Relatório panorâmico da pista Web3-AI: Análise profunda da lógica técnica, aplicações de cena e projetos de topo Profundidade

Com o aquecimento contínuo da narrativa de IA, cada vez mais atenção está sendo dada a este setor. Foi realizada uma análise aprofundada da lógica técnica, cenários de aplicação e projetos representativos da pista Web3-AI, apresentando de forma abrangente o panorama e as tendências de desenvolvimento deste campo.

Um, Web3-AI: Análise da Lógica Tecnológica e Oportunidades de Mercado Emergentes

1.1 A lógica da fusão entre Web3 e IA: como definir o setor Web-AI

No último ano, a narrativa de IA na indústria Web3 tem sido excepcionalmente popular, com projetos de IA surgindo como cogumelos após a chuva. Embora muitos projetos envolvam tecnologia de IA, alguns utilizam IA apenas em certas partes de seus produtos, e a economia de token subjacente não tem relação substancial com os produtos de IA, portanto, esses projetos não estão incluídos na discussão de projetos Web3-AI neste artigo.

O foco deste artigo está em usar a blockchain para resolver problemas de relações de produção e a IA para resolver problemas de produtividade. Esses projetos oferecem produtos de IA e, ao mesmo tempo, baseiam-se em um modelo econômico Web3 como ferramenta de relações de produção, complementando-se mutuamente. Classificamos esses projetos como parte da área Web3-AI. Para que os leitores compreendam melhor a área Web3-AI, será apresentada uma introdução ao processo de desenvolvimento da IA e aos desafios, assim como à forma como a combinação de Web3 e IA pode resolver problemas de forma perfeita e criar novos cenários de aplicação.

1.2 O processo de desenvolvimento da IA e os desafios: da coleta de dados à inferência do modelo

A tecnologia de IA é uma tecnologia que permite que os computadores simulem, expandam e aprimorem a inteligência humana. Ela permite que os computadores executem várias tarefas complexas, desde tradução de idiomas, classificação de imagens até reconhecimento facial, condução autónoma e outros cenários de aplicação. A IA está a mudar a forma como vivemos e trabalhamos.

O processo de desenvolvimento de modelos de inteligência artificial geralmente inclui os seguintes passos-chave: coleta de dados e pré-processamento de dados, seleção e ajuste de modelo, treinamento e inferência do modelo. Para dar um exemplo simples, ao desenvolver um modelo para classificar imagens de gatos e cães, você precisaria:

1. Coleta de dados e pré-processamento de dados: Coletar um conjunto de dados de imagens contendo gatos e cães, podendo usar conjuntos de dados públicos ou coletar dados reais por conta própria. Em seguida, rotular cada imagem com a categoria (gato ou cão), garantindo que os rótulos estejam corretos. Converter as imagens para um formato que o modelo possa reconhecer, dividindo o conjunto de dados em conjunto de treinamento, conjunto de validação e conjunto de teste.

2. Seleção e ajuste do modelo: escolher um 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 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 menos profunda 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 influenciado 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 fazer previsões ou classificações em novos dados. Durante este processo, pode-se utilizar um conjunto de testes ou novos dados para avaliar o desempenho de classificação do modelo, normalmente utilizando métricas como precisão, taxa de recuperação e F1-score para avaliar a eficácia do modelo.

Como mostrado na figura, após a coleta de dados e o pré-processamento de dados, seleção e ajuste de modelo, e treino, a inferência do modelo treinado no conjunto de testes resultará nos valores de previsão P (probabilidade) para gatos e cães, ou seja, a probabilidade que o modelo inferiu ser 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 utilizadores enviam imagens de gatos ou cães e recebem os resultados da classificação.

No entanto, o processo de desenvolvimento de IA centralizada apresenta alguns problemas nas seguintes situações:

Privacidade do usuário: em cenários centralizados, o processo de desenvolvimento da IA geralmente é opaco. Os dados dos usuários podem ser roubados sem o seu conhecimento e utilizados para o treinamento da IA.

Obtenção de fontes de dados: pequenas equipas ou indivíduos podem enfrentar limitações de não disponibilização de dados ao obter dados de áreas específicas (como dados médicos).

