser leurs compétences pour réaliser une collaboration de type crowdsourcing pour le prétraitement des données. Des marchés d'IA comme Sahara AI, avec des tâches de données dans différents domaines, peuvent couvrir des scénarios de données multi-domaines ; tandis que le protocole AIT effectue l'annotation des données par le biais d'une collaboration homme-machine.
Certains projets permettent aux utilisateurs de fournir différents types de modèles ou de collaborer à l'entraînement de modèles par le biais de l'crowdsourcing, comme Sentient qui, grâce à un design modulaire, permet aux utilisateurs de placer des données de modèles fiables dans la couche de stockage et la couche de distribution pour optimiser les modèles. Les outils de développement fournis par Sahara AI intègrent des algorithmes d'IA avancés et un cadre de calcul, et possèdent la capacité d'entraînement collaboratif.
) Couche d'application :
Cette couche est principalement une application directement destinée aux utilisateurs, combinant l'IA avec le Web3 pour créer des jeux plus intéressants et innovants. Cet article examine principalement les projets dans plusieurs domaines, notamment le contenu généré par l'IA AIGC###, les agents IA et l'analyse de données.
AIGC : Grâce à AIGC, il est possible de s'étendre vers des domaines tels que les NFT et les jeux dans le Web3. Les utilisateurs peuvent directement générer du texte, des images et de l'audio grâce aux prompts donnés par l'utilisateur (, et même créer des modes de jeu personnalisés selon leurs préférences. Des projets NFT comme NFPrompt permettent aux utilisateurs de générer des NFT par IA et de les échanger sur le marché ; des jeux comme Sleepless permettent aux utilisateurs de façonner la personnalité de leur compagnon virtuel à travers des dialogues pour correspondre à leurs goûts ;
Agent IA : désigne un système d'intelligence artificielle capable d'exécuter des tâches de manière autonome et de prendre des décisions. Les agents IA possèdent généralement des capacités de perception, de raisonnement, d'apprentissage et d'action, leur permettant d'exécuter des tâches complexes dans divers environnements. Des exemples courants d'agents IA incluent la traduction linguistique, l'apprentissage des langues, la conversion d'images en texte, etc. Dans le contexte Web3, ils peuvent générer des robots de trading, des mèmes, des détections de sécurité sur la chaîne, etc. MyShell, en tant que plateforme d'agents IA, propose divers types d'agents, y compris l'apprentissage éducatif, les compagnons virtuels, les agents de trading, et offre des outils de développement d'agents conviviaux pour les utilisateurs, permettant de créer leur propre agent sans coder.
Analyse des données : en intégrant des technologies d'IA et des bases de données des domaines connexes, réaliser l'analyse, le jugement, la prévision, etc. Dans le Web3, cela peut aider les utilisateurs à prendre des décisions d'investissement en analysant les données du marché, les dynamiques de l'argent intelligent, etc. La prévision des jetons est également un scénario d'application unique dans le Web3, représentant des projets comme Ocean, dont l'équipe officielle a mis en place des paramètres.