Rapport panoramique sur le secteur Web3-AI : analyse approfondie de la logique technique, des applications scénaristiques et des projets de premier plan
Avec la montée continue de la narration par l'IA, de plus en plus d'attention est portée sur ce secteur. Une analyse approfondie de la logique technique, des cas d'application et des projets représentatifs du secteur Web3-AI a été réalisée, vous présentant ainsi un panorama complet et les tendances de développement dans ce domaine.
I. Web3-AI : Analyse de la logique technique et des opportunités de marché émergentes
1.1 La logique de fusion entre Web3 et IA : comment définir la piste Web-AI
Au cours de l'année écoulée, la narration AI a connu un essor remarquable dans l'industrie Web3, avec des projets AI émergeant comme des champignons après la pluie. Bien que de nombreux projets impliquent la technologie AI, certains n'utilisent l'AI que dans certaines parties de leurs produits, et l'économie des tokens sous-jacente n'a pas de lien substantiel avec les produits AI, c'est pourquoi ces projets ne sont pas inclus dans la discussion des projets Web3-AI de cet article.
L'article se concentre sur l'utilisation de la blockchain pour résoudre les problèmes de relations de production et sur les projets qui utilisent l'IA pour résoudre les problèmes de productivité. Ces projets offrent eux-mêmes des produits d'IA tout en s'appuyant sur un modèle économique Web3 comme outil de relations de production, les deux se complétant mutuellement. Nous classons ces projets dans la catégorie Web3-AI. Afin d'aider les lecteurs à mieux comprendre la catégorie Web3-AI, nous allons développer le processus de développement de l'IA et les défis qu'il pose, ainsi que la manière dont la combinaison de Web3 et d'IA permet de résoudre parfaitement des problèmes et de créer de nouveaux cas d'application.
1.2 Le processus de développement de l'IA et ses défis : de la collecte de données à l'inférence du modèle
La technologie AI est une technologie qui permet aux ordinateurs de simuler, d'étendre et d'améliorer l'intelligence humaine. Elle permet aux ordinateurs d'exécuter diverses tâches complexes, de la traduction de langues, à la classification d'images, en passant par la reconnaissance faciale et la conduite autonome. L'AI change notre façon de vivre et de travailler.
Le processus de développement d'un modèle d'intelligence artificielle comprend généralement les étapes clés suivantes : collecte de données et prétraitement des données, choix et réglage du modèle, entraînement et inférence du modèle. Prenons un exemple simple, pour développer un modèle qui classifie les images de chats et de chiens, vous devez :
Collecte de données et prétraitement des données : Collecter un ensemble de données d'images contenant des chats et des chiens, en utilisant un ensemble de données public ou en collectant des données réelles soi-même. Ensuite, annoter chaque image avec une catégorie (chat ou chien), en s'assurant que les étiquettes sont précises. Convertir les images dans un format que le modèle peut reconnaître, diviser l'ensemble de données en ensemble d'entraînement, ensemble de validation et ensemble de test.
Choix et ajustement du modèle : choisir un modèle approprié, tel que les réseaux de neurones convolutifs (CNN), qui conviennent mieux aux tâches de classification d'images. Ajuster les paramètres ou l'architecture du modèle en fonction des besoins différents, en général, la profondeur du réseau du modèle peut être ajustée en fonction de la complexité de la tâche d'IA. Dans cet exemple simple de classification, une profondeur de réseau plus faible peut suffire.
Entraînement du modèle : il est possible d'utiliser des GPU, TPU ou des clusters de calcul haute performance pour entraîner le modèle, le temps d'entraînement étant influencé par la complexité du modèle et la puissance de calcul.
Inférence de modèle : Les fichiers de modèle entraînés sont généralement appelés poids du modèle. Le processus d'inférence fait référence à l'utilisation d'un modèle déjà entraîné pour prédire ou classer de nouvelles données. Dans ce processus, un ensemble de test ou de nouvelles données peut être utilisé pour évaluer l'efficacité de la classification du modèle, généralement à l'aide d'indicateurs tels que la précision, le rappel et le F1-score.
