Relatório panorâmico sobre a pista Web3-AI: Análise profunda da lógica técnica, aplicações de cenários e projetos de topo
Com o aumento contínuo da narrativa de IA, cada vez mais atenção está sendo concentrada nesta área. Este artigo analisa em profundidade a lógica técnica, os cenários de aplicação e os projetos representativos da área Web3-AI, apresentando 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 da fusão entre Web3 e IA: como definir a pista Web-AI
No último ano, a narrativa de IA tem sido excepcionalmente popular na indústria Web3, com projetos de IA a surgirem como cogumelos após a chuva. Embora haja muitos projetos que envolvam tecnologia de IA, alguns projetos utilizam IA apenas em certas partes de seus produtos, e a economia de tokens subjacente não tem ligação substancial com os produtos de IA. Portanto, esses projetos não serão incluídos na discussão sobre projetos Web3-AI neste artigo.
O foco deste artigo é o uso da blockchain para resolver problemas de relações de produção, e da IA para resolver problemas de produtividade, projetos que oferecem produtos de IA e, ao mesmo tempo, utilizam o modelo econômico Web3 como ferramenta de relações de produção, sendo ambos complementares. Nós classificamos esses projetos como a vertente Web3-AI. Para que os leitores compreendam melhor a vertente Web3-AI, este artigo irá apresentar o processo de desenvolvimento da IA e os desafios, 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 de modelos
A tecnologia de IA é uma técnica que permite aos computadores simular, expandir e aumentar a inteligência humana. Ela permite que os computadores executem várias tarefas complexas, desde tradução de idiomas, classificação de imagens até reconhecimento facial e condução autónoma. A IA está a mudar a forma 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 de modelos, treinamento e inferência de modelos. Para dar um exemplo simples, ao desenvolver um modelo para classificar imagens de gatos e cães, você precisa:
Coleta de dados e pré-processamento de dados: colecione um conjunto de dados de imagens contendo gatos e cães, que pode usar conjuntos de dados públicos ou coletar dados reais por conta própria. Em seguida, rotule cada imagem com a categoria ( gato ou cão ), garantindo que os rótulos estejam corretos. Converta as imagens para um formato que o modelo possa reconhecer e divida o conjunto de dados em conjunto de treinamento, conjunto de validação e conjunto de teste.
Seleção e ajuste de modelos: Escolher o modelo adequado, como redes neurais convolucionais (CNN), é mais apropriado para tarefas de classificação de imagens. Ajustar os parâmetros ou a arquitetura do modelo conforme as diferentes necessidades, geralmente, o número de camadas da rede do modelo pode ser ajustado de acordo com a complexidade da tarefa de IA. Neste exemplo simples de classificação, uma rede com menos camadas pode ser suficiente.
Treinamento do modelo: pode-se usar GPU, TPU ou um cluster de computação de alto desempenho para treinar o modelo, o tempo de treinamento é afetado pela complexidade do modelo e pela capacidade de computação.
Inferência de modelos: O arquivo do 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 avaliar a eficácia da classificação do modelo, normalmente utilizando métricas como precisão, taxa de recuperação, F1-score, entre outras, para avaliar a eficácia do modelo.
No entanto, o processo de desenvolvimento de IA centralizado apresenta alguns problemas nas seguintes situações:
Privacidade do usuário: em cenários centralizados, o processo de desenvolvimento de IA geralmente é opaco. Os dados dos usuários podem ser roubados sem o seu conhecimento e usados para treinamento de IA.
Obtenção de fontes de dados: pequenas equipas ou indivíduos que obtêm dados de áreas específicas (, como dados médicos ), podem enfrentar limitações devido à não disponibilização dos dados.
Seleção e ajuste de modelos: para pequenas equipes, é difícil obter recursos de modelos específicos ou gastar muito dinheiro na otimização de modelos.
Aquisição de poder de computação: para desenvolvedores individuais e pequenas equipes, o alto custo de compra de GPUs e as taxas de aluguel de poder de computação em nuvem podem representar um fardo econômico significativo.
Rendimento de ativos de IA: Os trabalhadores de anotação de dados muitas vezes não conseguem obter rendimentos que correspondam ao seu esforço, e os resultados das pesquisas dos desenvolvedores de IA também são difíceis de corresponder aos compradores que têm demanda.
Os desafios existentes no cenário da IA centralizada podem ser superados através da combinação com o Web3. O Web3, como uma nova relação de produção, adapta-se naturalmente à IA, que representa uma nova forma de produtividade, promovendo assim o progresso simultâneo da tecnologia e da capacidade de produção.
