Informe panorámico sobre la pista Web3-AI: análisis profundo de la lógica técnica, aplicaciones en escenarios y proyectos de primer nivel
Con el continuo aumento del interés por la narración de IA, cada vez más atención se centra en este campo. Se ha realizado un análisis profundo de la lógica técnica, los escenarios de aplicación y los proyectos representativos en el campo de Web3-AI, presentándole una visión completa de este ámbito y las tendencias de desarrollo.
Uno, Web3-AI: Análisis de la lógica técnica y oportunidades en mercados emergentes
1.1 Lógica de 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, y los proyectos de IA han surgido como champiñones después de la lluvia. Aunque hay muchos proyectos que involucran tecnología de IA, algunos de ellos solo utilizan IA 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 estos proyectos no se incluyen en la discusión de proyectos Web3-AI en este artículo.
El enfoque de este artículo está en utilizar la blockchain para resolver problemas de relaciones de producción, mientras que la IA aborda los problemas de productividad. Estos proyectos ofrecen productos de IA y, al mismo tiempo, se basan en un modelo económico Web3 como herramienta de relaciones de producción, complementándose entre sí. Clasificamos estos proyectos en la categoría de Web3-AI. Para que los lectores comprendan mejor la categoría Web3-AI, se presentará una introducción al proceso de desarrollo y desafíos de la IA, así como cómo la combinación de Web3 y IA resuelve problemas de manera perfecta y crea 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 tecnología que permite a las computadoras simular, ampliar y mejorar la inteligencia humana. Esta puede permitir que las computadoras realicen diversas tareas complejas, desde la traducción de idiomas, clasificación de imágenes hasta el reconocimiento facial y aplicaciones de 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: recopilación de datos y preprocesamiento de datos, selección y ajuste de modelos, entrenamiento y razonamiento del modelo. Para dar un ejemplo sencillo, al desarrollar un modelo para clasificar imágenes de gatos y perros, necesitarás:
Recolección de datos y preprocesamiento de datos: recolectar un conjunto de datos de imágenes que contenga gatos y perros, se pueden usar conjuntos de datos públicos o recolectar datos reales por cuenta propia. Luego, etiquetar cada imagen con su 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.
Selección y ajuste del modelo: elegir un modelo adecuado, como las redes neuronales convolucionales (CNN), que son especialmente adecuadas para tareas de clasificación de imágenes. Ajustar los parámetros o la arquitectura del modelo según las diferentes necesidades; generalmente, los niveles de red del modelo pueden ajustarse según la complejidad de la tarea de IA. En este simple ejemplo de clasificación, una red de nivel más superficial puede ser suficiente.
Entrenamiento del modelo: se pueden utilizar GPU, TPU o clústeres de computación de alto rendimiento para entrenar el modelo, el tiempo de entrenamiento está influenciado por la complejidad del modelo y la capacidad de cálculo.
Inferencia del modelo: El archivo del modelo entrenado generalmente se llama peso del modelo, y el proceso de inferencia se refiere al proceso de utilizar un modelo ya entrenado para predecir o clasificar nuevos datos. En este proceso se puede utilizar un conjunto de pruebas o nuevos datos para evaluar la efectividad de clasificación del modelo, que generalmente se evalúa utilizando indicadores como la precisión, la tasa de recuperación y el F1-score.
Como se muestra en la figura, después de la recopilación de datos y el preprocesamiento de datos, la selección y ajuste del modelo, así como el entrenamiento, se realizará la inferencia del modelo entrenado en el conjunto de prueba para obtener los valores de predicción de gato y perro P (probabilidad), es decir, la probabilidad de que el modelo infiera que es un gato o un perro.
Los modelos de IA entrenados se pueden integrar aún más en diversas aplicaciones para realizar diferentes tareas. En este ejemplo, un modelo de IA para la clasificación de gatos y perros se puede integrar 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 IA.
Obtención de fuentes de datos: los equipos pequeños o individuos que buscan obtener datos en áreas específicas (como datos médicos) pueden enfrentar restricciones debido a la falta de apertura de los datos.
Selección y ajuste del modelo: para equipos pequeños, es difícil obtener recursos de modelo en campos específicos o gastar grandes costos en el ajuste del modelo.
