Informe panorámico sobre la pista Web3-AI: análisis profundo de la lógica técnica, aplicaciones en escena y proyectos de primer nivel

Con el continuo aumento de la narrativa de IA, cada vez más atención se centra en este campo. Este artículo realiza un análisis profundo de la lógica técnica, los escenarios de aplicación y los proyectos representativos en el campo de Web3-AI, presentando de manera integral el panorama y las tendencias de desarrollo en este ámbito.

Uno, Web3-AI: Análisis de la lógica técnica y las oportunidades del mercado emergente

1.1 Lógica de la fusión entre Web3 y AI: cómo definir la pista Web-AI

En el último año, la narrativa de IA ha sido excepcionalmente popular en la industria de Web3, con proyectos de IA surgiendo como setas tras la lluvia. Aunque hay muchos proyectos que involucran tecnología de IA, algunos utilizan IA solo en ciertas partes de sus productos, y la economía de tokens subyacente no tiene una relación sustancial con los productos de IA, por lo que este tipo de proyectos no se incluirán en la discusión de proyectos Web3-AI en este artículo.

El enfoque de este artículo está en los proyectos que utilizan blockchain para resolver problemas de relaciones de producción y AI para resolver problemas de productividad. Estos proyectos ofrecen productos de AI y, al mismo tiempo, se basan en un modelo económico Web3 como herramienta de relaciones de producción, donde ambos se complementan. Clasificamos este tipo de proyectos como la pista Web3-AI. Para ayudar a los lectores a entender mejor la pista Web3-AI, a continuación se presentará el proceso de desarrollo y los desafíos de la AI, así como cómo la combinación de Web3 y AI puede resolver problemas de manera perfecta y crear nuevos escenarios de aplicación.

1.2 El proceso de desarrollo de la IA y sus desafíos: desde la recolección de datos hasta la inferencia del modelo

La tecnología de IA es una técnica que permite a las computadoras simular, extender y mejorar la inteligencia humana. Puede permitir que las computadoras realicen diversas tareas complejas, desde la traducción de idiomas, la clasificación de imágenes hasta el reconocimiento facial y la conducción autónoma; la IA está cambiando la forma en que vivimos y trabajamos.

El proceso de desarrollo de modelos de inteligencia artificial generalmente incluye los siguientes pasos clave: recolección de datos y preprocesamiento de datos, selección y ajuste del modelo, entrenamiento del modelo e inferencia. Por ejemplo, para desarrollar un modelo que clasifique imágenes de gatos y perros, necesitas:

1. Recopilación de datos y preprocesamiento de datos: recopilar un conjunto de datos de imágenes que contenga gatos y perros, se puede utilizar un conjunto de datos público o recopilar datos reales por cuenta propia. Luego, etiquetar cada imagen con la categoría ( gato o perro ), asegurándose de que las etiquetas sean precisas. Convertir las imágenes a un formato que el modelo pueda reconocer, dividir el conjunto de datos en conjunto de entrenamiento, conjunto de validación y conjunto de prueba.

2. Selección y ajuste del modelo: Elegir el modelo adecuado, como las redes neuronales convolucionales (CNN), que son más adecuadas para tareas de clasificación de imágenes. Ajustar los parámetros o la arquitectura del modelo según las diferentes necesidades; generalmente, los niveles de la red del modelo pueden ajustarse según la complejidad de la tarea de IA. En este simple ejemplo de clasificación, una red con niveles más superficiales puede ser suficiente.

3. Entrenamiento del modelo: se pueden utilizar GPU, TPU o clústeres de computación de alto rendimiento para entrenar el modelo, el tiempo de entrenamiento se ve afectado por la complejidad del modelo y la capacidad de cálculo.

4. Inferencia del modelo: El archivo del modelo entrenado se denomina generalmente peso del modelo. El proceso de inferencia se refiere a utilizar un modelo ya entrenado para predecir o clasificar nuevos datos. En este proceso, se puede usar un conjunto de prueba o nuevos datos para evaluar el rendimiento de clasificación del modelo, y generalmente se utilizan métricas como la precisión, la tasa de recuperación y el F1-score para evaluar la efectividad del modelo.

