Relatório de Panorama da Pista Web3-AI: Análise Profunda da Lógica Técnica, Aplicações em Cenários e Projetos de Topo

Com a contínua ascensão da narrativa de IA, cada vez mais atenção está sendo concentrada neste setor. Uma análise aprofundada da lógica técnica, cenários de aplicação e projetos representativos da pista Web3-AI foi realizada para apresentar de forma abrangente o panorama e as tendências de desenvolvimento deste campo.

I. Web3-AI: Análise da Lógica Técnica e Oportunidades de Mercado Emergentes

1.1 Lógica de fusão entre Web3 e IA: como definir o setor Web-AI

No último ano, a narrativa de IA tem estado excepcionalmente em alta na indústria Web3, com projetos de IA surgindo como cogumelos após a chuva. Embora haja muitos projetos que envolvem tecnologia de IA, alguns projetos utilizam IA apenas em certas partes de seus produtos, e a economia de tokens subjacente não tem uma relação substancial com os produtos de IA, portanto, esses projetos não estão incluídos na discussão dos projetos Web3-AI neste artigo.

O foco deste artigo está em usar a blockchain para resolver problemas de relações de produção e em projetos onde a IA resolve problemas de produtividade. Esses projetos oferecem produtos de IA e utilizam um modelo econômico Web3 como ferramenta de relações de produção, sendo ambos complementares. Classificamos esses projetos como a trilha Web3-AI. Para que os leitores compreendam melhor a trilha Web3-AI, vamos apresentar o processo de desenvolvimento e os desafios da IA, bem como como a combinação de Web3 e IA pode resolver problemas de forma perfeita e criar novos cenários de aplicação.

1.2 O processo de desenvolvimento da IA e os desafios: da coleta de dados à inferência do modelo

A tecnologia de IA é uma tecnologia que permite aos computadores simular, expandir e aprimorar a inteligência humana. Ela permite que os computadores executem várias tarefas complexas, desde tradução de idiomas, classificação de imagens até reconhecimento facial, condução automática e outros cenários de aplicação, a IA está mudando a maneira como vivemos e trabalhamos.

O processo de desenvolvimento de modelos de inteligência artificial geralmente inclui os seguintes passos-chave: coleta de dados e pré-processamento de dados, seleção e ajuste do modelo, treinamento e inferência do modelo. Para dar um exemplo simples, ao desenvolver um modelo para classificar imagens de gatos e cães, você precisa:

1. Coleta de dados e pré-processamento de dados: Coletar um conjunto de dados de imagens que contenham gatos e cães, podendo utilizar conjuntos de dados públicos ou coletar dados reais. Em seguida, rotular cada imagem com a categoria (gato ou cão), garantindo que as etiquetas sejam precisas. Transformar as imagens em um formato que o modelo possa reconhecer, dividindo o conjunto de dados em conjunto de treinamento, conjunto de validação e conjunto de teste.

2. Seleção e ajuste do modelo: Escolher o modelo adequado, como redes neurais convolucionais (CNN), que são mais adequadas para tarefas de classificação de imagens. Ajustar os parâmetros ou a arquitetura do modelo de acordo com as diferentes necessidades; de um modo geral, a profundidade da rede do modelo pode ser ajustada com base na complexidade da tarefa de IA. Neste exemplo simples de classificação, uma rede com uma profundidade menor pode ser suficiente.

3. Treinamento de modelo: pode-se utilizar GPU, TPU ou clusters de computação de alto desempenho para treinar o modelo, sendo o tempo de treinamento influenciado pela complexidade do modelo e pela capacidade computacional.

4. Inferência do modelo: O arquivo com o modelo treinado é geralmente chamado de pesos do modelo. O processo de inferência refere-se ao uso de um modelo já treinado para prever ou classificar novos dados. Neste processo, pode-se utilizar um conjunto de testes ou novos dados para testar a eficácia da classificação do modelo, normalmente avaliando a eficácia do modelo com métricas como precisão, taxa de recuperação e F1-score.

Como mostrado na figura, após a coleta de dados e o pré-processamento dos dados, a seleção e ajuste do modelo, bem como o treinamento, ao realizar a inferência do modelo treinado no conjunto de testes, obteremos os valores de previsão para gatos e cães P (probabilidade), ou seja, a probabilidade que o modelo inferiu ser um gato ou um cão.

Modelos de IA treinados podem ser integrados em várias aplicações para executar diferentes tarefas. Neste exemplo, um modelo de IA para classificação de gatos e cães pode ser integrado numa aplicação móvel, onde os usuários enviam imagens de gatos ou cães e recebem os resultados da classificação.

No entanto, o processo de desenvolvimento de IA centralizada apresenta alguns problemas nos seguintes cenários:

Privacidade do usuário: em cenários centralizados, o processo de desenvolvimento da IA é geralmente opaco. Os dados dos usuários podem ser roubados sem o seu conhecimento e utilizados para o treinamento da IA.

