Relatório panorâmico do setor Web3-AI: Análise profunda da lógica técnica, aplicações de cenário e principais projetos

Com o contínuo aquecimento da narrativa de IA, cada vez mais atenção está sendo concentrada neste setor. Este artigo analisa em profundidade a lógica técnica, os cenários de aplicação e os projetos representativos do setor Web3-AI, apresentando uma visão abrangente e as tendências de desenvolvimento nesta área.

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 sido excepcionalmente popular na indústria Web3, com projetos de IA surgindo como cogumelos após a chuva. Embora muitos projetos envolvam tecnologia de IA, alguns deles utilizam IA apenas em certas partes de seus produtos, e a economia de tokens subjacente não tem uma ligação substancial com os produtos de IA. Portanto, esses projetos não estão incluídos na discussão sobre projetos Web3-AI neste artigo.

O foco deste artigo está em projetos que usam blockchain para resolver problemas de relações de produção e AI para resolver problemas de produtividade, sendo que esses projetos oferecem produtos de AI e, ao mesmo tempo, baseiam-se em um modelo econômico Web3 como ferramenta de relações de produção, ambos se complementando. Classificamos esses projetos como a faixa Web3-AI. Para que os leitores compreendam melhor a faixa Web3-AI, a seguir, será apresentada uma introdução ao processo de desenvolvimento e desafios da AI, bem como a combinação de Web3 e AI que resolve perfeitamente problemas e cria 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 que os computadores simulem, expandam e aumentem a inteligência humana. Ela permite que os computadores executem várias tarefas complexas, desde tradução de idiomas, classificação de imagens até reconhecimento facial e aplicações de condução autónoma, a IA está a mudar 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 de modelos, treinamento e inferência de modelos. Para dar um exemplo simples, para desenvolver um modelo que classifique 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. Converter as imagens para um formato que o modelo possa reconhecer, dividindo o conjunto de dados em conjunto de treino, 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; geralmente, 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 menos camadas pode ser suficiente.

3. Treinamento do modelo: pode-se usar GPU, TPU ou clusters de computação de alto desempenho para treinar o modelo, e o tempo de treinamento é afetado pela complexidade do modelo e pela capacidade de computação.

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

Como mostrado na figura, após a coleta de dados e pré-processamento de dados, seleção e ajuste de modelo, e treinamento, o modelo treinado é utilizado para fazer inferências no conjunto de teste, resultando nos valores de previsão para gatos e cães P(probability), ou seja, a probabilidade de o modelo inferir que é 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 para obter resultados de 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 de IA geralmente é opaco. Os dados dos usuários podem ser roubados sem o seu conhecimento e usados para o treinamento de IA.

Fonte de dados: Pequenas equipas ou indivíduos podem enfrentar limitações de não abertura de dados ao adquirir dados específicos de áreas como dados médicos (.

Seleção e ajuste de modelos: para pequenas equipes, é difícil obter recursos de modelos em domínios específicos ou gastar muito dinheiro no ajuste de modelos.

Aquisição de poder computacional: para desenvolvedores individuais e pequenas equipas, os elevados custos de compra de GPUs e as taxas de aluguer de poder computacional na nuvem podem constituir um fardo económico significativo.

Receita de ativos de IA: os trabalhadores de rotulagem de dados frequentemente não conseguem obter uma receita que corresponda ao seu esforço, enquanto os resultados da 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. O Web3, como uma nova forma de relação de produção, adapta-se naturalmente à IA, que representa uma nova forma de produtividade, promovendo assim o progresso simultâneo da tecnologia e das capacidades produtivas.

) 1.3 A Sinergia entre Web3 e AI: Mudança de Papel e Aplicações Inovadoras

A combinação de Web3 e IA pode aumentar a soberania do usuário, proporcionando uma plataforma de colaboração em IA aberta, permitindo que os usuários passem de utilizadores 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 IA pode gerar mais cenários de aplicação e formas de inovação.

Baseado na tecnologia Web3, o desenvolvimento e a aplicação da IA irão dar as boas-vindas a um novo sistema econômico colaborativo. A privacidade dos dados das pessoas pode ser garantida, o modelo de crowdsourcing de dados promove o progresso dos modelos de IA, inúmeros recursos de IA de código aberto estão disponíveis para os usuários, e a potência de computação compartilhada pode ser adquirida a um custo mais baixo. Com a ajuda do mecanismo descentralizado de colaboração e do mercado aberto de IA, é possível implementar um sistema de distribuição de rendimento justo, incentivando mais pessoas a impulsionar o progresso 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 contextos 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 seus próprios NFTs, mas também pode criar cenários de jogos ricos e variados e experiências interativas interessantes no GameFi. Uma infraestrutura rica oferece uma experiência de desenvolvimento fluida, seja para especialistas em IA ou para novatos que desejam entrar no campo da IA, todos podem encontrar uma entrada adequada neste mundo.

Dois, Interpretação do Mapa e Arquitetura dos Projetos do Ecossistema Web3-AI

Estudamos principalmente 41 projetos na área de Web3-AI e classificamos esses projetos em diferentes níveis. A lógica de classificação de cada nível está ilustrada na figura abaixo, incluindo a camada de infraestrutura, camada intermediária e camada de aplicação, sendo que cada camada é dividida em diferentes seções. No próximo capítulo, faremos uma análise profunda de alguns projetos representativos.