Obtención de poder de cómputo: para los desarrolladores individuales y los equipos pequeños, el alto costo de compra de GPU y las tarifas de alquiler de poder de cómputo en la nube pueden representar una carga económica significativa.
Ingresos de activos de IA: los trabajadores de etiquetado de datos a menudo no pueden obtener ingresos que coincidan con su esfuerzo, y los resultados de la investigación de los desarrolladores de IA también son difíciles de coincidir con los compradores que tienen demanda.
Los desafíos existentes en el escenario de la IA centralizada pueden abordarse a través de la combinación con Web3. Web3, como una nueva relación de producción, se adapta de manera natural a la IA, que representa una nueva productividad, promoviendo así el progreso simultáneo de la tecnología y la capacidad de producción.
1.3 Sinergia entre Web3 y AI: Cambio de roles y aplicaciones innovadoras
La combinación de Web3 y la IA puede fortalecer la soberanía del usuario, proporcionando a los usuarios una plataforma de colaboración de IA abierta, transformando a los usuarios de la era Web2 de meros usuarios de IA a participantes, creando una IA que todos puedan poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología de IA también puede generar más escenarios de aplicación innovadores y formas de juego.
Basado en la tecnología Web3, el desarrollo y la aplicación de la IA darán lugar a un nuevo sistema económico de colaboración. La privacidad de los datos de las personas puede ser garantizada, el modelo de datos de crowdsourcing promueve el avance de los modelos de IA, muchos 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 descentralizado de colaboración y crowdsourcing y un mercado de IA abierto, se puede lograr un sistema de distribución de ingresos justo, lo que incentivará a más personas a impulsar el avance 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 del trabajo 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 escenarios de juego diversos y experiencias interactivas interesantes en GameFi. Una infraestructura rica proporciona una experiencia de desarrollo fluida, donde tanto los expertos en IA como los principiantes que desean ingresar al campo de la IA pueden encontrar una entrada adecuada en este mundo.
Dos, interpretación del mapa y la arquitectura del proyecto Eco Web3-AI
Principalmente investigamos 41 proyectos en la pista 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 de computación y la arquitectura técnica que soportan la operación de todo el ciclo de vida de la IA, la capa intermedia incluye la gestión de datos, el desarrollo de modelos y los servicios de verificación e inferencia que conectan la infraestructura con las aplicaciones, mientras que la capa de aplicaciones se centra en las diversas aplicaciones y soluciones orientadas directamente al usuario.
Capa de infraestructura:
La capa de infraestructura es la base del ciclo de vida de la IA, y en este artículo se clasifican la potencia de cálculo, AI Chain y la plataforma de desarrollo como parte de la capa de infraestructura. Es gracias al apoyo de estas infraestructuras que se puede llevar a cabo el entrenamiento y la inferencia de modelos de IA, y presentar aplicaciones de IA potentes y útiles 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 cálculo. Algunos proyectos ofrecen un mercado de potencia de cálculo descentralizado, donde los usuarios pueden alquilar potencia de cálculo a bajo costo o compartirla para obtener ganancias, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevos enfoques, como Compute Labs, que propone un protocolo tokenizado, donde los usuarios pueden participar de diferentes maneras en el alquiler de potencia de cálculo para obtener ganancias a través de la compra de NFT que representan entidades de GPU.
AI Chain: Utiliza la blockchain como base del 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, representado por proyectos 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 diferentes tipos de subredes de IA a través de un mecanismo innovador de incentivos para subredes.
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 integrales ayudan a los desarrolladores a crear, entrenar y desplegar modelos de IA de manera más conveniente, representados por proyectos como Nimble. Esta infraestructura promueve la amplia aplicación de la tecnología de IA en el ecosistema Web3.
Capa intermedia:
Este nivel involucra datos de IA, modelos, así como inferencia y verificación, y el uso de tecnología 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 Web3, a través de la recopilación de datos por crowdsourcing y el procesamiento colaborativo de datos, se puede optimizar la utilización de recursos y reducir los costos de datos. Los usuarios pueden tener el control de sus datos, vendiendo los suyos bajo la protección de la privacidad, para evitar que comerciantes deshonestos roben sus datos y obtengan grandes beneficios. Para los demandantes de datos, estas plataformas ofrecen una amplia variedad de opciones y costos muy bajos. Proyectos representativos como Grass utilizan el ancho de banda de los usuarios para capturar datos de la Web, xData recopila información de medios a través de un plugin fácil de usar y permite a los usuarios subir información de tuits.