Comme montré sur l'image, après la collecte de données, le prétraitement des données, la sélection et l'ajustement du modèle, ainsi que l'entraînement, l'inférence avec le modèle entraîné sur le jeu de test donnera les valeurs de prédiction pour le chat et le chien P (probabilité), c'est-à-dire la probabilité que le modèle infère qu'il s'agit d'un chat ou d'un chien.
Un modèle d'IA entraîné peut être intégré dans diverses applications pour exécuter différentes tâches. Dans cet exemple, un modèle d'IA de classification des chats et des chiens peut être intégré dans une application mobile, où l'utilisateur télécharge une image de chat ou de chien et obtient les résultats de classification.
Cependant, le processus de développement de l'IA centralisée présente certains problèmes dans les scénarios suivants :
Confidentialité des utilisateurs : dans un scénario centralisé, le processus de développement de l'IA est généralement opaque. Les données des utilisateurs peuvent être volées à leur insu et utilisées pour l'entraînement de l'IA.
Obtention des sources de données : les petites équipes ou les particuliers peuvent être confrontés à des restrictions sur l'accès aux données non ouvertes dans des domaines spécifiques (comme les données médicales).
Choix et ajustement du modèle : pour les petites équipes, il est difficile d'accéder à des ressources de modèle spécifiques ou de dépenser beaucoup de coûts pour l'ajustement du modèle.
Obtention de puissance de calcul : pour les développeurs individuels et les petites équipes, le coût élevé d'achat des GPU et les frais de location de puissance de calcul dans le cloud peuvent constituer un fardeau économique significatif.
Revenus des actifs AI : Les travailleurs de l'annotation de données ne parviennent souvent pas à obtenir des revenus correspondant à leurs efforts, et les résultats de recherche des développeurs d'IA ont également du mal à s'aligner avec les acheteurs en demande.
Les défis existants dans le cadre de l'IA centralisée peuvent être surmontés en les combinant avec le Web3. Le Web3, en tant que nouvelle relation de production, s'adapte naturellement à l'IA qui représente une nouvelle productivité, permettant ainsi le progrès simultané de la technologie et des capacités de production.
1.3 Synergie entre Web3 et l'IA : Changement de rôle et applications innovantes
La combinaison de Web3 et de l'IA peut renforcer la souveraineté des utilisateurs, en leur offrant une plateforme de collaboration ouverte en IA, permettant aux utilisateurs de passer de simples utilisateurs d'IA de l'ère Web2 à des participants, créant une IA que tout le monde peut posséder. En même temps, la fusion du monde Web3 et des technologies IA peut également donner lieu à davantage de scénarios d'application innovants et de nouvelles manières de jouer.
Grâce à la technologie Web3, le développement et l'application de l'IA vont connaître un tout nouveau système économique collaboratif. La confidentialité des données des utilisateurs sera protégée, le modèle de crowdsourcing des données favorisera les progrès des modèles d'IA, de nombreuses ressources d'IA open source seront disponibles pour les utilisateurs, et la puissance de calcul partagée pourra être obtenue à un coût réduit. Avec un mécanisme de crowdsourcing décentralisé et un marché de l'IA ouvert, un système de répartition des revenus équitable pourra être mis en place, incitant ainsi un plus grand nombre de personnes à promouvoir les avancées de la technologie IA.
Dans le contexte de Web3, l'IA peut avoir un impact positif dans plusieurs domaines. Par exemple, des modèles d'IA peuvent être intégrés dans des contrats intelligents pour améliorer l'efficacité au travail dans différents scénarios d'application, tels que l'analyse de marché, la détection de sécurité, le clustering social, et bien d'autres fonctions. L'IA générative permet non seulement aux utilisateurs d'expérimenter le rôle d'"artiste", comme en créant leurs propres NFT grâce à des technologies d'IA, mais elle peut également créer des scènes de jeu riches et variées et des expériences d'interaction intéressantes dans GameFi. Une infrastructure riche offre une expérience de développement fluide, que ce soit pour des experts en IA ou des débutants souhaitant entrer dans le domaine de l'IA, chacun peut trouver un point d'entrée approprié dans ce monde.