Seleção e ajuste de modelos: para pequenas equipas, é difícil obter recursos de modelos específicos ou gastar grandes quantias em ajustes de modelos.

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

Rendimento de ativos de IA: os trabalhadores de anotação de dados muitas vezes não conseguem obter uma remuneração que corresponda ao seu esforço, enquanto os resultados de pesquisa dos desenvolvedores de IA também têm dificuldade em se alinhar com os compradores que têm demanda.

Os desafios existentes em cenários de IA centralizada podem ser superados através da combinação com o Web3, que, como uma nova relação de produção, se adapta naturalmente à IA, que representa novas forças produtivas, promovendo assim o progresso simultâneo da tecnologia e da capacidade de produção.

1.3 Efeitos sinérgicos entre Web3 e IA: Mudança de papéis e aplicações inovadoras

A combinação de Web3 e IA pode fortalecer a soberania do usuário, oferecendo uma plataforma de colaboração de IA aberta, permitindo que os usuários passem de meros utilizadores de IA da era Web2 a participantes, criando uma IA que pode ser possuída por todos. Ao mesmo tempo, a fusão do mundo Web3 com a tecnologia de IA pode gerar mais cenários de aplicação e formas de inovação.

Baseada na tecnologia Web3, o desenvolvimento e a aplicação da IA irão acolher um novo sistema econômico de colaboração. A privacidade dos dados das pessoas pode ser garantida, o modelo de crowdsourcing de dados promove o avanço dos modelos de IA, numerosos recursos de IA de código aberto estão disponíveis para os usuários, e a potência de computação compartilhada pode ser adquirida a um custo reduzido. Com a ajuda de um mecanismo de colaboração descentralizado e de um mercado de IA aberto, é possível implementar um sistema de distribuição de renda justa, incentivando assim mais pessoas a promover o avanço da tecnologia de IA.

No cenário Web3, a IA pode ter um impacto positivo em várias áreas. Por exemplo, modelos de IA podem ser integrados em contratos inteligentes para aumentar a eficiência do trabalho em diferentes cenários de aplicação, como análise de mercado, detecção de segurança, agrupamento social e várias outras funções. A IA generativa não só permite que os usuários experimentem o papel de "artista", como ao criar seus próprios NFTs usando tecnologia de IA, mas também pode criar cenários de jogo variados e interações interessantes em GameFi. Uma infraestrutura rica proporciona uma experiência de desenvolvimento fluida, onde tanto especialistas em IA quanto novatos que desejam entrar na área de IA podem encontrar uma entrada adequada neste mundo.

II. Interpretação do Mapa e da Estrutura dos Projetos do Ecossistema Web3-AI

Estudámos principalmente 41 projetos na área do Web3-AI e classificámos esses projetos em diferentes camadas. A lógica de classificação de cada camada está ilustrada na imagem abaixo, incluindo a camada de infraestrutura, a camada intermédia e a camada de aplicação, sendo que cada camada é dividida em diferentes setores. No próximo capítulo, iremos fazer uma análise profunda de alguns projetos representativos.

A camada de infraestrutura abrange os recursos computacionais e a arquitetura técnica que suportam a operação de todo o ciclo de vida da IA, enquanto a camada intermediária inclui a gestão de dados, desenvolvimento de modelos e serviços de validação de inferência que conectam a infraestrutura às aplicações. A camada de aplicações foca nas várias aplicações e soluções diretamente voltadas para o usuário.

Camada de infraestrutura:

A camada de infraestrutura é a base do ciclo de vida da IA. Este artigo classifica o poder computacional, a AI Chain e a plataforma de desenvolvimento como parte da camada de infraestrutura. É o suporte dessas infraestruturas que possibilita 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 computacional distribuído para treinamento de modelos de IA, garantindo a utilização eficiente e econômica dos recursos computacionais. Alguns projetos oferecem mercados de poder computacional descentralizados, onde os usuários podem alugar poder computacional a baixo custo ou compartilhar poder computacional para obter lucros, com projetos representativos como IO.NET e Hyperbolic. Além disso, alguns projetos derivaram novas maneiras de jogar, como Compute Labs, que propuseram um protocolo tokenizado, permitindo que os usuários participem do aluguel de poder computacional de diferentes maneiras para obter lucros, comprando NFTs que representam entidades GPU.