1.3 A sinergia entre Web3 e IA: Mudanças 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 para os usuários, permitindo que os usuários passem de consumidores de IA da era Web2 para participantes, criando uma IA que todos podem possuir. Ao mesmo tempo, a fusão do mundo Web3 com a tecnologia de IA pode gerar mais cenários e formas inovadoras de aplicação.
Baseada na tecnologia Web3, o desenvolvimento e aplicação da IA terão um novo sistema econômico colaborativo. A privacidade dos dados das pessoas pode ser garantida, e o modelo de crowdsourcing de dados promove o avanço dos modelos de IA. Muitos recursos de IA de código aberto estão disponíveis para os usuários, e a capacidade de computação compartilhada pode ser obtida a um custo mais baixo. Com a ajuda de um mecanismo descentralizado de colaboração e crowdsourcing e de um mercado de IA aberto, é possível implementar um sistema de distribuição de rendimentos justo, incentivando mais pessoas a impulsionar 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, melhorando 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 ao usar tecnologia de IA para criar seu próprio NFT, mas também pode criar cenários de jogos diversos e experiências interativas interessantes no GameFi. Uma infraestrutura rica oferece uma experiência de desenvolvimento fluida, permitindo que tanto especialistas em IA quanto novatos que desejam entrar na área de IA encontrem uma entrada adequada neste mundo.
2. Interpretação do Mapa e Arquitetura dos Projetos Ecossistêmicos 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 imagem abaixo, incluindo a camada de infraestrutura, a camada intermediária e a camada de aplicação, e cada camada é dividida em diferentes setores. No próximo capítulo, iremos realizar uma análise profunda de alguns projetos representativos.
A camada de infraestrutura abrange os recursos computacionais e a arquitetura técnica que suportam a operação de todo o ciclo de vida da IA, enquanto a camada intermediária inclui a gestão de dados, desenvolvimento de modelos e serviços de validação e raciocínio que conectam a infraestrutura às aplicações. A camada de aplicação foca nas diversas aplicações e soluções diretamente voltadas para os usuários.
Camada de infraestrutura:
A camada de infraestrutura é a base do ciclo de vida da IA. Neste artigo, a capacidade de computação, a AI Chain e a plataforma de desenvolvimento são classificadas como camada de infraestrutura. É o suporte dessas infraestruturas que permite o treinamento e a inferência dos modelos de IA, apresentando aos usuários aplicações de IA poderosas e práticas.
Rede de computação descentralizada: pode fornecer poder de computação distribuído para o treinamento de modelos de IA, garantindo uma utilização eficiente e econômica dos recursos computacionais. Alguns projetos oferecem um mercado de poder de computação descentralizado, onde os usuários podem alugar poder de computação a baixo custo ou compartilhar poder de computação para obter lucros, com projetos representativos como IO.NET e Hyperbolic. Além disso, alguns projetos derivaram novas formas de jogo, como Compute Labs, que propuseram um protocolo de tokenização, permitindo que os usuários participem do aluguel de poder de computação de diferentes maneiras através da compra de NFTs que representam entidades de GPU.
AI Chain: Utiliza a blockchain como base para o ciclo de vida da IA, realizando a interação sem costura entre recursos de IA em cadeia e fora da cadeia, promovendo o desenvolvimento do ecossistema da indústria. O mercado descentralizado de IA na blockchain pode negociar ativos de IA como dados, modelos, agentes, etc., e fornece uma estrutura de desenvolvimento de IA e ferramentas de desenvolvimento complementares, com projetos representativos como Sahara AI. A AI Chain também pode promover o avanço das tecnologias de IA em diferentes áreas, como Bittensor, que promove a competição entre sub-redes de diferentes tipos de IA através de um mecanismo inovador de incentivos para sub-redes.
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 tudo-em-um ajudam os desenvolvedores a criar, treinar e implementar modelos de IA de forma mais conveniente, representadas por projetos como Nimble. Esta infraestrutura promove a ampla aplicação da tecnologia de IA no ecossistema Web3.
Camada Intermediária:
Esta camada envolve dados de IA, modelos, bem como inferência e validação, utilizando tecnologia Web3 para alcançar uma maior eficiência no trabalho.