II. Interprétation de la carte et de l'architecture des projets écosystémiques Web3-AI
Nous avons principalement étudié 41 projets dans le domaine Web3-AI et avons classé ces projets en différentes couches. La logique de classification de chaque couche est illustrée dans le tableau ci-dessous, comprenant la couche d'infrastructure, la couche intermédiaire et la couche d'application, chaque couche étant elle-même divisée en différents segments. Dans le chapitre suivant, nous procéderons à une analyse approfondie de certains projets représentatifs.
La couche d'infrastructure englobe les ressources de calcul et l'architecture technologique qui soutiennent l'ensemble du cycle de vie de l'IA, tandis que la couche intermédiaire comprend la gestion des données, le développement de modèles et les services de raisonnement de vérification qui connectent l'infrastructure aux applications. La couche d'application se concentre sur les diverses applications et solutions directement destinées aux utilisateurs.
Infrastructure Layer :
La couche d'infrastructure est la base du cycle de vie de l'IA. Cet article classe la puissance de calcul, la chaîne IA et la plateforme de développement comme faisant partie de la couche d'infrastructure. C'est grâce au soutien de ces infrastructures que l'on peut réaliser l'entraînement et l'inférence des modèles d'IA, et présenter aux utilisateurs des applications IA puissantes et pratiques.
Réseau de calcul décentralisé : peut fournir une puissance de calcul distribuée pour l'entraînement des modèles d'IA, garantissant une utilisation efficace et économique des ressources de calcul. Certains projets offrent un marché de puissance de calcul décentralisé, où les utilisateurs peuvent louer de la puissance de calcul à faible coût ou partager de la puissance de calcul pour générer des revenus, des projets représentatifs incluent IO.NET et Hyperbolic. De plus, certains projets ont donné naissance à de nouvelles façons de jouer, comme Compute Labs, qui propose un protocole de tokenisation, permettant aux utilisateurs de participer à la location de puissance de calcul de différentes manières en achetant des NFT représentant des entités GPU.
AI Chain : Utiliser la blockchain comme base du cycle de vie de l'IA, réaliser une interaction transparente entre les ressources IA en ligne et hors ligne, et promouvoir le développement de l'écosystème industriel. Le marché décentralisé de l'IA sur la chaîne permet d'échanger des actifs IA tels que des données, des modèles, des agents, etc., et fournit un cadre de développement IA ainsi que des outils de développement associés, représentant des projets comme Sahara AI. AI Chain peut également favoriser les progrès technologiques en IA dans différents domaines, comme Bittensor qui stimule la concurrence entre différents types de sous-réseaux grâce à un mécanisme d'incitation innovant.
Plateforme de développement : certains projets offrent des plateformes de développement pour les agents AI, et peuvent également réaliser des transactions d'agents AI, comme Fetch.ai et ChainML. Des outils tout-en-un aident les développeurs à créer, entraîner et déployer plus facilement des modèles AI, représentés par des projets tels que Nimble. Ces infrastructures favorisent l'application généralisée de la technologie AI dans l'écosystème Web3.
Couche intermédiaire :
Ce niveau concerne les données AI, les modèles ainsi que le raisonnement et la validation, et l'utilisation de la technologie Web3 peut permettre une plus grande efficacité au travail.
Données : La qualité et la quantité des données sont des facteurs clés influençant l'efficacité de l'entraînement des modèles. Dans le monde du Web3, l'optimisation de l'utilisation des ressources et la réduction des coûts des données peuvent être réalisées grâce à la collecte de données par crowdsourcing et à un traitement collaboratif des données. Les utilisateurs peuvent posséder le droit de disposer de leurs données et, dans le cadre de la protection de la vie privée, vendre leurs propres données pour éviter qu'elles ne soient volées par de mauvais commerçants et utilisées pour réaliser des profits élevés. Pour les demandeurs de données, ces plateformes offrent un large éventail de choix à des coûts très bas. Des projets représentatifs comme Grass utilisent la bande passante des utilisateurs pour collecter des données Web, xData collecte des informations médiatiques via des plugins conviviaux, et soutient les utilisateurs pour télécharger des informations de tweets.