Como se muestra en la figura, después de la recopilación de datos y el preprocesamiento de datos, la selección y ajuste del modelo, y el entrenamiento, realizar la inferencia del modelo entrenado en el conjunto de prueba dará como resultado los valores de predicción de gatos y perros P(probabilidad), es decir, la probabilidad de que el modelo infiera que es un gato o un perro.

Los modelos de IA entrenados pueden integrarse aún más en diversas aplicaciones para realizar diferentes tareas. En este ejemplo, el modelo de IA para la clasificación de gatos y perros puede integrarse en una aplicación móvil, donde los usuarios suben imágenes de gatos o perros y obtienen resultados de clasificación.

Sin embargo, el proceso de desarrollo de IA centralizada presenta algunos problemas en los siguientes escenarios:

Privacidad del usuario: En un escenario centralizado, el proceso de desarrollo de la IA suele ser opaco. Los datos de los usuarios pueden ser robados sin su conocimiento y utilizados para el entrenamiento de la IA.

Obtención de fuentes de datos: equipos pequeños o individuos que intentan obtener datos de campos específicos (, como datos médicos ), pueden enfrentar limitaciones debido a que los datos no son de código abierto.

Selección y ajuste del modelo: para equipos pequeños, es difícil obtener recursos de modelo específicos del dominio o gastar grandes costos en el ajuste del modelo.

Obtención de potencia de cálculo: Para los desarrolladores individuales y los pequeños equipos, el alto costo de compra de GPU y las tarifas de alquiler de potencia de cálculo en la nube pueden suponer una carga económica significativa.

Ingresos de activos de IA: Los trabajadores de etiquetado de datos a menudo no pueden obtener ingresos que correspondan a su esfuerzo, y los resultados de investigación de los desarrolladores de IA también son difíciles de igualar con compradores que tienen demanda.

Los desafíos existentes en el escenario de la IA centralizada pueden ser abordados mediante la combinación con Web3. Web3, como una nueva forma de relación de producción, se adapta naturalmente a la IA, que representa nuevas fuerzas productivas, promoviendo así el avance simultáneo de la tecnología y la capacidad de producción.

1.3 La sinergia entre Web3 y la IA: cambios de roles y aplicaciones innovadoras

La combinación de Web3 y AI puede fortalecer la soberanía del usuario, proporcionando una plataforma de colaboración de AI abierta para los usuarios, permitiendo que los usuarios pasen de ser usuarios de AI en la era de Web2 a participantes, creando una AI que todos puedan poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología AI también puede generar más escenarios de aplicación y formas innovadoras.

Basado en la tecnología Web3, el desarrollo y la aplicación de la IA darán paso a un nuevo sistema económico colaborativo. La privacidad de los datos de las personas puede ser garantizada, el modelo de datos en modo de crowdsourcing promueve el avance de los modelos de IA, numerosos recursos de IA de código abierto están disponibles para los usuarios, y la potencia de cálculo compartida se puede obtener a un costo más bajo. Con la ayuda de un mecanismo de colaboración descentralizado y un mercado de IA abierto, se puede lograr un sistema de distribución de ingresos justo, lo que incentiva a más personas a impulsar el progreso de la tecnología de IA.

En el escenario de Web3, la IA puede tener un impacto positivo en múltiples áreas. Por ejemplo, los modelos de IA pueden integrarse en contratos inteligentes para mejorar la eficiencia laboral en diferentes escenarios de aplicación, como análisis de mercado, detección de seguridad, agrupamiento social y muchas otras funciones. La IA generativa no solo permite a los usuarios experimentar el papel de "artista", como crear su propio NFT utilizando tecnología de IA, sino que también puede crear escenas de juego diversas y experiencias interactivas interesantes en GameFi. Una infraestructura rica proporciona una experiencia de desarrollo fluida, donde tanto expertos en IA como novatos que desean ingresar al campo de la IA pueden encontrar una entrada adecuada en este mundo.