Dados: A qualidade e a quantidade dos dados são fatores-chave que influenciam a eficácia do treinamento de modelos. No mundo Web3, a utilização de dados por crowdsourcing e o processamento colaborativo de dados podem otimizar a utilização de recursos e reduzir os custos de dados. Os usuários podem ter soberania sobre os dados, vendendo suas próprias informações sob proteção de privacidade, para evitar que dados sejam roubados e explorados por comerciantes desonestos em busca de lucros elevados. Para os demandantes de dados, essas plataformas oferecem uma ampla gama de escolhas e custos extremamente baixos. Projetos representativos como o Grass utilizam a largura de banda dos usuários para extrair 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 do setor ou usuários comuns realizem tarefas de pré-processamento de dados, como anotação de imagens e categorização de dados, que podem exigir conhecimento especializado em tarefas financeiras e jurídicas. Os usuários podem tokenizar suas habilidades, permitindo a colaboração em forma de crowdsourcing para o pré-processamento de dados. Exemplos como o mercado de IA Sahara AI possuem tarefas de dados de diferentes áreas, cobrindo cenários de dados multiárea; enquanto o AIT Protocol realiza a anotação de dados por meio de uma abordagem de colaboração homem-máquina.
Modelo: No processo de desenvolvimento de IA mencionado anteriormente, diferentes tipos de necessidades requerem a correspondência de modelos adequados. Modelos comumente usados em tarefas de imagem, como CNN e GAN, para tarefas de detecção de objetos pode-se escolher a série Yolo, e para tarefas de texto, modelos comuns como RNN e Transformer, 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 na formação de modelos através de crowdsourcing, como a Sentient, que através de um design modular, permite aos usuários armazenar dados de modelos confiáveis em camadas de armazenamento e distribuição para otimização de modelos. As ferramentas de desenvolvimento oferecidas pela Sahara AI incorporam algoritmos de IA avançados e estruturas de cálculo, além de possuírem capacidade de formação colaborativa.
Inferência e verificação: Após o treinamento do modelo, ele gera arquivos de pesos do modelo, que podem ser usados para classificação, previsão ou outras tarefas específicas. Este processo é chamado de inferência. O processo de inferência geralmente é acompanhado por mecanismos de verificação para validar a origem do modelo de inferência, se está correto, se há comportamentos maliciosos, etc. A inferência em Web3 pode ser integrada em contratos inteligentes, chamando o modelo para inferência. As maneiras comuns de verificação incluem tecnologias como ZKML, OPML e TEE. Projetos representativos como o oráculo de IA da ORA na blockchain (OAO) introduziram OPML como uma camada verificável para o oráculo de IA, e o site oficial da ORA menciona suas pesquisas sobre a combinação de ZKML e opp/ai(ZKML com OPML).
Camada de Aplicação:
Esta camada é principalmente composta por aplicações voltadas diretamente para os usuários, combinando IA com Web3, criando maneiras mais interessantes e inovadoras de jogar. Este artigo foca em organizar os projetos nas seguintes áreas: AIGC(, geração de conteúdo por IA), agentes de IA e análise de dados.
AIGC: Através do AIGC, é possível expandir para as áreas de NFT, jogos e outros no Web3. Os usuários podem gerar texto, imagens e áudio diretamente através do Prompt(, que são as palavras de sugestão fornecidas pelo usuário), e até mesmo criar estilos de jogo personalizados de acordo com suas preferências. Projetos de NFT como NFPrompt permitem que os usuários gerem NFTs através de IA para negociação no mercado; jogos como Sleepless permitem que os usuários moldem a personalidade de um parceiro virtual através de diálogos para corresponder às suas preferências;
Agente de IA: refere-se a sistemas de inteligência artificial que podem executar tarefas de forma autónoma e tomar decisões. Os agentes de IA geralmente possuem habilidades de percepção, raciocínio, aprendizagem e ação, podendo executar tarefas complexas em diversos ambientes. Exemplos comuns de agentes de IA incluem tradução de língua, aprendizagem de língua, conversão de imagem para texto, etc., que no cenário Web3 podem gerar robôs de negociação, criar memes, realizar verificações de segurança na cadeia, entre outros. O MyShell, como plataforma de agentes de IA, oferece vários tipos de agentes, incluindo aprendizagem educacional, companheiros virtuais, agentes de negociação, etc., e fornece ferramentas de desenvolvimento de agentes amigáveis ao utilizador, permitindo a criação do seu próprio agente sem a necessidade de programação.