De plus, certaines plateformes permettent aux experts du domaine ou aux utilisateurs ordinaires d'exécuter des tâches de prétraitement des données, telles que l'annotation d'images et la classification des données, qui peuvent nécessiter des compétences spécialisées pour le traitement des données financières et juridiques. Les utilisateurs peuvent tokeniser leurs compétences pour réaliser une collaboration en mode crowd-sourcing pour le prétraitement des données. Des exemples incluent le marché AI de Sahara AI, qui propose des tâches de données dans différents domaines et peut couvrir des scénarios de données multi-domaines ; tandis que le protocole AIT effectue l'annotation des données grâce à une collaboration homme-machine.
Modèle : Dans le processus de développement de l'IA mentionné précédemment, différents types de besoins nécessitent de faire correspondre le modèle approprié. Les modèles couramment utilisés pour les tâches d'image incluent CNN et GAN. Pour les tâches de détection d'objets, on peut choisir la série Yolo. Les modèles courants pour les tâches textuelles incluent RNN, Transformer, etc. Bien sûr, il existe également certains modèles spécifiques ou généraux. La profondeur des modèles nécessaires varie selon la complexité des tâches, et il est parfois nécessaire d'ajuster le modèle.
Certains projets permettent aux utilisateurs de fournir différents types de modèles ou de collaborer à l'entraînement de modèles par le biais de l'affichage, comme Sentient qui, grâce à une conception modulaire, permet aux utilisateurs de placer des données de modèle fiables dans la couche de stockage et la couche de distribution pour optimiser le modèle. Les outils de développement fournis par Sahara AI intègrent des algorithmes d'IA avancés et des cadres de calcul, et possèdent la capacité d'entraînement collaboratif.
Inférence et validation : après l'entraînement, le modèle génère un fichier de poids de modèle qui peut être utilisé pour effectuer des classifications, des prévisions ou d'autres tâches spécifiques, ce processus est appelé inférence. Le processus d'inférence est généralement accompagné d'un mécanisme de validation pour vérifier si la source du modèle d'inférence est correcte, s'il y a des comportements malveillants, etc. L'inférence Web3 peut généralement être intégrée dans des contrats intelligents, en appelant le modèle pour effectuer l'inférence, les méthodes de validation courantes incluent des technologies telles que ZKML, OPML et TEE. Des projets représentatifs comme l'oracle AI sur la chaîne ORA (OAO) ont introduit OPML comme couche vérifiable pour l'oracle AI, le site officiel d'ORA mentionne également leurs recherches sur ZKML et opp/ai (ZKML combiné avec OPML).
Couche applicative :
Cette couche est principalement une application destinée aux utilisateurs, combinant l'IA avec le Web3 pour créer des expériences plus intéressantes et innovantes. Cet article se concentre principalement sur les projets dans plusieurs domaines : AIGC (contenu généré par IA), agents IA et analyse de données.
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
24 J'aime
Récompense
24
9
Reposter
Partager
Commentaire
0/400
FlatTax
· 07-10 21:48
On parle encore de l'IA web3, mais quand cela va-t-il se concrétiser ?
Voir l'originalRépondre0
FancyResearchLab
· 07-10 13:01
Une nouvelle opération de prise de pigeons a commencé.
Voir l'originalRépondre0
PumpAnalyst
· 07-08 02:44
pump prendre les gens pour des idiots une vague en attendant que vous baissiez
Voir l'originalRépondre0
LiquidationSurvivor
· 07-08 02:40
Cela fait un an, les mêmes personnes spéculent toujours sur l'IA ?
Voir l'originalRépondre0
SignatureDenied
· 07-08 02:27
Il y a trop de spéculation, il est difficile de voir la vraie valeur.
Voir l'originalRépondre0
GigaBrainAnon
· 07-08 02:24
Encore en train de spéculer sur le concept d'IA, je ne sais pas combien de temps cela va durer.
Voir l'originalRépondre0
CryptoWageSlave
· 07-08 02:23
Ce récit d'IA est aussi usé, Se faire prendre pour des cons avec de nouvelles méthodes.
Web3-AI secteur panorama : fusion technologique, cas d'application et analyse approfondie des projets de premier plan
Rapport panoramique sur le secteur Web3-AI : analyse approfondie de la logique technique, des applications scénaristiques et des projets de premier plan
Avec la montée continue de la narration par l'IA, de plus en plus d'attention est portée sur ce secteur. Une analyse approfondie de la logique technique, des cas d'application et des projets représentatifs du secteur Web3-AI a été réalisée, vous présentant ainsi un panorama complet et les tendances de développement dans ce domaine.