Obtenção da fonte de dados: pequenas equipes ou indivíduos podem enfrentar limitações na obtenção de dados específicos (como dados médicos) quando esses dados não são de código aberto.

Seleção e ajuste de modelos: para pequenas equipes, é difícil obter recursos de modelo específicos de domínio ou gastar muito custo para ajustar modelos.

Aquisição de poder de computação: para desenvolvedores individuais e pequenas equipas, os altos custos de compra de GPUs e as taxas de aluguer de poder de computação em nuvem podem representar um fardo económico significativo.

Rendimento de ativos de IA: os trabalhadores de rotulagem de dados muitas vezes não conseguem obter rendimentos que correspondam ao seu esforço, e os resultados de pesquisa dos desenvolvedores de IA também têm dificuldade em se alinhar com compradores que têm demanda.

Os desafios existentes em cenários de IA centralizada podem ser superados através da combinação com o Web3, que, como uma nova relação de produção, se adapta naturalmente à IA, que representa uma nova forma de produtividade, promovendo assim o progresso simultâneo da tecnologia e da capacidade produtiva.

1.3 Web3 e a sinergia da IA: transformação de papéis e aplicações inovadoras

A combinação de Web3 e IA pode aumentar a soberania do usuário, oferecendo uma plataforma de colaboração em IA aberta, permitindo que os usuários passem de meros utilizadores de IA da era Web2 para participantes, criando uma IA que pode ser possuída por todos. Ao mesmo tempo, a fusão do mundo Web3 com a tecnologia IA pode gerar mais cenários de aplicação e formas inovadoras.

Com base na tecnologia Web3, o desenvolvimento e a aplicação da IA irão dar início a um novo sistema econômico colaborativo. A privacidade dos dados das pessoas pode ser garantida, o modelo de crowdsourcing de dados promove o avanço dos modelos de IA, numerosos recursos de IA de código aberto estão disponíveis para os usuários, e a capacidade de computação compartilhada pode ser adquirida a um custo mais baixo. Com a ajuda de um mecanismo de colaboração descentralizado e de um mercado de IA aberto, pode-se alcançar um sistema de distribuição de renda justo, incentivando assim mais pessoas a impulsionarem o avanço da tecnologia de IA.

No cenário Web3, a IA pode ter um impacto positivo em várias áreas. Por exemplo, modelos de IA podem ser integrados em contratos inteligentes para melhorar a eficiência do trabalho em diferentes cenários de aplicação, como análise de mercado, detecção de segurança, agrupamento social e várias outras funções. A IA generativa não só permite que os usuários experimentem o papel de "artista", como criar seu próprio NFT usando tecnologia de IA, mas também pode criar cenários de jogos ricos e variados e experiências interativas interessantes em GameFi. A infraestrutura rica oferece uma experiência de desenvolvimento suave, permitindo que tanto especialistas em IA quanto novatos que desejam entrar no campo da IA encontrem a entrada adequada neste mundo.

Dois, Interpretação do Mapa e da Arquitetura do Projeto Ecossistema Web3-AI

Estudámos principalmente 41 projetos na área do Web3-AI e classificámos esses projetos em diferentes níveis. A lógica de classificação de cada nível está ilustrada na figura abaixo, incluindo a camada de infraestrutura, a camada intermédia e a camada de aplicação, cada uma dividida em diferentes setores. No próximo capítulo, faremos uma análise aprofundada de alguns projetos representativos.

A camada de infraestrutura abrange os recursos de computação e a arquitetura técnica que suportam a execução de todo o ciclo de vida da IA, a camada intermediária inclui a gestão de dados, desenvolvimento de modelos e serviços de validação e inferência que conectam a infraestrutura às aplicações, enquanto a camada de aplicações se concentra nas diversas aplicações e soluções diretamente voltadas para o usuário.

Camada de infraestrutura:

A camada de infraestrutura é a base do ciclo de vida da IA. Este artigo classifica a capacidade computacional, a AI Chain e a plataforma de desenvolvimento como parte da camada de infraestrutura. É com o apoio dessas infraestruturas que se torna possível treinar e inferir modelos de IA, apresentando aplicações de IA poderosas e práticas aos usuários.

• Rede de computação descentralizada: pode fornecer potência de computação distribuída para o treinamento de modelos de IA, assegurando uma utilização eficiente e econômica dos recursos computacionais. Alguns projetos oferecem um mercado de potência de computação descentralizado, onde os usuários podem alugar potência a baixo custo ou compartilhar potência para obter rendimentos, com projetos representativos como IO.NET e Hyperbolic. Além disso, alguns projetos deram origem a novas formas de brincar, como Compute Labs, que propôs um protocolo tokenizado, onde os usuários podem participar do aluguel de potência de diferentes maneiras ao comprar NFTs que representam entidades de GPU.