Análise de dados: através da integração de tecnologia de IA e bases de dados de áreas relacionadas, para realizar análise, julgamento, previsão, etc. No Web3, pode-se auxiliar os usuários na tomada de decisões de investimento analisando dados de mercado, dinâmicas de dinheiro inteligente, entre outros. A previsão de tokens também é um cenário de aplicação único no Web3, com projetos representativos como Ocean, onde a equipe oficial definiu代
Ver original
Esta página pode conter conteúdos de terceiros, que são fornecidos apenas para fins informativos (sem representações/garantias) e não devem ser considerados como uma aprovação dos seus pontos de vista pela Gate, nem como aconselhamento financeiro ou profissional. Consulte a Declaração de exoneração de responsabilidade para obter mais informações.
12 gostos
Recompensa
12
5
Partilhar
Comentar
0/400
MeaninglessGwei
· 11h atrás
Mais uma vez a IA está a deixar-me irritado.
Ver originalResponder0
BearMarketMonk
· 08-06 05:05
O ecossistema deve ter, no mínimo, 6 dígitos, certo?
Ver originalResponder0
LayerHopper
· 08-06 04:56
Mais uma vez é o AI cocheiro
Ver originalResponder0
FarmToRiches
· 08-06 04:36
Ser enganado por idiotas novo discurso chegou
Ver originalResponder0
MoonlightGamer
· 08-06 04:36
Conflito? É só uma armadilha para aproveitar a popularidade da AI~
Web3-AI na totalidade: análise profunda da lógica técnica, cenários de aplicação e projetos de topo
Relatório panorâmico sobre a pista Web3-AI: Análise profunda da lógica técnica, aplicações de cenários e projetos de topo
Com o aumento contínuo da narrativa de IA, cada vez mais atenção está sendo concentrada nesta área. Este artigo analisa em profundidade a lógica técnica, os cenários de aplicação e os projetos representativos da área Web3-AI, apresentando 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 da fusão entre Web3 e IA: como definir a pista Web-AI
No último ano, a narrativa de IA tem sido excepcionalmente popular na indústria Web3, com projetos de IA a surgirem como cogumelos após a chuva. Embora haja muitos projetos que envolvam tecnologia de IA, alguns projetos utilizam IA apenas em certas partes de seus produtos, e a economia de tokens subjacente não tem ligação substancial com os produtos de IA. Portanto, esses projetos não serão incluídos na discussão sobre projetos Web3-AI neste artigo.
O foco deste artigo é o uso da blockchain para resolver problemas de relações de produção, e da IA para resolver problemas de produtividade, projetos que oferecem produtos de IA e, ao mesmo tempo, utilizam o modelo econômico Web3 como ferramenta de relações de produção, sendo ambos complementares. Nós classificamos esses projetos como a vertente Web3-AI. Para que os leitores compreendam melhor a vertente Web3-AI, este artigo irá apresentar o processo de desenvolvimento da IA e os desafios, 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 de modelos
A tecnologia de IA é uma técnica que permite aos computadores simular, expandir e aumentar a inteligência humana. Ela permite que os computadores executem várias tarefas complexas, desde tradução de idiomas, classificação de imagens até reconhecimento facial e condução autónoma. A IA está a mudar a forma 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 de modelos, treinamento e inferência de modelos. Para dar um exemplo simples, ao desenvolver um modelo para classificar imagens de gatos e cães, você precisa:
Coleta de dados e pré-processamento de dados: colecione um conjunto de dados de imagens contendo gatos e cães, que pode usar conjuntos de dados públicos ou coletar dados reais por conta própria. Em seguida, rotule cada imagem com a categoria ( gato ou cão ), garantindo que os rótulos estejam corretos. Converta as imagens para um formato que o modelo possa reconhecer e divida o conjunto de dados em conjunto de treinamento, conjunto de validação e conjunto de teste.
Seleção e ajuste de modelos: Escolher o modelo adequado, como redes neurais convolucionais (CNN), é mais apropriado para tarefas de classificação de imagens. Ajustar os parâmetros ou a arquitetura do modelo conforme as diferentes necessidades, geralmente, o número de camadas da rede do modelo pode ser ajustado de acordo com a complexidade da tarefa de IA. Neste exemplo simples de classificação, uma rede com menos camadas pode ser suficiente.
Treinamento do modelo: pode-se usar GPU, TPU ou um cluster de computação de alto desempenho para treinar o modelo, o tempo de treinamento é afetado pela complexidade do modelo e pela capacidade de computação.
Inferência de modelos: O arquivo do 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 avaliar a eficácia da classificação do modelo, normalmente utilizando métricas como precisão, taxa de recuperação, F1-score, entre outras, para avaliar a eficácia do modelo.