I. Web3-AI : Analyse de la logique technique et des opportunités de marché émergentes
1.1 La logique de fusion entre Web3 et IA : comment définir la piste Web-AI
Au cours de l'année écoulée, la narration AI a connu un essor remarquable dans l'industrie Web3, avec des projets AI émergeant comme des champignons après la pluie. Bien que de nombreux projets impliquent la technologie AI, certains n'utilisent l'AI que dans certaines parties de leurs produits, et l'économie des tokens sous-jacente n'a pas de lien substantiel avec les produits AI, c'est pourquoi ces projets ne sont pas inclus dans la discussion des projets Web3-AI de cet article.
L'article se concentre sur l'utilisation de la blockchain pour résoudre les problèmes de relations de production et sur les projets qui utilisent l'IA pour résoudre les problèmes de productivité. Ces projets offrent eux-mêmes des produits d'IA tout en s'appuyant sur un modèle économique Web3 comme outil de relations de production, les deux se complétant mutuellement. Nous classons ces projets dans la catégorie Web3-AI. Afin d'aider les lecteurs à mieux comprendre la catégorie Web3-AI, nous allons développer le processus de développement de l'IA et les défis qu'il pose, ainsi que la manière dont la combinaison de Web3 et d'IA permet de résoudre parfaitement des problèmes et de créer de nouveaux cas d'application.
1.2 Le processus de développement de l'IA et ses défis : de la collecte de données à l'inférence du modèle
La technologie AI est une technologie qui permet aux ordinateurs de simuler, d'étendre et d'améliorer l'intelligence humaine. Elle permet aux ordinateurs d'exécuter diverses tâches complexes, de la traduction de langues, à la classification d'images, en passant par la reconnaissance faciale et la conduite autonome. L'AI change notre façon de vivre et de travailler.
Le processus de développement d'un modèle d'intelligence artificielle comprend généralement les étapes clés suivantes : collecte de données et prétraitement des données, choix et réglage du modèle, entraînement et inférence du modèle. Prenons un exemple simple, pour développer un modèle qui classifie les images de chats et de chiens, vous devez :
Collecte de données et prétraitement des données : Collecter un ensemble de données d'images contenant des chats et des chiens, en utilisant un ensemble de données public ou en collectant des données réelles soi-même. Ensuite, annoter chaque image avec une catégorie (chat ou chien), en s'assurant que les étiquettes sont précises. Convertir les images dans un format que le modèle peut reconnaître, diviser l'ensemble de données en ensemble d'entraînement, ensemble de validation et ensemble de test.
Choix et ajustement du modèle : choisir un modèle approprié, tel que les réseaux de neurones convolutifs (CNN), qui conviennent mieux aux tâches de classification d'images. Ajuster les paramètres ou l'architecture du modèle en fonction des besoins différents, en général, la profondeur du réseau du modèle peut être ajustée en fonction de la complexité de la tâche d'IA. Dans cet exemple simple de classification, une profondeur de réseau plus faible peut suffire.
Entraînement du modèle : il est possible d'utiliser des GPU, TPU ou des clusters de calcul haute performance pour entraîner le modèle, le temps d'entraînement étant influencé par la complexité du modèle et la puissance de calcul.
Inférence de modèle : Les fichiers de modèle entraînés sont généralement appelés poids du modèle. Le processus d'inférence fait référence à l'utilisation d'un modèle déjà entraîné pour prédire ou classer de nouvelles données. Dans ce processus, un ensemble de test ou de nouvelles données peut être utilisé pour évaluer l'efficacité de la classification du modèle, généralement à l'aide d'indicateurs tels que la précision, le rappel et le F1-score.
Comme montré sur l'image, après la collecte de données, le prétraitement des données, la sélection et l'ajustement du modèle, ainsi que l'entraînement, l'inférence avec le modèle entraîné sur le jeu de test donnera les valeurs de prédiction pour le chat et le chien P (probabilité), c'est-à-dire la probabilité que le modèle infère qu'il s'agit d'un chat ou d'un chien.