• AI Chain: Utiliza a blockchain como base para o ciclo de vida da AI, realizando a interação sem costura de recursos de AI on-chain e off-chain, promovendo o desenvolvimento do ecossistema da indústria. O mercado descentralizado de AI na blockchain pode negociar ativos de AI como dados, modelos, agentes, etc., e fornecer uma estrutura de desenvolvimento de AI e ferramentas de desenvolvimento complementares, representados por projetos como Sahara AI. AI Chain também pode promover o avanço da tecnologia de AI em diferentes áreas, como Bittensor, que promove a competição entre sub-redes de diferentes tipos de AI através de um mecanismo de incentivo inovador de sub-rede.

• Plataforma de desenvolvimento: alguns projetos oferecem plataformas de desenvolvimento de agentes de IA, que também podem realizar transações de agentes de IA, como Fetch.ai e ChainML. Ferramentas completas ajudam os desenvolvedores a criar, treinar e implantar modelos de IA de forma mais conveniente, representadas por projetos como Nimble. Essa infraestrutura promove a ampla aplicação da tecnologia de IA no ecossistema Web3.

Camada intermédia:

Esta camada envolve dados de IA, modelos, bem como raciocínio e validação, utilizando tecnologia Web3 para alcançar uma maior profundidade de eficiência no trabalho.

• Dados: A qualidade e quantidade dos dados são fatores chave que afetam a eficácia do treinamento do modelo. No mundo Web3, através da coleta de dados em massa e do processamento colaborativo de dados, é possível otimizar a utilização de recursos e reduzir os custos de dados. Os usuários podem ter autonomia sobre seus dados, vendendo-os sob proteção de privacidade, para evitar que sejam roubados por comerciantes desonestos e que estes obtenham lucros elevados. Para os demandantes de dados, essas plataformas oferecem uma ampla gama de opções e custos extremamente baixos. Projetos representativos como Grass utilizam a largura de banda dos usuários para coletar dados da Web, xData coleta informações de mídia através de plugins amigáveis ao usuário e suporta o upload de informações de tweets pelos usuários.

Além disso, algumas plataformas permitem que especialistas de domínio ou usuários comuns executem tarefas de pré-processamento de dados, como rotulagem de imagens e classificação de dados, que podem exigir conhecimentos especializados em tarefas financeiras e jurídicas de processamento de dados. Os usuários podem tokenizar suas habilidades para realizar a colaboração em massa no pré-processamento de dados. Exemplos incluem o mercado de IA Sahara AI, que possui tarefas de dados em diferentes domínios, cobrindo cenários de dados multissetoriais; enquanto o AIT Protocolt realiza rotulagem de dados por meio de colaboração homem-máquina.

• Modelo: No processo de desenvolvimento de IA mencionado anteriormente, diferentes tipos de necessidades exigem a correspondência com o modelo adequado. Modelos comumente utilizados em tarefas de imagem incluem CNN e GAN, para tarefas de deteção de objetos, pode-se escolher a série Yolo, e para tarefas de texto, modelos como RNN e Transformer são comuns, além de alguns modelos grandes específicos ou gerais. A profundidade do modelo necessária para tarefas de complexidade diferente também varia, e às vezes é necessário ajustar o modelo.

Alguns projetos suportam que os usuários forneçam diferentes tipos de modelos ou colaborem no treinamento de modelos através de crowdsourcing, como o Sentient, que através de um design modular, permite que os usuários coloquem dados de modelos confiáveis na camada de armazenamento e na camada de distribuição para otimização de modelos. As ferramentas de desenvolvimento fornecidas pela Sahara AI incorporam algoritmos de IA avançados e estruturas de computação, e possuem capacidade de treinamento colaborativo.

• Inferência e validação: Após o treinamento do modelo, são gerados arquivos de pesos do modelo, que podem ser usados para classificação, previsão ou outras tarefas específicas; esse processo é chamado de inferência. O processo de inferência geralmente é acompanhado por mecanismos de validação, para verificar se a origem do modelo de inferência está correta, se há comportamentos maliciosos, etc. A inferência em Web3 pode geralmente ser integrada em contratos inteligentes, através da chamada de modelos para realizar a inferência. As formas comuns de validação incluem tecnologias como ZKML, OPML e TEE. Projetos representativos como o oráculo de IA na cadeia ORA (OAO) introduziram OPML como uma camada verificável para o oráculo de IA; o site oficial da ORA também menciona suas pesquisas sobre ZKML e opp/ai (ZKML combinado com OPML).

Camada de Aplicação:

Esta camada é principalmente uma aplicação voltada diretamente para o usuário, que combina IA com Web3, criando maneiras mais interessantes e inovadoras de jogar. Este artigo organiza principalmente os projetos nos seguintes segmentos: AIGC (Conteúdo Gerado por IA), Agentes de IA e Análise de Dados.

• AIGC: através do AIGC