No entanto, o processo de desenvolvimento de IA centralizado apresenta alguns problemas nas seguintes situações:
Privacidade do usuário: em cenários centralizados, o processo de desenvolvimento de IA geralmente é opaco. Os dados dos usuários podem ser roubados sem o seu conhecimento e usados para treinamento de IA.
Obtenção de fontes de dados: pequenas equipas ou indivíduos que obtêm dados de áreas específicas (, como dados médicos ), podem enfrentar limitações devido à não disponibilização dos dados.
Seleção e ajuste de modelos: para pequenas equipes, é difícil obter recursos de modelos específicos ou gastar muito dinheiro na otimização de modelos.
Aquisição de poder de computação: para desenvolvedores individuais e pequenas equipes, o alto custo de compra de GPUs e as taxas de aluguel de poder de computação em nuvem podem representar um fardo econômico significativo.
Rendimento de ativos de IA: Os trabalhadores de anotação de dados muitas vezes não conseguem obter rendimentos que correspondam ao seu esforço, e os resultados das pesquisas dos desenvolvedores de IA também são difíceis de corresponder aos compradores que têm demanda.
Os desafios existentes no cenário da IA centralizada podem ser superados através da combinação com o Web3. O Web3, como uma nova relação de produção, adapta-se naturalmente à IA, que representa uma nova forma de produtividade, promovendo assim o progresso simultâneo da tecnologia e da capacidade de produção.
1.3 A sinergia entre Web3 e IA: Mudanças 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 para os usuários, permitindo que os usuários passem de consumidores de IA da era Web2 para participantes, criando uma IA que todos podem possuir. Ao mesmo tempo, a fusão do mundo Web3 com a tecnologia de IA pode gerar mais cenários e formas inovadoras de aplicação.
Baseada na tecnologia Web3, o desenvolvimento e aplicação da IA terão um novo sistema econômico colaborativo. A privacidade dos dados das pessoas pode ser garantida, e o modelo de crowdsourcing de dados promove o avanço dos modelos de IA. Muitos recursos de IA de código aberto estão disponíveis para os usuários, e a capacidade de computação compartilhada pode ser obtida a um custo mais baixo. Com a ajuda de um mecanismo descentralizado de colaboração e crowdsourcing e de um mercado de IA aberto, é possível implementar um sistema de distribuição de rendimentos justo, incentivando mais pessoas a impulsionar 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, melhorando 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 ao usar tecnologia de IA para criar seu próprio NFT, mas também pode criar cenários de jogos diversos e experiências interativas interessantes no GameFi. Uma infraestrutura rica oferece uma experiência de desenvolvimento fluida, permitindo que tanto especialistas em IA quanto novatos que desejam entrar na área de IA encontrem uma entrada adequada neste mundo.
2. Interpretação do Mapa e Arquitetura dos Projetos Ecossistêmicos 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 imagem abaixo, incluindo a camada de infraestrutura, a camada intermediária e a camada de aplicação, e cada camada é dividida em diferentes setores. No próximo capítulo, iremos realizar uma análise profunda de alguns projetos representativos.
A camada de infraestrutura abrange os recursos computacionais e a arquitetura técnica que suportam a operação de todo o ciclo de vida da IA, enquanto a camada intermediária inclui a gestão de dados, desenvolvimento de modelos e serviços de validação e raciocínio que conectam a infraestrutura às aplicações. A camada de aplicação foca nas diversas aplicações e soluções diretamente voltadas para os usuários.
Camada de infraestrutura:
A camada de infraestrutura é a base do ciclo de vida da IA. Neste artigo, a capacidade de computação, a AI Chain e a plataforma de desenvolvimento são classificadas como camada de infraestrutura. É o suporte dessas infraestruturas que permite o treinamento e a inferência dos modelos de IA, apresentando aos usuários aplicações de IA poderosas e práticas.
Rede de computação descentralizada: pode fornecer poder de computação distribuído para o treinamento de modelos de IA, garantindo uma utilização eficiente e econômica dos recursos computacionais. Alguns projetos oferecem um mercado de poder de computação descentralizado, onde os usuários podem alugar poder de computação a baixo custo ou compartilhar poder de computação para obter lucros, com projetos representativos como IO.NET e Hyperbolic. Além disso, alguns projetos derivaram novas formas de jogo, como Compute Labs, que propuseram um protocolo de tokenização, permitindo que os usuários participem do aluguel de poder de computação de diferentes maneiras através da compra de NFTs que representam entidades de GPU.