Un modèle d'IA entraîné peut être intégré dans diverses applications pour exécuter différentes tâches. Dans cet exemple, un modèle d'IA de classification des chats et des chiens peut être intégré dans une application mobile, où l'utilisateur télécharge une image de chat ou de chien et obtient les résultats de classification.
Cependant, le processus de développement de l'IA centralisée présente certains problèmes dans les scénarios suivants :
Confidentialité des utilisateurs : dans un scénario centralisé, le processus de développement de l'IA est généralement opaque. Les données des utilisateurs peuvent être volées à leur insu et utilisées pour l'entraînement de l'IA.
Obtention des sources de données : les petites équipes ou les particuliers peuvent être confrontés à des restrictions sur l'accès aux données non ouvertes dans des domaines spécifiques (comme les données médicales).
Choix et ajustement du modèle : pour les petites équipes, il est difficile d'accéder à des ressources de modèle spécifiques ou de dépenser beaucoup de coûts pour l'ajustement du modèle.
Obtention de puissance de calcul : pour les développeurs individuels et les petites équipes, le coût élevé d'achat des GPU et les frais de location de puissance de calcul dans le cloud peuvent constituer un fardeau économique significatif.
Revenus des actifs AI : Les travailleurs de l'annotation de données ne parviennent souvent pas à obtenir des revenus correspondant à leurs efforts, et les résultats de recherche des développeurs d'IA ont également du mal à s'aligner avec les acheteurs en demande.
Les défis existants dans le cadre de l'IA centralisée peuvent être surmontés en les combinant avec le Web3. Le Web3, en tant que nouvelle relation de production, s'adapte naturellement à l'IA qui représente une nouvelle productivité, permettant ainsi le progrès simultané de la technologie et des capacités de production.
1.3 Synergie entre Web3 et l'IA : Changement de rôle et applications innovantes
La combinaison de Web3 et de l'IA peut renforcer la souveraineté des utilisateurs, en leur offrant une plateforme de collaboration ouverte en IA, permettant aux utilisateurs de passer de simples utilisateurs d'IA de l'ère Web2 à des participants, créant une IA que tout le monde peut posséder. En même temps, la fusion du monde Web3 et des technologies IA peut également donner lieu à davantage de scénarios d'application innovants et de nouvelles manières de jouer.
Grâce à la technologie Web3, le développement et l'application de l'IA vont connaître un tout nouveau système économique collaboratif. La confidentialité des données des utilisateurs sera protégée, le modèle de crowdsourcing des données favorisera les progrès des modèles d'IA, de nombreuses ressources d'IA open source seront disponibles pour les utilisateurs, et la puissance de calcul partagée pourra être obtenue à un coût réduit. Avec un mécanisme de crowdsourcing décentralisé et un marché de l'IA ouvert, un système de répartition des revenus équitable pourra être mis en place, incitant ainsi un plus grand nombre de personnes à promouvoir les avancées de la technologie IA.
Dans le contexte de Web3, l'IA peut avoir un impact positif dans plusieurs domaines. Par exemple, des modèles d'IA peuvent être intégrés dans des contrats intelligents pour améliorer l'efficacité au travail dans différents scénarios d'application, tels que l'analyse de marché, la détection de sécurité, le clustering social, et bien d'autres fonctions. L'IA générative permet non seulement aux utilisateurs d'expérimenter le rôle d'"artiste", comme en créant leurs propres NFT grâce à des technologies d'IA, mais elle peut également créer des scènes de jeu riches et variées et des expériences d'interaction intéressantes dans GameFi. Une infrastructure riche offre une expérience de développement fluide, que ce soit pour des experts en IA ou des débutants souhaitant entrer dans le domaine de l'IA, chacun peut trouver un point d'entrée approprié dans ce monde.
II. Interprétation de la carte et de l'architecture des projets écosystémiques Web3-AI
Nous avons principalement étudié 41 projets dans le domaine Web3-AI et avons classé ces projets en différentes couches. La logique de classification de chaque couche est illustrée dans le tableau ci-dessous, comprenant la couche d'infrastructure, la couche intermédiaire et la couche d'application, chaque couche étant elle-même divisée en différents segments. Dans le chapitre suivant, nous procéderons à une analyse approfondie de certains projets représentatifs.