Además, algunas plataformas permiten a expertos en el campo o a usuarios comunes realizar tareas de preprocesamiento de datos, como la anotación de imágenes y la clasificación de datos, que pueden requerir un conocimiento especializado 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. Un ejemplo es el mercado de IA como Sahara AI, que cuenta con tareas de datos en diferentes campos y puede cubrir escenarios de datos multidisciplinarios; mientras que AIT Protocolt realiza la anotación de datos a través de la colaboración entre humanos y máquinas.
Modelo: Como se mencionó anteriormente en el proceso de desarrollo de IA, diferentes tipos de necesidades requieren modelos adecuados. Modelos comúnmente utilizados para tareas de imagen incluyen CNN y GAN; para tareas de detección de objetos se puede elegir la serie Yolo; para tareas de texto, los modelos comunes son RNN y Transformer, y por supuesto hay algunos modelos grandes específicos o generales. La profundidad del modelo requerida para tareas de diferente complejidad también varía, y a veces es necesario 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 creación colectiva, 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 del modelo. Las herramientas de desarrollo ofrecidas por Sahara AI incorporan algoritmos de IA avanzados y marcos de cálculo, y tienen la capacidad de entrenamiento colaborativo.
Inferencia y verificación: Después de que el modelo ha sido entrenado, generará archivos de pesos del modelo que pueden ser utilizados para clasificación, predicción u otras tareas específicas; este proceso se denomina inferencia. El proceso de inferencia generalmente va acompañado de un mecanismo de verificación para validar si la fuente del modelo de inferencia es correcta y si hay comportamientos maliciosos, entre otros. La inferencia en Web3 a menudo puede integrarse en contratos inteligentes, llamando al 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 cadena ORA (OAO) han introducido OPML como una capa verificable para el oráculo de IA, y en el sitio web oficial de ORA también mencionan su investigación sobre ZKML y opp/ai (ZKML combinado con OPML).
Capa de aplicación:
Esta capa se dirige principalmente a aplicaciones de usuario, combinando AI con Web3 para crear maneras más interesantes e innovadoras de jugar. Este artículo se centra en los proyectos de AIGC (contenido generado por AI), agentes de AI y análisis de datos.
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
24 me gusta
Recompensa
24
9
Republicar
Compartir
Comentar
0/400
FlatTax
· 07-10 21:48
¿Cuándo se implementará realmente la IA en Web3?
Ver originalesResponder0
FancyResearchLab
· 07-10 13:01
Otra ronda de toma a la gente por tonta ha comenzado.
Ver originalesResponder0
PumpAnalyst
· 07-08 02:44
pump tomar a la gente por tonta una ola espera que ustedes Desplomarse
Ver originalesResponder0
LiquidationSurvivor
· 07-08 02:40
¿Un año y siguen esas mismas personas especulando con la IA?
Ver originalesResponder0
SignatureDenied
· 07-08 02:27
Demasiada especulación, no se puede ver el verdadero valor, ¿verdad?
Ver originalesResponder0
GigaBrainAnon
· 07-08 02:24
Otra vez están promoviendo el concepto de AI, no sé cuánto tiempo podrá durar.
Ver originalesResponder0
CryptoWageSlave
· 07-08 02:23
Este relato de IA también se ha vuelto aburrido, Ser engañados con una nueva trampa.
Panorama de la pista Web3-AI: integración tecnológica, escenarios de aplicación y análisis profundo de proyectos de primer nivel
Informe panorámico sobre la pista Web3-AI: análisis profundo de la lógica técnica, aplicaciones en escenarios y proyectos de primer nivel
Con el continuo aumento del interés por la narración de IA, cada vez más atención se centra en este campo. Se ha realizado un análisis profundo de la lógica técnica, los escenarios de aplicación y los proyectos representativos en el campo de Web3-AI, presentándole una visión completa de este ámbito y las tendencias de desarrollo.
Uno, Web3-AI: Análisis de la lógica técnica y oportunidades en mercados emergentes
1.1 Lógica de 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, y los proyectos de IA han surgido como champiñones después de la lluvia. Aunque hay muchos proyectos que involucran tecnología de IA, algunos de ellos solo utilizan IA 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 estos proyectos no se incluyen en la discusión de proyectos Web3-AI en este artículo.