Dos, interpretación del mapa y la arquitectura de los proyectos ecosistémicos Web3-AI

Principalmente investigamos 41 proyectos en la categoría de Web3-AI y los clasificamos en diferentes niveles. La lógica de clasificación de cada nivel se muestra en la siguiente imagen, que incluye la capa de infraestructura, la capa intermedia y la capa de aplicación, cada una de las cuales se divide en diferentes secciones. En el siguiente capítulo, realizaremos un análisis profundo de algunos proyectos representativos.

La capa de infraestructura abarca los recursos computacionales y la arquitectura técnica que soportan todo el ciclo de vida de la IA, la capa intermedia incluye la gestión de datos, el desarrollo de modelos y los servicios de inferencia de validación que conectan la infraestructura con las aplicaciones, mientras que la capa de aplicación se centra en las diversas aplicaciones y soluciones dirigidas directamente a los usuarios.

Capa de infraestructura:

La capa de infraestructura es la base del ciclo de vida de la IA. Este artículo clasifica la potencia de cálculo, AI Chain y la plataforma de desarrollo como parte de la capa de infraestructura. Es gracias al soporte de estas infraestructuras que se pueden entrenar e inferir modelos de IA, y presentar aplicaciones de IA potentes y prácticas a los usuarios.

• Red de computación descentralizada: puede proporcionar potencia de cálculo distribuida para el entrenamiento de modelos de IA, asegurando una utilización eficiente y económica de los recursos de computación. Algunos proyectos han ofrecido mercados de potencia de cálculo descentralizados, donde los usuarios pueden alquilar potencia de cálculo a bajo costo o compartir potencia de cálculo para obtener ganancias, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevos enfoques, como Compute Labs, que han propuesto protocolos tokenizados, donde los usuarios pueden participar en el alquiler de potencia de cálculo de diferentes maneras al comprar NFT que representan entidades de GPU.

• AI Chain: Utiliza la blockchain como base para el ciclo de vida de la IA, logrando una interacción fluida entre los recursos de IA en la cadena y fuera de ella, promoviendo el desarrollo del ecosistema industrial. El mercado descentralizado de IA en la cadena puede intercambiar activos de IA como datos, modelos, agentes, etc., y proporciona un marco de desarrollo de IA y herramientas de desarrollo complementarias, con proyectos representativos como Sahara AI. AI Chain también puede fomentar el progreso de la tecnología de IA en diferentes campos, como Bittensor, que promueve la competencia entre subredes de diferentes tipos de IA a través de un innovador mecanismo de incentivos de subred.

• Plataforma de desarrollo: Algunos proyectos ofrecen plataformas de desarrollo de agentes de IA, que también pueden realizar transacciones de agentes de IA, como Fetch.ai y ChainML. Herramientas todo en uno ayudan a los desarrolladores a crear, entrenar y desplegar modelos de IA de manera más conveniente, representados por proyectos como Nimble. Esta infraestructura facilita la amplia aplicación de la tecnología de IA en el ecosistema Web3.

Capa intermedia:

Este nivel implica datos de IA, modelos, así como inferencia y verificación; la adopción de tecnologías Web3 puede lograr una mayor eficiencia laboral.

• Datos: La calidad y cantidad de los datos son factores clave que afectan la efectividad del entrenamiento del modelo. En el mundo de Web3, a través de datos de crowdsourcing y procesamiento colaborativo de datos, se puede optimizar el uso de recursos y reducir los costos de datos. Los usuarios pueden tener autonomía sobre sus datos, vendiendo los suyos bajo la protección de la privacidad, para evitar que comerciantes malintencionados los roben y obtengan grandes beneficios. Para los demandantes de datos, estas plataformas ofrecen una amplia variedad de opciones y costos extremadamente bajos. Proyectos representativos como Grass utilizan el ancho de banda de los usuarios para recopilar datos de la web, xData recopila información multimedia a través de un complemento fácil de usar y permite a los usuarios subir información de tweets.