La couche d'infrastructure englobe les ressources de calcul et l'architecture technologique qui soutiennent l'ensemble du cycle de vie de l'IA, tandis que la couche intermédiaire comprend la gestion des données, le développement de modèles et les services de raisonnement de vérification qui connectent l'infrastructure aux applications. La couche d'application se concentre sur les diverses applications et solutions directement destinées aux utilisateurs.
Infrastructure Layer :
La couche d'infrastructure est la base du cycle de vie de l'IA. Cet article classe la puissance de calcul, la chaîne IA et la plateforme de développement comme faisant partie de la couche d'infrastructure. C'est grâce au soutien de ces infrastructures que l'on peut réaliser l'entraînement et l'inférence des modèles d'IA, et présenter aux utilisateurs des applications IA puissantes et pratiques.
Réseau de calcul décentralisé : peut fournir une puissance de calcul distribuée pour l'entraînement des modèles d'IA, garantissant une utilisation efficace et économique des ressources de calcul. Certains projets offrent un marché de puissance de calcul décentralisé, où les utilisateurs peuvent louer de la puissance de calcul à faible coût ou partager de la puissance de calcul pour générer des revenus, des projets représentatifs incluent IO.NET et Hyperbolic. De plus, certains projets ont donné naissance à de nouvelles façons de jouer, comme Compute Labs, qui propose un protocole de tokenisation, permettant aux utilisateurs de participer à la location de puissance de calcul de différentes manières en achetant des NFT représentant des entités GPU.
AI Chain : Utiliser la blockchain comme base du cycle de vie de l'IA, réaliser une interaction transparente entre les ressources IA en ligne et hors ligne, et promouvoir le développement de l'écosystème industriel. Le marché décentralisé de l'IA sur la chaîne permet d'échanger des actifs IA tels que des données, des modèles, des agents, etc., et fournit un cadre de développement IA ainsi que des outils de développement associés, représentant des projets comme Sahara AI. AI Chain peut également favoriser les progrès technologiques en IA dans différents domaines, comme Bittensor qui stimule la concurrence entre différents types de sous-réseaux grâce à un mécanisme d'incitation innovant.
Plateforme de développement : certains projets offrent des plateformes de développement pour les agents AI, et peuvent également réaliser des transactions d'agents AI, comme Fetch.ai et ChainML. Des outils tout-en-un aident les développeurs à créer, entraîner et déployer plus facilement des modèles AI, représentés par des projets tels que Nimble. Ces infrastructures favorisent l'application généralisée de la technologie AI dans l'écosystème Web3.
Couche intermédiaire :
Ce niveau concerne les données AI, les modèles ainsi que le raisonnement et la validation, et l'utilisation de la technologie Web3 peut permettre une plus grande efficacité au travail.
De plus, certaines plateformes permettent aux experts du domaine ou aux utilisateurs ordinaires d'exécuter des tâches de prétraitement des données, telles que l'annotation d'images et la classification des données, qui peuvent nécessiter des compétences spécialisées pour le traitement des données financières et juridiques. Les utilisateurs peuvent tokeniser leurs compétences pour réaliser une collaboration en mode crowd-sourcing pour le prétraitement des données. Des exemples incluent le marché AI de Sahara AI, qui propose des tâches de données dans différents domaines et peut couvrir des scénarios de données multi-domaines ; tandis que le protocole AIT effectue l'annotation des données grâce à une collaboration homme-machine.
Certains projets permettent aux utilisateurs de fournir différents types de modèles ou de collaborer à l'entraînement de modèles par le biais de l'affichage, comme Sentient qui, grâce à une conception modulaire, permet aux utilisateurs de placer des données de modèle fiables dans la couche de stockage et la couche de distribution pour optimiser le modèle. Les outils de développement fournis par Sahara AI intègrent des algorithmes d'IA avancés et des cadres de calcul, et possèdent la capacité d'entraînement collaboratif.
Couche applicative :
Cette couche est principalement une application destinée aux utilisateurs, combinant l'IA avec le Web3 pour créer des expériences plus intéressantes et innovantes. Cet article se concentre principalement sur les projets dans plusieurs domaines : AIGC (contenu généré par IA), agents IA et analyse de données.