AI Chain: Utiliza a blockchain como base para o ciclo de vida da IA, realizando a interação sem costura entre recursos de IA em cadeia e fora da cadeia, promovendo o desenvolvimento do ecossistema da indústria. O mercado descentralizado de IA na blockchain pode negociar ativos de IA como dados, modelos, agentes, etc., e fornece uma estrutura de desenvolvimento de IA e ferramentas de desenvolvimento complementares, com projetos representativos como Sahara AI. A AI Chain também pode promover o avanço das tecnologias de IA em diferentes áreas, como Bittensor, que promove a competição entre sub-redes de diferentes tipos de IA através de um mecanismo inovador de incentivos para sub-redes.
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 tudo-em-um ajudam os desenvolvedores a criar, treinar e implementar modelos de IA de forma mais conveniente, representadas por projetos como Nimble. Esta infraestrutura promove a ampla aplicação da tecnologia de IA no ecossistema Web3.
Camada Intermediária:
Esta camada envolve dados de IA, modelos, bem como inferência e validação, utilizando tecnologia Web3 para alcançar uma maior eficiência no trabalho.
Além disso, algumas plataformas permitem que especialistas do setor ou usuários comuns realizem tarefas de pré-processamento de dados, como anotação de imagens e categorização de dados, que podem exigir conhecimento especializado em tarefas financeiras e jurídicas. Os usuários podem tokenizar suas habilidades, permitindo a colaboração em forma de crowdsourcing para o pré-processamento de dados. Exemplos como o mercado de IA Sahara AI possuem tarefas de dados de diferentes áreas, cobrindo cenários de dados multiárea; enquanto o AIT Protocol realiza a anotação de dados por meio de uma abordagem de colaboração homem-máquina.
Alguns projetos suportam que os usuários forneçam diferentes tipos de modelos ou colaborem na formação de modelos através de crowdsourcing, como a Sentient, que através de um design modular, permite aos usuários armazenar dados de modelos confiáveis em camadas de armazenamento e distribuição para otimização de modelos. As ferramentas de desenvolvimento oferecidas pela Sahara AI incorporam algoritmos de IA avançados e estruturas de cálculo, além de possuírem capacidade de formação colaborativa.
Camada de Aplicação:
Esta camada é principalmente composta por aplicações voltadas diretamente para os usuários, combinando IA com Web3, criando maneiras mais interessantes e inovadoras de jogar. Este artigo foca em organizar os projetos nas seguintes áreas: AIGC(, geração de conteúdo por IA), agentes de IA e análise de dados.
AIGC: Através do AIGC, é possível expandir para as áreas de NFT, jogos e outros no Web3. Os usuários podem gerar texto, imagens e áudio diretamente através do Prompt(, que são as palavras de sugestão fornecidas pelo usuário), e até mesmo criar estilos de jogo personalizados de acordo com suas preferências. Projetos de NFT como NFPrompt permitem que os usuários gerem NFTs através de IA para negociação no mercado; jogos como Sleepless permitem que os usuários moldem a personalidade de um parceiro virtual através de diálogos para corresponder às suas preferências;
Agente de IA: refere-se a sistemas de inteligência artificial que podem executar tarefas de forma autónoma e tomar decisões. Os agentes de IA geralmente possuem habilidades de percepção, raciocínio, aprendizagem e ação, podendo executar tarefas complexas em diversos ambientes. Exemplos comuns de agentes de IA incluem tradução de língua, aprendizagem de língua, conversão de imagem para texto, etc., que no cenário Web3 podem gerar robôs de negociação, criar memes, realizar verificações de segurança na cadeia, entre outros. O MyShell, como plataforma de agentes de IA, oferece vários tipos de agentes, incluindo aprendizagem educacional, companheiros virtuais, agentes de negociação, etc., e fornece ferramentas de desenvolvimento de agentes amigáveis ao utilizador, permitindo a criação do seu próprio agente sem a necessidade de programação.
Análise de dados: através da integração de tecnologia de IA e bases de dados de áreas relacionadas, para realizar análise, julgamento, previsão, etc. No Web3, pode-se auxiliar os usuários na tomada de decisões de investimento analisando dados de mercado, dinâmicas de dinheiro inteligente, entre outros. A previsão de tokens também é um cenário de aplicação único no Web3, com projetos representativos como Ocean, onde a equipe oficial definiu代