Además, algunas plataformas permiten a expertos en el campo o a usuarios comunes realizar tareas de preprocesamiento de datos, como etiquetado de imágenes y clasificación de datos, estas tareas pueden requerir conocimientos especializados en el procesamiento de datos financieros y legales, los usuarios pueden tokenizar sus habilidades para lograr la colaboración en el crowdsourcing del preprocesamiento de datos. Representado por el mercado de IA como Sahara AI, que tiene tareas de datos de diferentes campos, puede abarcar escenarios de datos de múltiples disciplinas; mientras que AIT Protocol realiza la etiquetación de datos mediante la colaboración humano-máquina.

• Modelo: En el proceso de desarrollo de IA mencionado anteriormente, diferentes tipos de necesidades requieren la coincidencia con el modelo adecuado. Modelos comúnmente utilizados para tareas de imagen como CNN, GAN; para tareas de detección de objetos se puede elegir la serie Yolo; para tareas de texto, los modelos comunes son RNN, Transformer, entre otros, y también hay algunos modelos grandes específicos o generales. La profundidad del modelo necesaria varía según la complejidad de las tareas, y a veces se requiere ajustar el modelo.

Algunos proyectos permiten a los usuarios proporcionar diferentes tipos de modelos o colaborar en el entrenamiento de modelos a través de la externalización, como Sentient, que mediante un diseño modular, permite a los usuarios almacenar datos de modelos confiables en la capa de almacenamiento y la capa de distribución para la optimización de modelos. Las herramientas de desarrollo ofrecidas por Sahara AI incorporan algoritmos de IA avanzados y un marco de cálculo, además de tener la capacidad de entrenamiento colaborativo.

• Inferencia y verificación: Después de que el modelo ha sido entrenado, generará un archivo de pesos del modelo, que se puede utilizar para realizar clasificaciones, predicciones u otras tareas específicas; este proceso se llama inferencia. El proceso de inferencia a menudo viene acompañado de un mecanismo de verificación para validar si la fuente del modelo de inferencia es correcta, si hay comportamientos maliciosos, etc. La inferencia en Web3 generalmente se puede integrar en contratos inteligentes, mediante la invocación del modelo para realizar la inferencia. Los métodos de verificación comunes incluyen tecnologías como ZKML, OPML y TEE. Proyectos representativos, como el oráculo de IA en la cadena ORA (OAO), han introducido OPML como la capa verificable del oráculo de IA; en el sitio web oficial de ORA también se menciona su investigación sobre la combinación de ZKML y opp/ai(ZKML con OPML).

Capa de aplicación:

Esta capa está principalmente orientada a aplicaciones directamente dirigidas al usuario, combinando IA con Web3 para crear formas de juego más interesantes e innovadoras. Este artículo se centra en organizar los proyectos en varias secciones: AIGC( contenido generado por IA ), agentes de IA y análisis de datos.

• AIGC: A través de AIGC se puede expandir a las áreas de NFT, juegos y otros en Web3, los usuarios pueden generar texto, imágenes y audio directamente a través de las palabras clave que proporcionan con Prompt(, e incluso pueden generar estilos de juego personalizados en los juegos según sus preferencias. Proyectos NFT como NFPrompt, los usuarios pueden generar NFT con IA para comerciar en el mercado; juegos como Sleepless, los usuarios moldean la personalidad de su pareja virtual a través de diálogos para que coincida con sus preferencias;

• Agente de IA: se refiere a sistemas de inteligencia artificial que pueden ejecutar tareas de forma autónoma y tomar decisiones. Los agentes de IA suelen poseer capacidades de percepción, razonamiento, aprendizaje y acción, y pueden llevar a cabo tareas complejas en diversos entornos. Ejemplos comunes de agentes de IA incluyen la traducción de idiomas,