• AI Chain: Utiliza a blockchain como base para o ciclo de vida da IA, permitindo a interação sem costura entre recursos de IA on-chain e off-chain, promovendo o desenvolvimento do ecossistema da indústria. O mercado descentralizado de IA na blockchain pode negociar ativos de IA como dados, modelos, agentes, etc., e fornece uma estrutura de desenvolvimento de IA e ferramentas de desenvolvimento complementares, representado pelo projeto como Sahara AI. A AI Chain também pode promover o progresso tecnológico da IA em diferentes áreas, como o Bittensor, que através de um mecanismo inovador de incentivos de sub-rede, promove a competição entre diferentes tipos de sub-redes de IA.

• Plataforma de desenvolvimento: alguns projetos oferecem plataformas de desenvolvimento de agentes de IA, podendo também 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, representadas por projetos como Nimble. Esta infraestrutura promove a ampla aplicação da tecnologia de IA no ecossistema Web3.

Camada intermediária:

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

• Dados: A qualidade e a quantidade dos dados são fatores-chave que afetam a eficácia do treinamento do modelo. No mundo Web3, a utilização de dados por meio de crowdsourcing e o processamento colaborativo de dados podem otimizar a utilização de recursos e reduzir os custos dos dados. Os usuários podem ter autonomia sobre os dados, vendendo suas informações sob proteção de privacidade, para evitar que dados sejam furtados e explorados por comerciantes desonestos. Para os demandantes de dados, essas plataformas oferecem uma ampla gama de opções e custos extremamente baixos. Projetos representativos como Grass utilizam a largura de banda do usuário para capturar 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 do setor ou usuários comuns realizem tarefas de pré-processamento de dados, como rotulagem de imagens e classificação de dados, que podem exigir o processamento de dados em tarefas financeiras e jurídicas que necessitam de conhecimentos especializados. Os usuários podem tokenizar suas habilidades para realizar a colaboração e o crowdsourcing no pré-processamento de dados. Exemplos como o mercado de IA Sahara AI, que possui tarefas de dados em diferentes domínios, podem abranger cenários de dados em múltiplas áreas; enquanto o AIT Protocolt realiza a rotulagem de dados por meio de colaboração humano-máquina.

• Modelo: Durante o processo de desenvolvimento de IA mencionado anteriormente, diferentes tipos de necessidades requerem a correspondência com modelos adequados. Modelos comuns para tarefas de imagem incluem CNN e GAN, para tarefas de deteção de objetos pode-se escolher a série Yolo, e para tarefas de texto, modelos como RNN e Transformer são comuns, além de alguns modelos grandes 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 modelos confiáveis na camada de armazenamento e na camada de distribuição para otimização de modelos. As ferramentas de desenvolvimento fornecidas pela Sahara AI incorporam algoritmos de IA avançados e estruturas de computação, além de possuírem a capacidade de treinamento colaborativo.

• Inferência e validação: 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 um mecanismo de validação para verificar se a origem do modelo de inferência está correta e se não há comportamentos maliciosos, entre outros. A inferência em Web3 geralmente pode ser integrada em contratos inteligentes, chamando o modelo para realizar a inferência, e os métodos de validação comuns incluem tecnologias como ZKML, OPML e TEE. Projetos representativos como o oráculo de IA em cadeia ORA (OAO) introduziram o OPML como uma camada verificável para o oráculo de IA, e o site oficial da ORA também mencionou suas pesquisas sobre ZKML e opp/ai (ZKML combinado com OPML).

Camada de aplicação:

Esta camada é principalmente um aplicativo voltado diretamente para o usuário, combinando IA com Web3, criando mais jogadas interessantes e inovadoras. Este artigo aborda principalmente os projetos nas áreas de AIGC (Conteúdo Gerado por IA), Agentes de IA e Análise de Dados.

• AIGC： através do AIGC pode-se expandir