El enfoque de este artículo está en utilizar la blockchain para resolver problemas de relaciones de producción, mientras que la IA aborda los problemas de productividad. Estos proyectos ofrecen productos de IA y, al mismo tiempo, se basan en un modelo económico Web3 como herramienta de relaciones de producción, complementándose entre sí. Clasificamos estos proyectos en la categoría de Web3-AI. Para que los lectores comprendan mejor la categoría Web3-AI, se presentará una introducción al proceso de desarrollo y desafíos de la IA, así como cómo la combinación de Web3 y IA resuelve problemas de manera perfecta y crea 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 tecnología que permite a las computadoras simular, ampliar y mejorar la inteligencia humana. Esta puede permitir que las computadoras realicen diversas tareas complejas, desde la traducción de idiomas, clasificación de imágenes hasta el reconocimiento facial y aplicaciones de 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: recopilación de datos y preprocesamiento de datos, selección y ajuste de modelos, entrenamiento y razonamiento del modelo. Para dar un ejemplo sencillo, al desarrollar un modelo para clasificar imágenes de gatos y perros, necesitarás:
Recolección de datos y preprocesamiento de datos: recolectar un conjunto de datos de imágenes que contenga gatos y perros, se pueden usar conjuntos de datos públicos o recolectar datos reales por cuenta propia. Luego, etiquetar cada imagen con su 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.
Selección y ajuste del modelo: elegir un modelo adecuado, como las redes neuronales convolucionales (CNN), que son especialmente adecuadas para tareas de clasificación de imágenes. Ajustar los parámetros o la arquitectura del modelo según las diferentes necesidades; generalmente, los niveles de red del modelo pueden ajustarse según la complejidad de la tarea de IA. En este simple ejemplo de clasificación, una red de nivel más superficial puede ser suficiente.
Entrenamiento del modelo: se pueden utilizar GPU, TPU o clústeres de computación de alto rendimiento para entrenar el modelo, el tiempo de entrenamiento está influenciado por la complejidad del modelo y la capacidad de cálculo.
Inferencia del modelo: El archivo del modelo entrenado generalmente se llama peso del modelo, y el proceso de inferencia se refiere al proceso de utilizar un modelo ya entrenado para predecir o clasificar nuevos datos. En este proceso se puede utilizar un conjunto de pruebas o nuevos datos para evaluar la efectividad de clasificación del modelo, que generalmente se evalúa utilizando indicadores como la precisión, la tasa de recuperación y el F1-score.
Como se muestra en la figura, después de la recopilación de datos y el preprocesamiento de datos, la selección y ajuste del modelo, así como el entrenamiento, se realizará la inferencia del modelo entrenado en el conjunto de prueba para obtener los valores de predicción de gato y perro P (probabilidad), es decir, la probabilidad de que el modelo infiera que es un gato o un perro.
Los modelos de IA entrenados se pueden integrar aún más en diversas aplicaciones para realizar diferentes tareas. En este ejemplo, un modelo de IA para la clasificación de gatos y perros se puede integrar 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 IA.
Obtención de fuentes de datos: los equipos pequeños o individuos que buscan obtener datos en áreas específicas (como datos médicos) pueden enfrentar restricciones debido a la falta de apertura de los datos.
Selección y ajuste del modelo: para equipos pequeños, es difícil obtener recursos de modelo en campos específicos o gastar grandes costos en el ajuste del modelo.
Obtención de poder de cómputo: para los desarrolladores individuales y los equipos pequeños, el alto costo de compra de GPU y las tarifas de alquiler de poder de cómputo en la nube pueden representar una carga económica significativa.
Ingresos de activos de IA: los trabajadores de etiquetado de datos a menudo no pueden obtener ingresos que coincidan con su esfuerzo, y los resultados de la investigación de los desarrolladores de IA también son difíciles de coincidir con los compradores que tienen demanda.
Los desafíos existentes en el escenario de la IA centralizada pueden abordarse a través de la combinación con Web3. Web3, como una nueva relación de producción, se adapta de manera natural a la IA, que representa una nueva productividad, promoviendo así el progreso simultáneo de la tecnología y la capacidad de producción.