![Web3-AI Panorama do Relatório da Trilha: Análise Profunda da Lógica Técnica, Aplicações em Cenários e Projetos de Topo]###https://img-cdn.gateio.im/webp-social/moments-c10336df2eaf71062b92590bb9d80a4c.webp(

A camada de infraestrutura abrange os recursos computacionais 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, e a camada de aplicação foca nas diversas aplicações e soluções voltadas diretamente para o usuário.

Camada de infraestrutura:

A camada de infraestrutura é a base do ciclo de vida da IA. Este artigo classifica a capacidade de computação, a AI Chain e a plataforma de desenvolvimento como parte da camada de infraestrutura. É graças ao suporte dessas infraestruturas que é possível realizar o treinamento e a inferência de modelos de IA, apresentando aplicações de IA poderosas e práticas aos usuários.

• 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 computacional descentralizado, onde os usuários podem alugar poder computacional a baixo custo ou compartilhar poder computacional para obter ganhos, com projetos representativos como IO.NET e Hyperbolic. Além disso, alguns projetos derivaram novas maneiras de jogar, como o Compute Labs, que propuseram protocolos tokenizados, onde os usuários, ao comprarem NFTs que representam entidades de GPU, podem participar de arrendamentos de poder computacional de diferentes maneiras para obter ganhos.

• AI Chain: Utiliza a blockchain como base para o ciclo de vida da IA, permitindo a interação sem costura de recursos de IA em cadeia e fora da cadeia, promovendo o desenvolvimento do ecossistema da indústria. O mercado descentralizado de IA na cadeia pode negociar ativos de IA como dados, modelos, agentes, etc., e fornecer estruturas de desenvolvimento de IA e ferramentas de desenvolvimento auxiliares, com projetos representativos como Sahara AI. A AI Chain também pode promover o progresso tecnológico da IA em diferentes áreas, como Bittensor, que promove a competição entre diferentes tipos de sub-redes de IA através de um mecanismo de incentivo inovador.

• 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 implantar modelos de IA de forma mais conveniente, representados por projetos como Nimble. Essas infraestruturas promovem a ampla aplicação da tecnologia de IA no ecossistema Web3.

Camada intermediária:

Esta camada envolve dados de IA, modelos, bem como raciocínio e validação, e a utilização da tecnologia Web3 pode alcançar uma maior eficiência no trabalho.

• Dados: A qualidade e a quantidade dos dados são fatores chave que afetam a eficácia do treinamento de modelos. No mundo Web3, através de dados coletados por meio de crowdsourcing e processamento colaborativo de dados, é possível otimizar a utilização de recursos e reduzir os custos dos dados. Os usuários podem ter autonomia sobre os seus dados, podendo vendê-los sob condições de proteção de privacidade, evitando que sejam roubados por comerciantes desonestos e que gerem lucros elevados. Para aqueles que necessitam 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 um plugin amigável 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. Essas tarefas podem exigir conhecimentos especializados no processamento de dados financeiros e jurídicos, permitindo que os usuários tokenizem suas habilidades e realizem a colaboração em forma de crowdsourcing para o pré-processamento de dados. Representando mercados de IA como o Sahara AI, com tarefas de dados de diferentes domínios, que podem abranger cenários de dados multi-domínio; enquanto o AIT Protocolt rotula dados por meio de uma abordagem de colaboração homem-máquina.

• Modelo: Durante o processo de desenvolvimento de IA mencionado anteriormente, diferentes tipos de necessidades requerem a correspondência com o modelo adequado. Modelos comuns para tarefas de imagem incluem CNN e GAN, para tarefas de deteção de objetos pode-se optar pela série Yolo, e para tarefas de texto, são comuns os modelos RNN e Transformer, entre outros modelos específicos ou gerais. A profundidade do modelo necessária para tarefas de diferentes complexidades 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 o Sentient que, através de um design modular, permite que os usuários armazenem dados de modelo confiáveis na camada de armazenamento e na camada de distribuição para otimização de modelos. As ferramentas de desenvolvimento fornecidas pelo Sahara AI integram algoritmos de IA avançados e estruturas de cálculo, e têm capacidade de formação colaborativa.

• Inferência e verificação: Após o treinamento, o modelo gera 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 verificação, para validar se a origem do modelo de inferência está correta, se há comportamentos maliciosos, etc. A inferência no Web3 pode ser frequentemente integrada em contratos inteligentes, chamando o modelo para realizar a inferência, as formas comuns de verificação 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, e o site oficial da ORA menciona também suas pesquisas sobre ZKML e opp/ai ) ZKML combinado com OPML (.

Camada de Aplicação:

Esta camada é principalmente voltada para aplicativos diretamente para os usuários, combinando AI com Web3, criando maneiras mais interessantes e inovadoras de jogar. Este artigo foca principalmente nos projetos nos segmentos de AIGC), conteúdo gerado por IA(, agentes de IA e análise de dados.

• AIGC: Através do AIGC, é possível expandir para as áreas de NFT e jogos no Web3, onde os usuários podem gerar texto, imagens e áudio diretamente a partir das palavras-chave fornecidas pelo usuário através do Prompt), podendo até gerar modos de jogo personalizados de acordo com suas preferências. Projetos NFT como NFPrompt permitem que os usuários gerem NFTs com IA para negociação no mercado; jogos como Sleepless permitem que os usuários moldem a personalidade de companheiros virtuais através de diálogos, alinhando-se 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 normalmente possuem capacidades de percepção, raciocínio, aprendizagem e ação, podendo realizar tarefas complexas em diversos ambientes. Exemplos comuns de agentes de IA incluem tradução de linguagem,