1.3 Sinergia entre Web3 y AI: Cambio de roles y aplicaciones innovadoras
La combinación de Web3 y la IA puede fortalecer la soberanía del usuario, proporcionando a los usuarios una plataforma de colaboración de IA abierta, transformando a los usuarios de la era Web2 de meros usuarios de IA a participantes, creando una IA que todos puedan poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología de IA también puede generar más escenarios de aplicación innovadores y formas de juego.
Basado en la tecnología Web3, el desarrollo y la aplicación de la IA darán lugar a un nuevo sistema económico de colaboración. La privacidad de los datos de las personas puede ser garantizada, el modelo de datos de crowdsourcing promueve el avance de los modelos de IA, muchos 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 descentralizado de colaboración y crowdsourcing y un mercado de IA abierto, se puede lograr un sistema de distribución de ingresos justo, lo que incentivará a más personas a impulsar el avance 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 del trabajo 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 escenarios de juego diversos y experiencias interactivas interesantes en GameFi. Una infraestructura rica proporciona una experiencia de desarrollo fluida, donde tanto los expertos en IA como los principiantes que desean ingresar al campo de la IA pueden encontrar una entrada adecuada en este mundo.
Dos, interpretación del mapa y la arquitectura del proyecto Eco Web3-AI
Principalmente investigamos 41 proyectos en la pista 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 de computación y la arquitectura técnica que soportan la operación de todo el ciclo de vida de la IA, la capa intermedia incluye la gestión de datos, el desarrollo de modelos y los servicios de verificación e inferencia que conectan la infraestructura con las aplicaciones, mientras que la capa de aplicaciones se centra en las diversas aplicaciones y soluciones orientadas directamente al usuario.
Capa de infraestructura:
La capa de infraestructura es la base del ciclo de vida de la IA, y en este artículo se clasifican la potencia de cálculo, AI Chain y la plataforma de desarrollo como parte de la capa de infraestructura. Es gracias al apoyo de estas infraestructuras que se puede llevar a cabo el entrenamiento y la inferencia de modelos de IA, y presentar aplicaciones de IA potentes y útiles 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 cálculo. Algunos proyectos ofrecen un mercado de potencia de cálculo descentralizado, donde los usuarios pueden alquilar potencia de cálculo a bajo costo o compartirla para obtener ganancias, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevos enfoques, como Compute Labs, que propone un protocolo tokenizado, donde los usuarios pueden participar de diferentes maneras en el alquiler de potencia de cálculo para obtener ganancias a través de la compra de NFT que representan entidades de GPU.
AI Chain: Utiliza la blockchain como base del 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, representado por proyectos 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 diferentes tipos de subredes de IA a través de un mecanismo innovador de incentivos para subredes.
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 integrales ayudan a los desarrolladores a crear, entrenar y desplegar modelos de IA de manera más conveniente, representados por proyectos como Nimble. Esta infraestructura promueve la amplia aplicación de la tecnología de IA en el ecosistema Web3.
Capa intermedia:
Este nivel involucra datos de IA, modelos, así como inferencia y verificación, y el uso de tecnología Web3 puede lograr una mayor eficiencia laboral.
Además, algunas plataformas permiten a expertos en el campo o a usuarios comunes realizar tareas de preprocesamiento de datos, como la anotación de imágenes y la clasificación de datos, que pueden requerir un conocimiento especializado 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. Un ejemplo es el mercado de IA como Sahara AI, que cuenta con tareas de datos en diferentes campos y puede cubrir escenarios de datos multidisciplinarios; mientras que AIT Protocolt realiza la anotación de datos a través de la colaboración entre humanos y máquinas.
Algunos proyectos permiten a los usuarios proporcionar diferentes tipos de modelos o colaborar en el entrenamiento de modelos a través de la creación colectiva, 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 del modelo. Las herramientas de desarrollo ofrecidas por Sahara AI incorporan algoritmos de IA avanzados y marcos de cálculo, y tienen la capacidad de entrenamiento colaborativo.
Capa de aplicación:
Esta capa se dirige principalmente a aplicaciones de usuario, combinando AI con Web3 para crear maneras más interesantes e innovadoras de jugar. Este artículo se centra en los proyectos de AIGC (contenido generado por AI), agentes de AI y análisis de datos.